हालको एआई मोडेल मानवस्तरीय बुद्धिमत्ताका लागि ‘अन्तिम विन्दू’: वैज्ञानिकहरू

काठमाडौं ।

हालको कृत्रिम बुद्धिमत्ता (एआई) प्रविधिहरूले मानव बुद्धिमत्तासँग मेल खाने मोडेल विकास गर्ने सम्भावना न्यून रहेको विशेषज्ञहरूको हालैको सर्वेक्षणले देखाएको छ।

सर्वेक्षणमा सहभागी ४७५ एआई अनुसन्धानकर्तामध्ये ७६ प्रतिशतले ठूला भाषा मोडेल (एलएलएम) को विस्तारले कृत्रिम सामान्य बुद्धिमत्ता (एजीआई) हासिल गर्ने सम्भावना “असम्भव” वा “निकै असम्भव” रहेको बताएका छन्। एजीआई भनेको मेसिन लर्निङ प्रणालीहरूले मानिस सरह वा अझ प्रभावकारी रूपमा सिक्ने क्षमतामा पुग्ने काल्पनिक अवस्था हो।

यो निष्कर्ष प्रविधि उद्योगका ती भविष्यवाणीहरूलाई चुनौती दिन्छ, जसअनुसार २०२२ को उत्पन्नात्मक एआई बूमयता हालका अत्याधुनिक एआई मोडेलहरूलाई केवल थप डाटा, हार्डवेयर, ऊर्जा र लगानी आवश्यक पर्ने बताइएको थियो।

तर पछिल्ला मोडेलहरूमा खासै सुधार नदेखिएको अवस्थामा, कृत्रिम बुद्धिमत्ता प्रवर्द्धन संस्थाले गरेको सर्वेक्षणमा अधिकांश अनुसन्धानकर्ताहरूले प्रविधि कम्पनीहरू अब ‘बन्द गन्तव्य’ मा पुगेको र पैसा खर्च गरेर यसबाट बाहिर निस्कन नसक्ने निष्कर्ष निकालेका छन्।

“जीपीटी-४ सार्वजनिक भएयता नै मापन विस्तारबाट प्राप्त फाइदाहरू क्रमशः सानो र महँगो हुँदै गइरहेको स्पष्ट भइसकेको छ,” रिपोर्ट तयार पार्न सहयोग गर्ने क्यालिफोर्निया विश्वविद्यालय, बर्कलीका कम्प्युटर वैज्ञानिक स्टुअर्ट रसेलले लाइभ साइन्स लाई बताएका छन्। “[एआई कम्पनीहरू] ले यति धेरै लगानी गरिसकेका छन् कि उनीहरू आफ्नो गल्ती स्वीकार्न र बजारबाट केही वर्ष बाहिर बस्न सक्दैनन्, किनभने उनीहरूलाई अर्बौं डलर लगानी गरेका लगानीकर्ताहरूको पैसा फिर्ता गर्नुपर्छ। त्यसैले उनीहरू दोब्बर लगानी गर्न बाध्य छन्।”

घट्दो प्रतिफल

हालका वर्षहरूमा एलएलएममा आएको उल्लेखनीय सुधार यसको आधारभूत ट्रान्सफर्मर आर्किटेक्चरको कारण भएको हो। यो एउटा गहिरो शिक्षण प्रविधि हो, जुन सन् २०१७ मा गुगलका वैज्ञानिकहरूले विकास गरेका थिए। यसले मानव इनपुटमार्फत सिकेर प्रशिक्षण डाटा आत्मसात गर्ने प्रणालीलाई सुधार गर्छ।

यस प्रविधिले न्यूरल नेटवर्क (मानव मस्तिष्कको सिकाइ प्रक्रिया नक्कल गर्ने मेसिन लर्निङ एल्गोरिदमहरूको समूह) को प्रयोग गरी सम्भावित ढाँचाहरू उत्पन्न गर्छ, जसले प्रयोगकर्ताको अनुरोधअनुसार उत्तर दिने क्रममा अधिक डेटा प्राप्त गर्दै जाँदा आफ्नो शुद्धता बढाउँदै लैजान्छ।

तर यी मोडेलहरूको निरन्तर विस्तार गर्नका लागि अपार मात्रामा पैसा र ऊर्जा आवश्यक पर्छ। सन् २०२४ मा मात्र उत्पन्नात्मक एआई उद्योगले विश्वभरि ५६ अर्ब डलर भेञ्चर क्यापिटल जुटाएको थियो, जसको ठूलो हिस्सा विशाल डाटा केन्द्र निर्माणमा खर्च भएको थियो। यी डाटा केन्द्रहरूले उत्पन्न गर्ने कार्बन उत्सर्जन २०१८ यता तेब्बर भएको छ।

प्रक्षेपणहरू अनुसार मानवद्वारा उत्पन्न आवश्यक डेटा यो दशकको अन्त्यसम्ममा सकिन सक्ने सम्भावना छ। त्यसपछि, प्रविधि कम्पनीहरूले प्रयोगकर्ताहरूको निजी डेटा संकलन गर्नुपर्नेछ वा एआई आफैंले उत्पन्न गरेको ‘कृत्रिम’ डाटा फिर्ता खुवाउने प्रविधि अपनाउनु पर्नेछ, जसले मोडेलहरूमा त्रुटिहरू उत्पन्न गराउने खतरा बढाउँछ।

तर सर्वेक्षणमा संलग्न विशेषज्ञहरूका अनुसार हालका मोडेलहरूमा देखिएका सीमितताहरू केवल स्रोत-साधनको कारण मात्र नभई यसको आधारभूत आर्किटेक्चरकै कमजोरीका कारण हुन सक्ने लाइभसाइन्सले उल्लेख गरेको छ।

“हालको प्रविधिको मुख्य समस्या भनेको यी सबैजसो ठूला फिडफर्वर्ड सर्किटहरूको प्रशिक्षणमा आधारित छन्,” रसेलले भने। “सर्किटहरूले अवधारणाहरू प्रतिनिधित्व गर्ने सीमितता राख्छन्। यसको अर्थ, कुनै अवधारणा ठ्याक्कै बुझ्न यी सर्किटहरू अति विशाल हुनुपर्छ — जसले गर्दा ती केवल एक प्रकारको विस्तृत डेटा तालिकाको रूपमा काम गर्छन्। यसको कारणले गर्दा ती प्रणालीहरूलाई विशाल मात्रामा डेटा आवश्यक पर्छ, तर तिनको प्रतिनिधित्व अपूर्ण हुन्छ। यही कारणले गर्दा, उदाहरणका लागि, साधारण मानव खेलाडीहरू सहजै ‘सुपरह्युमन’ गो (Go) खेल्ने एआई प्रणालीलाई हराउन सक्छन्।”