செயற்கை நுண்ணறிவு: நான்காவது தொழில்துறை புரட்சி

By Peter Skalfist, Daniel Mikelsten and Vasil Teigens

நான்காவது தொழில்துறை புரட்சி நாம் வாழும், வேலை செய்யும் மற்றும் ஒருவருக்கொருவர் தொடர்பு கொள்ளும் விதத்தில் ஒரு அடிப்படை மாற்றத்தை குறிக்கிறது. இது மனித வளர்ச்சியில் ஒரு புதிய அத்தியாயமாகும், இது அசாதாரண தொழில்நுட்பமுன்னேற்றங்களால் செயல்படுத்தப்படுகிறது, இது முதல், இரண்டாவது மற்றும் மூன்றாவது தொழில்துறை புரட்சிகளுடன் தொடர்புடையது. இந்த முன்னேற்றங்கள் உடல், டிஜிட்டல் மற்றும் உயிரியல் உலகங்களை ஒன்றிணைத்து பெரும் வாக்குறுதியையும் சாத்தியமான ஆபத்தையும் உருவாக்குகின்றன. இந்த புரட்சியின் வேகம், அகலம் மற்றும் ஆழம் நாடுகள் எவ்வாறு உருவாகின்றன,நிறுவனங்கள் எவ்வாறு மதிப்பை உருவாக்குகின்றன, மனிதனாக இருப்பதன் அர்த்தம்என்ன என்பதை மறுபரிசீலனை செய்ய நம்மை கட்டாயப்படுத்துகின்றன. செயற்கை நுண்ணறிவு இன்று குறுகிய AI (அல்லது பலவீனமான AI) என அழைக்கப்படுகிறது, அதில் இது ஒரு குறுகிய பணியைச் செய்ய வடிவமைக்கப்பட்டுள்ளது (எ.கா. முக அங்கீகாரம் அல்லது இணையத் தேடல்கள் மட்டுமே அல்லது காரை ஓட்டுவது மட்டுமே). இருப்பினும், பல ஆராய்ச்சியாளர்களின் நீண்டகால குறிக்கோள் பொது AI (AGI அல்லது வலுவான AI) ஐ உருவாக்குவதாகும். குறுகிய AI மனிதர்களை அதன் குறிப்பிட்ட பணி எதுவாக இருந்தாலும், சதுரங்கம்விளையாடுவது அல்லது சமன்பாடுகளை தீர்ப்பது போன்றவற்றை விட அதிகமாக இருக்கும், ஏஜிஐ கிட்டத்தட்ட ஒவ்வொரு அறிவாற்றல் பணியிலும் மனிதர்களை விட சிறப்பாக செயல்படும்.
Authors: Peter Skalfist, Daniel Mikelsten, Vasil Teigens

• Language: தமிழ்
• Publisher: Cambridge Stanford Books
• Release date: Sep 16, 2020
• ISBN: 9781005853334

Peter Skalfist

Peter Skalfist, is the pen name of a history and science author that aims to organize and collect technical, historical and scientific information.The student or the scientist, will be able to satisfy his needs of consultation and of study, by means of a work supported by abundant number of sources and bibliographical references.

Book preview

அறிமுகம்

நான்காவது தொழில்துறை புரட்சி நாம் வாழும், வேலை செய்யும் மற்றும் ஒருவருக்கொருவர் தொடர்பு கொள்ளும் விதத்தில் ஒரு அடிப்படை மாற்றத்தை குறிக்கிறது. இது மனித வளர்ச்சியில் ஒரு புதிய அத்தியாயமாகும், இது அசாதாரண தொழில்நுட்ப முன்னேற்றங்களால் செயல்படுத்தப்படுகிறது, இது முதல், இரண்டாவது மற்றும் மூன்றாவது தொழில்துறை புரட்சிகளுடன் தொடர்புடையது. இந்த முன்னேற்றங்கள் உடல், டிஜிட்டல் மற்றும் உயிரியல் உலகங்களை ஒன்றிணைத்து பெரும் வாக்குறுதியையும் சாத்தியமான ஆபத்தையும் உருவாக்குகின்றன. இந்த புரட்சியின் வேகம், அகலம் மற்றும் ஆழம் நாடுகள் எவ்வாறு உருவாகின்றன, நிறுவனங்கள் எவ்வாறு மதிப்பை உருவாக்குகின்றன, மனிதனாக இருப்பதன் அர்த்தம் என்ன என்பதை மறுபரிசீலனை செய்ய நம்மை கட்டாயப்படுத்துகின்றன.

சிரி முதல் சுய-ஓட்டுநர் கார்கள் வரை, செயற்கை நுண்ணறிவு (AI) வேகமாக முன்னேறி வருகிறது. விஞ்ஞான புனைகதைகள் AI ஐ மனித போன்ற குணாதிசயங்களைக் கொண்ட ரோபோக்களாக சித்தரிக்கும் அதே வேளையில், கூகிளின் தேடல் வழிமுறைகள் முதல் ஐபிஎம்மின் வாட்சன் வரை தன்னாட்சி ஆயுதங்கள் வரை எதையும் AI உள்ளடக்கியது.

செயற்கை நுண்ணறிவு இன்று குறுகிய AI (அல்லது பலவீனமான AI) என அழைக்கப்படுகிறது, அதில் இது ஒரு குறுகிய பணியைச் செய்ய வடிவமைக்கப்பட்டுள்ளது (எ.கா. முக அங்கீகாரம் அல்லது இணையத் தேடல்கள் மட்டுமே அல்லது காரை ஓட்டுவது மட்டுமே). இருப்பினும், பல ஆராய்ச்சியாளர்களின் நீண்டகால குறிக்கோள் பொது AI (AGI அல்லது வலுவான AI) ஐ உருவாக்குவதாகும். குறுகிய AI மனிதர்களை அதன் குறிப்பிட்ட பணி எதுவாக இருந்தாலும், சதுரங்கம் விளையாடுவது அல்லது சமன்பாடுகளை தீர்ப்பது போன்றவற்றை விட அதிகமாக இருக்கும், ஏஜிஐ கிட்டத்தட்ட ஒவ்வொரு அறிவாற்றல் பணியிலும் மனிதர்களை விட சிறப்பாக செயல்படும்.

நான்காவது தொழில்துறை புரட்சி என்பது தொழில்நுட்பத்தால் இயக்கப்படும் மாற்றத்தை விட அதிகம்; தலைவர்கள், கொள்கை வகுப்பாளர்கள் மற்றும் அனைத்து வருமானக் குழுக்கள் மற்றும் நாடுகளைச் சேர்ந்தவர்கள் உட்பட அனைவருக்கும் உதவக்கூடிய ஒரு வாய்ப்பாகும், இது அனைத்தையும் உள்ளடக்கிய, மனிதனை மையமாகக் கொண்ட எதிர்காலத்தை உருவாக்குவதற்காக ஒன்றிணைக்கும் தொழில்நுட்பங்களைப் பயன்படுத்துகிறது. உண்மையான வாய்ப்பானது தொழில்நுட்பத்திற்கு அப்பாற்பட்டது, மேலும் அதிக எண்ணிக்கையிலான மக்களுக்கு அவர்களின் குடும்பங்கள், நிறுவனங்கள் மற்றும் சமூகங்களை சாதகமாக பாதிக்கும் திறனை வழங்குவதற்கான வழிகளைக் கண்டுபிடிப்பது.

செயற்கை பொது நுண்ணறிவு

செயற்கை பொது நுண்ணறிவு (ஏஜிஐ) என்பது ஒரு இயந்திரத்தின் நுண்ணறிவு, இது ஒரு மனிதனால் செய்யக்கூடிய எந்தவொரு அறிவுசார் பணியையும் புரிந்து கொள்ளவோ ​​அல்லது கற்றுக்கொள்ளவோ ​​முடியும். இது சில செயற்கை நுண்ணறிவு ஆராய்ச்சியின் முதன்மை குறிக்கோள் மற்றும் அறிவியல் புனைகதை மற்றும் எதிர்கால ஆய்வுகளில் பொதுவான தலைப்பு. AGI ஐ வலுவான AI, முழு AI அல்லது பொது அறிவார்ந்த செயல் என்றும் குறிப்பிடலாம். (சில கல்வி ஆதாரங்கள் வலுவான AI என்ற வார்த்தையை நனவை அனுபவிக்கக்கூடிய இயந்திரங்களுக்கு ஒதுக்குகின்றன.). சில அதிகாரிகள் வலுவான AI மற்றும் பயன்பாட்டு AI (குறுகிய AI அல்லது பலவீனமான AI என்றும் அழைக்கப்படுகிறார்கள்) ஆகியவற்றுக்கு இடையேயான வேறுபாட்டை வலியுறுத்துகின்றனர்: குறிப்பிட்ட சிக்கல் தீர்க்கும் அல்லது பகுத்தறிவு பணிகளை ஆய்வு செய்ய அல்லது நிறைவேற்ற மென்பொருளின் பயன்பாடு. பலவீனமான AI, வலுவான AI க்கு மாறாக, மனித அறிவாற்றல் திறன்களின் முழு அளவையும் செய்ய முயற்சிக்கவில்லை.

உளவுத்துறையின் பல்வேறு அளவுகோல்கள் முன்மொழியப்பட்டுள்ளன (மிகவும் பிரபலமாக டூரிங் சோதனை) ஆனால் இன்றுவரை, அனைவரையும் திருப்திப்படுத்தும் வரையறை எதுவும் இல்லை. இருப்பினும், செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர்களிடையே பரவலான உடன்பாடு உள்ளது, பின்வருவனவற்றை செய்ய உளவுத்துறை தேவை:

காரணம், மூலோபாயத்தைப் பயன்படுத்துதல், புதிர்களைத் தீர்ப்பது மற்றும் நிச்சயமற்ற நிலையில் தீர்ப்புகளை வழங்குதல்;

பொது அறிவு உட்பட அறிவைக் குறிக்கும்;

திட்டமிட்டுள்ளோம்;

அறிய;

இயற்கை மொழியில் தொடர்பு கொள்ளுங்கள்;

இந்த திறன்களை பொதுவான இலக்குகளை நோக்கி ஒருங்கிணைக்கவும்.

புத்திசாலித்தனமான நடத்தை கவனிக்கப்பட வேண்டிய உலகில் உணரக்கூடிய திறன் (எ.கா. பார்க்க) மற்றும் செயல்படும் திறன் (எ.கா. பொருட்களை நகர்த்துவது மற்றும் கையாளுதல்) ஆகியவை பிற முக்கிய திறன்களில் அடங்கும். அபாயத்தைக் கண்டறிந்து பதிலளிக்கும் திறன் இதில் அடங்கும். உளவுத்துறைக்கான பல இடைநிலை அணுகுமுறைகள் (எ.கா. அறிவாற்றல் அறிவியல், கணக்கீட்டு நுண்ணறிவு மற்றும் முடிவெடுப்பது) கற்பனை (மனநல உருவங்கள் மற்றும் கருத்தாக்கங்களை உருவாக்கும் திறனாக எடுத்துக் கொள்ளப்படுகின்றன) மற்றும் சுயாட்சி போன்ற கூடுதல் பண்புகளை கருத்தில் கொள்ள வேண்டியதன் அவசியத்தை வலியுறுத்துகின்றன. கணினி அடிப்படையிலானது இந்த திறன்களில் பலவற்றை வெளிப்படுத்தும் அமைப்புகள் உள்ளன (எ.கா. கணக்கீட்டு படைப்பாற்றல், தானியங்கி பகுத்தறிவு, முடிவு ஆதரவு அமைப்பு, ரோபோ, பரிணாம கணக்கீடு, அறிவார்ந்த முகவர்), ஆனால் இன்னும் மனித மட்டத்தில் இல்லை.

மனித அளவிலான ஏஜிஐ உறுதிப்படுத்த சோதனைகள்

டூரிங் டெஸ்ட் (டூரிங்) ஒரு இயந்திரம் மற்றும் ஒரு மனிதர் இருவரும் இரண்டாவது மனிதனுடன் காணப்படாத உரையாடல் பார்வை, இரண்டில் எது இயந்திரம் என்பதை மதிப்பீடு செய்ய வேண்டும், இது மதிப்பீட்டாளரை முட்டாளாக்க முடியுமானால் சோதனையில் தேர்ச்சி பெறுகிறது. குறிப்பு: டுரிங் என்பது உளவுத்துறையாக என்ன தகுதி பெற வேண்டும் என்று பரிந்துரைக்கவில்லை, அது ஒரு இயந்திரம் என்பதை அறிவது மட்டுமே தகுதியற்றதாக இருக்க வேண்டும். காபி சோதனை (வோஸ்னியாக்) ஒரு சராசரி அமெரிக்க வீட்டிற்குள் நுழைந்து காபி தயாரிப்பது எப்படி என்பதைக் கண்டுபிடிக்க ஒரு இயந்திரம் தேவைப்படுகிறது: காபி இயந்திரத்தைக் கண்டுபிடி, காபியைக் கண்டுபிடி, தண்ணீரைச் சேர்க்கவும், ஒரு குவளையைக் கண்டுபிடித்து, சரியான பொத்தான்களை அழுத்துவதன் மூலம் காபியைக் காய்ச்சவும். ரோபோ கல்லூரி மாணவர் சோதனை (கோர்ட்செல்) ஒரு இயந்திரம் ஒரு பல்கலைக்கழகத்தில் சேர்கிறது, மனிதர்கள் விரும்பும் அதே வகுப்புகளை எடுத்து கடந்து செல்கிறது, மற்றும் ஒரு பட்டம் பெறுகிறது. வேலைவாய்ப்பு சோதனை (நில்சன்) ஒரு இயந்திரம் பொருளாதார ரீதியாக முக்கியமான வேலையைச் செய்கிறது, குறைந்தபட்சம் அதே வேலையில் மனிதர்களையும் செய்கிறது.

IQ- சோதனைகள் AGI

சீன ஆராய்ச்சியாளர்களான ஃபெங் லியு, யோங் ஷி மற்றும் யிங் லியு ஆகியோர் 2017 கோடையில் கூகிள் ஏஐ அல்லது ஆப்பிளின் சிரி மற்றும் பிற போன்ற பொதுவில் கிடைக்கக்கூடிய மற்றும் இலவசமாக அணுகக்கூடிய பலவீனமான AI உடன் உளவுத்துறை சோதனைகளை நடத்தினர். அதிகபட்சமாக, இந்த AI சுமார் 47 மதிப்பை எட்டியது, இது முதல் வகுப்பில் ஆறு வயது குழந்தைக்கு ஒத்திருக்கிறது. ஒரு வயது வந்தவர் சராசரியாக சுமார் 100 க்கு வருகிறார். 2014 ஆம் ஆண்டில், இதேபோன்ற சோதனைகள் மேற்கொள்ளப்பட்டன, இதில் AI அதிகபட்சமாக 27 மதிப்பை எட்டியது.

தீர்க்க AGI தேவைப்படும் சிக்கல்கள்

கணினிகளுக்கான மிகவும் கடினமான சிக்கல்கள் முறைசாரா முறையில் AI-complete அல்லது AI-hard என அழைக்கப்படுகின்றன, அவற்றைத் தீர்ப்பது ஒரு நோக்கத்திற்கான குறிப்பிட்ட வழிமுறையின் திறன்களைத் தாண்டி மனித நுண்ணறிவின் பொதுவான திறனுக்கும் அல்லது வலுவான AI க்கும் சமம் என்பதைக் குறிக்கிறது.

AI- முழுமையான சிக்கல்கள் பொதுவான கணினி பார்வை, இயல்பான மொழி புரிதல் மற்றும் எந்தவொரு உண்மையான உலகப் பிரச்சினையையும் தீர்க்கும்போது எதிர்பாராத சூழ்நிலைகளைக் கையாள்வது ஆகியவை அடங்கும்.

AI- முழுமையான சிக்கல்களை தற்போதைய கணினி தொழில்நுட்பத்துடன் மட்டும் தீர்க்க முடியாது, மேலும் மனித கணக்கீடும் தேவைப்படுகிறது. இந்த சொத்து பயனுள்ளதாக இருக்கும், எடுத்துக்காட்டாக, மனிதர்களின் இருப்பை சோதிக்க, கேப்ட்சாக்கள் செய்வதை நோக்கமாகக் கொண்டுள்ளன; மற்றும் மிருகத்தனமான தாக்குதல்களைத் தடுக்க கணினி பாதுகாப்புக்காக.

AGI ஆராய்ச்சி

செம்மொழி AI

நவீன AI ஆராய்ச்சி 1950 களின் நடுப்பகுதியில் தொடங்கியது. முதல் தலைமுறை AI ஆராய்ச்சியாளர்கள் செயற்கை பொது நுண்ணறிவு சாத்தியம் என்றும் அது ஒரு சில தசாப்தங்களில் இருக்கும் என்றும் உறுதியாக நம்பினர். AI முன்னோடி ஹெர்பர்ட் ஏ. சைமன் 1965 இல் எழுதியது போல்: இருபது ஆண்டுகளுக்குள், ஒரு மனிதன் செய்யக்கூடிய எந்த வேலையையும் இயந்திரங்கள் செய்யும். அவர்களின் கணிப்புகள் ஸ்டான்லி குப்ரிக் மற்றும் ஆர்தர் சி. கிளார்க்கின் கதாபாத்திரமான எச்ஏஎல் 9000 க்கு ஊக்கமளித்தன, அவர்கள் 2001 ஆம் ஆண்டளவில் உருவாக்க முடியும் என்று AI ஆராய்ச்சியாளர்கள் நம்பியதை உள்ளடக்கியது. AI முன்னோடி மார்வின் மின்ஸ்கி ஒரு ஆலோசகராக இருந்தார், எச்ஏஎல் 9000 ஐ முடிந்தவரை யதார்த்தமானதாக மாற்றும் திட்டம் காலத்தின் ஒருமித்த கணிப்புகள்; 1967 ஆம் ஆண்டில் இந்த விஷயத்தில் க்ரீவியர் அவரை மேற்கோள் காட்டி, ஒரு தலைமுறைக்குள்... 'செயற்கை நுண்ணறிவை' உருவாக்குவதில் சிக்கல் கணிசமாக தீர்க்கப்படும், என்று அவர் தவறாகக் கூறியதாக மின்ஸ்கி கூறுகிறார்.

இருப்பினும், 1970 களின் முற்பகுதியில், ஆராய்ச்சியாளர்கள் இந்த திட்டத்தின் சிரமத்தை மிகவும் குறைத்து மதிப்பிட்டுள்ளனர் என்பது தெளிவாகியது. நிதி நிறுவனங்கள் ஏஜிஐ மீது சந்தேகம் அடைந்தன, மேலும் பயனுள்ள பயன்பாட்டு AI ஐ உருவாக்க ஆராய்ச்சியாளர்களை அதிக அழுத்தத்திற்கு உட்படுத்தின. 1980 கள் தொடங்கியவுடன், ஜப்பானின் ஐந்தாவது தலைமுறை கணினி திட்டம் ஏஜிஐ மீதான ஆர்வத்தை புதுப்பித்தது, பத்து வருட காலக்கெடுவை அமைத்தது, அதில் சாதாரண உரையாடலைத் தொடருங்கள் போன்ற ஏஜிஐ இலக்குகளை உள்ளடக்கியது. இதற்கும், நிபுணத்துவ அமைப்புகளின் வெற்றிக்கும் பதிலளிக்கும் விதமாக, தொழில் மற்றும் அரசு இரண்டும் பணத்தை மீண்டும் களத்தில் செலுத்தின. ஆயினும், 1980 களின் பிற்பகுதியில் AI மீதான நம்பிக்கை வியத்தகு முறையில் சரிந்தது, மற்றும் ஐந்தாம் தலைமுறை கணினி திட்டத்தின் குறிக்கோள்கள் ஒருபோதும் நிறைவேறவில்லை. இரண்டாவதாக 20 ஆண்டுகளில், AGI இன் உடனடி சாதனையை முன்னறிவித்த AI ஆராய்ச்சியாளர்கள் அடிப்படையில் தவறாகக் காட்டப்பட்டனர். 1990 களில், AI ஆராய்ச்சியாளர்கள் வீண் வாக்குறுதிகளை வழங்குவதில் நற்பெயரைப் பெற்றனர். அவர்கள் கணிப்புகளைச் செய்வதில் தயக்கம் காட்டினர், மேலும் காட்டு-கண் கனவு காண்பவர் என்று முத்திரை குத்தப்படுவார்கள் என்ற அச்சத்தில் மனித நிலை செயற்கை நுண்ணறிவு பற்றி எதுவும் குறிப்பிடப்படுவதைத் தவிர்க்கவும்.

குறுகிய AI ஆராய்ச்சி

1990 கள் மற்றும் 21 ஆம் நூற்றாண்டின் முற்பகுதியில், செயற்கையான நரம்பியல் நெட்வொர்க்குகள், கணினி பார்வை அல்லது தரவுச் செயலாக்கம் போன்ற சரிபார்க்கக்கூடிய முடிவுகளையும் வணிக பயன்பாடுகளையும் உருவாக்கக்கூடிய குறிப்பிட்ட துணைப் பிரச்சினைகளில் கவனம் செலுத்துவதன் மூலம் பிரதான AI மிக அதிகமான வணிக வெற்றிகளையும் கல்வி மரியாதையையும் அடைந்துள்ளது. இந்த பயன்பாட்டு AI அமைப்புகள் இப்போது தொழில்நுட்பத் துறை முழுவதும் பரவலாகப் பயன்படுத்தப்படுகின்றன, மேலும் இந்த நரம்பில் ஆராய்ச்சி என்பது பெருமளவில் நிதியளிக்கப்பட்ட உள் கல்வி மற்றும் தொழில். தற்போது, ​​இந்த துறையில் வளர்ச்சி ஒரு வளர்ந்து வரும் போக்கைக் கருத்தில் கொண்டுள்ளது, மேலும் ஒரு முதிர்ந்த நிலை 10 ஆண்டுகளுக்கும் மேலாக நடக்கும் என்று எதிர்பார்க்கப்படுகிறது.

ஒருங்கிணைந்த முகவர் கட்டமைப்பு, அறிவாற்றல் கட்டமைப்பு அல்லது துணை கட்டமைப்பு ஆகியவற்றைப் பயன்படுத்தி பல்வேறு துணை சிக்கல்களைத் தீர்க்கும் திட்டங்களை இணைப்பதன் மூலம் வலுவான AI ஐ உருவாக்க முடியும் என்று பெரும்பாலான பிரதான AI ஆராய்ச்சியாளர்கள் நம்புகின்றனர். ஹான்ஸ் மொராவெக் 1988 இல் எழுதினார்:

செயற்கை நுண்ணறிவுக்கான இந்த கீழ்நிலை பாதை ஒரு நாள் பாரம்பரிய மேல்-கீழ் பாதையை பாதி வழியில் சந்திக்கும் என்று நான் நம்புகிறேன், உண்மையான உலகத் திறனையும், பகுத்தறிவுத் திட்டங்களில் மிகவும் வெறுப்பாக மழுப்படிக்கப்பட்ட பொது அறிவையும் தயார். முழு அறிவார்ந்த இயந்திரங்கள் உருவக கோல்டன் ஸ்பைக் இரண்டு முயற்சிகளையும் ஒன்றிணைக்கும் போது இயக்கப்படும்.

இருப்பினும், இந்த அடிப்படை தத்துவம் கூட சர்ச்சைக்குரியது; எடுத்துக்காட்டாக, பிரின்ஸ்டனின் ஸ்டீவன் ஹர்னாட் தனது 1990 ஆம் ஆண்டு சிம்பல் கிரவுண்டிங் கருதுகோள் குறித்த தனது கட்டுரையை இவ்வாறு குறிப்பிட்டார்:

டாப்-டவுன் (குறியீட்டு) அணுகுமுறை மாடலிங் அறிவாற்றல் எப்படியாவது இடையில் எங்காவது கீழ்-அப் (உணர்ச்சி) அணுகுமுறைகளை சந்திக்கும் என்று எதிர்பார்ப்பு அடிக்கடி குரல் கொடுத்துள்ளது. இந்த காகிதத்தில் உள்ள அடிப்படைக் கருத்தாய்வு செல்லுபடியாகும் என்றால், இந்த எதிர்பார்ப்பு நம்பிக்கையற்ற முறையில் மட்டு மற்றும் உணர்விலிருந்து சின்னங்களுக்கு ஒரே ஒரு சாத்தியமான பாதை மட்டுமே உள்ளது: தரையில் இருந்து. ஒரு கணினியின் மென்பொருள் நிலை போன்ற ஒரு இலவச-மிதக்கும் குறியீட்டு நிலை இந்த வழியால் ஒருபோதும் அடையப்படாது (அல்லது நேர்மாறாகவும்) - நாம் ஏன் கூட இருக்க வேண்டும் என்பது தெளிவாகத் தெரியவில்லை அத்தகைய நிலையை அடைய முயற்சிக்கவும், ஏனென்றால் அங்கு செல்வது நமது சின்னங்களை அவற்றின் உள்ளார்ந்த அர்த்தங்களிலிருந்து பிடுங்குவதற்கு சமமாக இருக்கும் என்று தோன்றுகிறது (இதன்மூலம் ஒரு நிரல்படுத்தக்கூடிய கணினியின் செயல்பாட்டு சமமானதாக நம்மை குறைத்துக்கொள்வது). "

நவீன செயற்கை பொது நுண்ணறிவு ஆராய்ச்சி

செயற்கை பொது நுண்ணறிவு (ஏஜிஐ) பொது அறிவார்ந்த செயலுக்கு திறன் கொண்ட இயந்திரங்களை உருவாக்குவதை நோக்கமாகக் கொண்ட ஆராய்ச்சியை விவரிக்கிறது. இந்த சொல் 1997 ஆம் ஆண்டின் முற்பகுதியில், மார்க் குப்ருதினால் முழுமையாக தானியங்கி இராணுவ உற்பத்தி மற்றும் நடவடிக்கைகளின் தாக்கங்கள் பற்றிய விவாதத்தைப் பயன்படுத்தியது. இந்தச் சொல் 2002 ஆம் ஆண்டில் ஷேன் லெக் மற்றும் பென் கோர்ட்செல் ஆகியோரால் மீண்டும் அறிமுகப்படுத்தப்பட்டு பிரபலப்படுத்தப்பட்டது. ஆராய்ச்சி நோக்கம் மிகவும் பழமையானது, எடுத்துக்காட்டாக டக் லெனாட்டின் சைக் திட்டம் (இது 1984 இல் தொடங்கியது), மற்றும் ஆலன் நியூவெலின் சோர் திட்டம் ஏஜிஐ வரம்பிற்குள் கருதப்படுகின்றன. 2006 ஆம் ஆண்டில் ஏஜிஐ ஆராய்ச்சி நடவடிக்கை பீ வாங் மற்றும் பென் கோர்ட்செலாஸ் ஆகியோரால் வெளியீடுகள் மற்றும் ஆரம்ப முடிவுகளை உருவாக்குகிறது என்று விவரிக்கப்பட்டது. ஏ.ஜி.ஐ.யின் முதல் கோடைகால பள்ளி சீனாவின் ஜியாமெனில் 2009 இல் ஜியாமென் பல்கலைக்கழகத்தின் செயற்கை மூளை ஆய்வகம் மற்றும் ஓபன் கோக் ஆகியவற்றால் ஏற்பாடு செய்யப்பட்டது. முதல் பல்கலைக்கழக பாடநெறி 2010 மற்றும் 2011 ஆம் ஆண்டுகளில் பல்கேரியாவின் ப்ளோடிவ் பல்கலைக்கழகத்தில் டோடோர் அர்னாடோவ் வழங்கியது. லெக்ஸ் ஃப்ரிட்மேன் ஏற்பாடு செய்த மற்றும் ஏராளமான விருந்தினர் விரிவுரையாளர்களைக் கொண்ட எம்ஐடி 2018 இல் ஏஜிஐயில் ஒரு பாடத்திட்டத்தை வழங்கியது. இருப்பினும், இதுவரை, பெரும்பாலான AI ஆராய்ச்சியாளர்கள் AGI க்கு அதிக கவனம் செலுத்தவில்லை, சிலர் உளவுத்துறை மிகவும் சிக்கலானது என்று கூறுகின்றனர். இருப்பினும், குறைந்த எண்ணிக்கையிலான கணினி விஞ்ஞானிகள் ஏஜிஐ ஆராய்ச்சியில் தீவிரமாக உள்ளனர், மேலும் இந்த குழுவில் பலர் தொடர்ச்சியான ஏஜிஐ மாநாடுகளுக்கு பங்களிப்பு செய்கிறார்கள். ஆராய்ச்சி மிகவும் மாறுபட்டது மற்றும் பெரும்பாலும் இயற்கையில் முன்னோடியாக இருக்கிறது. உண்மையிலேயே நெகிழ்வான ஏஜி கட்டப்படுவதற்கு முன்னர் தேவைப்படும் நேரத்தின் மதிப்பீடுகள் 10 ஆண்டுகள் முதல் ஒரு நூற்றாண்டுக்கும் மேலாக வேறுபடுகின்றன என்று கோர்ட்செல் தனது புத்தகத்தின் அறிமுகத்தில் கூறுகிறார், ஆனால் ஏஜிஐ ஆராய்ச்சி சமூகத்தின் ஒருமித்த கருத்து ரே குர்ஸ்வீல் தி சிங்குலரிட்டியில் விவாதித்த காலவரிசை என்று தெரிகிறது. அருகில் உள்ளது (அதாவது 2015 மற்றும் 2045 க்கு இடையில்) நம்பத்தகுந்ததாகும்.

இருப்பினும், பெரும்பாலான பிரதான AI ஆராய்ச்சியாளர்கள் முன்னேற்றம் இந்த விரைவானதாக இருக்கும் என்று சந்தேகிக்கின்றனர். AGI ஐ வெளிப்படையாகப் பின்தொடரும் நிறுவனங்களில் சுவிஸ் AI ஆய்வக ஐடிஎஸ்ஐஏ, நைசென்ஸ், விகாரியஸ், மாலுபா, ஓபன் கோக் அறக்கட்டளை, அடாப்டிவ் ஏஐ, லிடா மற்றும் நியூமென்டா மற்றும் அதனுடன் தொடர்புடைய ரெட்வுட் நியூரோ சயின்ஸ் நிறுவனம் ஆகியவை அடங்கும். கூடுதலாக, இயந்திர நுண்ணறிவு ஆராய்ச்சி நிறுவனம் மற்றும் ஓபன்ஏஐ போன்ற நிறுவனங்கள் ஏஜிஐயின் வளர்ச்சி பாதையில் செல்வாக்கு செலுத்துவதற்காக நிறுவப்பட்டுள்ளன. இறுதியாக, மனித மூளை திட்டம் போன்ற திட்டங்கள் மனித மூளையின் செயல்பாட்டு உருவகப்படுத்துதலை உருவாக்குவதற்கான இலக்கைக் கொண்டுள்ளன. AGI இன் A2017 கணக்கெடுப்பு வெளிப்படையாக அல்லது மறைமுகமாக (வெளியிடப்பட்ட ஆராய்ச்சி மூலம்) ஆராய்ச்சி AGI ஐ அறியப்பட்ட நாற்பத்தைந்து அறியப்பட்ட செயலில் ஆர் & டி திட்டங்களை வகைப்படுத்தியுள்ளது, இதில் மிகப்பெரிய மூன்று டீப் மைண்ட், மனித மூளை திட்டம் மற்றும் ஓபன்ஏஐ (கட்டுரையின் அடிப்படையில்).

2019 ஆம் ஆண்டில், வீடியோ கேம் புரோகிராமரும் விண்வெளி பொறியியலாளருமான ஜான் கார்மேக் ஏஜிஐ ஆராய்ச்சி செய்யும் திட்டங்களை அறிவித்தார்.

அதாவது டீப் மைண்ட் மனித பிளேயர் சிமுலேஷனில் அவர்களின் வெற்றியைக் கொண்டு எ.கா. ஆல்பாகோ புதிய கருத்துகளைப் பயன்படுத்தியது:

புதிய தரவுகளுடன் ஏற்கனவே பயிற்சி பெற்ற நெட்வொர்க்குகளை மேம்படுத்த வலுவூட்டல் கற்றல் அல்லது

மேற்பார்வை செய்யப்படாத கற்றல், எ.கா. போட்டியின் மூலம் மேம்பட்ட நெட்வொர்க்குகளைப் பெற ஜெனரேடிவ் விரோதி நெட்வொர்க்கால்.

ஒரு மூளையை உருவகப்படுத்த தேவையான செயலாக்க சக்தி

முழு மூளை சமன்பாடு

பொதுவான புத்திசாலித்தனமான செயலை அடைவதற்கு விவாதிக்கப்பட்ட ஒரு பிரபலமான அணுகுமுறை முழு மூளை சமநிலை ஆகும். ஒரு உயிரியல் மூளையை விரிவாக ஸ்கேன் செய்து வரைபடமாக்குவதன் மூலமும், அதன் நிலையை கணினி அமைப்பு அல்லது மற்றொரு கணக்கீட்டு சாதனத்தில் நகலெடுப்பதன் மூலமும் குறைந்த அளவிலான மூளை மாதிரி கட்டமைக்கப்படுகிறது. கணினி ஒரு சிமுலேஷன் மாடலை அசலுக்கு மிகவும் விசுவாசமாக இயங்குகிறது, அது அசல் மூளையைப் போலவே செயல்படும், அல்லது அனைத்து நடைமுறை நோக்கங்களுக்காகவும், தனித்தனியாக செயல்படும். மருத்துவ ஆராய்ச்சி நோக்கங்களுக்காக மூளை உருவகப்படுத்துதலின் பின்னணியில், முழு மூளை சமன்பாடு கணக்கீட்டு நரம்பியல் மற்றும் நரம்பியல் தகவல்தொடர்புகளில் விவாதிக்கப்படுகிறது. இது வலுவான AI க்கான அணுகுமுறையாக செயற்கை நுண்ணறிவு ஆராய்ச்சியில் விவாதிக்கப்படுகிறது. தேவையான விரிவான புரிதலை வழங்கக்கூடிய நியூரோஇமேஜிங் தொழில்நுட்பங்கள் விரைவாக மேம்பட்டு வருகின்றன, மேலும் எதிர்கால கணிப்பாளர் ரே குர்ஸ்வீல் தி சிங்குலரிட்டி இஸ் நியர் என்ற புத்தகத்தில், தேவையான கம்ப்யூட்டிங் சக்திக்கு ஒத்த கால அளவிலான போதுமான தரத்தின் வரைபடம் கிடைக்கும் என்று கணித்துள்ளது.

ஆரம்ப மதிப்பீடுகள்

குறைந்த அளவிலான மூளை உருவகப்படுத்துதலுக்கு, மிகவும் சக்திவாய்ந்த கணினி தேவைப்படும். மனித மூளைக்கு ஏராளமான சினாப்ச்கள் உள்ளன. மற்ற நியூரான்களுடன் சராசரியாக 7, 000 சினாப்டிக் இணைப்புகளில் உள்ள 10 (நூறு பில்லியன்) நியூரோன்ஷாக்கள் ஒவ்வொன்றும். மூன்று வயது குழந்தையின் மூளையில் சுமார் 10 சினாப்ச்கள் (1 குவாட்ரில்லியன்) இருப்பதாக மதிப்பிடப்பட்டுள்ளது. இந்த எண்ணிக்கை வயதுக்கு ஏற்ப குறைகிறது, வயதுவந்தவர்களால் உறுதிப்படுத்தப்படுகிறது. ஒரு வயது வந்தவருக்கு 10 முதல் 5 × 10 சினாப்ச்கள் (100 முதல் 500 டிரில்லியன்) வரை மதிப்பீடுகள் மாறுபடும். நியூரானின் செயல்பாட்டிற்கான எளிய சுவிட்ச் மாதிரியை அடிப்படையாகக் கொண்ட மூளையின் செயலாக்க சக்தியின் மதிப்பீடு, வினாடிக்கு சுமார் 10 (100 டிரில்லியன்) சினாப்டிக் புதுப்பிப்புகள் (SUPS) ஆகும். 1997 ஆம் ஆண்டில் குர்ஸ்வீல் மனித மூளைக்கு சமமாகத் தேவையான வன்பொருட்களுக்கான பல்வேறு மதிப்பீடுகளைப் பார்த்து, வினாடிக்கு 10 கணக்கீடுகளை (சிபிஎஸ்) ஏற்றுக்கொண்டார். . எழுதும் நேரத்தில் கணினி சக்தியின் அதிவேக வளர்ச்சி தொடர்ந்தால், தேவையான வன்பொருள் 2015 மற்றும் 2025 க்கு இடையில் கிடைக்கும்.

நியூரான்களை இன்னும் விரிவாக மாதிரியாக்குதல்

செயற்கை நியூரானின் மாதிரி குர்ஸ்வீலால் கருதப்படுகிறது மற்றும் பல தற்போதைய செயற்கை நரம்பியல் பிணைய செயலாக்கங்களில் பயன்படுத்தப்படுகிறது உயிரியல் நியூரான்களுடன் ஒப்பிடும்போது எளிது. ஒரு மூளை உருவகப்படுத்துதல் உயிரியல் நியூரான்களின் விரிவான செல்லுலார் நடத்தையைப் பிடிக்க வேண்டும், தற்போது இது பரந்த அளவிலான வெளிப்புறங்களில் மட்டுமே புரிந்து கொள்ளப்படுகிறது. நரம்பியல் நடத்தை (குறிப்பாக ஒரு மூலக்கூறு அளவில்) உயிரியல், வேதியியல் மற்றும் உடல் விவரங்களின் முழு மாடலிங் மூலம் அறிமுகப்படுத்தப்பட்ட மேல்நிலை, குர்ஸ்வீலின் மதிப்பீட்டை விட பெரிய அளவிலான பல ஆர்டர்கள் கணக்கீட்டு சக்திகள் தேவைப்படும். கூடுதலாக, மதிப்பீடுகள் கிளைல் செல்களைக் கணக்கிடாது, அவை குறைந்தது நியூரான்களைப் போலவே உள்ளன, மேலும் அவை நியூரான்களை விட 10: 1 ஐ விட அதிகமாக இருக்கலாம், மேலும் இப்போது அறிவாற்றல் செயல்முறைகளில் ஒரு பங்கைக் கொண்டுள்ளன.

தற்போதைய ஆராய்ச்சி

வழக்கமான கம்ப்யூட்டிங் கட்டமைப்புகளில் செயல்படுத்தப்படும் அதிநவீன நரம்பியல் மாதிரிகளைப் பயன்படுத்தி மூளை உருவகப்படுத்துதலை ஆராயும் சில ஆராய்ச்சி திட்டங்கள் உள்ளன. செயற்கை நுண்ணறிவு அமைப்பு திட்டம் 2005 இல் ஒரு மூளை (10 நியூரான்களுடன்) நிகழ்நேர அல்லாத உருவகப்படுத்துதல்களை செயல்படுத்தியது. ஒரு மாதிரியின் 1 வினாடி உருவகப்படுத்த 27 செயலிகளின் கொத்துக்கு 50 நாட்கள் ஆனது. 2006 ஆம் ஆண்டில் ஏறக்குறைய 10, 000 நியூரான்கள் மற்றும் 10 சினாப்ச்களைக் கொண்ட ஒற்றை எலி நியோகார்ட்டிகல் நெடுவரிசையின் நிகழ்நேர உருவகப்படுத்துதலை உருவாக்க, ஐபிஎம்மின் ப்ளூ ஜீன் இயங்குதளமான உலகின் மிக விரைவான சூப்பர் கம்ப்யூட்டர் கட்டமைப்புகளில் ஒன்றான ப்ளூ மூளை திட்டம் பயன்படுத்தப்பட்டது. ஒரு நீண்ட கால இலக்கு மனித மூளையில் இயற்பியல் செயல்முறைகளின் விரிவான, செயல்பாட்டு உருவகப்படுத்துதலை உருவாக்க: ஒரு மனித மூளையை உருவாக்குவது சாத்தியமில்லை, அதை 10 ஆண்டுகளில் நாம் செய்ய முடியும் என்று நீல மூளை திட்டத்தின் இயக்குனர் ஹென்றி மார்க்ராம் 2009 இல் TED இல் கூறினார் ஆக்ஸ்போர்டில் மாநாடு. பூனை மூளையை உருவகப்படுத்தியதாக சர்ச்சைக்குரிய கூற்றுக்களும் உள்ளன. நியூரோ-சிலிக்கான் இடைமுகங்கள் ஒரு சிறந்த செயல்படுத்தும் உத்தி என முன்மொழியப்பட்டுள்ளன, அவை சிறப்பாக அளவிடப்படலாம்.

ஹான்ஸ் மொராவேகாட் தனது 1997 ஆம் ஆண்டு கணினி வன்பொருள் மனித மூளைக்கு எப்போது பொருந்தும்? என்ற தனது ஆய்வறிக்கையில் மேற்கண்ட வாதங்களை (மூளை மிகவும் சிக்கலானது , நியூரான்கள் இன்னும் விரிவாக வடிவமைக்கப்பட வேண்டும்) "என்று குறிப்பிட்டார். தற்போதுள்ள மென்பொருளின் செயல்பாட்டை உருவகப்படுத்துவதற்கான திறனை அவர் அளந்தார். நரம்பு திசு, குறிப்பாக விழித்திரை. அவரது முடிவுகள் டோனோட் க்ளீயல் கலங்களின் எண்ணிக்கையைப் பொறுத்தது அல்லது எந்த வகையான செயலாக்க நியூரான்கள் எங்கு செயல்படுகின்றன என்பதைப் பொறுத்தது.

மாடலிங் உயிரியல் நியூரான்களின் உண்மையான சிக்கலானது ஓப்பன் வார்ம் திட்டத்தில் ஆராயப்பட்டுள்ளது, இது ஒரு புழுவின் முழுமையான உருவகப்படுத்துதலை நோக்கமாகக் கொண்டது, அதன் நரம்பியல் வலையமைப்பில் 302 நியூரான்கள் மட்டுமே உள்ளன (மொத்தம் சுமார் 1000 கலங்களில்). விலங்கு நரம்பியல் நெட்வொர்க் திட்டம் தொடங்குவதற்கு முன்பு நன்கு ஆவணப்படுத்தப்பட்டுள்ளது. இருப்பினும், பணி ஆரம்பத்தில் எளிமையானதாகத் தோன்றினாலும், பொதுவான நரம்பியல் வலையமைப்பை அடிப்படையாகக் கொண்ட தீமோடல்கள் வேலை செய்யவில்லை. தற்போது, ​​முயற்சிகள் உயிரியல் நியூரான்களின் துல்லியமான சமன்பாட்டில் கவனம் செலுத்துகின்றன (ஓரளவு மூலக்கூறு மட்டத்தில்), ஆனால் இதன் விளைவாக இன்னும் மொத்த வெற்றி என்று அழைக்க முடியாது. மனித-மூளை அளவிலான மாதிரியில் தீர்க்கப்பட வேண்டிய சிக்கல்களின் எண்ணிக்கை நியூரான்களின் எண்ணிக்கையில் விகிதாசாரமாக இல்லாவிட்டாலும், இந்த பாதையில் பணிபுரியும் அளவு வெளிப்படையானது.

உருவகப்படுத்துதல் அடிப்படையிலான அணுகுமுறைகளின் விமர்சனங்கள்

உருவகப்படுத்தப்பட்ட மூளை அணுகுமுறையின் ஒரு அடிப்படை விமர்சனம் உருவான அறிவாற்றலிலிருந்து பெறப்படுகிறது, மனித உருவகம் மனித நுண்ணறிவின் ஒரு முக்கிய அம்சமாக எடுத்துக் கொள்ளப்படுகிறது. பல ஆராய்ச்சியாளர்கள் தரை அர்த்தத்திற்கு உருவகம் அவசியம் என்று நம்புகிறார்கள். இந்த பார்வை சரியாக இருந்தால், எந்தவொரு முழுமையான செயல்பாட்டு மூளை மாதிரியும் நியூரான்களை விட (அதாவது ஒரு ரோபோ உடல்) அதிகமாக இருக்க வேண்டும். கோர்ட்செல் மெய்நிகர் உருவகத்தை (இரண்டாம் வாழ்க்கை போன்றது) முன்மொழிகிறது, ஆனால் இது போதுமானதாக இருக்குமா என்பது இன்னும் தெரியவில்லை.

10cps க்கும் அதிகமான திறன் கொண்ட நுண்செயலிகளைப் பயன்படுத்தும் டெஸ்க்டாப் கணினிகள் (குர்ஸ்வீலின் தரமற்ற அலகு வினாடிக்கு கணக்கீடுகள், மேலே காண்க) 2005 முதல் கிடைக்கின்றன. குர்ஸ்வீல் (மற்றும் மொராவெக்) பயன்படுத்தும் மூளை சக்தி மதிப்பீடுகளின்படி, இந்த கணினி திறன் கொண்டதாக இருக்க வேண்டும் ஒரு தேனீ மூளையின் உருவகப்படுத்துதலை ஆதரிக்கிறது, ஆனால் சில ஆர்வங்கள் இருந்தபோதிலும் அத்தகைய உருவகப்படுத்துதல் எதுவும் இல்லை. இதற்கு குறைந்தது மூன்று காரணங்கள் உள்ளன:

நியூரானின் மாதிரி மிகைப்படுத்தப்பட்டதாகத் தெரிகிறது (அடுத்த பகுதியைப் பார்க்கவும்).

மூளையின் நரம்பியல் செயல்பாடு, செயல்பாட்டு காந்த அதிர்வு இமேஜிங் போன்ற நுட்பங்களைப் பயன்படுத்தி கவனிக்கப்படுவதை துல்லியமாக நிறுவ அதிக அறிவாற்றல் செயல்முறைகளைப் பற்றிய போதுமான புரிதல் இல்லை.

அறிவாற்றல் பற்றிய நமது புரிதல் போதுமானதாக இருந்தாலும், ஆரம்பகால உருவகப்படுத்துதல் திட்டங்கள் மிகவும் திறமையற்றதாக இருக்கக்கூடும், எனவே, அதிக வன்பொருள் தேவைப்படும்.

ஒரு உயிரினத்தின் மூளை, முக்கியமானதாக இருக்கும்போது, ​​அறிவாற்றல் மாதிரிக்கு பொருத்தமான எல்லையாக இருக்காது. ஒரு தேனீ மூளையை உருவகப்படுத்த, உடலையும், சூழலையும் உருவகப்படுத்துவது அவசியமாக இருக்கலாம். விரிவாக்கப்பட்ட மன ஆய்வறிக்கை தத்துவக் கருத்தை முறைப்படுத்துகிறது, மேலும் செபலோபாட்களுக்கான ஆராய்ச்சி ஒரு பரவலாக்கப்பட்ட அமைப்பின் தெளிவான எடுத்துக்காட்டுகளை நிரூபித்துள்ளது.

கூடுதலாக, மனித மூளையின் அளவு தற்போது நன்கு கட்டுப்படுத்தப்படவில்லை. ஒரு மதிப்பீடு மனித மூளையை சுமார் 100 பில்லியன் நியூரான்கள் மற்றும் 100 டிரில்லியன் சினாப்சுகளில் வைக்கிறது. மற்றொரு மதிப்பீடு 86 பில்லியன் நியூரான்கள், இதில் 16.3 பில்லியன் பெருமூளைப் புறணி மற்றும் 69 பில்லியன் பெருமூளை உள்ளது. கிளைல் செல் சினாப்ச்கள் தற்போது தகுதியற்றவை, ஆனால் அவை மிக அதிகமானவை என்று அறியப்படுகிறது.

செயற்கை நனவு ஆராய்ச்சி

வலுவான AI / AGI இல் நனவின் பங்கு விவாதத்திற்குரியது என்றாலும், பல AGI ஆராய்ச்சியாளர்கள் நனவை செயல்படுத்துவதற்கான சாத்தியக்கூறுகளை ஆராயும் ஆராய்ச்சியை முக்கியமானதாக கருதுகின்றனர். ஒரு ஆரம்ப முயற்சியில், ஒரு நனவான இயந்திரத்தை உருவாக்குவதற்கான கொள்கைகள் ஏற்கனவே இருந்தன, ஆனால் மொழியைப் புரிந்துகொள்ள அத்தகைய இயந்திரத்தை பயிற்றுவிக்க நாற்பது ஆண்டுகள் ஆகும் என்று இகோர் அலெக்ஸாண்டரர்க் கூறினார்.

வலுவான AI உடனான உறவு

1980 ஆம் ஆண்டில், தத்துவஞானி ஜான் சியர்ல் தனது சீன அறை வாதத்தின் ஒரு பகுதியாக வலுவான AI என்ற வார்த்தையை உருவாக்கினார். செயற்கை நுண்ணறிவு பற்றிய இரண்டு வெவ்வேறு கருதுகோள்களை வேறுபடுத்த அவர் விரும்பினார்:

ஒரு செயற்கை நுண்ணறிவு அமைப்பு சிந்திக்கவும் மனம் வைத்திருக்கவும் முடியும். (மனம் என்ற வார்த்தை தத்துவவாதிகளுக்கு ஒரு குறிப்பிட்ட பொருளைக் கொண்டுள்ளது, இது மனம் உடல் பிரச்சினை அல்லது மன தத்துவத்தில்" பயன்படுத்தப்படுகிறது.)

ஒரு செயற்கை நுண்ணறிவு அமைப்பு (அது) நினைப்பது போலவும், மனம் கொண்டதாகவும் செயல்பட முடியும்.

முதலாவது வலுவான AI கருதுகோள் என்றும், இரண்டாவது பலவீனமான AI கருதுகோள் என்றும் அழைக்கப்படுகிறது, ஏனெனில் முதலாவது வலுவான நிலைப்பாட்டை உருவாக்குகிறது: நாம் சோதிக்கக்கூடிய அனைத்து திறன்களுக்கும் அப்பாற்பட்ட எந்திரத்திற்கு ஏதேனும் சிறப்பு நடந்ததாக அது கருதுகிறது. சியர்ல் வலுவான AI கருதுகோளை வலுவான AI என்று குறிப்பிட்டார். கல்வி AI ஆராய்ச்சி மற்றும் பாடப்புத்தகங்களிலும் இந்த பயன்பாடு பொதுவானது.

பலவீனமான AI கருதுகோள் செயற்கை பொது நுண்ணறிவு சாத்தியம் என்ற கருதுகோளுக்கு சமம். ரஸ்ஸல் மற்றும் நோர்விக் கருத்துப்படி, பெரும்பாலான AI ஆராய்ச்சியாளர்கள் பலவீனமான AI கருதுகோளை ஒரு பொருட்டாக எடுத்துக்கொள்கிறார்கள், மேலும் வலுவான AI கருதுகோளைப் பற்றி கவலைப்படுவதில்லை.

சியர்லுக்கு மாறாக, குர்ஸ்வீல் வலுவான AI என்ற வார்த்தையைப் பயன்படுத்துகிறார், எந்தவொரு செயற்கை நுண்ணறிவு அமைப்பையும் ஒரு மனம் கொண்டிருப்பதைப் போல செயல்படுகிறது, ஒரு தத்துவஞானிக்கு உண்மையில் மனம் இருக்கிறதா இல்லையா என்பதை தீர்மானிக்க முடியுமா என்பதைப் பொருட்படுத்தாமல்.

AI ஆராய்ச்சியின் மெதுவான முன்னேற்றத்திற்கான சாத்தியமான விளக்கங்கள்

1956 ஆம் ஆண்டில் AI ஆராய்ச்சி தொடங்கப்பட்டதிலிருந்து, இந்தத் துறையின் வளர்ச்சி காலப்போக்கில் குறைந்துபோனது மற்றும் மனித மட்டத்தில் புத்திசாலித்தனமான செயலுடன் திறமையான இயந்திரங்களை உருவாக்கும் நோக்கங்களை முடக்கியுள்ளது. இந்த தாமதத்திற்கான சாத்தியமான விளக்கம் என்னவென்றால், கணினிகள் போதுமான நினைவகம் அல்லது செயலாக்க சக்தியைக் கொண்டிருக்கவில்லை. கூடுதலாக, AI ஆராய்ச்சியின் செயல்முறையுடன் இணைக்கும் சிக்கலான நிலை AI ஆராய்ச்சியின் முன்னேற்றத்தையும் கட்டுப்படுத்தக்கூடும்.

எதிர்காலத்தில் வலுவான AI ஐ அடைய முடியும் என்று பெரும்பாலான AI ஆராய்ச்சியாளர்கள் நம்புகிறார்கள், ஹூபர்ட் ட்ரேஃபஸ் மற்றும் ரோஜர் பென்ரோஸ் போன்ற சில நபர்கள் வலுவான AI ஐ அடைவதற்கான வாய்ப்பை மறுக்கின்றனர். மனித அளவிலான AI நிறைவேற்றப்படும் என்று நம்பும் பல்வேறு கணினி விஞ்ஞானிகளில் ஒருவரான ஜான் மெக்கார்த்திவாஸ், ஆனால் ஒரு தேதியை துல்லியமாக கணிக்க முடியாது.

AI ஆராய்ச்சியின் மந்தநிலைக்கு கருத்தியல் வரம்புகள் மற்றொரு சாத்தியமான காரணமாகும். வலுவான AI ஐ அடைவதற்கான தேடலுக்கு வலுவான தளத்தையும் பங்களிப்பையும் வழங்குவதற்காக AI ஆராய்ச்சியாளர்கள் தங்கள் ஒழுக்கத்தின் கருத்தியல் கட்டமைப்பை மாற்றியமைக்க வேண்டியிருக்கலாம். வில்லியம் க்ளோக்சின் 2003 இல் எழுதியது போல்: குறிப்பிட்ட சமூக மற்றும் கலாச்சார சூழல்களுடன் ஒப்பிடும்போது மட்டுமே உளவுத்துறை தன்னை வெளிப்படுத்துகிறது என்ற வீசன்பாமின் கவனிப்பிலிருந்து இந்த கட்டமைப்பு தொடங்குகிறது.

மேலும், AI ஆராய்ச்சியாளர்கள் மக்களுக்குச் செய்யக்கூடிய சிக்கலான வேலைகளைச் செய்யக்கூடிய கணினிகளை உருவாக்க முடிந்தது, ஆனால் மாறாக, மனிதர்களுக்கு எளிமையான பணிகளைச் செய்யக்கூடிய ஒரு கணினியை உருவாக்க அவர்கள் சிரமப்பட்டிருக்கிறார்கள் (மொராவெக்கின் முரண்பாடு). டேவிட் கெலெண்டர் விவரித்த ஒரு சிக்கல் என்னவென்றால், சிலர் சிந்தனையும் பகுத்தறிவும் சமமானவை என்று கருதுகிறார்கள். இருப்பினும், எண்ணங்களும் அந்த எண்ணங்களை உருவாக்கியவரும் தனித்தனியாக தனிமைப்படுத்தப்பட்டிருக்கிறார்களா என்ற எண்ணம் AI ஆராய்ச்சியாளர்களை சதி செய்தது.

கடந்த பல தசாப்தங்களாக AI ஆராய்ச்சியில் ஏற்பட்ட சிக்கல்கள் AI இன் முன்னேற்றத்திற்கு மேலும் தடையாக உள்ளன. AI ஆராய்ச்சியாளர்களால் வாக்குறுதியளிக்கப்பட்ட தோல்வியுற்ற கணிப்புகள் மற்றும் மனித நடத்தைகள் பற்றிய முழுமையான புரிதல் இல்லாதது மனித அளவிலான AI இன் முதன்மை யோசனையை குறைக்க உதவியது. AI ஆராய்ச்சியின் முன்னேற்றம் முன்னேற்றம் மற்றும் ஏமாற்றம் ஆகிய இரண்டையும் கொண்டு வந்தாலும், பெரும்பாலான புலனாய்வாளர்கள் நம்பிக்கையை ஏற்படுத்தியுள்ளனர் 21 ஆம் நூற்றாண்டில் AI இன் இலக்கை அடைவது பற்றி.

வலுவான AI இன் முன்னேற்றத்தில் நீண்ட ஆராய்ச்சிக்கு பிற சாத்தியமான காரணங்கள் முன்மொழியப்பட்டுள்ளன. விஞ்ஞான சிக்கல்களின் சிக்கலானது மற்றும் உளவியல் மற்றும் நரம்பியல் இயற்பியல் மூலம் மனித மூளையை முழுமையாகப் புரிந்து கொள்ள வேண்டிய அவசியம் மனித மூளையின் செயல்பாட்டை கணினி வன்பொருளாக மாற்றுவதிலிருந்து பல ஆராய்ச்சியாளர்களை மட்டுப்படுத்தியுள்ளது. AI இன் எதிர்கால கணிப்புகளுடன் தொடர்புடைய எந்த சந்தேகத்தையும் பல ஆராய்ச்சியாளர்கள் குறைத்து மதிப்பிடுகின்றனர்., ஆனால் அந்த சிக்கல்களை தீவிரமாக எடுத்துக் கொள்ளாமல் மக்கள் சிக்கலான கேள்விகளுக்கான தீர்வுகளை கவனிக்க முடியாது.

AI ஆராய்ச்சியின் முன்னேற்றத்திற்கு இடையூறாக இருக்கும் ஒரு கருத்தியல் வரம்பு என்னவென்றால், கணினி நிரல்கள் மற்றும் உபகரணங்களை செயல்படுத்துவதற்கு மக்கள் தவறான நுட்பங்களைப் பயன்படுத்துகிறார்கள் என்பது க்ளோக்சின் கூறுகிறது. AI ஆராய்ச்சியாளர்கள் முதன்முதலில் செயற்கை நுண்ணறிவின் இலக்கை நோக்கமாகக் கொள்ளத் தொடங்கியபோது, ​​ஒரு முக்கிய ஆர்வம் மனித பகுத்தறிவு ஆகும். ஆராய்ச்சியாளர்கள் மனித அறிவின் கணக்கீட்டு மாதிரிகளை பகுத்தறிவு மூலம் நிறுவுவதற்கும் ஒரு குறிப்பிட்ட அறிவாற்றல் பணியைக் கொண்ட கணினியை எவ்வாறு வடிவமைப்பது என்பதைக் கண்டுபிடிப்பதற்கும் ஆராய்ச்சியாளர்கள் நம்பினர்.

ஆராய்ச்சியின் ஒரு குறிப்பிட்ட சூழலுடன் பணிபுரியும் போது மக்கள் மறுவரையறை செய்ய விரும்பும் சுருக்கத்தின் நடைமுறை, ஆராய்ச்சியாளர்களுக்கு ஒரு சில கருத்துகளில் செறிவு அளிக்கிறது. AI ஆராய்ச்சியில் சுருக்கத்தின் மிகவும் பயனுள்ள பயன்பாடு திட்டமிடல் மற்றும் சிக்கலைத் தீர்ப்பதிலிருந்து வருகிறது. ஒரு கணக்கீட்டின் வேகத்தை அதிகரிப்பதே இதன் நோக்கம் என்றாலும், சுருக்கத்தின் பங்கு சுருக்க ஆபரேட்டர்களின் ஈடுபாட்டைப் பற்றிய கேள்விகளை எழுப்பியுள்ளது.

AI இன் மந்தநிலைக்கு ஒரு சாத்தியமான காரணம், பல AI ஆராய்ச்சியாளர்களின் ஒப்புதலுடன் தொடர்புடையது, இது கணினி செயல்திறன் மற்றும் மனித செயல்திறன் ஆகியவற்றுக்கு இடையே ஒரு குறிப்பிடத்தக்க மீறலைக் கொண்டிருக்கும் ஒரு பகுதியாகும். ஒரு கணினியில் திட்டமிடப்பட்ட குறிப்பிட்ட செயல்பாடுகள் பல தேவைகளுக்கு கணக்கிட முடியும் அது மனித நுண்ணறிவுடன் பொருந்த அனுமதிக்கிறது. இந்த விளக்கங்கள் வலுவான AI ஐ அடைவதற்கான தாமதத்திற்கான அடிப்படை காரணங்களாக இருக்க வேண்டிய அவசியமில்லை, ஆனால் அவை பல ஆராய்ச்சியாளர்களால் பரவலாக ஒப்புக் கொள்ளப்படுகின்றன.

இயந்திரங்களுடன் உணர்ச்சிகளை உருவாக்க வேண்டுமா என்ற கருத்தை விவாதிக்கும் பல AI ஆராய்ச்சியாளர்கள் உள்ளனர். AI இன் வழக்கமான மாதிரிகளில் எந்த உணர்ச்சிகளும் இல்லை மற்றும் சில ஆராய்ச்சியாளர்கள் கூறுகையில், உணர்ச்சிகளை இயந்திரங்களாக நிரலாக்குகிறார்கள், அவர்கள் தங்கள் மனதை வைத்திருக்க அனுமதிக்கிறார்கள். உணர்ச்சி மனிதர்களின் அனுபவங்களை தொகுக்கிறது, ஏனெனில் அது அந்த அனுபவங்களை நினைவில் வைக்க அனுமதிக்கிறது. டேவிட் கெலெண்டர் எழுதுகிறார், மனித உணர்ச்சியின் அனைத்து நுணுக்கங்களையும் உருவகப்படுத்த முடியாவிட்டால் எந்தவொரு கணினியும் ஆக்கப்பூர்வமாக இருக்காது. உணர்ச்சியைப் பற்றிய இந்த அக்கறை AI ஆராய்ச்சியாளர்களுக்கு சிக்கல்களை ஏற்படுத்தியுள்ளது மற்றும் எதிர்காலத்தில் அதன் ஆராய்ச்சி முன்னேறும்போது வலுவான AI என்ற கருத்தை இணைக்கிறது.

உணர்வு

விஞ்ஞான புனைகதை மற்றும் செயற்கை நுண்ணறிவின் நெறிமுறைகளில் முக்கிய பங்கு வகிக்கும் வலுவான AI இன் கருத்துக்கு பொருத்தமான நுண்ணறிவைத் தவிர மனித மனதின் பிற அம்சங்களும் உள்ளன:

நனவு: அகநிலை அனுபவமும் சிந்தனையும் வேண்டும்.

சுய விழிப்புணர்வு: ஒரு தனி நபராக தன்னைப் பற்றி எச்சரிக்கையாக இருக்க வேண்டும், குறிப்பாக ஒருவரின் சொந்த எண்ணங்களை அறிந்திருக்க வேண்டும்.

உணர்வு: உணர்வுகள் அல்லது உணர்ச்சிகளை அகநிலை ரீதியாக உணரும் திறன்.

sapience: ஞானத்திற்கான திறன்.

இந்த குணாதிசயங்கள் ஒரு தார்மீக பரிமாணத்தைக் கொண்டுள்ளன, ஏனென்றால் இந்த வடிவமான வலுவான AI ஐக் கொண்ட ஒரு இயந்திரம் சட்டப்பூர்வ உரிமைகளைக் கொண்டிருக்கலாம், இது மனிதரல்லாத விலங்குகளின் உரிமைகளுக்கு ஒப்பானது. மேலும், பில் ஜாய், மற்றவர்களுடன், இந்த பண்புகளைக் கொண்ட ஒரு இயந்திரம் மனித உயிருக்கு அல்லது கண்ணியத்திற்கு அச்சுறுத்தலாக இருக்கலாம் என்று வாதிடுகிறார். வலுவான AI க்கு இந்த பண்புகளில் ஏதேனும் அவசியமா என்பதைக் காட்ட வேண்டும். நனவின் பங்கு தெளிவாக இல்லை, தற்போது அதன் இருப்புக்கு ஒப்புக் கொள்ளப்பட்ட சோதனை எதுவும் இல்லை. நனவின் நரம்பியல் தொடர்புகளை உருவகப்படுத்தும் சாதனத்துடன் ஒரு இயந்திரம் கட்டப்பட்டால், அது தானாகவே சுய விழிப்புணர்வைக் கொண்டிருக்குமா? உணர்வு போன்ற இந்த பண்புகளில் சில இயற்கையாகவே ஒரு முழுமையான புத்திசாலித்தனமான இயந்திரத்திலிருந்து வெளிவருகின்றன, அல்லது தெளிவாக புத்திசாலித்தனமாக செயல்படத் தொடங்கியவுடன் இயந்திரங்களுக்கு பண்புகளை வழங்குவது இயல்பானதாகிவிடும். எடுத்துக்காட்டாக, புத்திசாலித்தனமான செயல் வேறு வழியைக் காட்டிலும் உணர்ச்சிக்கு போதுமானதாக இருக்கலாம்.

அறிவியல் புனைகதைகளில், ஏஜிஐ நனவு, உணர்வு, புத்திசாலித்தனம் மற்றும் உயிரினங்களில் காணப்படும் சுய விழிப்புணர்வு போன்ற பண்புகளுடன் தொடர்புடையது. இருப்பினும், தத்துவஞானி ஜான் சியர்லின் கூற்றுப்படி, பொது நுண்ணறிவு நனவுக்கு போதுமானதா என்பது வெளிப்படையான கேள்வி. வலுவான AI (ரே குர்ஸ்வீல் மேலே வரையறுக்கப்பட்டுள்ளபடி) சியர்லின் வலுவான AI கருதுகோளுடன் குழப்பமடையக்கூடாது. வலுவான AI கருதுகோள் என்பது ஒரு நபரைப் போல புத்திசாலித்தனமாக நடந்து கொள்ளும் ஒரு கணினியும் அவசியம் மனதையும் நனவையும் கொண்டிருக்க வேண்டும் என்ற கூற்று. AGI என்பது ஒரு மனதுடன் அல்லது இல்லாமல் இயந்திரம் காண்பிக்கும் நுண்ணறிவின் அளவை மட்டுமே குறிக்கிறது.

சர்ச்சைகள் மற்றும் ஆபத்துகள்

ஃபீசிபிலிட்டி

செயற்கை பொது நுண்ணறிவு எப்போது வரும், எப்போது வரும் என்பதில் கருத்துக்கள் வேறுபடுகின்றன. ஒரு தீவிரத்தில், AI முன்னோடி ஹெர்பர்ட் ஏ. சைமன்வொரோட் 1965 இல்: இயந்திரங்கள் இருபது ஆண்டுகளுக்குள், ஒரு மனிதன் செய்யக்கூடிய எந்த வேலையும் செய்யக்கூடியதாக இருக்கும். இருப்பினும், இந்த கணிப்பு நிறைவேறத் தவறிவிட்டது. மைக்ரோசாப்ட் இணை நிறுவனர் பால் ஆலன் 21 ஆம் நூற்றாண்டில் இதுபோன்ற உளவுத்துறை சாத்தியமில்லை என்று நம்பினார், ஏனெனில் இதற்கு எதிர்பாராத மற்றும் அடிப்படையில் கணிக்க முடியாத முன்னேற்றங்கள் மற்றும் அறிவாற்றல் பற்றிய அறிவியல் பூர்வமான புரிதல் தேவைப்படும். தி கார்டியன் பத்திரிகையில் எழுதுகையில், ரோபோடிஸ்ட் ஆலன் வின்ஃபீல்ட் நவீன கம்ப்யூட்டிங் மற்றும் மனித அளவிலான செயற்கை நுண்ணறிவு ஆகியவற்றுக்கு இடையேயான இடைவெளி தற்போதைய விண்வெளி விமானம் மற்றும் நடைமுறையை விட வேகமான விண்வெளிப் பயணம் ஆகியவற்றுக்கு இடையேயான இடைவெளியைப் போலவே பரந்ததாகக் கூறினார். ஏஜிஐ மெழுகு மற்றும் குறைந்து, 2010 களில் மீண்டும் எழுச்சி கண்டிருக்கலாம். 2012 மற்றும் 2013 ஆம் ஆண்டுகளில் நடத்தப்பட்ட நான்கு கருத்துக் கணிப்புகள், ஏஜிஐ 50% நம்பிக்கையுடன் இருக்கும் போது வல்லுநர்களிடையே சராசரி யூகம் 2040 முதல் 2050 வரை இருக்கும் என்று கருத்துக் கணிப்பைப் பொறுத்து, 2081 ஐக் குறிக்கிறது. 16.5% ஐக் குறிப்பிடுவதும் சுவாரஸ்யமானது. அதே கேள்வியைக் கேட்டபோது வல்லுநர்கள் ஒருபோதும் என்று பதிலளித்தனர், ஆனால் அதற்கு பதிலாக 90% நம்பிக்கையுடன் இருந்தனர். மேலும் தற்போதைய ஏஜிஐ முன்னேற்றக் கருத்தாய்வுகளை மனித அளவிலான ஏஜிஐ மற்றும் ஐக்யூ-டெஸ்ட் ஏஜிஐ ஆகியவற்றை உறுதிப்படுத்துவதற்கான சோதனைகளுக்கு கீழே காணலாம்.

மனித இருப்புக்கு சாத்தியமான அச்சுறுத்தல்

செயற்கை பொது நுண்ணறிவின் உருவாக்கம் மிகப் பெரிய மற்றும் மிகவும் சிக்கலான விளைவுகளைக் கொண்டிருக்கக்கூடும், அதன் பிறகு என்ன வரும் என்பதை முன்னறிவிக்க முடியாது. ஆகவே வலுவான AI ஐ அடைவதற்கான கற்பனையான எதிர்கால நிகழ்வை தொழில்நுட்ப ஒருமைப்பாடு என்று அழைக்கப்படுகிறது, ஏனெனில் கோட்பாட்டளவில் ஒருவர் அதைக் கடந்ததாகக் காண முடியாது. ஆனால் இது எதிர்காலத்தில் ஸ்மார்ட் கணினிகள் அல்லது ரோபோக்கள் என்ன செய்யக்கூடும் என்று யூகிப்பதில் இருந்து தத்துவவாதிகள் மற்றும் ஆராய்ச்சியாளர்களை நிறுத்தவில்லை, இதில் நம் நண்பர்களாக இருப்பதன் மூலம் ஒரு கற்பனாவாதத்தை உருவாக்குவது அல்லது AI கையகப்படுத்துதலில் நம்மை மூழ்கடிப்பது உட்பட. பிந்தைய ஆற்றல் குறிப்பாக மனிதகுலத்திற்கு ஒரு இருத்தலியல் ஆபத்தை ஏற்படுத்துகிறது.

சுய பிரதி இயந்திரங்கள்

ஸ்மார்ட் கணினிகள் அல்லது ரோபோக்கள் தங்களை மேம்படுத்திய பதிப்புகளை வடிவமைத்து தயாரிக்க முடியும். புத்திசாலித்தனமான ரோபோக்களின் பெருகிவரும் மக்கள் வேலை சந்தைகளில், வணிகத்தில், அறிவியலில், அரசியலில் (ரோபோ உரிமைகளைப் பின்தொடர்வது), மற்றும் தொழில்நுட்ப ரீதியாக, தாழ்ந்த மனிதர்களை வெல்லமுடியாது. சமூகவியல் ரீதியாக (ஒன்றாக செயல்படுவதன் மூலம்), மற்றும் இராணுவ ரீதியாக. இப்போதெல்லாம், பல வேலைகள் ஏற்கனவே பலவீனமான AI ஆல் இயங்கும் போலி அறிவார்ந்த இயந்திரங்களால் எடுக்கப்பட்டுள்ளன. உதாரணமாக, வீடுகள், சுகாதாரப் பாதுகாப்பு, ஹோட்டல்கள் மற்றும் உணவகங்களுக்கான ரோபோக்கள் நம் வாழ்வின் பல பகுதிகளை தானியக்கமாக்கியுள்ளன: மெய்நிகர் போட்கள் வாடிக்கையாளர் சேவையை சுயமாக மாற்றுகின்றன சேவை, பெரிய தரவு AI பயன்பாடுகள் போர்ட்ஃபோலியோ மேலாளர்களை மாற்றுவதற்குப் பயன்படுத்தப்படுகின்றன, மேலும் வாடிக்கையாளர் சேவை நோக்கத்திற்காக மனித வாழ்த்துக்களை மாற்ற பெப்பர் போன்ற சமூக ரோபோக்கள் பயன்படுத்தப்படுகின்றன.

அவசர சூப்பர் புத்திசாலித்தனம்

வலுவான AI க்குள் தேடல் போதுமான புத்திசாலித்தனமான மென்பொருளை உருவாக்கினால், அது தன்னை மறுபிரசுரம் செய்து மேம்படுத்த முடியும் - இது சுழல்நிலை சுய முன்னேற்றம் என்று அழைக்கப்படுகிறது. அது தன்னை மேம்படுத்துவதில் இன்னும் சிறப்பாக இருக்கும், மேலும் இது வேகமாக வளர்ந்து வரும் சுழற்சியில் தொடர்ந்து செயல்படும், இது ஒரு உளவுத்துறை வெடிப்பு மற்றும் சூப்பர் இன்டெலிஜென்ஸ் தோன்றுவதற்கு வழிவகுக்கும். ஒரு புலனாய்வு மனித புத்தியின் வரம்புகளைக் கொண்டிருக்காது, மேலும் முடியும் கிட்டத்தட்ட எதையும் கண்டுபிடி அல்லது கண்டுபிடி.

ஹைப்பர்-புத்திசாலித்தனமான மென்பொருளானது மனிதகுலத்தின் தொடர்ச்சியான இருப்பை ஆதரிக்க முடிவு செய்யக்கூடாது, மேலும் அதை நிறுத்துவது மிகவும் கடினமாக இருக்கலாம். இந்த தலைப்பு சமீபத்தில் கல்வி வெளியீடுகளில் நாகரிகம், மனிதர்கள் மற்றும் பூமி கிரகத்திற்கான ஆபத்துக்களின் உண்மையான ஆதாரமாக விவாதிக்கத் தொடங்கியது.

இதைச் சமாளிப்பதற்கான ஒரு முன்மொழிவு என்னவென்றால், முதல் பொதுவாக புத்திசாலித்தனமான AI ஒரு நட்பான AI என்பதை உறுதிசெய்வது, பின்னர் உருவாக்கப்பட்ட AI கள் எங்களுக்கு நன்றாக இருப்பதை உறுதிசெய்ய முயற்சிக்கும். ஆனால் நட்பு AI என்பது எளிய AGI ஐ விட உருவாக்குவது கடினம், எனவே இருவருக்கும் இடையிலான ஒரு பந்தயத்தில், நட்பு அல்லாத AI முதலில் உருவாக்கப்படும். மேலும், நட்பு AI நட்பாக இருக்கும் என்பதற்கு எந்த உத்தரவாதமும் இல்லை, அல்லது அதன் சந்ததியினரும் நன்றாக இருப்பார்கள்.

செயற்கை நுண்ணறிவின் வரலாறு

1940 கள் மற்றும் 50 களில், பல்வேறு துறைகளைச் சேர்ந்த (கணிதம், உளவியல், பொறியியல், பொருளாதாரம் மற்றும் அரசியல் அறிவியல்) ஒரு சில விஞ்ஞானிகள் ஒரு செயற்கை மூளையை உருவாக்கும் சாத்தியம் குறித்து விவாதிக்கத் தொடங்கினர். செயற்கை நுண்ணறிவு ஆராய்ச்சித் துறை 1956 ஆம் ஆண்டில் ஒரு கல்வித் துறையாக நிறுவப்பட்டது.

சைபர்நெடிக்ஸ் மற்றும் ஆரம்பகால நரம்பியல் நெட்வொர்க்குகள்

சிந்தனை இயந்திரங்களைப் பற்றிய முந்தைய ஆராய்ச்சி 1930 களின் பிற்பகுதியிலும், 1940 களின் பிற்பகுதியிலும், 1950 களின் முற்பகுதியிலும் பரவலான கருத்துக்களின் சங்கமத்தால் ஈர்க்கப்பட்டது. நரம்பியலில் சமீபத்திய ஆராய்ச்சி, மூளை என்பது நியூரான்களின் மின் வலையமைப்பு என்று காட்டியது, அவை அனைத்தும் அல்லது எதுவும் இல்லாத பருப்புகளில் சுட்டன. நோர்பர்ட் வீனரின் சைபர்நெடிக்ஸ் மின் நெட்வொர்க்குகளில் கட்டுப்பாடு மற்றும் நிலைத்தன்மையை விவரித்தது. கிளாட் ஷானனின் தகவல் கோட்பாடு டிஜிட்டல் சிக்னல்களை விவரித்தது (அதாவது, அனைத்தும் அல்லது எதுவும் இல்லாத சமிக்ஞைகள்). ஆலன் டூரிங்கின் கணக்கீட்டு கோட்பாடு எந்தவொரு கணக்கீடும் டிஜிட்டல் முறையில் விவரிக்கப்படலாம் என்பதைக் காட்டுகிறது. இந்த யோசனைகளுக்கு இடையிலான நெருங்கிய உறவு ஒரு மின்னணு மூளையை உருவாக்க முடியும் என்று பரிந்துரைத்தது.

இந்த நரம்பில் வேலை செய்வதற்கான எடுத்துக்காட்டுகளில் டபிள்யூ. கிரே வால்டரின் ஆமைகள் மற்றும் ஜான்ஸ் ஹாப்கின்ஸ் பீஸ்ட் போன்ற ரோபோக்கள் அடங்கும். இந்த இயந்திரங்கள் கணினிகள், டிஜிட்டல் எலக்ட்ரானிக்ஸ் அல்லது குறியீட்டு பகுத்தறிவைப் பயன்படுத்தவில்லை; அவை முற்றிலும் அனலாக் சுற்றுகள் மூலம் கட்டுப்படுத்தப்பட்டன.

வால்டர் பிட்ஸ் மற்றும் வாரன்