संज्ञानात्मक प्रतिमान: मस्तिष्क-प्रेरित एआई विकास की खोज

"हमारी बुद्धिमत्ता वह है जो हमें मानव बनाती है और एआई उस गुणवत्ता का विस्तार है" - यान लेकन

तंत्रिका नेटवर्क (कृत्रिम तंत्रिका नेटवर्क के रूप में भी जाना जाता है) के आगमन के बाद से, एआई उद्योग को अद्वितीय सफलता मिली है। तंत्रिका नेटवर्क आधुनिक एआई सिस्टम के पीछे प्रेरक शक्ति हैं और वे मानव मस्तिष्क के बाद तैयार किए गए हैं। आधुनिक एआई अनुसंधान में एल्गोरिदम बनाना और कार्यान्वित करना शामिल है जिसका उद्देश्य मानव मस्तिष्क की तंत्रिका प्रक्रियाओं की नकल करना है ताकि ऐसी प्रणाली बनाई जा सके जो मानव के समान तरीके से सीखती और कार्य करती है।

इस लेख में, हम AI सिस्टम के निर्माण के लिए मस्तिष्क से प्रेरित दृष्टिकोण को समझने का प्रयास करेंगे। यह ध्यान देने योग्य है कि हालांकि यह विषय स्वाभाविक रूप से व्यापक है, मैं यथासंभव संक्षिप्त और संक्षिप्त रहूंगा। मैं उन उप-विषयों का इलाज करने की योजना बना रहा हूं जिनकी अधिक जटिल उप-शाखाएं स्टैंडअलोन लेख हैं, और मैं, निश्चित रूप से, लेख के अंत में संदर्भ छोड़ दूंगा।

सामग्री टूटना

मैं इससे कैसे संपर्क करने की उम्मीद करता हूं:

• एआई के लिए मस्तिष्क-प्रेरित दृष्टिकोण का इतिहास: यहां हम चर्चा करेंगे कि कैसे वैज्ञानिक नॉर्मन वेनर एन वॉरेन मैककुलोच ने तंत्रिका विज्ञान और कंप्यूटर विज्ञान के अभिसरण के बारे में बताया, कैसे फ्रैंक रोसेनब्लैट का परसेप्ट्रॉन मानव बुद्धि की नकल करने का पहला वास्तविक प्रयास था, और इसकी विफलता कैसे हुई ग्राउंड ब्रेकिंग काम लाया जो तंत्रिका नेटवर्क के लिए मंच के रूप में काम करेगा।

  
  

• मानव मस्तिष्क कैसे काम करता है और यह एआई सिस्टम से कैसे संबंधित है: इस खंड में, हम एआई के लिए मस्तिष्क-प्रेरित दृष्टिकोण के लिए जैविक आधार पर गोता लगाएंगे। हम मानव मस्तिष्क की बुनियादी संरचना और कार्यों पर चर्चा करेंगे, इसके मुख्य बिल्डिंग ब्लॉक, न्यूरॉन को समझेंगे, और कैसे वे सूचनाओं को संसाधित करने और जटिल क्रियाओं को सक्षम करने के लिए एक साथ काम करते हैं।

  
  

• एआई के मस्तिष्क-प्रेरित दृष्टिकोण के पीछे मूल सिद्धांत: यहां हम एआई के लिए मस्तिष्क-प्रेरित दृष्टिकोण के पीछे मूलभूत अवधारणाओं पर चर्चा करेंगे। हम समझाएंगे कि कैसे अवधारणाएँ; मस्तिष्क के कामकाज की नकल करने में तंत्रिका नेटवर्क, पदानुक्रमित प्रसंस्करण, और प्लास्टिसिटी और कैसे समानांतर प्रसंस्करण की तकनीक, वितरित प्रतिनिधित्व, और आवर्तक प्रतिक्रिया सहायता एआई।

• मानव मस्तिष्क के बाद बनाए गए AI सिस्टम के निर्माण में चुनौतियाँ: यहाँ हम मानव मस्तिष्क की नकल करने वाले सिस्टम के निर्माण के प्रयास में निहित चुनौतियों और सीमाओं के बारे में बात करेंगे। चुनौतियां जैसे; मस्तिष्क की जटिलता, और अनुभूति के एक एकीकृत सिद्धांत की कमी इन चुनौतियों और सीमाओं को संबोधित करने के तरीकों का पता लगाती है।

  
  

हमें शुरू करने दें!

एआई के मस्तिष्क से प्रेरित दृष्टिकोण का इतिहास

बुद्धिमान व्यवहार करने में सक्षम मशीनों के निर्माण की प्रेरणा एमआईटी के प्रोफेसर से मिली है, . नोर्बर्ट वीनर एक विलक्षण बालक थे जो तीन साल की उम्र तक पढ़ सकते थे। उन्हें गणित, न्यूरोफिज़ियोलॉजी, चिकित्सा और भौतिकी जैसे विभिन्न क्षेत्रों का व्यापक ज्ञान था।

नोर्बर्ट वीनर का मानना था कि विज्ञान में मुख्य अवसर उन क्षेत्रों की खोज में निहित हैं जिन्हें उन्होंने सीमा क्षेत्र कहा -अध्ययन के क्षेत्र जो स्पष्ट रूप से एक निश्चित अनुशासन के भीतर नहीं हैं, बल्कि चिकित्सा और इंजीनियरिंग के अध्ययन जैसे विषयों का मिश्रण एक साथ आने के लिए क्षेत्र का निर्माण करते हैं। मेडिकल इंजीनियरिंग-, उन्हें यह कहते हुए उद्धृत किया गया था:

"यदि एक शारीरिक समस्या की कठिनाई गणितीय प्रकृति की है, तो गणित से अनभिज्ञ दस शरीर विज्ञानी गणित से अनभिज्ञ एक शरीर विज्ञानी के बराबर पहुंचेंगे"

वर्ष 1934 में, वेनर और कुछ अन्य शिक्षाविद मासिक रूप से सीमा क्षेत्र विज्ञान से जुड़े कागजात पर चर्चा करने के लिए एकत्र हुए।

यह आधे-अधूरे विचारों, अपर्याप्त आत्म-आलोचना, अतिशयोक्तिपूर्ण आत्मविश्वास और अहंकार के लिए एक आदर्श रेचन था - नॉर्मन वेनर

इन सत्रों से और अपने स्वयं के व्यक्तिगत शोध से, वीनर ने जैविक तंत्रिका तंत्र के साथ-साथ इलेक्ट्रॉनिक कंप्यूटरों पर अग्रणी काम के बारे में नए शोध के बारे में सीखा और उनका स्वाभाविक झुकाव इन दोनों क्षेत्रों को मिलाने का था। और इसलिए, न्यूरोसाइंस और कंप्यूटर साइंस के बीच एक रिश्ता बना। जैसा कि हम जानते हैं, यह रिश्ता आर्टिफिशियल इंटेलिजेंस के निर्माण की आधारशिला बन गया।

द्वितीय विश्व युद्ध के बाद, वीनर ने मनुष्यों और मशीनों दोनों में बुद्धि के बारे में सिद्धांत बनाना शुरू किया और इस नए क्षेत्र का नाम रखा गया . साइबरनेटिक्स में वीनर के प्रवेश ने सफलतापूर्वक वैज्ञानिकों को इंजीनियरिंग के साथ जीव विज्ञान के विलय की संभावना के बारे में बात करने के लिए प्रेरित किया। उक्त वैज्ञानिकों में से एक न्यूरोफिज़ियोलॉजिस्ट नाम का था , जो बाद में येल में दर्शनशास्त्र और मनोविज्ञान का अध्ययन करने के लिए हैवरफोर्ड विश्वविद्यालय से बाहर हो गए।

न्यूयॉर्क में एक वैज्ञानिक सम्मेलन में भाग लेने के दौरान, वह जैविक प्रतिक्रिया तंत्र पर सहयोगियों द्वारा लिखे गए पत्रों के संपर्क में आया। अगले वर्ष, वाल्टर पिट्स नाम के अपने शानदार 18 वर्षीय शागिर्द के सहयोग से, मैककुलोच ने मस्तिष्क के काम करने के तरीके के बारे में एक सिद्धांत प्रस्तावित किया - एक सिद्धांत जो व्यापक धारणा को बढ़ावा देने में मदद करेगा कि कंप्यूटर और दिमाग एक ही तरह से अनिवार्य रूप से कार्य करते हैं।

वे मैककुलोच द्वारा बाइनरी नंबरों को संसाधित करने वाले न्यूरॉन्स की संभावना पर शोध पर आधारित थे (अनजान लोगों के लिए, कंप्यूटर बाइनरी नंबरों के माध्यम से संवाद करते हैं)। यह सिद्धांत एक कृत्रिम तंत्रिका नेटवर्क का पहला मॉडल बनने की नींव बन गया, जिसे मैककुलोच-पिट्स न्यूरॉन (एमसीपी) नाम दिया गया था।

MCP ने पहले तंत्रिका नेटवर्क के निर्माण की नींव के रूप में कार्य किया, जिसे इस रूप में जाना जाता है . परसेप्ट्रॉन मनोवैज्ञानिक द्वारा बनाया गया था, जिन्होंने, मस्तिष्क में सिनैप्स से प्रेरित होकर, यह तय किया कि जैसे मानव मस्तिष्क सिनेप्स (न्यूरॉन्स के बीच संचार) के माध्यम से सूचना को संसाधित और वर्गीकृत कर सकता है, तो शायद एक डिजिटल कंप्यूटर एक तंत्रिका नेटवर्क के माध्यम से भी ऐसा कर सकता है।

परसेप्ट्रॉन अनिवार्य रूप से MCP न्यूरॉन को एक कृत्रिम न्यूरॉन से न्यूरॉन्स के नेटवर्क में स्केल करता है, लेकिन, दुर्भाग्य से, परसेप्ट्रॉन में कुछ तकनीकी चुनौतियाँ थीं जो इसके व्यावहारिक अनुप्रयोग को सीमित करती थीं, इसकी सीमाओं में से सबसे उल्लेखनीय जटिल संचालन करने में असमर्थता थी (जैसे अधिक के बीच वर्गीकरण करना) एक से अधिक आइटम, उदाहरण के लिए, एक परसेप्ट्रॉन एक बिल्ली, एक कुत्ते और एक पक्षी के बीच वर्गीकरण नहीं कर सका)।

वर्ष 1969 में प्रकाशित एक पुस्तक और परसेप्ट्रॉन शीर्षक से परसेप्ट्रॉन की खामियों को विस्तार से बताया और उसके कारण, कृत्रिम तंत्रिका नेटवर्क पर शोध तब तक रुका रहा जब तक कि इसके द्वारा बैक प्रोपेगेशन का प्रस्ताव नहीं दिया गया। .

बैक प्रोपेगेशन जटिल डेटा को वर्गीकृत करने के मुद्दे को हल करने की उम्मीद करता है जो उस समय तंत्रिका नेटवर्क के औद्योगिक अनुप्रयोग में बाधा डालता था। यह सिनैप्टिक प्लास्टिसिटी से प्रेरित था; जिस तरह से मस्तिष्क न्यूरॉन्स के बीच संबंधों की ताकत को संशोधित करता है और इस तरह प्रदर्शन में सुधार होता है। बैक प्रोपेगेशन को मस्तिष्क में प्रक्रिया की नकल करने के लिए डिज़ाइन किया गया था जो वजन समायोजन नामक प्रक्रिया के माध्यम से न्यूरॉन्स के बीच कनेक्शन को मजबूत करता है।

पॉल वर्बोस के शुरुआती प्रस्ताव के बावजूद, बैकप्रोपैजेशन की अवधारणा को केवल व्यापक रूप से अपनाया गया जब शोधकर्ताओं ने जैसे कि , , और प्रकाशित कागजात जो तंत्रिका नेटवर्क के प्रशिक्षण के लिए पश्चप्रचार की प्रभावशीलता का प्रदर्शन करते हैं। बैकप्रॉपैगेशन के कार्यान्वयन से डीप लर्निंग का निर्माण हुआ जो दुनिया में उपलब्ध अधिकांश AI सिस्टम को शक्ति प्रदान करता है।

"लोग आज के कंप्यूटरों की तुलना में अधिक चतुर हैं क्योंकि मस्तिष्क एक बुनियादी कम्प्यूटेशनल आर्किटेक्चर को नियोजित करता है जो प्राकृतिक सूचना प्रसंस्करण कार्यों के एक केंद्रीय पहलू से निपटने के लिए अधिक अनुकूल है जो लोग इतने अच्छे हैं।" - समानांतर वितरित प्रसंस्करण

मानव मस्तिष्क कैसे काम करता है और यह एआई सिस्टम से कैसे संबंधित है

हमने चर्चा की है कि कैसे शोधकर्ताओं ने मानव मस्तिष्क की नकल करने के लिए एआई का मॉडल बनाना शुरू किया, आइए अब देखें कि मस्तिष्क कैसे काम करता है और मस्तिष्क और एआई सिस्टम के बीच संबंध को परिभाषित करता है।

दिमाग कैसे काम करता है: एक सरल विवरण

मानव मस्तिष्क, अनिवार्य रूप से न्यूरॉन्स के उपयोग के माध्यम से विचारों को संसाधित करता है, एक न्यूरॉन 3 मुख्य वर्गों से बना होता है; द डेंड्राइट, एक्सॉन और सोमा। डेंड्राइट अन्य न्यूरॉन्स से संकेत प्राप्त करने के लिए जिम्मेदार है, सोमा डेंड्राइट से प्राप्त जानकारी को संसाधित करता है, और एक्सॉन संसाधित जानकारी को अनुक्रम में अगले डेंड्राइट में स्थानांतरित करने के लिए जिम्मेदार है।

यह समझने के लिए कि मस्तिष्क कैसे विचार करता है, कल्पना करें कि आप एक कार को अपनी ओर आते हुए देखते हैं, आपकी आंखें ऑप्टिकल तंत्रिका के माध्यम से तुरंत आपके मस्तिष्क को विद्युत संकेत भेजती हैं और फिर मस्तिष्क आने वाले संकेतों को समझने के लिए न्यूरॉन्स की एक श्रृंखला बनाता है। श्रृंखला में पहला न्यूरॉन अपने डेन्ड्राइट्स के माध्यम से संकेत एकत्र करता है और सोमा को सिग्नल को संसाधित करने के लिए भेजता है जब सोमा अपने कार्य के साथ समाप्त हो जाता है, यह एक्सॉन को संकेत भेजता है जो फिर इसे श्रृंखला में अगले न्यूरॉन के डेंड्राइट को भेजता है। , एक्सोन और डेन्ड्राइट के बीच सूचना को पास करने के संबंध को सिनैप्स कहा जाता है। पूरी प्रक्रिया तब तक जारी रहती है जब तक कि मस्तिष्क को सैपियोटेम्पोरल सिनैप्टिक इनपुट नहीं मिल जाता है (यह वैज्ञानिक शब्दजाल है; मस्तिष्क तब तक प्रसंस्करण जारी रखता है जब तक कि उसे भेजे गए सिग्नल के लिए एक इष्टतम प्रतिक्रिया नहीं मिल जाती) और फिर यह आवश्यक प्रभावकों को संकेत भेजता है जैसे, आपके पैर और तब मस्तिष्क आपके पैरों को आने वाली कार से दूर भागने का संकेत भेजता है।

मस्तिष्क और एआई सिस्टम के बीच संबंध

मस्तिष्क और एआई के बीच संबंध काफी हद तक पारस्परिक रूप से लाभकारी है क्योंकि मस्तिष्क एआई सिस्टम के डिजाइन के पीछे प्रेरणा का मुख्य स्रोत है और एआई में प्रगति मस्तिष्क की बेहतर समझ और यह कैसे काम करती है।

जब मस्तिष्क और एआई की बात आती है तो ज्ञान और विचारों का पारस्परिक आदान-प्रदान होता है, और ऐसे कई उदाहरण हैं जो इस रिश्ते की सकारात्मक सहजीवी प्रकृति को प्रमाणित करते हैं:

• तंत्रिका नेटवर्क: मानव मस्तिष्क द्वारा आर्टिफिशियल इंटेलिजेंस के क्षेत्र में सबसे महत्वपूर्ण प्रभाव तंत्रिका नेटवर्क का निर्माण है। संक्षेप में, तंत्रिका नेटवर्क कम्प्यूटेशनल मॉडल हैं जो जैविक न्यूरॉन्स के कार्य और संरचना की नकल करते हैं, तंत्रिका नेटवर्क की वास्तुकला और उनके सीखने के एल्गोरिदम काफी हद तक मस्तिष्क में न्यूरॉन्स के संपर्क और अनुकूलन के तरीके से प्रेरित होते हैं।

  
  

• ब्रेन सिमुलेशन: एआई सिस्टम का इस्तेमाल किया गया है मानव मस्तिष्क और भौतिक दुनिया के साथ इसकी बातचीत का अध्ययन करें। उदाहरण के लिए, शोधकर्ताओं के पास दृश्य प्रसंस्करण में शामिल जैविक न्यूरॉन्स की गतिविधि का अनुकरण करने के लिए मशीन लर्निंग तकनीक है, और परिणाम ने अंतर्दृष्टि प्रदान की है कि मस्तिष्क दृश्य जानकारी को कैसे संभालता है।

  
  

• मस्तिष्क में अंतर्दृष्टि: शोधकर्ताओं ने मस्तिष्क डेटा और fMRI स्कैन से विश्लेषण और अंतर्दृष्टि प्राप्त करने के लिए मशीन लर्निंग एल्गोरिदम का उपयोग करना शुरू कर दिया है। ये अंतर्दृष्टि उन प्रतिमानों और संबंधों की पहचान करने का काम करती हैं जो अन्यथा छिपे रहते। प्राप्त अंतर्दृष्टि आंतरिक संज्ञानात्मक कार्यों, स्मृति और निर्णय लेने की समझ में मदद कर सकती है, यह अल्जाइमर जैसी मस्तिष्क संबंधी बीमारियों के उपचार में भी सहायता करती है।

  
  

एआई के मस्तिष्क-प्रेरित दृष्टिकोण के पीछे मुख्य सिद्धांत

यहां हम कई अवधारणाओं पर चर्चा करेंगे जो एआई को मानव मस्तिष्क के कार्य करने के तरीके की नकल करने में सहायता करते हैं। इन अवधारणाओं ने एआई शोधकर्ताओं को अधिक शक्तिशाली और बुद्धिमान सिस्टम बनाने में मदद की है जो जटिल कार्य करने में सक्षम हैं।

तंत्रिका - तंत्र

जैसा कि पहले चर्चा की गई है, तंत्रिका नेटवर्क यकीनन मानव मस्तिष्क द्वारा आर्टिफिशियल इंटेलिजेंस के क्षेत्र में किए गए सबसे महत्वपूर्ण प्रभाव हैं। संक्षेप में, तंत्रिका नेटवर्क कम्प्यूटेशनल मॉडल हैं जो जैविक न्यूरॉन्स के कार्य और संरचना की नकल करते हैं, नेटवर्क इंटरकनेक्टेड नोड्स की विभिन्न परतों से बने होते हैं, जिन्हें कृत्रिम न्यूरॉन्स कहा जाता है, जो सूचनाओं के प्रसंस्करण और संचारण में सहायता करते हैं, जैसा कि किया जाता है। जैविक तंत्रिका नेटवर्क में डेन्ड्राइट्स, सोमस और एक्सन। तंत्रिका नेटवर्क पिछले अनुभवों से उसी तरह सीखने के लिए तैयार किए गए हैं जैसे मस्तिष्क करता है।

वितरित प्रतिनिधित्व

वितरित प्रतिनिधित्व एक पैटर्न बनाने के लिए एक नेटवर्क में कई नोड्स के साथ एक पैटर्न के रूप में एक तंत्रिका नेटवर्क में अवधारणाओं या विचारों को एन्कोडिंग का एक तरीका है। उदाहरण के लिए, तंत्रिका नेटवर्क में नोड्स के एक निश्चित सेट का उपयोग करके धूम्रपान की अवधारणा का प्रतिनिधित्व (एन्कोडेड) किया जा सकता है और इसलिए यदि वह नेटवर्क धूम्रपान करने वाले व्यक्ति की छवि के साथ आता है तो छवि को समझने के लिए उन चयनित नोड्स का उपयोग करता है (यह है उससे बहुत अधिक जटिल लेकिन सरलता के लिए), यह तकनीक एआई सिस्टम को जटिल अवधारणाओं या अवधारणाओं के बीच संबंधों को उसी तरह याद रखने में सहायता करती है जैसे मस्तिष्क जटिल उत्तेजनाओं को पहचानता और याद करता है।

आवर्तक प्रतिक्रिया

यह एआई मॉडल के प्रशिक्षण में उपयोग की जाने वाली एक तकनीक है जहां तंत्रिका नेटवर्क के आउटपुट को इनपुट के रूप में लौटाया जाता है ताकि नेटवर्क अपने आउटपुट को प्रशिक्षण में अतिरिक्त डेटा इनपुट के रूप में एकीकृत कर सके। यह उसी तरह है जैसे मस्तिष्क पिछले अनुभवों के आधार पर अपने मॉडल को समायोजित करने के लिए फीडबैक लूप का उपयोग करता है।

समानांतर प्रसंस्करण

समानांतर प्रसंस्करण में गति में सुधार के प्रयास में दूसरे प्रोसेसर पर छोटे बिट्स को संसाधित करने के प्रयास में जटिल कम्प्यूटेशनल कार्यों को छोटे बिट्स में तोड़ना शामिल है। यह दृष्टिकोण एआई सिस्टम को अधिक इनपुट डेटा को तेजी से संसाधित करने में सक्षम बनाता है, इसी तरह मस्तिष्क एक ही समय में विभिन्न कार्यों को करने में सक्षम होता है (मल्टी-टास्किंग)।

ध्यान तंत्र

यह एक ऐसी तकनीक है जिसका उपयोग एआई मॉडल को इनपुट डेटा के विशिष्ट भागों पर ध्यान केंद्रित करने में सक्षम बनाता है, यह आमतौर पर प्राकृतिक भाषा प्रसंस्करण जैसे क्षेत्रों में नियोजित होता है जिसमें जटिल और बोझिल डेटा होता है। यह बड़े पैमाने पर विचलित करने वाले वातावरण के केवल विशिष्ट भागों में भाग लेने की मस्तिष्क की क्षमता से प्रेरित है; जैसे बातचीत के कोलाहल में से एक बातचीत को ट्यून करने और उसमें इंटरैक्ट करने की आपकी क्षमता।

सुदृढीकरण सीखना

सुदृढीकरण सीखना एआई सिस्टम को प्रशिक्षित करने के लिए उपयोग की जाने वाली एक तकनीक है, यह इस बात से प्रेरित थी कि कैसे मनुष्य परीक्षण और त्रुटि के माध्यम से कौशल सीखते हैं। इसमें एआई एजेंट को उसके कार्यों के आधार पर पुरस्कार या दंड प्राप्त करना शामिल है, यह एजेंट को अपनी गलतियों से सीखने और अपने भविष्य के कार्यों में अधिक कुशल होने में सक्षम बनाता है (यह तकनीक आमतौर पर खेलों के निर्माण में उपयोग की जाती है)।

अनसुनी शिक्षा

मस्तिष्क लगातार ध्वनि, दृश्य सामग्री, त्वचा के लिए संवेदी भावनाओं आदि के रूप में डेटा की नई धाराएँ प्राप्त कर रहा है और इसे इन सभी का बोध कराना है और एक सुसंगत और तार्किक समझ बनाने का प्रयास करना है कि ये सभी असमान घटनाएँ कैसे दिखाई देती हैं। इसकी भौतिक स्थिति को प्रभावित करता है।

इस सादृश्य को एक उदाहरण के रूप में लें, आप अपनी त्वचा पर पानी की बूंदों को महसूस करते हैं, आप छतों पर पानी की बूंदों के तेजी से गिरने की आवाज सुनते हैं, आपको लगता है कि आपके कपड़े भारी हो रहे हैं और उसी क्षण आपको पता चलता है कि बारिश हो रही है, आप फिर अपने मेमोरी बैंक को खोजते हैं यह पता लगाने के लिए कि क्या आपके पास छाता है और यदि आपके पास है, तो आप ठीक हैं, अन्यथा, आप अपने वर्तमान स्थान से अपने घर की दूरी देखने के लिए जांचते हैं यदि यह करीब है, तो आप ठीक हैं, अन्यथा आप यह मापने का प्रयास करते हैं कि बारिश कितनी तीव्र है यदि यह हल्की बूंदा बांदी है तो आप अपने घर वापस जाने की यात्रा जारी रखने का प्रयास कर सकते हैं, लेकिन यदि यह बौछार बनने की तैयारी कर रहा है, तो आपको आश्रय खोजना होगा।

असमान प्रतीत होने वाले डेटा बिंदुओं (पानी, ध्वनि, भावना, दूरी) की समझ बनाने की क्षमता को आर्टिफिशियल इंटेलिजेंस में अनसुपरवाइज्ड लर्निंग नामक तकनीक के रूप में लागू किया जाता है। यह एक एआई प्रशिक्षण तकनीक है जहां एआई सिस्टम को स्पष्ट लेबलिंग के बिना कच्चे, असंरचित डेटा की समझ बनाने के लिए सिखाया जाता है (जब बारिश हो रही है तो कोई आपको नहीं बताता है, क्या वे /)।

ब्रेन-इंस्पायर्ड AI सिस्टम्स के निर्माण में चुनौतियाँ

हमने इस बारे में बात की है कि एआई सिस्टम के लिए मस्तिष्क को प्रेरणा के रूप में उपयोग करने का दृष्टिकोण कैसे आया, मस्तिष्क एआई से कैसे संबंधित है, और मस्तिष्क से प्रेरित एआई के पीछे मूल सिद्धांत। इस खंड में, हम मानव मस्तिष्क के बाद बनाए गए एआई सिस्टम के निर्माण में निहित कुछ तकनीकी और वैचारिक चुनौतियों के बारे में बात करने जा रहे हैं।

जटिलता

यह काफी चुनौतीपूर्ण चुनौती है। एआई के लिए मस्तिष्क-प्रेरित दृष्टिकोण मस्तिष्क के मॉडलिंग और उस मॉडल के बाद एआई सिस्टम के निर्माण पर आधारित है, लेकिन मानव मस्तिष्क 100 बिलियन न्यूरॉन्स और लगभग 600 ट्रिलियन सिनैप्टिक कनेक्शन (प्रत्येक न्यूरॉन, औसतन 10,000 सिनैप्टिक) के साथ एक अंतर्निहित जटिल प्रणाली है। अन्य न्यूरॉन्स के साथ कनेक्शन), और ये सिनैप्स लगातार गतिशील और अप्रत्याशित तरीके से बातचीत कर रहे हैं। ऐसी एआई प्रणाली का निर्माण करना जिसका उद्देश्य नकल करना है, और उम्मीद से अधिक है, वह जटिलता अपने आप में एक चुनौती है और इसके लिए समान रूप से जटिल सांख्यिकीय मॉडल की आवश्यकता होती है।

बड़े मॉडलों के प्रशिक्षण के लिए डेटा आवश्यकताएँ

Open AI का GPT 4, जो इस समय, टेक्स्ट-आधारित AI मॉडल के अत्याधुनिक मॉडल के लिए 47 GigaBytes डेटा की आवश्यकता होती है, इसकी तुलना में, इसके पूर्ववर्ती GPT3 को 17 गीगाबाइट डेटा पर प्रशिक्षित किया गया था, जो परिमाण के लगभग 3 क्रम कम है, कल्पना कीजिए कि GPT 5 को कितना प्रशिक्षित किया जाएगा।

जैसा कि स्वीकार्य परिणाम प्राप्त करने के लिए सिद्ध किया गया है, ब्रेन-इंस्पायर्ड एआई सिस्टम को विशेष रूप से श्रवण और दृश्य कार्यों के लिए बड़ी मात्रा में डेटा और डेटा की आवश्यकता होती है और यह डेटा संग्रह पाइपलाइनों के निर्माण पर बहुत अधिक जोर देता है, उदाहरण के लिए, टेस्ला ने 780 मिलियन मील ड्राइविंग डेटा और इसकी डेटा संग्रह पाइपलाइन हर 10 घंटे में एक और मिलियन जोड़ती है।

ऊर्जा दक्षता

मस्तिष्क की ऊर्जा दक्षता का अनुकरण करने वाले मस्तिष्क-प्रेरित एआई सिस्टम का निर्माण करना एक बड़ी चुनौती है। मानव मस्तिष्क लगभग 20 वाट बिजली की खपत करता है, इसकी तुलना में, टेस्ला के ऑटोपायलट, विशेष चिप्स पर, प्रति सेकंड लगभग 2,500 वाट की खपत करता है और ChatGPT के आकार के AI मॉडल को प्रशिक्षित करने के लिए 7.5-मेगावाट घंटे (MWh)।

स्पष्टीकरण की समस्या

मस्तिष्क से प्रेरित एआई सिस्टम विकसित करना, जिस पर उपयोगकर्ताओं द्वारा भरोसा किया जा सकता है, एआई के विकास और अपनाने के लिए महत्वपूर्ण है, लेकिन इसमें समस्या निहित है, मस्तिष्क, जिसे एआई सिस्टम के बाद तैयार किया जाना है, अनिवार्य रूप से एक ब्लैक बॉक्स है। मस्तिष्क की आंतरिक कार्यप्रणाली को समझना आसान नहीं है, यह इस बारे में जानकारी की कमी के कारण है कि मस्तिष्क कैसे विचार करता है। मानव मस्तिष्क की जैविक संरचना कैसे होती है, इस पर शोध की कोई कमी नहीं है, लेकिन मस्तिष्क के कार्यात्मक गुणों पर अनुभवजन्य जानकारी की कमी है, अर्थात विचार कैसे बनता है, डेजा वु कैसे होता है, आदि, और यह आगे बढ़ता है। मस्तिष्क से प्रेरित एआई सिस्टम के निर्माण में समस्या के लिए।

अंतःविषय आवश्यकताएँ

मस्तिष्क से प्रेरित एआई सिस्टम के निर्माण के लिए विभिन्न क्षेत्रों के विशेषज्ञों के ज्ञान की आवश्यकता होती है, जैसे; तंत्रिका विज्ञान, कंप्यूटर विज्ञान, इंजीनियरिंग, दर्शनशास्त्र और मनोविज्ञान। लेकिन वहाँ एक चुनौती है, दोनों तार्किक और मूलभूत, इस अर्थ में कि विभिन्न क्षेत्रों के विशेषज्ञों को बहुत ही आर्थिक रूप से कार्य करना, और ज्ञान संघर्ष की समस्या भी है; एक इंजीनियर के लिए यह वास्तव में मुश्किल है कि वह जो निर्माण कर रहा है उसके मनोवैज्ञानिक प्रभावों की परवाह करे, अहं के टकराने की समस्या की बात न करे।

सारांश

अंत में, जबकि मस्तिष्क-प्रेरित दृष्टिकोण एआई सिस्टम के निर्माण का स्पष्ट मार्ग है (हमने क्यों चर्चा की है), यह चुनौतियों से भरा हुआ है लेकिन हम भविष्य को इस आशा के साथ देख सकते हैं कि इन समस्याओं को हल करने के प्रयास किए जा रहे हैं।

संदर्भ