सामान्य, और आवर्ती, कृत्रिम बुद्धिमत्ता अनुसंधान में नवीनतम सफलताओं का दृश्य यह है कि भावुक और बुद्धिमान मशीनें सिर्फ क्षितिज पर हैं। मशीनें मौखिक आदेशों को समझती हैं, चित्रों को भेदती हैं, कारों को चलाती हैं और हम जो करते हैं उससे बेहतर खेल खेलते हैं। इससे पहले कि वे हमारे बीच चलें, यह कितना लंबा हो सकता है?
आर्टिफिशियल इंटेलिजेंस पर नई व्हाइट हाउस की रिपोर्ट में उस सपने के बारे में उचित संदेह है। यह कहता है कि अगले 20 वर्षों में मशीनों को "मनुष्यों की तुलना में या उससे अधिक व्यापक रूप से लागू होने वाली बुद्धिमत्ता का प्रदर्शन नहीं होगा", हालांकि यह कहना है कि आने वाले वर्षों में, मशीनें पहुंचेंगी और मानव प्रदर्शन को पार करेगी और अधिक कार्य। " लेकिन उन क्षमताओं के बारे में इसकी धारणा कुछ महत्वपूर्ण बिंदुओं को याद करने का विकास करेगी।
एक एआई शोधकर्ता के रूप में, मैं मानता हूं कि अमेरिकी सरकार के उच्चतम स्तर पर अपने स्वयं के क्षेत्र को उजागर करना अच्छा था, लेकिन रिपोर्ट में लगभग विशेष रूप से ध्यान केंद्रित किया गया था जिसे मैं "उबाऊ तरह का एआई" कहता हूं। यह एआई अनुसंधान की मेरी एक शाखा के आधे वाक्य में खारिज कर दिया, कैसे विकास में मदद कर सकते हैं एअर सिस्टम को बेहतर बनाने के लिए, और कैसे कम्प्यूटेशनल मॉडल हमें यह समझने में मदद कर सकते हैं कि हमारी मानव बुद्धि कैसे विकसित हुई।
यह रिपोर्ट मुख्य धारा एआई उपकरण: मशीन लर्निंग और डीप लर्निंग कहलाती है। ये उन तकनीकों के प्रकार हैं जो "खतरे" को खेलने में सक्षम हैं! अच्छी तरह से, और सबसे जटिल खेल में मानव गो मास्टर्स का आविष्कार किया। ये वर्तमान बुद्धिमान सिस्टम बड़ी मात्रा में डेटा को संभालने और जटिल गणनाओं को बहुत जल्दी करने में सक्षम हैं। लेकिन उनके पास एक ऐसे तत्व का अभाव है जो भविष्य में हमारे द्वारा भेजी जाने वाली भावुक मशीनों के निर्माण के लिए महत्वपूर्ण होगा।
हमें सीखने के लिए सिखाने वाली मशीनों से ज्यादा कुछ करने की जरूरत है। हमें चार अलग-अलग प्रकार की कृत्रिम बुद्धिमत्ता को परिभाषित करने वाली सीमाओं को पार करने की जरूरत है, जो बाधाएं मशीनों को हमसे अलग करती हैं - और उनसे हमें।
टाइप I AI: रिएक्टिव मशीनें
एआई सिस्टम के सबसे बुनियादी प्रकार विशुद्ध रूप से प्रतिक्रियाशील हैं, और वर्तमान निर्णयों को सूचित करने के लिए न तो यादें बनाने की क्षमता है और न ही पिछले अनुभवों का उपयोग करने की। डीप ब्लू, आईबीएम की शतरंज खेलने वाली सुपर कंप्यूटर, जिसने 1990 के दशक के अंत में अंतर्राष्ट्रीय ग्रैंडमास्टर गैरी कास्परोव को हराया, इस प्रकार की मशीन का सही उदाहरण है।
डीप ब्लू शतरंज बोर्ड पर टुकड़ों की पहचान कर सकता है और यह जान सकता है कि प्रत्येक चाल कैसी है। यह इस बारे में पूर्वानुमान लगा सकता है कि इसके और इसके प्रतिद्वंद्वी के लिए आगे क्या कदम हो सकते हैं। और यह संभावनाओं में से सबसे इष्टतम चाल चुन सकता है।
लेकिन इसमें अतीत की कोई अवधारणा नहीं है, और न ही इससे पहले की कोई स्मृति। तीन बार एक ही चाल को दोहराने के खिलाफ शायद ही कभी इस्तेमाल किए जाने वाले शतरंज-विशिष्ट नियम के अलावा, डीप ब्लू वर्तमान क्षण से पहले सब कुछ अनदेखा कर देता है। यह सब शतरंज बोर्ड पर टुकड़ों को देखता है क्योंकि यह अभी खड़ा है, और संभव अगली चालों में से चुनें।
इस प्रकार की बुद्धिमत्ता में दुनिया को सीधे तौर पर देखने और इसे देखने वाले पर कार्य करने वाला कंप्यूटर शामिल है। यह दुनिया की एक आंतरिक अवधारणा पर निर्भर नहीं करता है। एक सेमिनल पेपर में, एआई शोधकर्ता रोडनी ब्रूक्स ने तर्क दिया कि हमें केवल इस तरह की मशीनों का निर्माण करना चाहिए। उनका मुख्य कारण यह था कि लोग कंप्यूटर का उपयोग करने के लिए सटीक सिम्युलेटेड दुनिया की प्रोग्रामिंग में बहुत अच्छे नहीं हैं, जिसे AI छात्रवृत्ति में दुनिया का "प्रतिनिधित्व" कहा जाता है।
वर्तमान में जो बुद्धिमान मशीनें हैं, उनमें या तो दुनिया की ऐसी कोई अवधारणा नहीं है, या अपने विशेष कर्तव्यों के लिए बहुत सीमित और विशिष्ट है। डीप ब्लू के डिजाइन में नवाचार कंप्यूटर पर विचार करने वाली संभावित फिल्मों की सीमा को व्यापक बनाने के लिए नहीं था। बल्कि, डेवलपर्स ने अपने दृष्टिकोण को संकीर्ण करने का एक तरीका पाया, भविष्य के कुछ कदमों को आगे बढ़ाने से रोकने के लिए, यह कैसे उनके परिणाम का मूल्यांकन किया। इस क्षमता के बिना, डीप ब्लू को वास्तव में कास्परोव को हराने के लिए एक और भी अधिक शक्तिशाली कंप्यूटर होने की आवश्यकता होगी।
इसी तरह, Google का अल्फा गो, जिसने शीर्ष मानव गो विशेषज्ञों को हराया है, भविष्य के सभी संभावित कदमों का मूल्यांकन नहीं कर सकता है। खेल के विकास का मूल्यांकन करने के लिए एक तंत्रिका नेटवर्क का उपयोग करते हुए डीप ब्लू की तुलना में इसकी विश्लेषण विधि अधिक परिष्कृत है।
ये तरीके विशिष्ट गेम को बेहतर तरीके से खेलने के लिए एआई सिस्टम की क्षमता में सुधार करते हैं, लेकिन उन्हें आसानी से बदला नहीं जा सकता है या अन्य स्थितियों में लागू नहीं किया जा सकता है। इन कम्प्यूटरीकृत कल्पनाओं में व्यापक दुनिया की कोई अवधारणा नहीं है - जिसका अर्थ है कि वे अपने द्वारा निर्दिष्ट विशिष्ट कार्यों से परे कार्य नहीं कर सकते हैं और आसानी से मूर्ख हैं।
वे दुनिया में सहभागी नहीं हो सकते हैं, जिस तरह से हम एक दिन एआई सिस्टम की कल्पना करते हैं। इसके बजाय, ये मशीनें हर बार उसी तरह का व्यवहार करेंगी जब वे एक ही स्थिति का सामना करती हैं। यह सुनिश्चित करने के लिए बहुत अच्छा हो सकता है कि एआई सिस्टम भरोसेमंद है: आप चाहते हैं कि आपकी स्वायत्त कार एक विश्वसनीय ड्राइवर हो। लेकिन यह बुरा है अगर हम चाहते हैं कि मशीनें सही मायने में दुनिया के साथ जुड़ें और उनका जवाब दें। ये सरलतम AI सिस्टम कभी भी ऊब, या रुचि, या दुखी नहीं होंगे।
टाइप II AI: सीमित मेमोरी
इस प्रकार II श्रेणी में मशीनें अतीत में देख सकती हैं। सेल्फ-ड्राइविंग कारों में से कुछ पहले से ही ऐसा करती हैं। उदाहरण के लिए, वे अन्य कारों की गति और दिशा का निरीक्षण करते हैं। यह सिर्फ एक पल में नहीं किया जा सकता है, बल्कि विशिष्ट वस्तुओं की पहचान करने और समय के साथ उनकी निगरानी करने की आवश्यकता है।
इन टिप्पणियों को दुनिया की सेल्फ-ड्राइविंग कारों के प्रीप्रोग्राम्ड अभ्यावेदन में जोड़ा जाता है, जिसमें लेन मार्किंग, ट्रैफिक लाइट और अन्य महत्वपूर्ण तत्व भी शामिल हैं, जैसे सड़क में घटता है। वे शामिल हैं जब कार तय करती है कि गलियों को कब बदलना है, किसी अन्य ड्राइवर को काटने से बचने के लिए या पास की कार से हिट होने से बचने के लिए।
लेकिन अतीत के बारे में जानकारी के ये सरल टुकड़े केवल क्षणिक हैं। वे कार के पुस्तकालय के हिस्से के रूप में सहेजे नहीं जाते हैं, यह उस तरह से सीख सकते हैं जिस तरह से मानव चालक पहिया के पीछे वर्षों से अनुभव संकलित करते हैं।
तो हम एआई सिस्टम कैसे बना सकते हैं जो पूर्ण अभ्यावेदन का निर्माण करते हैं, उनके अनुभवों को याद करते हैं और सीखते हैं कि नई स्थितियों को कैसे संभालना है? ब्रूक्स सही था कि ऐसा करना बहुत मुश्किल है। डार्विनियन विकास से प्रेरित तरीकों में मेरा अपना शोध मशीनों को अपने स्वयं के प्रतिनिधित्व का निर्माण करके मानवीय कमियों के लिए शुरू कर सकता है।
टाइप III एआई: मन का सिद्धांत
हम यहां रुक सकते हैं, और इस बिंदु को हमारे पास मौजूद मशीनों और भविष्य में बनने वाली मशीनों के बीच महत्वपूर्ण विभाजन कह सकते हैं। हालांकि, प्रतिनिधित्व मशीनों के प्रकारों पर चर्चा करने के लिए अधिक विशिष्ट होना बेहतर है, और इसके बारे में उन्हें क्या करने की आवश्यकता है।
अगली, अधिक उन्नत, वर्ग में मशीनें न केवल दुनिया के बारे में प्रतिनिधित्व करती हैं, बल्कि दुनिया के अन्य एजेंटों या संस्थाओं के बारे में भी हैं। मनोविज्ञान में, इसे "मन का सिद्धांत" कहा जाता है - यह समझ कि दुनिया में लोगों, जीवों और वस्तुओं में विचार और भावनाएं हो सकती हैं जो अपने स्वयं के व्यवहार को प्रभावित करती हैं।
यह महत्वपूर्ण है कि हम मनुष्यों ने समाज कैसे बनाए, क्योंकि उन्होंने हमें सामाजिक संपर्क रखने की अनुमति दी। एक-दूसरे के इरादों और इरादों को समझे बिना, और इस बात पर ध्यान दिए बिना कि कोई और मेरे या पर्यावरण के बारे में क्या जानता है, साथ मिलकर काम करना सबसे मुश्किल, सबसे मुश्किल काम है।
यदि एआई सिस्टम वास्तव में कभी भी हमारे बीच चलने के लिए हैं, तो उन्हें यह समझने में सक्षम होना होगा कि हम में से प्रत्येक के विचारों और भावनाओं और अपेक्षाएं हैं कि हम कैसे व्यवहार करेंगे। और उन्हें उसी के अनुसार अपने व्यवहार को समायोजित करना होगा।
टाइप IV AI: सेल्फ-अवेयरनेस
एआई विकास का अंतिम चरण उन प्रणालियों का निर्माण करना है जो स्वयं के बारे में अभ्यावेदन तैयार कर सकते हैं। अंततः, हमें एआई शोधकर्ताओं को न केवल चेतना को समझना होगा, बल्कि उन मशीनों का निर्माण करना होगा जिनके पास यह है।
यह एक प्रकार से, टाइप III कृत्रिम बुद्धिमत्ता के पास "मन के सिद्धांत" का विस्तार है। चेतना को एक कारण के लिए "आत्म-जागरूकता" भी कहा जाता है। ("मैं उस आइटम को चाहता हूं" "मुझे पता है कि मैं उस आइटम को चाहता हूं" से एक बहुत अलग बयान है। सचेत प्राणी स्वयं के बारे में जानते हैं, अपने आंतरिक राज्यों के बारे में जानते हैं, और दूसरों की भावनाओं की भविष्यवाणी करने में सक्षम हैं। हम मानते हैं कि ट्रैफ़िक में हमारे पीछे चलने वाला कोई व्यक्ति क्रोधित या अधीर है, क्योंकि जब हम दूसरों को सम्मान देते हैं तो हमें कैसा लगता है। सिद्धांत के बिना, हम उन प्रकार के निष्कर्ष नहीं बना सकते थे।
यद्यपि हम शायद ऐसी मशीनों को बनाने से दूर हैं जो आत्म-जागरूक हैं, हमें अपने प्रयासों को स्मृति, सीखने और पिछले अनुभवों के आधार पर निर्णय लेने की क्षमता पर ध्यान केंद्रित करना चाहिए। मानव बुद्धि को अपने आप में समझने के लिए यह एक महत्वपूर्ण कदम है। और यह महत्वपूर्ण है अगर हम उन मशीनों को डिजाइन या विकसित करना चाहते हैं जो उनके सामने जो कुछ भी देखते हैं उन्हें वर्गीकृत करने में असाधारण से अधिक है।
Arend Hintze, एकीकृत जीवविज्ञान और कंप्यूटर विज्ञान और इंजीनियरिंग के सहायक प्रोफेसर, मिशिगन स्टेट विश्वविद्यालय
