ਏਆਈ ਦੀ ਬੁਨਿਆਦੀ ਤਰਕ ਨੂੰ ਸਮਝਣਾ

ਭਾਗ 1: ਬੁੱਧੀ ‘ਤੇ ਤਰਕਪੂਰਨ ਬਹਿਸ: ਫ਼ਲਸਫ਼ਾਈ ਅਤੇ ਇਤਿਹਾਸਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ “ਮੂਲ ਤਰਕ” ਕੋਈ ਇੱਕੋ, ਸਥਿਰ ਸੰਕਲਪ ਨਹੀਂ ਹੈ. ਸਗੋਂ, ਇਹ ਬੁੱਧੀ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਬਾਰੇ ਦਹਾਕਿਆਂ ਤੋਂ ਚੱਲੀ ਆ ਰਹੀ ਬੌਧਿਕ ਬਹਿਸ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ. AI ਨੂੰ ਸਮਝਣ ਲਈ, ਕਿਸੇ ਨੂੰ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਇਸਦੇ ਬੌਧਿਕ ਮੂਲ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ - ਦੋ ਮੁੱਖ ਫ਼ਲਸਫ਼ਾਈ ਸਕੂਲਾਂ ਦਾ ਟਕਰਾਅ ਅਤੇ ਮਿਲਾਪ: ਸਿੰਬੋਲਿਕਸ ਅਤੇ ਕਨੈਕਸ਼ਨਿਜ਼ਮ। ਇਹ ਸਕੂਲ ਬੁੱਧੀ ਦੇ ਬਿਲਕੁਲ ਵਿਰੋਧੀ ਵਿਚਾਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਵਾਲੀਆਂ ਕਿਸਮਤਾਂ ਨੇ ਪੂਰੇ AI ਖੇਤਰ ਦੇ ਇਤਿਹਾਸਕ ਰਸਤੇ ਅਤੇ ਭਵਿੱਖ ਦੀ ਦਿਸ਼ਾ ਨੂੰ ਆਕਾਰ ਦਿੱਤਾ ਹੈ।

1.1 ਵਿਚਾਰਧਾਰਾ ਦੇ ਦੋ ਸਕੂਲ

ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਉਸਾਰੀ ਤਰਕ ਦੋ ਮੁੱਖ ਰਸਤਿਆਂ ਦੇ ਨਾਲ ਖੁੱਲ੍ਹਦੀ ਹੈ: ਉੱਪਰ-ਤੋਂ-ਹੇਠਾਂ ਪ੍ਰਤੀਕ ਹੇਰਾਫੇਰੀ ਅਤੇ ਹੇਠਾਂ-ਤੋਂ-ਉੱਪਰ ਜੀਵਨ-ਪ੍ਰੇਰਿਤ ਸਿਖਲਾਈ।

ਸਿੰਬੋਲਿਕਸ (“ਉੱਪਰ-ਤੋਂ-ਹੇਠਾਂ” ਤਰਕ)

ਸਿੰਬੋਲਿਕਸ, ਜਿਸਨੂੰ ਲਾਜਿਸਿਜ਼ਮ ਜਾਂ ਕੰਪਿਊਟਰ ਸਕੂਲ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਸਪਸ਼ਟ, ਰਸਮੀ ਨਿਯਮਾਂ ਦੇ ਸਮੂਹ ਅਨੁਸਾਰ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਨ ਵਿੱਚ ਬੁੱਧੀ ਦਾ ਤੱਤ ਹੋਣ ਦੇ ਮੁੱਖ ਵਿਸ਼ਵਾਸ ‘ਤੇ ਅਧਾਰਤ ਹੈ। ਇਹ “ਉੱਪਰ-ਤੋਂ-ਹੇਠਾਂ” ਪਹੁੰਚ ਹੈ, ਇਸ ਧਾਰਨਾ ਦੇ ਨਾਲ ਕਿ ਮਨੁੱਖੀ ਗਿਆਨ ਅਤੇ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਪ੍ਰਤੀਕਾਤਮਕ ਕਾਰਵਾਈਆਂ ਵਿੱਚ ਸੰਖੇਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, ਬੁੱਧੀ ਨੂੰ ਤਰਕਪੂਰਨ ਤਰਕ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਦਿਮਾਗ ਨੂੰ ਇੱਕ ਢਾਂਚਾਗਤ ਡੇਟਾ ‘ਤੇ ਚੱਲ ਰਹੇ ਇੱਕ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮ ਨਾਲ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਇਸ ਸਕੂਲ ਦਾ ਸਭ ਤੋਂ ਆਮ ਪ੍ਰਗਟਾਵਾ ਮਾਹਰ ਸਿਸਟਮ ਹੈ। ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਨੇ 1970 ਅਤੇ 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਆਪਣੇ ਸੁਨਹਿਰੀ ਯੁੱਗ ਦਾ ਆਨੰਦ ਮਾਣਿਆ, ਜੋ ਕਿ AI ਦੀ ਪਹਿਲੀ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਵਪਾਰਕ ਸਫਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਹਨਾਂ ਦਾ ਉਦੇਸ਼ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ “ਜੇ-ਤਾਂ” ਨਿਯਮਾਂ ਵਾਲੇ ਗਿਆਨ ਅਧਾਰ ਦੁਆਰਾ ਖਾਸ ਤੰਗ ਖੇਤਰਾਂ (ਜਿਵੇਂ ਕਿ ਡਾਕਟਰੀ ਜਾਂਚ ਜਾਂ ਰਸਾਇਣਕ ਵਿਸ਼ਲੇਸ਼ਣ) ਵਿੱਚ ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਦੀਆਂ ਫੈਸਲਾ ਲੈਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਨਕਲ ਕਰਨਾ ਸੀ। ਮਾਹਰ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਫਲਤਾ ਨੇ ਸਿੰਬੋਲਿਜ਼ਮ ਨੂੰ ਇਸਦੇ ਸਿਖਰ ‘ਤੇ ਪਹੁੰਚਾਇਆ, ਜਿਸ ਨਾਲ ਇਹ ਉਸ ਸਮੇਂ ਲਗਭਗ AI ਦਾ ਸਮਾਨਾਰਥੀ ਬਣ ਗਿਆ।

ਕਨੈਕਸ਼ਨਿਜ਼ਮ (“ਹੇਠਾਂ-ਤੋਂ-ਉੱਪਰ” ਲਾਜਿਕ)

ਸਿੰਬੋਲਿਜ਼ਮ ਦੇ ਉਲਟ, ਕਨੈਕਸ਼ਨਿਜ਼ਮ, ਜਿਸਨੂੰ ਬਾਇਓਨਿਕਸ ਸਕੂਲ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਦਾ ਤਰਕ ਹੈ ਕਿ ਬੁੱਧੀ ਇੱਕ ਉੱਭਰਦੀ ਘਟਨਾ ਹੈ। ਇਹ ਕਿਸੇ ਕੇਂਦਰੀ ਕੰਟਰੋਲਰ ਜਾਂ ਪ੍ਰੀਸੈਟ ਨਿਯਮਾਂ ਦੁਆਰਾ ਦਬਦਬਾ ਨਹੀਂ ਹੁੰਦਾ ਹੈ, ਸਗੋਂ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਸਰਲ, ਆਪਸ ਵਿੱਚ ਜੁੜੀਆਂ ਪ੍ਰੋਸੈਸਿੰਗ ਇਕਾਈਆਂ (ਭਾਵ, ਨਕਲੀ ਨਿਊਰੋਨ) ਵਿਚਕਾਰ ਗੁੰਝਲਦਾਰ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ। ይህ “ਹੇਠਾਂ-ਤੋਂ-ਉੱਪਰ” ਤਰਕ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਬਣਤਰ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ, ਇਹ ਵਿਸ਼ਵਾਸ ਕਰਦਾ ਹੈ ਕਿ ਬੁੱਧੀ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਗੋਂ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਦਾ ਮੁੱਖ ਵਿਸ਼ਵਾਸ ਇਹ ਹੈ ਕਿ ਗੁੰਝਲਦਾਰ ਵਿਵਹਾਰ ਸਧਾਰਨ ਸਥਾਨਕ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਤੋਂ ਪੈਦਾ ਹੋ ਸਕਦੇ ਹਨ, ਬਿਨਾਂ ਕਿਸੇ ਵਿਸ਼ਵਵਿਆਪੀ ਸਪਸ਼ਟ ਨਿਯਮਾਂ ਦੀ ਲੋੜ ਦੇ। ਇਸਦਾ ਮੁੱਖ ਤਕਨੀਕੀ ਰੂਪ ਆਰਟੀਫੀਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (ANNs) ਹੈ। ਇਹ ਮਾਡਲ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਨਮੂਨਾ ਡੇਟਾ ‘ਤੇ ਸਿਖਲਾਈ ਦੇ ਕੇ ਅਤੇ ਨਿਰੰਤਰ ਤੌਰ ‘ਤੇ ਨਿਊਰੋਨਾਂ ਦੇ ਵਿਚਕਾਰ “ਵੇਟਸ” (ਭਾਵ, ਕਨੈਕਸ਼ਨ ਤਾਕਤਾਂ) ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਕੇ ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟਾਂ ਦੇ ਵਿਚਕਾਰ ਗੁੰਝਲਦਾਰ ਸਬੰਧ ਸਿੱਖਦੇ ਹਨ।

1.2 ਇਤਿਹਾਸ ਦਾ ਪੈਂਡੂਲਮ: ਉਭਾਰ, ਸਰਦੀ, ਅਤੇ ਪੁਨਰ-ਸੁਰਜੀਤੀ

AI ਵਿਕਾਸ ਦਾ ਇਤਿਹਾਸ ਲੀਨੀਅਰ ਤਰੱਕੀ ਦਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਸਿੰਬੋਲਿਜ਼ਮ ਅਤੇ ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਦੇ ਵਿਚਕਾਰ ਅੱਗੇ-ਪਿੱਛੇ ਘੁੰਮਦੇ ਪੈਂਡੂਲਮ ਵਰਗਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਡੂੰਘਾਈ ਨਾਲ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ ਸਿਧਾਂਤਕ ਪੈਰਾਡਾਈਮ ਦੀ ਸਫਲਤਾ ਜਾਂ ਅਸਫਲਤਾ ਨਾ ਸਿਰਫ ਇਸਦੇ ਵਿਚਾਰਾਂ ਦੀ ਡੂੰਘਾਈ ‘ਤੇ, ਬਲਕਿ ਉਸ ਸਮੇਂ ਦੀ ਤਕਨਾਲੋਜੀ ਅਤੇ ਆਰਥਿਕ ਸਥਿਤੀਆਂ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ‘ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। AI ਦਾ ਅੰਤਰੀਵ ਤਰਕ ਇੱਕ ਖਲਾਅ ਵਿੱਚ ਵਿਕਸਤ ਨਹੀਂ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸਦਾ ਵਿਕਾਸ ਰਸਤਾ (1) ਮੁੱਖ ਧਾਰਾ ਦੇ ਦਾਰਸ਼ਨਿਕ ਵਿਚਾਰ, (2) ਉਪਲਬਧ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ, ਅਤੇ (3) ਆਰਥਿਕ ਸੰਭਾਵਨਾ ਵਿਚਕਾਰ ਗੁੰਝਲਦਾਰ ਆਪਸੀ ਤਾਲਮੇਲ ਦਾ ਸਿੱਧਾ ਨਤੀਜਾ ਹੈ।

ਸ਼ੁਰੂਆਤੀ ਫ਼ਾਇਦੇ ਅਤੇ ਪਹਿਲੀ AI ਸਰਦੀ

AI ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ, ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਨੇ ਬਹੁਤ ਸਮਰੱਥਾ ਦਿਖਾਈ। ਹਾਲਾਂਕਿ, 1969 ਵਿੱਚ, ਸਿੰਬੋਲਿਜ਼ਮ ਵਿੱਚ ਇੱਕ ਪ੍ਰਮੁੱਖ ਸ਼ਖਸੀਅਤ ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਨੇ ਪਰਸੈਪਟਰਨਸ ਨਾਮਕ ਕਿਤਾਬ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤੀ, ਜੋ ਇਤਿਹਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮੋੜ ਬਣ ਗਈ। ਮਿੰਸਕੀ ਨੇ ਗਣਿਤਿਕ ਤੌਰ ‘ਤੇ ਸਖ਼ਤੀ ਨਾਲ ਸਾਬਤ ਕੀਤਾ ਕਿ ਉਸ ਸਮੇਂ ਦੇ ਸਧਾਰਨ ਸਿੰਗਲ-ਲੇਅਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (ਭਾਵ, ਪਰਸੈਪਟਰਨਸ) ਕੁਝ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸਮੱਸਿਆਵਾਂ, ਜਿਵੇਂ ਕਿ ਤਰਕਪੂਰਨ “ਨਿਵੇਕਲਾ ਜਾਂ” (XOR) ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦੇ ਸਨ। ਇਹ ਸਟੀਕ ਅਕਾਦਮਿਕ ਆਲੋਚਨਾ, ਉਸ ਸਮੇਂ ਕੰਪਿਊਟਰ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਆਮ ਘਾਟ ਨਾਲ ਮਿਲ ਕੇ, ਕਨੈਕਸ਼ਨਿਸਟ ਖੋਜ ‘ਤੇ ਇੱਕ ਵਿਨਾਸ਼ਕਾਰੀ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀ ਹੈ। ਖੋਜ ਫੰਡਿੰਗ ਵਿੱਚ ਭਾਰੀ ਕਟੌਤੀ ਕੀਤੀ ਗਈ, ਅਤੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਖੋਜ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲਈ ਖੜੋਤ ਦੇ ਦੌਰ ਵਿੱਚ ਦਾਖਲ ਹੋਈ, ਜਿਸਨੂੰ ਪਹਿਲੀ “AI ਸਰਦੀ” ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਸਮੇਂ ਦੌਰਾਨ, ਸਿੰਬੋਲਿਜ਼ਮ ਦੇ ਤਰਕ ਨੇ ਇੱਕ ਪੂਰਨ ਪ੍ਰਮੁੱਖ ਸਥਿਤੀ ਉੱਤੇ ਕਬਜ਼ਾ ਕਰ ਲਿਆ।

ਸਿੰਬੋਲਿਜ਼ਮ ਦਾ ਸੁਨਹਿਰੀ ਯੁੱਗ ਅਤੇ ਦੂਜੀ AI ਸਰਦੀ

ਮਾਹਰ ਸਿਸਟਮ 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵਧੇ-ਫੁੱਲੇ, ਜਿਸ ਨਾਲ ਸਿੰਬੋਲਿਜ਼ਮ ਵਪਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਸਿਖਰ ‘ਤੇ ਪਹੁੰਚ ਗਿਆ। ਹਾਲਾਂਕਿ, ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਹੌਲੀ ਹੌਲੀ ਸਾਹਮਣੇ ਆ ਗਈਆਂ: ਮਾਹਰ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਣਾਉਣਾ ਮਹਿੰਗਾ ਸੀ, ਗਿਆਨ ਅਧਾਰਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ ਮੁਸ਼ਕਲ ਸੀ, ਉਹ ਅਸਪਸ਼ਟ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਭਾਲ ਨਹੀਂ ਸਕਦੇ ਸਨ, ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਨਵਾਂ ਗਿਆਨ ਆਪਣੇ ਆਪ ਸਿੱਖਣ ਦੀ ਸਮਰੱਥਾ ਨਹੀਂ ਸੀ। ਅੰਤ ਵਿੱਚ, “ਲਿਸਪ ਮਸ਼ੀਨਾਂ” ਦੀ ਵਪਾਰਕ ਅਸਫਲਤਾ ਜੋ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਪ੍ਰਤੀਕ AI ਪ੍ਰੋਗਰਾਮਾਂ (ਜਿਵੇਂ ਕਿ ਲਿਸਪ ਭਾਸ਼ਾ) ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਸਨ, ਨੇ ਇਸ ਯੁੱਗ ਦੇ ਅੰਤ ਨੂੰ ਦਰਸਾਇਆ। ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਘੱਟ ਕੀਮਤਾਂ ਵਾਲੇ ਆਮ-ਮਕਸਦ ਵਾਲੇ ਕੰਪਿਊਟਰਾਂ (ਜਿਵੇਂ ਕਿ IBM PC) ਦੇ ਉਭਾਰ ਨੇ ਇਹਨਾਂ ਸਮਰਪਿਤ ਹਾਰਡਵੇਅਰ ਡਿਵਾਈਸਾਂ ਨੂੰ ਮੁਕਾਬਲੇਬਾਜ਼ ਬਣਾਇਆ, ਅਤੇ AI ਖੇਤਰ ਫਿਰ ਦੂਜੀ ਸਰਦੀ ਵਿੱਚ ਦਾਖਲ ਹੋ ਗਿਆ। ਇਹ ਇੱਕ ਵਾਰ ਫਿਰ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਜੇਕਰ ਇੱਕ ਸਿਧਾਂਤਕ ਤਰਕ ਨੇ ਵਿਕਾਸ ਕਰਨਾ ਜਾਰੀ ਰੱਖਣਾ ਹੈ, ਤਾਂ ਇਸਦੇ ਸਮਰਥਨ ਵਜੋਂ ਇੱਕ ਮਜ਼ਬੂਤ ਅਤੇ ਆਰਥਿਕ ਹਾਰਡਵੇਅਰ ਨੀਂਹ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਦੀ ਪੁਨਰ-ਸੁਰਜੀਤੀ

ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਦੀ ਪੁਨਰ-ਸੁਰਜੀਤੀ ਕੋਈ ਦੁਰਘਟਨਾ ਨਹੀਂ ਸੀ, ਸਗੋਂ ਤਿੰਨ ਮੁੱਖ ਕਾਰਕਾਂ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਸੀ:

1. ਐਲਗੋਰਿਦਮ ਬਰੇਕਥਰੂ: “ਸਰਦੀ” ਦੌਰਾਨ, ਬੈਕਪ੍ਰੋਪੇਗੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ ਨੈੱਟਵਰਕ (LSTMs) ਵਰਗੇ ਹੋਰ ਗੁੰਝਲਦਾਰ ਨੈੱਟਵਰਕ ਢਾਂਚੇ ਦੀ ਕਾਢ ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਿਖਲਾਈ ਲਈ ਐਲਗੋਰਿਦਮਿਕ ਬੁਨਿਆਦ ਰੱਖੀ।

2. ਡੇਟਾ ਡੈਲਜ: ਇੰਟਰਨੈੱਟ ਦੀ ਪ੍ਰਸਿੱਧੀ ਨੇ ਡਾਟੇ ਦੀ ਇੱਕ ਬੇਮਿਸਾਲ ਮਾਤਰਾ ਲਿਆਂਦੀ। ਇਸ ਡਾਟੇ ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਲਈ ਲੋੜੀਂਦਾ “ਪੋਸ਼ਣ” ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਿਖਲਾਈ ਲਈ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਨਮੂਨਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

3. ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਰੈਵੋਲਿਊਸ਼ਨ: ਗ੍ਰਾਫਿਕਸ ਪ੍ਰੋਸੈਸਰ (GPUs), ਸ਼ੁਰੂ ਵਿੱਚ ਵੀਡੀਓ ਗੇਮਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ, ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਸਮਾਨਾਂਤਰ ਕੰਪਿਊਟਿੰਗ ਢਾਂਚਾ ਹੈ ਜੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਕੋਰ ਮੈਟ੍ਰਿਕਸ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਪਾਇਆ ਗਿਆ ਸੀ। GPUs ਦੇ ਉਭਾਰ ਨੇ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਅੜਚਨ ਨੂੰ ਤੋੜ ਦਿੱਤਾ ਜਿਸ ਨੇ ਦਹਾਕਿਆਂ ਤੋਂ ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਨੂੰ ਪਰੇਸ਼ਾਨ ਕੀਤਾ ਸੀ, ਜਿਸ ਨਾਲ ਇਸਦੀ ਸਿਧਾਂਤਕ ਸਮਰੱਥਾ ਨੂੰ ਸੱਚਮੁੱਚ ਜਾਰੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਅੰਤ ਵਿੱਚ, ਐਲਗੋਰਿਦਮ, ਡੇਟਾ ਅਤੇ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੇ ਇਕਸੁਰਤਾ ਨੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਕ੍ਰਾਂਤੀ ਨੂੰ ਜਗਾਇਆ, ਜਿਸ ਨਾਲ ਅੱਜ AI ਖੇਤਰ ਵਿੱਚ ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਦੇ ਤਰਕ ਨੂੰ ਨਿਰਵਿਵਾਦ ਰੂਪ ਵਿੱਚ ਮੁੱਖ ਧਾਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ।

1.3 ਦਾਰਸ਼ਨਿਕ ਰੁਕਾਵਟ: ਸਮਝਨਾ ਬਨਾਮ ਸਿਮੂਲੇਸ਼ਨ

ਦੋ ਮੁੱਖ ਸਕੂਲਾਂ ਵਿਚਕਾਰ ਇਤਿਹਾਸਕ ਵਿਵਾਦ ਅੰਤ ਵਿੱਚ ਇੱਕ ਡੂੰਘੇ ਦਾਰਸ਼ਨਿਕ ਸਵਾਲ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜੋ ਅੱਜ ਤੱਕ ਅਣਸੁਲਝਿਆ ਹੈ: ਕੀ ਬੁੱਧੀਮਾਨ ਵਿਵਹਾਰ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਕਲ ਕਰਨ ਦੇ ਸਮਰੱਥ ਮਸ਼ੀਨ ਵਿੱਚ ਸੱਚਮੁੱਚ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਹੈ?

ਟਿਊਰਿੰਗ ਟੈਸਟ

ਐਲਨ ਟਿਊਰਿੰਗ ਦਾ “ਟਿਊਰਿੰਗ ਟੈਸਟ” ਬੁੱਧੀ ਦੀ ਇੱਕ ਸੰਚਾਲਨ, ਵਿਵਹਾਰਵਾਦੀ ਪਰਿਭਾਸ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟੈਸਟ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਮਸ਼ੀਨ ਇੱਕ ਮਨੁੱਖ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਸਕਦੀ ਹੈ, ਅਤੇ ਮਨੁੱਖ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦਾ ਕਿ ਇਹ ਇੱਕ ਮਸ਼ੀਨ ਹੈ ਜਾਂ ਇੱਕ ਵਿਅਕਤੀ; ਫਿਰ ਮਸ਼ੀਨ ਨੂੰ ਬੁੱਧੀਮਾਨ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਟਿਊਰਿੰਗ ਟੈਸਟ “ਬੁੱਧੀ ਕੀ ਹੈ” ਦੇ ਜ਼ਰੂਰੀ ਸਵਾਲ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ ਅਤੇ “ਬੁੱਧੀ ਨੂੰ ਕਿਹੜਾ ਵਿਵਹਾਰ ਦਿਖਾਉਣਾ ਚਾਹੀਦਾ ਹੈ” ਵੱਲ ਮੁੜਦਾ ਹੈ।

“ਚੀਨੀ ਕਮਰਾ” ਥੌਟ ਐਕਸਪੈਰੀਮੈਂਟ

ਦਾਰਸ਼ਨਿਕ ਜੌਨ ਸੀਅਰਲ ਨੇ 1980 ਵਿੱਚ ਮਸ਼ਹੂਰ “ਚੀਨੀ ਕਮਰਾ” ਥੌਟ ਐਕਸਪੈਰੀਮੈਂਟ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ, ਜਿਸ ਨਾਲ ਸਿੰਬੋਲਿਜ਼ਮ ਅਤੇ ਟਿਊਰਿੰਗ ਟੈਸਟ ‘ਤੇ ਇੱਕ ਭਿਆਨਕ ਹਮਲਾ ਸ਼ੁਰੂ ਹੋਇਆ। ਪ੍ਰਯੋਗ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸੰਕਲਪਿਤ ਕੀਤਾ ਗਿਆ ਹੈ: ਇੱਕ ਵਿਅਕਤੀ ਜੋ ਚੀਨੀ ਨਹੀਂ ਸਮਝਦਾ ਉਹ ਇੱਕ ਕਮਰੇ ਵਿੱਚ ਬੰਦ ਹੈ, ਅਤੇ ਕਮਰੇ ਵਿੱਚ ਚੀਨੀ ਪ੍ਰੋਸੈਸਿੰਗ ਨਿਯਮਾਂ ਦਾ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਮੈਨੂਅਲ ਹੈ (ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਦੇ ਬਰਾਬਰ)। ਉਹ ਇੱਕ ਵਿੰਡੋ ਰਾਹੀਂ ਚੀਨੀ ਅੱਖਰਾਂ ਨਾਲ ਲਿਖੇ ਨੋਟ (ਇਨਪੁਟ) ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸੰਬੰਧਿਤ ਅੱਖਰਾਂ ਨੂੰ ਲੱਭਣ ਅਤੇ ਜੋੜਨ ਲਈ ਨਿਯਮ ਮੈਨੂਅਲ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਸਖਤੀ ਨਾਲ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਨਤੀਜਿਆਂ ਨੂੰ ਵਿੰਡੋ ਤੋਂ ਬਾਹਰ ਕੱਢਦਾ ਹੈ (ਆਉਟਪੁੱਟ)। ਕਮਰੇ ਦੇ ਬਾਹਰਲੇ ਲੋਕਾਂ ਲਈ, ਕਮਰੇ ਦਾ ਜਵਾਬ ਇੱਕ ਮੂਲ ਚੀਨੀ ਬੋਲਣ ਵਾਲੇ ਦੇ ਜਵਾਬ ਤੋਂ ਵੱਖਰਾ ਨਹੀਂ ਹੈ, ਇਸ ਲਈ ਇਹ ਟਿਊਰਿੰਗ ਟੈਸਟ ਪਾਸ ਕਰਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਸੀਅਰਲ ਨੇ ਦੱਸਿਆ ਕਿ ਕਮਰੇ ਵਿੱਚ ਬੈਠੇ ਵਿਅਕਤੀ ਨੇ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਕਿਸੇ ਵੀ ਚੀਨੀ ਅੱਖਰਾਂ ਦੇ ਅਰਥਾਂ (ਅਰਥ ਸ਼ਾਸਤਰ) ਨੂੰ ਕਦੇ ਨਹੀਂ ਸਮਝਿਆ, ਅਤੇ ਉਸਨੇ ਜੋ ਕੁਝ ਕੀਤਾ ਉਹ ਸ਼ੁੱਧ ਪ੍ਰਤੀਕ ਹੇਰਾਫੇਰੀ (ਵਾਕ ਉਸਾਰੀ) ਸੀ। ਸੀਅਰਲ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਸਿਰਫ਼ ਪ੍ਰਤੀਕਾਂ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਨਾ, ਭਾਵੇਂ ਕਿੰਨਾ ਵੀ ਗੁੰਝਲਦਾਰ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਸੱਚੀ “ਸਮਝ” ਕਦੇ ਵੀ ਪੈਦਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਹ ਦਲੀਲ “ਮਜ਼ਬੂਤ AI” ਦੇ ਵਿਚਾਰ ਨੂੰ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ ਚੁਣੌਤੀ ਦਿੰਦੀ ਹੈ (ਭਾਵ, ਇਹ ਵਿਸ਼ਵਾਸ ਕਿ ਇੱਕ ਸਹੀ ਢੰਗ ਨਾਲ ਪ੍ਰੋਗਰਾਮ ਕੀਤੇ ਕੰਪਿਊਟਰ ਵਿੱਚ ਇੱਕ ਦਿਮਾਗ ਹੋ ਸਕਦਾ ਹੈ)।

ਅੱਜ, ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਦੁਆਰਾ ਦਰਸਾਈ ਗਈ ਆਧੁਨਿਕ AI ਨੂੰ ਇੱਕ ਅਰਥ ਵਿੱਚ “ਚੀਨੀ ਕਮਰੇ” ਦਾ ਇੱਕ ਸੁਪਰ-ਅੱਪਗ੍ਰੇਡ ਕੀਤਾ ਸੰਸਕਰਣ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਉਹ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ ਡੇਟਾ ਵਿੱਚ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਪੈਟਰਨਾਂ ਦਾ ਮੇਲ ਕਰਕੇ ਬੁੱਧੀਮਾਨ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਕੀ ਉਹ ਸੱਚਮੁੱਚ ਭਾਸ਼ਾ ਨੂੰ “ਸਮਝਦੇ” ਹਨ ਜਾਂ ਸਿਰਫ਼ ਗੁੰਝਲਦਾਰ “ਸਟੋਕੈਸਟਿਕ ਤੋਤੇ” ਹਨ, ਇਸ ਬਾਰੇ ਬਹਿਸ ਆਧੁਨਿਕ ਸਮੇਂ ਵਿੱਚ ਟਿਊਰਿੰਗ ਬਨਾਮ ਸੀਅਰਲ ਬਹਿਸ ਦਾ ਨਿਰੰਤਰਤਾ ਹੈ.

ਲੰਬੇ ਸਮੇਂ ਤੋਂ, ਸਿੰਬੋਲਿਜ਼ਮ ਅਤੇ ਕਨੈਕਸ਼ਨਿਜ਼ਮ ਨੂੰ ਦੋ ਆਪਸੀ ਵਿਸ਼ੇਸ਼ ਪੈਰਾਡਾਈਮ ਮੰਨਿਆ ਜਾਂਦਾ ਰਿਹਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਤਿਹਾਸ ਦਾ “ਯੁੱਧ” ਇੱਕ ਸਿੰਥੇਸਿਸ ਦੇ ਰੂਪ ਵਿੱਚ ਖਤਮ ਹੋਣ ਵਾਲਾ ਹੈ। ਭਵਿੱਖ ਦਾ ਅੰਤਰੀਵ ਤਰਕ ਕੋਈ ਜਾਂ-ਜਾਂ ਚੋਣ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਦੋਵਾਂ ਦਾ ਮਿਸ਼ਰਣ ਹੈ। ਇਸ ਰੁਝਾਨ ਨੂੰ ਨਿਊਰੋ-ਸਿੰਬੋਲਿਕ AI ਦੇ ਉਭਾਰ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਖੇਤਰ ਦਾ ਉਦੇਸ਼ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪੈਟਰਨ ਮਾਨਤਾ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਿੰਬੋਲਿਕ ਪ੍ਰਣਾਲੀਆਂ ਦੀਆਂ ਸਖ਼ਤ ਤਰਕਪੂਰਨ ਤਰਕ ਸਮਰੱਥਾਵਾਂ ਨਾਲ ਜੋੜਨਾ ਹੈ, ਜਿਸਦਾ ਟੀਚਾ ਵਧੇਰੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਣਾਲੀਆਂ ਬਣਾਉਣਾ ਹੈ ਜੋ ਸਿੱਖ ਅਤੇ ਤਰਕ ਦੋਵੇਂ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਆਧੁਨਿਕ AI ਏਜੰਟ ਆਪਣੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਬਾਹਰੀ ਪ੍ਰਤੀਕਾਤਮਕ ਸਾਧਨਾਂ (ਜਿਵੇਂ ਕਿ ਕੈਲਕੁਲੇਟਰ, ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛ) ਨੂੰ ਕਾਲ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਕਿ ਨਿਊਰਲ ਮਾਡਲਾਂ ਅਤੇ ਪ੍ਰਤੀਕਾਤਮਕ ਸਾਧਨਾਂ ਦਾ ਇੱਕ ਵਿਹਾਰਕ ਸੁਮੇਲ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਆਧੁਨਿਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ “ਮਿਸ਼ਰਣ ਆਫ਼ ਐਕਸਪਰਟਸ (MoE)“ ਆਰਕੀਟੈਕਚਰ ਵੀ ਸੰਕਲਪ ਵਿੱਚ ਸਿੰਬੋਲਿਜ਼ਮ ਦੇ ਮਾਹਰ ਸਿਸਟਮਾਂ ਨੂੰ ਗੂੰਜਦਾ ਹੈ। MoE ਮਾਡਲ ਵਿੱਚ ਕਈ ਵਿਸ਼ੇਸ਼ “ਮਾਹਰ” ਉਪ-ਨੈੱਟਵਰਕ ਅਤੇ ਇੱਕ “ਗੇਟਿੰਗ” ਨੈੱਟਵਰਕ ਹੁੰਦਾ ਹੈ, ਜੋ ਹਰੇਕ ਇਨਪੁਟ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਮਾਹਰ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦਾ ਹੈ। ਇਹ ਕਾਰਜਾਤਮਕ ਤੌਰ ‘ਤੇ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਖਾਸ ਕਾਰਜਸ਼ੀਲ ਮਾਡਿਊਲਾਂ ਨੂੰ ਬੁਲਾਉਣ ਵਾਲੇ ਇੱਕ ਪ੍ਰਤੀਕਾਤਮਕ ਸਿਸਟਮ ਦੇ ਸਮਾਨ ਹੈ, ਪਰ ਇਸਦਾ ਕਾਰਜਕਾਰੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕਨੈਕਸ਼ਨਿਸਟ ਹੈ - ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਸਿੱਖਣ ਅਤੇ ਵੱਖ-ਵੱਖ ਅਨੁਕੂਲਤਾ ਦੁਆਰਾ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI ਦਾ ਅੰਤਰੀਵ ਤਰਕ ਵਿਰੋਧ ਤੋਂ ਪੂਰਕਤਾ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ, ਮਿਲਾਪ ਦੁਆਰਾ ਬੇਮਿਸਾਲ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਮਰੱਥਾਵਾਂ ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ।

ਸਾਰਣੀ 1: ਬੁਨਿਆਦੀ AI ਪੈਰਾਡਾਈਮਾਂ ਦੀ ਤੁਲਨਾ: ਸਿੰਬੋਲਿਜ਼ਮ ਬਨਾਮ ਕਨੈਕਸ਼ਨਿਜ਼ਮ

ਭਾਗ 2: ਆਧੁਨਿਕ AI ਦੀ ਸਰਵਵਿਆਪਕ ਭਾਸ਼ਾ: ਕੋਰ ਗਣਿਤਿਕ ਸਿਧਾਂਤ

ਆਧੁਨਿਕ AI ਦੇ ਰਹੱਸ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਇਹ ਅਹਿਸਾਸ ਹੋਣਾ ਜਰੂਰੀ ਹੈ ਕਿ ਇਸਦਾ “ਅੰਤਰੀਵ ਤਰਕ” ਮਨੁੱਖੀ ਆਮ ਸਮਝ ਜਾਂ ਤਰਕ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇੱਕ ਸਟੀਕ ਅਤੇ ਸਰਵਵਿਆਪਕ ਗਣਿਤਿਕ ਭਾਸ਼ਾ ਹੈ। ਖਾਸ ਤੌਰ ‘ਤੇ, ਕਨੈਕਸ਼ਨਿਜ਼ਮ-ਦਬਦਬਾ ਵਾਲਾ AI ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ “ਡੇਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ” ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਲਾਗੂ ਗਣਿਤ ਹੈ। ਬੁੱਧੀ ਉਤਪਾਦਨ, ਸਿੱਖਣ ਅਤੇ ਅਨੁਕੂਲਨ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਤਿੰਨ ਗਣਿਤਿਕ ਥੰਮ੍ਹਾਂ ਦੇ ਤਾਲਮੇਲ ਵਿੱਚ ਤੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਸੰਭਾਵਨਾ ਅੰਕੜੇ, ਲੀਨੀਅਰ ਐਲਜਬਰਾ ਅਤੇ ਕੈਲਕੂਲਸ।

2.1 AI ਦੀ ਗਣਿਤਿਕ ਪ੍ਰਕਿਰਤੀ

ਮੌਜੂਦਾ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਕੋਰ ਕੰਮ ਆਮ ਤੌਰ ‘ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੱਸਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਇੱਕ ਉੱਚ-ਅਯਾਮੀ, ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆ ਸਥਾਨ ਵਿੱਚ ਇੱਕ ਲਗਭਗ ਅਨੁਕੂਲ ਹੱਲ ਲੱਭਣਾ। ਸਾਰੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਥਕਾ ਦੇਣ ਵਾਲੇ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਇੱਕ ਵਧੀਆ ਹੱਲ ਲੱਭਣ ਲਈ ਗਣਿਤਿਕ ਤਰੀਕਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਗਣਿਤ AI ਨੂੰ ਰਸਮੀ ਮਾਡਲਿੰਗ ਟੂਲ ਅਤੇ ਵਿਗਿਆਨਕ ਵਰਣਨ ਭਾਸ਼ਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਅਤੇ AI ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਣਾਉਣ, ਸਮਝਣ ਅਤੇ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਆਧਾਰਸ਼ਿਲਾ ਹੈ।

2.2 ਥੰਮ 1: ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ - ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਤਰਕ

ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਅਤੇ ਅੰਕੜੇ AI ਨੂੰ ਅਨਿਸ਼ਚਿਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਤਰਕ ਕਰਨ ਅਤੇ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਕੱਢਣ ਲਈ ਇੱਕ ਸਿਧਾਂਤਕ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। AI ਮਾਡਲ ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਸੰਭਾਵੀ ਪ੍ਰਣਾਲੀਆਂ ਹਨ ਜੋ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਲਈ ਡੇਟਾ ਦੀ ਨੀਂਹ ਭੂਮੀ ਵੰਡ ਨੂੰ ਸਿੱਖਦੀਆਂ ਹਨ।

ਹਾਲਾਂਕਿ, ਵੱਡੇ ਡੇਟਾ ਦਾ ਉਭਾਰ ਰਵਾਇਤੀ ਅੰਕੜਿਆਂ ਦੀ ਨੀਂਹ ਲਈ ਇੱਕ ਗੰਭੀਰ ਚੁਣੌਤੀ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਰਵਾਇਤੀ ਅੰਕੜਾਤਮਕ ਸਿਧਾਂਤ, ਜਿਵੇਂ ਕਿ ਵੱਡੀ ਗਿਣਤੀ ਦਾ ਨਿਯਮ ਅਤੇ ਕੇਂਦਰੀ ਸੀਮਾ ਥਿਊਰਮ, ਜ਼ਿਆਦਾਤਰ ਇਸ ਧਾਰਨਾ ‘ਤੇ ਅਧਾਰਤ ਹਨ ਕਿ ਨਮੂਨੇ “ਸੁਤੰਤਰ ਅਤੇ ਇੱਕੋ ਜਿਹੇ ਵੰਡੇ ਹੋਏ” (i.i.d.) ਹਨ ਅਤੇ ਨਮੂਨੇ ਦਾ ਆਕਾਰ n ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ p (ਭਾਵ, p ≪ n) ਨਾਲੋਂ ਬਹੁਤ ਵੱਡਾ ਹੈ। ਪਰ ਵੱਡੇ ਡੇਟਾ ਦੇ ਯੁੱਗ ਵਿੱਚ, ਇਹ ਧਾਰਨਾਵਾਂ ਅਕਸਰ ਟੁੱਟ ਜਾਂਦੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਚਿੱਤਰ ਪਛਾਣ ਕਾਰਜਾਂ ਵਿੱਚ, ਇੱਕ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਚਿੱਤਰ ਵਿੱਚ ਲੱਖਾਂ ਪਿਕਸਲ (ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ p) ਹੋ ਸਕਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਵਿੱਚ ਸਿਰਫ਼ ਹਜ਼ਾਰਾਂ ਚਿੱਤਰ (ਨਮੂਨੇ n) ਹੋ ਸਕਦੇ ਹਨ, ਜੋ “ਅਯਾਮਤਾ ਦੇ ਸਰਾਪ” ਸਮੱਸਿਆ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ p ≫ n। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, “ਨਕਲੀ ਸਬੰਧ” ਪੈਦਾ ਕਰਨਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ ਜੋ ਰਵਾਇਤੀ ਅੰਕੜਾਤਮਕ ਤਰੀਕਿਆਂ ਨੂੰ ਅਵੈਧ ਕਰ ਦਿੰਦੇ ਹਨ।

ਡੂੰਘੇ ਸਿੱਖਣ ਦਾ ਉਭਾਰ, ਕੁਝ ਹੱਦ ਤੱਕ, ਇਸ ਚੁਣੌਤੀ ਦਾ ਜਵਾਬ ਹੈ। ਇਹ ਰਵਾਇਤੀ ਅੰਕੜਾਤਮਕ ਧਾਰਨਾਵਾਂ ‘ਤੇ ਭਰੋਸਾ ਕੀਤੇ ਬਿਨਾਂ ਉੱਚ-ਅਯਾਮੀ ਡੇਟਾ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪ੍ਰਸਤੁਤੀਆਂ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ ‘ਤੇ ਸਿੱਖਣ ਲਈ ਇੱਕ ਢੰਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਫਿਰ ਵੀ, ਇਸ ਨਵੇਂ ਡੇਟਾ ਪੈਰਾਡਾਈਮ ਲਈ ਇੱਕ ਠੋਸ ਅੰਕੜਾਤਮਕ ਨੀਂਹ ਸਥਾਪਤ ਕਰਨਾ ਅਜੇ ਵੀ ਇੱਕ ਵੱਡੀ ਗਣਿਤਿਕ ਸਮੱਸਿਆ ਹੈ ਜਿਸ ਨੂੰ ਮੌਜੂਦਾ AI ਖੋਜ ਵਿੱਚ ਤੁਰੰਤ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

2.3 ਥੰਮ 2: ਲੀਨੀਅਰ ਐਲਜਬਰਾ - ਪ੍ਰਸਤੁਤੀ ਦਾ ਤਰਕ

ਲੀਨੀਅਰ ਐਲਜਬਰਾ AI ਸੰਸਾਰ ਦੀ “ਸਰਵਵਿਆਪਕ ਭਾਸ਼ਾ” ਹੈ, ਜੋ ਡੇਟਾ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ, ਭਾਵੇਂ ਇਹ ਇਨਪੁਟ ਹੋਵੇ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਚਿੱਟ