आगामी “एक्सोल्यूशन” ऑफ एआई

आज, हम एक प्रौद्योगिकी के फॉल्ट लाइन के किनारे पर खड़े हैं, हम एलएलएम्स से एजेंट्स तक, और अंततः एजेंटिक एआई और एजीआई तक की यात्रा को देख रहे हैं, और यह केवल बड़े मॉडल या तेज़ प्रतिक्रियाओं के बारे में नहीं है। यह मशीनों के पासिव सहायक से सक्रिय सहयोगी तक, और शायद एक दिन स्वतंत्र विचारकों में बदलने के बारे में भी है।

आइए इस पथ को ट्रेस करें और इसका अर्थ काम, विशेषज्ञता, और कल की बुद्धिमत्ता को आकार देने में मानव की भूमिका के लिए क्या है, इसका अन्वेषण करें।

एलएलएम्स, एजेंट-आधारित सिस्टम, और एजेंटिक एआई के बीच का अंतर

इस अंतर को बेहतर ढंग से समझने के लिए, एक उदाहरण है। यदि मैं एक एलएलएम से कुछ पूछता हूं, जैसे: “मैं शिकागो से ऑस्टिन तक यात्रा करना चाहता हूं, प्रति दिन चार घंटे से अधिक नहीं ड्राइव करना चाहता हूं, और सुंदर स्थानों पर रुकना चाहता हूं,” एक नियमित एलएलएम एक स्थिर प्रतिक्रिया देगा जो पाठ प्रारूप में भाषा पीढ़ी पर आधारित है। यह संभवतः केवल अनुरोध का जवाब देगा, विस्तृत विश्लेषण किए बिना।

एक एजेंट पहले अनुरोध को यात्रा से संबंधित वर्गीकृत करेगा। फिर, यह निर्धारित करेगा कि कौन सा डेटा आवश्यक है: मैपिंग सेवाओं का उपयोग करके मार्ग, मौसम की जानकारी, ईंधन लागत, होटल, रेस्तरां, आदि। इसके बाद, एजेंट अनुरोध को उप-कार्यों में तोड़ देगा और उन्हें विशेषज्ञ मॉडल या एलएलएम्स को रूट करेगा जो प्रासंगिक स्रोतों पर प्रशिक्षित हैं। यह समन्वय और एक एकल तर्क के तहत कई मॉडल और उपकरणों का समन्वय है।

आज, अधिकांश प्रमुख प्रणालियां, जैसे कि चैटजीपीटी या एंथ्रोपिक के क्लाउड, मूल रूप से एजेंट हैं। हालांकि यह उपयोगकर्ता को लगता है कि वे एक एकल मॉडल के साथ बातचीत कर रहे हैं, पृष्ठभूमि में कई मॉडल और प्रणालियों का एक जटिल वास्तुकला है। वे जटिल प्रश्नों को संभाल सकते हैं, लेकिन उनकी क्षमताएं मुख्य रूप से जानकारी प्रदान करने तक सीमित हैं; वे अभी तक कार्रवाई नहीं करते हैं।

एक पूरी तरह से स्वतंत्र एजेंट एक ऐसी प्रणाली है जो जानकारी एकत्र करती है और स्वतंत्र रूप से एक होटल बुक कर सकती है, एक टिकट खरीद सकती है, या एक भुगतान शुरू कर सकती है, बशर्ते इसके पास प्रासंगिक एपीआई या उपयोगकर्ता डेटा तक पहुंच हो। ऐसे एजेंट वर्तमान में प्रारंभिक विकास चरणों में हैं। इस बिंदु पर, वे अधिक सेमी-एजेंट की तरह हैं, जो जानकारी संसाधित कर सकते हैं लेकिन अभी तक स्वतंत्र कार्य नहीं कर सकते हैं।

अनुसंधान समुदाय में एक दिलचस्प चर्चा का क्षेत्र एजेंटिक एआई है। एक नियमित एजेंट के विपरीत, जिसका व्यवहार विकासकर्ताओं द्वारा लिखा गया है, एजेंटिक एआई एक प्रणाली है जो स्वतंत्र रूप से तय करती है कि कौन से कार्य करने हैं, कौन सा डेटा आवश्यक है, और यहां तक कि अपने स्वयं के प्रशिक्षण को जारी रखने के लिए कैसे तय करना है। यह निर्देशों को निष्पादित करने से परे है; यह स्वतंत्र निर्णय लेने में शामिल है। हालांकि, एजेंटिक एआई अभी भी सैद्धांतिक है; ऐसी कोई प्रणाली व्यावहारिक रूप से मौजूद नहीं है।

एजीआई – नया क्षितिज। लेकिन क्या यह प्राप्त करने योग्य है?

मेटा ने स्केल एआई में तीन महीने पहले निवेश किया। उद्देश्य एजीआई, आर्टिफिशियल जनरल इंटेलिजेंस के निर्माण के लिए मिलकर काम करना था, जो मानव स्तर पर या उससे भी अधिक किसी भी कार्य को करने में सक्षम है। यदि आज का एआई एक प्रौद्योगिकी क्रांति है, तो एजीआई एक वास्तविक मेगा क्रांति होगी; कभी-कभी मैं इसे “एक्सोल्यूशन” कहता हूं, जिसका अर्थ है एआई का “एक्सोडस”। जो पहले इसे प्राप्त करेगा, वह एक वैश्विक रणनीतिक लाभ प्राप्त करेगा।

जैसा कि हम वास्तविक एजीआई के करीब हैं, यह इस बात पर निर्भर करता है कि हम इसे कैसे परिभाषित करते हैं। मैं इल्या सुट्स्केवर के दृष्टिकोण से सहमत हूं: एजीआई एक ऐसी प्रणाली है जो किसी भी बौद्धिक कार्य को करने में सक्षम है जो एक मानव कर सकता है। न केवल प्रश्नों का उत्तर देना, बल्कि तर्क, निर्णय लेने, सामान्यीकरण, और व्याख्या करने में सक्षम होना विभिन्न क्षेत्रों में। सच्चा एजीआई सार्वभौमिक है और संकीर्ण कार्य सीमाओं तक सीमित नहीं है।

वर्तमान में कोई भी मॉडल इस स्तर तक नहीं पहुंचा है। हम इस दिशा में बढ़ रहे हैं, लेकिन सैद्धांतिक अर्थ में सच्चा एजीआई अभी भी मौजूद नहीं है। और शायद यह सबसे अच्छा है। हम अभी भी एक अनुमान के चरण में हैं, और यह संभावना है कि हम कुछ समय के लिए वहीं रहेंगे।

एजीआई का आधार संभवतः एक एजेंट-आधारित प्रणाली होगी। यह आवश्यक रूप से एक एकल एलएलएम पर निर्भर नहीं करेगा, क्योंकि जैसे कि कोई एक मानव, चाहे वह कितना भी प्रतिभाशाली क्यों न हो, सभी ज्ञान और कौशल के क्षेत्रों में महारत हासिल नहीं कर सकता है, वैसे ही कोई एक एलएलएम एजीआई के सभी कार्यों को स्वयं संभाल नहीं सकता है। हमें जो चाहिए वह एक प्रकार की “सामूहिक बुद्धिमत्ता” है: एक वास्तुकला जो कई मॉडल और घटकों को समन्वयित करने में सक्षम है।

एजीआई संभवतः एक मानव-डिज़ाइन किए गए एजेंट के रूप में नहीं उभरेगा, बल्कि एक मेटा-एजेंट के रूप में उभरेगा। यह एक ऐसी प्रणाली होगी जो आंशिक रूप से विकसित की जाएगी और एआई की मदद से विकसित होगी। यह महत्वपूर्ण है क्योंकि पूरी तरह से मानव-डिज़ाइन की गई प्रणालियां आंतरिक सीमाओं को ले जा सकती हैं। डिज़ाइन प्रक्रिया में एआई को शामिल करने से इन सीमाओं को पार करने और प्रणाली को अधिक अनुकूलनीय बनाने में मदद मिल सकती है।

एजीआई शायद किसी एक विशिष्ट सफलता से नहीं आएगा। न ही बड़े एलएलएम्स, न ही स्मार्ट एजेंट, और न ही पूरी तरह से नए वास्तुकला से, बल्कि तीनों के संश्लेषण से। संभवतः, कुछ मौलिक रूप से नया जो वर्तमान श्रेणियों को पार करता है।

“मानवता की अंतिम परीक्षा” और अन्य एजीआई बेंचमार्क

“मानवता की अंतिम परीक्षा” (एचएलई) एलएलएम्स, एजेंट्स, और एजीआई के संदर्भ में चर्चा किए जा रहे बेंचमार्क में से एक है। मूल रूप से, यह एक परीक्षण है जिसमें लगभग 2,500 प्रश्न शामिल हैं जो विभिन्न अकादमिक अनुशासनों को कवर करते हैं – गणित, भौतिकी, जीव विज्ञान, रसायन विज्ञान, इंजीनियरिंग, कंप्यूटर विज्ञान, और यहां तक कि शतरंज। विचार यह है कि यह मूल्यांकन करना है कि क्या एक एआई प्रणाली वास्तविक मानव समझ को प्रतिबिंबित करने वाले स्तर पर समस्याओं को हल कर सकती है।

वर्तमान भाषा मॉडल एचएलई पर बहुत खराब प्रदर्शन करते हैं, अक्सर 5% से कम सटीकता प्राप्त करते हैं। यह अन्य बेंचमार्क जैसे एमएमएलयू या जीपीक्यूए के विपरीत है, जहां मॉडल काफी उच्च स्कोर प्राप्त करते हैं। एचएलई के साथ मॉडलों की कठिनाई इस बात को रेखांकित करती है कि वे वास्तविक सामान्य बुद्धिमत्ता से कितनी दूर हैं।

यह महत्वपूर्ण है कि ज्ञात या संकीर्ण डेटासेट वाले बेंचमार्क पर उच्च प्रदर्शन वास्तविक सामान्य बुद्धिमत्ता की उपस्थिति को इंगित नहीं करता है। एक मॉडल को परीक्षण के लिए परिष्कृत या “प्रशिक्षित” किया जा सकता है, जो इसकी स्पष्ट क्षमताओं को बढ़ा सकता है। इसलिए, एचएलई पर एक सही स्कोर यह नहीं意味ा होगा कि हमने एजीआई हासिल कर लिया है; यह केवल मतलब होगा कि हमने एक विशिष्ट परीक्षण पास किया है।

एजीआई को क्या बढ़ावा देता है

मैं पूरी तरह से सहमत हूं कि एजीआई के मुख्य स्तंभ डेटा, कंप्यूट, और प्रतिभा हैं। कंप्यूटिंग की स्थिति स्पष्ट है। मेटा जैसे प्रमुख खिलाड़ियों ने अपने स्वयं के चिप विकास प्रक्रिया में अरबों का निवेश किया है। लेकिन कंपनियां अभी भी अन्य खिलाड़ियों जैसे एनवीडिया के चिप्स और कंप्यूटिंग शक्ति पर भारी रूप से निर्भर हैं, जो न केवल आवश्यक हार्डवेयर प्रदान करते हैं बल्कि उत्पादन को स्केल करने के महत्व को भी समझते हैं।

अधिक प्रश्न डेटा और प्रतिभा के बारे में हैं। इंटरनेट समाप्त हो गया है – खुले स्रोतों से मानव-निर्मित पाठ का कोई टुकड़ा नहीं है जो प्रशिक्षण के लिए उपयोग नहीं किया गया है। मानवता द्वारा अब तक उत्पादित जानकारी की कुल मात्रा आश्चर्यजनक रूप से छोटी साबित हुई है। यही कारण है कि कंपनियां उन लोगों के साथ सक्रिय रूप से साझेदारी करना शुरू कर रही हैं जो उच्च-गुणवत्ता वाले मानव डेटा उत्पन्न कर सकते हैं।

पूर्ण स्वचालन या मानव-इन-द-लूप?

एक और बिंदु – मैनुअल डेटा एनोटेशन की मांग में गिरावट। कुछ साल पहले, उद्योग पूरी गति से बढ़ रहा था। हजारों एनोटेटर्स को एआई पाइपलाइनों की भूख को खिलाने के लिए ऑनबोर्ड किया गया था। आज, उस गति का अधिकांश हिस्सा स्वचालन की ओर स्थानांतरित हो गया है। मॉडल परिपक्व हो गए हैं, और उनके आसपास का टूलिंग भी परिपक्व हो गया है।

चेहरे की पहचान लें। यह एक बार छवि एनोटेशन की मात्रा का एक प्रमुख चालक था। लेकिन यह श्रेणी अब बड़े पैमाने पर हल हो गई है। योलो, एसएएम, और सामुराई जैसे मॉडल तेजी से दिनचर्या कार्यों को अवशोषित कर रहे हैं। ये सिस्टम मैनुअल प्रयास के हफ्तों को कुछ मिनटों में दबा देते हैं, अक्सर आश्चर्यजनक सटीकता के साथ। हमने अपने प्रोप्राइटरी प्लेटफ़ॉर्म कीलैब्स में कई एमएल-सहायता प्राप्त टूल्स को लागू किया है। यह वास्तव में दिनचर्या कार्य प्रवाह को काटने में मदद करता है।

लेकिन इन सभी मॉडलों की सीमाएं हैं और वे मानक और समान ऑपरेशन को स्वचालित करने के लिए उपयुक्त हैं। जटिल या अनोखे मामलों में अभी भी मानव ध्यान की आवश्यकता है।

हम पुराने परिदृश्य से दूर जा रहे हैं जहां एक एनोटेटर केवल एक विवरण-उन्मुख व्यक्ति था जो एक वस्तु या भावना को पहचान सकता था। नई वास्तविकता में, पेशेवरों की आवश्यकता है: चिकित्सकों को चिकित्सा छवियों पर एनोटेट करने के लिए, प्रोग्रामरों को कोड लिखने के लिए, वास्तुकारों को ब्लूप्रिंट बनाने के लिए, विपणकों को ग्राहक अंतर्दृष्टि के लिए, और सैन्य विशेषज्ञों को रक्षा परिदृश्यों के लिए।

हम वास्तविक दुनिया के मामलों को देख रहे हैं, जैसे कि लड़ाकू पायलट जो एआई के लिए डेटा पर एनोटेट कर रहे हैं और अपनी विशेषज्ञता के लिए प्रति घंटे $1,000 कमा रहे हैं। क्योंकि ऐसे विशेषज्ञ दुर्लभ हैं, और उनका ज्ञान उच्च-प्रदर्शन वाले एआई को प्रशिक्षित करने के लिए महत्वपूर्ण है।

दुनिया बदल रही है: अधिक से अधिक लोग कृत्रिम बुद्धिमत्ता के संचालक और “प्रशिक्षक” बन रहे हैं। बस कल ही, मुझे लिंक्डइन संदेश मिला जिसमें मुझसे एक एआई ऐप के लिए एक डेटासेट की जांच करने के लिए कहा गया था जो सीईओ के लिए डिज़ाइन किया गया था। भविष्य में, हममें से कोई भी एक एनोटेटर के रूप में काम करने का प्रस्ताव प्राप्त कर सकता है, न कि केवल बटन दबाने वाला, बल्कि एक विशेषज्ञ जिसका ज्ञान कल की बुद्धिमत्ता को आकार देता है।

हम पहले से ही इस नई वास्तविकता में रहते हैं, एक डेटा लेबलिंग और एआई प्रशिक्षण की दुनिया में। जो लोग इसे पहचानते हैं और अनुकूलन करते हैं वे एक महत्वपूर्ण लाभ प्राप्त करेंगे।