या ब्लॉग पोस्टमध्ये, आपण सखोल शिक्षणावर आधारित कृत्रिम बुद्धिमत्ता मानवी शिक्षण आणि सामाजिक कौशल्यांना कसे आकर्षित करत आहे ते पाहू आणि मानवतेच्या सीमांचा विचार करू.
ब्रिटिश प्रतिभावान गणितज्ञ अॅलन ट्युरिंग यांनी "यंत्रे विचार करू शकतात का?" असा प्रश्न विचारला आणि यंत्रे विचार करू शकतात की नाही हे ठरवण्यासाठी अनुकरण खेळ हा निकष म्हणून मांडला. या खेळात, एक न्यायाधीश मानव आणि यंत्राशी संवाद साधतो आणि जेव्हा न्यायाधीश ठरवतो की संभाषणातील दोन भागीदारांपैकी एक मानव आहे, तेव्हा यंत्राने ट्युरिंग चाचणी उत्तीर्ण केली आहे असे मानले जाते. हा अनुकरण खेळ आता ट्युरिंग चाचणी म्हणून ओळखला जातो. द मोस्ट ह्यूमन ह्यूमनचे लेखक ब्रायन ख्रिश्चन यांनी २००९ मध्ये लोएबनर पारितोषिक स्पर्धेत भाग घेतला होता, जो ट्युरिंग चाचणीवर आधारित स्पर्धा होती. तेथे, त्यांनी एआय विरुद्ध जिंकण्यासाठी मानवांना एआयपेक्षा अधिक मानव बनवणारे अनेक घटक ओळखले. त्यांचा असा युक्तिवाद आहे की मानवांना एआयपासून वेगळे करण्यासाठी आणि भविष्यात मानवी जीवन जगण्यासाठी, आपण अधिक मानव बनले पाहिजे.
१९५६ मध्ये "कृत्रिम बुद्धिमत्ता" हा शब्द अस्तित्वात आल्यापासून, एआयचे क्षेत्र विकसित होत राहिले आहे. सुरुवातीच्या काळात, एआयचा वापर संरचित आणि गुंतागुंतीच्या समस्या सोडवण्यासाठी केला जात होता आणि नंतर, तज्ञ प्रणाली दिसू लागल्या ज्या योग्य वेळी योग्य ठिकाणी मानवी कौशल्य आणि अनुभव प्रदान करत होत्या, विविध डेटामधून थेट शिकून लोकांना मदत करत होत्या. नंतर, मशीन लर्निंग तंत्रे उदयास आली आणि एआयची विभागणी पर्यवेक्षित शिक्षण, अनप्रवेक्षित शिक्षण आणि रीइन्फोर्समेंट लर्निंगमध्ये करण्यात आली, डेटा कसा इनपुट केला जातो यावर अवलंबून. मशीन लर्निंगच्या मर्यादांवर मात करण्यासाठी, रीइन्फोर्समेंट लर्निंगवर आधारित डीप लर्निंग उदयास आले आणि एआय मानवी न्यूरल नेटवर्कचे अनुकरण करून स्वतः शिकू आणि विकसित होऊ लागला. जर एआय डीप लर्निंगद्वारे मानवांप्रमाणेच शिकत असेल, तर आपण एआयपेक्षा जास्त मानव राहणार नाही का? उलट, एआय आणि मानवांमध्ये समान "मानवता" असेल का? हा लेख सुरू करण्यापूर्वी, मी प्रथम मानव असण्याचा अर्थ काय ते परिभाषित करू इच्छितो.
ट्युरिंग चाचणी ही एक चाचणी आहे जी एआय विचार करू शकते का या प्रश्नाचे उत्तर देते. तथापि, ब्रायन ख्रिश्चन यांच्या या मुद्द्याचे प्रतिबिंबित करते की सध्या फक्त ३३% चाचण्या उत्तीर्ण मानल्या जातात, या चाचणीसाठी पाच मिनिटांची कमी वेळ मर्यादा आहे आणि चाचणी विषयाने एआयशी शब्दांची देवाणघेवाण केली पाहिजे, हा लेख एआयला मानव म्हणून परिभाषित करतो जेव्हा कोणत्याही निर्बंधांशिवाय ट्युरिंग चाचणीतील सर्व न्यायाधीशांना संभाषण भागीदार एआय असल्याचा पुरावा सापडत नाही.
भूतकाळात ट्युरिंग चाचणीत सहभागी झालेल्या एआयने विशिष्ट प्रश्नांची गणना केलेल्या पद्धतीने उत्तरे दिली किंवा मानवांमधील संभाषणांच्या डेटाबेसचा संदर्भ दिला आणि तोच प्रश्न विचारल्यावर डेटाबेसमधून तेच उत्तर दिले. म्हणूनच, "सर्वात मानवी मानव" बनणे हा ट्युरिंग चाचणी जिंकण्याचा सर्वोत्तम मार्ग होता आणि ब्रायन ख्रिश्चनचा दृष्टिकोन योग्य होता. तथापि, भविष्यात आपल्याला ज्या एआयचा सामना करावा लागेल ते डीप लर्निंग अल्गोरिदम वापरतील. डीप लर्निंग अल्गोरिदम मानवी मेंदूपासून रिव्हर्स-इंजिनिअर केलेले असतात, म्हणून एआय मानवांप्रमाणेच शिकतो. म्हणूनच, असे म्हणता येईल की भूतकाळात ट्युरिंग चाचणीत सहभागी झालेला एआय आणि भविष्यात सहभागी होणारा एआय मूलभूतपणे भिन्न आहेत.
तर आपल्याला एआयपेक्षा वेगळे काय आहे? ब्रायन ख्रिश्चनच्या मते, एआयच्या विपरीत, आपण राज्य-आश्रित आहोत आणि संदर्भानुसार योग्य संभाषणात गुंततो. राज्य-आश्रित संभाषण म्हणजे भूतकाळातील परिस्थिती समजून घेणे आणि लक्षात ठेवणे आणि आपल्या संभाषणात त्यांचे प्रतिबिंबित करणे. संदर्भानुसार योग्य संभाषण म्हणजे सध्याची परिस्थिती समजून घेणे आणि आपल्या संभाषणात त्याचे प्रतिबिंबित करणे. जर आपण अशा संभाषणांमध्ये सहभागी झालो तर आपण "अप्रतिबंधित" ट्युरिंग चाचणी उत्तीर्ण करू शकू. पूर्वी, डेटाबेसवर आधारित एआयला ते कुठे आहे, ते कोण आहे किंवा सध्याची परिस्थिती काय आहे याची मूलभूत समजही नव्हती. म्हणून, ते दुसऱ्या व्यक्तीने काय म्हटले ते निवडून किंवा मोठ्या प्रमाणात संभाषण डेटावर आधारित प्रश्नांची यादृच्छिक उत्तरे देऊन संभाषणे आयोजित करते. विशिष्ट ओळख असलेले एआय देखील सध्याच्या संभाषणाचा संदर्भ प्रतिबिंबित करण्यात अपयशी ठरते. उदाहरणार्थ, यूजीन गुस्टमन, एक एआय ज्याने "प्रतिबंधित" ट्युरिंग चाचणी उत्तीर्ण केली, त्याची ओळख युक्रेनमध्ये राहणाऱ्या १३ वर्षांच्या मुलाची आहे. “द बर्थ ऑफ माइंड” चे लेखक रे कुर्झवेल आणि युजीन गूस्टमन यांच्यातील संभाषणावर एक नजर टाकूया, जे त्यांनी त्यांच्या ब्लॉगवर पोस्ट केले होते.
रे कुर्झवील: मी युनायटेड स्टेट्सच्या राजधानीत राहतो. ते कुठे आहे माहीत आहे का?
यूजीन: एखाद्या मूर्खालाही माहित आहे की अमेरिकेची राजधानी वॉशिंग्टन आहे.
रे कुर्झवेल: मी त्या देशाच्या राजधानीत राहतो ज्याने लोकांना चंद्रावर पाठवले.
यूजीन: बरं, तुम्हाला उत्तर हवे असेल तर, युनायटेड स्टेट्सची राजधानी वॉशिंग्टन आहे.
रे कुर्झवेल: मी त्या देशाच्या राजधानीत राहतो जिथे ग्रेट वॉल बांधली गेली.
युजीन: मला राजधान्यांबद्दल अधिक सांगा. मला इतर ठिकाणांबद्दल ऐकायला आवडते.
रे कुर्झवेल: तुम्ही चष्मा घालायला सुरुवात केली तेव्हा तुमचे वय किती होते?
युजीन: नाही, मला नाही! तुम्हाला ही कल्पना कशी सुचली? जर मी चुकलो नाही तर, तुम्ही मला अजूनही तुम्ही कुठे राहता हे सांगितले नाही. हे गुपित आहे का?
रे कुर्झवेलने युजीनला त्याच्या राहत्या जागेबद्दल सांगितले, पण युजीन गस्टमन त्याबद्दल प्रश्न विचारत राहतात. दुसऱ्या शब्दांत, युजीन गस्टमनला संभाषणाचा संदर्भ अजिबात समजत नाही. पण सखोल शिक्षणाद्वारे कृत्रिम बुद्धिमत्तेचे काय?
प्रथम, अल्फागोचा विचार करूया, जो डीप लर्निंगचा वापर करणारा AI आहे. अल्फागोने डीप लर्निंगमधून गो खेळायला शिकले आणि मार्च २०१६ मध्ये गो खेळाडू ली सेडोलचा पराभव केला. हे खूप महत्त्वाचे आहे. जेव्हा AI ने बुद्धिबळ जिंकले तेव्हा गो हा शेवटचा बालेकिल्ला होता आणि तो एक असा क्षेत्र होता ज्याला यंत्रे ओलांडू शकली नाहीत. याचे कारण असे की गो मध्ये विश्वातील अणूंच्या संख्येपेक्षा जास्त संभाव्य हालचाली आहेत, ज्यासाठी केवळ गणनाच नाही तर मानवी अंतर्ज्ञान देखील आवश्यक आहे. गो मध्ये अंतर्ज्ञान आवश्यक असण्याचे कारण म्हणजे सर्व संभाव्य हालचालींची गणना करणे अशक्य आहे, म्हणून खेळाडूंनी परिस्थितीनुसार जिंकण्याची शक्यता असलेल्या हालचाली कराव्यात. यासाठी अंतर्ज्ञान आवश्यक आहे, एकूण परिस्थिती त्वरित समजून घेण्याची क्षमता. अल्फागो समान पद्धत वापरते. ते प्रत्येक परिस्थितीत जिंकण्याची शक्यता असलेल्या हालचाली बनवते. शेवटी, अल्फागोने अंतर्ज्ञानात मानवांना मागे टाकले, जे एक अद्वितीय मानवी वैशिष्ट्य मानले जात असे. याचा अर्थ असा की AI इतर क्षेत्रातही मानवांना मागे टाकेल.
म्हणूनच, "संभाषण" मध्येही एआय हेच करू शकते. "राज्य-आधारित" आणि "स्थान-योग्य" संभाषणे करण्यासाठी, एआयमध्ये केवळ संवाद साधता येत नाही तर "सामाजिक कौशल्ये" देखील असली पाहिजेत, जी समुदायाची विचारसरणी शिकण्याची आणि समाजाचा सदस्य म्हणून वाढत असताना इतर सदस्यांशी संबंध कसे नियंत्रित करायचे हे शिकण्याची क्षमता आहे. म्हणून, जर एआय संभाषण पद्धती आणि सामाजिक कौशल्ये आत्मसात करू शकला, तर एआय आणि मानव समान मानव असतील. जन्मानंतर मानव भाषा शिकतात. ते त्यांच्या पालकांच्या शब्दांचे अनुकरण करून सुरुवात करतात, त्या शब्दांचे अर्थ शिकतात आणि वास्तविक जीवनातील विविध अनुभवांमधून, त्यांना स्वतःला कळते की कोणत्या परिस्थितीत कोणत्या प्रकारचे संभाषण करायचे. हे डीप लर्निंग अल्गोरिथमसारखेच आहे. डीप लर्निंगद्वारे तयार केलेले चॅटबॉट्स डेटा फिल्टर न करता केवळ एक मोठा डेटाबेस वापरत नाहीत, तर संभाषणाचे नमुने ओळखतात आणि त्यांना प्रतिबिंबित करतात. त्या संभाषणांच्या आधारे, ते विद्यमान मानवी संभाषणांसारखे आहेत की नाही हे ठरवतात आणि त्या दृढनिश्चयाच्या परिणामांवर आधारित नवीन शिक्षण सुरू करतात. एआय अशा प्रकारे संभाषण करण्यास सक्षम आहे.
याव्यतिरिक्त, मानव जन्मानंतर सामाजिक कौशल्ये शिकतो. मुले मोठी होत असताना, ते नैतिकतेसारखे सामाजिक नियम शिकतात आणि काय स्वीकार्य आहे आणि काय नाही हे शिकतात. शिवाय, एखाद्या व्यक्तीची सामाजिक कौशल्ये ती ज्या वातावरणात वाढते त्यानुसार मोठ्या प्रमाणात बदलतात, जे दर्शवते की सामाजिक कौशल्ये शिकता येतात. आधी सांगितल्याप्रमाणे, खोल शिक्षणाची शिकण्याची पद्धत मानवांसारखीच असल्याने, जर मानव शिकू शकतो, तर एआय देखील शिकू शकतो. म्हणून, खोल शिक्षणाद्वारे, एआय मानवी-स्तरीय सामाजिक कौशल्ये आत्मसात करू शकते आणि त्या कौशल्यांना प्रतिबिंबित करणाऱ्या संभाषणांमध्ये सहभागी होऊ शकते.
सखोल शिक्षण हे मानवांप्रमाणेच शिकते. चला बिग डेटाची संकल्पना पाहूया की ते संभाषण पद्धती कशा शिकते. पीसी, स्मार्टफोन आणि इंटरनेटच्या लोकप्रियतेसह, डेटाचे प्रमाण वेगाने वाढले आहे. या असंरचित डेटाला बिग डेटा म्हणतात आणि ते सखोल शिक्षणासाठी शिक्षण साहित्य बनते. याचे एक प्रातिनिधिक उदाहरण म्हणजे सोशल मीडिया. सप्टेंबरमध्ये फेसबुकचे १.७९ अब्ज वापरकर्ते होते. जरी प्रत्येक वापरकर्ता दर आठवड्याला एक पोस्ट पोस्ट करत असला तरी, ते १.७९ अब्ज पोस्ट होते. बिग डेटा तंत्रज्ञानाचा वापर करून या पोस्टमधून विशिष्ट विषयांबद्दल भावना काढणे शक्य आहे. दुसऱ्या शब्दांत, सखोल शिक्षणामुळे विशिष्ट विषयांबद्दल भावना काढणे शक्य होते. म्हणून, एआय विशिष्ट संभाषण परिस्थितीच्या भावना ओळखू शकते.
तर, एआयमध्ये डीप लर्निंग तंत्रज्ञानाचा वापर केला जात असला तरी, परिपूर्ण संभाषण करू शकणारा एआय अजूनही का नाही? डीप लर्निंग मानवी मेंदूच्या यंत्रणेवर आधारित आहे, परंतु आपल्याला अद्याप निओकॉर्टेक्सची यंत्रणा पूर्णपणे समजलेली नाही. शिवाय, डीप लर्निंग हे अजूनही अपूर्ण क्षेत्र आहे. सॉफ्टवेअरच्या बाबतीत, अधिक कार्यक्षम अल्गोरिदम उदयास येत आहेत आणि हार्डवेअरमध्ये क्वांटम संगणकांसारखे विकासासाठी अमर्यादित क्षमता देखील आहे. तथापि, एक गोष्ट निश्चित आहे: रे कुर्झवेल यांनी भाकीत केल्याप्रमाणे की २०३० च्या दशकात एआय मानवी-स्तरीय बुद्धिमत्तेला मागे टाकेल, डीप लर्निंगची प्रचंड क्षमता सूचित करते की एआय मानवी पातळीपर्यंत पोहोचण्यास सक्षम असेल.
म्हणूनच, सखोल शिक्षणाद्वारे शिकलेले एआय आणि मानव यांच्यातील फरक ओळखण्याची ब्रायन ख्रिश्चनची कल्पना केवळ आपण स्वतः खरोखर मानव आहोत की नाही याबद्दल प्रश्न आणि उत्तरे निर्माण करत नाही तर आपल्याला विचार करण्याची जागा देखील देते. शेवटी, एआय आणि मानवांमधील फरक नाहीसा होईल. भविष्यात मानव हे एआयसाठी शिक्षण साहित्य असल्याने, एआय अशा टप्प्यावर पोहोचेल जिथे ते मानवांपेक्षा वेगळे करता येणार नाही. शेवटी, ब्रायन ख्रिश्चनचे "एआयपेक्षा जास्त मानव असलेले मानव" अस्तित्वात राहणार नाहीत आणि फक्त "एआय जे मानवाइतकेच मानव आहे" अस्तित्वात असेल. म्हणूनच, आपल्याला आता एआयच्या उदयासमोर स्वतःला अधिक मानव बनवण्याची गरज नाही, तर अशा समाजासाठी तयारी करण्याची गरज आहे जिथे एआय भविष्यात मानवी बुद्धिमत्तेपर्यंत पोहोचेल आणि त्याला मागे टाकेल.
