வடிகட்டலின் எழுச்சி: ஒரு போட்டி நன்மை
OpenAI, Microsoft மற்றும் Meta போன்ற AI அரங்கில் உள்ள முக்கிய நிறுவனங்கள், பணப்பையை எளிதாக்கும் AI மாடல்களை உருவாக்க வடிகட்டலை தீவிரமாகப் பயன்படுத்துகின்றன. சீன நிறுவனமான DeepSeek, சிறிய அளவிலான ஆனால் வியக்கத்தக்க வகையில் சக்திவாய்ந்த AI மாடல்களை உருவாக்க இதைப் பயன்படுத்திய பிறகு இந்த முறை குறிப்பிடத்தக்க இழுவையைப் பெற்றது. இத்தகைய திறமையான மாடல்களின் தோற்றம் சிலிக்கான் பள்ளத்தாக்கில் புருவங்களை உயர்த்தியுள்ளது, AI பந்தயத்தில் தனது தலைமைத்துவ நிலையைத் தக்கவைத்துக் கொள்ளும் பிராந்தியத்தின் திறன் குறித்த கவலைகள் எழுந்துள்ளன. நிதிச் சந்தைகள் உடனடியாக எதிர்வினையாற்றின, முக்கிய அமெரிக்க தொழில்நுட்ப நிறுவனங்களின் சந்தை மதிப்பில் பில்லியன் கணக்கான டாலர்கள் அழிக்கப்பட்டன.
வடிகட்டல் எவ்வாறு செயல்படுகிறது: ஆசிரியர்-மாணவர் இயக்கவியல்
வடிகட்டலின் மந்திரம் அதன் ‘ஆசிரியர்-மாணவர்’ அணுகுமுறையில் உள்ளது. ‘ஆசிரியர்’ என்று பொருத்தமாகப் பெயரிடப்பட்ட ஒரு பெரிய, சிக்கலான AI மாதிரி, தரவை உருவாக்கப் பயன்படுகிறது. இந்த தரவு, ஒரு சிறிய ‘மாணவர்’ மாதிரியைப் பயிற்றுவிக்கப் பயன்படுகிறது. இந்த தனித்துவமான செயல்முறை நிறுவனங்கள் தங்கள் மேம்பட்ட AI அமைப்புகளின் செயல்திறனில் கணிசமான பகுதியைத் தக்கவைத்துக்கொள்ள அனுமதிக்கிறது, அதே நேரத்தில் செலவுகள் மற்றும் கணக்கீட்டுத் தேவைகளை வெகுவாகக் குறைக்கிறது.
OpenAI தளத்தின் தயாரிப்புத் தலைவரான Olivier Godement, பொருத்தமாக கூறியது போல், “வடிகட்டல் மிகவும் மாயாஜாலமானது. இது ஒரு பெரிய, ஸ்மார்ட் மாதிரியை எடுத்து, குறிப்பிட்ட பணிகளுக்கு உகந்ததாக இருக்கும் ஒரு சிறிய, மலிவான மற்றும் வேகமான பதிப்பை உருவாக்க அனுமதிக்கிறது.”
செலவு காரணி: AI அணுகலை ஜனநாயகப்படுத்துதல்
OpenAI-யின் GPT-4, Google-ன் Gemini மற்றும் Meta-வின் Llama போன்ற பிரம்மாண்டமான AI மாடல்களுக்கு பயிற்சி அளிக்க, மிகப்பெரிய கணினி சக்தி தேவைப்படுகிறது, பெரும்பாலும் நூற்றுக்கணக்கான மில்லியன் டாலர்கள் வரை செலவாகும். இருப்பினும், வடிகட்டுதல் ஒரு ஜனநாயக சக்தியாக செயல்படுகிறது, வணிகங்களுக்கும் டெவலப்பர்களுக்கும் AI திறன்களை குறைந்த செலவில் அணுகுவதை வழங்குகிறது. இந்த மலிவு விலையானது ஸ்மார்ட்போன்கள் மற்றும் லேப்டாப்கள் போன்ற அன்றாட சாதனங்களில் AI மாடல்களை திறமையாக இயக்குவதற்கான சாத்தியங்களைத் திறக்கிறது.
மைக்ரோசாப்டின் ஃபை மற்றும் டீப்சீக் சர்ச்சை
OpenAI-யின் முக்கிய ஆதரவாளரான மைக்ரோசாப்ட், வடிகட்டலைப் பயன்படுத்தி, GPT-4 ஐப் பயன்படுத்தி ஃபை எனப்படும் தனது சொந்த சிறிய AI மாடல்களை உருவாக்கியுள்ளது. இருப்பினும், டீப்சீக்கிற்கு எதிரான குற்றச்சாட்டுகளுடன் கதை தடிமனாகிறது. டீப்சீக் தனது தனியுரிம மாடல்களை வடிகட்டி ஒரு போட்டி AI அமைப்பைப் பயிற்றுவித்ததாக OpenAI குற்றம் சாட்டுகிறது - இது OpenAI-யின் சேவை விதிமுறைகளை மீறுவதாகும். டீப்சீக் இந்த விஷயத்தில் மௌனம் காத்து வருகிறது.
வடிகட்டலின் வர்த்தக பரிமாற்றங்கள்: அளவு vs. திறன்
வடிகட்டுதல் திறமையான AI மாடல்களை அளித்தாலும், அது சமரசம் இல்லாமல் இல்லை. மைக்ரோசாப்ட் ஆராய்ச்சியின் அகமது அவதல்லா சுட்டிக்காட்டியுள்ளபடி, “நீங்கள் மாடல்களை சிறியதாக மாற்றினால், தவிர்க்க முடியாமல் அவற்றின் திறனைக் குறைக்கிறீர்கள்.” வடிகட்டிய மாடல்கள் மின்னஞ்சல்களைச் சுருக்குதல் போன்ற குறிப்பிட்ட பணிகளைச் செய்வதில் சிறந்து விளங்குகின்றன, ஆனால் அவற்றின் பெரிய சகாக்களின் பரந்த, அனைத்தையும் உள்ளடக்கிய செயல்பாடு இல்லை.
வணிக விருப்பம்: செயல்திறனின் கவர்ச்சி
வரம்புகள் இருந்தபோதிலும், பல வணிகங்கள் வடிகட்டிய மாடல்களை நோக்கி ஈர்க்கப்படுகின்றன. வாடிக்கையாளர் சேவை சாட்போட்கள் மற்றும் மொபைல் பயன்பாடுகள் போன்ற பணிகளுக்கு அவற்றின் திறன்கள் பெரும்பாலும் போதுமானவை. IBM ஆராய்ச்சியின் AI மாடல்களின் துணைத் தலைவரான டேவிட் காக்ஸ், நடைமுறைத்தன்மையை வலியுறுத்துகிறார், “செயல்திறனைப் பராமரிக்கும் அதே வேளையில் நீங்கள் எப்போது செலவுகளைக் குறைக்க முடியும், அது அர்த்தமுள்ளதாக இருக்கும்.”
வணிக மாதிரி சவால்: ஒரு இரட்டை முனைகள் கொண்ட வாள்
வடிகட்டலின் எழுச்சி முக்கிய AI நிறுவனங்களின் வணிக மாதிரிகளுக்கு ஒரு தனித்துவமான சவாலை முன்வைக்கிறது. இந்த மெலிந்த மாடல்கள் உருவாக்க மற்றும் இயக்க மலிவானவை, OpenAI போன்ற நிறுவனங்களுக்கு குறைந்த வருவாய் நீரோடைகளாக மொழிபெயர்க்கப்படுகின்றன. வடிகட்டிய மாடல்களுக்கு OpenAI குறைந்த கட்டணங்களை வசூலித்தாலும், அவற்றின் குறைக்கப்பட்ட கணக்கீட்டுத் தேவைகளைப் பிரதிபலிக்கும் அதே வேளையில், துல்லியம் மற்றும் நம்பகத்தன்மை மிக முக்கியமான உயர்-பங்கு பயன்பாடுகளுக்கு பெரிய AI மாடல்கள் இன்றியமையாததாக இருக்கும் என்று நிறுவனம் கூறுகிறது.
OpenAI-யின் பாதுகாப்பு நடவடிக்கைகள்: கிரீட நகைகளைப் பாதுகாத்தல்
போட்டியாளர்களால் அதன் பெரிய மாடல்களை வடிகட்டுவதைத் தடுக்க OpenAI தீவிரமாக நடவடிக்கை எடுத்து வருகிறது. நிறுவனம் பயன்பாட்டு முறைகளை உன்னிப்பாகக் கண்காணித்து வருகிறது, மேலும் ஒரு பயனர் வடிகட்டுதல் நோக்கங்களுக்காக அதிக அளவு தரவைப் பிரித்தெடுப்பதாகச் சந்தேகித்தால் அணுகலை ரத்து செய்யும் அதிகாரம் உள்ளது. டீப்சீக்குடன் தொடர்புடைய கணக்குகளுக்கு எதிராக இந்த பாதுகாப்பு நடவடிக்கை எடுக்கப்பட்டதாக கூறப்படுகிறது.
திறந்த மூல விவாதம்: வடிகட்டுதல் ஒரு இயக்கியாக
வடிகட்டுதல் திறந்த மூல AI மேம்பாடு தொடர்பான விவாதங்களையும் தூண்டியுள்ளது. OpenAI மற்றும் பிற நிறுவனங்கள் தங்கள் தனியுரிம மாடல்களைப் பாதுகாக்க முயற்சிக்கும் அதே வேளையில், மெட்டாவின் தலைமை AI விஞ்ஞானி, Yann LeCun, வடிகட்டலை திறந்த மூல தத்துவத்தின் ஒரு ஒருங்கிணைந்த பகுதியாக ஏற்றுக்கொண்டார். LeCun திறந்த மூலத்தின் கூட்டுத் தன்மையை ஆதரிக்கிறார், “இது திறந்த மூலத்தின் முழு யோசனை - மற்றவர்களின் முன்னேற்றத்திலிருந்து நீங்கள் லாபம் அடைகிறீர்கள்.”
முதல்-நகர்வாளரின் நன்மையின் நிலைத்தன்மை: ஒரு மாறும் நிலப்பரப்பு
வடிகட்டுதல் மூலம் எளிதாக்கப்பட்ட விரைவான முன்னேற்றங்கள் AI களத்தில் முதல்-நகர்வாளரின் நன்மைகளின் நீண்டகால நிலைத்தன்மை குறித்து கேள்விகளை எழுப்புகின்றன. அதிநவீன மாடல்களை உருவாக்குவதற்கு பில்லியன்களைச் செலவழித்த போதிலும், முன்னணி AI நிறுவனங்கள் இப்போது தங்கள் முன்னேற்றங்களை சில மாதங்களில் பிரதிபலிக்கக்கூடிய போட்டியாளர்களை எதிர்கொள்கின்றன. IBM-ன் காக்ஸ் பொருத்தமாக கவனித்தபடி, “விஷயங்கள் வேகமாக நகரும் உலகில், நீங்கள் கடினமான வழியில் அதைச் செய்ய நிறைய பணம் செலவழிக்கலாம், ஆனால் புலம் உங்களுக்குப் பின்னால் பிடிக்கும்.”
வடிகட்டலின் தொழில்நுட்பங்களில் ஆழமாக ஆராய்தல்
வடிகட்டலின் தாக்கத்தை உண்மையிலேயே பாராட்ட, அடிப்படை தொழில்நுட்ப அம்சங்களை இன்னும் விரிவாக ஆராய்வது மதிப்பு.
அறிவு பரிமாற்றம்: முக்கிய கொள்கை
அதன் மையத்தில், வடிகட்டுதல் என்பது அறிவு பரிமாற்றத்தின் ஒரு வடிவமாகும். பெரிய ‘ஆசிரியர்’ மாதிரி, பாரிய தரவுத்தொகுப்புகளில் பயிற்சி பெற்றதால், ஏராளமான அறிவு மற்றும் புரிதலைக் கொண்டுள்ளது. வடிகட்டலின் குறிக்கோள், இந்த அறிவை சிறிய ‘மாணவர்’ மாதிரிக்கு சுருக்கப்பட்ட வடிவத்தில் மாற்றுவதாகும்.
மென்மையான இலக்குகள்: கடினமான லேபிள்களுக்கு அப்பால்
பாரம்பரிய இயந்திர கற்றல் ‘கடினமான லேபிள்களை’ நம்பியுள்ளது - ‘பூனை’ அல்லது ‘நாய்’ போன்ற திட்டவட்டமான வகைப்பாடுகள். இருப்பினும், வடிகட்டுதல் பெரும்பாலும் ‘மென்மையான இலக்குகளை’ பயன்படுத்துகிறது. இவை ஆசிரியர் மாதிரியால் உருவாக்கப்பட்ட நிகழ்தகவு விநியோகங்கள், அறிவின் பணக்கார பிரதிநிதித்துவத்தை வழங்குகின்றன. உதாரணமாக, ஒரு படத்தை ‘பூனை’ என்று லேபிளிடுவதற்குப் பதிலாக, ஆசிரியர் மாதிரி 90% பூனை, 5% நாய் மற்றும் 5% மற்றவை போன்ற நிகழ்தகவுகளை ஒதுக்கலாம். இந்த நுணுக்கமான தகவல் மாணவர் மாதிரி மிகவும் திறம்பட கற்றுக்கொள்ள உதவுகிறது.
வெப்பநிலை அளவுரு: மென்மையைத் துல்லியமாகச் சரிசெய்தல்
வடிகட்டுதலில் ஒரு முக்கிய அளவுரு ‘வெப்பநிலை’ ஆகும். இந்த மதிப்பு ஆசிரியர் மாதிரியால் உருவாக்கப்பட்ட நிகழ்தகவு விநியோகங்களின் ‘மென்மையை’ கட்டுப்படுத்துகிறது. அதிக வெப்பநிலை மென்மையான விநியோகத்தை உருவாக்குகிறது, வெவ்வேறு வகுப்புகளுக்கு இடையிலான உறவுகளை வலியுறுத்துகிறது. மாணவர் மாதிரி ஆசிரியர் மாதிரியை விட கணிசமாக சிறியதாக இருக்கும்போது இது குறிப்பாக நன்மை பயக்கும்.
வடிகட்டுதலுக்கான வெவ்வேறு அணுகுமுறைகள்
வடிகட்டுதலுக்கு பல்வேறு அணுகுமுறைகள் உள்ளன, ஒவ்வொன்றும் அதன் சொந்த நுணுக்கங்களைக் கொண்டுள்ளன:
- பதில் அடிப்படையிலான வடிகட்டுதல்: இது மிகவும் பொதுவான அணுகுமுறையாகும், அங்கு மாணவர் மாதிரி ஆசிரியர் மாதிரியின் வெளியீட்டு நிகழ்தகவுகளை (மென்மையான இலக்குகள்) பின்பற்ற பயிற்சி அளிக்கப்படுகிறது.
- அம்சம் அடிப்படையிலான வடிகட்டுதல்: இங்கே, மாணவர் மாதிரி ஆசிரியர் மாதிரியின் இடைநிலை அம்ச பிரதிநிதித்துவங்களுடன் பொருந்த பயிற்சி அளிக்கப்படுகிறது. ஆசிரியர் மாதிரி ஒரு சிக்கலான கட்டமைப்பைக் கொண்டிருக்கும்போது இது பயனுள்ளதாக இருக்கும்.
- உறவு அடிப்படையிலான வடிகட்டுதல்: இந்த அணுகுமுறை ஆசிரியர் மாதிரியால் கைப்பற்றப்பட்ட வெவ்வேறு தரவு மாதிரிகளுக்கு இடையிலான உறவுகளை மாற்றுவதில் கவனம் செலுத்துகிறது.
வடிகட்டலின் எதிர்காலம்: தொடர்ச்சியான பரிணாமம்
வடிகட்டுதல் ஒரு நிலையான நுட்பம் அல்ல; அது தொடர்ந்து உருவாகி வருகிறது. ஆராய்ச்சியாளர்கள் அறிவு பரிமாற்றத்தின் செயல்திறனையும் திறனையும் மேம்படுத்த புதிய முறைகளை தீவிரமாக ஆராய்ந்து வருகின்றனர். செயலில் உள்ள ஆராய்ச்சியின் சில பகுதிகள் பின்வருமாறு:
- பல-ஆசிரியர் வடிகட்டுதல்: ஒரு மாணவர் மாதிரியைப் பயிற்றுவிக்க பல ஆசிரியர் மாதிரிகளைப் பயன்படுத்துதல், பரந்த அளவிலான அறிவைப் பெறுதல்.
- ஆன்லைன் வடிகட்டுதல்: ஆசிரியர் மற்றும் மாணவர் மாதிரிகளை ஒரே நேரத்தில் பயிற்றுவித்தல், மேலும் மாறும் மற்றும் தகவமைப்பு கற்றல் செயல்முறைக்கு அனுமதிக்கிறது.
- சுய-வடிகட்டுதல்: ஒரு தனி ஆசிரியர் மாதிரி தேவைப்படாமல், ஒரு மாதிரியிலிருந்து அறிவை வடிகட்ட ஒரு மாதிரியைப் பயன்படுத்துதல், செயல்திறனை மேம்படுத்துதல்.
வடிகட்டலின் பரந்த தாக்கங்கள்
வடிகட்டலின் தாக்கம் AI மாதிரி மேம்பாட்டுத் துறைக்கு அப்பால் நீண்டுள்ளது. இது பின்வருவனவற்றிற்கான தாக்கங்களைக் கொண்டுள்ளது:
- எட்ஜ் கம்ப்யூட்டிங்: வடிகட்டுதல், வள-கட்டுப்படுத்தப்பட்ட சாதனங்களில் சக்திவாய்ந்த AI மாடல்களை வரிசைப்படுத்த உதவுகிறது, மேலும் அறிவார்ந்த எட்ஜ் கம்ப்யூட்டிங் பயன்பாடுகளுக்கு வழி வகுக்கிறது.
- கூட்டமைப்பு கற்றல்: வடிகட்டுதல், கூட்டமைப்பு கற்றலின் செயல்திறனை மேம்படுத்தப் பயன்படுத்தப்படலாம், அங்கு மாதிரிகள் மூலத் தரவைப் பகிராமல் பரவலாக்கப்பட்ட தரவுகளில் பயிற்சி அளிக்கப்படுகின்றன.
- AI விளக்கத்தன்மை: வடிகட்டிய மாடல்கள், சிறியதாகவும் எளிமையாகவும் இருப்பதால், விளக்குவதற்கும் புரிந்துகொள்வதற்கும் எளிதாக இருக்கும், மேலும் விளக்கக்கூடிய AI க்கான தேடலுக்கு உதவும்.
சுருக்கமாக, வடிகட்டுதல் என்பது ஒரு தொழில்நுட்ப தந்திரம் மட்டுமல்ல; இது AI நிலப்பரப்பை மறுவடிவமைக்கும் ஒரு முன்னுதாரண மாற்றமாகும், இது மேலும் அணுகக்கூடியதாகவும், திறமையாகவும், தகவமைக்கக்கூடியதாகவும் ஆக்குகிறது. இது AI ஆராய்ச்சியாளர்களின் புத்தி கூர்மைக்கு ஒரு சான்றாகும் மற்றும் AI சக்தி மிகவும் ஜனநாயக ரீதியாக விநியோகிக்கப்படும் எதிர்காலத்தின் முன்னோடியாகும்.