சீனாவின் AI பாதை: சக்திக்கு மேல் நடைமுறை ஒருங்கிணைப்பு

செயற்கை நுண்ணறிவு (AI) பற்றிய உலகளாவிய உரையாடல் பெரும்பாலும் ஒரு இடைவிடாத ஆயுதப் போட்டியில் நிலைநிறுத்தப்பட்டதாகத் தெரிகிறது - யார் மிகப்பெரிய, மிகவும் சக்திவாய்ந்த பெரிய மொழி மாதிரியை (LLM) உருவாக்க முடியும்? China-வில் DeepSeek போன்ற மாதிரிகளால் வெளிப்படுத்தப்பட்ட ஈர்க்கக்கூடிய திறன்கள் போன்ற சமீபத்திய முன்னேற்றங்கள், நிச்சயமாக இந்த விவரிப்புக்கு வலு சேர்க்கின்றன. உலகளாவிய மற்றும் உள்நாட்டில் ஒரு சவாலான பொருளாதார நிலப்பரப்பிற்கு மத்தியில், இத்தகைய தொழில்நுட்ப பாய்ச்சல்கள் எதிர்கால திறனின் ஒரு கவர்ச்சியான பார்வையை வழங்குகின்றன, மேலும் ஒருவேளை, வளர்ச்சிக்கு மிகவும் தேவையான ஊக்கியாக இருக்கலாம். ஆயினும், இந்த தலைப்புச் செய்திகளைப் பிடிக்கும் LLM-களில் மட்டுமே கவனம் செலுத்துவது என்பது மரங்களைப் பார்த்து காட்டைக் காணத் தவறுவதாகும். செயற்கை நுண்ணறிவு, குறைவான பகட்டான ஆனால் ஆழ்ந்த தாக்கத்தை ஏற்படுத்தும் வழிகளில், பல ஆண்டுகளாக நமது டிஜிட்டல் வாழ்க்கையின் கட்டமைப்பில் ஆழமாகப் பின்னிப் பிணைந்துள்ளது.

ஆன்லைன் தொடர்பு மற்றும் வர்த்தகத்தில் ஆதிக்கம் செலுத்தும் எங்கும் நிறைந்த தளங்களைக் கவனியுங்கள். TikTok அல்லது அதன் சீன இணையான Douyin, உள்ளடக்க ஊட்டங்களைத் தொடர்ந்து வடிவமைக்கும் அதிநவீன பரிந்துரை வழிமுறைகள் இல்லாமல் இத்தகைய திகைப்பூட்டும் உலகளாவிய ரீச்சை அடைந்திருக்க முடியுமா? இதேபோல், Amazon, Shein, மற்றும் Temu போன்ற சர்வதேச வீரர்கள் அல்லது Taobao மற்றும் JD.com போன்ற உள்நாட்டு ஆற்றல் மையங்கள் என இ-காமர்ஸ் ஜாம்பவான்களின் வெற்றிகள், திறமையான ஆதாரங்கள் மற்றும் தளவாடங்களுக்கு அப்பாற்பட்டவை. AI கண்ணுக்குத் தெரியாத கையாக செயல்படுகிறது, நமது தேர்வுகளை நுட்பமாக வழிநடத்துகிறது. நாம் வாங்க நினைக்கும் புத்தகங்கள் முதல் நாம் பின்பற்றும் ஃபேஷன் போக்குகள் வரை, நமது நுகர்வுப் பழக்கவழக்கங்கள் நமது கடந்தகால கொள்முதல், உலாவல் வரலாறுகள் மற்றும் கிளிக் வடிவங்களை பகுப்பாய்வு செய்யும் அமைப்புகளால் பெருகிய முறையில் வடிவமைக்கப்படுகின்றன. உரையாடல் AI தேவைக்கேற்ப நேர்த்தியான கவிதைகளை உருவாக்குவதற்கு நீண்ட காலத்திற்கு முன்பே, Amazon மற்றும் Google போன்ற நிறுவனங்கள் நுகர்வோர் நடத்தையைப் புரிந்துகொள்வதற்கும் கணிப்பதற்கும் AI-ஐப் பயன்படுத்துவதில் முன்னோடியாக இருந்தன, சந்தையை அடிப்படையில் மாற்றியமைத்தன. இந்த அமைதியான, மிகவும் பரவலான AI வடிவம், வர்த்தகம் மற்றும் ஊடக நுகர்வை பல தசாப்தங்களாக மறுவடிவமைத்து வருகிறது, இது பெரும்பாலும் நனவான விழிப்புணர்வின் வாசலுக்குக் கீழே செயல்படுகிறது.

பெரிய மொழி மாதிரிகளின் இருமுனை வாள்

DeepSeek போன்ற சக்திவாய்ந்த LLM-களின் தோற்றம் மறுக்கமுடியாமல் ஒரு குறிப்பிடத்தக்க தொழில்நுட்ப மைல்கல்லைக் குறிக்கிறது. மனிதனைப் போன்ற உரையை உருவாக்குதல், மொழிகளை மொழிபெயர்த்தல் மற்றும் கவிதை போன்ற ஆக்கப்பூர்வமான உள்ளடக்கத்தை எழுதுதல் ஆகியவற்றில் அவற்றின் திறன் குறிப்பிடத்தக்கது. இந்த கருவிகள் தனிப்பட்ட உதவியாளர்கள், ஆராய்ச்சி உதவிகள் மற்றும் ஆக்கப்பூர்வமான கூட்டாளர்களாக மகத்தான வாக்குறுதியைக் கொண்டுள்ளன. மின்னஞ்சல்களை வரைவு செய்ய, நீண்ட ஆவணங்களைச் சுருக்க அல்லது யோசனைகளை மூளைச்சலவை செய்ய அத்தகைய மாதிரியைப் பயன்படுத்துவதை கற்பனை செய்து பாருங்கள் - தனிப்பட்ட உற்பத்தித்திறனை மேம்படுத்துவதற்கான சாத்தியம் தெளிவாக உள்ளது.

இருப்பினும், இந்த சக்தி குறிப்பிடத்தக்க எச்சரிக்கைகளுடன் வருகிறது, இந்த மாதிரிகள் எவ்வாறு செயல்படுகின்றன என்பதன் இயல்பிலேயே வேரூன்றியுள்ளது. LLM-கள் சிக்கலான புள்ளிவிவர முறைகள் மற்றும் பரந்த தரவுத்தொகுப்புகளில் பயிற்சி பெற்ற பரந்த நரம்பியல் நெட்வொர்க்குகளில் கட்டமைக்கப்பட்டுள்ளன. அவை வடிவங்களை அடையாளம் காண்பதிலும், வார்த்தைகளின் மிகவும் சாத்தியமான வரிசையைக் கணிப்பதிலும் சிறந்து விளங்குகின்றன, ஆனால் அவை உண்மையான புரிதல் அல்லது நனவைக் கொண்டிருக்கவில்லை. இந்த புள்ளிவிவர அடித்தளம் ஒரு முக்கியமான பாதிப்புக்கு வழிவகுக்கிறது: hallucinations (மாயத்தோற்றங்கள்). அவற்றின் பயிற்சித் தரவுக்கு அப்பாற்பட்ட தலைப்புகள் அல்லது நுணுக்கமான தீர்ப்பு தேவைப்படும் வினவல்களை எதிர்கொள்ளும்போது, LLM-கள் நம்பத்தகுந்ததாகத் தோன்றும் ஆனால் முற்றிலும் தவறான அல்லது தவறாக வழிநடத்தும் தகவலை நம்பிக்கையுடன் உருவாக்க முடியும்.

ஒரு LLM-ஐ ஒரு தவறில்லாத ஆரக்கிளாக நினைக்காதீர்கள், ஆனால் ஒருவேளை நம்பமுடியாத அளவிற்கு நன்கு படித்த, சொற்பொழிவாளர், ஆனால் சில சமயங்களில் கற்பனையாகப் பேசும் நிபுணராக நினைக்கலாம். DeepSeek ஒரு கிளர்ச்சியூட்டும் சொனெட்டை இயற்றக்கூடும் என்றாலும், முக்கியமான சட்ட விளக்கம், துல்லியமான மருத்துவ நோயறிதல்கள் அல்லது அதிக ஆபத்துள்ள நிதி ஆலோசனைக்கு அதை நம்புவது ஆழ்ந்த விவேகமற்றதாக இருக்கும். சரளமான உரையை உருவாக்க அனுமதிக்கும் புள்ளிவிவர நிகழ்தகவு இயந்திரம், உறுதியான அறிவு இல்லாதபோது ‘உண்மைகளை’ கண்டுபிடிப்பதற்கும் வாய்ப்பளிக்கிறது. DeepSeek-இன் R1 அல்லது OpenAI-இன் வதந்தியான o1/o3 போன்ற புதிய கட்டமைப்புகள் மற்றும் பகுத்தறிவு மாதிரிகள் இந்த சிக்கலைக் குறைக்க நோக்கமாகக் கொண்டிருந்தாலும், அவை அதை அகற்றவில்லை. ஒவ்வொரு நிகழ்விலும் துல்லியமாக இருக்கும் என்று உத்தரவாதம் அளிக்கப்பட்ட ஒரு முட்டாள்தனமான LLM, இன்னும் எட்டப்படவில்லை. எனவே, LLM-கள் தனிநபர்களுக்கு சக்திவாய்ந்த கருவிகளாக இருக்க முடியும் என்றாலும், அவற்றின் பயன்பாடு விமர்சன மதிப்பீட்டைக் கொண்டு கட்டுப்படுத்தப்பட வேண்டும், குறிப்பாக அவற்றின் வெளியீட்டின் அடிப்படையில் எடுக்கப்படும் முடிவுகள் குறிப்பிடத்தக்க எடையைக் கொண்டிருக்கும்போது. அவை மனித திறனை அதிகரிக்கின்றன; முக்கியமான களங்களில் மனித தீர்ப்பை அவை மாற்றாது.

கார்ப்பரேட் மற்றும் அரசாங்க AI செயலாக்கத்தை வழிநடத்துதல்

அதிக ஆபத்துள்ள, திறந்தநிலை வினவல்களுக்கான அவற்றின் உள்ளார்ந்த வரம்புகள் இருந்தபோதிலும், LLM-கள் நிறுவனங்கள் மற்றும் அரசாங்க அமைப்புகளுக்கு, குறிப்பாக கட்டுப்படுத்தப்பட்ட சூழல்களில் கணிசமான மதிப்பு முன்மொழிவுகளை வழங்குகின்றன. அவற்றின் பலம் உறுதியான முடிவெடுப்பதை மாற்றுவதில் இல்லை, ஆனால் செயல்முறைகளை ஒழுங்குபடுத்துதல் மற்றும் நுண்ணறிவுகளைப் பிரித்தெடுத்தல் ஆகியவற்றில் உள்ளது. முக்கிய பயன்பாடுகள் பின்வருமாறு:

• செயல்முறை ஆட்டோமேஷன்: தரவு உள்ளீடு, வாடிக்கையாளர் சேவை முன் திரையிடல், ஆவணச் சுருக்கம் மற்றும் அறிக்கை உருவாக்கம் போன்ற வழக்கமான பணிகளைக் கையாளுதல்.
• பணிப்பாய்வு மேம்படுத்தல்: தடைகளை அடையாளம் காணுதல், செயல்திறன் மேம்பாடுகளைப் பரிந்துரைத்தல் மற்றும் தரவு பகுப்பாய்வின் அடிப்படையில் சிக்கலான திட்ட காலக்கெடுவை நிர்வகித்தல்.
• தரவு பகுப்பாய்வு: மனித கண்டறிதலில் இருந்து தப்பிக்கக்கூடிய போக்குகள், தொடர்புகள் மற்றும் முரண்பாடுகளைக் கண்டறிய பரந்த தரவுத்தொகுப்புகளைச் செயலாக்குதல், மூலோபாய திட்டமிடல் மற்றும் வள ஒதுக்கீட்டிற்கு உதவுதல்.

அரசு மற்றும் கார்ப்பரேட் பயன்பாட்டிற்கான ஒரு முக்கியமான அம்சம் தரவு பாதுகாப்பு மற்றும் ரகசியத்தன்மை ஆகும். DeepSeek போன்ற திறந்த மூல மாதிரிகளின் கிடைக்கும் தன்மை இங்கு ஒரு நன்மையை அளிக்கிறது. இந்த மாதிரிகள் பிரத்யேக, பாதுகாப்பான அரசு அல்லது கார்ப்பரேட் டிஜிட்டல் உள்கட்டமைப்பிற்குள் ஹோஸ்ட் செய்யப்படலாம். இந்த ‘on-premises’ அல்லது ‘private cloud’ அணுகுமுறை, முக்கியமான அல்லது ரகசியமான தகவல்களை வெளிப்புற சேவையகங்கள் அல்லது மூன்றாம் தரப்பு வழங்குநர்களுக்கு வெளிப்படுத்தாமல் செயலாக்க அனுமதிக்கிறது, குறிப்பிடத்தக்க தனியுரிமை மற்றும் பாதுகாப்பு அபாயங்களைக் குறைக்கிறது.

இருப்பினும், வழங்கப்பட்ட தகவல்கள் அதிகாரப்பூர்வமாகவும் சந்தேகத்திற்கு இடமின்றி துல்லியமாகவும் இருக்க வேண்டிய பொதுமக்களை எதிர்கொள்ளும் அரசாங்க பயன்பாடுகளை கருத்தில் கொள்ளும்போது கணக்கீடு வியத்தகு முறையில் மாறுகிறது. ஒரு குடிமகன் சமூக நலன்கள், வரி விதிமுறைகள் அல்லது அவசரகால நடைமுறைகளுக்கான தகுதி குறித்து LLM-ஆல் இயக்கப்படும் அரசாங்க போர்ட்டலைக் கேட்பதை கற்பனை செய்து பாருங்கள். AI 99% நேரமும் முற்றிலும் சரியான பதில்களை உருவாக்கினாலும், மீதமுள்ள 1% தவறான அல்லது துல்லியமற்ற பதில்கள் கடுமையான விளைவுகளை ஏற்படுத்தக்கூடும், பொது நம்பிக்கையை சிதைக்கும், நிதி நெருக்கடியை ஏற்படுத்தும் அல்லது பாதுகாப்பிற்கு ஆபத்தை விளைவிக்கும்.

இது வலுவான பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்துவதை அவசியமாக்குகிறது. சாத்தியமான தீர்வுகள் பின்வருமாறு:

• வினவல் வடிகட்டுதல்: பாதுகாப்பான, சரிபார்க்கக்கூடிய பதில்களின் முன் வரையறுக்கப்பட்ட எல்லைக்கு வெளியே வரும் விசாரணைகளை அடையாளம் காண அமைப்புகளை வடிவமைத்தல்.
• மனித மேற்பார்வை: சிக்கலான, தெளிவற்ற அல்லது அதிக ஆபத்துள்ள வினவல்களை ஒரு மனித நிபுணரால் மதிப்பாய்வு செய்வதற்கும் பதிலளிப்பதற்கும் கொடியிடுதல்.
• நம்பிக்கை மதிப்பெண்: ஒரு பதிலைப் பற்றிய அதன் உறுதியற்ற அளவைக் குறிக்க AI-ஐ நிரலாக்குதல், குறைந்த நம்பிக்கை பதில்களுக்கான சரிபார்ப்பைத் தேட பயனர்களைத் தூண்டுதல்.
• பதில் சரிபார்ப்பு: AI-உருவாக்கிய பதில்களை பொதுமக்களுக்கு வழங்குவதற்கு முன்பு அறியப்பட்ட, துல்லியமான தகவல்களின் தொகுக்கப்பட்ட தரவுத்தளங்களுக்கு எதிராக குறுக்கு சரிபார்த்தல்.

இந்த நடவடிக்கைகள் தற்போதைய LLM தொழில்நுட்பத்தில் உள்ளார்ந்த அடிப்படை பதற்றத்தை எடுத்துக்காட்டுகின்றன: அவற்றின் ஈர்க்கக்கூடிய உருவாக்கும் சக்திக்கும் முக்கியமான சூழல்களில் துல்லியம் மற்றும் நம்பகத்தன்மைக்கான முழுமையான தேவைக்கும் இடையிலான வர்த்தகம். இந்த பதற்றத்தை நிர்வகிப்பது பொதுத்துறையில் பொறுப்பான AI வரிசைப்படுத்தலுக்கு முக்கியமாகும்.

நம்பகமான AI நோக்கி: அறிவு வரைபட அணுகுமுறை

China-வின் அணுகுமுறை, நம்பகத்தன்மையை மேம்படுத்துவதற்கான வழிகளை தீவிரமாகத் தேடும் அதே வேளையில், குறிப்பிட்ட, கட்டுப்படுத்தப்பட்ட பயன்பாடுகளில் AI-ஐ ஒருங்கிணைப்பதன் மூலம் இந்த பதற்றத்தை வழிநடத்துவதில் பெருகிய முறையில் கவனம் செலுத்துவதாகத் தெரிகிறது. Greater Bay Area-வில் உள்ள ஒரு நகரமான Zhuhai-ல் வெளிவரும் ஸ்மார்ட் சிட்டி முயற்சி ஒரு அழுத்தமான எடுத்துக்காட்டு. நகராட்சி அரசாங்கம் சமீபத்தில் Zhipu AI-ல் ஒரு குறிப்பிடத்தக்க மூலோபாய முதலீட்டை (சுமார் 500 மில்லியன் யுவான் அல்லது US$69 மில்லியன்) செய்தது, இது நகர்ப்புற உள்கட்டமைப்பில் மேம்பட்ட AI-ஐ உட்பொதிப்பதற்கான அர்ப்பணிப்பைக் குறிக்கிறது.

Zhuhai-ன் லட்சியங்கள் எளிய ஆட்டோமேஷனுக்கு அப்பாற்பட்டவை. பொது சேவைகளில் உறுதியான மேம்பாடுகளை நோக்கமாகக் கொண்ட AI-இன் விரிவான, அடுக்கு செயல்படுத்தல் இதன் குறிக்கோள். இது நிகழ்நேர தரவு பகுப்பாய்வு மூலம் போக்குவரத்து ஓட்டத்தை மேம்படுத்துதல், மேலும் முழுமையான முடிவெடுப்பதற்காக பல்வேறு அரசாங்கத் துறைகளில் உள்ள வேறுபட்ட தரவு ஓடைகளை ஒருங்கிணைத்தல் மற்றும் இறுதியில், குடிமக்களுக்கு மிகவும் திறமையான மற்றும் பதிலளிக்கக்கூடிய நகர்ப்புற சூழலை உருவாக்குதல் ஆகியவற்றை உள்ளடக்கியது.

இந்த முயற்சிக்கு மையமானது Zhipu AI-இன் GLM-4 பொது மொழி மாதிரி. சீன மற்றும் ஆங்கிலப் பணிகளைக் கையாள்வதில் திறமையானதாகவும், பல-மாதிரி திறன்களைக் கொண்டதாகவும் (உரைக்கு அப்பாற்பட்ட தகவல்களைச் செயலாக்குதல்) இருந்தாலும், அதன் முக்கிய வேறுபாடு அதன் கட்டமைப்பில் உள்ளது. Tsinghua University-இன் புகழ்பெற்ற Knowledge Engineering Group-இன் ஒரு ஸ்பின்-ஆஃப் ஆன Zhipu AI, அதன் கற்றல் செயல்பாட்டில் கட்டமைக்கப்பட்ட தரவுத்தொகுப்புகள் மற்றும் அறிவு வரைபடங்களை இணைக்கிறது. இணையதளங்கள் மற்றும் புத்தகங்கள் போன்ற பரந்த அளவிலான கட்டமைக்கப்படாத உரையிலிருந்து முதன்மையாகக் கற்கும் வழக்கமான LLM-களைப் போலல்லாமல், Zhipu AI வெளிப்படையாகத் தொகுக்கப்பட்ட, உயர்-துல்லியமான அறிவு வரைபடங்களை - உண்மைகள், நிறுவனங்கள் மற்றும் அவற்றின் உறவுகளின் கட்டமைக்கப்பட்ட பிரதிநிதித்துவங்களை - மேம்படுத்துகிறது.

இந்த அணுகுமுறை மாதிரியின் hallucination விகிதத்தை கணிசமாகக் குறைப்பதாக நிறுவனம் கூறுகிறது, சமீபத்திய உலகளாவிய ஒப்பீட்டில் மிகக் குறைந்த விகிதத்தை அடைந்ததாகக் கூறப்படுகிறது. சரிபார்க்கப்பட்ட, கட்டமைக்கப்பட்ட அறிவின் கட்டமைப்பில் AI-இன் புள்ளிவிவர அனுமானங்களை அடித்தளமாகக் கொண்டு (Knowledge Engineering தோற்றத்தால் குறிக்கப்படுவது போல), Zhipu AI மிகவும் நம்பகமான அறிவாற்றல் இயந்திரத்தை உருவாக்க நோக்கமாகக் கொண்டுள்ளது. இது முற்றிலும் புள்ளிவிவர மாதிரிகளிலிருந்து விலகி, Zhuhai-ன் ஸ்மார்ட் சிட்டி திட்டத்தில் கற்பனை செய்யப்பட்டுள்ளவை போன்ற குறிப்பிட்ட பயன்பாடுகளுக்கு நம்பகத்தன்மையை மேம்படுத்தும், உண்மை அடிப்படையிலான அடித்தளத்தை ஒருங்கிணைக்கும் அமைப்புகளை நோக்கிய ஒரு நடைமுறை படியைக் குறிக்கிறது.

நரம்பியல்-குறியீட்டு ஒருங்கிணைப்புக்கான தேடல்

Zhipu AI உதாரணம், செயற்கை நுண்ணறிவின் பரிணாம வளர்ச்சியில் எதிர்பார்க்கப்படும் ஒரு பரந்த, மிகவும் அடிப்படையான மாற்றத்தை சுட்டிக்காட்டுகிறது: புள்ளிவிவர நரம்பியல் நெட்வொர்க்குகளை குறியீட்டு தர்க்கரீதியான பகுத்தறிவுடன் ஒருங்கிணைத்தல். தற்போதைய LLM-கள் முதன்மையாக நரம்பியல் நெட்வொர்க்குகளின் வெற்றியைக் குறிக்கும் அதே வேளையில் - வடிவத்தை அங்கீகரிப்பதில், உணர்ச்சித் தரவைச் செயலாக்குவதில் மற்றும் புள்ளிவிவர ரீதியாக சாத்தியமான வெளியீடுகளை உருவாக்குவதில் சிறந்து விளங்குகின்றன - அடுத்த கட்டம் இந்த ‘உள்ளுணர்வு’ திறனை பாரம்பரிய குறியீட்டு AI-இன் சிறப்பியல்பு கொண்ட கட்டமைக்கப்பட்ட, விதி அடிப்படையிலான பகுத்தறிவுடன் இணைப்பதை உள்ளடக்கியிருக்கலாம்.

இந்த நரம்பியல்-குறியீட்டு ஒருங்கிணைப்பு (neuro-symbolic integration) பெரும்பாலும் AI ஆராய்ச்சியில் ஒரு ‘புனித கிரெயில்’ என்று விவரிக்கப்படுகிறது, ஏனெனில் இது இரு உலகங்களிலும் சிறந்ததை உறுதியளிக்கிறது: நரம்பியல் நெட்வொர்க்குகளின் கற்றல் மற்றும் தழுவல் திறன்கள், குறியீட்டு அமைப்புகளின் வெளிப்படைத்தன்மை, சரிபார்க்கக்கூடிய தன்மை மற்றும் வெளிப்படையான பகுத்தறிவுடன் இணைக்கப்பட்டுள்ளன. தரவுகளில் உள்ள வடிவங்களை அங்கீகரிப்பது மட்டுமல்லாமல், நிறுவப்பட்ட விதிகள், சட்டங்கள் அல்லது தர்க்கரீதியான கொள்கைகளின் அடிப்படையில் அதன் பகுத்தறிவை விளக்கக்கூடிய ஒரு AI-ஐ கற்பனை செய்து பாருங்கள்.

தடையற்ற ஒருங்கிணைப்பை அடைவது, தத்துவார்த்த கட்டமைப்புகள், கணக்கீட்டுத் திறன் மற்றும் நடைமுறைச் செயலாக்கம் ஆகியவற்றை உள்ளடக்கிய பல சிக்கலான சவால்களை முன்வைக்கிறது. இருப்பினும், வலுவான அறிவு வரைபடங்களை (knowledge graphs) உருவாக்குவது ஒரு உறுதியான தொடக்க புள்ளியைக் குறிக்கிறது. உண்மைகள் மற்றும் உறவுகளின் இந்த கட்டமைக்கப்பட்ட தரவுத்தளங்கள் நரம்பியல் நெட்வொர்க் அனுமானங்களை நங்கூரமிடத் தேவையான குறியீட்டு அடித்தளத்தை வழங்குகின்றன.

Ming வம்சத்தின் போது கலைக்களஞ்சியமான Yongle Dadian-ஐத் தொகுத்த மாபெரும் முயற்சியை எதிரொலிக்கும் வகையில், China-வில் ஒரு பெரிய அளவிலான, அரசு நிதியுதவி பெற்ற முயற்சியை ஒருவர் கற்பனை செய்யலாம். மருத்துவம், சட்டம், பொறியியல் மற்றும் பொருள் அறிவியல் போன்ற துல்லியம் பேரம் பேச முடியாத முக்கியமான களங்களில் சரிபார்க்கப்பட்ட தகவல்களின் பரந்த அளவை டிஜிட்டல் முறையில் குறியீடாக்குவதன் மூலம், China அடிப்படை அறிவு கட்டமைப்புகளை உருவாக்க முடியும். எதிர்கால AI மாதிரிகளை இந்த குறியிடப்பட்ட, கட்டமைக்கப்பட்ட அறிவுத் தளங்களில் நங்கூரமிடுவது, அவற்றை மிகவும் நம்பகமானதாகவும், hallucination-க்கு குறைவாக ஆளாகக்கூடியதாகவும், இறுதியில், முக்கியமான பயன்பாடுகளுக்கு மிகவும் நம்பகமானதாகவும் மாற்றுவதற்கான ஒரு குறிப்பிடத்தக்க படியாக இருக்கும், இந்தத் துறைகளின் எல்லைகளை இந்த செயல்பாட்டில் முன்னெடுத்துச் செல்லக்கூடும்.

தன்னாட்சி ஓட்டுதல்: China-வின் சுற்றுச்சூழல் அமைப்பு நன்மை

ஒருவேளை China ஒருங்கிணைந்த, நம்பகமான AI மீதான தனது கவனத்தை மேம்படுத்தத் தயாராகத் தோன்றும் மிகவும் அழுத்தமான அரங்கம் தன்னாட்சி ஓட்டுதல் (autonomous driving) ஆகும். இந்த பயன்பாடு பொது நோக்கத்திற்கான மொழி மாதிரிகளிலிருந்து வேறுபடுகிறது, ஏனெனில் பாதுகாப்பு என்பது விரும்பத்தக்கது மட்டுமல்ல; அது மிக முக்கியமானது. சிக்கலான, கணிக்க முடியாத நிஜ-உலக சூழல்களில் ஒரு வாகனத்தை இயக்குவது வடிவத்தை அங்கீகரிப்பதை விட அதிகம் தேவைப்படுகிறது; போக்குவரத்து விதிகள், உடல் கட்டுப்பாடுகள், நெறிமுறைக் கருத்தாய்வுகள் மற்றும் பிற சாலைப் பயனர்களின் நடத்தை பற்றிய முன்கணிப்பு பகுத்தறிவு ஆகியவற்றின் அடிப்படையில் பிளவு-வினாடி முடிவுகள் தேவை.

தன்னாட்சி ஓட்டுதல் அமைப்புகள், எனவே, ஒரு உண்மையான நரம்பியல்-குறியீட்டு கட்டமைப்பை அவசியமாக்குகின்றன.

• நரம்பியல் நெட்வொர்க்குகள் கேமராக்கள், lidar மற்றும் radar ஆகியவற்றிலிருந்து வரும் உணர்ச்சித் தரவின் வெள்ளத்தைச் செயலாக்குவதற்கும், பாதசாரிகள், சைக்கிள் ஓட்டுநர்கள் மற்றும் பிற வாகனங்கள் போன்ற பொருட்களை அடையாளம் காண்பதற்கும், உடனடி சூழலைப் புரிந்துகொள்வதற்கும் அவசியம்.
• குறியீட்டு தர்க்கம் போக்குவரத்து விதிகளைச் செயல்படுத்துவதற்கும் (சிவப்பு விளக்குகளில் நிறுத்துதல், வழிவிடுதல்), உடல் வரம்புகளுக்குக் கட்டுப்படுவதற்கும் (பிரேக்கிங் தூரங்கள், திருப்பு ஆரங்கள்), சிக்கலான சூழ்நிலைகளில் வெளிப்படையான, சரிபார்க்கக்கூடிய முடிவுகளை எடுப்பதற்கும், தவிர்க்க முடியாத விபத்துத் தேர்வுகள் போன்ற நெறிமுறைச் சிக்கல்களை வழிநடத்துவதற்கும் (இது ஆழ்ந்த சிக்கலான பகுதியாக இருந்தாலும்) முக்கியமானது.

ஒரு தன்னாட்சி வாகனம், தரவு சார்ந்த ‘உள்ளுணர்வு’ மற்றும் விதி அடிப்படையிலான பகுத்தறிவு ஆகியவற்றை திறம்படக் கலக்க வேண்டும், மாறும் சூழ்நிலைகளில் தகவமைப்புப் பாதுகாப்பை உறுதிசெய்ய சீராகவும் கணிக்கக்கூடியதாகவும் செயல்பட வேண்டும். குறைவான முக்கியமான AI பயன்பாடுகளில் ஏற்றுக்கொள்ளக்கூடிய ‘hallucinations’ அல்லது நிகழ்தகவுப் பிழைகளை அது தாங்க முடியாது.

இங்கே, China தன்னாட்சி ஓட்டுதல் மேம்பாடு மற்றும் வரிசைப்படுத்தலுக்கான ஒரு வளமான சுற்றுச்சூழல் அமைப்பை உருவாக்கும் காரணிகளின் தனித்துவமான சங்கமத்தைக் கொண்டுள்ளது, இது மற்ற உலகளாவிய சக்திகளை விஞ்சும் வகையில் வாதிடலாம்:

1. உலக முன்னணி EV விநியோகச் சங்கிலி: China மின்சார வாகனங்கள் மற்றும் அவற்றின் கூறுகளின் உற்பத்தியில், குறிப்பாக பேட்டரிகள், ஆதிக்கம் செலுத்துகிறது, இது ஒரு வலுவான தொழில்துறை தளத்தை வழங்குகிறது.
2. விரிவான சார்ஜிங் உள்கட்டமைப்பு: சார்ஜிங் நிலையங்களின் வேகமாக விரிவடையும் நெட்வொர்க் வரம்பு கவலையைக் குறைக்கிறது மற்றும் பரவலான EV தத்தெடுப்பை ஆதரிக்கிறது.
3. மேம்பட்ட 5G நெட்வொர்க்குகள்: உயர் அலைவரிசை, குறைந்த தாமதத் தொடர்பு வாகனத்திலிருந்து எல்லாவற்றிற்கும் (V2X) தொடர்புக்கு முக்கியமானது, வாகனங்கள் மற்றும் உள்கட்டமைப்புக்கு இடையே ஒருங்கிணைப்பை செயல்படுத்துகிறது.
4. ஸ்மார்ட் சிட்டி ஒருங்கிணைப்பு: Zhuhai போன்ற முயற்சிகள் போக்குவரத்து அமைப்புகளை பரந்த நகர்ப்புற தரவு நெட்வொர்க்குகளுடன் ஒருங்கிணைக்க விருப்பத்தை வெளிப்படுத்துகின்றன, போக்குவரத்து ஓட்டத்தை மேம்படுத்துகின்றன மற்றும் மேம்பட்ட AV அம்சங்களை செயல்படுத்துகின்றன.
5. பரவலான ரைடு-ஹெய்லிங்: ரைடு-ஹெய்லிங் பயன்பாடுகளின் அதிக நுகர்வோர் தத்தெடுப்பு ரோபோடாக்ஸி சேவைகளுக்கான ஆயத்த சந்தையை உருவாக்குகிறது, தன்னாட்சி வாகனங்களை வணிகமயமாக்குவதற்கான தெளிவான பாதையை வழங்குகிறது.
6. அதிக EV தத்தெடுப்பு விகிதம்: சீன நுகர்வோர் பல மேற்கத்திய நாடுகளை விட மின்சார வாகனங்களை மிகவும் எளிதாக ஏற்றுக்கொண்டனர், இது ஒரு பெரிய உள்நாட்டு சந்தையை உருவாக்குகிறது.
7. ஆதரவான ஒழுங்குமுறை சூழல்: பாதுகாப்பு முக்கியமாக இருந்தாலும், Wuhan போன்ற நகரங்களில் ஏற்கனவே நடந்து வரும் ரோபோடாக்ஸி செயல்பாடுகளால் சான்றளிக்கப்பட்டபடி, தன்னாட்சி தொழில்நுட்பங்களைச் சோதிப்பதற்கும் வரிசைப்படுத்துவதற்கும் அரசாங்க ஆதரவு இருப்பதாகத் தெரிகிறது.

இதை மற்ற பிராந்தியங்களுடன் ஒப்பிடுங்கள். Tesla-வின் முன்னோடி முயற்சிகள் இருந்தபோதிலும், United States வளர்ந்த நாடுகளிடையே ஒட்டுமொத்த EV தத்தெடுப்பில் கணிசமாகப் பின்தங்கியுள்ளது, இது கொள்கை மாற்றங்களால் மோசமடையக்கூடும். Europe வலுவான EV தத்தெடுப்பைக் கொண்டுள்ளது, ஆனால் இந்த ஒருங்கிணைப்பில் கவனம் செலுத்தும் ஆதிக்க உள்நாட்டு EV உற்பத்தியாளர்கள் அல்லது உலகளவில் முன்னணி AI ஜாம்பவான்களின் அதே செறிவைக் கொண்டிருக்கவில்லை.

China-வின் மூலோபாய நன்மை, எனவே, ஒற்றை மிகவும் சக்திவாய்ந்த LLM-ஐக் கொண்டிருப்பதைப் பற்றியது குறைவாகவும், இந்த சிக்கலான சுற்றுச்சூழல் அமைப்பை ஒழுங்கமைப்பதைப் பற்றியது அதிகமாகவும் தெரிகிறது. உற்பத்தித் திறமை முதல் டிஜிட்டல் உள்கட்டமைப்பு மற்றும் நுகர்வோர் ஏற்பு வரை - தன்னாட்சி வாகனங்கள் முக்கிய சோதனை நிலையிலிருந்து பிரதான தத்தெடுப்புக்கு இந்த தசாப்தத்திற்குள் நகர அனுமதிக்கக்கூடிய துண்டுகள் இடத்தில் விழுகின்றன, ஒருவேளை இந்த ஆண்டு குறிப்பிடத்தக்க எழுச்சியைக் கூட காணலாம். இந்த வாகனங்கள் உருவாகி வரும் ஸ்மார்ட் சிட்டி உள்கட்டமைப்புகளுடன் தடையின்றி ஒருங்கிணைக்கப்படுவதால் முழு உருமாற்ற சக்தியும் திறக்கப்படும்.

கவனத்தை மாற்றுதல்: கணக்கீட்டு சக்தியிலிருந்து ஒருங்கிணைந்த சுற்றுச்சூழல் அமைப்புகளுக்கு

United States மற்றும் பிற வீரர்கள் பெரும்பாலும் ‘கணக்கீட்டுப் பந்தயத்தில்’ பூட்டப்பட்டிருப்பதாகத் தோன்றினாலும், சிப் மேலாதிக்கம், பாரிய சேவையக உள்கட்டமைப்பு மற்றும் பெருகிய முறையில் பெரிய LLM-களுடன் பெஞ்ச்மார்க் தலைமையை அடைவதில் கவனம் செலுத்துகையில், China ஒரு நிரப்பு, ஒருவேளை இறுதியில் அதிக தாக்கத்தை ஏற்படுத்தும் மூலோபாயத்தைத் தொடர்கிறது. இந்த மூலோபாயம் AI-ஐ உறுதியான, சமூக ரீதியாக உருமாறும் பயன்பாடுகளில் ஒருங்கிணைப்பதை வலியுறுத்துகிறது, நம்பகத்தன்மை மற்றும் சுற்றுச்சூழல் அமைப்பு ஒருங்கிணைப்புக்கு முன்னுரிமை அளிக்கிறது, குறிப்பாக தன்னாட்சி ஓட்டுதல் மற்றும் ஸ்மார்ட் நகரங்கள் போன்ற களங்களில்.

இது நரம்பியல்-குறியீட்டு அணுகுமுறைகளை நோக்கிய ஒரு திட்டமிட்ட நகர்வை உள்ளடக்கியது, குறிப்பிட்ட உயர்-மதிப்பு, பாதுகாப்பு-முக்கியமான களங்களைக் குறிவைக்கிறது, அங்கு தூய புள்ளிவிவர மாதிரிகள் குறைகின்றன. உண்மையான போட்டி நன்மை எந்தவொரு ஒற்றை வழிமுறை அல்லது மாதிரிக்குள் இருக்காது, அதன் சக்தி அல்லது செலவு-செயல்திறனைப் பொருட்படுத்தாமல், விரிவான, ஒருங்கிணைந்த சுற்றுச்சூழல் அமைப்புகள் மூலம் AI-ஐ உடல் மற்றும் பொருளாதார நிலப்பரப்பில் நெசவு செய்யும் திறனில் இருக்கலாம். China நடைமுறை, கள-குறிப்பிட்ட நரம்பியல்-குறியீட்டு ஒருங்கிணைப்பை நோக்கி அமைதியாக முன்னேறி வருகிறது, LLM-களுடனான தற்போதைய கவர்ச்சிக்கு அப்பால் நகர்ப்புற வாழ்க்கை மற்றும் போக்குவரத்தை அடிப்படையில் மறுவடிவமைக்கக்கூடிய பயன்பாடுகளை நோக்கிப் பார்க்கிறது. AI-இன் நிஜ-உலக தாக்கத்தின் எதிர்காலம் சாட்போட்களின் சொற்பொழிவில் குறைவாகவும், இந்த சிக்கலான, AI-உட்பொதிக்கப்பட்ட அமைப்புகளின் நம்பகமான செயல்பாட்டில் அதிகமாகவும் இருக்கலாம்.