കേംബ്രിഡ്ജ് സർവകലാശാലയിലെ ശാസ്ത്രജ്ഞർ മനുഷ്യന്റെയും മറ്റ് മൃഗങ്ങളുടെയും മസ്തിഷ്കം ശാരീരികവും ജൈവശാസ്ത്രപരവുമായ ഘടനകളുമായി എങ്ങനെ വികസിപ്പിക്കുകയും പ്രവർത്തിക്കുകയും ചെയ്യണമെന്നതിന് സമാനമായ ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റത്തിന് ശാരീരിക നിയന്ത്രണങ്ങൾ ഏർപ്പെടുത്തി. ജോലികൾ പരിഹരിക്കുന്നതിന് സങ്കീർണ്ണമായ ജീവികളുടെ തലച്ചോറിന്റെ ചില സവിശേഷതകൾ സിസ്റ്റം വികസിപ്പിച്ചു.

നേച്ചർ മെഷീൻ ഇന്റലിജൻസ് ജേണലിൽ ഇന്ന് പ്രസിദ്ധീകരിച്ച ഒരു പഠനത്തിൽ, കേംബ്രിഡ്ജ് സർവകലാശാലയിലെ മെഡിക്കൽ റിസർച്ച് കൗൺസിൽ കോഗ്നിഷൻ ആൻഡ് ബ്രെയിൻ സയൻസസ് യൂണിറ്റിലെ (എംആർസി സിബിഎസ്യു) ജാഷ അക്ടർബർഗും ഡാനിയാൽ അക്കാർക്കയും അവരുടെ സഹപ്രവർത്തകരുമായി ചേർന്ന് തലച്ചോറിന്റെ ലളിതമായ പതിപ്പ് വികസിപ്പിക്കുകയും സിസ്റ്റം ജോലികൾ നൽകുന്നതിന് മുമ്പ് ചില ശാരീരിക പരിമിതികൾ പ്രയോഗിക്കുകയും ചെയ്തു. കൂടുതൽ കാര്യക്ഷമമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ വികസിപ്പിക്കാനും മനുഷ്യ മസ്തിഷ്കത്തെ നന്നായി മനസ്സിലാക്കാനും ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കാം.

തലച്ചോറിന്റെ അതേ പരിമിതികളുള്ള ഒരു സിസ്റ്റം വികസിപ്പിക്കുക

യഥാർത്ഥ ന്യൂറോണുകളോ മസ്തിഷ്ക കോശങ്ങളോ ഉപയോഗിക്കുന്നതിനുപകരം, അവർ കമ്പ്യൂട്ടേഷണൽ നോഡുകൾ ഉപയോഗിച്ചു. കാരണം ന്യൂറോണുകൾക്കും നോഡുകൾക്കും സമാനമായ പ്രവർത്തനങ്ങൾ ഉണ്ട്. അവർ രണ്ടുപേരും ഒരു ഇൻപുട്ട് എടുക്കുകയും രൂപാന്തരപ്പെടുത്തുകയും ഉത്പാദിപ്പിക്കുകയും ഔട്ട്പുട്ട് ചെയ്യുകയും ചെയ്യുന്നു. കൂടാതെ, ഒരൊറ്റ നോഡ് അല്ലെങ്കിൽ ന്യൂറോൺ ഒന്നിലധികം ആളുകളുമായി ബന്ധിപ്പിച്ചേക്കാം, അവയെല്ലാം വിവരങ്ങൾ ഔട്ട്പുട്ട് ചെയ്യുകയും ഇൻപുട്ട് ചെയ്യുകയും ചെയ്യുന്നു.

അവരുടെ കമ്പ്യൂട്ടേഷണൽ നോഡുകളുടെ സിസ്റ്റത്തിൽ അവർ ഏർപ്പെടുത്തിയ ശാരീരിക പരിമിതി തലച്ചോറിലെ ന്യൂറോണുകൾ അനുഭവിക്കുന്ന ഒരു പരിമിതിക്ക് സമാനമായിരുന്നു – ഓരോ നോഡിനും ഒരു വെർച്വൽ സ്ഥലത്ത് ഒരു നിർദ്ദിഷ്ട സ്ഥാനം നൽകി, മറ്റൊന്നിൽ നിന്ന് കൂടുതൽ അകലെയായിരിക്കുമ്പോൾ, ഇരുവർക്കും ആശയവിനിമയം നടത്താൻ കൂടുതൽ ബുദ്ധിമുട്ടായിരുന്നു.

ഈ നിയന്ത്രണം ഏർപ്പെടുത്തിയ ശേഷം, അവർ സിസ്റ്റത്തിന് പൂർത്തിയാക്കാൻ ഒരു ചുമതല നൽകി. എലികൾ, കുരങ്ങുകൾ തുടങ്ങിയ മൃഗങ്ങൾക്ക് അവരുടെ തലച്ചോറ് പഠിക്കുമ്പോൾ സാധാരണയായി നൽകുന്ന ഒരു വിസ്മയ നാവിഗേഷൻ ടാസ്ക്കിന്റെ ലളിതമായ പതിപ്പായിരുന്നു ഈ കേസിലെ ദൗത്യം. അടിസ്ഥാനപരമായി, വിസ്മയത്തിന്റെ അവസാന പോയിന്റിലെത്താനുള്ള ഏറ്റവും ചെറിയ റൂട്ട് തീരുമാനിക്കാൻ ഇതിന് ഒന്നിലധികം വിവരങ്ങൾ നൽകി.

ടാസ്ക് എങ്ങനെ പൂർത്തിയാക്കണമെന്ന് സിസ്റ്റത്തിന് തുടക്കത്തിൽ അറിയില്ലായിരുന്നു, മാത്രമല്ല തെറ്റുകൾ വരുത്തുകയും ചെയ്തു. ടാസ്ക്കിൽ മെച്ചപ്പെടാൻ ക്രമേണ പഠിക്കുന്നതുവരെ ഗവേഷകർ ഫീഡ്ബാക്ക് നൽകിക്കൊണ്ടിരുന്നു. അത് എങ്ങനെ ശരിയായി നിർവഹിക്കാമെന്ന് പഠിക്കുന്നതുവരെ സിസ്റ്റം വീണ്ടും വീണ്ടും ജോലി ആവർത്തിച്ചു.

ഞങ്ങൾ നേരത്തെ സൂചിപ്പിച്ചതുപോലെ, സിസ്റ്റത്തിന് ഏർപ്പെടുത്തിയിരിക്കുന്ന പരിമിതി അർത്ഥമാക്കുന്നത് രണ്ട് നോഡുകൾ വെർച്വൽ സ്പേസിൽ കൂടുതൽ അകലെ ആയിരിക്കുമ്പോൾ, ഫീഡ്ബാക്കിന് മറുപടിയായി രണ്ട് നോഡുകൾ തമ്മിൽ ഒരു ബന്ധം കെട്ടിപ്പടുക്കുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടായിരുന്നു. തലച്ചോറിലെ ഒരു വലിയ ശാരീരിക അകലത്തിലുടനീളം കണക്ഷനുകൾ രൂപപ്പെടുത്തുന്നതിനും പരിപാലിക്കുന്നതിനും കൂടുതൽ ചെലവേറിയതുപോലെയാണിത്.

മനുഷ്യ മസ്തിഷ്കത്തിന്റെ അതേ തന്ത്രങ്ങൾ

ആ പരിമിതികളോടെ സിസ്റ്റം ഈ ജോലികൾ നിർവഹിച്ചപ്പോൾ, അതേ ജോലികൾ പരിഹരിക്കാൻ യഥാർത്ഥ മനുഷ്യ മസ്തിഷ്കം ഉപയോഗിച്ച അതേ “തന്ത്രങ്ങൾ” ഉപയോഗിച്ചു. നെറ്റ് വർക്കിലുടനീളം വിവരങ്ങൾ കൈമാറുന്നതിനുള്ള ജംഗ്ഷനുകളായി പ്രവർത്തിക്കുന്ന ഉയർന്ന കണക്റ്റുചെയ് ത നോട്ടുകളുടെ ഹബ്ബുകൾ വികസിപ്പിച്ചുകൊണ്ട് പരിമിതികളെ മറികടക്കാൻ ഇത് എങ്ങനെ ശ്രമിച്ചു എന്നതാണ് ഒരു ഉദാഹരണം.

എന്നാൽ ഗവേഷകരെ കൂടുതൽ അത്ഭുതപ്പെടുത്തിയത് വ്യക്തിഗത നോഡുകളുടെ പെരുമാറ്റം സ്വയം മാറാൻ തുടങ്ങി എന്നതാണ്. ഓരോ നോഡും ഒരു ഗോൾ ലൊക്കേഷൻ അല്ലെങ്കിൽ അടുത്ത തിരഞ്ഞെടുപ്പ് പോലുള്ള മാസ് ടാസ്ക്കിന്റെ ഒരു പ്രത്യേക സവിശേഷത പരിഹരിക്കുന്ന ഒരു സംവിധാനം ഉണ്ടായിരിക്കുന്നതിനുപകരം, നോഡുകൾ ഒരു “ഫ്ലെക്സിബിൾ കോഡിംഗ് സ്കീം” വികസിപ്പിച്ചു.

ഇതിനർത്ഥം വ്യത്യസ്ത നിമിഷങ്ങളിൽ, നോഡുകൾ വിസ്മയത്തിന്റെ ഗുണങ്ങളുടെ മിശ്രിതത്തിനായി “വെടിയുതിർക്കുന്നു” എന്നാണ്. ഉദാഹരണത്തിന്, പ്രത്യേക ലൊക്കേഷനുകൾ എൻകോഡ് ചെയ്യുന്നതിന് പ്രത്യേക നോഡുകൾ ആവശ്യമുള്ളതിനുപകരം ഒരേ നോഡ് മേസിന്റെ വ്യത്യസ്ത ലൊക്കേഷനുകൾ എൻകോഡ് ചെയ്തേക്കാം. സങ്കീർണ്ണമായ മൃഗങ്ങളുടെ തലച്ചോറിലും ഇത് നിരീക്ഷിക്കപ്പെടുന്നു.

ഈ ഒരു ലളിതമായ പരിമിതി – കൂടുതൽ അകലം പാലിക്കുന്ന നോഡുകൾ വയർ ചെയ്യുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു – സങ്കീർണ്ണമായ സ്വഭാവസവിശേഷതകൾ ഏറ്റെടുക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റത്തെ നിർബന്ധിതരാക്കി എന്നത് തികച്ചും കൗതുകകരമാണ്. ഈ സവിശേഷതകൾ മനുഷ്യ മസ്തിഷ്കം പോലുള്ള ജൈവവ്യവസ്ഥകൾ പങ്കിടുന്നു.

കൂടുതൽ കാര്യക്ഷമമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു

കൂടുതൽ കാര്യക്ഷമമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളുടെ വികസനം അനുവദിക്കാനുള്ള കഴിവ് ഇതിനുണ്ട് എന്നതാണ് ഈ ഗവേഷണത്തിന്റെ ഒരു പ്രധാന പ്രത്യാഘാതം. ഓപ്പൺഎഐ ഉപയോഗിക്കുന്ന ജനറേറ്റീവ് പ്രീ-ട്രെയിനഡ് ട്രാൻസ്ഫോർമർ (ജിപിടി) സാങ്കേതികവിദ്യ പോലുള്ള പല ജനപ്രിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങളും കമ്പ്യൂട്ടിംഗ് പവർ (ജിപിയു), വൈദ്യുതി തുടങ്ങിയ ധാരാളം വിഭവങ്ങൾ ഉപയോഗിക്കുന്നു.

“ഞങ്ങളുടെ ഉൾക്കാഴ്ചകൾ ഉപയോഗിച്ച് അവയുടെ കഴിവുകൾ സംരക്ഷിക്കുമ്പോൾ അവയുടെ ആന്തരിക ഘടനയിൽ ലളിതമാക്കിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ സൃഷ്ടിക്കുന്നതിൽ ഞങ്ങൾ വളരെയധികം സാധ്യതകൾ കാണുന്നു, അതിനാൽ അവ കമ്പ്യൂട്ടർ ചിപ്പുകളിൽ കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്നു. വലിയ തോതിലുള്ള കംപ്യൂട്ട് ക്ലസ്റ്ററുകളിൽ ഒന്നിലധികം ചിപ്പുകളിലുടനീളം വലിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ മികച്ച രീതിയിൽ വിതരണം ചെയ്യാൻ ഞങ്ങളുടെ ഫലങ്ങൾ സഹായിക്കുമെന്ന് ഞങ്ങൾ കരുതുന്നു, “ആക്റ്റർബർഗ് ഒരു ഇമെയിൽ അഭിമുഖത്തിൽ indianexpress.com പറഞ്ഞു.

“സ്പേഷ്യലി എംബഡഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റത്തിന്റെ” നിലവിലെ നടപ്പാക്കൽ അതിന്റെ ഫലങ്ങൾ പഠിക്കുന്നതിന് വളരെ ചെറുതും ലളിതവുമായ ഒരു മോഡൽ ഉപയോഗിച്ചാണ് നിർമ്മിച്ചിരിക്കുന്നത്. എന്നിരുന്നാലും, വലിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ നിർമ്മിക്കാൻ ഇത് അളക്കാൻ കഴിയും.

ഗൂഗിൾ, ആമസോൺ, മെറ്റ, ഐബിഎം തുടങ്ങിയ നിരവധി കമ്പനികളും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ചിപ്പുകൾ നിർമ്മിച്ചിട്ടുണ്ടെങ്കിലും എൻവിഡിയ വിപണിയിൽ ആധിപത്യം പുലർത്തുന്നു. വിപണിയിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ചിപ്പ് വിൽപ്പനയുടെ 70 ശതമാനത്തിലധികം ഇത്. യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് പോലുള്ള രാജ്യങ്ങൾ ചില വിപണികളിലേക്ക് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ചിപ്പുകളുടെ വിൽപ്പന പരിമിതപ്പെടുത്തുന്നു എന്ന വസ്തുതയ്ക്കൊപ്പം, അവ വളരെ ചെലവേറിയതും വരാൻ ബുദ്ധിമുട്ടുള്ളതുമാണെന്ന് അർത്ഥമാക്കുന്നു. അവർ ധാരാളം വൈദ്യുതി ഉപയോഗിക്കുന്നു, ഇത് കാലാവസ്ഥാ വ്യതിയാനത്തിന് കാരണമാകുന്നു

ഇക്കാരണത്താൽ, വിരളമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ നിർമ്മിക്കുന്നതിൽ വളരെയധികം താൽപ്പര്യമുണ്ട്, ഇത് ചെറിയ പാരാമീറ്ററുകളും കുറച്ച് “ന്യൂറോണൽ കണക്ഷനുകളും” ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു. സിദ്ധാന്തത്തിൽ, വിരളമായ മോഡലുകൾക്ക് കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കാൻ കഴിയും. ഈ കേംബ്രിഡ്ജ് ഗവേഷണത്തിന്റെ ഫലങ്ങൾ അതേ പ്രശ്നങ്ങൾ കൂടുതൽ കാര്യക്ഷമമായി പരിഹരിക്കാൻ കഴിയുന്ന മസ്തിഷ്ക പ്രചോദിത വിരളമായ മോഡലുകൾ നിർമ്മിക്കാൻ സഹായിക്കും.

മനുഷ്യ മസ്തിഷ്കം മനസ്സിലാക്കുക

സാങ്കേതികവിദ്യയെക്കുറിച്ച് കൂടുതൽ രസകരമായ ഒരു പ്രതീക്ഷയുണ്ട് – യഥാർത്ഥ മനുഷ്യ മസ്തിഷ്കം നന്നായി പഠിക്കാൻ പോലും നിങ്ങൾക്ക് ഇത് ഉപയോഗിക്കാൻ കഴിഞ്ഞേക്കാം.

“മസ്തിഷ്കം അതിശയകരമാംവിധം സങ്കീർണ്ണമായ ഒരു അവയവമാണ്, അത് മനസിലാക്കാൻ മസ്തിഷ്കം പ്രവർത്തിക്കുന്ന തത്വങ്ങൾ വിശദീകരിക്കുന്നതിന് അതിന്റെ പ്രവർത്തനത്തിന്റെ ലളിതമായ മാതൃകകൾ നിർമ്മിക്കേണ്ടതുണ്ട്. ഈ കൃത്രിമ മാതൃകകളുടെ ഒരു പ്രധാന ഗുണം യഥാർത്ഥ തലച്ചോറിൽ പഠിക്കാൻ ബുദ്ധിമുട്ടുള്ള പ്രതിഭാസങ്ങളെ പഠിക്കാൻ കഴിയും എന്നതാണ്, “അക്റ്റർബർഗ് പറഞ്ഞു. ഒരു യഥാർത്ഥ മസ്തിഷ്കം ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒരു ന്യൂറോണിനെ നീക്കംചെയ്യാൻ കഴിയില്ല, തുടർന്ന് ന്യൂറോണിന്റെ കൃത്യമായ പങ്ക് എന്താണെന്ന് കാണാൻ പിന്നീട് അത് വീണ്ടും ചേർക്കാൻ കഴിയില്ല. എന്നാൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ ഉപയോഗിച്ച്, അത് പൂർണ്ണമായും സാധ്യമാണ്.

“ന്യൂറോ സയൻസിന്റെ ഒരു പ്രധാന പ്രശ്നം നമുക്ക് സാധാരണയായി തലച്ചോറിന്റെ ഘടന മാത്രമേ രേഖപ്പെടുത്താൻ കഴിയൂ (ഏത് ന്യൂറോണുകൾ മറ്റ് ന്യൂറോണുകളുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു?) അല്ലെങ്കിൽ തലച്ചോറിന്റെ പ്രവർത്തനം (ഏത് ന്യൂറോണുകളാണ് നിലവിൽ വിവരങ്ങൾ അയയ്ക്കുകയും സ്വീകരിക്കുകയും ചെയ്യുന്നത്?). ഞങ്ങളുടെ ലളിതമായ കൃത്രിമ മോഡൽ ഉപയോഗിച്ച്, തലച്ചോറിന്റെ ഘടനയും പ്രവർത്തനവും തമ്മിലുള്ള ബന്ധം പഠിക്കാൻ തലച്ചോറിന്റെ ഘടനയും പ്രവർത്തന തത്വങ്ങളും പഠിക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾ കാണിക്കുന്നു, “അക്റ്റർബർഗ് കൂട്ടിച്ചേർത്തു.

ഒരു യഥാർത്ഥ തലച്ചോറിൽ നിന്ന് റെക്കോർഡുചെയ്ത ഡാറ്റ ഉപയോഗിച്ച് ചെയ്യാൻ ആക്റ്റർബർഗ് വിവരിച്ചത് അവിശ്വസനീയമാംവിധം ബുദ്ധിമുട്ടാണ്. ലളിതമായ കൃത്രിമ മസ്തിഷ്കം ഉപയോഗിച്ച് ഇത് വളരെ എളുപ്പമാണ്.

അടിസ്ഥാനപരമായ ‘കൃത്രിമ തലച്ചോറിനെ’ കൂടുതൽ മുന്നോട്ട് കൊണ്ടുപോകുന്നു

ഇപ്പോൾ, ഗവേഷകർ അവരുടെ സിസ്റ്റങ്ങളെ രണ്ട് ദിശകളിൽ വികസിപ്പിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു – ഒന്ന് മോഡൽ കൂടുതൽ സങ്കീർണ്ണമല്ലെങ്കിലും കൂടുതൽ മസ്തിഷ്കസമാനമാക്കുന്നു. “ഈ ദിശയിൽ, ഞങ്ങൾ ‘സ്പൈക്കിംഗ് ന്യൂറൽ നെറ്റ് വർക്കുകൾ’ എന്ന് വിളിക്കപ്പെടാൻ തുടങ്ങി, ഇത് സാധാരണ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ ചെയ്യുന്നതിനേക്കാൾ തലച്ചോറിലൂടെ വിവരങ്ങൾ അയയ്ക്കുന്ന രീതിയെ അനുകരിക്കുന്നു,” ആക്റ്റർബർഗ് പറഞ്ഞു.

രണ്ടാമത്തേത് അവരുടെ ചെറുതും ലളിതവുമായ മോഡലിൽ നിന്ന് ആധുനിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ ഉപയോഗിക്കുന്ന വലിയ തോതിലുള്ള മോഡലുകളിലേക്ക് അവരുടെ ഉൾക്കാഴ്ചകൾ കൊണ്ടുവരുന്നു. ഇത് ചെയ്യുന്നതിലൂടെ, ധാരാളം ഊർജ്ജം ആവശ്യമുള്ള വലിയ തോതിലുള്ള സിസ്റ്റങ്ങളിൽ മസ്തിഷ്കം പോലുള്ള ഊർജ്ജ കാര്യക്ഷമമായ പ്രോസസ്സിംഗിന്റെ ഫലങ്ങൾ കാണാൻ കഴിയുമെന്ന് അവർ പ്രതീക്ഷിക്കുന്നു.