1958 ലെ ശൈത്യകാലത്ത്, ഫ്രാങ്ക് റോസെൻബ്ലാറ്റ് എന്ന 30-കാരനായ സൈക്കോളജിസ്റ്റ് കോർണൽ സർവകലാശാലയിൽ നിന്ന് വാഷിംഗ്ടൺ ഡിസിയിലെ നേവൽ റിസർച്ച് ഓഫീസിലേക്കുള്ള യാത്രാമധ്യേ ഒരു പത്രപ്രവർത്തകനോടൊപ്പം കാപ്പി കുടിക്കാൻ നിർത്തി.

റോസെൻബ്ലാറ്റ് ശ്രദ്ധേയമായ ഒരു കണ്ടുപിടുത്തം അനാവരണം ചെയ്തു, അത് കമ്പ്യൂട്ടിംഗിന്റെ ആദ്യ നാളുകളിൽ വളരെയധികം കോളിളക്കം സൃഷ്ടിച്ചു. “ഒരു യഥാർത്ഥ ആശയം ഉണ്ടായിരിക്കാൻ കഴിവുള്ള ആദ്യത്തെ യന്ത്രം” ആയിരുന്നു അതെന്ന് അദ്ദേഹം പ്രഖ്യാപിച്ചു.

അത്യാധുനിക കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്ന മനുഷ്യ ന്യൂറോണുകളിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ട പെർസെപ്റ്റോൺ എന്ന പ്രോഗ്രാമായിരുന്നു റോസെൻബ്ലാറ്റിന്റെ മസ്തിഷ്കശില: ഒരു മതിലിന്റെ വലുപ്പമുള്ള അഞ്ച് ടൺ ഐബിഎം മെയിൻഫ്രെയിം. പെർസെപ്റ്റോണിന് പഞ്ച് കാർഡുകളുടെ ഒരു കൂമ്പാരം നൽകുക, ഇടതുവശത്ത് അടയാളപ്പെടുത്തിയിരിക്കുന്നവയും വലതുവശത്ത് അടയാളപ്പെടുത്തിയിരിക്കുന്നവയും വേർതിരിച്ചറിയാൻ ഇത് പഠിക്കും. ഒരുനിമിഷം ആ കര് ത്തവ്യത്തിന്റെ നിഗൂഢത മാറ്റിവെക്കുക. യന്ത്രത്തിന് പഠിക്കാൻ കഴിഞ്ഞു.

ഇത് ഒരു പുതിയ യുഗത്തിന്റെ പ്രഭാതമാണെന്ന് റോസൻബ്ലാറ്റ് വിശ്വസിച്ചു, ന്യൂയോർക്കർ വ്യക്തമായി സമ്മതിച്ചു. “മനുഷ്യ മസ്തിഷ്കത്തിന്റെ ആദ്യത്തെ ഗുരുതരമായ എതിരാളിയായി ഇത് നമ്മെ ബാധിക്കുന്നു,” പത്രപ്രവർത്തകൻ എഴുതി. പെർസെപ്റ്റോണിന് എന്തുചെയ്യാൻ കഴിയില്ലെന്ന് ചോദിച്ചപ്പോൾ, റോസൻബ്ലാറ്റ് സ്നേഹം, പ്രതീക്ഷ, നിരാശ എന്നിവ പരാമർശിച്ചു. “മനുഷ്യപ്രകൃതം, ചുരുക്കത്തിൽ,” അദ്ദേഹം പറഞ്ഞു. “മനുഷ്യന്റെ ലൈംഗിക അഭിനിവേശം നമുക്ക് മനസ്സിലാകുന്നില്ലെങ്കിൽ, ഒരു യന്ത്രം പ്രതീക്ഷിക്കേണ്ടത് എന്തുകൊണ്ട്?”

ആധുനിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ പിന്നിലുള്ള അഗാധമായ സങ്കീർണ്ണമായ “ആഴത്തിലുള്ള” ന്യൂറൽ ശൃംഖലകളുടെ അടിസ്ഥാന പതിപ്പാണ് പെർസെപ്റ്റോൺ.

എന്നാൽ ഏകദേശം 70 വർഷങ്ങൾക്ക് ശേഷവും മനുഷ്യ മസ്തിഷ്കത്തിന് ഗുരുതരമായ എതിരാളികളില്ല. “ഇന്ന് ഞങ്ങൾക്ക് ലഭിച്ചത് കൃത്രിമ തത്തകളാണ്,” ലണ്ടനിലെ അലൻ ട്യൂറിംഗ് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ ചീഫ് സയന്റിസ്റ്റ് പ്രൊഫസർ മാർക്ക് ജിറോലാമി പറയുന്നു. “അത് തന്നെ അതിശയകരമായ ഒരു മുന്നേറ്റമാണ്, ഇത് മനുഷ്യരാശിയുടെ നന്മയ്ക്കായി മികച്ച ഉപകരണങ്ങൾ നൽകും, പക്ഷേ നമുക്ക് സ്വയം ഓടിപ്പോകരുത്.”

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ചരിത്രത്തിൽ, കുറഞ്ഞത് ഇന്ന് എഴുതപ്പെട്ടതുപോലെ, പിതാക്കന്മാർക്ക് ഒരു കുറവുമില്ല. അനേകരും ഒരേ സന്തതിയെ പ്രസവിച്ചു. റോസൻബ്ലാറ്റിനെ ചിലപ്പോൾ ആഴത്തിലുള്ള പഠനത്തിന്റെ പിതാവ് എന്ന് വിളിക്കുന്നു, ഈ പദവി മറ്റ് മൂന്ന് പുരുഷന്മാരുമായി പങ്കിടുന്നു. ബ്ലെച്ച്ലി പാർക്കിലെ യുദ്ധകാല കോഡ് ബ്രേക്കറും കമ്പ്യൂട്ടർ സയൻസിന്റെ സ്ഥാപകനുമായ അലൻ ട്യൂറിംഗ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ പിതാവായി കണക്കാക്കപ്പെടുന്നു. കമ്പ്യൂട്ടറുകൾക്ക് ചിന്തിക്കാൻ കഴിയുമെന്ന ആശയം ഗൗരവമായി എടുത്ത ആദ്യത്തെ ആളുകളിൽ ഒരാളായിരുന്നു അദ്ദേഹം.

1948-ൽ ഇന്റലിജന്റ് മെഷിനറി എന്ന ഒരു റിപ്പോർട്ടിൽ, യന്ത്രങ്ങൾ ബുദ്ധിപരമായ പെരുമാറ്റത്തെ എങ്ങനെ അനുകരിക്കുമെന്ന് ട്യൂറിംഗ് സർവേ നടത്തി. ഒരു “ചിന്താ യന്ത്ര”ത്തിലേക്കുള്ള ഒരു മാർഗം, ഒരു വ്യക്തിയുടെ ഭാഗങ്ങൾ യന്ത്രങ്ങൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക എന്നതാണ്: കണ്ണുകൾക്ക് ക്യാമറകൾ, ചെവികൾക്ക് മൈക്രോഫോണുകൾ, “ഒരുതരം ഇലക്ട്രോണിക് മസ്തിഷ്കം”. കാര്യങ്ങൾ സ്വയം കണ്ടെത്താൻ, യന്ത്രത്തെ “ഗ്രാമപ്രദേശങ്ങളിൽ കറങ്ങാൻ അനുവദിക്കണം”, ട്യൂറിംഗ് പറഞ്ഞു. “സാധാരണ പൗരന് അപകടം ഗുരുതരമായിരിക്കും,” ഈ ആശയം വളരെ മന്ദഗതിയിലുള്ളതും അപ്രായോഗികവുമാണെന്ന് അദ്ദേഹം അഭിപ്രായപ്പെട്ടു.

എന്നാൽ ട്യൂറിംഗിന്റെ പല ആശയങ്ങളും നിലനിൽക്കുന്നു. പാരിതോഷികങ്ങളിൽ നിന്നും ശിക്ഷകളിൽ നിന്നുമുള്ള സഹായത്തോടെ കുട്ടികൾ പഠിക്കുന്നതുപോലെ യന്ത്രങ്ങൾക്കും പഠിക്കാൻ കഴിയുമെന്ന് അദ്ദേഹം പറഞ്ഞു. ചില യന്ത്രങ്ങൾക്ക് സ്വന്തം കോഡ് മാറ്റിയെഴുതുന്നതിലൂടെ സ്വയം പരിഷ്കരിക്കാൻ കഴിയും. ഇന്ന്, മെഷീൻ ലേണിംഗ്, റിവാർഡുകൾ, പരിഷ്കരണങ്ങൾ എന്നിവ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ അടിസ്ഥാന ആശയങ്ങളാണ്.

ചിന്താ യന്ത്രങ്ങളിലേക്കുള്ള പുരോഗതി അടയാളപ്പെടുത്തുന്നതിനുള്ള ഒരു മാർഗമായി, ട്യൂറിംഗ് സാധാരണയായി ട്യൂറിംഗ് ടെസ്റ്റ് എന്നറിയപ്പെടുന്ന അനുകരണ ഗെയിം നിർദ്ദേശിച്ചു, ഇത് ഒരു കൂട്ടം രേഖാമൂലമുള്ള കൈമാറ്റങ്ങൾ ഒരു മനുഷ്യനിൽ നിന്നാണോ യന്ത്രത്തിൽ നിന്നാണോ വരുന്നതെന്ന് തിരിച്ചറിയാൻ ഒരു മനുഷ്യന് കഴിയുമോ എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.

ഇതൊരു സമർത്ഥമായ പരീക്ഷണമാണ്, പക്ഷേ അത് വിജയിക്കാനുള്ള ശ്രമങ്ങൾ വളരെയധികം ആശയക്കുഴപ്പത്തിന് കാരണമായി. ബീഥോവന്റെ ഓഡ് ടു ജോയ് എന്ന ഗാനത്തിൽ 13 വയസ്സുള്ള ഉക്രേനിയൻ താരം ഗിനിയ പന്നിയുമായി നടത്തിയ ചാറ്റ്ബോട്ട് ഉപയോഗിച്ച് നടത്തിയ പരിശോധനയിൽ വിജയിച്ചതായി ഗവേഷകർ അവകാശപ്പെട്ടു.

പലപ്പോഴും അവഗണിക്കപ്പെടുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് ട്യൂറിംഗ് മറ്റൊരു വലിയ സംഭാവന നൽകി, ജിറോലാമി പറയുന്നു. എൻക്രിപ്റ്റ് ചെയ്ത സന്ദേശങ്ങൾ ഡീകോഡ് ചെയ്യാൻ ബയേസിയൻ സ്റ്റാറ്റിസ്റ്റിക്സ് എന്ന ഒരു രീതി അദ്ദേഹം എങ്ങനെ ഉപയോഗിച്ചുവെന്ന് ബ്ലെച്ച്ലി പാർക്കിലെ ശാസ്ത്രജ്ഞന്റെ കാലത്തെ ഒരു ഡിക്ലാസിഫൈഡ് പ്രബന്ധം വെളിപ്പെടുത്തുന്നു. “ഈ പ്രത്യേക ജർമ്മൻ വാക്ക് ഈ എൻക്രിപ്റ്റ് ചെയ്ത അക്ഷരങ്ങളുടെ ഒരു കൂട്ടം സൃഷ്ടിക്കാനുള്ള സാധ്യത എത്രയാണ്?” തുടങ്ങിയ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ട്യൂറിംഗും സംഘവും സ്ഥിതിവിവരക്കണക്കുകൾ ഉപയോഗിച്ചു.

സമാനമായ ഒരു ബയേസിയൻ സമീപനം ഇപ്പോൾ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പ്രോഗ്രാമുകളെ ഉപന്യാസങ്ങൾ, കലാസൃഷ്ടികൾ, ഒരിക്കലും നിലവിലില്ലാത്ത ആളുകളുടെ ചിത്രങ്ങൾ എന്നിവ നിർമ്മിക്കാൻ പ്രേരിപ്പിക്കുന്നു. “കഴിഞ്ഞ 70 വർഷമായി ബയേസിയൻ സ്ഥിതിവിവരക്കണക്കുകളിൽ ഒരു സമാന്തര പ്രപഞ്ചം ഉണ്ട്, അത് ഇന്ന് നാം കാണുന്ന ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പൂർണ്ണമായും പ്രാപ്തമാക്കി, അത് ട്യൂറിംഗിന്റെ എൻക്രിപ്ഷനെക്കുറിച്ചുള്ള കൃതിയിൽ നിന്ന് നമുക്ക് കണ്ടെത്താൻ കഴിയും,” ജിറോലാമി പറയുന്നു.

“ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്” എന്ന പദം 1955 വരെ പ്രത്യക്ഷപ്പെട്ടിരുന്നില്ല. ന്യൂ ഹാംപ്ഷെയറിലെ ഡാർട്ട്മൗത്ത് കോളേജിലെ കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞനായ ജോൺ മക്കാർത്തി ഒരു വേനൽക്കാല സ്കൂളിനായുള്ള നിർദ്ദേശത്തിൽ ഈ വാചകം ഉപയോഗിച്ചു. പുരോഗതിയുടെ സാധ്യതകളെക്കുറിച്ച് അദ്ദേഹം അങ്ങേയറ്റം ശുഭാപ്തിവിശ്വാസം പുലർത്തിയിരുന്നു.

“കാര്യമായ മുന്നേറ്റം നടത്താൻ കഴിയുമെന്ന് ഞങ്ങൾ കരുതുന്നു … ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുത്ത ഒരു കൂട്ടം ശാസ്ത്രജ്ഞർ ഒരു വേനൽക്കാലത്ത് ഒരുമിച്ച് പ്രവർത്തിക്കുകയാണെങ്കിൽ, “അദ്ദേഹം എഴുതി.

“ഇത് യുദ്ധാനന്തര കാലഘട്ടമാണ്,” കേംബ്രിഡ്ജ് സർവകലാശാലയിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എത്തിക്സ് അസോസിയേറ്റ് ടീച്ചിംഗ് പ്രൊഫസർ ഡോ. ആണവായുധങ്ങൾ യുദ്ധം ജയിച്ചുവെന്ന് യുഎസ് സർക്കാർ മനസ്സിലാക്കിയിരുന്നു. അതിനാൽ ശാസ്ത്രവും സാങ്കേതികവിദ്യയും ഇതിലും ഉയർന്ന ഉയരത്തിൽ എത്താൻ കഴിയുമായിരുന്നില്ല.”

ഈ സാഹചര്യത്തിൽ, ഒത്തുകൂടിയവർ നിസ്സാരമായ പുരോഗതി കൈവരിച്ചു. എന്നിരുന്നാലും, കമ്പ്യൂട്ടറുകളെ അവരുടെ പരിതസ്ഥിതികൾ മനസ്സിലാക്കാനും പ്രതികരിക്കാനും പ്രശ്നങ്ങൾ പരിഹരിക്കാനും ജോലികൾ ആസൂത്രണം ചെയ്യാനും മനുഷ്യ ഭാഷയുമായി പൊരുത്തപ്പെടാനും സജ്ജമാക്കിയ പ്രോഗ്രാമുകളും സെൻസറുകളും നിർമ്മിക്കുന്നതിന്റെ സുവർണ്ണ കാലഘട്ടത്തിലേക്ക് ഗവേഷകർ സ്വയം പ്രവേശിച്ചു.

കമ്പ്യൂട്ടറൈസ്ഡ് റോബോട്ടുകൾ ക്ലങ്കി കാഥോഡ്-റേ ട്യൂബ് മോണിറ്ററുകളിൽ ലളിതമായ ഇംഗ്ലീഷിൽ നിർമ്മിച്ച കമാൻഡുകൾ നടപ്പിലാക്കി, അതേസമയം ലാബുകൾ ഡെസ്കുകളിൽ ഇടിച്ചുകയറി കാബിനറ്റുകൾ ഫയൽ ചെയ്യുന്ന റോബോട്ടുകളെ പ്രദർശിപ്പിച്ചു. 1970 ൽ ലൈഫ് മാസികയോട് സംസാരിച്ച മസാച്ചുസെറ്റ്സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്നോളജിയിലെ മാർവിൻ മിൻസ്കി, മൂന്ന് മുതൽ എട്ട് വർഷത്തിനുള്ളിൽ ലോകത്തിന് ഒരു ശരാശരി മനുഷ്യന്റെ പൊതുവായ ബുദ്ധിശക്തിയുള്ള ഒരു യന്ത്രം ഉണ്ടാകുമെന്ന് പറഞ്ഞു. ഷേക്സ്പിയർ വായിക്കാനും കാറിൽ ഗ്രീസ് ചെയ്യാനും തമാശകൾ പറയാനും ഓഫീസ് രാഷ്ട്രീയം കളിക്കാനും വഴക്കുണ്ടാക്കാനും ഇതിന് കഴിയും. മാസങ്ങൾക്കുള്ളിൽ, സ്വയം പഠിപ്പിക്കുന്നതിലൂടെ, അതിന്റെ ശക്തികൾ “അളക്കാനാവാത്തത്” ആയിരിക്കും.

1970കളിലാണ് കുമിള പൊട്ടിയത്. യുകെയിൽ, പ്രശസ്ത ഗണിതശാസ്ത്രജ്ഞനായ സർ ജെയിംസ് ലൈറ്റ്ഹിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ തുച്ഛമായ പുരോഗതിയെക്കുറിച്ച് നിശിതമായ ഒരു റിപ്പോർട്ട് എഴുതി, ഇത് ഉടനടി ധനസഹായം വെട്ടിക്കുറയ്ക്കാൻ കാരണമായി.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ദുരിതങ്ങൾക്ക് പരിഹാരമായി അറിവിനെ കണ്ട ശാസ്ത്രജ്ഞരുടെ ഒരു പുതിയ തരംഗത്തോടെയാണ് പുനരുജ്ജീവനം വന്നത്.

മനുഷ്യ വൈദഗ്ധ്യം നേരിട്ട് കമ്പ്യൂട്ടറുകളിലേക്ക് കോഡ് ചെയ്യാൻ അവർ ലക്ഷ്യമിട്ടു. ഏറ്റവും അഭിലാഷമുള്ളയാൾ – മറ്റ് വാക്കുകൾ ഉപയോഗിച്ചിട്ടുണ്ടെങ്കിലും – സൈക് ആയിരുന്നു. വിദ്യാസമ്പന്നനായ ഒരു വ്യക്തി അവരുടെ ദൈനംദിന ജീവിതത്തിൽ ഉപയോഗിക്കുന്ന എല്ലാ അറിവുകളും കൈവശം വയ്ക്കാൻ ഉദ്ദേശിച്ചുള്ളതായിരുന്നു ഇത്.

അതിനർത്ഥം കോഡിംഗ് എന്നാണ്, പക്ഷേ അവർ എങ്ങനെ തീരുമാനങ്ങൾ എടുക്കുന്നുവെന്ന് വിശദീകരിക്കാൻ വിദഗ്ദ്ധരെ പ്രേരിപ്പിക്കുക – വിവരങ്ങൾ ഒരു കമ്പ്യൂട്ടറിലേക്ക് കോഡിംഗ് ചെയ്യുക – ശാസ്ത്രജ്ഞർ വിചാരിച്ചതിലും വളരെ ബുദ്ധിമുട്ടായി മാറി.

എന്നിരുന്നാലും, ഇരുപതാം നൂറ്റാണ്ടിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ശ്രദ്ധേയമായ വിജയങ്ങൾ നേടി. 1997 ൽ ഐബിഎമ്മിന്റെ ഡീപ് ബ്ലൂ ചെസ്സ് ഗ്രാൻഡ് മാസ്റ്റർ ഗാരി കാസ്പറോവിനെ പരാജയപ്പെടുത്തി. ഈ മത്സരം ആഗോള തലക്കെട്ടുകളിൽ ഇടം നേടി, ന്യൂസ് വീക്ക് “ദി ബ്രെയിൻസ് ലാസ്റ്റ് സ്റ്റാൻഡ്” പ്രഖ്യാപിച്ചു.

ഒരു ഗെയിമിനിടെ, ഡീപ് ബ്ലൂ ഒരു സെക്കൻഡിൽ 200 മീറ്റർ സ്ഥാനങ്ങൾ സ്കാൻ ചെയ്യുകയും 80 ഓളം നീക്കങ്ങൾ മുന്നോട്ട് വയ്ക്കുകയും ചെയ്തു. യന്ത്രം “ഒരു ദൈവത്തെപ്പോലെ കളിച്ചു” എന്ന് മത്സരത്തെ അനുസ്മരിച്ചുകൊണ്ട് കാസ്പറോവ് പറഞ്ഞു.

പ്രിൻസ്റ്റൺ സർവകലാശാലയിലെ ചരിത്ര പ്രൊഫസറും 2023 ലെ ഹൗ ഡാറ്റ ഹാപ്പെൻഡ് എന്ന പുസ്തകത്തിന്റെ സഹ-രചയിതാവുമായ മാത്യു ജോൺസ് പറയുന്നു: “ഇത് ചില അർത്ഥത്തിൽ, കൂടുതൽ പരമ്പരാഗത ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് രീതിയുടെ അവസാനത്തെ വലിയ ശ്വാസം മുട്ടലായിരുന്നു.”

യഥാർത്ഥ ലോക പ്രശ്നങ്ങൾ വളരെ വലുതാണ്: നിയമങ്ങൾ വ്യക്തമല്ല, വിവരങ്ങൾ കാണാനില്ല. ചെസ്സ് കളിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് നിങ്ങളുടെ ദിവസം ആസൂത്രണം ചെയ്യാനോ വീട് വൃത്തിയാക്കാനോ കാർ ഓടിക്കാനോ ടാസ്ക് മാറ്റാൻ കഴിയില്ല. “ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഏറ്റവും മികച്ച മാനദണ്ഡമല്ല ചെസ്സ്,” ഷെഫീൽഡ് സർവകലാശാലയിലെ മെഷീൻ ലേണിംഗ് മേധാവി പ്രൊഫസർ എലീനി വാസിലാകി പറയുന്നു.

ഡീപ് ബ്ലൂ മുതൽ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ ഏറ്റവും ആകർഷകമായ കുതിപ്പുകൾ തികച്ചും വ്യത്യസ്തമായ സമീപനത്തിൽ നിന്നാണ് വന്നത്, ഇത് റോസെൻബ്ലാറ്റിലും അദ്ദേഹത്തിന്റെ കാർഡ്-സോർട്ടിംഗ് പെർസെപ്റ്റോണിലും നിന്നുള്ളതാണ്. പെർസെപ്റ്റോണിനെ അടിസ്ഥാനമാക്കിയുള്ള ലളിതവും ഒറ്റ-പാളികളുള്ളതുമായ ന്യൂറൽ നെറ്റ് വർക്കുകൾ വളരെ ഉപയോഗപ്രദമായിരുന്നില്ല: അവർക്ക് നേടാൻ കഴിയുന്നതിന് അടിസ്ഥാന പരിധികളുണ്ടായിരുന്നു. എന്നാൽ മൾട്ടി-ലേയേർഡ് ന്യൂറൽ നെറ്റ് വർക്കുകൾ കൂടുതൽ ഫലപ്രദമാകുമെന്ന് ഗവേഷകർക്ക് അറിയാമായിരുന്നു. കമ്പ്യൂട്ടർ ശക്തിയുടെ അഭാവവും അവരെ എങ്ങനെ പരിശീലിപ്പിക്കാമെന്ന ബോധവുമാണ് അവരെ അപ്രാപ്യമാക്കിയത്.

1986 ൽ കാർനെഗി മെല്ലൺ സർവകലാശാലയിലെ ജെഫ്രി ഹിന്റൺ ഉൾപ്പെടെയുള്ള ഗവേഷകർ നെറ്റ് വർക്കുകൾ പഠിപ്പിക്കുന്നതിനുള്ള ഒരു മാർഗമായി “ബാക്ക് പ്രൊപ്പഗേഷൻ” വികസിപ്പിച്ചെടുത്തപ്പോഴാണ് ഈ വഴിത്തിരിവ് ഉണ്ടായത്. ഒരൊറ്റ “ന്യൂറോണുകൾ” അവരുടെ അയൽക്കാരുമായി ആശയവിനിമയം നടത്തുന്നതിനുപകരം, മുഴുവൻ പാളികൾക്കും ഇപ്പോൾ പരസ്പരം സംസാരിക്കാൻ കഴിയും.

നായ്ക്കുട്ടികളുടെ ചിത്രങ്ങളിൽ നിന്ന് പൂച്ചക്കുട്ടികളുടെ ചിത്രങ്ങൾ തരംതിരിക്കാൻ നിങ്ങൾ ഒരു ന്യൂറൽ നെറ്റ് വർക്ക് നിർമ്മിക്കുന്നുവെന്ന് കരുതുക. നെറ്റ് വർക്കിന്റെ വ്യത്യസ്ത പാളികളാൽ ഇമേജ് നൽകുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നു. ഓരോ പാളിയും വ്യത്യസ്ത സവിശേഷതകൾ നോക്കുന്നു, ഒരുപക്ഷേ അരികുകളും രൂപരേഖകളും അല്ലെങ്കിൽ രോമങ്ങളും മുഖങ്ങളും, അടുത്ത പാളിയിലേക്ക് ഔട്ട്പുട്ടുകൾ അയയ്ക്കുന്നു. അവസാന പാളിയിൽ, ന്യൂറൽ നെറ്റ് വർക്ക് ചിത്രം ഒരു പൂച്ചയോ നായയോ ആകാനുള്ള സാധ്യത കണക്കാക്കുന്നു. എന്നാൽ നെറ്റ് വർക്ക് അത് തെറ്റിദ്ധരിച്ചുവെന്ന് പറയാം: റോവർ ഒരിക്കലും കഴുത്തിൽ മണി ധരിക്കില്ല! നിങ്ങൾക്ക് പിശകിന്റെ വലുപ്പം കണക്കാക്കാനും നെറ്റ് വർക്കിലൂടെ പിന്നോട്ട് പ്രവർത്തിക്കാനും ന്യൂറോണുകളുടെ ഭാരം ക്രമീകരിക്കാനും കഴിയും – പ്രധാനമായും നെറ്റ് വർക്കിന്റെ കണക്ഷനുകളുടെ ശക്തി – പിശക് കുറയ്ക്കാൻ. ഈ പ്രക്രിയ വീണ്ടും വീണ്ടും ആവർത്തിക്കുന്നു, നെറ്റ് വർക്ക് എങ്ങനെ പഠിക്കുന്നു എന്നതാണ്.

ഈ മുന്നേറ്റം ന്യൂറൽ നെറ്റ് വർക്കുകളെ വീണ്ടും വെളിച്ചത്തിലേക്ക് നയിച്ചു, പക്ഷേ കമ്പ്യൂട്ടിംഗ് ശക്തിയുടെയും ഡാറ്റയുടെയും അഭാവം വീണ്ടും ഗവേഷകരെ തടഞ്ഞു. 2000 കളിൽ കൂടുതൽ ശക്തമായ പ്രോസസ്സറുകൾ, പ്രത്യേകിച്ച് വീഡിയോ ഗെയിമിംഗിനുള്ള ഗ്രാഫിക്സ് പ്രോസസ്സിംഗ് യൂണിറ്റുകൾ, ധാരാളം ഡാറ്റ എന്നിവ ഉപയോഗിച്ച് ഇത് മാറി, വാക്കുകൾ, ഇമേജുകൾ, ഓഡിയോ എന്നിവ നിറഞ്ഞ ഇന്റർനെറ്റിന് നന്ദി. “ആഴത്തിലുള്ള” ന്യൂറൽ നെറ്റ് വർക്കുകൾ നിർമ്മിക്കുന്നത് – ധാരാളം പാളികളുള്ളവ – വളരെയധികം ശക്തമാണെന്ന് ശാസ്ത്രജ്ഞർ തെളിയിച്ചപ്പോൾ 2012 ൽ മറ്റൊരു ഘട്ടം മാറി. ദശലക്ഷക്കണക്കിന് ആളുകളുടെ ഡാറ്റാബേസിൽ നിന്ന് ചിത്രങ്ങൾ തിരിച്ചറിയാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ വെല്ലുവിളിക്കുന്ന അന്താരാഷ്ട്ര മത്സരമായ ഇമേജ്നെറ്റ് ചലഞ്ചിലെ എതിർപ്പിനെ മറികടന്ന 10,000 ന്യൂറോണുകളുള്ള എട്ട് പാളികളുള്ള നെറ്റ് വർക്കായ അലക്സ്നെറ്റ് ഹിന്റണും മറ്റുള്ളവരും അനാവരണം ചെയ്തു.

“സ്കെയിൽ ശരിക്കും പ്രാധാന്യമർഹിക്കുന്ന ആദ്യത്തെ പാഠമായിരുന്നു അലക്സ്നെറ്റ്,” എഡിൻബർഗ് സർവകലാശാലയിലെ പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗിൽ വിദഗ്ദ്ധയായ പ്രൊഫസർ മിറെല്ല ലപാറ്റ പറയുന്നു. “ഒരു ജോലിയെക്കുറിച്ച് നമുക്ക് അറിയാവുന്ന അറിവ് ഒരു കമ്പ്യൂട്ടറിലേക്ക് ഇടാൻ കഴിയുമെങ്കിൽ, കമ്പ്യൂട്ടറിന് ആ ജോലി ചെയ്യാൻ കഴിയുമെന്ന് ആളുകൾ കരുതിയിരുന്നു. പക്ഷേ, ചിന്താഗതി മാറി. കണക്കുകൂട്ടലും സ്കെയിലും മനുഷ്യന്റെ അറിവിനേക്കാൾ വളരെ പ്രധാനമാണ്.”

അലക്സ്നെറ്റിന് ശേഷം, നേട്ടങ്ങൾ കട്ടിയുള്ളതും വേഗത്തിലും വന്നു. “ഇന്റലിജൻസ് പരിഹരിക്കുക” എന്ന ലക്ഷ്യത്തോടെ 2010 ൽ സ്ഥാപിതമായ ഗൂഗിളിന്റെ ഡീപ് മൈൻഡ്, ആദ്യം മുതൽ ക്ലാസിക് അറ്റാരി ഗെയിമുകൾ കളിക്കാൻ പഠിച്ച ഒരു അൽഗോരിതം പുറത്തിറക്കി. ഭിത്തിയുടെ ഒരു വശത്തുകൂടി ഒരു ചാനൽ തകർത്ത് പന്ത് പിന്നിലെ സ്ഥലത്തേക്ക് അയച്ചുകൊണ്ട് ബ്രേക്കൗട്ടിൽ എങ്ങനെ വിജയിക്കാമെന്ന് പരീക്ഷണത്തിലൂടെയും പിശകിലൂടെയും ഇത് കണ്ടെത്തി. മറ്റൊരു ഡീപ് മൈൻഡ് അൽഗോരിതമായ ആൽഫാഗോ ചൈനീസ് ബോർഡ് ഗെയിമിൽ ഗോ ചാമ്പ്യൻ ലീ സെഡോളിനെ പരാജയപ്പെടുത്തി. അതിനുശേഷം കമ്പനി ആൽഫഫോൾഡ് പുറത്തിറക്കി. പ്രോട്ടീൻ ആകൃതികൾ അവയുടെ രാസഘടനയുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് മനസ്സിലാക്കിയ ശേഷം, 200 മീറ്റർ കൂടുതൽ 3 ഡി ഘടനകൾ പ്രവചിച്ചു, ഇത് ശാസ്ത്രത്തിന് അറിയാവുന്ന മിക്കവാറും എല്ലാ പ്രോട്ടീനുകളും കണക്കാക്കുന്നു. ഘടനകൾ ഇപ്പോൾ മെഡിക്കൽ സയൻസിന്റെ ഒരു പുതിയ തരംഗത്തെ നയിക്കുന്നു.

വളരെയധികം ഡാറ്റയിൽ പരിശീലനം നേടിയ ചാറ്റ്ജിപിടിക്ക് മുമ്പത്തെ അൽഗോരിതങ്ങളിൽ നിന്ന് ഒഴിഞ്ഞുമാറിയ ഭാഷയുടെ സവിശേഷതകൾ പ്രയോഗിക്കാൻ കഴിയും. ഫോട്ടോ: അസ്കാനിയോ/അലമി

ആഴത്തിലുള്ള പഠന വിപ്ലവത്തിൽ നിന്ന് ധാരാളം തലക്കെട്ടുകൾ ഒഴുകിയെത്തി, പക്ഷേ ഇവ ഇപ്പോൾ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അഴിച്ചുവിട്ട വേലിയേറ്റ തരംഗത്തിന് മുമ്പുള്ള തരംഗങ്ങൾ പോലെ കാണപ്പെടുന്നു. 2022 ൽ പുറത്തിറങ്ങിയ ഓപ്പൺ എഐയുടെ ചാപ്റ്റ് ജിപിടി ഉദാഹരണമാക്കിയ ശക്തമായ പുതിയ ഉപകരണങ്ങൾ തലമുറകളിലെ പ്രാവീണ്യത്തിന് നാമകരണം ചെയ്യപ്പെട്ടു: ഉപന്യാസങ്ങൾ, കവിതകൾ, ജോബ്-ആപ്ലിക്കേഷൻ കത്തുകൾ, കലാസൃഷ്ടികൾ, സിനിമകൾ, ക്ലാസിക്കൽ സംഗീതം.

ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഹൃദയഭാഗത്തുള്ള എഞ്ചിൻ ഒരു ട്രാൻസ്ഫോർമർ എന്നറിയപ്പെടുന്നു. വിവർത്തനം മെച്ചപ്പെടുത്തുന്നതിനായി ഗൂഗിൾ ഗവേഷകർ വികസിപ്പിച്ചെടുത്ത ഇത് 2017 ലെ ഒരു പ്രബന്ധത്തിൽ വിവരിച്ചു, അതിന്റെ തലക്കെട്ടായ അറ്റൻഷൻ ഈസ് ഓൾ യു നീഡ്, ഒരു ബീറ്റിൽസ് ഹിറ്റിനെക്കുറിച്ചാണ്. അതിന്റെ സ്രഷ്ടാക്കൾ പോലും അത് ചെലുത്തുന്ന സ്വാധീനത്തെ കുറച്ചുകാണുന്നതായി തോന്നുന്നു.

പ്രബന്ധത്തിന്റെ സഹ-രചയിതാവും അതിന്റെ തലക്കെട്ടിന്റെ ഉത്തരവാദിത്തമുള്ളയാളുമായ ലിയോൺ ജോൺസ് ഗൂഗിൾ വിട്ട് സക്കാന എഐ എന്ന പുതിയ കമ്പനി സ്ഥാപിച്ചു. ടോക്കിയോയിലെ തന്റെ ഓഫീസിൽ നിന്ന് ഒരു പുതിയ ട്രാൻസ്ഫോർമർ പരീക്ഷണം പാചകം ചെയ്യുന്നതിനിടെ അദ്ദേഹം പത്രത്തിന്റെ സ്വീകരണത്തെക്കുറിച്ച് ചിന്തിച്ചു. “ഞങ്ങൾ തികച്ചും പൊതുവായ എന്തെങ്കിലും സൃഷ്ടിക്കുകയാണെന്ന് ഞങ്ങൾ കരുതി, അത് പ്രത്യേകമായി വിവർത്തനം ചെയ്യാൻ രൂപകൽപ്പന ചെയ്തിട്ടില്ല. എന്നാൽ ഇത് ഈ ജനറൽ ആയിരിക്കുമെന്നും അത് ഏറ്റെടുക്കുമെന്നും ഞങ്ങൾ ഒരിക്കലും കരുതിയില്ലെന്ന് ഞാൻ കരുതുന്നു,” അദ്ദേഹം പറഞ്ഞു. “മിക്കവാറും എല്ലാം ഇപ്പോൾ ട്രാൻസ്ഫോർമറുകളിലാണ് പ്രവർത്തിക്കുന്നത്.”

ട്രാൻസ്ഫോർമറിന് മുമ്പ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് നയിക്കുന്ന വിവർത്തകർ സാധാരണയായി വാക്യങ്ങൾ ഒന്നിനു പുറകെ ഒന്നായി പ്രോസസ്സ് ചെയ്തുകൊണ്ട് ഭാഷ പഠിച്ചു. സമീപനത്തിന് അതിന്റേതായ പോരായ്മകളുണ്ട്. ക്രമത്തിൽ വാക്കുകൾ പ്രോസസ്സ് ചെയ്യുന്നത് മന്ദഗതിയിലാണ്, മാത്രമല്ല ഇത് നീണ്ട വാചകങ്ങൾക്ക് നന്നായി പ്രവർത്തിക്കുന്നില്ല: അവസാന വാക്കുകൾ എത്തുമ്പോഴേക്കും ആദ്യത്തേത് മറന്നു. ശ്രദ്ധ എന്ന പ്രക്രിയയുടെ സഹായത്തോടെ ട്രാൻസ്ഫോർമർ ഈ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നു. ഒരു വാചകത്തിലെ എല്ലാ വാക്കുകളും ഒരേസമയം പ്രോസസ്സ് ചെയ്യാനും ചുറ്റുമുള്ളവരുടെ സന്ദർഭത്തിൽ ഓരോ വാക്കും മനസ്സിലാക്കാനും ഇത് നെറ്റ് വർക്കിനെ അനുവദിക്കുന്നു.

ഓപ്പൺഎഐയുടെ ജിപിടി – “ജനറേറ്റീവ് പ്രീ-ട്രെയിനഡ് ട്രാൻസ്ഫോർമർ” എന്നതിന്റെ ചുരുക്കപ്പേരാണ് – സമാനമായ വലിയ ഭാഷാ മോഡലുകൾക്ക് വാചകത്തിന്റെ ഭാഗങ്ങൾ ദൈർഘ്യമേറിയതും ഒഴുക്കുള്ളതും, എല്ലായ്പ്പോഴും പൂർണ്ണമായും വിശ്വസനീയമല്ലെങ്കിലും, എഴുതാൻ കഴിയും. ഇന്റർനെറ്റിലെ മിക്ക ടെക്സ്റ്റുകളും ഉൾപ്പെടെ വളരെയധികം ഡാറ്റയിൽ പരിശീലനം നേടിയ അവർ മുൻ അൽഗോരിതങ്ങളിൽ നിന്ന് ഒഴിഞ്ഞുമാറിയ ഭാഷയുടെ സവിശേഷതകൾ പഠിക്കുന്നു.

ഒരുപക്ഷേ ഏറ്റവും ശ്രദ്ധേയവും ആവേശകരവുമായത് ട്രാൻസ്ഫോർമറുകൾക്ക് വിശാലമായ ജോലികളിലേക്ക് കൈ തിരിക്കാൻ കഴിയും എന്നതാണ്. സംഗീതം, വീഡിയോ, ഇമേജുകൾ, പ്രസംഗം എന്നിങ്ങനെ ഡാറ്റയുടെ സവിശേഷതകൾ പഠിച്ചുകഴിഞ്ഞാൽ കൂടുതൽ സൃഷ്ടിക്കാൻ പ്രേരിപ്പിക്കാം. വ്യത്യസ്ത മാധ്യമങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് വ്യത്യസ്ത ന്യൂറൽ നെറ്റ് വർക്കുകൾ ആവശ്യമുള്ളതിനേക്കാൾ, ട്രാൻസ്ഫോർമറിന് ധാരാളം കൈകാര്യം ചെയ്യാൻ കഴിയും.

“ഇതൊരു ഘട്ടം ഘട്ടമായ മാറ്റമാണ്. ഇത് ഒരു യഥാർത്ഥ സാങ്കേതിക വഴിത്തിരിവാണ്,” ഓക്സ്ഫോർഡ് സർവകലാശാലയിലെ കമ്പ്യൂട്ടർ സയൻസ് പ്രൊഫസറും ദി റോഡ് ടു ബോധവത്ക്കരണ യന്ത്രങ്ങളുടെ രചയിതാവുമായ മൈക്കൽ വൂൾഡ്രിഡ്ജ് പറയുന്നു. “ഗൂഗിൾ സാധ്യതകൾ കണ്ടെത്തിയിട്ടില്ലെന്ന് വ്യക്തമാണ്. ഞങ്ങൾ ഇതുവരെ കണ്ടിട്ടുള്ളതിൽ വച്ച് ഏറ്റവും ഫലപ്രദമായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വികസനമായിരിക്കുമെന്ന് അവർ മനസ്സിലാക്കിയിരുന്നെങ്കിൽ അവർ പ്രബന്ധം പുറത്തിറക്കുമായിരുന്നുവെന്ന് വിശ്വസിക്കാൻ എനിക്ക് പ്രയാസമാണ്.”

വൂൾഡ്രിഡ്ജ് സിസിടിവിയിൽ ആപ്ലിക്കേഷനുകൾ കാണുന്നു, ട്രാൻസ്ഫോർമർ ശൃംഖലകൾ കുറ്റകൃത്യങ്ങൾ നടക്കുമ്പോൾ കണ്ടെത്തുന്നു. “എൽവിസും ബഡ്ഡി ഹോളിയും മരിച്ചവരിൽ നിന്ന് മടങ്ങിവരുന്ന ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ലോകത്തേക്ക് ഞങ്ങൾ പോകും. നിങ്ങൾ യഥാർത്ഥ സ്റ്റാർ ട്രെക്ക് സീരീസിന്റെ ആരാധകനാണെങ്കിൽ, വില്യം ഷാറ്റ്നർ, ലിയോനാർഡ് നിമോയ് എന്നിവരെപ്പോലെ ശബ്ദമുള്ള ശബ്ദങ്ങൾ ഉപയോഗിച്ച് ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് നിങ്ങൾക്ക് ഇഷ്ടമുള്ളത്ര എപ്പിസോഡുകൾ സൃഷ്ടിക്കും. വ്യത്യാസം പറയാൻ പറ്റില്ല.”

പക്ഷേ വിപ്ലവം ഒരു വില കൊടുക്കേണ്ടി വരും. ചാറ്റ്ജിപിടി പോലുള്ള പരിശീലന മോഡലുകൾക്ക് വളരെയധികം കമ്പ്യൂട്ടിംഗ് ശക്തി ആവശ്യമാണ്, കൂടാതെ കാർബൺ പുറന്തള്ളൽ വളരെ കൂടുതലാണ്. ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് “കാലാവസ്ഥാ പ്രതിസന്ധിയുമായി ഒരു കൂട്ടിയിടിയുടെ പാതയിലേക്ക് നമ്മെ നയിച്ചു”, പെൻ പറയുന്നു. “എല്ലാ ദിവസവും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിൽ പ്രവർത്തിക്കാൻ നമ്മുടെ സമൂഹത്തെ അമിതമായി എഞ്ചിനീയറിംഗ് ചെയ്യുന്നതിനുപകരം, ഉപയോഗപ്രദമായ കാര്യങ്ങൾക്കായി നമുക്ക് ഇത് ഉപയോഗിക്കാം, അത് ഇല്ലാത്തിടത്ത് നമ്മുടെ സമയം പാഴാക്കരുത്.”