పోకీమాన్‌ను క్లాడ్ ఇంకా ఎందుకు ఓడించలేదు

AGI యొక్క వాగ్దానం

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) రంగంలో, ‘ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్’ (AGI) అనే భావన ఒక ఆకర్షణీయమైన అవకాశంగా మారింది. పరిశ్రమ నాయకులు మనం విస్తృత శ్రేణి అభిజ్ఞా పనులలో మానవ అవగాహన మరియు పనితీరుకు సరిపోయే లేదా అధిగమించే సామర్థ్యం గల వర్చువల్ ఏజెంట్లను సృష్టించే అంచున ఉన్నామని సూచిస్తున్నారు. ఈ నిరీక్షణ టెక్ కంపెనీల మధ్య పోటీని పెంచింది, ప్రతి ఒక్కరూ ఈ అద్భుతమైన మైలురాయిని సాధించిన మొదటి వ్యక్తి కావడానికి ప్రయత్నిస్తున్నారు.

OpenAI, AI రంగంలో ఒక ప్రధాన సంస్థ, ‘PhD-స్థాయి’ AI ఏజెంట్ యొక్క ఆసన్న రాకను సూక్ష్మంగా సూచిస్తోంది. ఈ ఏజెంట్, వారు సూచించినట్లుగా, స్వయంప్రతిపత్తితో పనిచేయగలదు, ‘అధిక-ఆదాయ జ్ఞాన కార్మికుడు’ స్థాయిలో పని చేస్తుంది. ఎలోన్ మస్క్, ఎప్పటికప్పుడు ఆశయంతో కూడిన వ్యవస్థాపకుడు, 2025 చివరి నాటికి మనకు ‘ఏ ఒక్క మానవుడి కంటే తెలివైన’ AI ఉంటుందని పేర్కొంటూ మరింత సాహసోపేతమైన అంచనాలను వేశారు. Dario Amodei, మరొక ప్రముఖ AI సంస్థ అయిన Anthropic యొక్క CEO, కొంచెం ఎక్కువ సాంప్రదాయిక కాలక్రమాన్ని అందిస్తున్నారు, కాని AI 2027 చివరి నాటికి ‘దాదాపు ప్రతిదానిలో మానవుల కంటే మెరుగ్గా’ ఉంటుందని సూచిస్తూ ఇదే విధమైన విజన్‌ను పంచుకున్నారు.

Anthropic యొక్క ‘క్లాడ్ ప్లేస్ పోకీమాన్’ ప్రయోగం

ఈ ఆశావహ అంచనాల మధ్య, Anthropic గత నెలలో తన ‘క్లాడ్ ప్లేస్ పోకీమాన్’ ప్రయోగాన్ని పరిచయం చేసింది. ఈ ప్రాజెక్ట్, అంచనా వేసిన AGI భవిష్యత్తు వైపు ఒక అడుగుగా ప్రదర్శించబడింది, ‘శిక్షణ ద్వారా మాత్రమే కాకుండా సాధారణమైన తార్కికతతో సవాళ్లను పెరుగుతున్న సామర్థ్యంతో పరిష్కరించే AI వ్యవస్థల యొక్క మెరుపులను’ ప్రదర్శిస్తుందని వర్ణించబడింది. క్లాడ్ 3.7 సోనెట్ యొక్క ‘మెరుగైన తార్కిక సామర్థ్యాలు’ సంస్థ యొక్క తాజా మోడల్‌ను క్లాసిక్ గేమ్‌బాయ్ RPG, పోకీమాన్లో పురోగతి సాధించడానికి ఎలా వీలు కల్పించాయో హైలైట్ చేయడం ద్వారా Anthropic గణనీయమైన దృష్టిని ఆకర్షించింది, ‘పాత మోడల్స్‌కు సాధించే ఆశ తక్కువగా ఉంది.’

క్లాడ్ 3.7 సోనెట్ యొక్క ‘విస్తరించిన ఆలోచన’ కొత్త మోడల్‌ను ‘ముందుకు ప్లాన్ చేయడానికి, దాని లక్ష్యాలను గుర్తుంచుకోవడానికి మరియు ప్రారంభ వ్యూహాలు విఫలమైనప్పుడు అనుకూలంగా మారడానికి’ అనుమతించిందని కంపెనీ నొక్కి చెప్పింది. ఇవి, ‘పిక్సలేటెడ్ జిమ్ లీడర్‌లతో పోరాడటానికి క్లిష్టమైన నైపుణ్యాలు. మరియు, వాస్తవ-ప్రపంచ సమస్యలను పరిష్కరించడంలో కూడా’ అని Anthropic వాదించింది. దీని అర్థం స్పష్టంగా ఉంది: పోకీమాన్లో క్లాడ్ యొక్క పురోగతి కేవలం ఆట మాత్రమే కాదు; ఇది సంక్లిష్టమైన, వాస్తవ-ప్రపంచ సవాళ్లను పరిష్కరించడానికి AI యొక్క పెరుగుతున్న సామర్థ్యం యొక్క ప్రదర్శన.

రియాలిటీ చెక్: క్లాడ్ యొక్క పోరాటాలు

అయితే, క్లాడ్ యొక్క పోకీమాన్ పనితీరు చుట్టూ ఉన్న ప్రారంభ ఉత్సాహం వాస్తవికత మోతాదుతో నిగ్రహించబడింది. క్లాడ్ 3.7 సోనెట్ దాని పూర్వీకులను నిస్సందేహంగా అధిగమించినప్పటికీ, అది ఆటపై పట్టు సాధించలేదు. Twitchలో వేలాది మంది వీక్షకులు క్లాడ్ యొక్క కొనసాగుతున్న పోరాటాలను చూశారు, దాని తరచుగా తప్పులు మరియు అసమర్థతలను గమనించారు.

కదలికల మధ్య విస్తరించిన ‘ఆలోచనా’ విరామాలు ఉన్నప్పటికీ - ఈ సమయంలో వీక్షకులు సిస్టమ్ యొక్క అనుకరణ తార్కిక ప్రక్రియను గమనించవచ్చు - క్లాడ్ తరచుగా తనను తాను కనుగొంటాడు:

• పూర్తయిన పట్టణాలను తిరిగి సందర్శించడం: AI తరచుగా తాను ఇప్పటికే అన్వేషించిన ప్రాంతాలకు తిరిగి వస్తుంది, ఉద్దేశ్యం లేకుండా.
• బ్లైండ్ కార్నర్స్‌లో ఇరుక్కుపోవడం: క్లాడ్ తరచుగా మ్యాప్ యొక్క మూలల్లో ఎక్కువసేపు చిక్కుకుపోతాడు, దాని మార్గాన్ని నావిగేట్ చేయలేకపోతాడు.
• సహాయం చేయని NPCలతో పదేపదే పరస్పర చర్య చేయడం: AI పదేపదే ఒకే నాన్-ప్లేయర్ క్యారెక్టర్‌లతో ఫలించని సంభాషణలలో పాల్గొనడం గమనించబడింది.

ఈ స్పష్టంగా ఉప-మానవ ఇన్-గేమ్ పనితీరు యొక్క ఉదాహరణలు కొందరు ఊహించిన సూపర్‌ఇంటెలిజెన్స్‌కు చాలా దూరంగా ఉన్న చిత్రాన్ని చిత్రీకరిస్తాయి. పిల్లల కోసం రూపొందించిన గేమ్‌తో క్లాడ్ పోరాడుతున్నట్లు చూడటం, మనం కంప్యూటర్ ఇంటెలిజెన్స్ యొక్క కొత్త శకం యొక్క ఉదయాన్ని చూస్తున్నామని ఊహించడం కష్టతరం చేస్తుంది.

సబ్-హ్యూమన్ పనితీరు నుండి పాఠాలు

దాని లోపాలు ఉన్నప్పటికీ, క్లాడ్ యొక్క ప్రస్తుత పోకీమాన్ పనితీరు సాధారణీకరించబడిన, మానవ-స్థాయి కృత్రిమ మేధస్సు కోసం కొనసాగుతున్న అన్వేషణపై విలువైన అంతర్దృష్టులను అందిస్తుంది. దాని పోరాటాలు కూడా భవిష్యత్ అభివృద్ధి ప్రయత్నాలకు తెలియజేయగల ముఖ్యమైన పాఠాలను కలిగి ఉన్నాయి.

ఒక రకంగా, క్లాడ్ పోకీమాన్ ఆడగలగడం విశేషం. Go మరియు Dota 2 వంటి గేమ్‌ల కోసం AI సిస్టమ్‌లను అభివృద్ధి చేస్తున్నప్పుడు, ఇంజనీర్లు సాధారణంగా వారి అల్గారిథమ్‌లకు గేమ్ నియమాలు మరియు వ్యూహాల గురించి విస్తృతమైన జ్ఞానాన్ని అందిస్తారు, అలాగే వారి అభ్యాసానికి మార్గనిర్దేశం చేయడానికి రివార్డ్ ఫంక్షన్‌ను అందిస్తారు. దీనికి విరుద్ధంగా, క్లాడ్ ప్లేస్ పోకీమాన్ ప్రాజెక్ట్ వెనుక ఉన్న డెవలపర్ డేవిడ్ హెర్షే, పోకీమాన్ గేమ్‌లను ఆడటానికి ప్రత్యేకంగా శిక్షణ పొందని లేదా ట్యూన్ చేయని సవరించని, సాధారణీకరించిన క్లాడ్ మోడల్‌తో ప్రారంభించారు.

హెర్షే Arsకి వివరించారు, “ఇది పూర్తిగా [క్లాడ్] ప్రపంచం గురించి అర్థం చేసుకున్న వివిధ ఇతర విషయాలు వీడియో గేమ్‌ల వైపు చూపడానికి ఉపయోగించబడుతున్నాయి.” అతను జోడించాడు, “కాబట్టి దీనికి పోకీమాన్ యొక్క భావం ఉంది. మీరు claude.aiకి వెళ్లి పోకీమాన్ గురించి అడిగితే, అది చదివిన దాని ఆధారంగా పోకీమాన్ ఏమిటో తెలుసు… మీరు అడిగితే, అది ఎనిమిది జిమ్ బ్యాడ్జ్‌లు ఉన్నాయని మీకు చెబుతుంది, మొదటిది బ్రాక్ అని మీకు చెబుతుంది… దీనికి విస్తృత నిర్మాణం తెలుసు.”

విజువల్ ఇంటర్‌ప్రెటేషన్ యొక్క సవాళ్లు

గేమ్ స్టేట్ సమాచారం కోసం కీ గేమ్‌బాయ్ RAM చిరునామాలను పర్యవేక్షించడంతో పాటు, క్లాడ్ గేమ్ యొక్క విజువల్ అవుట్‌పుట్‌ను మానవ ప్లేయర్ లాగానే వివరిస్తుంది. అయితే, AI ఇమేజ్ ప్రాసెసింగ్‌లో ఇటీవలి పురోగతులు ఉన్నప్పటికీ, క్లాడ్ ఇప్పటికీ గేమ్‌బాయ్ స్క్రీన్‌షాట్ యొక్క తక్కువ-రిజల్యూషన్, పిక్సలేటెడ్ ప్రపంచాన్ని మానవుడి వలె అదే ఖచ్చితత్వంతో అర్థం చేసుకోవడానికి కష్టపడుతుంది.

“స్క్రీన్‌పై ఏమి ఉందో అర్థం చేసుకోవడంలో క్లాడ్ ఇప్పటికీ ప్రత్యేకంగా మంచిది కాదు” అని హెర్షే అంగీకరించారు. “మీరు దానిని అన్ని సమయాలలో గోడలలోకి నడవడానికి ప్రయత్నించడం చూస్తారు.”

గేమ్‌బాయ్ స్క్రీన్‌లను పోలి ఉండే చిత్రాల యొక్క వివరణాత్మక వచన వివరణలు క్లాడ్ యొక్క శిక్షణ డేటాలో లేవని హెర్షే అనుమానిస్తున్నారు. దీని అర్థం, కొంతవరకు అస్పష్టంగా, క్లాడ్ వాస్తవానికి మరింత వాస్తవిక చిత్రాలతో మెరుగ్గా పని చేయవచ్చు.

“ఇది మానవుల గురించి ఆ ఫన్నీ విషయాలలో ఒకటి, మనం ఎనిమిది-బై-ఎనిమిది పిక్సెల్ బ్లోబ్స్ ఆఫ్ పీపుల్ వద్ద స్క్విన్ట్ చేసి, ‘అది నీలం జుట్టు ఉన్న అమ్మాయి’ అని చెప్పవచ్చు” అని హెర్షే పేర్కొన్నాడు. “ప్రజలు, నేను అనుకుంటున్నాను, మన వాస్తవ ప్రపంచం నుండి మ్యాప్ చేయడానికి మరియు అర్థం చేసుకోవడానికి మరియు క్రమబద్ధీకరించడానికి ఆ సామర్థ్యాన్ని కలిగి ఉన్నారు… కాబట్టి స్క్రీన్‌పై ఒక వ్యక్తి ఉన్నారని చూడగలిగేంత మంచి క్లాడ్ ఉండటం నిజంగా ఆశ్చర్యంగా ఉంది.”

విభిన్న బలాలు, విభిన్న బలహీనతలు

ఖచ్చితమైన విజువల్ ఇంటర్‌ప్రెటేషన్‌తో కూడా, మానవులకు చాలా తేలికైన 2D నావిగేషన్ సవాళ్లతో క్లాడ్ ఇప్పటికీ పోరాడుతుందని హెర్షే నమ్ముతారు. “[ఇన్-గేమ్] భవనం ఒక భవనం అని మరియు నేను భవనం గుండా నడవలేనని అర్థం చేసుకోవడం నాకు చాలా సులభం” అని అతను చెప్పాడు. “మరియు క్లాడ్ అర్థం చేసుకోవడానికి ఇది చాలా సవాలుగా ఉంది… ఇది ఫన్నీ ఎందుకంటే ఇది కేవలం విభిన్న మార్గాల్లో తెలివైనది, మీకు తెలుసా?”

హెర్షే ప్రకారం, క్లాడ్ ఎక్కడ రాణిస్తాడు, ఆట యొక్క మరింత టెక్స్ట్-ఆధారిత అంశాలలో. యుద్ధాల సమయంలో, ఎలక్ట్రిక్-రకం పోకీమాన్ యొక్క దాడి రాక్-రకం ప్రత్యర్థికి వ్యతిరేకంగా ‘చాలా ప్రభావవంతంగా లేదు’ అని గేమ్ సూచించినప్పుడు క్లాడ్ వెంటనే గమనిస్తాడు. ఇది భవిష్యత్ సూచన కోసం ఈ సమాచారాన్ని దాని విస్తారమైన వ్రాతపూర్వక జ్ఞాన స్థావరంలో నిల్వ చేస్తుంది. క్లాడ్ బహుళ జ్ఞాన భాగాలను అధునాతన యుద్ధ వ్యూహాలలోకి కూడా అనుసంధానించగలడు, ఈ వ్యూహాలను పోకీమాన్‌ల బృందాలను పట్టుకోవడం మరియు నిర్వహించడం కోసం దీర్ఘకాలిక ప్రణాళికలలోకి కూడా విస్తరించగలడు.

గేమ్ యొక్క టెక్స్ట్ ఉద్దేశపూర్వకంగా తప్పుదారి పట్టించేదిగా లేదా అసంపూర్ణంగా ఉన్నప్పుడు కూడా క్లాడ్ ఆశ్చర్యకరమైన ‘ఇంటెలిజెన్స్’ని ప్రదర్శిస్తుంది. హెర్షే ప్రారంభ-గేమ్ టాస్క్‌ను ఉదహరించాడు, ఇక్కడ ప్లేయర్ ప్రొఫెసర్ ఓక్‌ను పక్కన కనుగొనమని చెప్పబడింది, అతను అక్కడ లేడని తెలుసుకోవడానికి మాత్రమే. “5 సంవత్సరాల వయస్సులో, అది నాకు చాలా గందరగోళంగా ఉంది” అని హెర్షే చెప్పారు. “కానీ క్లాడ్ వాస్తవానికి సాధారణంగా అదే కదలికల సమితి ద్వారా వెళుతుంది, అక్కడ అది అమ్మతో మాట్లాడుతుంది, ల్యాబ్‌కి వెళుతుంది, [ఓక్]ని కనుగొనలేదు, ‘నేను ఏదో ఒకటి గుర్తించాలి’ అని చెబుతుంది… ఇది [మానవులు] వాస్తవానికి దానిని నేర్చుకోవాల్సిన మార్గం ద్వారా కదలడానికి తగినంత అధునాతనమైనది.”

మానవ-స్థాయి ఆటతో పోలిస్తే ఈ విరుద్ధమైన బలాలు మరియు బలహీనతలు, AI పరిశోధన మరియు సామర్థ్యాల యొక్క మొత్తం స్థితిని ప్రతిబింబిస్తాయని హెర్షే వివరించారు. “నేను ఇది ఈ మోడల్స్ గురించి ఒక రకమైన సార్వత్రిక విషయం అని అనుకుంటున్నాను… మేము మొదట దాని యొక్క టెక్స్ట్ వైపు నిర్మించాము మరియు టెక్స్ట్ వైపు ఖచ్చితంగా… మరింత శక్తివంతమైనది. ఈ మోడల్స్ చిత్రాల గురించి ఎలా కారణం చెప్పగలవు అనేది మెరుగుపడుతోంది, కానీ నేను ఇది వెనుకబడి ఉందని అనుకుంటున్నాను.”

మెమరీ యొక్క పరిమితులు

విజువల్ మరియు టెక్స్ట్యువల్ ఇంటర్‌ప్రెటేషన్‌తో సవాళ్లకు మించి, క్లాడ్ తాను నేర్చుకున్న వాటిని ‘గుర్తుంచుకోవడం’తో పోరాడుతుందని హెర్షే అంగీకరించారు. ప్రస్తుత మోడల్ 200,000 టోకెన్‌ల ‘సందర్భ విండో’ను కలిగి ఉంది, ఇది ఏ సమయంలోనైనా దాని ‘మెమరీ’లో నిల్వ చేయగల రిలేషనల్ సమాచారం మొత్తాన్ని పరిమితం చేస్తుంది. సిస్టమ్ యొక్క విస్తరిస్తున్న నాలెడ్జ్ బేస్ ఈ విండోను నింపినప్పుడు, క్లాడ్ ఒక విస్తృతమైన సారాంశ ప్రక్రియకు లోనవుతుంది, వివరణాత్మక గమనికలను చిన్న సారాంశాలుగా కుదించడం వలన అనివార్యంగా కొన్ని సూక్ష్మ-ధాన్యం వివరాలు కోల్పోతాయి.

ఇది క్లాడ్ ‘చాలా కాలం పాటు విషయాలను ట్రాక్ చేయడంలో కష్టపడటానికి మరియు అది ఇప్పటివరకు ఏమి ప్రయత్నించింది అనే దాని గురించి గొప్ప భావాన్ని కలిగి ఉండటానికి’ దారితీస్తుందని హెర్షే చెప్పారు. “మీరు ఖచ్చితంగా అది చేయకూడనిదాన్ని అప్పుడప్పుడు తొలగించడం చూస్తారు. మీ నాలెడ్జ్ బేస్‌లో లేని లేదా మీ సారాంశంలో లేని ఏదైనా పోతుంది, కాబట్టి మీరు అక్కడ ఏమి ఉంచాలనుకుంటున్నారో ఆలోచించాలి.”

తప్పు సమాచారం యొక్క ప్రమాదాలు

ముఖ్యమైన సమాచారాన్ని మరచిపోవడం కంటే సమస్యాత్మకమైనది ఏమిటంటే, క్లాడ్ అనుకోకుండా తన నాలెడ్జ్ బేస్‌లో తప్పు సమాచారాన్ని చేర్చే ధోరణి. లోపభూయిష్టమైన ఆవరణలో ప్రపంచ దృష్టికోణాన్ని నిర్మించే కుట్ర సిద్ధాంతకర్త వలె, క్లాడ్ తన స్వీయ-రచించిన నాలెడ్జ్ బేస్‌లోని లోపం దాని పోకీమాన్ ఆటను తప్పుదారి పట్టిస్తోందని గుర్తించడంలో చాలా నెమ్మదిగా ఉంటుంది.

“గతంలో వ్రాసిన విషయాలు, ఇది చాలా గుడ్డిగా నమ్ముతుంది” అని హెర్షే చెప్పారు. “నేను [ఇన్-గేమ్ లొకేషన్] విరిడియన్ ఫారెస్ట్‌కి నిష్క్రమణను కొన్ని నిర్దిష్ట కోఆర్డినేట్‌లలో కనుగొన్నట్లు అది చాలా నమ్మకంగా ఉండటం చూశాను, ఆపై అది గంటలు మరియు గంటలు గడుపుతుంది, అది తప్పుగా ఉన్న ఆ కోఆర్డినేట్‌ల చుట్టూ ఉన్న ఒక చిన్న చిన్న చతురస్రాన్ని అన్వేషిస్తుంది. అది ‘విఫలం’ అని నిర్ణయించుకోవడానికి చాలా సమయం పడుతుంది.”

ఈ సవాళ్లు ఉన్నప్పటికీ, క్లాడ్ 3.7 సోనెట్ మునుపటి మోడల్స్ కంటే ‘దాని ఊహలను ప్రశ్నించడం, కొత్త వ్యూహాలను ప్రయత్నించడం మరియు అవి పని చేస్తాయో లేదో చూడటానికి వివిధ వ్యూహాల యొక్క సుదీర్ఘ పరిధులను ట్రాక్ చేయడం’లో గణనీయంగా మెరుగ్గా ఉందని హెర్షే పేర్కొన్నాడు. కొత్త మోడల్ ఇప్పటికీ ‘చాలా ఎక్కువ కాలం పాటు’ అదే చర్యలను మళ్లీ ప్రయత్నించడానికి ‘పోరాడుతున్నప్పటికీ’, అది అంతిమంగా ‘ఏమి జరుగుతుందో మరియు అది ఇంతకు ముందు ఏమి ప్రయత్నించింది అనే దాని గురించి ఒక భావాన్ని పొందుతుంది మరియు అది చాలా సార్లు వాస్తవ పురోగతిలోకి వస్తుంది’ అని హెర్షే చెప్పారు.

ముందుకు వెళ్లే మార్గం

క్లాడ్ ప్లేస్ పోకీమాన్ని బహుళ పునరావృత్తులలో గమనించడం యొక్క అత్యంత ఆకర్షణీయమైన అంశాలలో ఒకటి, హెర్షే మాట్లాడుతూ, సిస్టమ్ యొక్క పురోగతి మరియు వ్యూహం పరుగుల మధ్య గణనీయంగా ఎలా మారుతుందో చూడటం. కొన్నిసార్లు, క్లాడ్ ‘ప్రయత్నించడానికి విభిన్న మార్గాల గురించి వివరణాత్మక గమనికలను ఉంచడం’ ద్వారా ‘వాస్తవానికి చాలా పొందికైన వ్యూహాన్ని నిర్మించగల సామర్థ్యాన్ని’ ప్రదర్శిస్తుందని అతను వివరించాడు. కానీ ‘చాలా సార్లు అది చేయదు… చాలా సార్లు, అది గోడలోకి తిరుగుతుంది ఎందుకంటే అది నిష్క్రమణను చూస్తుందని నమ్మకంగా ఉంది.’

హెర్షే ప్రకారం, క్లాడ్ యొక్క ప్రస్తుత వెర్షన్ యొక్క ప్రధాన పరిమితుల్లో ఒకటి ఏమిటంటే, ‘అది ఆ మంచి వ్యూహాన్ని పొందినప్పుడు, అది వచ్చిన ఒక వ్యూహం మరొకదాని కంటే మెరుగైనదని తెలుసుకోవడానికి దానికి అవసరమైన స్వీయ-అవగాహన ఉందని నేను అనుకోను.’ మరియు అది, అతను అంగీకరించాడు, పరిష్కరించడానికి చాలా చిన్న సమస్య కాదు.

అయినప్పటికీ, గేమ్‌బాయ్ స్క్రీన్‌షాట్‌ల గురించి మోడల్ యొక్క అవగాహనను మెరుగుపరచడం ద్వారా క్లాడ్ యొక్క పోకీమాన్ ఆటను మెరుగుపరచడానికి హెర్షే ‘తక్కువ-వేలాడే పండు’ని చూస్తాడు. “స్క్రీన్‌పై ఏమి ఉందో దానికి ఖచ్చితమైన భావం ఉంటే అది గేమ్‌ను ఓడించే అవకాశం ఉందని నేను భావిస్తున్నాను” అని అతను చెప్పాడు, అటువంటి మోడల్ ‘మానవుడి కంటే కొంచెం తక్కువగా’ పని చేస్తుందని సూచించాడు.

భవిష్యత్ క్లాడ్ మోడల్స్ కోసం సందర్భ విండోను విస్తరించడం వలన అవి ‘ఎక్కువ కాల వ్యవధిలో కారణం చెప్పడానికి మరియు ఎక్కువ కాలం పాటు విషయాలను మరింత పొందికగా నిర్వహించడానికి’ వీలు కల్పిస్తుందని హెర్షే జోడించారు. భవిష్యత్ నమూనాలు ‘గుర్తుంచుకోవడంలో కొంచెం మెరుగ్గా ఉండటం, పురోగతి సాధించడానికి ప్రయత్నించాల్సిన పొందికైన సమితిని ట్రాక్ చేయడం’ ద్వారా మెరుగుపడతాయని అతను చెప్పాడు.

AI మోడల్స్‌లో ఆసన్నమైన మెరుగుదలల అవకాశం కాదనలేనిది అయినప్పటికీ, క్లాడ్ యొక్క ప్రస్తుత పోకీమాన్ పనితీరు మానవ-స్థాయి, పూర్తిగా సాధారణీకరించదగిన కృత్రిమ మేధస్సు యొక్క యుగాన్ని ప్రారంభించే అంచున ఉందని సూచించదు. క్లాడ్ 3.7 సోనెట్ 80 గంటల పాటు మౌంట్ మూన్‌లో చిక్కుకోవడం చూడటం వలన అది ‘ఏమి చేస్తుందో తెలియని మోడల్ లాగా అనిపించవచ్చు’ అని హెర్షే అంగీకరించారు.

అయితే, క్లాడ్ యొక్క కొత్త రీజనింగ్ మోడల్ ప్రదర్శించే అప్పుడప్పుడు అవగాహన మెరుపుల ద్వారా హెర్షే ఆకట్టుకున్నాడు, అది కొన్నిసార్లు ‘అది ఏమి చేస్తుందో తెలియదని మరియు అది వేరే ఏదైనా చేయాల్సిన అవసరం ఉందని తెలుస్తుంది. మరియు ‘అసలు చేయలేకపోవడం’ మరియు ‘కొంచెం చేయగలగడం’ మధ్య వ్యత్యాసం ఈ AI విషయాల కోసం నాకు చాలా పెద్దది’ అని అతను కొనసాగించాడు. ‘మీకు తెలుసా, ఏదైనా కొంచెం చేయగలిగినప్పుడు, సాధారణంగా మనం ఏదైనా నిజంగా, నిజంగా బాగా చేయగలిగేలా చేయడానికి చాలా దగ్గరగా ఉన్నామని అర్థం.’