या ब्लॉग पोस्टमध्ये, आम्ही विरोधाभासाच्या दृष्टिकोनातून एआयच्या विचार करण्याच्या क्षमतेचे विश्लेषण करतो आणि विचार करण्याच्या स्वरूपाचा शोध घेतो.

एआय, माणसासारखे बोलत आहे

"नमस्कार साहेब."

जागतिक स्तरावर लोकप्रिय असलेल्या आयर्न मॅन आणि द अ‍ॅव्हेंजर्स या सुपरहिरो चित्रपटांमधील टोनी स्टार्कचा एआय असिस्टंट जार्विस त्याच्या मालक टोनी स्टार्कला अशा प्रकारे अभिवादन करतो. चित्रपटात, टोनी स्टार्क जार्विसला म्हणतो, "थोडा दिखाऊपणा, नाही का?" आणि जार्विस त्याच्यावर नियंत्रण ठेवण्याचा प्रयत्न करणाऱ्या शत्रूला असे म्हणत उत्तर देतो, "मला विश्वास आहे की तुझा शत्रुत्वाचा हेतू आहे." दोन्ही चित्रपटांमध्ये, एआय जार्विसला असे चित्रित केले आहे की जणू तो "विचार" करू शकतो आणि मानवांशी समानतेने संवाद साधू शकतो.

मानव आणि एआयची "विचारसरणी"

खूप पूर्वी, डेकार्टेस म्हणाले होते, "मी विचार करतो, म्हणून मी आहे." "मानव विचार करू शकतो का?" या प्रश्नाचे उत्तर बहुतेक लोकांसाठी सामान्यतः "होय, मानव विचार करू शकतो" असे असते आणि असा युक्तिवाद करणारा कोणीही शोधणे कठीण असते. एक माणूस म्हणून, मी स्वतःला "मी विचार करू शकतो का?" हा प्रश्न विचारू शकतो कारण मी सुरुवातीलाच विचार करण्यास सक्षम आहे.
जर असे असेल तर कृत्रिम बुद्धिमत्ता विचार करू शकते का? जरी आपण विज्ञान कथा चित्रपटांमध्ये JARVIS बद्दल निर्णय राखून ठेवला कारण आपल्याला त्यावर लागू केलेल्या विज्ञान आणि तंत्रज्ञानाची विशिष्ट पातळी किंवा त्याच्या क्षमतांच्या मर्यादा माहित नसल्या तरी, सध्याच्या पातळीवर कृत्रिम बुद्धिमत्ता वर उल्लेख केलेल्या "विचार" करण्यास सक्षम आहे का हे शंकास्पद राहते. शिवाय, "विचार" ची कोणती वैशिष्ट्ये आहेत जी ती इतर समान वर्तनांपासून वेगळे करतात? "विचार" च्या बाबतीत मानव आणि AI मध्ये काय फरक आहे?
या मुद्द्यांची सखोल समज मिळविण्यासाठी, आपण एआय आणि विचारसरणीवरील दोन प्रयोग सादर करू: ट्युरिंग चाचणी आणि चिनी खोली. ट्युरिंग चाचणी हा १९५० मध्ये अॅलन ट्युरिंग यांनी प्रस्तावित केलेला प्रयोग आहे. "जर संगणकाचा विशिष्ट इनपुटवरील प्रतिसाद मानवी प्रतिसादापेक्षा वेगळा करता येत नसेल (विशेषतः, जर संगणक संपूर्ण चाचणी दरम्यान ३०% वेळा प्रयोगकर्त्याला फसवत असेल), तर संगणक बुद्धिमान आणि विचार करण्यास सक्षम मानला जाऊ शकतो," या विश्वासावर आधारित, ही चाचणी संगणकाच्या प्रतिसादांची मानवांशी किती समानता आहे याचे परीक्षण करते.
जेव्हा मी पहिल्यांदा या प्रयोगामागील ट्युरिंगच्या विश्वासाबद्दल ऐकले तेव्हा माझ्या मनात एक प्रश्न आला: “जर एखाद्या संगणकाकडे (किंवा कृत्रिम बुद्धिमत्तेकडे) एक विशाल किंवा उच्च-गुणवत्तेचा डेटाबेस असेल आणि तो इनपुट न समजता अल्गोरिदमनुसार माहितीची तुलना आणि विरोधाभास करतो, तर त्याला 'विचार' मानले पाहिजे का?” जॉन सियरले, ज्यांना माझ्यासारखाच प्रश्न होता, त्यांनी ट्युरिंगच्या विश्वासाचे खंडन करण्यासाठी "द चायनीज रूम" नावाचा एक विचार प्रयोग तयार केला.
विचार प्रयोग खालीलप्रमाणे आहे. प्रथम, ज्या व्यक्तीला कोणतीही चिनी भाषा येत नाही परंतु चिनी अक्षरांचे स्वरूप ओळखता येते त्याला दोन खिडक्या असलेल्या खोलीत ठेवले जाते, एक प्रश्न घेण्यासाठी आणि दुसरी उत्तरे घेण्यासाठी. त्या व्यक्तीला आधीच तयार केलेल्या चिनी प्रश्नांची आणि उत्तरांची यादी दिली जाते. खोलीबाहेर एक निरीक्षक, ज्याला खोलीतील व्यक्ती चिनी बोलू शकत नाही हे माहित नसते, तो खोलीतील व्यक्ती चिनी प्रश्नांची उत्तरे देत असल्याचे पाहतो.
खोलीबाहेरील निरीक्षकाला असे वाटेल की खोलीतील व्यक्ती सर्व चिनी प्रश्न समजते आणि योग्य उत्तरे देत आहे. तथापि, प्रत्यक्षात, खोलीतील व्यक्ती चिनी प्रश्न समजून घेण्याऐवजी आणि उत्तरांचा विचार करण्याऐवजी फक्त यादीनुसार उत्तरे देत आहे. या आधारे, जॉन सिएरल यांनी असा निष्कर्ष काढला की कृत्रिम बुद्धिमत्तेमध्ये वास्तविक बुद्धिमत्ता आहे की नाही आणि ती विचार करण्यास सक्षम आहे की नाही हे ठरवण्यासाठी ट्युरिंग चाचणीचा वापर केला जाऊ शकत नाही.

"विचार" साठी निकष - "थीसिस, अँटीथेसिस आणि संश्लेषण" वर लक्ष केंद्रित करणे

कॅल्क्युलेटर आणि सर्च इंजिनांप्रमाणे आणि चिनी खोलीतील व्यक्तीप्रमाणे, "विचार करणे" ही माहिती प्रक्रियेची प्रक्रिया आहे असे म्हटले जाऊ शकते कारण त्यात इनपुट प्राप्त झाल्यावर अनुभव आणि ज्ञानाचा डेटाबेस उघडणे आणि शोधणे आणि नंतर प्रतिसाद तयार करणे समाविष्ट असते. म्हणूनच, कृत्रिम बुद्धिमत्ता आणि विचारसरणीचा प्रश्न शेवटी "सोपी माहिती प्रक्रिया" आणि "विचार" मध्ये कोणते निकष वेगळे करतात या प्रश्नावर येतो. प्रश्न असा आहे की कोणत्या घटकांचा समावेश केला पाहिजे आणि एखाद्या गोष्टीला "विचार" म्हणण्यासाठी काय शक्य असले पाहिजे.
अर्थात, अनेक तत्वज्ञानी आणि अभियंते सर्वांना समाधान देणारे निकष शोधण्यात अपयशी ठरले आहेत, त्यामुळे कठोर निकष स्थापित करणे सोपे नाही. तथापि, या लेखात, मी वर उल्लेख केलेल्या "विचार" साठीच्या निकषांपैकी एक प्रस्तावित करू इच्छितो, जो एक घटक आहे जो "माहिती प्रक्रिया" मध्ये स्वतःच्या पलीकडे जाऊन "विचार" च्या टप्प्यात प्रवेश करण्यासाठी समाविष्ट करणे आवश्यक आहे. हा खालील छोटासा प्रश्न आहे.

"थीसिस, अँटीथेसिस, संश्लेषण" ची प्रक्रिया पार पाडता येते का?

"थीसिस, अँटीथेसिस, संश्लेषण" हे हेगेलच्या द्वंद्वात्मकतेचे तीन टप्पे आहेत, ज्यामध्ये "थीसिस," "एंटीथेसिस," आणि "सिंथेसिस" यांचा समावेश आहे. सोप्या भाषेत सांगायचे तर, "थीसिस" हा एक विशिष्ट प्रस्ताव (किंवा युक्तिवाद) आहे जो विरोधी बाजूंसह अस्तित्वात आहे. "एंटीथेसिस" हा आणखी एक प्रस्ताव आहे जो मागील 'थीसिस' च्या विरुद्ध किंवा विरोधाभासी आहे. जेव्हा 'थीसिस' आणि 'एंटीथेसिस' भेटतात, कारण ते दोन परस्परविरोधी प्रस्ताव आहेत, तेव्हा ते दोन समान किंवा असंबंधित प्रस्ताव भेटतात त्यापेक्षा जास्त काळ एकमेकांशी भिडतात आणि जोडतात, ज्यामुळे असंख्य सह-प्रस्ताव आणि दुय्यम ज्ञान निर्माण होते. ही "उत्पादक तार्किक प्रक्रिया" स्वतःची पुनरावृत्ती होते आणि मूळ "जेओंग" आणि "बॅन" एकाच प्रस्तावात एकत्रित केले जातात, "हॅप", जे मूळ "जेओंग" आणि "बॅन" पेक्षा खोल आणि मोठे आहे. परिणामी "हॅप" विद्यमान "जेओंग" आणि "बॅन" पेक्षा गुणात्मकदृष्ट्या अधिक विकसित आहे आणि "जेओंग" आणि "बॅन" या गौण प्रस्तावांशी संबंधित सर्व परिस्थितींना लागू होण्याचा गुणधर्म आहे. हे तिथेच संपत नाही. "संश्लेषण" एक नवीन "प्रबंध" बनते आणि पुन्हा विरोधाभासी "प्रतिरोध" ला सामोरे जाण्याच्या तार्किक प्रक्रियेतून जाते, विविध परिस्थितींमध्ये लागू करता येणारे परिपूर्ण सत्य शोधण्याचे लक्ष्य ठेवते. म्हणून, प्रबंध-प्रतिरोध-संश्लेषण ही एक तार्किक प्रक्रिया आहे ज्यामध्ये एकच पूर्णता असते जी एका परिपूर्ण सत्याकडे नेते.
दुसऱ्या शब्दांत, "विचार" साठी "थीसिस-अँटीथेसिस-सिंथेसिस" हा मानक म्हणून प्रस्तावित करणे म्हणजे पुढील गोष्टी: जेव्हा एखाद्या विचारवंताकडे एक विशिष्ट प्रस्ताव (या प्रकरणात, माहिती) आणि त्याच्या विरोधात असलेली प्रस्तावना (माहिती) असते, तेव्हा त्याने त्यांना फक्त डेटाबेसमध्ये संग्रहित आणि सूचीबद्ध करू नये आणि त्यांची तुलना करू नये, तर विद्यमान प्रस्ताव (माहिती) आणि नवीन प्रस्ताव (माहिती) यांचा वापर करून थीसिस-अँटीथेसिस-सिंथेसिसची प्रक्रिया पार पाडावी. शिवाय, थीसिस, अँटीथेसिस आणि संश्लेषणाच्या प्रक्रियेद्वारे, गुणात्मकरित्या सुधारित डेटाबेस तयार करण्यासाठी नवीन तयार केलेले "सिंथेसिस" एखाद्याच्या डेटाबेसमध्ये समाविष्ट केले पाहिजे आणि जेव्हा इनपुट प्राप्त होते, तेव्हा परिणाम निर्माण करण्यासाठी डेटाबेस शोधला पाहिजे.
माझ्या मते, "विचार करणे" ही एका मोठ्या डेटाबेसमध्ये सर्व नवीन प्रस्ताव (माहिती) सूचीबद्ध करण्याची प्रक्रिया नाही, प्रत्येक वेळी प्रतिसाद आवश्यक असताना त्यांना एक-एक करून शोधणे, त्यांची गणना करणे आणि तुलना करणे आणि आउटपुट म्हणून सबमिट करण्यासाठी सर्वोत्तम निवडणे (ही अशी प्रक्रिया आहे ज्याद्वारे पीसी मेमरीमध्ये सर्वकाही संग्रहित करतो आणि आउटपुट निवडतो). "विचार करणे" ही शोधल्या जाणाऱ्या डेटाबेसमधील घटकांना टक्कर देण्याची, जोडण्याची आणि एकत्रित करण्याची प्रक्रिया आहे, ज्यामुळे डेटाबेसची गुणवत्ता सुधारते आणि कार्यक्षम आउटपुट तयार होते. शिवाय, असे म्हणता येईल की 'आउटपुट विकास' 'आउटपुट निवड' आणि 'सबमिशन' (उदा., संगणकांची जलद साधी गणना गती) च्या विकासाऐवजी डेटाबेसच्या स्वतःच्या विकासातून आला पाहिजे.
संश्लेषण डेटाबेसची गुणवत्ता सुधारू शकते असे मला का वाटते याचे कारण खालीलप्रमाणे स्पष्ट केले जाऊ शकते. समजा इनपुट P साठी आउटपुटसाठी "विरोधाभासी" माहिती A, B आणि C उमेदवार म्हणून आहे. जरी A हे P सारखे इनपुट Q साठी गणना करून सबमिट केले असले तरी, जर माहिती C जोडली गेली किंवा P आणि Q समान असतील परंतु पूर्णपणे एकसारखे नसतील तर A योग्य आउटपुट असेल याची हमी नाही. म्हणून, केवळ P आणि Q साठीच नव्हे तर सर्व समान इनपुटसाठी आउटपुट सबमिट करण्यासाठी ऑपरेशनची प्रत्येक वेळी पुनरावृत्ती करणे आवश्यक आहे. तथापि, जर A आणि B हे D मध्ये एकत्रित केले गेले आणि C आणि D हे संश्लेषण आणि विरोधाभास प्रक्रियेद्वारे E मध्ये एकत्रित केले गेले, तर E हे P आणि Q आणि समान इनपुट दोन्हीसाठी योग्य आउटपुट असेल. म्हणून, संश्लेषण आणि विरोधाभास प्रक्रियेद्वारे डेटाबेसची गुणवत्ता स्वतः सुधारली जाऊ शकते.

कृत्रिम बुद्धिमत्ता "विचार" करते का?

मी प्रस्तावित केलेल्या निकषांना, म्हणजेच संश्लेषणाची प्रक्रिया करण्याची क्षमता, एआय विचारसरणीच्या बाबतीत जोडूया, ज्याबद्दल आपल्याला उत्सुकता होती. आयफोनवरील सिरी आणि ली सेडोलला हरवणाऱ्या अल्फागोसारख्या एआयच्या सध्याच्या पातळीचा विचार करता, हे स्पष्ट होते की पूर्वनिर्धारित नमुन्यांसह काही मर्यादित प्रश्नांची उत्तरे देणारी सिरी, संश्लेषणाची प्रक्रिया करण्यास असमर्थ आहे.
मार्च २०१६ मध्ये, जवळजवळ अनंत संभाव्य हालचालींसह, अपेक्षांना झुगारून 'गो' हा गेम जिंकणाऱ्या 'अल्फागो'ला 'सखोल शिक्षणाचे केंद्रीकरण' तंत्रज्ञान म्हणतात. तथापि, सखोल शिक्षणाचा गाभा संश्लेषण आणि विरोधाच्या प्रक्रियेतून 'विकास' नाही तर मोठ्या प्रमाणात डेटाचे 'वर्गीकरण' आहे. अल्फागोने त्याच्या अकल्पनीय संगणकीय शक्ती आणि तंत्रज्ञानाचा वापर करून डेटा क्लस्टरिंग आणि वर्गीकरणावर आधारित भाकितातून शिकले आणि प्रत्येक परिस्थितीसाठी १९×१९ गो बोर्डवर सर्व संभाव्य हालचालींची गणना करून इष्टतम आउटपुट शोधला, ज्यामुळे ली सेडोलचा पराभव झाला. तथापि, ते स्वतःला परिपूर्ण गोष्टीकडे विकसित करू शकले नाही.
दुसऱ्या शब्दांत सांगायचे तर, सध्याच्या पातळीवर एआय विचार करण्यास सक्षम आहे असे म्हणणे अवास्तव आहे असे मला वाटते. एआय अजूनही त्याच्या उत्कृष्ट संगणकीय क्षमतेच्या आधारे डेटा सूचीबद्ध करून, कॉन्ट्रास्ट करून आणि तुलना करून, दुसऱ्या शब्दांत, मानवांसारखी उत्तरे देऊन मानव असल्याचे भासवण्यास सक्षम आहे. प्रबंध, विरोधाभास आणि संश्लेषणाच्या तार्किक प्रक्रियेतून विकसित न होणाऱ्या एआयला आत्म-जागरूकतेसह विचार करण्यास सक्षम म्हणून परिभाषित करणे अवास्तव आहे.

निष्कर्ष

तुम्ही हा लेख वाचत असतानाही, विज्ञान आणि तंत्रज्ञान प्रगती करत आहे. यामुळे, इनपुटला प्रतिसाद म्हणून कृत्रिम बुद्धिमत्तेचे उत्पादन अधिकाधिक मानवासारखे होत आहे. कदाचित एखाद्या दिवशी आपण कृत्रिम बुद्धिमत्ता आणि गोएथे किंवा नीत्शेबद्दल बोलू शकू. तथापि, जरी कृत्रिम बुद्धिमत्ता गोएथे किंवा नीत्शेबद्दल बोलू शकते, तरीही "विचार" मध्ये थीसिस, अँटीथेसिस आणि संश्लेषणाच्या प्रक्रियेद्वारे स्व-विकासाची (संकुचित अर्थाने, डेटाबेसचा विकास) शक्यता समाविष्ट असणे आवश्यक आहे.