FEATUREDLatestTechnologyஅறிவியல்

META மனித மூளைகளைப் படிப்பதன் மூலம் அதன் AI ஐ மேம்படுத்த விரும்புகிறது

Spread the love

செயற்கை நுண்ணறிவு என்பது மூளையை ஒத்ததாக இருந்தால், உண்மையான செல்களுக்குப் பதிலாக செயற்கை நியூரான்களின் நெட்வொர்க்குகள் உள்ளன, ஆழ்ந்த கற்றல் வழிமுறைகளில் உள்ள செயல்பாடுகளை மனித மூளையில் உள்ளவற்றுடன் ஒப்பிட்டுப் பார்த்தால் என்ன நடக்கும்? கடந்த வாரம், Meta AI இன் ஆராய்ச்சியாளர்கள் நியூரோஇமேஜிங் மையமான நியூரோஸ்பின் (CEA) மற்றும் INRIA உடன் இணைந்து அதைச் செய்ய முயற்சிப்பதாக அறிவித்தனர்.

இந்த ஒத்துழைப்பின் மூலம், அதே எழுதப்பட்ட அல்லது பேசும் உரைகளுக்கு பதிலளிக்கும் விதமாக, மனித மூளையின் செயல்பாடு மற்றும் மொழி அல்லது பேச்சுப் பணிகளில் பயிற்சியளிக்கப்பட்ட ஆழமான கற்றல் வழிமுறைகளை பகுப்பாய்வு செய்ய அவர்கள் திட்டமிட்டுள்ளனர். கோட்பாட்டில், இது மனித மூளை மற்றும் செயற்கை மூளைகள் மொழியில் எவ்வாறு அர்த்தத்தைக் கண்டறிகிறது என்பதை டிகோட் செய்யலாம்.

ஒரு நபர் தீவிரமாக படிக்கும் போது, ​​பேசும் போது அல்லது ஆழமான கற்றல் வழிமுறைகளுடன் கேட்கும் போது மனித மூளையின் ஸ்கேன்களை ஒப்பிடுவதன் மூலம், ஒரே மாதிரியான சொற்கள் மற்றும் வாக்கியங்களை புரிந்துகொள்வதற்கு, ஆராய்ச்சியாளர்கள் மூளை உயிரியலுக்கும் செயற்கைக்கும் இடையிலான முக்கிய கட்டமைப்பு மற்றும் நடத்தை வேறுபாடுகளைக் கண்டறிய நம்புகிறார்கள். நெட்வொர்க்குகள். இயந்திரங்களை விட மனிதர்கள் ஏன் மொழியை மிகவும் திறமையாக செயலாக்குகிறார்கள் என்பதை விளக்க இந்த ஆராய்ச்சி உதவும்.

“நாங்கள் என்ன செய்கிறோம் என்பது மூளையின் செயல்பாட்டை இயந்திர கற்றல் வழிமுறைகளுடன் ஒப்பிட முயற்சிப்பது ஒருபுறம் மூளை எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வது மற்றும் இயந்திர கற்றலை மேம்படுத்த முயற்சிப்பது” என்கிறார் Meta AI இன் ஆராய்ச்சி விஞ்ஞானி Jean-Rémi King. “கடந்த தசாப்தத்தில், AI இல் பொருள் அங்கீகாரம் முதல் தானியங்கி மொழிபெயர்ப்பு வரை பல்வேறு பணிகளில் மிகப்பெரிய முன்னேற்றம் ஏற்பட்டுள்ளது. ஆனால், சரியாக வரையறுக்கப்படாத அல்லது நிறைய அறிவை ஒருங்கிணைக்க வேண்டிய பணிகளுக்கு வரும்போது, இன்று AI அமைப்புகள் மனிதர்களுடன் ஒப்பிடும்போது மிகவும் சவாலானதாகவே இருக்கிறது.

இதைச் செய்ய, அவர்கள் எஃப்எம்ஆர்ஐ மற்றும் மேக்னெட்டோஎன்செபலோகிராபி போன்ற முழு மூளை இமேஜிங் நுட்பங்களைப் பயன்படுத்துகின்றனர் (மில்லிசெகண்ட் வரையிலான தனிப்பட்ட சொற்கள் மற்றும் வாக்கியங்களுக்கு பதிலளிக்கும் வகையில் மூளையின் செயல்பாட்டைக் கண்டறியப் பயன்படும் நுட்பம்). இது வார்த்தைகளுக்கு மூளையின் பதிலை நேரத்தின் செயல்பாடாக கண்காணிக்க அனுமதிக்கிறது. மூளையை விரிவாகக் கவனிப்பது, “நாய்” அல்லது “டேபிள்” போன்ற ஒரு வார்த்தையைக் கேட்கும்போது எந்த மூளைப் பகுதிகள் செயலில் உள்ளன என்பதைக் கண்டறிய ஆராய்ச்சியாளர்களை அனுமதிக்கும் (உதாரணமாக, இது மனிதர்களுக்கு உருவகங்களை அல்லது வெர்னிக்கின் பகுதியைப் புரிந்துகொள்ள உதவும் கோணக் கைரஸாக இருக்கலாம். ஒலிகளின் அர்த்தங்களை செயலாக்குகிறது). பின்னர், அவர்கள் பகுப்பாய்வு செய்யும் மூளையின் பகுதியைப் போலவே செயல்படுகிறதா என்பதைப் பார்க்க அல்காரிதத்தை ஆய்வு செய்யலாம். எடுத்துக்காட்டாக, ஆர்வமுள்ள வார்த்தையிலிருந்து AI என்ன பண்புகளை எடுக்கிறது? அந்த வார்த்தை எப்படி ஒலிக்கிறது அல்லது முன்பு எப்படி பயன்படுத்தப்பட்டது?

முந்தைய ஆராய்ச்சியில், காட்சிப் பிரதிநிதித்துவங்கள், வார்த்தை உட்பொதிப்புகள் மற்றும் மொழி மின்மாற்றிகளுக்கு அல்காரிதம்கள் செயல்படுவதைப் போலவே மூளையின் பகுதிகளையும் அவர்களால் அவதானிக்க முடிந்தது. எடுத்துக்காட்டாக, பிக்சல்களை எழுத்துகளாக மாற்றி, மூளையில் உள்ள காட்சிப் பகுதியுடன் தொடர்புடைய செயல்பாடுகளை உருவாக்கும் வழிமுறைகள், எழுத்துக்களை அடையாளம் காண பயிற்சி பெற்றதாக கிங் குறிப்பிடுகிறார்.

பிப்ரவரியில் கம்யூனிகேஷன்ஸ் பயாலஜி இதழில் வெளியிடப்பட்ட ஒரு ஆய்வில், மெட்டா AI ஆராய்ச்சியாளர்கள் வாக்கியத்தின் சூழலில் இருந்து தடுக்கப்பட்ட வார்த்தையைக் கணிக்க பயிற்சியளிக்கப்பட்ட ஆழமான கற்றல் வழிமுறைகள் அந்த அம்சம் இல்லாத மற்ற அல்காரிதம்களுடன் ஒப்பிடும்போது மனித மூளையைப் போலவே செயல்படுகின்றன.

“இது எங்களுக்கு ஒரு வலுவான சமிக்ஞையாகும் – கடந்த காலத்தின் எதிர்காலத்தை கணிக்க முயற்சிப்பது மனித மூளை என்ன செய்ய முயற்சிக்கிறது என்பதைப் போன்றது” என்று கிங் கூறுகிறார்.

இந்த மாதிரிகள் சூழலின் அடிப்படையில் விடுபட்ட வார்த்தையைக் கணிக்காமல் பலவிதமான பணிகளைச் சிறப்பாகச் செய்ய முடியும். “ஆழமான கற்றல் வழிமுறைகளை உருவாக்க நாம் பின்பற்ற வேண்டிய பாதை இதுதான்” என்று கிங் கூறுகிறார். ஆனால் இன்னும் கேள்விகள் உள்ளன. குறிப்பாக, மொழியைக் கற்றுக்கொள்வதில் திறமையானவர்களாக நாம் வளரும்போது கலாச்சார தாக்கங்களுக்கு மாறாக, நம் மூளையில் உள்ள உள்ளார்ந்த கட்டமைப்புகள் எந்த அளவிற்கு நமக்குத் தேவை? மொழி மாதிரியை வேலை செய்ய உண்மையில் எவ்வளவு தரவு மற்றும் அளவுருக்கள் தேவை?

“குழந்தைகள் ஓரிரு வருடங்களுக்குள் பேசக் கற்றுக்கொள்கிறார்கள், இது AI அமைப்புகள் பொதுவாகப் பயிற்றுவிக்கப்பட்டவற்றுடன் இந்த வகையான தரவை ஒப்பிட்டுப் பார்த்தால், மிகச் சிறிய அளவிலான வாக்கியங்கள் [அவர்கள் அணுகக்கூடியவை]” என்கிறார் கிங். “எங்கள் மூளைக்குள் கட்டமைப்புகள் இருப்பதாக இது அறிவுறுத்துகிறது, இது மக்கள் தெரிவிக்க முயற்சிக்கும் அர்த்தத்தை மொழியிலிருந்து பிரித்தெடுப்பதில் மிகவும் திறமையாக இருக்க அனுமதிக்கிறது.”

AI அமைப்புகள், மறுபுறம், பொதுவான பணிகளுக்கு மாறாக, குறிப்பிட்ட பணிகளில் மிகவும் சிறப்பாக உள்ளன. இருப்பினும், பணி மிகவும் சிக்கலானதாக இருந்தாலும், அது இன்னும் குறிப்பிட்டதாக இருந்தாலும், அல்லது “உலகம் எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்வதற்கு வெவ்வேறு நிலைகளின் பிரதிநிதித்துவங்களைக் கொண்டுவருவது தேவைப்பட்டாலும், ஒரு வழியில் அல்லது வேறு வழியில் சிந்திக்க மக்களைத் தூண்டுகிறது” என்று கிங் கூறுகிறார். . எடுத்துக்காட்டாக, சில இயற்கை மொழி செயலாக்க மாதிரிகள் இன்னும் தொடரியல் மூலம் தடுமாறுகின்றன என்று அவர் குறிப்பிடுகிறார். “அவை பல தொடரியல் அம்சங்களைப் பிடிக்கின்றன, ஆனால் இடையில் சில உள்ளமை தொடரியல் கட்டமைப்புகள் இருக்கும்போது சில நேரங்களில் பொருள் மற்றும் வினைச்சொல்லை இணைக்க முடியாது. இதுபோன்ற செயல்களைச் செய்வதில் மனிதர்களுக்கு எந்தப் பிரச்சினையும் இல்லை.

“தகவலின் அடர்த்தியும் அது கொண்டு செல்லக்கூடிய ஆழமும் மொழியின் குறிப்பிடத்தக்க அம்சமாகும்” என்று கிங் மேலும் கூறுகிறார். இது இன்றைய AI இல் இல்லாத ஒன்று மற்றும் நாம் தெரிவிக்க முயற்சிப்பதை அவர்களால் எப்போதும் புரிந்து கொள்ள முடியாது என்பதை விளக்க முடியும். சில வார்த்தைகள் அல்லது சொற்றொடர்களுக்கான உணர்ச்சி அல்லது சூழ்நிலை சூழலைப் புரிந்துகொள்வதோடு, ஒரு சிக்கலைப் பற்றிய பொதுவான அறிவைப் பெறுவது, ஒரு நாள் எதிர்கால மெய்நிகர் உதவியாளர்களுக்கு சக்தி அளிக்கக்கூடிய சிறந்த இயற்கையான உரையாடல் AI அமைப்புகளை உருவாக்குவதற்கு முக்கியமாக இருக்கலாம்.

இயற்கையான மொழி செயலாக்க மாதிரிகளைப் பொறுத்தவரை—உண்மையில் மொழியைப் புரிந்துகொள்ள முயற்சிக்கும் மென்பொருளான—மெட்டா ஏஐயின் ஒரு தனிக் குழு, மில்லியன் கணக்கான மற்றும் பில்லியன் கணக்கான அளவுருக்கள் கொண்ட திறந்த மூல மின்மாற்றி அடிப்படையிலான மொழி மாதிரிகளின் தொகுப்பை உருவாக்குகிறது. சிறிய மாதிரிகள் இயங்குவதற்கு குறைந்த ஆற்றலை எடுத்துக்கொள்கின்றன, ஆனால் சிக்கலான உரைகளில் திறமை குறைவாக இருக்கும் மற்றும் துல்லியமாக இல்லை. 175 பில்லியன் அளவுருக்களைக் கொண்ட மிகப்பெரிய மாடல், GPT-3 போன்ற பிற தொழில் மொழி மாதிரிகளைப் போலவே உள்ளது. மாடல்களை எவ்வாறு உருவாக்கினார்கள் மற்றும் பயிற்சி செய்தார்கள் என்பதை விவரிக்கும் தொடர்புடைய பதிவு புத்தகத்தையும் குழு வெளியிட்டது.

ஒரு மின்மாற்றி-அடிப்படையிலான மாதிரியானது “தகவலின் வரிசைகளை பிரதிநிதித்துவப்படுத்துவதற்கான பயிற்சி பெற்ற பொறிமுறையையும், தரவுகளில் கவனம் செலுத்த வேண்டிய இடத்தில் கவனம் செலுத்துவதற்கான ஒரு பொறிமுறையையும் பயன்படுத்துகிறது. இது சுய மேற்பார்வை கற்றல் முறையில் பயிற்றுவிக்கப்படுகிறது. எனவே நீங்கள் தரவின் ஒரு பகுதியை மறைத்து, அதை நீங்கள் கணித்து, நீங்கள் சொல்வது சரியா இல்லையா என்பதைப் பார்க்க அது என்ன என்பதை வெளிப்படுத்துங்கள். அது தவறாக இருந்தால், நீங்கள் உங்கள் நெட்வொர்க் மூலம் மீண்டும் பிரச்சாரம் செய்யுங்கள்” என்று மெட்டா ஏஐ ரிசர்ச் லேப்ஸின் இயக்குனர் ஜோயல் பினோ விளக்குகிறார். “இது கூடுதல் சூழலை எடுக்கவில்லை, அறிவு வரைபடத்தைப் பயன்படுத்தவில்லை. இது பயிற்சியளிக்கப்பட்ட தரவுத்தொகுப்பின் அடிப்படையில் ஒரு மொழியில் சொற்களின் விநியோகத்தைப் பார்க்கிறது.”

சாட்போட்கள், உரையாடல் முகவர்கள், இயந்திர மொழிபெயர்ப்பு மற்றும் உரை வகைப்பாடு ஆகியவற்றிற்கு நல்ல மொழி மாதிரியைக் கொண்டிருப்பது ஒரு முக்கிய அங்கமாகும், எடுத்துக்காட்டாக, வாடிக்கையாளர் சேவை கேள்விகளை வரிசைப்படுத்த இதைப் பயன்படுத்தலாம். “நீங்கள் பயன்படுத்தும் மொழி மாதிரி மிகவும் பணக்காரமாக இருந்தால், இந்த பயன்பாடுகள் அனைத்தும் மிகவும் சிறப்பாக இருக்கும்” என்று பினோ கூறுகிறார்.

கூகுளைப் போலவே, இந்த பெரிய AI அமைப்புகளின் நடத்தைகள் மற்றும் நெறிமுறை தாக்கங்களைப் படிப்பவர்கள் உட்பட, பிற ஆராய்ச்சியாளர்களிடமிருந்து கருத்துக்களைப் பெற Meta AI அவர்களின் மொழி மாதிரிகளை ஓப்பன் சோர்சிங் செய்கிறது. “கருப்புப் பெட்டி” போன்று அடிக்கடி செயல்படும் அமைப்புகளை மிகவும் வெளிப்படையானதாக மாற்ற இது அவர்களுக்கு உதவும் என்று Pineau நம்புகிறார்.

மெட்டா AI இல், மூளையின் செயல்பாட்டு ஆராய்ச்சி மற்றும் மொழி மாதிரிகளை உருவாக்குதல் ஆகிய இரண்டும் AI தொடர்பான பல செயல்பாடுகளில் ஆய்வு செய்யப்படுகின்றன. மற்ற குறிப்பிடத்தக்க திட்டங்கள் கணினி பார்வை, ரோபாட்டிக்ஸ் மற்றும் வீடியோ உட்பட, உணர்தல்-செயல் தொடர்பான பகுதிகளில் கவனம் செலுத்துகின்றன. கூடுதலாக, AI ஆராய்ச்சிக்காக ஒரு சூப்பர் கம்ப்யூட்டரில் Meta முதலீடு செய்கிறது. இப்போதைக்கு, இந்த ஆராய்ச்சி தலைப்புகளில் பல ஒன்றுக்கொன்று தனித்தனியாக இருப்பதாக பினோ கூறினாலும், அவை அனைத்தும் இறுதியில் ஒன்றுடன் ஒன்று மற்றும் மெட்டாவெர்ஸில் ஒன்றிணைவதற்கான வாய்ப்புகள் அதிகம்.

Leave a Reply