മനുഷ്യന്റെ ചിന്തകളെ അനുകരിക്കാൻ ലക്ഷ്യമിടുന്ന ഒരു സാങ്കേതികവിദ്യയായ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഉയർച്ചയ്ക്കൊപ്പം അമ്പരപ്പിക്കുന്ന പുതിയ പദങ്ങളുടെ ഒരു നിര. ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മുതൽ മെഷീൻ ലേണിംഗ്, ന്യൂറൽ നെറ്റ്സ്, മതിഭ്രമം എന്നിവ വരെ. നമ്മുടെ ജീവിതത്തിലെ ഏറ്റവും ഫലപ്രദമായ സാങ്കേതിക വിപ്ലവങ്ങളിലൊന്ന് ഡീമിസ്റ്റിഫൈ ചെയ്യാൻ സഹായിക്കുന്നതിന് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് പിന്നിലെ ഏറ്റവും പ്രധാനപ്പെട്ട ചില ആശയങ്ങളിലേക്കുള്ള ഒരു ഗൈഡ് ഇതാ:

അൽഗോരിതം: ഇന്നത്തെ അൽഗോരിതങ്ങൾ സാധാരണയായി ഒരു കമ്പ്യൂട്ടർ പിന്തുടരേണ്ട നിർദ്ദേശങ്ങളുടെ ഒരു കൂട്ടമാണ്. ഡാറ്റ തിരയാനും തരംതിരിക്കാനും രൂപകൽപ്പന ചെയ്തവ വിവരങ്ങൾ വീണ്ടെടുക്കുന്നതിനും ഒരു പ്രത്യേക ക്രമത്തിൽ വയ്ക്കുന്നതിനും പ്രവർത്തിക്കുന്ന കമ്പ്യൂട്ടർ അൽഗോരിതങ്ങളുടെ ഉദാഹരണങ്ങളാണ്. ഒരു ദൗത്യം പൂർത്തിയാക്കുന്നതിനുള്ള പരിമിതമായ ഘട്ടങ്ങൾ ഉച്ചരിക്കുന്നിടത്തോളം കാലം അവയിൽ വാക്കുകൾ, അക്കങ്ങൾ അല്ലെങ്കിൽ കോഡ്, ചിഹ്നങ്ങൾ എന്നിവ അടങ്ങിയിരിക്കാം. എന്നാൽ അൽഗോരിതങ്ങൾക്ക് പുരാതനകാലത്ത് വേരുകളുണ്ട്, കുറഞ്ഞത് ബാബിലോണിയൻ കാലഘട്ടത്തിലെ കളിമൺ ഫലകങ്ങൾ വരെ പോകുന്നു. വിഭജനത്തിനായുള്ള ഒരു യൂക്ലിഡിയൻ അൽഗോരിതം ഇപ്പോഴും ഉപയോഗത്തിലുണ്ട്, മാത്രമല്ല നിങ്ങളുടെ പല്ല് തേക്കുന്നത് ഒരു അൽഗോരിതമായി പോലും വാറ്റിയെടുത്തെടുക്കാം, ശ്രദ്ധേയമായ സങ്കീർണ്ണമാണെങ്കിലും, ആ ദൈനംദിന അനുഷ്ഠാനത്തിലേക്ക് പോകുന്ന മികച്ച ചലനങ്ങളുടെ ക്രമീകരണം കണക്കിലെടുക്കുമ്പോൾ.

മെഷീൻ ലേണിംഗ്: കമ്പ്യൂട്ടറുകൾ പ്രോസസ്സ് ചെയ്യുന്ന ഡാറ്റയിൽ നിന്ന് പഠിക്കാൻ അനുവദിക്കുന്ന സാങ്കേതികതകളെ ആശ്രയിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു ശാഖ. അറിവ് നേരിട്ട് ഒരു കമ്പ്യൂട്ടറിലേക്ക് പ്രോഗ്രാം ചെയ്തുകൊണ്ട് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സൃഷ്ടിക്കാൻ ശാസ്ത്രജ്ഞർ മുമ്പ് ശ്രമിച്ചിരുന്നു.

നിങ്ങൾക്ക് ഒരു എം എൽ സിസ്റ്റത്തിന് വെബിൽ നിന്ന് ദശലക്ഷക്കണക്കിന് മൃഗങ്ങളുടെ ചിത്രങ്ങൾ നൽകാൻ കഴിയും, ഓരോന്നും പൂച്ച അല്ലെങ്കിൽ നായ എന്ന് ലേബൽ ചെയ്യപ്പെടുന്നു. ഫീഡിംഗ് വിവരങ്ങളുടെ ഈ പ്രക്രിയയെ “പരിശീലനം” എന്ന് വിളിക്കുന്നു. മൃഗങ്ങളെക്കുറിച്ച് മറ്റൊന്നും അറിയാതെ, സിസ്റ്റത്തിന് ചിത്രങ്ങളിലെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പാറ്റേണുകൾ തിരിച്ചറിയാനും പൂച്ചകളുടെയും നായ്ക്കളുടെയും പുതിയ ഉദാഹരണങ്ങൾ തിരിച്ചറിയാനും തരംതിരിക്കാനും ആ പാറ്റേണുകൾ ഉപയോഗിക്കാനും കഴിയും.

ഡാറ്റയിലെ പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിൽ എം എൽ സിസ്റ്റങ്ങൾ വളരെ മികച്ചതാണെങ്കിലും, ജോലിക്ക് യുക്തിയുടെ നീണ്ട ശൃംഖലകളോ സങ്കീർണ്ണമായ ആസൂത്രണമോ ആവശ്യമുള്ളപ്പോൾ അവ ഫലപ്രദമല്ല.

നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്: മനുഷ്യ ഭാഷയെ വ്യാഖ്യാനിക്കാനും പ്രതികരിക്കാനും കഴിയുന്ന മെഷീൻ ലേണിംഗ് ഒരു രൂപം. ആപ്പിളിന്റെ സിരി, ആമസോണിന്റെ അലക്സ.com എന്നിവയ്ക്ക് ഇത് കരുത്തേകുന്നു. ഇന്നത്തെ എൻഎൽപി ടെക്നിക്കുകളിൽ ഭൂരിഭാഗവും സംഗ്രഹം, ചോദ്യോത്തരം അല്ലെങ്കിൽ വിവർത്തനം പോലുള്ള ഒരു ലക്ഷ്യം നിറവേറ്റാനുള്ള സാധ്യതയെ അടിസ്ഥാനമാക്കി വാക്കുകളുടെ ഒരു ക്രമം തിരഞ്ഞെടുക്കുന്നുവെന്ന് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെക്കുറിച്ച് ഗവേഷണം നടത്തുന്ന ഗൂഗിൾ അനുബന്ധ സ്ഥാപനമായ ഡീപ്മൈൻഡിലെ സ്റ്റാഫ് റിസർച്ച് സയന്റിസ്റ്റ് ഡാനിയൽ മാൻകോവിറ്റ്സ് പറഞ്ഞു.

“ക്ലബ്” എന്ന പദം ഒരു സാൻഡ് വിച്ച്, ഗോൾഫ് ഗെയിം അല്ലെങ്കിൽ നൈറ്റ് ലൈഫ് എന്നിവയെ സൂചിപ്പിക്കുന്നുണ്ടോ എന്ന് ചുറ്റുമുള്ള വാചകത്തിന്റെ സന്ദർഭത്തിൽ നിന്ന് പറയാൻ കഴിയും. 1950 കളിലും 1960 കളിലും കമ്പ്യൂട്ടറുകളെ ഭാഷ വിശകലനം ചെയ്യാനും മനസ്സിലാക്കാനും സഹായിക്കുന്ന പ്രക്രിയയ്ക്ക് ശാസ്ത്രജ്ഞർക്ക് നിയമങ്ങൾ സ്വയം കോഡ് ചെയ്യാൻ ആവശ്യമായിരുന്നു. ഇന്ന്, കമ്പ്യൂട്ടറുകൾ ആ ഭാഷാ അസോസിയേഷനുകൾ സ്വന്തമായി നിർമ്മിക്കാൻ പരിശീലനം നൽകുന്നു.

ന്യൂറൽ നെറ്റ് വർക്കുകൾ: മനുഷ്യ മസ്തിഷ്കത്തിൽ ന്യൂറോണുകൾ പ്രവർത്തിക്കുന്ന രീതി അനുകരിക്കുന്ന മെഷീൻ ലേണിംഗിലെ ഒരു സാങ്കേതികത. തലച്ചോറിൽ, ന്യൂറോണുകൾക്ക് ചിന്തകളെയും വികാരങ്ങളെയും ശക്തിപ്പെടുത്തുന്ന സിഗ്നലുകൾ അയയ്ക്കാനും സ്വീകരിക്കാനും കഴിയും. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിൽ, കൃത്രിമ ന്യൂറോണുകളുടെ അല്ലെങ്കിൽ നോഡുകളുടെ ഗ്രൂപ്പുകൾ സമാനമായി പരസ്പരം വിവരങ്ങൾ അയയ്ക്കുകയും സ്വീകരിക്കുകയും ചെയ്യുന്നു. ന്യൂറൽ നെറ്റ്സ് രൂപീകരിക്കുന്നതിന് മറ്റ് കൃത്രിമ ന്യൂറോണുകളുമായി കണക്ഷൻ പോയിന്റുകളായി പ്രവർത്തിക്കുന്ന കോഡിന്റെ ലൈനുകളാണ് കൃത്രിമ ന്യൂറോണുകൾ.

മെഷീൻ ലേണിംഗിന്റെ പഴയ രൂപങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, അവർ നിരന്തരം പുതിയ ഡാറ്റയിൽ പരിശീലനം നേടുകയും അവരുടെ തെറ്റുകളിൽ നിന്ന് പഠിക്കുകയും ചെയ്യുന്നു. ഉദാഹരണത്തിന്, തിരയലുകൾ, അവർ പിന്തുടരുന്ന ബോർഡുകൾ, അവർ ക്ലിക്കുചെയ്യുകയും സംരക്ഷിക്കുകയും ചെയ്യുന്ന പിൻ എന്നിവ പോലുള്ള ഉപയോക്താക്കളെക്കുറിച്ചുള്ള ഡാറ്റയുടെ പർവതങ്ങൾ ഞെരുക്കിക്കൊണ്ട് ഉപഭോക്താവിന്റെ ശ്രദ്ധ ആകർഷിക്കുന്ന ചിത്രങ്ങളും പരസ്യങ്ങളും കണ്ടെത്താൻ Pinterest ന്യൂറൽ നെറ്റ് വർക്കുകൾ ഉപയോഗിക്കുന്നു. അതേസമയം, പരസ്യങ്ങളിൽ ക്ലിക്കുചെയ്യാൻ ഏത് ഉള്ളടക്കമാണ് അവരെ പ്രേരിപ്പിക്കുന്നത്, അവരുടെ താൽപ്പര്യങ്ങൾ പഠിക്കുന്നതിനും കൂടുതൽ പ്രസക്തമായ ഉള്ളടക്കം നൽകുന്നതിനും നെറ്റ് വർക്കുകൾ ഉപയോക്താക്കളുടെ പരസ്യ ഡാറ്റ നോക്കുന്നു.

ഡീപ് ലേണിംഗ്: ന്യൂറൽ നെറ്റ് വർക്കുകൾ ഉപയോഗിക്കുകയും തുടർച്ചയായി പഠിക്കുകയും ചെയ്യുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു രൂപം. ആഴത്തിലുള്ള പഠനത്തിലെ “ആഴം” ഒരു ശൃംഖലയിലെ കൃത്രിമ ന്യൂറോണുകളുടെ ഒന്നിലധികം പാളികളെ സൂചിപ്പിക്കുന്നു. ചെറിയ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിൽ മികച്ച ന്യൂറൽ വലകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ആഴത്തിലുള്ള പഠന അൽഗോരിതങ്ങൾക്ക് കൂടുതൽ സങ്കീർണ്ണമായ പ്രോസസ്സിംഗ് കഴിവുണ്ട്, കാരണം അവയുടെ പരസ്പരബന്ധിതമായ നോഡുകളുടെ പാളികൾ. മനുഷ്യ മസ്തിഷ്കത്തിന്റെ ശരീരഘടനയിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടിട്ടുണ്ടെങ്കിലും, യഥാർത്ഥ മനുഷ്യ മസ്തിഷ്കത്തിന്റെ പ്രകടനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ന്യൂറൽ നെറ്റ് വർക്കുകൾ പൊട്ടുന്നതും കാര്യക്ഷമമല്ലാത്തതും മയോപിക് ആണെന്ന് ഓക്സ്ഫോർഡ് സർവകലാശാലയിലെ ഡോക്ടറൽ സ്ഥാനാർത്ഥി ഡേവിഡ് വാട്സൺ 2019 ലെ ഒരു പ്രബന്ധത്തിൽ എഴുതുന്നു. ടൊറന്റോ സർവകലാശാലയിലെ മൂന്ന് ഗവേഷകർ 2012 ൽ നടത്തിയ ഒരു സുപ്രധാന പ്രബന്ധം മുതൽ ഈ രീതി ജനപ്രീതി നേടി.

വലിയ ഭാഷാ മോഡലുകൾ: ടെക്സ്റ്റും മറ്റ് ഉള്ളടക്കവും സംഗ്രഹിക്കാനും സൃഷ്ടിക്കാനും പ്രവചിക്കാനും വിവർത്തനം ചെയ്യാനും സമന്വയിപ്പിക്കാനും കഴിവുള്ള ആഴത്തിലുള്ള പഠന അൽഗോരിതങ്ങൾ. പ്രോഗ്രാമർമാർക്കും ഡാറ്റാ ശാസ്ത്രജ്ഞർക്കും ഒരു സാധാരണ ആരംഭ പോയിന്റ് ഇന്റർനെറ്റിൽ നിന്ന് ഓപ്പൺ സോഴ്സ്, പൊതുവായി ലഭ്യമായ ഡാറ്റാ സെറ്റുകളിൽ ഈ മോഡലുകളെ പരിശീലിപ്പിക്കുക എന്നതാണ്.

2017 ൽ ഗൂഗിൾ വികസിപ്പിച്ചെടുത്ത ഒരു “ട്രാൻസ്ഫോർമർ” മോഡലിൽ നിന്നാണ് എൽഎൽഎമ്മുകൾ ഉത്ഭവിക്കുന്നത്, ഇത് വളരെയധികം ഡാറ്റ ഉപയോഗിച്ച് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നത് വിലകുറഞ്ഞതും കാര്യക്ഷമവുമാക്കുന്നു. 2018 ൽ പുറത്തിറങ്ങിയ ഓപ്പൺ എഐയുടെ ആദ്യത്തെ ജിപിടി മോഡൽ ഗൂഗിളിന്റെ ട്രാൻസ്ഫോർമർ വർക്ക് ഉപയോഗിച്ചാണ് നിർമ്മിച്ചത്. (GPT എന്നാല് Generative Pretrained Transformers). മൾട്ടിമോഡൽ ലാംഗ്വേജ് മോഡലുകൾ എന്നറിയപ്പെടുന്ന എൽഎൽഎമ്മുകൾക്ക് ഭാഷ, ഇമേജുകൾ, ഓഡിയോ തുടങ്ങിയ വ്യത്യസ്ത രീതികളിൽ പ്രവർത്തിക്കാൻ കഴിയും.

ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്: ടെക്സ്റ്റ്, ഇമേജുകൾ, വീഡിയോ, ഓഡിയോ എന്നിവയുൾപ്പെടെ വിവിധ തരം ഉള്ളടക്കം സൃഷ്ടിക്കാൻ കഴിയുന്ന ഒരു തരം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്. പ്രോംപ്റ്റുകൾ എന്ന് വിളിക്കപ്പെടുന്ന ഒരു വ്യക്തി വിവരങ്ങളോ നിർദ്ദേശങ്ങളോ ഫൗണ്ടേഷൻ മോഡൽ എന്ന് വിളിക്കപ്പെടുന്നതിലേക്ക് നൽകുന്നതിന്റെ ഫലമാണ് ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്, ഇത് നൽകിയ പ്രോംപ്റ്റിനെ അടിസ്ഥാനമാക്കി ഒരു ഔട്ട്പുട്ട് ഉത്പാദിപ്പിക്കുന്നു. ചാറ്റ്ബോട്ടുകൾ, കോഡ് റൈറ്റിംഗ് അസിസ്റ്റന്റുകൾ, ഡിസൈൻ ടൂളുകൾ എന്നിവ പോലുള്ള കൂടുതൽ പ്രത്യേക ആപ്ലിക്കേഷനുകൾ വികസിപ്പിക്കാൻ ഉപയോഗിക്കാവുന്ന വിശാലവും വൈവിധ്യമാർന്നതുമായ ഡാറ്റയിൽ പരിശീലനം ലഭിച്ച മോഡലുകളുടെ ഒരു ക്ലാസാണ് ഫൗണ്ടേഷൻ മോഡലുകൾ. അത്തരം മോഡലുകളിലും അവയുടെ ആപ്ലിക്കേഷനുകളിലും ഓപ്പൺ എഐയുടെ ചാറ്റ്ജിപിടി, ഗൂഗിൾ ബാർഡ് തുടങ്ങിയ ടെക്സ്റ്റ് ജനറേറ്ററുകൾ, ചിത്രങ്ങൾ സൃഷ്ടിക്കുന്ന ഓപ്പൺഎഐയുടെ ഡാൽ-ഇ, സ്റ്റെബിലിറ്റി.ai സ്റ്റെബിലിറ്റി ഡിഫ്യൂഷൻ എന്നിവ ഉൾപ്പെടുന്നു.

ദൈനംദിന ഭാഷയിൽ ചോദ്യങ്ങളോ പ്രോംപ്റ്റുകളോ ടൈപ്പുചെയ്ത് ഓപ്പൺ എഐയുടെ അടിസ്ഥാന സാങ്കേതികവിദ്യയുമായി സംവദിക്കുന്നത് എളുപ്പമാക്കിയ ചാറ്റ്ജിപിടി പുറത്തിറങ്ങിയതോടെ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലുള്ള താൽപ്പര്യം കഴിഞ്ഞ നവംബറിൽ പൊട്ടിത്തെറിച്ചു. അതുപോലെ, OpenAI യുടെ ഡാൽ-ഇ 2 റിയലിസ്റ്റിക് ലുക്കുള്ള ചിത്രങ്ങൾ സൃഷ്ടിക്കുന്നു.

ഡാറ്റയുടെ സീക്വൻസുകളിൽ ദീർഘദൂര പാറ്റേണുകൾ കണ്ടെത്തുന്നതിന് അത്തരം മോഡലുകൾ ഇന്റർനെറ്റിലും കൂടുതൽ അനുയോജ്യമായ ഡാറ്റാ സെറ്റുകളിലും പരിശീലിപ്പിക്കുന്നു, ഇത് എഐ സോഫ്റ്റ്വെയറിനെ എഴുതുമ്പോഴോ സൃഷ്ടിക്കുമ്പോഴോ അനുയോജ്യമായ അടുത്ത വാക്കോ ഖണ്ഡികയോ പ്രകടിപ്പിക്കാൻ പ്രാപ്തമാക്കുന്നു.

ചാറ്റ്ബോട്ടുകൾ: മനുഷ്യ ഭാഷയിൽ ആളുകളുമായി സംഭാഷണങ്ങളിൽ ഏർപ്പെടാൻ കഴിയുന്ന ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാം. ആധുനിക ചാറ്റ്ബോട്ടുകൾ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ ആശ്രയിക്കുന്നു, അവിടെ ആളുകൾക്ക് ചോദ്യങ്ങൾ ചോദിക്കാനോ മനുഷ്യ ഭാഷകളിലെ ഫൗണ്ടേഷൻ മോഡലുകൾക്ക് നിർദ്ദേശങ്ങൾ നൽകാനോ കഴിയും. ഒരു വലിയ ഭാഷാ മോഡൽ ഉപയോഗിക്കുന്ന ഒരു ചാറ്റ്ബോട്ടിന്റെ ഉദാഹരണമാണ് ചാറ്റ്ജിപിടി, ഈ സാഹചര്യത്തിൽ, OpenAI യുടെ GPT. ചരിത്രം മുതൽ തത്ത്വചിന്ത വരെയുള്ള വിഷയങ്ങളെക്കുറിച്ച് ആളുകൾക്ക് ചാറ്റ്ജിപിടിയുമായി സംഭാഷണം നടത്താനും ടെയ്ലർ സ്വിഫ്റ്റ് അല്ലെങ്കിൽ ബില്ലി ജോയലിന്റെ ശൈലിയിൽ വരികൾ സൃഷ്ടിക്കാനോ കമ്പ്യൂട്ടർ പ്രോഗ്രാമിംഗ് കോഡിലേക്ക് എഡിറ്റുകൾ നിർദ്ദേശിക്കാനോ ആവശ്യപ്പെടാം. വളരെയധികം ടെക്സ്റ്റ് സമന്വയിപ്പിക്കാനും സംഗ്രഹിക്കാനും ഇപ്പോൾ ഭാഷയിൽ നിലനിൽക്കുന്ന എത്ര വിഷയങ്ങളിലും മനുഷ്യ ഭാഷാ ഔട്ട്പുട്ടുകളാക്കി മാറ്റാനും ചാറ്റ്ജിപിടിക്ക് കഴിയും.

മതിഭ്രമം: ഒരു അടിസ്ഥാന മോഡൽ വസ്തുതയിലോ യാഥാർത്ഥ്യത്തിലോ അധിഷ്ഠിതമല്ലാത്ത പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുമ്പോൾ, പക്ഷേ അത്തരത്തിൽ അവതരിപ്പിക്കപ്പെടുന്നു. വിഭ്രാന്തികൾ പക്ഷപാതത്തിൽ നിന്ന് വ്യത്യസ്തമാണ്, പരിശീലന ഡാറ്റയ്ക്ക് എൽഎൽഎമ്മിന്റെ ഔട്ട്പുട്ടുകളെ സ്വാധീനിക്കുന്ന പക്ഷപാതം ഉണ്ടാകുമ്പോൾ സംഭവിക്കുന്ന ഒരു പ്രത്യേക പ്രശ്നം. ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ പ്രാഥമിക പോരായ്മകളിൽ ഒന്നാണ് മതിഭ്രമം, ഇത് എൽഎൽഎമ്മുകളുടെയും അവയുടെ ഔട്ട്പുട്ടുകളുടെയും മാനുഷിക മേൽനോട്ടത്തിനായി പല വിദഗ്ധരെയും പ്രേരിപ്പിക്കുന്നു.

ഓപ്പൺഎഐ സ്ഥാപക അംഗം ആൻഡ്രെജ് കർപതിയുടെ 2015 ലെ ബ്ലോഗ് പോസ്റ്റിന് ശേഷമാണ് ഈ പദത്തിന് അംഗീകാരം ലഭിച്ചത്.

ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ്: ഒരു യന്ത്രത്തിന് മനുഷ്യനെപ്പോലെ പഠിക്കാനും ചിന്തിക്കാനും കഴിയുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു സാങ്കൽപ്പിക രൂപം. എജിഐ എന്തായിരിക്കുമെന്നതിനെക്കുറിച്ച് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കമ്മ്യൂണിറ്റി വിശാലമായ സമവായത്തിൽ എത്തിയിട്ടില്ലെങ്കിലും, ഗവേഷണ സ്ഥാപനമായ ഐഡിസിയിലെ ടെക്നോളജി അനലിസ്റ്റ് റിതു ജ്യോതി പറഞ്ഞു, ഇതിന് സ്വയം അവബോധവും ബോധവും ആവശ്യമാണ്, അതിനാൽ പ്രശ്നങ്ങൾ പരിഹരിക്കാനും ചുറ്റുപാടുകളുമായി പൊരുത്തപ്പെടാനും വിശാലമായ ജോലികൾ ചെയ്യാനും കഴിയും.

ഗൂഗിൾ ഡീപ് മൈൻഡ് ഉൾപ്പെടെയുള്ള കമ്പനികൾ ഏതെങ്കിലും തരത്തിലുള്ള എജിഐ വികസിപ്പിക്കുന്നതിനായി പ്രവർത്തിക്കുന്നു. ആൽഫഗോ പ്രോഗ്രാമിൽ നിരവധി അമച്വർ ഗെയിമുകൾ കാണിച്ചിട്ടുണ്ടെന്നും ഇത് ന്യായമായ മനുഷ്യ കളിയെക്കുറിച്ച് മനസ്സിലാക്കാൻ സഹായിച്ചുവെന്നും ഡീപ് മൈൻഡ് പറഞ്ഞു. പിന്നീട് അത് ആയിരക്കണക്കിന് തവണ സ്വന്തം വ്യത്യസ്ത പതിപ്പുകൾക്കെതിരെ കളിച്ചു, ഓരോ തവണയും അതിന്റെ തെറ്റുകളിൽ നിന്ന് പാഠം പഠിച്ചു.

കാലക്രമേണ, ആൽഫഗോ പഠനത്തിലും തീരുമാനമെടുക്കുന്നതിലും മെച്ചപ്പെടുകയും കൂടുതൽ മെച്ചപ്പെടുകയും ചെയ്തു-ഈ പ്രക്രിയയെ ശക്തിപ്പെടുത്തൽ പഠനം എന്നറിയപ്പെടുന്നു. തങ്ങളുടെ മ്യൂസെറോ പ്രോഗ്രാം പിന്നീട് ഗോ, ചെസ്സ്, ഷോഗി, അറ്റാരി എന്നിവയിൽ നിയമങ്ങൾ പറയേണ്ടതില്ലാതെ പ്രാവീണ്യം നേടിയതായി ഡീപ് മൈൻഡ് പറഞ്ഞു, ഇത് അജ്ഞാത പരിതസ്ഥിതികളിൽ വിജയ തന്ത്രങ്ങൾ ആസൂത്രണം ചെയ്യാനുള്ള കഴിവിന്റെ പ്രകടനമാണ്. ഈ പുരോഗതിയെ എജിഐയുടെ ദിശയിലേക്കുള്ള വർദ്ധിച്ച ചുവടുവയ്പ്പായി ചിലർ കാണാൻ കഴിയും.