न्यूरो-प्रतीकात्मक आर्टिफिशियल इंटेलिजेंस ए.आई. क्यों है? भविष्य की

एक ट्रे का चित्र बनाएं. ट्रे पर आकृतियों का वर्गीकरण है: कुछ घन, अन्य गोले। आकृतियाँ विभिन्न सामग्रियों से बनाई गई हैं और विभिन्न आकारों का प्रतिनिधित्व करती हैं। कुल मिलाकर, शायद, आठ वस्तुएँ हैं। मेरा प्रश्न: "वस्तुओं को देखते हुए, क्या बड़ी चीज़ें और धातु के गोले समान संख्या में हैं?"

यह कोई पेचीदा सवाल नहीं है. तथ्य यह है कि ऐसा लगता है मानो यह इस बात का सकारात्मक प्रमाण है कि यह वास्तव में कितना सरल है। यह उस प्रकार का प्रश्न है जिसका उत्तर एक प्रीस्कूलर आसानी से दे सकता है। लेकिन आज के अत्याधुनिक तंत्रिका नेटवर्क के लिए यह लगभग असंभव है। इसे बदलने की जरूरत है. और जैसा कि हम जानते हैं, कृत्रिम बुद्धिमत्ता का पुनः आविष्कार करके ऐसा करने की आवश्यकता है।

यह मेरी राय नहीं है; यह की राय है डेविड कॉक्स, एमआईटी-आईबीएम के निदेशक वॉटसन ए.आई. कैम्ब्रिज, एमए में लैब। पिछले जीवन में, कॉक्स हार्वर्ड विश्वविद्यालय में प्रोफेसर थे, जहां उनकी टीम ने बेहतर मस्तिष्क-प्रेरित मशीन लर्निंग कंप्यूटर सिस्टम बनाने में मदद करने के लिए तंत्रिका विज्ञान की अंतर्दृष्टि का उपयोग किया था। आईबीएम में अपनी वर्तमान भूमिका में, वह एमआईटी और आईबीएम के बीच एक अनूठी साझेदारी की देखरेख करते हैं जो ए.आई. को आगे बढ़ा रही है। अनुसंधान, जिसमें आईबीएम का वॉटसन ए.आई. शामिल है। प्लैटफ़ॉर्म। जो लोग नहीं जानते उनके लिए वॉटसन ए.आई. था। जिसने प्रसिद्ध रूप से दो शीर्ष गेम शो खिलाड़ियों को हराया

टीवी क्विज़ शो में इतिहास में ख़तरा. वॉटसन भी मुख्य रूप से मशीन-लर्निंग प्रणाली है, जो मानव-व्युत्पन्न नियमों के विपरीत डेटा के बड़े पैमाने पर उपयोग करके प्रशिक्षित होती है।

इसलिए जब कॉक्स कहते हैं कि दुनिया को ए.आई. पर पुनर्विचार करने की जरूरत है। चूँकि यह एक नए दशक में प्रवेश कर रहा है, यह कुछ अजीब लगता है। आख़िरकार, 2010 यकीनन ए.आई. में सबसे सफल दस साल रहा है। इतिहास: एक ऐसी अवधि जिसमें सफलताएँ साप्ताहिक रूप से घटित होती हैं, और इसका कोई निराशाजनक संकेत नहीं होता है ए.आई. सर्दी अंतर्दृष्टि। यही कारण है कि वह ए.आई. के बारे में सोचता है। हालाँकि, बदलने की जरूरत है। और उस बदलाव के लिए उनका सुझाव, वर्तमान में अस्पष्ट शब्द जिसे "न्यूरो-प्रतीकात्मक ए.आई." कहा जाता है, 2020 के अंत तक उन वाक्यांशों में से एक बन सकता है जिनसे हम गहराई से परिचित हैं।

प्रतीकात्मक ए.आई. का उत्थान और पतन

न्यूरो-प्रतीकात्मक ए.आई. वास्तव में कहें तो, यह ए.आई. करने का बिल्कुल नया तरीका नहीं है। यह सोच मशीनों के निर्माण के लिए दो मौजूदा दृष्टिकोणों का संयोजन है; जो एक समय नश्वर शत्रु के रूप में एक-दूसरे के विरुद्ध खड़े थे।

नाम का "प्रतीकात्मक" भाग कृत्रिम बुद्धिमत्ता बनाने के पहले मुख्यधारा के दृष्टिकोण को दर्शाता है। 1950 से 1980 के दशक तक, प्रतीकात्मक ए.आई. सर्वोच्च शासन किया. एक प्रतीकात्मक ए.आई. के लिए शोधकर्ता के अनुसार, बुद्धि मनुष्य की आंतरिक प्रतीकात्मक अभ्यावेदन बनाकर अपने आसपास की दुनिया को समझने की क्षमता पर आधारित है। फिर वे इन अवधारणाओं से निपटने के लिए नियम बनाते हैं, और इन नियमों को इस तरह से औपचारिक बनाया जा सकता है जो रोजमर्रा के ज्ञान को समाहित करता है।

यदि मस्तिष्क एक कंप्यूटर के समान है, तो इसका मतलब है कि हमारे सामने आने वाली प्रत्येक स्थिति हमारे द्वारा चलाए जाने पर निर्भर करती है आंतरिक कंप्यूटर प्रोग्राम जो चरण दर चरण बताता है कि किसी ऑपरेशन को कैसे अंजाम देना है, यह पूरी तरह से पर आधारित है तर्क। बशर्ते कि यह मामला हो, प्रतीकात्मक ए.आई. शोधकर्ताओं का मानना ​​है कि वही नियम इसके बारे में हैं दुनिया के संगठन की खोज की जा सकती है और फिर उसे एक कंप्यूटर के लिए एल्गोरिदम के रूप में संहिताबद्ध किया जा सकता है बाहर ले जाने के लिए।

प्रतीकात्मक ए.आई. जिसके परिणामस्वरूप कुछ बहुत ही प्रभावशाली प्रदर्शन हुए। उदाहरण के लिए, 1964 में कंप्यूटर वैज्ञानिक बर्ट्राम राफेल ने एसआईआर नामक एक प्रणाली विकसित की, जिसका अर्थ है "सिमेंटिक सूचना पुनर्प्राप्ति।” एसआईआर एक कम्प्यूटेशनल तर्क प्रणाली थी जो वास्तविक बुद्धिमत्ता के समान वस्तुओं के बीच संबंधों को सीखने में सक्षम थी। उदाहरण के लिए, यदि आपको यह बताना हो कि, “जॉन एक लड़का है; एक लड़का एक व्यक्ति है; एक व्यक्ति के दो हाथ हैं; एक हाथ में पाँच उंगलियाँ होती हैं," तो महोदय इस प्रश्न का उत्तर देंगे कि "जॉन के पास कितनी उंगलियाँ हैं?" सही संख्या 10 के साथ.

प्रतीकात्मक ए.आई. पर आधारित कंप्यूटर सिस्टम 1980 के दशक में उनकी शक्तियाँ चरम पर थीं (और उनकी गिरावट भी)। यह तथाकथित "विशेषज्ञ प्रणाली" का दशक था जिसने वास्तविक दुनिया की समस्याओं को हल करने के लिए नियम-आधारित प्रणालियों का उपयोग करने का प्रयास किया, जैसे कार्बनिक रसायनज्ञों को अज्ञात कार्बनिक अणुओं की पहचान करने में मदद करना या एंटीबायोटिक दवाओं की सही खुराक की सिफारिश करने में डॉक्टरों की सहायता करना संक्रमण.

इन विशेषज्ञ प्रणालियों की अंतर्निहित अवधारणा ठोस थी। लेकिन उन्हें दिक्कतें थीं. सिस्टम महंगे थे, उन्हें निरंतर अद्यतन करने की आवश्यकता थी, और, सबसे बुरी बात यह थी कि अधिक नियम शामिल किए जाने पर वास्तव में कम सटीक हो सकते थे।

तंत्रिका नेटवर्क की दुनिया

न्यूरो-प्रतीकात्मक ए.आई. का "न्यूरो" भाग। का अर्थ है गहन शिक्षण तंत्रिका नेटवर्क. तंत्रिका जाल मस्तिष्क-प्रेरित प्रकार की गणना है जिसने कई ए.आई. को संचालित किया है। पिछले दशक में देखी गई सफलताएँ। ए.आई. जो कार चला सकता है? तंत्रिका जाल. ए.आई. जो पाठ का दर्जनों विभिन्न भाषाओं में अनुवाद कर सकता है? तंत्रिका जाल. ए.आई. जो आपके घर में मौजूद स्मार्ट स्पीकर को आपकी आवाज़ समझने में मदद करता है? तंत्रिका जाल धन्यवाद देने योग्य तकनीक है।

तंत्रिका नेटवर्क प्रतीकात्मक ए.आई. से अलग तरीके से काम करते हैं। क्योंकि वे नियम-आधारित के बजाय डेटा-चालित हैं। प्रतीकात्मक ए.आई. को कुछ समझाने के लिए सिस्टम का अर्थ है उसे सही पहचान बनाने में सक्षम होने के लिए आवश्यक हर जानकारी स्पष्ट रूप से प्रदान करना। एक सादृश्य के रूप में, अपनी माँ को बस स्टेशन से लेने के लिए किसी को भेजने की कल्पना करें, लेकिन नियमों का एक सेट प्रदान करके उसका वर्णन करना होगा जो आपके मित्र को उसे भीड़ से बाहर ले जाने देगा। ऐसा करने के लिए एक तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए, आप बस उसे संबंधित वस्तु की हजारों तस्वीरें दिखाते हैं। एक बार जब वह पर्याप्त रूप से स्मार्ट हो जाएगा, तो न केवल वह उस वस्तु को पहचानने में सक्षम हो जाएगा; यह अपनी स्वयं की समान वस्तुएं बना सकता है वास्तव में वास्तविक दुनिया में कभी अस्तित्व में नहीं था.

डेविड कॉक्स ने डिजिटल ट्रेंड्स को बताया, "निश्चित रूप से, गहन शिक्षा ने आश्चर्यजनक प्रगति को संभव बनाया है।" "उसी समय, दीवार में कुछ दरारें दिखाई देने लगी हैं।"

इन तथाकथित दरारों में से एक बिल्कुल उस चीज़ पर निर्भर करती है जिसने आज के तंत्रिका नेटवर्क को इतना शक्तिशाली बना दिया है: डेटा। एक इंसान की तरह, एक तंत्रिका नेटवर्क उदाहरणों के आधार पर सीखता है। लेकिन जबकि एक इंसान को किसी वस्तु को सही ढंग से याद रखने के लिए उसके केवल एक या दो प्रशिक्षण उदाहरण देखने की आवश्यकता हो सकती है, एक ए.आई. बहुत-बहुत की आवश्यकता होगी। सटीकता बड़ी मात्रा में एनोटेट किए गए डेटा पर निर्भर करती है जिसके साथ यह प्रत्येक नए कार्य को सीख सकता है।

जलती ट्रैफिक लाइटें

यह उन्हें सांख्यिकीय रूप से दुर्लभ "ब्लैक स्वान" समस्याओं में कम अच्छा बनाता है। एक ब्लैक स्वान इवेंट, जिसे लोकप्रिय बनाया गया नसीम निकोलस तालेब, एक कोना मामला है जो सांख्यिकीय रूप से दुर्लभ है। कॉक्स ने आगे कहा, "आज हमारे कई गहन शिक्षण समाधान - वे जितने अद्भुत हैं - 80-20 समाधानों की तरह हैं।" “उन्हें 80% मामले सही मिलेंगे, लेकिन अगर कोने के मामले मायने रखते हैं, तो वे नीचे गिर जाएंगे। यदि आप कोई ऐसी वस्तु देखते हैं जो आम तौर पर [एक निश्चित स्थान पर] नहीं होती है, या किसी ऐसी वस्तु को देखती है जो थोड़ा अजीब है, तो अद्भुत प्रणालियाँ भी ढह जाएंगी।

आईबीएम में शामिल होने से पहले, कॉक्स ने एक कंपनी की सह-स्थापना की, अवधारणात्मक ऑटोमेटा, जिसने सेल्फ-ड्राइविंग कारों के लिए सॉफ्टवेयर विकसित किया। टीम के पास एक स्लैक चैनल था जिसमें उन्होंने डेटा संग्रह के दौरान मिली मजेदार तस्वीरें पोस्ट कीं। उनमें से एक को, एक चौराहे पर ले जाया गया, जिसमें एक ट्रैफिक लाइट जलती हुई दिखाई दी। कॉक्स ने कहा, "यह उन मामलों में से एक है जिसे आपने अपने जीवनकाल में कभी नहीं देखा होगा।" “मुझे नहीं पता कि वेमो और टेस्ला के पास अपने द्वारा उपयोग किए जाने वाले डेटासेट में जलती हुई ट्रैफिक लाइट की छवियां हैं या नहीं उनके तंत्रिका नेटवर्क को प्रशिक्षित करें, लेकिन मैं शर्त लगाने को तैयार हूं... यदि उनके पास कोई है, तो उनके पास केवल बहुत कुछ होगा कुछ।"

कोने के मामले के लिए यह एक ऐसी बात है जो महत्वहीन है क्योंकि ऐसा बहुत कम होता है और जब ऐसा होता है तो इससे कोई खास फर्क नहीं पड़ता। किसी ख़राब रेस्तरां की अनुशंसा प्राप्त करना आदर्श नहीं हो सकता है, लेकिन संभवतः यह आपका दिन बर्बाद करने के लिए पर्याप्त नहीं होगा। जब तक सिस्टम द्वारा की गई पिछली 99 सिफ़ारिशें अच्छी हैं, निराशा का कोई वास्तविक कारण नहीं है। जलती ट्रैफिक लाइट या घोड़े से खींची जाने वाली गाड़ी के कारण किसी चौराहे पर सेल्फ-ड्राइविंग कार ठीक से प्रतिक्रिया न दे पाने से आपका दिन बर्बाद होने के अलावा और भी बहुत कुछ हो सकता है। ऐसा होने की संभावना नहीं है, लेकिन अगर ऐसा होता है तो हम जानना चाहते हैं कि सिस्टम को इससे निपटने में सक्षम होने के लिए डिज़ाइन किया गया है।

कॉक्स ने समझाया, "यदि आपके पास हमने जो पहले देखा है उससे परे तर्क करने और निष्कर्ष निकालने की क्षमता है, तो हम इन परिदृश्यों से निपट सकते हैं।" “हम जानते हैं कि मनुष्य ऐसा कर सकते हैं। अगर मैं ट्रैफिक लाइट को जलता हुआ देखूं, तो मैं बहुत सारा ज्ञान लेकर आ सकता हूं। उदाहरण के लिए, मैं जानता हूं कि रोशनी मुझे यह नहीं बताएगी कि मुझे रुकना चाहिए या जाना चाहिए। मैं जानता हूं कि मुझे सावधान रहने की जरूरत है क्योंकि [मेरे आसपास के ड्राइवर भ्रमित हो जाएंगे।] मैं जानता हूं कि दूसरी तरफ से आने वाले ड्राइवर अलग व्यवहार कर रहे होंगे क्योंकि उनकी लाइट काम कर रही होगी। मैं एक कार्ययोजना बना सकता हूं जो मुझे वहां ले जाएगी जहां मुझे जाना है। उस प्रकार की सुरक्षा-महत्वपूर्ण, मिशन-महत्वपूर्ण सेटिंग्स में, मुझे नहीं लगता कि गहन शिक्षा अभी तक हमारी पूरी तरह से अच्छी सेवा कर रही है। इसलिए हमें अतिरिक्त समाधानों की आवश्यकता है।"

पूरक विचार

न्यूरो-प्रतीकात्मक ए.आई. का विचार सीखने और तर्क दोनों को संयोजित करने के लिए इन दृष्टिकोणों को एक साथ लाना है। तंत्रिका नेटवर्क प्रतीकात्मक A.I बनाने में मदद करेंगे दुनिया को प्रतीकों में बांटकर सिस्टम को और अधिक स्मार्ट बनाया जा सकता है, बजाय इसके कि इसे करने के लिए मानव प्रोग्रामरों पर निर्भर रहें। इस बीच, प्रतीकात्मक ए.आई. एल्गोरिदम सामान्य ज्ञान तर्क और डोमेन ज्ञान को गहन शिक्षण में शामिल करने में मदद करेगा। परिणामों से ए.आई. में महत्वपूर्ण प्रगति हो सकती है। स्व-चालित कारों से लेकर प्राकृतिक भाषा प्रसंस्करण तक हर चीज़ से संबंधित जटिल कार्यों से निपटने वाली प्रणालियाँ। और यह सब करते हुए प्रशिक्षण के लिए बहुत कम डेटा की आवश्यकता होती है।

कॉक्स ने कहा, "तंत्रिका नेटवर्क और प्रतीकात्मक विचार वास्तव में आश्चर्यजनक रूप से एक-दूसरे के पूरक हैं।" “क्योंकि तंत्रिका नेटवर्क आपको वास्तविक दुनिया की गड़बड़ी से दुनिया के प्रतीकात्मक प्रतिनिधित्व तक पहुंचने, छवियों के भीतर सभी सहसंबंधों को ढूंढने के उत्तर देते हैं। एक बार जब आपको वह प्रतीकात्मक प्रतिनिधित्व मिल जाए, तो आप तर्क के संदर्भ में कुछ जादुई चीजें कर सकते हैं।

उदाहरण के लिए, जिस आकार के उदाहरण से मैंने यह लेख शुरू किया है, एक न्यूरो-प्रतीकात्मक प्रणाली वस्तुओं की पहचान करने के लिए एक तंत्रिका नेटवर्क की पैटर्न पहचान क्षमताओं का उपयोग करेगी। तब यह प्रतीकात्मक ए.आई. पर निर्भर होगा। नए रिश्तों को उजागर करने के लिए तर्क और अर्थ संबंधी तर्क लागू करना। ऐसी प्रणालियाँ हैं यह पहले ही प्रभावी ढंग से काम करने के लिए सिद्ध हो चुका है.

यह केवल कोने के मामले नहीं हैं जहां यह उपयोगी होगा। यह लगातार महत्वपूर्ण होता जा रहा है कि ए.आई. आवश्यकता पड़ने पर सिस्टम को समझाया जा सकता है। एक तंत्रिका नेटवर्क कुछ कार्यों को असाधारण रूप से अच्छी तरह से पूरा कर सकता है, लेकिन इसका अधिकांश आंतरिक तर्क "ब्लैक बॉक्स्ड" है, जो उन लोगों के लिए गूढ़ है जो यह जानना चाहते हैं कि इसने अपना निर्णय कैसे लिया। फिर, इससे कोई फर्क नहीं पड़ता अगर यह एक बॉट है जो Spotify पर गलत ट्रैक की सिफारिश करता है। लेकिन अगर आपको बैंक ऋण से वंचित कर दिया गया है, नौकरी आवेदन खारिज कर दिया गया है, या कोई व्यक्ति घायल हो गया है एक स्वायत्त कार से जुड़ी घटना के मामले में, आप बेहतर ढंग से यह समझाने में सक्षम होंगे कि कुछ सिफारिशें क्यों की गई हैं बनाया। यहीं पर न्यूरो-प्रतीकात्मक ए.आई. अंदर आ सकता है.

ए.आई. अनुसंधान: अगली पीढ़ी

कुछ दशक पहले, प्रतीकात्मक ए.आई. की दुनिया। और तंत्रिका नेटवर्क एक दूसरे के विपरीत थे। जिन प्रसिद्ध हस्तियों ने दृष्टिकोण का समर्थन किया, उन्होंने न केवल यह माना कि उनका दृष्टिकोण सही था; उनका मानना ​​था कि इसका मतलब यह है कि दूसरा दृष्टिकोण गलत था। ऐसा करना जरूरी नहीं कि वे गलत हों। समान समस्याओं को हल करने के लिए प्रतिस्पर्धा करते हुए, और सीमित फंडिंग के साथ, ए.आई. के दोनों स्कूल। बुनियादी तौर पर एक-दूसरे के विरोधी दिखे। आज, ऐसा लगता है कि विपरीत सच हो सकता है।

कॉक्स ने कहा, "युवा पीढ़ी को देखना वाकई आकर्षक है।" “[मेरी टीम के कई लोग] अपेक्षाकृत कनिष्ठ लोग हैं: ताज़ा, उत्साहित, हाल ही में अपनी पीएचडी से बाहर हुए हैं। उनके पास इसका कोई इतिहास नहीं है। वे बस परवाह नहीं करते हैं [दो दृष्टिकोणों को एक-दूसरे के खिलाफ खड़ा किए जाने के बारे में] - और परवाह न करना वास्तव में शक्तिशाली है क्योंकि यह आपको खोलता है और उन पूर्वाग्रहों से छुटकारा दिलाता है। वे चौराहों का पता लगाने में खुश हैं... वे बस ए.आई. के साथ कुछ अच्छा करना चाहते हैं।"

क्या सभी को योजना के अनुसार चलना चाहिए, परिणामों से हम सभी को लाभ होगा।

संपादकों की सिफ़ारिशें

• एनालॉग ए.आई.? यह पागलपन जैसा लगता है, लेकिन यह भविष्य हो सकता है
• ए.आई. का अत्यंत सुंदर 'सिंथेटिक शास्त्र' पढ़ें। वह सोचता है कि यह भगवान है
• एल्गोरिथम वास्तुकला: क्या हमें ए.आई. को अनुमति देनी चाहिए? हमारे लिए इमारतें डिज़ाइन करें?
• भाषा सुपरमॉडल: कैसे GPT-3 चुपचाप A.I. में प्रवेश कर रहा है क्रांति
• बाइट वाली महिलाएं: ए.आई. के साथ 'गंदी मानवीय समस्याओं' को हल करने की विविएन मिंग की योजना