ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആരോഗ്യ പരിരക്ഷ, ജ്യോതിശാസ്ത്രം തുടങ്ങിയ ചില വ്യവസായങ്ങളിൽ കാര്യങ്ങൾ എളുപ്പമാക്കുന്നു, പക്ഷേ മറ്റ് വിധങ്ങളിൽ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ദോഷകരമാണ്.

ചില ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ ധാരാളം ഊർജ്ജം ഉപയോഗിക്കുകയും ഗണ്യമായ അളവിൽ കാർബൺ പുറന്തള്ളുകയും ചെയ്യുന്നതിനാൽ ഇത്തരത്തിലുള്ള സാങ്കേതികവിദ്യ നല്ലതിനേക്കാൾ കൂടുതൽ ദോഷം ചെയ്യുന്നുണ്ടോ എന്ന് നിർണ്ണയിക്കാൻ പ്രയാസമാണ്. മറ്റുള്ളവർക്ക് ഇതിനകം തന്നെ പരിസ്ഥിതിയെ ദോഷകരമായി ബാധിക്കുന്ന വ്യവസായങ്ങളെ അവരുടെ വിഭവങ്ങൾ വർദ്ധിപ്പിച്ചുകൊണ്ട് സഹായിക്കാൻ കഴിയും.

എന്നാൽ കാലാവസ്ഥാ വ്യതിയാനത്തിനെതിരായ പോരാട്ടത്തിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുന്നത് പോലുള്ള നേട്ടങ്ങളെക്കാൾ കൂടുതലാണോ ആ ദോഷങ്ങൾ?

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ സ്വാധീനം വിശാലമായി മനസ്സിലാക്കിയിട്ടില്ലെന്നും കൂടുതൽ ഗവേഷണം ആവശ്യമാണെന്നും ഗൂഗിളിന്റെ ബാർഡ്, ചാറ്റ്ജിപിടി തുടങ്ങിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളിൽ ഉൾപ്പെട്ടിരിക്കുന്ന സാങ്കേതികവിദ്യയെക്കുറിച്ച് CTVNews.ca സംസാരിച്ച ഒരു പ്രൊഫസർ പറഞ്ഞു.

ചില ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ എത്രത്തോളം മോശമാണെന്ന് വ്യക്തമല്ല

ചോദ്യങ്ങൾ വ്യാഖ്യാനിക്കാനും ഉത്തരം നൽകാനും ടെക്സ്റ്റ് അധിഷ്ഠിത ജോലികൾ പൂർത്തിയാക്കാനുമുള്ള കഴിവുകൾക്ക് ജനപ്രിയമായ ഈ രണ്ട് മോഡലുകളും ഏറ്റവും ഊർജ്ജം ആവശ്യമുള്ള വലിയ ഭാഷാ മോഡലുകളായി കണക്കാക്കപ്പെടുന്നുവെന്ന് സെന്റ് മേരീസ് സർവകലാശാലയിലെ പ്രൊഫസറും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷകയുമായ തെരേസ ഹെഫെർനാൻ പറഞ്ഞു.

ഇത്തരത്തിലുള്ള പ്രോഗ്രാമുകളുമായുള്ള ഒരു ഉപയോക്താവിന്റെ ഇടപെടലുകൾ പാരിസ്ഥിതിക ആഘാതത്തിന്റെ അടിസ്ഥാനത്തിൽ ചെറുതായി തോന്നാമെങ്കിലും, ഇംഗ്ലീഷ് ഭാഷ, സാഹിത്യ പ്രൊഫസർ പറയുന്നു, “വലിയ ഭാഷാ മോഡലുകൾക്ക് പരിശീലനത്തിലും (യഥാർത്ഥത്തിൽ) ഉപയോഗത്തിലും വലിയ അളവിൽ കമ്പ്യൂട്ടിംഗ് ഊർജ്ജം ആവശ്യമാണ്.”

ഡാറ്റയുടെ കാര്യത്തിൽ “സുതാര്യതയുടെ അഭാവമുണ്ട്” എന്ന് ഹെഫെർനാൻ ഒരു അഭിമുഖത്തിൽ പറഞ്ഞു.

എൽഎൽഎമ്മുകളുടെ ഉപയോഗത്തിന്റെ ആഘാതം കണക്കാക്കാൻ വിദഗ്ധർ ശ്രമിച്ചിട്ടുണ്ട്.

കനേഡിയൻ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ അഡ്വാൻസ്ഡ് റിസർച്ച് (സിഫാർ) തിങ്കളാഴ്ച പ്രസിദ്ധീകരിച്ച ഒരു റിപ്പോർട്ട് ഇത്തരത്തിലുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പരിശീലിപ്പിക്കുമ്പോൾ എത്രമാത്രം കാർബൺ ഡൈ ഓക്സൈഡ് ഉത്പാദിപ്പിക്കപ്പെടുന്നു എന്ന് പരിശോധിച്ചു.

ഇത്തരത്തിലുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പഠിക്കുന്ന രീതി കാരണം പരിശീലന പ്രക്രിയ ഏറ്റവും ഊർജ്ജ തീവ്രമായ ഭാഗങ്ങളിലൊന്നാണെന്ന് റിപ്പോർട്ടിൽ പറയുന്നു.

“ഒരു ഇൻപുട്ട് ടെക്സ്റ്റിനെ അടിസ്ഥാനമാക്കി ഏറ്റവും സാധ്യതയുള്ള വാക്ക് പ്രവചിക്കാൻ എൽഎൽഎമ്മുകൾ പഠിക്കും, ഉദാഹരണത്തിന്, ‘പൂച്ച ____ ൽ ഇരിക്കുന്നത് എൽഎൽഎമ്മിന് ‘കസേര’ അല്ലെങ്കിൽ ‘മാറ്റ്’ തിരികെ നൽകുന്നതിന് കാരണമാകും,” സാഷ ലൂസിയോനി എഴുതിയ റിപ്പോർട്ടിൽ പറയുന്നു.

കഴിഞ്ഞ അഞ്ച് വർഷത്തിനിടയിൽ, എൽഎൽഎമ്മുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന പ്രത്യേക കമ്പ്യൂട്ടർ ചിപ്പുകൾ കൂടുതൽ ശക്തമാവുകയും പഠനത്തിന്റെ വേഗത വർദ്ധിപ്പിക്കുകയും കൂടുതൽ വിഭവങ്ങൾ ഉപയോഗിക്കുകയും ചെയ്യുന്നുവെന്ന് റിപ്പോർട്ട് വ്യക്തമാക്കുന്നു.

വൈദ്യുതി ഗ്രിഡുകൾ പുനരുപയോഗിക്കാവുന്ന വൈദ്യുതി മാത്രം ഉപയോഗിക്കാത്തതിനാൽ, പരിശീലന പ്രക്രിയയുമായി ബന്ധപ്പെട്ട കാർബൺ എമിഷൻ ചെലവുകളുണ്ട്.

ചില എൽഎൽഎമ്മുകൾ എത്രമാത്രം കാർബൺ തീവ്രമാണെന്ന് കണക്കാക്കുമ്പോൾ എഐ പരിശീലനത്തിന്റെ മൂന്ന് ഭാഗങ്ങൾ ലൂസിയോണി പരിശോധിച്ചു:

മോഡൽ പരിശീലന സമയം (മണിക്കൂറിൽ അളക്കുന്നു);

പരിശീലനത്തിനായി ഹാർഡ്വെയർ ഉപയോഗിക്കുന്ന ശക്തി; ഉം

എനർജി ഗ്രിഡിൽ നിന്നുള്ള കാർബൺ തീവ്രത.

“ഈ മൂന്ന് ഘടകങ്ങളെ ഗുണിക്കുന്നത് ‘ഡൈനാമിക് പവർ ഉപഭോഗം’ എന്ന് വിളിക്കുന്നതിന്റെ പ്രാരംഭ കണക്ക് നൽകുന്നു,” റിപ്പോർട്ടിൽ പറയുന്നു.

മൈക്രോസോഫ്റ്റിന്റെ ജിപിടി -3 പരിശീലനത്തിനിടെ 502 ടൺ കാർബൺ ഡൈ ഓക്സൈഡ് പുറന്തള്ളുന്നുവെന്ന് ലൂസിയോണിയുടെ ഗവേഷണം പറയുന്നു. ഒരു വർഷത്തിനിടെ 304 വീടുകൾ പുറത്തുവിട്ട വൈദ്യുതി അധിഷ്ഠിത പുറന്തള്ളലിന് തുല്യമാണിത്.

ഡീപ് മൈൻഡ് 2021 എൽഎൽഎം ആയ ഗോഫർ 352 ടൺ കാർബൺ ഡൈ ഓക്സൈഡ് പുറന്തള്ളുന്നുവെന്ന് ഗവേഷണം സൂചിപ്പിക്കുന്നു.

വലിയ അളവിൽ ഊർജ്ജം ആവശ്യമുള്ള ഒരേയൊരു പ്രക്രിയ പരിശീലനം മാത്രമല്ലെന്ന് ലൂസിയോണിയുടെ ഗവേഷണം തെളിയിച്ചു. ഓരോ തവണയും ഒരു ചോദ്യത്തിന് ഒരു എൽഎൽഎം ഉത്തരം നൽകുമ്പോൾ, അതിന് കാർബൺ ഇംപാക്റ്റ് ഉണ്ട്.

ബ്ലൂം എന്നറിയപ്പെടുന്ന ലൂസിയോനി പഠിച്ച ഒരു ചെറിയ അൽഗോരിതം അതിന്റെ വികസന സമയത്ത് പ്രതിദിനം 19 കിലോഗ്രാം കാർബൺ ഡൈ ഓക്സൈഡ് ഉത്പാദിപ്പിച്ചു.

“മോഡൽ പരിശീലന വേളയിൽ പുറന്തള്ളുന്ന 50 ടൺ (ബ്ലൂം) മായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇത് ഒരു വലിയ തുകയായി തോന്നില്ലെങ്കിലും, ബ്ലൂം പോലുള്ള എൽഎൽഎമ്മുകൾ വെബ് തിരയൽ, നാവിഗേഷൻ തുടങ്ങിയ ഉപയോക്തൃ അഭിമുഖ ആപ്ലിക്കേഷനുകളിൽ വിന്യസിക്കുമ്പോൾ ഇത് വർദ്ധിക്കുന്നു, ഇത് പ്രതിദിനം ദശലക്ഷക്കണക്കിന് തവണ ചോദ്യം ചെയ്യപ്പെടും,” റിപ്പോർട്ടിൽ പറയുന്നു.

കെട്ടിടം തണുപ്പിക്കൽ, കമ്പ്യൂട്ടറുകളുടെ സംഭരണം, സെർവർ ശൃംഖല എന്നിവ പോലുള്ള മറ്റ് പാരിസ്ഥിതിക പ്രത്യാഘാതങ്ങൾക്ക് ഇത് കാരണമാകില്ലെന്ന് അവർ ചൂണ്ടിക്കാട്ടി.

ഈ പദ്ധതികളുടെ മറ്റൊരു പാരിസ്ഥിതിക ആഘാതം ശുദ്ധജല ശേഖരത്തിന്റെ ശോഷണമാണ്.

“ഒരു എൽഎൽഎം ഈ ഡാറ്റയിലൂടെ കടന്നുപോകുമ്പോൾ, അത് യഥാർത്ഥത്തിൽ ഈ ചൂടെല്ലാം സൃഷ്ടിക്കുന്നു,” ഹെഫെർനാൻ പറഞ്ഞു. “സാധനം ഉരുകാതിരിക്കാൻ, നിങ്ങൾ അത് തണുപ്പിക്കേണ്ടതുണ്ട്. അവിടെയാണ് ജലത്തിന്റെ ഉപയോഗം നടക്കുന്നത്.”

യുഎസിലെ ഗൂഗിളിന്റെ ഡാറ്റാ സെന്ററുകൾ 2021 ൽ സൈറ്റുകൾ തണുപ്പിക്കാൻ 12.7 ബില്യൺ ലിറ്റർ ശുദ്ധജലം ഉപയോഗിച്ചുവെന്ന് കോർണൽ സർവകലാശാല നടത്തിയ ഒരു പഠനം കണക്കാക്കുന്നു. മൈക്രോസോഫ്റ്റ് ജിപിടി -3 ൽ നിന്നുള്ള ഒരു പരിശീലന കേന്ദ്രം ഏകദേശം 700,000 ലിറ്റർ ശുദ്ധജലം ഉപയോഗിച്ചതായി ഇതേ പഠനം കണക്കാക്കുന്നു.

ഒരു ചാറ്റ് ബോട്ടിനെക്കുറിച്ച് ചോദ്യങ്ങൾ ചോദിക്കാൻ ഉപയോക്താക്കളെ അനുവദിക്കുന്ന സമാനമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്രോഗ്രാമുകളും കോർണൽ ഗവേഷകർ പരിശോധിച്ചു, കൂടാതെ ചാറ്റ്ജിപിടിയുമായുള്ള അത്തരമൊരു “സംഭാഷണം” ഏകദേശം 20 മുതൽ 50 വാക്കുകൾ വരെ ഉൾപ്പെടുന്നു, ഇത് തണുപ്പിക്കൽ ആവശ്യങ്ങൾക്കായി 500 മില്ലിലിറ്റർ കുപ്പി വെള്ളത്തിന് തുല്യമാണെന്ന് കണക്കാക്കി.

സുസ്ഥിരമായി എങ്ങനെ മുന്നോട്ട് പോകാൻ പദ്ധതിയിടുന്നുവെന്ന് ചോദിക്കാൻ റിപ്പോർട്ടിൽ പരാമർശിച്ച എല്ലാ കമ്പനികളെയും സമീപിച്ചു. മൈക്രോസോഫ്റ്റ് മാത്രമാണ് പ്രസിദ്ധീകരണ സമയത്ത് രേഖാമൂലമുള്ള ഉത്തരം നൽകിയത്.

“കൂടുതൽ സുസ്ഥിരമായ ഭാവി സൃഷ്ടിക്കുന്നതിനുള്ള ഞങ്ങളുടെ പ്രതിബദ്ധതയുടെ ഭാഗമായി, മൈക്രോസോഫ്റ്റ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഊർജ്ജ ഉപയോഗവും കാർബൺ ആഘാതവും അളക്കുന്നതിനുള്ള ഗവേഷണത്തിൽ നിക്ഷേപം നടത്തുന്നു, അതേസമയം പരിശീലനത്തിലും ആപ്ലിക്കേഷനിലും വലിയ സിസ്റ്റങ്ങൾ കൂടുതൽ കാര്യക്ഷമമാക്കുന്നതിനുള്ള വഴികളെക്കുറിച്ച് പ്രവർത്തിക്കുന്നു,” മൈക്രോസോഫ്റ്റ് വക്താവ് വെള്ളിയാഴ്ച ഒരു ഇമെയിലിൽ പറഞ്ഞു. 2030 ഓടെ കാർബൺ നെഗറ്റീവ്, വാട്ടർ പോസിറ്റീവ്, സീറോ വേസ്റ്റ് എന്നീ സുസ്ഥിരതാ ലക്ഷ്യങ്ങൾ നിറവേറ്റുന്നതിനുള്ള മറ്റ് ശ്രമങ്ങൾ, ഡാറ്റാസെന്ററുകൾക്ക് ഊർജ്ജം നൽകുന്നതിന് ശുദ്ധ ഊർജ്ജത്തിന്റെ ഉപയോഗം വർദ്ധിപ്പിക്കുന്നതിനൊപ്പം പുരോഗതി ത്വരിതപ്പെടുത്തുകയും ചെയ്യും.

എൽഎൽഎംഎസിനേക്കാൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് കൂടുതൽ

പഠനം എൽഎൽഎമ്മുകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു, പക്ഷേ പാരിസ്ഥിതിക ആഘാതമുണ്ടാക്കുന്ന മറ്റ് തരം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉണ്ട്.

പ്രവചിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകൾ എൽഎൽഎമ്മുകളിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണെന്ന് മക്ഗിൽ സർവകലാശാലയിലെ കമ്പ്യൂട്ടർ സയൻസ് പ്രൊഫസർ ഡേവിഡ് റോൾനിക് പറയുന്നു.

“ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു പ്രയോഗം കാലാവസ്ഥാ വ്യതിയാനത്തെ മികച്ചതാക്കുകയും അതേ സമയം കാലാവസ്ഥാ വ്യതിയാനത്തെ കൂടുതൽ വഷളാക്കുകയും ചെയ്യുന്നു,” അദ്ദേഹം പറഞ്ഞു. വനനശീകരണം എവിടെയാണ് നടക്കുന്നതെന്ന് മനസിലാക്കാൻ നിങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുകയാണെങ്കിൽ, അത് കാലാവസ്ഥാ വ്യതിയാനത്തെ മികച്ചതാക്കുന്നു, “റോൾനിക് ഒരു അഭിമുഖത്തിൽ പറഞ്ഞു.

എന്നാൽ, സമാനമായ സാങ്കേതികവിദ്യയ്ക്ക് കൂടുതൽ ദോഷം ചെയ്യാൻ കഴിയുന്ന മാർഗങ്ങളുണ്ടെന്ന് അദ്ദേഹം പറഞ്ഞു.

“കണ്ടെത്തലും വേർതിരിച്ചെടുക്കലും ത്വരിതപ്പെടുത്തുന്നതിന് എണ്ണ, വാതക പര്യവേക്ഷണത്തിൽ നിങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുകയാണെങ്കിൽ… അത് കാലാവസ്ഥാ വ്യതിയാനത്തെ കൂടുതൽ വഷളാക്കുന്നു, “അദ്ദേഹം ഒരു ഉദാഹരണമായി പട്ടികപ്പെടുത്തി.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ ചുറ്റിക പോലെ ചിന്തിക്കാൻ റോൾനിക്ക് പറയുന്നു.

“ഒരു ചുറ്റികയുടെ ആഘാതം നിങ്ങൾ അത് എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതാണ്. നിങ്ങൾ അത് എങ്ങനെ ഉണ്ടാക്കുന്നു എന്നതല്ല,” അദ്ദേഹം പറഞ്ഞു. “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതം നിർമ്മിക്കുന്നതിൽ നിന്ന് കാലാവസ്ഥാ പ്രത്യാഘാതങ്ങളുണ്ട്, അത് അൽഗോരിതത്തെ ആശ്രയിച്ചിരിക്കുന്നു. മിക്ക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളും വളരെയധികം ഊർജ്ജം ഉപയോഗിക്കുന്നില്ല.

വനനശീകരണം എവിടെയാണ് നടക്കുന്നതെന്ന് മനസിലാക്കാനോ അടുത്ത ഭൂകമ്പം എവിടെയായിരിക്കുമെന്ന് പ്രവചിക്കാനോ മനുഷ്യരെ സഹായിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് തിരഞ്ഞെടുത്ത സാമ്പിളിൽ നിന്നുള്ള അൽഗോരിതങ്ങളും ഡാറ്റയും ഉപയോഗിക്കുന്നു.

“പ്രായോഗികമായി പല ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അൽഗോരിതങ്ങളും – എന്റെ സ്വന്തം ലാബിൽ ഞങ്ങൾ ചെയ്യുന്നവയിൽ ഭൂരിഭാഗവും – അവ വളരെ ചെറുതാണ്, അവ ഒരു ലാപ്ടോപ്പിൽ പ്രവർത്തിപ്പിക്കാൻ കഴിയും,” റോൾനിക് പറഞ്ഞു. “എൽഎൽഎമ്മുകൾ അങ്ങനെയല്ല. നാം തീർച്ചയായും അതിനെക്കുറിച്ച് ചിന്തിക്കണം. എന്നാൽ കാലാവസ്ഥാ പ്രതിസന്ധിക്കെതിരെ പോരാടുന്നതിൽ ഞങ്ങൾ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ, ഞങ്ങൾ എൽഎൽഎമ്മുകളെക്കുറിച്ചല്ല സംസാരിക്കുന്നത്, മറ്റ് അൽഗോരിതങ്ങളെക്കുറിച്ചാണ്.

മിക്ക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസും എൽഎൽഎമ്മുകളെപ്പോലെ “മിന്നുന്ന” ഒന്നല്ല, പക്ഷേ ഇത് സമൂഹത്തിൽ വലിയ സ്വാധീനം ചെലുത്തുന്നു.

“നിങ്ങൾ ഓൺലൈനിൽ എന്ത് പരസ്യങ്ങൾ കാണുന്നുവെന്ന് തീരുമാനിക്കുന്ന ശുപാർശ ചെയ്യുന്ന സംവിധാനങ്ങൾ, അല്ലെങ്കിൽ ഫാക്ടറികൾ കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിപ്പിക്കുന്ന കൺട്രോൾ അൽഗോരിതങ്ങൾ, അല്ലെങ്കിൽ എവിടെ, വിളകൾ എങ്ങനെ വളരുന്നു, ലോകമെമ്പാടുമുള്ള കെട്ടിടങ്ങൾ എവിടെയാണെന്ന് മനസിലാക്കുന്ന സാറ്റലൈറ്റ് ഇമേജറി സംവിധാനങ്ങൾ, പ്രകൃതിദുരന്തങ്ങളുടെ അപകടസാധ്യത മനസിലാക്കുക, അല്ലെങ്കിൽ വില പ്രവചിക്കാൻ ധനകാര്യ വ്യവസായത്തിലുടനീളം ഉപയോഗിക്കുന്ന അൽഗോരിതങ്ങൾ, ” അവൻ പറഞ്ഞു.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഇതിനകം തന്നെ പല വ്യവസായങ്ങളിലും സംയോജിപ്പിച്ചിട്ടുണ്ട്, കൂടാതെ ധാരാളം അൽഗോരിതങ്ങൾ എൽഎൽഎമ്മുകളേക്കാൾ ഊർജ്ജ തീവ്രത കുറവാണെന്നും അദ്ദേഹം പറഞ്ഞു.

“കമ്പ്യൂട്ടർ സയൻസസിന്റെ മുഴുവൻ മേഖലയും കഴിഞ്ഞ ഒരു വർഷമായി ഒരു കൂട്ടായ നെടുവീർപ്പിട്ടതായി ഞാൻ കരുതുന്നു, കാരണം ഏറ്റവും സ്വാധീനം ചെലുത്താത്ത ഒരു പ്രത്യേക കൂട്ടം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാങ്കേതികവിദ്യകളെ ലോകം ആകർഷിക്കുകയും ഭയപ്പെടുകയും ചെയ്തു,” അദ്ദേഹം പറഞ്ഞു.