ബോധജ്ഞാനം എന്താണെന്നുള്ളതിനു കൃത്യമായ പ്രായോഗിക, ന്യൂറോണൽ പരമായ നിർവ്വചനം ഇല്ല. ന്യൂറോൺ വലയങ്ങളുടെ പ്രവർത്തനങ്ങളാൽ വികാരങ്ങൾ ഉളവാകുന്നത് എങ്ങനെയെന്ന് വിവരണങ്ങൾ ഉണ്ടെന്നുള്ളത് സത്യമാണെങ്കിലും ന്യൂറോണുകളും ന്യൂറോണുകളും തമ്മിൽ ഘടിപ്പിക്കപ്പെടുമ്പോൾ അത് ബോധം എന്നുള്ളതായി രൂപാന്തരപ്പെടുന്നത് എങ്ങനെയെന്നുള്ളതിൽ ഒരു പൊതുതീർപ്പ് ശാസ്ത്രജ്ഞരുടെ പക്കൽ നിന്ന് ഉണ്ടായിട്ടില്ല. മനസ്സ് ശരീരത്തിൽ നിന്ന് വേർപെട്ടതാണോ? ബാഹ്യമായ ചോദനകൾ വഴിയല്ലെങ്കിലും തലച്ചോറ് പ്രവർത്തിക്കുന്നില്ലെ? കാഴ്ച നഷടപ്പെട്ടവർക്കും മായവിഭ്രമം വഴിയോ അല്ലാതെയോ വസ്തുക്കൾ കാണുന്നതായി അനുഭവിക്കപ്പെടുന്നുണ്ടല്ലൊ? പരിസരങ്ങളുമായി ബന്ധം വേണമോ ബോധം ഉദിയ്ക്കാൻ?? ഈ ചോദ്യങ്ങൾ പണ്ടേ തന്നെ വേദാന്തികളെ ആകർഷിച്ചിരുന്നു, അവർ ഇന്നും സിദ്ധാന്തങ്ങളുമായി എത്തുന്നുണ്ട്. എന്നാൽ ബോധജ്ഞാനസംബന്ധിയായ ആധുനിക ശാസ്ത്രവികാസപരിണാമങ്ങൾ ,പ്രത്യേകിച്ചും ന്യൂറോശാസ്ത്രം., ന്യൂറോസർജറി, ന്യൂറോഎൻജിനീറിങ്ങ് എന്നിവയിലേത് വേദാന്തികളുടെ ചാരുകസേരയിൽ നിന്ന് ഈ തത്വശസ്ത്രത്തെ പരീക്ഷണശാലകളിലും ക്ളിനിക്കുകളിലും എത്തിച്ചിരിക്കയാണ്.
കമ്പ്യൂട്ടറുകൾക്ക് മനുഷ്യ മനസ്സിനെ അനുകരിക്കാമെന്നത് ബോധജ്ഞാനത്തെക്കുറിച്ച് ആഴത്തിലുള്ള ചോദ്യങ്ങൾ ചോദിക്കാൻ പ്രേരിപ്പിക്കുന്നുണ്ട്. മനുഷ്യമസ്തിഷ്ക്കത്തിനു സാധിക്കാത്തതു പലതും കമ്പ്യൂട്ടറുകൾ ചെയ്യുകയാണ്. എന്നാൽ പായസത്തിൻ്റെ രുചി അറിയാനോ ഒരു ആലിംഗനത്തിൻ്റെ നിർവൃതി അനുഭവപ്പെടാനോ അതിനു സാദ്ധ്യമാണോ? തൽക്കാലം അല്ല തന്നെ. ബുദ്ധി എന്താണെന്ന് ശാസ്ത്രനിപുണരിൽ അഭിപ്രായവ്യത്യാസങ്ങൾ ഉണ്ടെങ്കിലും അതിൻ്റെ ചില പ്രായോഗികത തീർച്ചയായും പ്രകടിപ്പിക്കുന്നുണ്ട് ഈ ആധുനിക യന്ത്രങ്ങൾ. ശരിക്കും അതിബുദ്ധിയുള്ള യന്ത്രമാണെങ്കിൽ അതിനു ബോധജ്ഞാനമുളവാകാനും സാദ്ധ്യതയില്ലെ? ഉണ്ടെന്നുള്ള അനുമാനം ഹോളിവുഡ് സിനിമകളിൽ ( ബ്ളേഡ് റണ്ണർ, ഹെർ, എക്സ് മാക്കിന മുതലയാവ) നമ്മൾ കണ്ടനുഭവിച്ചതാണ്, ഇത്തരം ഭാവനകൾ യാഥാർഥ്യമാകുന്നുണ്ടെന്ന് ചരിത്രം ഉദ് ഘോഷിക്കുന്നുമുണ്ട്. മറ്റുള്ളവരുടെ മനോരീതികൾ നമ്മൾ മനസ്സിലാക്കെയെടുക്കുന്ന ‘തിയറി ഓഫ് മൈൻഡ്’ പ്രതിഭാസം ആധുനിക കമ്പ്യൂട്ടറുകൾ സ്വായത്തമാക്കിയിട്ടുണ്ട്. ബോധജ്ഞാനത്തെ അപഗ്രഥിക്കുന്ന രണ്ട് സിദ്ധാന്തങ്ങൾ നിലവിലുണ്ട് . Global neuronal workspace (GNW) theory, Integrated Information Theory (IIT) എന്നിവ. ഇവയിൽ ചില പൊതുഘടകങ്ങൾ വീക്ഷിക്കാമെങ്കിലും കൃത്യമായ പ്രയോഗസത്യം തിരിച്ചറിയാൻ പ്രയാസമുണ്ട്.
കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ (Artificial Neural Networks)
തലച്ചോറിലെ ന്യൂറോൺ -ന്യൂറോൺ ബന്ധപ്പെടലുകളാണ് വലയങ്ങൾ തീർത്ത് തലച്ചോറിൻ്റെ വിവിധപ്രവർത്തനങ്ങൾക്ക് ആധാരമാകുന്നത്. കൃത്രിമം ആണെങ്കിലും കമ്പ്യൂടർ നിർമ്മിച്ചെടുജകുന്ന ഏകകങ്ങൾക്ക് “ന്യൂറോൺ” എന്നുതന്നെയാണ് പേർ. മസ്തിഷ്ക്കവലയങ്ങൾ പോലെ ഇവ വലയങ്ങൾ തീർക്കുകയാണ്. വിവരങ്ങൾ പകർന്നുകിട്ടുന്ന (input) ന്യൂറോണുകളും അതിൽ നിന്നും ഉത്പന്നമാകുന്ന (output) ന്യൂറോണുകളും തമ്മിൽ ഒരു അസ്ത്രചിഹ്നം കൊണ്ട് സൂചിപ്പിക്കാം. ഈ ബന്ധങ്ങളിൽ ഓരോന്നിനും ഓരോ നിശ്ചിത മാർഗ്ഗമുണ്ട് (Directed edges). കൂടാതെ നിശ്ചിത ഭാരവും (Weights). പലേ പട്ടണങ്ങളിൽ നിന്ന് മറ്റ് പട്ടണങ്ങളിലേക്കുള്ള വിമാനമാർഗ്ഗം സൂചിപ്പിക്കുന്ന വലക്കണ്ണീ ഭൂപടം പോലെയാണിത്. യാത്രയ്ക്ക് ആവശ്യം വരുന്ന തുകയാണ് ആ മാർഗ്ഗത്തിൻ്റെ ഭാരം. ഇത് ന്യൂറോണുകൾ തമ്മിലുള്ള സംവേദനങ്ങളുടെ തീക്ഷ്ണതയ്ക്ക് സമാനമാണ്. കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ ബാഹ്യലോകത്തിൽ നിന്ന് സംവേദനങ്ങൽ സ്വീകരിക്കുകയും (ഒരു പൂച്ചയുടെ ചിത്രം സ്കാൻ ചെയ്തത് അല്ലെങ്കിൽ ഒരു പ്രത്യേക പാറ്റേൺ) കമ്പ്യൂടറിൽ ചേർക്കുക). ഒരോ ന്യൂറോൺ ബന്ധങ്ങളും അവയുടെ ഭാരം അനുസരിച്ച് മറ്റ് ഉത്പ്പന്ന ന്യൂറോണുകളിൽ വിവരം കൈമാറുകയും അവ ഒരു അറിവ് വെളിവാക്കുകയും (ഇത് പൂച്ചയുടേ ചിത്രമാണ് എന്ന്) ചെയ്യുകയാണ്. ഈ രണ്ട് സംഘങ്ങളും അടരുകളായാണ് സംവിധാനം ചെയ്തിരിക്കുന്നത്, അതുകൊണ്ട് സങ്കീർണ്ണവുമാണ്. ഇവയ്ക്ക് രണ്ടിനും ഇടയിൽ മറയ്ക്കപ്പെട്ട അടരുകളുമുണ്ട് (hidden layers). ഈ അടര് input ഉം output ഉം തമ്മിൽ ബന്ധിപ്പിക്കുകയാണ്. ഇത് പഠിച്ചെടുക്കൽ പ്രക്രിയുടെ അടിസ്ഥനമാണ്. എന്നുവെച്ചാൽ പിന്നെ പൂച്ചയുടെ ആകൃതി എവിടെ കണ്ടാലും തിരിച്ചറിയാൻ പ്രാപ്തി നേടുകയാണ്.
സാധാരണ കൃത്രിമ ന്യൂറൽ വലയങ്ങളിൽ ഇൻപുട് ഇൽ നിന്ന് ഔട്പുടിലേക്ക ഒരു ദിശയിൽ മാത്രമാണ് സംവേദനം. പക്ഷേ ഇപ്പോൾ മുൻപോട്ടും പിറകോട്ടും ഇത് സാധിച്ചെടുക്കുന്ന സമ്പ്രദായം വന്നു ചേർന്നിട്ടുണ്ട്. ‘പുനരാവർത്തിയായ ന്യൂറൽ വലയങ്ങൾ (Recurrent Neural Network, RNN) എന്നാണിതിൻ്റെ പേര്.
“Deep learning” വാസ്തവത്തിൽ
ന്യൂറൽ വലയങ്ങളാണ്. “ആഴം’എന്നത് ഈ വലയങ്ങളിൽ മേൽച്ചൊന്നപോലെ മൂന്നു അടരുകൾ മാത്രം അല്ല, പലേ അടരുകൾ ഉണ്ട് ഏേൻ്റ് സൂചിപ്പിക്കുന്നു.
വലിയ ഡാറ്റാ സെറ്റ് ( data set) കളിൽ മനുഷ്യൻ്റെ ഇടപെടലുകൾ ആവശ്യമായി വരും input, output ഒക്കെ ക്രമീകരിക്കാൻ.
ഇതില്ലാതാക്കപ്പെട്ടിരിക്കയാണ് ഡീപ്
ലേണിങ്ങ് ഇൽ. അതുകൊണ്ട് അസംഖ്യം ഡാറ്റാ സെറ്റുകൾ ഒരുമിച്ച് കൈകാര്യം ചെയ്ത്
നെല്ലും പതിരും വേർതിരിക്കുക സാദ്ധ്യമാവുകയാണ്. ആഖ്യാനമോ വിഷയവസ്തുവോ പ്രതിരൂപങ്ങളോ ചിത്രങ്ങളോ
അതേപടി സ്വാംശീകരിച്ച് അർത്ഥം പൊരുൾ തിരിക്കുകയാണ്.
അമാനുഷികം
ട്യൂറിങ്ങിൻ്റെ പണ്ടത്തെ ധാർമ്മികപരമായ ചോദ്യം മനുഷ്യരെപ്പോലെ പെരുമാറുന്നുണ്ടോ കമ്പ്യൂടർ എന്നായിരുന്നു എങ്കിൽ മനുഷ്യനു പറ്റാത്തതാണ് നിർമ്മിതിബുദ്ധി സാധിച്ചെടുക്കുന്നത് എന്നതാണ് സംഗതം. മനുഷ്യൻ പഠിപ്പിച്ചെടുത്ത്, പരിശീലിപ്പിച്ച വിദ്യകൾ സമർത്ഥമായി നടപ്പിലാക്കുന്ന ഉത്തമ ശിഷ്യൻ മാത്രമല്ലേ നിർമ്മിതബുദ്ധി എന്ന ചോദ്യം സാർത്ഥകമാണെങ്കിലും മനുഷ്യാതീതമായ പ്രായോഗിക ചെയ്തികളിലേക്ക് സ്ഥാനാന്തരണത്തിനു പ്രാപ്തി നേടിയതാണ് നിർമ്മിതബുദ്ധിയുടെ അമാനുഷികതയ്ക്ക് ഉദാഹരണമാകുന്നത്. ഒരു സർജറിയ്ക്കു മുൻപ് ഒരു ഡോക്ക്റ്റർക്ക് ആ സർജറിയെക്കുറിച്ച് ഇന്നു വരെയുള്ള എല്ലാ അറിവുകളും ഒറ്റയടിക്ക് പറഞ്ഞുകൊടുക്കാൻ സാധിയ്ക്കുക എന്നത് ഈയിടെ വരെ കൽപ്പിതകഥകളിൽ മാത്രം കാണപ്പെടാൻ സാദ്ധ്യതയുള്ളത് മാത്രമായിരുന്നു.
ശാസ്ത്രത്തിൻ്റെ രീതികളെ ‘’ഷോർട് സർക്യൂട്’ ചെയ്യുന്ന വേലകളാണ് AI യുടെ കൈവശമുള്ളത്. പ്രോടീനുകളുടെ ത്രിമാനരൂപവും ഘടനയും അവയുടെ പ്രവർത്തനങ്ങളെക്കുറിച്ച് അറിയാൻ അത്യാവശ്യമാണ്. ഓരോ പ്രോടീനിൻ്റെ ഘടനയും വെവ്വേറേ പഠിച്ചെടുക്കുകയായിരുന്നു പതിവ്. പലേ അമിനോ ആസിഡുകളും കണ്ണി ചേർത്ത് മാലയാക്കി പലേ തരത്തിൽ മടക്കിയെടുത്താണ് പ്രൊടീനുകൾ ത്രിമാനസ്വരൂപം കൈവരിയ്ക്കുന്നത്. 2022 ആദ്യകാലത്ത് ലണ്ടൻ ആസ്ഥാനമാക്കിയിട്ടുള്ള “ഡീപ് മൈൻഡ്’ ( DeepMind ) എന്ന AI കമ്പനി 220 മില്ല്യൺ പ്രോടീനുകളുടെ ത്രിമാനഘടനയാണ് പ്രവചിച്ചത്. ഡി എൻ എ ഡാറ്റാബേസിൽ ലഭ്യമായ അറിവുകൾ ആധാരമാക്കിയാണ് ഇത് സാധിച്ചെടുത്തത്. അധികം താമസിയാതെ ‘മെറ്റാ’ ( Meta-ഫെയ്സ്ബുക്ക് കമ്പനിയുടെ പുതിയ പേര്) 600 മില്ല്യൺ പ്രോടീനുകളുടെ-ബാക്റ്റീരിയ, വൈറസ് പോലുള്ള അണുജീവികളിൽ കാണുന്നവ-ത്രിമാനഘടനയാണ് വെളിവാക്കി വിജയം നേടിയത്. നിർമ്മിതബുദ്ധിയിലെ ‘ഭാഷാ മാതൃക’ (Language model) അടിസ്ഥാനമാക്കിയാണ് ഈ പ്രവചനം സാദ്ധ്യമായത്. പലേ പ്രോടീനുകളുടെയും അമിനോ ആസിഡ് തരങ്ങളെക്കുറിച്ചും അവയെ കണ്ണി ചേർത്ത് മടക്കിയെടുത്തിട്ടുള്ളത് എങ്ങനെയാണെന്നും AI കമ്പ്യൂട്ടറുകളെ പഠിപ്പിച്ചെടുക്കുകയും പുതിയ പ്രോടീനുകളുടെ ഘടന അവ വെളിവാക്കുകയുമായിരുന്നു ട്രിക്ക്. എല്ലാ അമിനോ ആസിഡുകളെക്കുറിച്ചും അറിവില്ലെങ്കിൽ ഈ ‘ഭാഷാ മാതൃക’ തൻ്റെ മിടുക്കുകൊണ്ട് വിട്ടുപോയ ഭാഗങ്ങൾ പൂരിപ്പിച്ചെടുക്കുകയും ചെയ്തു. പിന്നീട് ത്രിമാനസ്വരൂപം നിർമ്മിച്ചെടുക്കാൻ AlphaFold എന്ന പ്രോഗ്രാം നിയുക്തമാക്കി. മെറ്റാ ആകട്ടെ വളരെ പെട്ടെന്ന് ത്രിമാനസ്വരൂപം ഗണിച്ചെടുക്കുന്ന ESMFold എന്ന പ്രോഗ്രാമും. ഈ പ്രോടീനുകളാകട്ടെ ഇനിയും തിരിച്ചറിഞ്ഞിട്ടില്ലാത്ത പലേ അണുജീവികളുടേതാണെന്നുള്ളതാണ് ശ്രദ്ധേയം. മണ്ണിലെ, കടൽവെള്ളത്തിലെ , മനുഷ്യൻ്റെ കുടലിലെ എന്നുവേണ്ട ഭൂമിയിലെ പലേ അണുജീവികളുടേയും പ്രോടീൻ സ്വരൂപങ്ങൾ വിദിതമായിരിക്കുകയാണ് ശാസ്ത്രചരിത്രവുമായി തട്ടിച്ചു നോക്കുമ്പോൾ നൊടി നേരം കൊണ്ട് എന്ന് സമർത്ഥിക്കാവുന്നത് തന്നെ.
രണ്ടുകാര്യങ്ങളാണ് ഇവിടെ അമാനുഷികം എന്ന് വിശേഷിക്കപ്പെടേണ്ടത്. ഒന്ന് ഈ പ്രോഗ്രാമുകൾ നമുക്ക് തരുന്ന നൂതന അറിവുകളുടെ അളവും തോതും. പലേ വർഷങ്ങൾ, പലേ ശാസ്ത്രജ്ഞർ ഒന്നിച്ചു പണിയെടുത്താലേ സാധാരണരീതിയിൽ ഇത് സാദ്ധയ്മാവൂ. രണ്ട്, ഈ ഗവേഷണങ്ങളുടെ വേഗത. ഒരു പ്രോടീനിൻ്റെ സ്വരൂപം നിർണ്ണയിക്കാൻ ഒരു മിനിട്ടേ എടുക്കുകയുള്ളു എന്ന ആല്ഫാഫോൾഡ് വിദഗ്ധർ അവകാശപ്പെടുന്നു. ജീവശാസ്ത്രത്തിലെ വൻ അറിവുകളാണ് ചുരുങ്ങിയ സമയത്തിനുള്ളിൽ സമാഹരിക്കപ്പെട്ടിരിക്കുന്നത്. പലേ പുതിയ വൈറസുകളൂടെയും വിവരങ്ങൾ ‘ഡീപ് മൈൻഡ്’’ ശേഖരിച്ചു കൊണ്ടിരിക്കയാണ്.
ഈ വേഗതയും വ്യാപ്തിയും എല്ലാ മേഖലകളിലും വ്യാപകമായിട്ടുണ്ട്, മനുഷ്യസ്വഭാവപരിമിതികളെ ഭേദിക്കുന്നതാണിത്. സിനിമാനിർമ്മാണം ഉദാഹരണം. നേരത്തെ പഠിച്ചെടുത്ത കാര്യങ്ങൾ പരിശോധിച്ച് അത് അടിസ്ഥാനമാക്കി പുതിയ ആവിഷ്ക്കാരങ്ങൾ നിർമ്മിച്ചെടുക്കാൻ പ്രാപ്തിയുള്ള ‘machine learning’ പ്രോഗ്രാമുകൾ നൂതനങ്ങളായ സ്ക്രിപ്റ്റും കഥാസാരങ്ങളും ഉപയുക്തമാക്കുന്നത് ഹോളീവുഡിൽ നിലവിൽ വന്നിട്ടുണ്ട്. പലേ ആൽഗൊറിതമുകൾ (algorithms) ഉൾക്കൊള്ളിച്ച് സാദ്ധ്യതകൾ വിശ്ളേഷണം ചെയ്തിട്ടാണിത് എന്നത് കൊണ്ട് പുതിയ കഥാസാരവും കഥപറഞ്ഞെടുക്കാനുള്ള വൈവിദ്ധ്യരീതികളും ലഭ്യമാക്കുകയാണ്. സമയം ലാഭിക്കുന്നതിനോടൊപ്പം പണച്ചിലവും കുറയുകയാണ്. അഭിനേതാക്കളെ തെരഞ്ഞെടുക്കാനും കാസ്റ്റിങ്ങ് ഡയറക്റ്റർമാർ ഇത്തരം പ്ളാറ്റ് ഫോമുകൾ ഉപയോഗിച്ചു തുടങ്ങി.യിട്ടുണ്ട്. ഒരു രംഗത്തിനു ആവശ്യമായ പ്രത്യേക ഉപകരണങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും നിർമ്മിതബുദ്ധിയെ ആശ്രയിക്കാം. ഈയിടെ പ്രസിദ്ധമായത് ഒരു മാന്ത്രികലായനിക്കുപ്പി അതീവചാതുര്യത്തോടെ ‘AI’ രൂപകൽപ്പന ചെയ്തതാണ്.
ആവിഷ്ക്കാരപരത എത്രത്തോളം?
സ്വപ്നത്തിൽ കാണുന്ന രൂപങ്ങൾ പോലും ചിത്രങ്ങളായി വരച്ചു തരുന്ന പ്രോഗ്രാമുകൾ ഉണ്ട്. സംഗീതം രചിയ്ക്കുന്ന സോഫ്റ്റ് വെയറുകളുമുണ്ട്. പക്ഷേ ഇവയെല്ലാം പണ്ട് പഠിച്ചത് പാടുന്ന രീതിയിലള്ളവയാണ്, പുതിയ, തനതായ ആവിഷ്ക്കാരങ്ങളായി സ്വീകരിക്കപ്പെടാവുന്നവയല്ല. അനേകം ആൽഗൊറിതങ്ങൾ ചികഞ്ഞ് സ്വരൂക്കൂട്ടി നിർമ്മിച്ചെടുക്കുന്നവ തന്നെ. ചതുരംഗക്കളിയിൽ ലോകത്തെ പ്രഗൽഭരെ തോൽപ്പിക്കുന്ന കമ്പ്യൂട്ടറുകൾ ഉണ്ട്, സ്വന്തമായി സോഫ്റ്റ് വെയറുകൾ ചമയ്ക്കുന്നവയും. പക്ഷേ ഇവയൊന്നും ലോകത്തെക്കുറിച്ച് ഒരു അറിവും ഉള്ള മട്ടിലല്ല പെരുമാറുന്നത്, അത് പഠിപ്പിച്ചെടുക്കുക എളുപ്പവുമല്ല. എന്നാൽ അതിൽ നിന്ന് മാറ്റങ്ങൾ വന്നു തുടങ്ങുന്നതായി സൂചനകളുണ്ട്. മേൽ പരാമർശിച്ച “ഡീപ് മൈൻഡ്’ ഇലെ വിദഗ്ധർ ഒരു നിർമ്മിതബുദ്ധി സൃഷ്ടിച്ചിട്ടുണ്ട്, പ്രകൃതിധർമ്മപ്രകാരമുള്ള ലോക(physical world)ത്തിൽ വസ്തുക്കൾ പദാർത്ഥശാസ്ത്ര (physiscs) ത്തിൻ്റെ നിയമങ്ങൾ അനുശീലിക്കുന്നതായിരിക്കും എന്ന് മനസ്സിലാക്കിയെടുത്തിരിക്കുന്ന സൊഫ്റ്റ് വെയർ. ‘പ്ളേറ്റോ” (PLATO –Physics Learning through Auto-encoding and Tracking Objects) എന്ന് പേരിട്ടിരിക്കുന്ന ഈ AI, വസ്തുക്കളുടെ ചലനങ്ങളും ഇടം തേടലുകളും നിലയുറപ്പിക്കലുകളും ഒക്കെ അനുകരിക്കപ്പെടുന്ന വീഡിയോകൾ (simulated videos) വഴിയാണ് പരിശീലിപ്പിക്കപ്പെട്ടത്. വസ്തുക്കൾ വെറുതെ അപ്രത്യകഷമാകുന്നവ അല്ലെന്നും അവയുടെ ഭൗതികഗുണങ്ങൾ സ്ഥിരമാണെന്നും ഒക്കെ പഠിപ്പിച്ചെടുത്തു “പ്ളേറ്റോ” യെ. തെറ്റുകൾ വരുത്തിയാൽ കണ്ടുപിടിയ്ക്കാനുള്ള കഴിവ് പ്ളേറ്റോയ്ക്ക് ഉണ്ടത്രെ.
വാചകങ്ങളോ വിവരണങ്ങളോ കൽപ്പനാചിത്രങ്ങളായി മാറ്റാൻ കഴിവുണ്ട് ‘ഡാൽ-ഇ’ (Dall-E)
എന്ന AI സൊഫ്റ്റ് വെയറിനു. ഉദ്പാദക നിർമ്മിത ബുദ്ധി (generative AI)
സർഗ്ഗാത്മകതയുടെ പൂട്ട് തുറക്കുമെന്നാണ് പ്രത്യാശ. മനുഷ്യമസ്തിഷ്ക്കത്തെപ്പോലെ
ന്യൂറൽ വലയങ്ങൾ (neural network) സൃഷ്ടിച്ചെടുത്തിട്ടുണ്ട് പുതിയ സൊഫ്റ്റ് വെയർ മാതൃകകൾ. പഴയ രീതിയിൽ കൃത്യമായ
സൂചനകൾ പിന്തുടരുകയായിരുന്നെങ്കിൽ ഈ തലച്ചോർ- ന്യൂറോൺ മാതൃക ആകെയുള്ള വിവരങ്ങളിൽ
ചില പാറ്റേണുകൾ കണ്ടു പിടിയ്ക്കുകയും അവ പഠിച്ചെടുക്കുകയും അതനുസരിച്ച് പെരുമാറാൻ
പ്രാപ്തമാകുകയും ആണ്. OpenAI കമ്പനിയുടെ 2020 ഇലെ സോഫ്റ്റ് വെയർ (പിന്നീട് ഇതാണ് ‘ചാറ്റ്ജിപിറ്റി
(ChatGPT) ആയി പുതുക്കിയെടുത്തത്) ഇനു പ്രശ്നങ്ങൾ ഉണ്ടായിരുന്നു, പരിശീലനത്തിനുപയോഗിച്ച
ഡാറ്റയിലെ തെറ്റുകൾ മൂലം സ്ത്രീവിരുദ്ധതയും വംശവെറിയും പൊടുന്നനവേ
പ്രത്യക്ഷമാക്കിയിരുന്നു.
നമ്മളെപ്പോലെ ചിന്തിയ്ക്കുമോ?
അമാനുഷകത ആവോളം പ്രദർശിപ്പിച്ചു കഴിഞ്ഞു, ആവിഷ്ക്കാരങ്ങൾ ചാറ്റ്ജിപിറ്റിയും മറ്റും ഏറ്റെടുത്തു. ചതുരംഗം കളിയിൽ തോൽപ്പിക്കാനാവില്ല മക്കളേ എന്ന് പ്രഖ്യാപിച്ചും കഴിഞ്ഞു കമ്പ്യൂടറുകൾ. പക്ഷേ ഒരു സൂപർ ശക്തി ഇനിയും കിട്ടിയിട്ടില്ല നിർമ്മിത ബുദ്ധിയ്ക്ക്: മനസ്സ് വായിച്ചെടുക്കുക എന്നത്.. കമ്പ്യൂടർ പ്രോഗ്രാമുകൾക്ക് മനസ്സ് ഉണ്ടോ തന്നെ? നമുക്ക് മറ്റൊരാളുടെ ചിന്ത എന്താണെന്നും പൊതു അവസ്ഥകളിൽ എങ്ങനെ പെരുമാറുമെന്നും ഏകദേശം ധാരണയുണ്ട്. വളരെ ചെറുപ്പത്തിൽത്തന്നെ ഇത് മനസ്സിലാക്കിയെടുക്കും നമ്മുടെ മസ്തിഷ്ക്കം. മനുഷ്യപെരുമാറ്റങ്ങളും ചിന്താപദ്ധതികളും ഇത് അടിസ്ഥാനമാക്കിയാണ് രൂപപ്പെടാറ്. നമ്മുടെ പെരുമാറ്റത്തിൻ്റെ അനന്തരഫലം മറ്റുള്ളവരിൽ നിന്ന് ഏതുരീതിയിൽ പ്രതീക്ഷിക്കാം എന്നും നമുക്കറിയാം. ‘മനസ്സിൻ്റെ പരികൽപ്പന’ (Theory of mind) എന്നറിയപ്പെടുന്നു ഇത്. നിർമ്മിതബുദ്ധികൾ നമ്മുടെ ദൈനദിനജീവിതത്തിൽ ഉപയോഗപ്രദമാകണമെങ്കിൽ നമ്മളോട് യോജിച്ച് പ്രവർത്തിക്കേണ്ടിയിരിക്കുന്നു. ഉദാഹരണത്തിനു താനേ ഓടുന്ന കാറാണെങ്കിൽ അതിനു മുൻപിലേക്ക് ഒരു പന്ത് ഉരുണ്ടു വരുന്നതു കണ്ടാൽ അതിനു പിറകെ ഒരു കുട്ടിയും വന്നേയ്ക്കാം എന്ന തോന്നൽ AI യ്ക്ക് ഉണ്ടാവേണ്ടതാണ്. എന്നുവെച്ചാൽ സഹജാവബോധം അവശ്യം നിർമ്മിതബുദ്ധിയുടെ ഭാഗമായിരിക്കണം എന്നു തന്നെ.
ചതുരംഗത്തിൽ ഗ്രാൻ്റ്മാസ്റ്ററെ സൃഷ്ടിയ്ക്കാൻ
നിർമ്മിതബുദ്ധിയ്ക്ക് എളുപ്പമുണ്ട്. പക്ഷേ മനുഷ്യപെരുമാറ്റത്തിലെ അനിശ്ചിതത്വം
പഠിപ്പിച്ചെടുക്കാൻ എളുപ്പമല്ല. വഴങ്ങാവുന്ന, വ്യതിചലനാത്മകമാകുന്ന ചിന്തകൾ അതിനു
ആവശ്യമാണ്. ഇതിനു സാധിയ്ക്കുന്ന നിർമ്മിതബുദ്ധിപ്രയോഗങ്ങൾ സാദ്ധ്യമാകുന്നതിൻ്റെ
സൂചനകൾ നമുക്കുണ്ട് ഇപ്പോൾ. മനുഷ്യരോടൊപ്പം ചില മൽസരക്കളികളിലും ഒളിച്ചുകളിയിലും
ഏർപ്പെടുക ഒക്കെ കമ്പ്യൂടർ സോഫ്റ്റ് വെയറുകൾ
ചെയ്തുതുടങ്ങിയിടുണ്ട് എന്നതിനാൽ സമൂഹസ്നേഹികളായ യന്ത്രങ്ങൾ
അസാദ്ധ്യമല്ലെന്ന് തെളിയുന്നുണ്ട്. നിന്നെപ്പോലെ നിൻ്റെ അയൽക്കാരനേയും സ്നേഹിച്ചു
തുടങ്ങുക എന്നത് കമ്പ്യൂടർ മനസ്സിലാക്കുന്ന വേള അതിവിദൂരമല്ല.
പക്ഷേ മനുഷ്യപെരുമാറ്റത്തിൻ്റെ നിയമങ്ങൾ സങ്കീർണ്ണമാണ്, നമുക്കറിയാം. ഏറ്റവും ലളിതമായ സമൂഹപെരുമാറ്റശേഷി പോലും യന്ത്രങ്ങളുടെ ഭാവത്തിലേക്ക് വിവർത്തനം ചെയ്യാൻ എളുപ്പമല്ല. നമ്മുടെ പെരുമാറ്റങ്ങളിലെ കണക്കുകൂട്ടലുകൾ അല്ല ചില സൂത്രവാക്യങ്ങളിലൂടെ യുക്തി നിബന്ധിച്ച കമ്പ്യൂടർ പ്രയോഗരീതികളിൽ . അനിശ്ചിതത്വം എന്നത് കമ്പ്യൂടറിനു മറി കടക്കാൻ പറ്റുന്ന കടമ്പയല്ല. ഒരു ലക്ഷ്യം ആദ്യം ഉറപ്പിച്ചിട്ട് അതിലെത്താൻ നേരത്തെയുള്ള അറിവുകൾ പരിശോധിച്ച് പലേ പരീക്ഷണ/പിശകുകളിലൂടെ ( trial and error ) കടന്ന് ഓരോ പടിയിലും പാഠങ്ങൾ പഠിച്ച് മുന്നേറാൻ ചില നിർമ്മിതബുദ്ധികൾ പരിശീലിക്കപ്പെടുന്നുണ്ട്. ഗൂഗിളിൻ്റെ ‘ഡീപ് മൈൻഡ് ( DeepMind ) കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ സൃഷ്ടിച്ച് മനുഷ്യമസ്ത്ഷ്ക്കത്തിൻ്റെ അനുകരണപ്രയോഗങ്ങളെ ആധാരമാക്കുന്നു. Theory of Mind-net (ToM-net) എന്ന പേരിൽ അറിയപ്പെടുന്ന ഈ AI യ്ക്ക് ധാരാളം വിവരങ്ങൾ തുടക്കത്തിൽത്തന്നെ നൽകുന്നു, പടിപടിയായി പുതിയ കാര്യങ്ങൾ പഠിച്ചെടുക്കുന്നു, സാങ്കൽപ്പികമായ മറ്റൊരാളുടെ ആലോചനകളെക്കുറിച്ച് അറിവു നേടുന്നു. ന്യൂ യോർക്കിലെ കൊളംബിയ യൂണിവെഴ്സിറ്റിയിലെ ഡോ. ലിപ്സണും കൂട്ടരും കമ്പ്യൂടറിൽ ഒരു ത്രിമാന ഇടത്ത് ഒരു ഇരയേയും വേട്ടക്കാരനേയും പ്രതിഷ്ഠിച്ച് ഒളിച്ചുകളിയുടെ തദ്സമ അനുകരണം സൃഷ്ടിച്ചെടുത്തു. മറ്റാളുടെ മനസ്സിൽ എന്താണെന്ന് അറിയുന്ന രീതിയിൽ ഇരയുടെ കാഴ്ച്ച വേട്ടക്കാരൻ്റെ കണ്ണിലൂടെ മാത്രം എന്ന സംവിധാനത്തിലാണ് ഈ ഒളിച്ചുകളി പ്രായോഗികമാക്കിയത്. ഇര അങ്ങനെ രക്ഷപെടാൻ ഇടയായി. ഇതേ തത്വം ഉപയോഗിച്ച് 2021 ഇൽ ലിപ്സണും കൂട്ടരും ഒരു റോബോട് ചെയ്തുകൂട്ടുന്ന പലേ പ്രവർത്തികളുടെ ആയിരക്കണക്കിനു ചിത്രങ്ങൾ ഒരു നിർമ്മിതബുദ്ധിയ്ക്ക് പരിചയമാക്കുകയും പിന്നീട് അത് ഈ റോബോട്ടിൻ്റെ മാനസികപദ്ധതി എന്താണെന്ന് കൃത്യമായി ഊഹിച്ചെടുക്കുകയും ചെയ്തു.
ഈയിടെ മനസ്സുപിടിച്ചെടുക്കുന്ന മറ്റൊരു തന്ത്രവുമായി ‘മെറ്റാ’ (Meta-Facebook ൻ്റെ പുതിയ പേര്) എത്തിയിട്ടുണ്ട്. സിസറോ (Cicero) എന്ന AI ‘ഡിപ്ളൊമസി ‘ എന്ന ബോർഡ് ഗെയിം കളിക്കാൻ പ്രാപ്തമാണ്.ഏഴുപേർ യൂറോപ്പ് പിടിച്ചടക്കാൻ മൽസരിക്കുന്നതാണ് പ്രമേയം. കൂട്ടുകെട്ടുകൾ ഉണ്ടാക്കാൻ പരസ്പരം മനസ്സ് അറിയേണ്ടിയിരിക്കുന്നു. ഈ ഏഴുപേരിൽ ഓരോരുത്തരുടേയും ലക്ഷ്യവും വിശ്വാസങ്ങളും ഉദ്ദേശങ്ങളും പരസ്പരം പഠിച്ചെടുത്ത് അവർ പെരുമാറുന്നതായി നിരീക്ഷിക്കപ്പെട്ടു. സമൂഹത്തിൽ പ്രായോഗികജ്ഞാനവുമായി പെരുമാറുന്നതിനു തുല്യമാണിത്. പക്ഷേ പരിമിതിയുണ്ട് ഈ പഠനത്തിനു: ഡിപ്ളോമസി’ എന്ന ഈ ബോർഡ്ഗെയിമിൽ ഒതുങ്ങുകയാണ് ഇവരുടെ അറിവും പെരുമാറ്റവും. ഉപകാരപ്രദമായ റോബോടുകൾ നിർമ്മിക്കാനല്ല ‘തിയറി ഓഫ് മൈൻഡ്’’ പ്രാവർത്തികമാകുന്ന നിർമ്മിതബുദ്ധികൾ ആവിഷ്ക്കരിക്കുന്നത്. ഇത് ഒരു ചവിട്ടുപടിയാണ്, നിർമ്മിത്ബുദ്ധിയും റോബോടിക്സുമൊന്നിച്ച് വികാരങ്ങളുള്ള യന്ത്രങ്ങൾ സൃഷ്ടിയ്ക്കുക എന്ന ലക്ഷ്യത്തിലെത്താൻ വേണ്ടി എന്ന് കമ്പ്യൂടർ വിദഗ്ധർ സാക്ഷ്യപ്പെടുത്തുന്നു.
ബ്രഹുത് ഭാഷാമാതൃക ( Large Language Model- LLM)
ഇഷ്ടം പോലെ ആഖ്യാനങ്ങൾ നിർമ്മിച്ചെടുക്കുന്ന ChatGPT പോലത്ത ചാറ്റ്ബോടുകൾ ബ്രഹൂത് ഭാഷാമാതൃക എന്ന സിസ്റ്റത്തിന്മേൽ നിർമ്മിച്ചെടുത്തവയാണ്. ഭാഷ പഠിപ്പിച്ചെടുക്കുന്നതുപോലെ വാക്കുകളും വാചകങ്ങളും ചിഹ്നങ്ങളും കൊണ്ട് പരിശീലനം ചെയ്യപ്പെട്ടവയാണ് ഇവ. പഠിച്ചെടുത്തത് ഉപയോഗിക്കാൻ പ്രാപ്തമാണ് ഈ സിസ്റ്റെം. നിർമ്മിതബുദ്ധിയിലെ വൻ പുരോഗമനസൂചകം. ഭാഷ എന്നത് അന്യോന്യസംവേദനത്തിനപ്പുറം ഉപയോഗിക്കപ്പെടാവുന്നതാണ്. കമ്പ്യൂടറിൻ്റെ ഭാഷയാണ് ‘കോഡ്’, പ്രോടീനും ഡി എൻ എ അനുക്രമങ്ങളും (sequences) ജീവശാസ്ത്രത്തിൻ്റെ കോഡ് ആയിരിക്കുന്നപോലെ. ഭാഷയുടെ പൊതുനിയമങ്ങൾ ഉപയോഗിച്ച് ഇവയിലൊക്കെ സംവേദനം സാദ്ധ്യമാണ്. ഡീപ് ലേണീങ്ങ് ഇൻ്റെ സങ്കീർണ്ണ കണക്കുപടികൾ (ആൽഗൊറിതം) ഇവിടെ ഉപയോഗിക്കപ്പെടുകയാണ്. പടുകൂറ്റൻ ഡാറ്റാ സെറ്റുകൾ ഉപയോഗിച്ച് , അതിലെ വ്യാഖ്യാനങ്ങൾ പൊരുൾ തിരിച്ച് സമ്മാനിക്കുകയാണ് ഈ ബ്രഹുത് ഭാഷാമാതൃക. എളുപ്പത്തിൽ തിരിച്ചറിഞ്ഞ്, ചുരുക്കിയെടുത്ത്, പരിഭാഷപ്പെടുത്തി, പ്രവചിച്ച് ആഖ്യാനങ്ങൾ വിരചിക്കപ്പെടുകയാണ് ഈ വിദ്യ മൂലം. നിർമ്മിച്ചെടുക്കാനും നിലനിറുത്താനും ദുഷ്ക്കരമാണെങ്കിലും ഓരോ വർഷവും പത്തിരട്ടി വലിപ്പമാണ് ഈ LLM സ്വായത്തമാക്കുന്നത്.
ചാറ്റ്ജിപിറ്റി (ChatGPT) എന്ന പുതിയ കുട്ടി
ബ്രഹുത് ഭാഷാമാതൃക (LLM) യുടെ ഏറ്റവും പുതിയ കുഞ്ഞാണ് ചാറ്റ്ജിപിറ്റി. നമ്മൾ പറഞ്ഞുകൊടുക്കുന്ന വിഷയങ്ങളിൽ കഥയും കവിതയും നാടകവും സിനിമാ സ്ക്രിപ്റ്റും എഴുതുന്ന പ്രതിഭ. പ്രിയതരമായി നർമ്മസംഭാഷണങ്ങളിൽ ഏർപ്പെടുന്ന നിർമ്മലമനസ്സ്. പക്ഷേ തെറ്റുകളിലേക്ക് വഴുതുവീഴുമെന്ന ദോഷം ഉണ്ട്. കണക്ക് ചോദ്യങ്ങളിൽ ഉത്തരം പാളിപ്പോകുന്നു. യുക്തിചിന്തകളിലും ന്യായവാദങ്ങളിലും പതർച്ച. ആൾജിബ്ര ചോദ്യത്തിനു ചാറ്റ്ജിപിറ്റി തെറ്റായ ഉത്തരമാണ് തന്നത്. ഹൈസ്കൂൾ ലെവലിൽ ഉള്ള കണക്കു പരീക്ഷയിൽ 26% മാർക്ക് മാത്രമേ കിട്ടിയുള്ളു പാവം ചാറ്റ്ജിപിറ്റിയ്ക്ക്. പരിശീലനസമയ്ത്ത് ലഭിച്ചത് സ്വരൂപിച്ച്, സ്റ്റാറ്റിസ്റ്റിക്സ് അനുസരിച്ച് ക്രമപ്പെടുത്തിയതാണ്, ,കിട്ടിയ വാക്കുകൾ, വാചകങ്ങൾ ചിഹ്നങ്ങൾ ഒക്കെ ഉപയോഗിച്ചാൽ ഇത്രയ്ക്കൊക്കെയേ വരൂ. എന്നാൽ 2022 ഇൽ ഇറങ്ങിയ ഗൂഗിളിൻ്റെ ‘മിനെർവ’ എന്ന പേരിട്ട LLM 50% മാർക്ക് വാങ്ങിച്ചിരുന്നു ഇതേ കണക്ക് പരീക്ഷയിൽ. മിനെർവ യുടെ വലിപ്പം വളരെ കൂടുതലായിരുന്നു എന്നതാണ് ഇതിൻ്റെ പിന്നിലെ സത്യം. ഉപയോഗിച്ച മാനദണ്ഡങ്ങൾ ( parameters) പലമടങ്ങ് കൂടുതലാണ് ചാറ്റ്ജിപിറ്റിയെക്കാൾ. 175 ബില്ല്യൺ മാനദണ്ഡങ്ങളാണ് ചാറ്റ്ജിപിറ്റി ഉപയോഗിച്ചതെങ്കിൽ മിനെർവ ഉപയോഗിച്ചത് ഗൂഗിളിൻ്റെ PaLM ( LLM പോലെ മറ്റൊരു സിസ്റ്റെം, Pathways Language Model) ആണ്. 540 മില്ല്യൻ മാന്ദണ്ഡങ്ങൾ ഉൾപ്പെടുത്തിയത്. മാത്രമല്ല, പരിശീലിപ്പിച്ചത് 780 ബില്ല്യൻ ടോക്കണുകളുടെ ( ഒരു വാക്കോ അക്കമോ ഒരു നിശ്ചിതവിവരത്തിൻ്റെ യൂണിറ്റോ ആകാം ടോക്കൺ) കൂമ്പാരത്തിൽ നിന്നുമാണ്.
മനുഷ്യമസ്തിഷ്ക്കം –എന്തു
സാമർത്ഥ്യം!
ഏത് LLM ഇനേക്കാളും അതിസങ്കീർണ്ണവും വലിപ്പമേറിയതും ആണ് നമ്മുടെ തലച്ചോറ് . 86 ബില്ല്യൻ ന്യൂറോണുകൾ, 100 ട്രില്ല്യൺ ന്യൂറോൺ-ന്യൂറോൺ ഘടിപ്പിക്കൽ ഒക്കെയാണ് തലങ്ങും വിലങ്ങും സംവേദനങ്ങൾ പായിയ്ക്കുന്നത്. കമ്പ്യൂടർ സിസ്റ്റമുകൾ ഉപയോഗിയ്ക്കുന്നതിൻ്റെ ഒരു അംശം വൈദ്യുതി മാത്രമാണ് മസ്തിഷ്ക്കം ഉപയോഗിക്കുന്നത്: 20 മുതൽ 50 വാട്ട് (Watt) വരെ മാത്രം. ഇപ്പൊഴുള്ള വെല്ലുവിളി ഇതാണ്: തലച്ചോറിൻ്റെ സ്വഭാവത്തെ കൂടുതൽ അനുകരിക്കുന്ന ഭാഷാമാതൃകയും മറ്റ് ന്യൂറൽ വലയങ്ങളും ആവിഷ്ക്കരിക്കുക, ചെറുതും കൂടുതൽ സാമർത്ഥ്യമിയന്നതും കാര്യക്ഷമമേറിയതും ആയിരിക്കും അത് .
നമ്മുടെ തലച്ചോറിൻ്റെ ആകപ്പാടെയുള്ള ബുദ്ധിശക്തിയുടേയും കാര്യക്ഷമതയുടെഉം ഒരു ഉറവിടം അതിൻ്റെ പുനരാവർത്തി (recurrent) സ്വഭാവമാണ്, സംവേദനത്തിൻ്റെ ഉറവിടങ്ങളിലേയ്ക്ക് പ്രതികരണം അറിയിക്കുന്ന feedback ബന്ധങ്ങളാണ്. LLM കളാവട്ടെ ഒരേ ദിശയിൽ മാത്രമുള്ള feedforward നെറ്റ് വർക്കുകളാണ്. ഇതിനർത്ഥം സംസൂചനകൾ ഇൻപുടിൽ നിന്ന് മേൽച്ചൊന്ന അടരുകളിക്കൂടി ഔട് പുട്ടിലേക്ക എത്തുക മാത്രമാണെന്നാണ്. മസ്തിഷ്ക്ക ‘വയറിങ്ങ്’ വ്യത്യാസമിയന്നതാണ്. ഉദാഹരണത്തിനു മനുഷ്യരുടെ കാഴ്ച്ചാവ്യവസ്ഥ (visual system) യിൽ തലച്ചോറിൽ ആദ്യം ലഭിയ്ക്കുന്ന ദൃഷ്ടി സംവേദനങ്ങൾ ഒരു പറ്റം ന്യൂറോണുകൾ തലച്ചോറിൻ്റെ പിറകുഭാഗത്തേയ്ക്ക് വിവരങ്ങളുമായി പായുകയാണ്. ഉടൻ പ്രതികരണങ്ങൾ എതിർ ദിശയിൽ സഞ്ചരിച്ച് ഉറവിടസ്ഥാനത്ത് അറിയിപ്പുകളായി എത്തിയ്ക്കുകയാണ്. അങ്ങോട്ട് കൊണ്ടുപോയതിൽ പത്തിരട്ടി വിവരങ്ങളായിരിക്കും ഈ ‘feedback’ സഞ്ചാരപഥത്തിൽ അടങ്ങിയിരിക്കുന്നത്.
മുൻപോട്ടും പിറകോട്ടൂം സംവേദനങ്ങൾ സാദ്ധ്യമാക്കുന്ന, ‘feedforward, feedback ഘടിപ്പിക്കലുകൽ ഉള്ളവ ‘പുനരാവർത്തി ന്യൂറൽ വലയങ്ങൾ (RNN) ആണെന്ന് മേൽ പ്രസ്താവിച്ചു കഴിഞ്ഞു. ഇത്തരം നെറ്റ് വർക്കുകൾ (കേവലം മുൻപോട്ട് മാത്രം സംവേദനം നടത്തുന്ന LLM കളിൽ ഇല്ലാത്തത്) ഡാറ്റായിലുള്ള ക്രമരൂപങ്ങൾ കാലാനുസൃതമായി മാറിയാലും അത് കണ്ടുപിടിയ്ക്കാൻ പ്രാപ്തരാണ്. പ്രകൃത്യാ ഉള്ള ബുദ്ധിശക്തികൾ ലോകത്തെ അറിയുന്നതിൻ്റേയും പഠിച്ചെടുക്കുന്നതിൻ്റേയും സർവ്വാടിസ്ഥാനം ഇതാണ്. പക്ഷേ നിർമ്മിതബുദ്ധിയിലെ ഈ RNN കളെ പരിശീലിപ്പിച്ചെടുക്കാൻ എളുപ്പമല്ല, സാവധാനമേ സാധിയ്ക്കൂ. അതുകൊണ്ട് നിലവിലുള്ള ബ്രഹുത് ഭാഷാ മാതൃകകളുടെ വലിപ്പത്തിലേക്ക് വീർപ്പിച്ചെടുക്കാൻ എളുപ്പമല്ല. നമ്മുടെ ന്യൂറോണുകൾ കാര്യക്ഷമതയോടെ വർത്തിക്കുന്നതിനു മറ്റൊരു കാരണവുമുണ്ട്. അവ മിക്കവാറും നിശബ്ദമാണ്, വല്ലപ്പൊഴുമാണ് ഒരു വൈദ്യുതി വിജൃംഭണം സംഭവിക്കുന്നത്. നേരേ മറിച്ച് കൃത്രിമ ന്യൂറൽ വലയങ്ങൾ എപ്പൊഴും ഉണർച്ചയിലാണ്. തനത് തലച്ചോറിൻ്റെ ആൽഗൊറിതമുകൾ കൃത്രിമന്യൂറൽ വലയങ്ങളെ പഠിപ്പിച്ചെടുക്കാൻ വിദഗ്ധർ പണിപ്പെടുന്നുണ്ട്. പക്ഷേ മസ്തിഷ്ക്കത്തിൻ്റെ വൈദ്യുതിച്ചെലവിനേക്കാൾ വളരെ ഏറെയാണ് നിർമ്മിതബുദ്ധിയുടെ LLM കൾക്ക് ആവശ്യമായി വരുന്നത്.
ഊർജ്ജസമർത്ഥത കയ്യാളുന്ന, കൂടുതൽ മിടുക്കരായ LLM കൾ ആവിഷ്ക്കരിക്കാൻ ഉദ്യമങ്ങൾ തുടരുന്നുണ്ട്. 2021 ഡിസംബറിൽ ഗൂഗിളിൻ്റെ ‘DeepMind’ പ്രസ്താവിച്ചത് അവരുടെ ‘റിട്രൊ’ എന്ന സിസ്റ്റെം LLM കളെ പുറമേ ഉള്ള ഒരു ഡാറ്റാബേസുമായി ബന്ധിപ്പിക്കുന്ന ഘടന പ്രാവർത്തികമാണ്, സമർത്ഥവുമാണ് എന്നാണ്. ഈ മറുഡാറ്റാബേസിൽ നിന്ന് വിവരങ്ങൾ ശേഖരിച്ച് പ്രവചനങ്ങൾ സാദ്ധ്യമാക്കുന്നത് കാര്യക്ഷമത വർദ്ധിപ്പിക്കുകയാണത്രെ.
നിർമ്മിതബുദ്ധിയിൽ നിന്ന്
ബോധജ്ഞാനത്തിലേക്ക്
“ചാറ്റ്ജിപിറ്റി
ഒരു മാതൃകയല്ല അതിനെക്കുറിച്ചുള്ള ചർച്ചകൾ അവകാശപ്പെടുന്നതു പോലെ. നിങ്ങൾ ഒരു
പാവകളി കണ്ടുകൊണ്ടിരിക്കുമ്പോൾ അത് ജീവനുള്ളവയാണെന്ന് ധരിക്കുന്നതുപോലെയാണിത്”
ഗൂഗിളിലെ നിർമ്മിതബുദ്ധി (AI) വിദഗ്ധൻ പ്രസ്താവിച്ചതാണിത്. യുക്തിയും
ന്യായവാദവും പ്രകടിപ്പിക്കുന്ന AI അസാദ്ധ്യമൊന്നുമല്ല, കൃത്രിമ
ന്യൂറോണുകൾ തമ്മിലുള്ള ഘടിപ്പിക്കൽ വർദ്ധമാനവും സങ്കീർണ്ണവുമാക്കുക, കൂടുതൽ
ഡാറ്റാ സമ്മാനിക്കുക ഇവയൊക്കെ സാധിച്ചെടുത്താൽ അവ യുക്തിഭദ്രമായി ഏൽപ്പിച്ച പനികൾ
നിർദ്ധാരണം ചെയ്യും എന്നാണ് അനുമാനം. ഗൂഗിളിൻ്റെ ‘ഡീപ്മൈൻഡ്’
ഒരു പുതിയ നിർമ്മിതബുദ്ധിയുമായി
എത്തിയിട്ടുണ്ട്. ‘Adaptive Agent’ അഥവാ
ചാറ്റ്ജിപിറ്റി മനുഷ്യരുമായി പെട്ടെന്ന് ഇടപഴകും ,വിസ്തൃതമായ ആഖ്യാനങ്ങൾ കാഴ്ച്ച വെയ്ക്കും എന്നൊക്കെയുള്ള പുതുമ അതിനെ സർവ്വസ്വീകാര്യതയിൽ എത്തിച്ചു എന്നേയുള്ളു. ബോധജ്ഞാനത്തിലേക്കുള്ള കമ്പ്യൂട്ടർ കുതിപ്പിൻ്റെ ലക്ഷണമൊന്നുമല്ല. പക്ഷേ മനസ്സ് ഒരു സൂപ്പർ കമ്പ്യൂട്ടറിൻ്റെ സ്വഭാവം കാണിയ്ക്കുന്നു എന്നതിനാൽ കമ്പ്യൂട്ടറുകൾക്ക് ആശിക്കാവുന്നതാണ് തലച്ചോറിലെ ന്യൂറോൺ വലയങ്ങളുടെ ഘടനയും പ്രവർത്തനവും അവർക്ക് ഒരുനാൾ പ്രാപ്തമാകുമെന്ന്.
References
1.Dehaene,
S., Lan, H. and Kouider S. What is
consciousness, and could machines have it?
Science 358: 486-492 2017
2. Melloni L., Mudrik L., Pitts M.and Koch C. Making the hard problem of consciousness easier. Science 372: 911-912 2021
3.
Ananthaswamy A. In AI is bigger the better?
Nature 615: 202-206.2023
.