செயற்கை நுண்ணறிவின் (AI) விரைவான வளர்ச்சி, நாம் செயற்கை பொது நுண்ணறிவை (AGI) நெருங்கி வருகிறோம் என்ற நம்பிக்கையைத் தூண்டியுள்ளது. இந்த கட்டுரை ஏழு முக்கிய தொழில்நுட்பங்களை ஆராய்கிறது, இது அன்பான தொடரில் உள்ள டிராகன் பந்துகளைப் போன்றது, இதன் ஒன்றிணைவு ‘AGI டிராகனை’ உருவாக்கக்கூடும், இது நாம் அறிந்த உலகத்தை புரட்சிகரமாக மாற்றும்.
AGI (செயற்கை பொது நுண்ணறிவு) என்ற சொல் 1997 இல் மார்க் குப்ருட் என்பவரால் முதன்முதலில் உருவாக்கப்பட்டது. பல ஆண்டுகளுக்குப் பிறகு, பாஸ்டன் டைனமிக்ஸின் ரோபோக்கள் 360 டிகிரி சுழற்சிகளை நிகழ்த்தும் காட்சியும், ஐசாக் அசிமோவின் ஃபவுண்டேஷன் தொடரை நினைவூட்டும் நாவல்களை டீப் சீக் உருவாக்கியதும், தொழில்நுட்ப முன்னேற்றத்தின் நீண்ட நதியில் சிதறிக்கிடக்கும் ஏழு டிராகன் பந்துகளும் AGI டிராகனின் முழு படத்தையும் படிப்படியாக ஒன்றிணைக்கின்றன என்பதை எங்களுக்கு உணர்த்தியுள்ளன.
முதல் டிராகன் பந்து: நரம்பியல் வலைப்பின்னல்கள் - மனித மூளையைப் பிரதிபலித்தல்
மனித மூளை, அறிவாற்றலின் ஊற்று, பில்லியன் கணக்கான நியூரான்களின் சிக்கலான வலையமைப்பு ஆகும். முதல் ‘தொழில்நுட்ப டிராகன் பந்து’ இந்த உயிரியல் அதிசயத்தின் துல்லியமான பிரதிபலிப்பு: செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANNகள்). வெறுமனே சொன்னால், ANNகள் கணினி குறியீடு மற்றும் கணித மாதிரிகளைப் பயன்படுத்தி ‘நியூரான்களின்’ ஒரு மெய்நிகர் வலையமைப்பை உருவாக்க முயற்சிக்கின்றன, இது தகவல்களை செயலாக்கும் மற்றும் அறிவைக் கற்கும் மனித மூளையின் திறனைப் பிரதிபலிக்க நம்புகிறது. தரவு உள்ளீட்டு அடுக்கிலிருந்து பாய்கிறது, பல மறைக்கப்பட்ட அடுக்குகளின் மூலம் சிக்கலான செயலாக்கத்திற்கு உட்படுகிறது, இறுதியில் வெளியீட்டு அடுக்கில் முடிவுகளைத் தருகிறது. அதிக அடுக்குகள், அதாவது ‘ஆழமான கற்றல்’, அதிக சிக்கலான தகவல்கள் செயலாக்கப்படுகின்றன.
கருத்து நீண்ட காலமாக இருந்தபோதிலும், அதன் உண்மையான உணர்தல் கணினி கணக்கீட்டு சக்தியின் அதிவேக வளர்ச்சி மற்றும் வழிமுறை மேம்பாடு ஆகியவற்றை சார்ந்துள்ளது. இது நவீன செயற்கை நுண்ணறிவின் மூலக்கல்லாக மாறியுள்ளது. உங்கள் மொபைல் போனில் ஆல்பங்களின் தானியங்கி வகைப்பாடு அல்லது குரல் உதவியாளரின் உங்கள் அறிவுறுத்தல்களைப் புரிந்துகொள்ளும் திறன் ஆகியவை அனைத்தும் நரம்பியல் நெட்வொர்க்குகளின் பளபளப்பான உருவத்திற்கு நன்றி என்று கற்பனை செய்து பாருங்கள்.
இரண்டாவது டிராகன் பந்து: திசையன் தரவுத்தளங்கள் - சைபர் நூலகம்
இருப்பினும், ஒரு ‘மூளை அமைப்பு’ மட்டும் இருப்பது போதுமானதாக இல்லை. பாரிய அளவிலான அறிவை சேமித்து மீட்டெடுக்க திறமையான ‘நினைவக வங்கியும்’ எங்களுக்குத் தேவை. பாரம்பரிய தரவுத்தளங்கள் துல்லியமான முக்கிய சொல் தேடல்களை நம்பியுள்ளன, இது ‘ஒத்த பொருள்’ அல்லது ‘கருத்தியல் ரீதியாக தொடர்புடைய’ போன்ற தகவல்களைப் புரிந்துகொள்வதை கடினமாக்குகிறது. எனவே, இரண்டாவது டிராகன் பந்து - திசையன் தரவுத்தளம் - வெளிப்பட்டது. இந்த தரவுத்தளம் ஒரு ‘சைபர் நூலகம்’ போன்றது. இது உரை, படங்கள் மற்றும் ஒலிகள் போன்ற தகவல்களை டிஜிட்டல் திசையன்களாக மாற்றுவதன் மூலம் அறிவை ஒரு புதிய வழியில் நிர்வகிக்கிறது, இதனால் ஒத்த அர்த்தங்களைக் கொண்ட தகவல்கள் கணித வெளியில் ஒன்றுக்கொன்று நெருக்கமாக இருக்கும், இதனால் ‘பொருள்’ அடிப்படையிலான உள்ளடக்கத் தேடலை உணர முடியும். நீங்கள் ‘விண்வெளி பயணம்’ பற்றிய ஒருபுத்தகத்தைக் கண்டுபிடிக்க விரும்பினால், அது தொடர்புடைய அனைத்து புத்தகங்களையும் உங்களுக்கு விரைவாக பரிந்துரைக்க முடியும். பல AI பயன்பாடுகள் (அதாவது அறிவார்ந்த வாடிக்கையாளர் சேவை மற்றும் ஆவண கேள்வி-பதில் அமைப்புகள்) இந்த திசையன் தரவுத்தளத்தை பெருகிய முறையில் சார்ந்துள்ளன, இது தகவல் மீட்டெடுப்பின் துல்லியம் மற்றும் செயல்திறனை மேம்படுத்துகிறது.
மூன்றாவது டிராகன் பந்து: டிரான்ஸ்பார்மர் - இயந்திர கவனம்
இயந்திரங்கள் மனித மொழியின் நுணுக்கங்களைப் புரிந்து கொள்ள, அதாவது சூழல், துணை உரை மற்றும் சொல் விளையாட்டுகள் போன்றவற்றை உண்மையில் புரிந்து கொள்ள, இயந்திரங்கள் அசாதாரண ‘வாசிப்பு புரிதல்’ திறன்களைக் கொண்டிருக்க வேண்டும். மூன்றாவது டிராகன் பந்து - டிரான்ஸ்பார்மர் கட்டமைப்பானது, குறிப்பாக அதன் முக்கிய ‘கவன வழிமுறை’, இயந்திரங்களுக்கு இந்த கிட்டத்தட்ட ‘மனம் படிக்கும்’ திறனை வழங்குகிறது. ஒரு வார்த்தையை செயலாக்கும்போது, டிரான்ஸ்பார்மர் வாக்கியத்தில் உள்ள மற்ற எல்லா வார்த்தைகளிலும் ஒரே நேரத்தில் கவனம் செலுத்த முடியும் மற்றும் தற்போதைய வார்த்தையின் அர்த்தத்தைப் புரிந்துகொள்வதற்கு எந்த வார்த்தைகள் மிக முக்கியமானவை என்பதை தீர்மானிக்க முடியும். இது இயந்திரங்கள் படிக்கும் விதத்தை மாற்றுவது மட்டுமல்லாமல், இயற்கை மொழி செயலாக்கத்தையும் ஒரு புதிய நிலைக்கு உயர்த்துகிறது. 2017 இல் ‘கவனம் அனைத்தும் உங்களுக்குத் தேவை’ என்ற கட்டுரை வெளியானதிலிருந்து, டிரான்ஸ்பார்மர் இந்த துறையில் முழுமையான கதாநாயகனாக மாறியுள்ளது, இது GPT மற்றும் BERT போன்ற சக்திவாய்ந்த முன் பயிற்சி மாதிரிகளுக்கு வழிவகுக்கிறது.
நான்காவது டிராகன் பந்து: சிந்தனை சங்கிலி - சிந்திப்பதற்கான ஒரு வழிமுறை
‘பேச’ முடிந்தால் மட்டும் போதாது. AGIக்கு கடுமையான தர்க்கரீதியான பகுத்தறிவு திறன்களும் தேவை. நான்காவது டிராகன் பந்து, சிந்தனை சங்கிலி (CoT) தொழில்நுட்பம், AIக்கு பதில்களை வெறுமனே யூகிப்பதற்கு பதிலாக சிக்கல்களை ஆழமாக எவ்வாறு பகுப்பாய்வு செய்வது என்று கற்பிக்கிறது. பயன்பாட்டு சிக்கலுக்கான தீர்வு போன்றவை, CoT படிப்படியாக பகுப்பாய்வு செய்ய மாதிரியை வழிநடத்துகிறது, ஒரு ‘சிந்தனை பாதையை’ உருவாக்குகிறது, பின்னர் ஒரு தெளிவான இறுதி பதிலைக் கொடுக்கிறது. கூகிள் மற்றும் பிற நிறுவனங்களின் ஆராய்ச்சி, CoT தூண்டுதல்களைப் பயன்படுத்தும் பெரிய மாதிரிகள் பல-படி பகுத்தறிவு பணிகளில் கணிசமாக சிறப்பாக செயல்படுகின்றன, இது AI இன் தர்க்கரீதியான திறன்களுக்கு வலுவான ஆதரவை வழங்குகிறது.
ஐந்தாவது டிராகன் பந்து: நிபுணர்களின் கலவை - நிபுணர்களின் குழு
மாதிரி அளவுருக்களின் எண்ணிக்கை அதிகரிக்கும்போது, பயிற்சி மற்றும் இயக்க செலவுகளும் ஒரு பெரிய சுமையாக இருக்கும். இந்த நேரத்தில், ஐந்தாவது டிராகன் பந்து - நிபுணர்களின் கலவை (MoE) கட்டமைப்பு வெளிப்பட்டது. இந்த கட்டமைப்பு ஒரு ‘பிரித்து வெற்றி பெறு’ உத்தியை ஏற்றுக்கொள்கிறது, குறிப்பிட்ட சில பணிகளைக் கையாள்வதில் திறமையான பல சிறிய ‘நிபுணர் நெட்வொர்க்குகளை’ பயிற்றுவிக்கிறது. ஒரு புதிய பணி வரும்போது, அறிவார்ந்த ‘கேட்டிங் நெட்வொர்க்’ தேவையான நிபுணர்களை மட்டுமே செயல்படுத்துகிறது. இந்த வழியில், AI மாதிரிகள் ஏற்றுக்கொள்ளக்கூடிய விலையில் பெரிய அளவிலான மற்றும் சக்திவாய்ந்த செயல்திறனை அடைய முடியும்.
ஆறாவது டிராகன் பந்து: MCP - ஒரு உலகளாவிய கருவித்தொகுப்பு
AIஐ உண்மையான ‘நடிகனாக’ வடிவமைக்க, அது கருவிகளை அழைக்கவும் வெளிப்புற உலகத்துடன் இணைக்கவும் முடியும். ஆறாவது டிராகன் பந்து - மாதிரி சூழல் நெறிமுறை (MCP) - AIக்கு ஒரு ‘கருவித்தொகுப்பை’ சேர்க்கும் கருத்தை முன்மொழிகிறது. சாராம்சத்தில், இது AI ஆனது பணக்கார செயல்பாடுகளை அடைய தரப்படுத்தப்பட்ட இடைமுகங்கள் மூலம் வெளிப்புற கருவிகளை அழைக்க அனுமதிக்கிறது. இது புத்திசாலித்தனமானவர்களை அவர்களுக்குத் தேவையான அனைத்து கருவிகளுடனும் ஆயுதபாணியாக்கி, எந்த நேரத்திலும் தகவல்களைக் கண்டுபிடித்து பணிகளைச் செய்ய உதவுகிறது. இன்றைய அறிவார்ந்த முகவர்கள் (AIAgents) இதை உள்ளடக்குகின்றன, ஏனெனில் உணவகங்களை முன்பதிவு செய்தல், பயணங்களைத் திட்டமிடுதல் மற்றும் தரவு பகுப்பாய்வு போன்ற பணிகளுக்கு AI உதவ முடியும், இது AI முன்னேற்றத்தில் ஒரு முக்கியமான படியாகும்.
ஏழாவது டிராகன் பந்து: VSI - உடல் உள்ளுணர்வு மூளை
மனித சமூகத்தில் ஒருங்கிணைக்க, AI உண்மையான உலகத்தைப் புரிந்துகொள்ளும் திறனையும் கொண்டிருக்க வேண்டும். ஏழாவது டிராகன் பந்து - விஷுவல் ஸ்பேஷியல் இன்டெலிஜென்ஸ் (VSI) தொடர்பான தொழில்நுட்பங்கள் - AIக்கு உடல் சட்டங்களைப் புரிந்துகொள்ளும் ‘உள்ளுணர்வு மூளையை’ வழங்குவதை நோக்கமாகக் கொண்டுள்ளது. எளிமையாகச் சொன்னால், VSI கேமராக்கள் அல்லது சென்சார்கள் மூலம் பெறப்பட்ட காட்சி தகவல்களைப் புரிந்துகொள்ள AI ஐ அனுமதிக்கிறது, இது பொருட்களுக்கு இடையிலான உறவுகள் பற்றிய அறிவை மேம்படுத்துகிறது. தன்னாட்சி ஓட்டுதல், அறிவார்ந்த ரோபோக்கள் மற்றும் மெய்நிகர் யதார்த்தம் போன்ற தொழில்நுட்பங்களை உணர்ந்து கொள்வதற்கான அடிப்படை இதுவாகும். இது டிஜிட்டல் நுண்ணறிவு மற்றும் உடல் யதார்த்தத்தை இணைக்கும் ஒரு முக்கியமான பாலமாக சந்தேகமின்றி உள்ளது.
அழைப்பு சடங்கு
இந்த ஏழு ‘தொழில்நுட்ப டிராகன் பந்துகள்’ ஒன்றிணையும்போது, AGI இன் அவுட்லைன் தெளிவாகத் தொடங்குகிறது. நரம்பியல் நெட்வொர்க்குகளின் பயோமிமெடிக் அமைப்பு, திசையன் தரவுத்தளங்களிலிருந்து பெறப்பட்ட பாரிய அறிவு, டிரான்ஸ்பார்மர் தகவல்களைப் புரிந்துகொள்வது, சிந்தனை சங்கிலியின் உதவியுடன் ஆழமான சிந்தனை, கலப்பின நிபுணர் கட்டிடக்கலை மூலம் திறமையான செயல்பாடு, பின்னர் வெளிப்புற கருவிகளுடன் தொடர்பு கொள்ள MCP உடன் இணைந்து, இறுதியாக காட்சி இடஞ்சார்ந்த நுண்ணறிவைப் பயன்படுத்தி பொருள் உலகத்தைப் புரிந்துகொள்ள கற்பனை செய்து பாருங்கள். இந்த அனைத்து தொழில்நுட்பங்களின் இணைவும் AGI டிராகனின் புதிய சகாப்தத்தை நோக்கி நகர உதவும்.
நரம்பியல் நெட்வொர்க்குகளின் சக்தி
மனித மூளையின் திறன்களைப் பிரதிபலிக்கத் தேவையான தேடல், பெருகிய முறையில் அதிநவீன நரம்பியல் நெட்வொர்க்குகளின் வளர்ச்சிக்கு வழிவகுத்தது. ஒன்றோடொன்று இணைக்கப்பட்ட முனைகள் அல்லது ‘நியூரான்களால்’ ஆன இந்த நெட்வொர்க்குகள், உயிரியல் நியூரான்கள் சமிக்ஞைகளை அனுப்பும் விதத்தைப் பின்பற்றி அடுக்குகளில் தகவல்களைச் செயலாக்குகின்றன. இந்த நெட்வொர்க்குகளின் ஆழம், அடுக்குகளின் எண்ணிக்கையைக் குறிக்கிறது, தரவிலிருந்து சிக்கலான வடிவங்களையும் உறவுகளையும் கற்றுக் கொள்ளும் திறனில் ஒரு முக்கியமான காரணியாகும்.
ஆழமான கற்றல், ஆழமான நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தும் இயந்திரக் கற்றலின் ஒரு துணைக்குழு, படம் அடையாளம் காணுதல், இயற்கை மொழி செயலாக்கம் மற்றும் பேச்சு அடையாளம் காணுதல் உள்ளிட்ட பல்வேறு துறைகளில் குறிப்பிடத்தக்க வெற்றியைப் பெற்றுள்ளது. உதாரணமாக, ஆழமான கற்றலால் இயக்கப்படும் படம் அடையாளம் காணும் அமைப்புகள், புகைப்படங்களில் உள்ள பொருள்கள் மற்றும் காட்சிகளைத் துல்லியமாக அடையாளம் காண முடியும், அதே நேரத்தில் இயற்கை மொழி செயலாக்க மாதிரிகள் மனிதனைப் போன்ற உரையைப் புரிந்துகொள்ளவும் உருவாக்கவும் முடியும்.
நரம்பியல் நெட்வொர்க்குகளின் வெற்றி, பெரிய தரவுத்தொகுப்புகள் கிடைப்பது, கணக்கீட்டு சக்தியில் முன்னேற்றம் மற்றும் புதுமையான மேம்படுத்தல் வழிமுறைகள் உள்ளிட்ட பல முக்கிய காரணிகளைச் சார்ந்துள்ளது. பரந்த அளவிலான தரவு நெட்வொர்க்குகள் சிக்கலான வடிவங்களைக் கற்றுக் கொள்ள உதவுகிறது, அதே நேரத்தில் சக்திவாய்ந்த கணக்கீட்டு உள்கட்டமைப்பு தரவை திறமையாகச் செயலாக்க அனுமதிக்கிறது. ஸ்டோகாஸ்டிக் கிரேடியண்ட் டிசென்ட் போன்ற மேம்படுத்தல் வழிமுறைகள் பிழைகளை குறைக்க மற்றும் செயல்திறனை மேம்படுத்த நெட்வொர்க் அளவுருக்களை நன்றாக சரிசெய்கின்றன.
திசையன் தரவுத்தளங்களின் பங்கு
AI அமைப்புகள் மிகவும் அதிநவீனமாகும்போது, திறமையான அறிவு சேமிப்பு மற்றும் மீட்டெடுப்பு வழிமுறைகளுக்கான தேவை மிக முக்கியமானது. திசையன் தரவுத்தளங்கள் தகவல்களை ஒழுங்கமைக்கும் மற்றும் அணுகும் ஒரு புதிய அணுகுமுறையை வழங்குவதன் மூலம் இந்த தேவையை பூர்த்தி செய்கின்றன. முக்கிய சொல் அடிப்படையிலான தேடல்களை நம்பியிருக்கும் பாரம்பரிய தரவுத்தளங்களைப் போலல்லாமல், திசையன் தரவுத்தளங்கள் தகவல்களை எண் திசையன்களாகக் குறிக்கின்றன, இது வெவ்வேறு கருத்துகளுக்கு இடையே உள்ள சொற்பொருள் பொருள் மற்றும் உறவுகளைப் படம்பிடிக்கிறது.
இந்த திசையன் பிரதிநிதித்துவம் ஒற்றுமை அடிப்படையிலான தேடல்களை அனுமதிக்கிறது, அங்கு சரியான முக்கிய சொற்கள் இல்லாவிட்டாலும், ஒரு கேள்விக்கு கருத்தியல் ரீதியாக தொடர்புடைய தகவல்களை அமைப்பு மீட்டெடுக்க முடியும். உதாரணமாக, ‘பயண இடங்களுக்கான’ ஒரு தேடல் ‘விடுமுறை இடங்கள்’, ‘சுற்றுலா இடங்கள்’ மற்றும் ‘விடுமுறை இடங்கள்’ உள்ளிட்ட முடிவுகளைத் திருப்பக்கூடும், அந்த குறிப்பிட்ட சொற்கள் கேள்விக்கு வெளிப்படையாகப் பயன்படுத்தப்படாவிட்டாலும் கூட.
பரிந்துரை அமைப்புகள், உள்ளடக்க மீட்டெடுப்பு மற்றும் கேள்வி பதிலளித்தல் போன்ற பயன்பாடுகளில் திசையன் தரவுத்தளங்கள் குறிப்பாக பயனுள்ளதாக இருக்கும். பரிந்துரை அமைப்புகளில், அவை ஒரு பயனரின் கடந்த விருப்பங்களைப் போன்ற பொருட்களை அடையாளம் காண முடியும், இது தனிப்பயனாக்கப்பட்ட பரிந்துரைகளை வழங்குகிறது. உள்ளடக்க மீட்டெடுப்பில், அவை அவற்றின் சொற்பொருள் உள்ளடக்கத்தின் அடிப்படையில் தொடர்புடைய ஆவணங்கள் மற்றும் கட்டுரைகளை வெளிப்படுத்த முடியும். கேள்வி பதிலளிப்பதில், அவர்கள் ஒரு கேள்வியின் அர்த்தத்தைப் புரிந்துகொண்டு அறிவு தளத்திலிருந்து மிகவும் பொருத்தமான பதில்களை மீட்டெடுக்க முடியும்.
டிரான்ஸ்பார்மர்கள் மற்றும் கவன வழிமுறை
மனித மொழியைப் புரிந்துகொள்ளவும் உருவாக்கும் திறனும் நுண்ணறிவின் ஒரு அடையாளமாகும். புரட்சிகர நரம்பியல் நெட்வொர்க் கட்டிடக்கலை டிரான்ஸ்பார்மர்கள் இயற்கை மொழி செயலாக்க துறையில் கணிசமாக முன்னேறியுள்ளன. டிரான்ஸ்பார்மரின் மையத்தில் கவன வழிமுறை உள்ளது, இது ஒரு வார்த்தைகளின் வரிசையை செயலாக்கும்போது உள்ளீட்டின் மிகவும் பொருத்தமான பகுதிகளுக்கு கவனம் செலுத்த மாதிரியை அனுமதிக்கிறது.
கவன வழிமுறை வார்த்தைகளுக்கு இடையே உள்ள நீண்ட தூர சார்புகளைப் பிடிக்க மாதிரியை செயல்படுத்துகிறது, இது ஒரு வாக்கியத்தின் சூழல் மற்றும் பொருளைப் புரிந்துகொள்வதற்கு முக்கியமானது. உதாரணமாக, ‘பூனை பாயின் மீது அமர்ந்தது’ என்ற வாக்கியத்தை செயலாக்கும்போது, ‘பூனை’ மற்றும் ‘பாய்’ தொடர்புடையவை என்பதைப் புரிந்துகொள்ள கவன வழிமுறை மாதிரியை செயல்படுத்துகிறது, அவை மற்ற வார்த்தைகளால் பிரிக்கப்பட்டிருந்தாலும் கூட.
இயந்திர மொழிபெயர்ப்பு, உரை சுருக்கம் மற்றும் கேள்வி பதிலளித்தல் உள்ளிட்ட பல்வேறு இயற்கை மொழி செயலாக்க பணிகளில் டிரான்ஸ்பார்மர்கள் அதிநவீன முடிவுகளை அடைந்துள்ளன. GPT (ஜெனரேடிவ் ப்ரீ-ட்ரெய்ண்ட் டிரான்ஸ்பார்மர்) மற்றும் BERT (பைடிரக்ஷனல் என்கோடர் ரெப்ரெசென்டேஷன்ஸ் ஃப்ரம் டிரான்ஸ்பார்மர்கள்) போன்ற மாதிரிகள் ஒத்திசைவான மற்றும் சூழல் பொருத்தமான உரையை உருவாக்கும் குறிப்பிடத்தக்க திறன்களை நிரூபித்துள்ளன.
சிந்தனை சங்கிலி பகுத்தறிவு
டிரான்ஸ்பார்மர்கள் மொழியைப் புரிந்துகொண்டு உருவாக்குவதில் சிறந்து விளங்குகையில், அவை பெரும்பாலும் சிக்கலான பகுத்தறிவு பணிகளைச் செய்யும் திறன் இல்லாமல் உள்ளன. சிந்தனை சங்கிலி (CoT) பகுத்தறிவு என்பது சிறிய, கையாளக்கூடிய படிகளாக சிக்கல்களைப் பிரிக்க மாதிரிகளை ஊக்குவிப்பதன் மூலம் பெரிய மொழி மாதிரிகளின் பகுத்தறிவு திறன்களை மேம்படுத்தும் ஒரு நுட்பமாகும்.
CoT பகுத்தறிவில் இறுதி பதிலைக் கொடுப்பதற்குப் பதிலாக, அதன் பகுத்தறிவு செயல்முறையை வெளிப்படையாகக் காட்ட மாதிரியைத் தூண்டுவது அடங்கும். உதாரணமாக, ஒரு கணிதக் கேள்வி கேட்கப்பட்டால், மாதிரி முதலில் தொடர்புடைய சூத்திரங்களைக் கூறவும், பின்னர் அந்த சூத்திரங்களைப் பயன்படுத்துவதில் உள்ள படிகளைக் காட்டவும், இறுதியாக பதிலைக் கொடுக்கவும் தூண்டப்படலாம்.
அதன் பகுத்தறிவு செயல்முறையை வெளிப்படையாகக் காட்டுவதன் மூலம், மாதிரி பிழைகளை அடையாளம் கண்டு சரிசெய்ய முடியும், இது மிகவும் துல்லியமான மற்றும் நம்பகமான முடிவுகளுக்கு வழிவகுக்கிறது. எண்கணித பகுத்தறிவு, தர்க்கரீதியான பகுத்தறிவு மற்றும் பொது அறிவு பகுத்தறிவு உள்ளிட்ட பல்வேறு பகுத்தறிவு பணிகளில் பெரிய மொழி மாதிரிகளின் செயல்திறனை மேம்படுத்த CoT பகுத்தறிவு காட்டப்பட்டுள்ளது.
நிபுணர்களின் கலவை
மாதிரிகள் பெரிதாகி மிகவும் சிக்கலானதாகும்போது, அவற்றைப் பயிற்றுவிப்பதும் பயன்படுத்துவதும் பெருகிய முறையில் சவாலாகிறது. நிபுணர்களின் கலவை (MoE) என்பது இந்த சவால்களைப் பூர்த்தி செய்யும் ஒரு கட்டிடக்கலை ஆகும், இது ஒரு பெரிய மாதிரியை பல சிறிய ‘நிபுணர்’ மாதிரிகளாகப் பிரிக்கிறது, ஒவ்வொன்றும் ஒரு குறிப்பிட்ட பணி அல்லது களத்தில் நிபுணத்துவம் பெற்றது.
ஒரு புதிய உள்ளீடு வழங்கப்பட்டால், ஒரு ‘கேட்டிங் நெட்வொர்க்’ உள்ளீட்டைச் செயலாக்க மிகவும் பொருத்தமான நிபுணர்களைத் தேர்ந்தெடுக்கிறது. இது உள்ளீட்டின் மிகவும் பொருத்தமான பகுதிகளில் அதன் கணக்கீட்டு வளங்களை மையப்படுத்த மாதிரியை அனுமதிக்கிறது, இது மேம்பட்ட செயல்திறன் மற்றும் செயல்திறனுக்கு வழிவகுக்கிறது.
MoE கட்டமைப்புகள் பில்லியன் அல்லது டிரில்லியன் கணக்கான அளவுருக்களைக் கொண்ட மிக பெரிய மாதிரிகளுக்கு அளவிடக் காட்டப்பட்டுள்ளன. இந்த பாரிய மாதிரிகள் பல்வேறு பணிகளில் அதிநவீன முடிவுகளை அடைந்துள்ளன, இது விநியோகிக்கப்பட்ட கணக்கீடு மற்றும் நிபுணத்துவத்தின் சக்தியை நிரூபிக்கிறது.
மாதிரி சூழல் நெறிமுறை
AI ஐ உண்மையான உலகத்துடன் உண்மையில் ஒருங்கிணைக்க, அது வெளிப்புற கருவிகள் மற்றும் சேவைகளுடன் தொடர்பு கொள்ள முடியும். மாதிரி சூழல் நெறிமுறை (MCP) என்பது ஒரு தரப்படுத்தப்பட்ட மற்றும் கட்டுப்படுத்தப்பட்ட முறையில் வெளிப்புற கருவிகளை அணுகவும் பயன்படுத்தவும் AI மாதிரிகளை செயல்படுத்தும் ஒரு கட்டமைப்பாகும்.
AI மாதிரிகள் வெளிப்புற கருவிகளைக் கண்டறிந்து தொடர்பு கொள்ள அனுமதிக்கும் நெறிமுறைகள் மற்றும் இடைமுகங்களின் தொகுப்பை MCP வரையறுக்கிறது. இது வெப்சைட்டில் இருந்து தகவல்களை அணுகுவது, உடல் சாதனங்களைக் கட்டுப்படுத்துவது மற்றும் பிற மென்பொருள் பயன்பாடுகளுடன் தொடர்பு கொள்வது போன்ற பல பணிகளைச் செய்ய மாதிரிகளை செயல்படுத்துகிறது.
AI மாதிரிகளுக்கு வெளிப்புற கருவிகளுக்கான அணுகலை வழங்குவதன் மூலம், MCP உண்மையான உலகத்துடன் தொடர்பு கொள்ள வேண்டிய சிக்கலான சிக்கல்களைத் தீர்க்க அவர்களுக்கு அதிகாரம் அளிக்கிறது. இது ரோபோடிக்ஸ், ஆட்டோமேஷன் மற்றும் மனித-கணினி இடைவினை போன்ற துறைகளில் AI க்கான புதிய சாத்தியங்களைத் திறக்கிறது.
காட்சி இடஞ்சார்ந்த நுண்ணறிவு
உடல் உலகத்தைப் புரிந்துகொள்வது நுண்ணறிவின் ஒரு முக்கியமான அம்சமாகும். காட்சி இடஞ்சார்ந்த நுண்ணறிவு (VSI) என்பது AI மாதிரிகள் உலகின் காட்சி மற்றும் இடஞ்சார்ந்த அம்சங்களைப் பற்றி உணரவும், புரிந்து கொள்ளவும் மற்றும் பகுத்தறிவு செய்யவும் செயல்படுத்துவதில் கவனம் செலுத்தும் ஒரு துறையாகும்.
VSI இல் பொருள் அடையாளம் காணுதல், காட்சி புரிதல் மற்றும் இடஞ்சார்ந்த பகுத்தறிவு போன்ற நுட்பங்கள் அடங்கும். பொருள் அடையாளம் காணுதல் படங்கள் மற்றும் வீடியோக்களில் உள்ள பொருட்களை அடையாளம் கண்டு வகைப்படுத்த AI மாதிரிகளை செயல்படுத்துகிறது. காட்சி புரிதல் பொருள்கள் மற்றும் ஒரு காட்சியின் ஒட்டுமொத்த சூழலுக்கு இடையே உள்ள உறவுகளைப் புரிந்துகொள்ள அவர்களை செயல்படுத்துகிறது. இடஞ்சார்ந்த பகுத்தறிவு பொருள்கள் மற்றும் அவற்றின் உறவுகளின் இடஞ்சார்ந்த பண்புகளைப் பற்றி பகுத்தறிவு செய்ய அவர்களை அனுமதிக்கிறது, அவற்றின் அளவு, வடிவம் மற்றும் நிலை போன்றவை.
தன்னாட்சி ஓட்டுதல், ரோபோடிக்ஸ் மற்றும் மேம்படுத்தப்பட்ட யதார்த்தம் போன்ற பயன்பாடுகளுக்கு VSI அவசியம். தன்னாட்சி ஓட்டுதலில், இது வாகனங்களைச் சுற்றி என்ன இருக்கிறது என்பதை உணரவும் வழிநடத்தவும் செயல்படுத்துகிறது. ரோபோடிக்ஸில், இது பொருட்களைக் கையாளவும் அவற்றின் சூழலுடன் தொடர்பு கொள்ளவும் ரோபோக்களை அனுமதிக்கிறது. மேம்படுத்தப்பட்ட யதார்த்தத்தில், இது மெய்நிகர் பொருட்களை உண்மையான உலகில் தடையின்றி ஒருங்கிணைக்க அனுமதிக்கிறது.
இந்த ஏழு தொழில்நுட்பங்களின் சங்கமம் - நரம்பியல் நெட்வொர்க்குகள், திசையன் தரவுத்தளங்கள், டிரான்ஸ்பார்மர்கள், சிந்தனை சங்கிலி பகுத்தறிவு, நிபுணர்களின் கலவை, மாதிரி சூழல் நெறிமுறை மற்றும் காட்சி இடஞ்சார்ந்த நுண்ணறிவு - செயற்கை பொது நுண்ணறிவை அடைவதற்கான ஒரு முக்கியமான படியை பிரதிபலிக்கிறது. சவால்கள் இன்னும் இருந்தாலும், சமீபத்திய ஆண்டுகளில் ஏற்பட்ட முன்னேற்றம் மறுக்க முடியாதது, இது AI ஒரு மனிதனைப் போன்ற முறையில் உலகத்தைப் புரிந்துகொள்ளவும், பகுத்தறிவு செய்யவும், தொடர்பு கொள்ளவும் முடியும் என்ற ஒரு எதிர்காலத்தை நெருங்கி வருகிறது.