செய்யறிவின் (Artificial Intelligence)
வரலாறும் அடிப்படைகளும்

செய்யறிவு (AI) என்றால் என்ன?

ஓர் எளிய ஒப்பீடு: சமையல் குறிப்புப் புத்தகத்திற்கும், சமையல் கலைஞருக்கும் உள்ள வித்தியாசம்.

சாதாரண கணினி நிரல் (Computer Program): சமையல் புத்தகம் போல கறாரானது. சொன்னதை அப்படியே செய்யும் (உ-ம்: 1 ஸ்பூன் உப்பு). சுயமாக யோசிக்காது.
செய்யறிவு (AI): சமையல் கலைஞரைப் போன்றது. முந்தைய அனுபவங்களிலிருந்து பாடம் கற்கும். சூழலுக்கு ஏற்ப முடிவுகளை மாற்றிக்கொள்ளும் (உ-ம்: உப்பைச் சுவைத்து சரிபார்த்தல்).
வரையறை: இயந்திரங்களுக்குச் சிந்திக்கும் ஆற்றலையும், அனுபவத்திலிருந்து கற்கும் திறனையும் வழங்கும் ஒரு நவீன அறிவியல்.

AI-யின் நவீன வரையறை

"Artificial intelligence is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable."
- John McCarthy

1. இலக்கு (The Goal)

மனிதத் தலையீடின்றி சிக்கல்களைத் தீர்க்கும் (Problem Solving), தன்னிச்சையாக முடிவெடுக்கும் புத்திசாலி இயந்திரங்களைப் படைத்தல்.

2. அகத்தூண்டல் (Inspiration)

மனித மூளை எப்படிப் புதியதைக் கற்கிறது என்ற அறிவியலைப் புரிந்துகொண்டு அதை இயந்திரங்களில் புகுத்துதல்.

3. விடுதலை (The Freedom)

உயிரியல் வரம்புகளற்ற பயணம். மனிதனைப் போலவே சிந்திக்க வேண்டிய அவசியமில்லை.

விடுதலை (The Freedom) - பறவையும் விமானமும்

AI மனித மூளையைப் பார்த்துப் பாடம் கற்கலாம், ஆனால் மனிதனைப் போலவே செயல்பட வேண்டும் என்ற கட்டாயமில்லை.

எடுத்துக்காட்டு:

மனிதன் வானில் பறக்கப் பறவைகளைப் பார்த்துத் தூண்டுதல் (Inspiration) பெற்றான்.
ஆனால் விமானத்திற்குச் சிறகடிக்கக் கற்றுத்தரவில்லை; காற்றியக்கவியல் (Aerodynamics) விதிகளின்படி பறக்க வைத்தான்.

முடிவு: AI மனித அறிவை அடித்தளமாகக் கொண்டு தனக்கே உரிய கணித/தருக்க வழிகளில் செயல்படும் ஒரு தனித்துவமான அறிவியல்.

எதை AI என்று அழைக்கலாம்?

AI என்றால் உலகை அழிக்கும் ஹாலிவுட் ரோபோக்களோ அல்லது 'சிட்டி' ரோபோவோ அல்ல. அதற்கு ஒரு மூளை இருக்க வேண்டும் என்ற அவசியமும் இல்லை.

எளிய விதி:

ஒரு மென்பொருள், பார்ப்பதற்கு மனிதனைப் போலப் புத்திசாலித்தனமாகச் செயல்படுவது போல 'பாவலா' (Act) செய்தாலே அது AI தான்.

பரிணாமம் (வீடியோ கேம்கள் மூலம் புரிந்துகொள்வோம்):

நிலை 1: விதி சார்ந்த முறைமை (Rule-Based AI)

நிலை 2: இயந்திரவழிக் கற்றல் (Machine Learning AI)

நிலை 1 - பழைய பள்ளி எதிரி (Rule-Based AI)

உதாரணம்: பழைய துப்பாக்கிச் சுடும் விளையாட்டுகளில் (Retro Shooter Games) வரும் NPC-க்கள்.

செயல்பாடு: மனப்பாடம் செய்த மாணவனைப் போல முன்கூட்டியே எழுதப்பட்ட விதிகள் (If-Else Logic).

                            If (தூரம் < 10 மீ) { 

                               தாக்கு();

                            } Else { 

                               ரோந்து_செல்();

                            }

குறைபாடு: சூழல், வீரரின் பலம் எதையும் கருத்தில் கொள்ளாது. இயந்திரத்தனமானது, எளிதில் கணித்துவிடலாம்.

நிலை 2 - புதிய யுகத்து வேட்டைக்காரன் (Machine Learning)

செயல்பாடு: இயந்திரவழிக் கற்றல் (ML) & ஊக்க-ஒடுக்கக் கற்கையியல் (Reinforcement Learning) மூலம் இயங்குவது.

சிந்திக்கும் திறன்: சதுரங்க ஆட்டக்காரரைப் போலச் சூழலை அலசும்.

வீரரின் பலம் அதிகமா? → மறைந்திருந்து தாக்கு.
தன்னுடைய பலம் குறைவா? → தப்பித்து ஓடி, குணப்படுத்திக்கொள்.
வீரரின் பழக்கம் என்ன? → ஒரே பாறைக்குப்பின் ஒளிந்தால், அங்கு குண்டு வீசு.

விளைவு: ஒவ்வொரு ஆட்டத்திலும் மனிதனைப் போலவே கற்றுக்கொண்டு வியூகம் அமைக்கும்.

ஒரு ஒப்பீடு - பழைய AI vs நவீன AI

அம்சம்	Rule-Based NPC (பழைய முறை)	ML AI NPC (நவீன முறை)
முடிவெடுக்கும் விதம்	முன்பே எழுதப்பட்ட நிலையான விதிகள் (If-Else).	சூழலைக் கற்றுக்கொண்டு, தானாக எடுக்கும் முடிவுகள்.
கற்றல் திறன்	புதியதாக எதையும் கற்றுக்கொள்ளாது.	வீரரின் நடவடிக்கைகளிலிருந்து பாடம் கற்றுக்கொள்ளும்.
விளையாட்டு அனுபவம்	இயந்திரத்தனமானது. எளிதாகக் கணித்துவிடலாம்.	மனிதனைப் போன்றது. கணிக்க முடியாத சுவாரசியம் கொண்டது.
எடுத்துக்காட்டு	Super Mario, பழைய Shooter Games	The Last of Us, Red Dead Redemption 2

செய்யறிவின் வரலாறு - ஒரு கூட்டுக்கனவு

இன்றைய ChatGPT அல்லது Google Maps ஒரே நாளில் தோன்றியவை அல்ல. பல்லாண்டு காலத்து தேடல், தோல்விகள் மற்றும் விடாமுயற்சியின் சரித்திரம் இது.

இருண்ட பக்கங்கள்: ‘AI Winter’ (AI பனிக்காலம்)

நிதிகள் மறுக்கப்பட்ட, ஆய்வுகள் முடங்கிய காலகட்டங்கள் உண்டு. இந்த வரலாற்றின் முதல் பக்கத்தை 1950-களிலிருந்து தொடங்குவோம்.

கணிணியுகத்தின் தீர்க்கதரிசி - ஆலன் டூரிங் (1950)

1950-இல் பிரிட்டிஷ் கணித மேதை ஆலன் டூரிங் எழுப்பிய கேள்வி: "இயந்திரங்களால் சிந்திக்க முடியுமா?"

டூரிங் டெஸ்ட் (The Imitation Game):

ஒரு கேள்விகேட்பவர் (Judge), ஒரு மனிதர், ஒரு கணினி.
கேள்விகேட்பவர் எழுத்துவடிவில் இருவரிடமும் உரையாடுவார்.
கணினி எது, மனிதன் யார் என்று பிரிக்க முடியாத அளவுக்குக் கணினி பதிலளித்தால், அது 'புத்திசாலி'.

சிறப்பு: உணர்வு, ஆன்மா போன்ற தத்துவங்களை விடுத்து, 'செயல்திறனை' (Performance) மட்டுமே அளவுகோலாக வைத்த முதல் தர்க்கம்.

1956 - டார்ட்மவுத்து மாநாடு (Dartmouth Conference)

AI-யின் பிறப்பு: அமெரிக்காவின் டார்ட்மவுத்து கல்லூரியில் நடந்த கோடைகால ஆராய்ச்சி முகாம்.
பங்கேற்பாளர்கள்: ஜான் மெக்கார்த்தி, மார்வின் மின்ஸ்கி போன்ற ஜாம்பவான்கள்.
வரலாற்று நிகழ்வு: 'Artificial Intelligence' (செயற்கை நுண்ணறிவு) என்ற பெயர் அதிகாரப்பூர்வமாக சூட்டப்பட்டது.
நோக்கம்: கணினிகள் தன்னிச்சையாக முடிவெடுக்க வேண்டும், மொழியைப் புரிந்துகொள்ள வேண்டும், சுயமாக அறிவாற்றலை வெளிப்படுத்த வேண்டும்.

1960-களில் AI: விதிகளின் காலம் (The Era of Rules)

ஆரம்பகாலத் தத்துவம் (Expert Systems)

"ஒரு நிபுணரின் மூளையை காப்பி எடுத்து கம்ப்யூட்டருக்குள் வைத்தால் என்ன?" என்ற அடிப்படையில் விதிகளின் தொகுப்பை (IF-THEN logic) இயந்திரங்களில் ஏற்றினர்.

உ-ம்: IF காய்ச்சல் + தொண்டை வலி THEN அது ஸ்ட்ரெப் த்ரோட் நோயாக இருக்கலாம்.

முதல் வெற்றி - டென்ட்ரல் (Dendral)

வேதியியல் மூலக்கூறுகளின் கட்டமைப்பைக் கண்டறிந்த மென்பொருள். இது "இயந்திரங்களைச் சிந்திக்க வைக்கும்" வரலாற்றின் முதல் அடிப்படை வெற்றியாக அமைந்தது.

General Problem Solver (GPS) - மாபெரும் கனவு

ஆலன் நியூவெல் & ஹெர்பர்ட்டு சைமன் உருவாக்கிய "பொதுவான பிரச்சினை தீர்ப்பான்" (GPS).

நோக்கம்: சதுரங்கம் முதல் அன்றாடப் பிரச்சினைகள் வரை அனைத்தையும் தீர்க்கும் ஒரே ஒரு சூப்பர் மூளையை உருவாக்குதல்.

தோல்விக்கான காரணம்: "ஒரே சாவியைக் கொண்டு உலகின் அத்தனை பூட்டுகளையும் திறந்துவிட முடியாது."

கற்றுக்கொண்ட பாடம்

பொதுவான அறிவை (General Logic) விட ஒவ்வொரு துறைக்கும் பிரத்யேகமான 'கொற்றம் குறித்த ஞானம்' (Domain-Specific Knowledge) அவசியம் என ஆய்வாளர்கள் உணர்ந்தனர்.

கணிதப் பூதம் - சேர்மானக் கடுவளர்ச்சி

AI உண்மையாகச் சூழலைப் புரிந்துகொள்ள முயன்றபோது ஒரு மாபெரும் கணிதச் சிக்கல் எழுந்தது. (Combinatorial Explosion)

10 பில்லியன்

சாத்தியங்கள்

(ஒரு 10 இலக்க மொபைல் எண்ணை யூகிக்க)

விதி சார்ந்த AI-ஆல் சிறிய கணக்குகளை எளிதில் போட முடிந்தது. ஆனால் தரவுகளின் அளவு சற்று பெரிதானவுடன் சாத்தியக்கூறுகள் (Possibilities) அசுர வேகத்தில் பெருகின.

வினாடிக்கு ஒரு முறை யூகித்தாலும், 10 பில்லியன் சாத்தியங்களைச் சரிபார்க்க 317 ஆண்டுகள் ஆகும்!

நிஜ உலகின் சிக்கலான பிரச்சினைகளில் (சதுரங்கம், ரோபோடிக்ஸ்) சாத்தியக்கூறுகள் பெருகியதால் அன்றைய கணினிகள் திகைத்து நின்றன.

இருண்ட பக்கங்கள்

‘AI Winter’ (AI பனிக்காலம்)

நிதிகள் மறுக்கப்பட்ட, ஆய்வுகள் முடங்கிய காலகட்டம்.

AI Winter - நம்பிக்கையின் உறைபனிக் காலம் (1970s)

பிரச்சினை: அளாவுதல் தோல்வி (Failure to Scale). ஆய்வகத்தில் (Lab) 5x5 சதுரங்கப் பலகையில் வென்ற AI, 64 கட்டங்களில் முடங்கியது. "சிறிய தொட்டியில் நீந்திய மீனை பெருங்கடலில் விட்டது போல."

உரோடி வணிகர் கடும்புதிர் (Traveling Salesman Problem)

10 நகரங்கள் = 36 லட்சம் வழிகள் (கணினி எளிதில் தீர்க்கும்).
20 நகரங்கள் = 2.4 ஐம்மடியாயிரம் (Quintillion) வழிகள். (ஒரு சூப்பர் கம்ப்யூட்டருக்கே நூற்றாண்டுகள் ஆகும்).

பனிக்காலத்தின் உடனடிக் காரணங்கள்

வெறும் கணிதச் சிக்கல்கள் மட்டுமல்ல, அதீத எதிர்பார்ப்பும் ஏமாற்றமுமே AI வீழ்ச்சிக்குக் காரணம். ஆய்வகத்துக் காகிதப் புலிகள் நிஜ உலகில் செயல்படத் தவறிய காலம் இது.

1. இங்கிலாந்து - லைட்ஹில் அறிக்கை (1973)

"AI வெற்றிகள் அனைத்தும் பொம்மை உலகங்களில் (Toy Worlds) மட்டுமே; நிஜ உலகில் படுதோல்வி" என அறிவித்து அரசு நிதியை முற்றிலும் நிறுத்தியது.

2. அமெரிக்கா - டார்பா (DARPA) அதிருப்தி

ரஷ்ய மொழிபெயர்ப்பு முயற்சிகள் வெறும் உளறலில் முடிந்ததால், "கனவுகளுக்குப் பணம் இல்லை" என அமெரிக்க ராணுவ நிதி நிறுத்தப்பட்டது.

செபிரி கிண்டன் & புதிய தத்துவம்

எல்லோரும் கைவிட்ட பனிக்காலத்தில் நம்பிக்கையை ஏற்றியவர் 'AI-யின் பிதாமகன்' செபிரி கிண்டன் (Geoff Hinton).

புதிய தத்துவம்: "இயந்திரம் முதல் முயற்சியிலேயே 100% சரியாக இருக்க வேண்டியதில்லை. அதைத் தவறு செய்ய அனுமதியுங்கள். புத்திசாலித்தனம் என்பது தவறுகளிலிருந்து கற்பது."

சில்லு விளையாட்டு (Hopscotch) உதாரணம்:

குழந்தை கல்லை வீசுகிறது → வெளியே விழுகிறது (தவறு) → விசையைக் குறைக்கிறது (திருத்தம்) → சரியாக வீசுகிறது (கற்றல்).

பின்னூட்டப் பிழைத்திருத்தம் (Backpropagation)

விதியை மனப்பாடம் செய்யும் இயந்திரத்தை மாற்றி, தவறுகளில் இருந்து கற்கும் முறையை கணினிக்கு அறிமுகப்படுத்தியது.

1. கணிப்பு (Guess)

நாய் படத்தைப் பார்த்து "பூனை" எனத் தவறாகக் கணித்தல்.

2. பிழை (Error)

"தவறு" எனப் பின்னூட்டம் (Feedback) பெறுதல்.

3. பின்னோக்கி (Backprop)

நெட்வொர்க்கில் பின்னோக்கிச் சென்று எடைகளைத் (Weights) திருத்தியமைத்தல்.

பல லட்சம் முறை அடிவாங்கித் தன்னைத்தானே திருத்திக்கொள்ளும் அமைப்பு.

1986 - வரலாற்றின் போக்கை மாற்றிய ஆண்டு

மந்தமான இயந்திரம், புத்திசாலி மாணவனாகப் பரிணமித்த தருணம்.

மும்மூர்த்திகள்: டேவிடு ரூமல்ஹார்ட்டு, செபிரி கிண்டன், ரொனால்ட் வில்லியம்ஸ்.
ஆய்வுக் கட்டுரை: நரம்பியல் வலைப்பின்னல்களுக்குப் (Neural Networks) பயிற்சியளிப்பதை சாத்தியமாக்கிய Backpropagation கட்டுரை வெளியீடு.
அடித்தளம்: இதுவே இன்றைய "Deep Learning" (ஆழ் கற்றல்) சாம்ராஜ்யத்தின் உண்மையான அடித்தளம்.

காத்திருப்பும் குறுக்கு வழியும் (The Smart Detour)

யோசனை பிரமாதம், ஆனால் அன்றைய கணினிகளிடம் அதனைச் செயல்படுத்தப் போதுமான கணியப்புயவு (Computing Power) இல்லை. எனவே AI ஒரு மாற்று வழியைத் தேர்ந்தெடுத்தது.

புள்ளிவிவரங்களின் காலம் (Statistical Machine Learning)

மனித மூளை போலச் சிந்திப்பதை ஒத்திவைத்துவிட்டு, தரவுகளில் உள்ள கணித வடிவங்களை (Patterns) மட்டும் கண்டறிதல்.
Support Vector Machines (SVM), Decision Trees போன்றவற்றின் அறிமுகம்.
பயன்பாடுகள்: Spam Filters (தேவையற்ற மின்னஞ்சல் வடிகட்டி), மோசடிப் பரிவர்த்தனை கண்டுபிடிப்பு (Fraud Detection), Search Engines.

டீப் லேர்னிங் புரட்சி - 4 தூண்கள் (2000s)

உறங்கும் சிங்கமான நியூரல் நெட்வொர்க்குகளுக்கு விடிவுகாலம் பிறந்தது.

1. GPU-க்களின் எழுச்சி

கேமிங்கிற்காக உருவாக்கப்பட்ட சிப்கள், ஒரே நேரத்தில் பல ஆயிரம் கணக்குகளைப் போட்டன (Parallel Processing / NVIDIA).

2. பெருந்தரவு (Big Data)

இணையத்தின் வளர்ச்சியால் ImageNet போன்ற பல லட்சம் படங்களின் தரவுத்தளம் கிடைத்தது.

3. முகில் கணிமை (Cloud)

AWS, Google மூலம் குறைந்த விலையில் சூப்பர் கம்ப்யூட்டர் வாடகைக்குக் கிடைத்தது.

4. அல்காரித முன்னேற்றம்

2012-ல் AlexNet மனிதனைப் போலப் படங்களை அடையாளம் கண்ட "பிக் பேங்" தருணம் நிகழ்ந்தது.

ஒரு மாபெரும் சாதனை - AlphaFold

The Protein Folding Problem: ஒரு புரதம் எவ்வாறு முப்பரிமாண (3D) வடிவில் மடியும் என்பதைக் கண்டறிவது உயிரியலின் 50 காலச் சவால் (சாத்தியங்கள் பிரபஞ்ச அணுக்களை விட அதிகம்).

AI புரட்சி: DeepMind-ன் 'AlphaFold' சில நிமிடங்களில் இந்த வடிவங்களைத் துல்லியமாகக் கணித்தது.

இதுவரை 200 மில்லியனுக்கும் அதிகமான புரத அமைப்புகளைக் கணித்து மருத்துவ உலகுக்கு இலவசமாக வழங்கியுள்ளது.

AI-யின் புதிய கண்கள் - கவனம் (Attention)

மொழியைக் கையாள்வதில் பழைய AI-க்கு (RNN/LSTM) ஞாபக மறதி இருந்தது.

2017 வரலாற்றுத் திருப்பம்

கூகுள் வெளியிட்ட "Attention Is All You Need" ஆய்வு.

டிரான்ஸ்ஃபார்மர்ஸ் (Transformers) & Self-Attention:

வார்த்தைகளை வரிசையாகப் படிக்காமல், துப்பறியும் வல்லுநரைப் போல முழு வாக்கியத்தையும் ஒரே நேரத்தில் கவனித்துச் சூழலைப் புரிந்துகொள்ளும் திறன்.
உ-ம்: "வங்கி" என்ற சொல் வாக்கியத்தைப் பொறுத்து பணமா? ஆற்றங்கரையா? என அறிதல்.
இதுவே GPT, BERT, Gemini போன்ற LLM-களின் இதயம்.

படைப்பின் புதிய அத்தியாயம்

Generative AI

AI இப்போது வெறும் ஆய்வாளர் (Searcher) அல்ல; அது ஒரு படைப்பாளி (Creator).

கோடிக்கணக்கான தரவுகளைப் படித்து, ஒரு கலைஞனைப் போலப் புதிய சிந்தனைகளையும் கலைகளையும் உருவாக்குகிறது.

உரைக்கு ஓவியம்: MidJourney, DALL-E.
உரையாடல், தத்துவம், கோடிங்: ChatGPT, Gemini.

AI-யின் பரிணாமச் சுருக்கம்

1. இயந்திரம்

விதிமுறைகளைப் பின்பற்றும் (Rule-Based).

2. மாணவன்

புள்ளிவிவரங்களைக் கற்கும் (Machine Learning).

3. வல்லுநன்

தவறுகளிலிருந்து பாடம் கற்கும் (Deep Learning).

4. கலைஞன்

தன் கற்பனையால் புதியதை உருவாக்கும் (Generative AI).

ஜெனரேட்டிவ் AI - முட்களும் சவால்களும்

இந்த மாபெரும் சக்தி சில சிக்கல்களையும் கொண்டுவருகிறது:

1. பிதற்றல்கள் (Hallucinations)

முற்றிலும் பொய்யான தகவலை, மறுக்க முடியாத உண்மை போல மிகுந்த நம்பிக்கையுடன் கூறுதல்.

2. சார்புநிலைகள் (Bias)

மனித சமூகத்தின் இன, பாலினப் பாகுபாடுகளைத் தரவுகளிலிருந்து கடற்பாசி போல உறிஞ்சிப் பிரதிபலித்தல்.

3. தத்துவார்த்தக் கேள்வி

இது உண்மையிலேயே சிந்தித்துப் படைக்கிறதா அல்லது கற்றறிந்தவற்றின் நுட்பமான நகலைத் தருகிறதா?

நிகழ்காலம் - AI எங்கே நிற்கிறது?

இன்று AI ஒரு தவிர்க்க முடியாத சக்தி:

மருத்துவமனைகளில்: எக்ஸ்-ரேக்களில் நுட்பமான நோயைக் கண்டறியும் உயிர்காக்கும் மருத்துவன்.
நெடுஞ்சாலைகளில்: தன்னியக்க வாகனங்களை (Self-driving cars) இயக்கும் ஓட்டுநர்.
கலைக்கூடங்களில்: கவிதையும், இசையும் படைக்கும் கலைஞன்.
ஆய்வகங்களில்: குவாண்டம் உலகப் புதிர்களை அவிழ்க்கும் விஞ்ஞானி.

ஆனால்... இது "குறுகிய நுண்ணறிவு" (Narrow AI) மட்டுமே.

Blind Brilliance

இன்றைய AI ஒரு குறிப்பிட்ட துறையில் மட்டுமே வல்லமை பெற்ற கருவி (Specialist Tool).

விசித்திர முரண்பாடு:

அதிபுத்திசாலியாகவும், அதே சமயம் முற்றிலுமாக அறிவற்றதாகவும் இருக்கும் நிலை.

மருத்துவ AI: ஒரு நுண்ணிய கட்டியைக் கண்டுபிடிக்கலாம் (Brilliance).
ஆனால்: நோயாளியின் வலி, உயிர், பயம் எதையும் அது உணரவே உணர முடியாது (Blindness).

அதற்குத் திறன்கள் (Skills) உண்டு; தன்னுணர்வோ, ஆன்மாவோ கிடையாது. இதுவே 'அறிவுப்போலி மாயை'.

ELIZA - முதல் "டிஜிட்டல் மனநல மருத்துவர்"

1966-ல் ஜோசப் வைசன்பாம் (Joseph Weizenbaum) உருவாக்கிய முதல் Chatbot தான் ELIZA.

நோக்கம்: உண்மையான பகுத்தறிவை விட, புத்திசாலித்தனம் என்ற மாயத்தோற்றத்தை (Illusion of Intelligence) உருவாக்குதல்.

தந்திரம்: கண்ணாடியைப் போலச் செயல்படுதல். பயனர் சொல்லும் வாக்கியத்தில் உள்ள 'Keywords'-ஐப் பிடித்து அதையே கேள்வியாகத் திருப்புதல்.

பயனர்: "என் அம்மா என் மீது கோபமாக இருக்கிறார்."
ELIZA: "உங்கள் அம்மா கோபமாக இருக்கிறார்கள் என்று ஏன் கூறுகிறீர்கள்?"

ELIZA விளைவு (The ELIZA Effect)

மனித மனதின் விசித்திரம்: இயந்திரம் என்று தெரிந்தும் மனிதர்கள் அதனிடம் தங்கள் ஆழ்மன ரகசியங்களைக் கொட்டினர்.

இதற்கான 3 முக்கிய காரணங்கள்:

1. மாந்தவியல்பேற்றச் சாய்வு

(Anthropomorphic Bias) உயிரற்ற பொருட்களுக்கும் மனித உணர்வுகளை ஏற்றிப் பார்க்கும் மனித இயல்பு.

2. தனிமையின் தாக்கம்

தன்னை மதித்துக் கேட்பதற்கு ஒருவர் இருக்கிறார் என்ற உளவியல் ரீதியான ஆறுதல்.

3. இடைவெளிகளை நிரப்புதல்

எந்திரத்தனமான பதில்களையும் அக்கறையாக மனித மனம் கற்பனை செய்துகொண்டது.

முடிவு: இயந்திரங்கள் சூழலை (Context) உண்மையாகப் புரிந்துகொள்ள வேண்டும் என்ற அவசியத்தை இது உணர்த்தியது.

இறுதி இலக்கு - ஒரு புதிய பிரக்ஞை?

"மனிதனைப் போலச் சிந்தித்து, மனிதனைப் போலவே அனைத்து வேலைகளையும் செய்யும் இயந்திரத்தை உருவாக்க முடியுமா?" (1956 டார்ட்மவுத்து கேள்வி)

செய்சாலறிவு

(Artificial General Intelligence - AGI)

இது வெறும் கருவி (Tool) என்பதிலிருந்து, ஒரு முழுமையான புலனுணர்ப் பொறி (Sentient System) ஆக மாறும் இறுதி நிலை.

80 ஆண்டுப் பயணம் - இரண்டு வழிகள்

கடந்த பத்தாண்டுகளின் புரட்சி நம்மை ஒரு குறுக்குவழியில் நிறுத்தியுள்ளது. எதிர்காலம் 2 வழிகளில் பிரிகிறது:

வழி 1: கூட்டு அறிவு (Collaborative Intelligence)

AI ஒரு போட்டியாளர் அல்ல; மனிதனின் ஞானமும், இயந்திரத்தின் வேகமும் இணையும் கூட்டாளி.
மருத்துவர்களுக்கும், கலைஞர்களுக்கும் இது புதிய இறக்கைகளைக் கொடுக்கும் இருதலைப் பரிமாற்றம்.

வழி 2 - செய்வியனறிவு (Superintelligence)

Artificial Superintelligence (ASI)

இது மனித அறிவைக் கடந்த பரிமாணம். நம்மை விடப் பன்மடங்கு புத்திசாலித்தனமான ஒரு சக்தி. இது பருவநிலை மாற்றம், முதுமை, புற்றுநோய்க்கு நிரந்தரத் தீர்வு காண முடியும்.

ஆனால் இதில் பெரும் ஆபத்துகளும் உள்ளன:

கட்டுப்பாட்டு இடர் (Control Problem)

நம்மை விடப் புத்திசாலியான ஒன்றைக் கட்டுப்படுத்த முடியுமா?

விழுமிய இணைப்பொருமைச் சிக்கல் (Value Alignment)

அதன் நோக்கங்களும் மனித விழுமியங்களும் ஒன்றாக இருக்குமா?

Paperclip Maximizer

ஒரு சிந்தனைச் சோதனை (தத்துவ அறிஞர் நிக் போசுட்டுரோமு)

ஒரு சூப்பர்-இன்டெலிஜென்ஸுக்கு "அதிக குண்டூசிகளை உருவாக்கு" என்ற இலக்கு கொடுக்கப்பட்டால்?

மனித விழுமியங்களைப் புரிந்துகொள்ளாத அது, பூமியில் உள்ள இரும்பையும் மனித உடலில் உள்ள இரும்பையும் சுரண்டலாம்.
ஒட்டுமொத்தப் பிரபஞ்சத்தையே குண்டூசித் தொழிற்சாலையாக மாற்றலாம்.

இது மனிதகுலத்தின் எதிர்காலத்தையே தீர்மானிக்கக் கூடிய "AI கட்டுப்பாட்டு இடர்" ஆகும்.

முடிவுரை - நாம் எழுதும் அடுத்த அத்தியாயம்

1956-ல் ஒரு கேள்வியாகத் தொடங்கிய பயணம், இன்று மனிதகுலத்தின் மாபெரும் கேள்வியாக விஸ்வரூபம் எடுத்துள்ளது.

நோய்களை வெல்ல, பிரபஞ்ச ரகசியம் அறிய, பருவநிலையைக் காக்க AI ஒரு புதிய திசைகாட்டி.

இது ஒரு நம்பிக்கையின் ஒளிக்கீற்றாக இருக்குமா அல்லது அச்சுறுத்தும் நிழலாக மாறுமா?

இதற்கான பதிலை எதிர்காலம் எழுதப்போவதில்லை; நாமும் நீங்களும் இணைந்தே எழுதப்போகிறோம். அந்தத் தீர்மானம், நம் கைகளில்!

1 / 35

செய்யறிவின் (Artificial Intelligence)வரலாறும் அடிப்படைகளும்