सामग्री
- 1. एआयमध्ये बुद्धिमान रोबोट्स किंवा अँड्रॉइड्स आहेत जे मानवांसारखे दिसतात.
- २. एआय, मशीन लर्निंग आणि सखोल शिक्षण या सर्व गोष्टी समान आहेत.
- AI. एआय स्वतःच पूर्णपणे शिकतो.
- Chat. चॅटबॉट्स हे एआय चे सर्वात मूलभूत रूप आहे.
- Future. भविष्यातील सखोल-शिक्षण प्रक्रिया पार पाडण्यासाठी आवश्यक असुरक्षितता अयोग्य आहे.
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- 6. एंटरप्राइझला एआय ऑपरेशनसाठी आवश्यक संगणकीय शक्ती भाड्याने देणे सोपे आहे.
- 7. एआय प्रशिक्षित करण्यासाठी आपल्याकडे अफाट प्रमाणात डेटा आवश्यक आहे.
- 8. एआय विद्यमान बीआय साधने पुनर्स्थित करेल, मागील तंत्रज्ञान अप्रचलित बनविते.
- 9. तंत्रिका नेटवर्क जैविक नेटवर्कसारखे आहेत परंतु यांत्रिक आहेत.
- १०. अखेरीस हे समजून घेण्यासाठी एआय इतका हुशार होईल की मानवांसाठी हे धोकादायक आहे आणि ते नष्ट केले जाणे आवश्यक आहे.
स्रोत: यूएसए पायॉन / ड्रीमस्टाइम.कॉम
टेकवे:
एआय एक गरम तंत्रज्ञान आहे, परंतु बर्‍याच लोकांमध्ये ते नेमके काय आहे यावर गैरसमज आहेत. येथे आम्ही एआयच्या आसपासच्या काही दंतकथांवर नजर टाकतो आणि वस्तुस्थितीची तपासणी करतो.
प्रत्येकजण एआय बद्दल का बोलत आहे, तरीही आपल्याकडे अजूनही “स्टार ट्रेक” मधील डेटासारखे मैत्रीपूर्ण रोबोट्स माणसांमध्ये फिरताना दिसत नाहीत. रोबोकॉपचा दुसरा प्राइम डायरेक्टिव्ह त्यांच्या स्क्रिप्ट्ट नमुन्यांमध्ये जोडणे आपल्या लक्षात आले आहे जेणेकरून ते पूर्ण भावना निर्माण झाल्यावर माणुसकीचा संहार करण्याऐवजी "निरागसांना" संरक्षण देऊ शकतील?
कृत्रिम बुद्धिमत्ता (एआय), मशीन लर्निंग आणि सखोल शिक्षण प्रत्यक्षात काय आहेत, "इंटेलिजेंट मशीन्स" काय करू शकतात आणि प्रत्यक्षात एआय तंत्रज्ञानाची सध्याची स्थिती काय आहे याबद्दल आज बरेच संभ्रम आहेत. काही चांगल्या जुन्या डीबँकिंगचा आनंद घेण्याची वेळ आली आहे, तर मग एआय बद्दलच्या 10 सर्वात सामान्य दंतकथा पाहू या. (एआयच्या संभाव्य भविष्याबद्दल अधिक जाणून घेण्यासाठी, एआय क्रांती सार्वत्रिक उत्पन्न आवश्यक बनवित आहे का?)
1. एआयमध्ये बुद्धिमान रोबोट्स किंवा अँड्रॉइड्स आहेत जे मानवांसारखे दिसतात.
इथल्या प्रत्येकासाठी खूप "ब्लेड रनर", हं? रोबोटिक्स आणि एआय मध्ये बरेच सामान्य गोंधळ असले तरीही, ते दोन भिन्न भिन्न विज्ञान क्षेत्रे आहेत जी वेगवेगळ्या उद्देशांसाठी आहेत. रोबोट्स फॅक्टरीमधील उत्पादने बनविणे, वाहून नेणे किंवा नष्ट करणे यासारख्या विस्तृत कार्य करण्यासाठी अ‍ॅक्ट्युएटर्स आणि सेन्सरद्वारे दिलेली भौतिक साधने आहेत.
एआय एक सॉफ्टवेअर असा प्रोग्राम आहे की निर्णय घेणे आणि त्यातील चुका जाणून घेण्यासाठी हे पुरेसे स्वायत्त आहे. जरी काही रोबोट अखेरीस एआय अल्गोरिदम द्वारे वर्धित केले जाऊ शकतात, परंतु "बुद्धिमत्ता" भाग एआयकडे असलेली एक अतिरिक्त क्षमता आहे.
२. एआय, मशीन लर्निंग आणि सखोल शिक्षण या सर्व गोष्टी समान आहेत.
जरी ते समान मोठ्या एआय सिस्टमचे सर्व भाग आहेत, तरीही त्या तीन भिन्न गोष्टी आहेत. मूलभूतपणे, मशीन लर्निंग ही एक पद्धत आहे ज्याद्वारे एआय बाह्य स्रोतांकडून शिकते, जसे की डेटा भेदभाव करण्यासाठी आणि त्याचे योग्य वर्तन निर्धारित करण्यासाठी अल्गोरिदम वापरण्याद्वारे. मशीन शिक्षणच्या व्यावहारिक अनुप्रयोगांमध्ये डीप लर्निंग हे फक्त एक संभाव्य तंत्र आहे. हे न्यूरल नेटवर्क्स (एनएन) वर आधारित आहे आणि योग्य निर्णय घेण्याबद्दल त्याची संभाव्यता काय आहे हे एआईला सांगण्यासाठी वापरली जाते.
AI. एआय स्वतःच पूर्णपणे शिकतो.
एआय बद्दल काही अतिशयोक्तीपूर्ण प्रचार असूनही तो स्वतःच शिकू शकला होता, तरीही एआय-शक्तीने चालणारी प्रणाली शोधणे अशक्य आहे ज्यामध्ये अशी कोणतीही वास्तविक-जगातील अनुप्रयोग आहे जी मानवी मदतीशिवाय शून्य ज्ञानापासून वाढू शकते. छुपी माहिती किंवा कोणत्याही प्रकारच्या अनिश्चिततेचा सामना करणारी कोणतीही प्रणाली एआयद्वारे "समजू शकत नाही", ज्यास अद्याप मनुष्यांनी इनपुट आणि डेटा दिले जाणे आवश्यक आहे. तसेच, प्रत्येक माहितीचा एक स्पष्ट हेतू असणे आवश्यक आहे, जे बाह्य स्रोताशिवाय एआय अंदाज करू शकत नाही (सुरुवातीला नाही, किमान).
Chat. चॅटबॉट्स हे एआय चे सर्वात मूलभूत रूप आहे.
पुन्हा, तेथे काही चॅटबॉट्स आढळून आल्या आहेत ज्या एआयच्या कमी-अधिक प्राथमिक स्वरूपाचा वापर करतात, त्यापैकी बहुतेक मूलभूत प्रोग्राम्सशिवाय काही नसतात जे मानवांशी किंवा व्हॉईस इंटरफेसद्वारे संवाद साधतात. प्रत्यक्षात "हुशार" असण्याऐवजी बर्‍याच चॅटबॉट्समध्ये प्रीप्रोग्राम प्रतिसाद असतात जे वापरकर्त्याच्या इनपुटमधील विशिष्ट कीवर्डला प्रतिसाद म्हणून दिले जातात. चॅटबॉट खरा एआय होण्यासाठी, त्यात अनेक तंत्रज्ञान असले पाहिजेत ज्यामुळे ते माणसाला समजून घेण्यास, त्याच्या गरजा जाणून घेण्यास आणि त्यानुसार प्रतिक्रिया देण्यास अनुमती देते. यासाठी व्हॉईस किंवा मान्यता सॉफ्टवेअर, भावना विश्लेषण, मशीन शिक्षण कार्यक्रमाचे काही प्रकार आणि एक नैसर्गिक भाषा निर्मिती तंत्रज्ञान आवश्यक आहे. (चॅटबॉट्स विषयी अधिक जाणून घेण्यासाठी, आम्ही भविष्यात एंटरप्रायजेस चॅटबॉट्स कसे वापरतील हे आम्ही आयटी प्रोंना विचारले. त्यांनी काय म्हटले आहे ते येथे आहे.)
Future. भविष्यातील सखोल-शिक्षण प्रक्रिया पार पाडण्यासाठी आवश्यक असुरक्षितता अयोग्य आहे.
हे निर्विवाद आहे की एआयला प्रशिक्षित करण्यासाठी आणि त्याच्या सर्व जटिल सखोल ऑपरेशन्ससाठी भरपूर अतिरिक्त संगणकीय शक्ती आवश्यक आहे. भविष्यात जिथे बहुतेक उपक्रम काही प्रमाणात एआय चा वापर करतात, ही समस्या महाकाव्य प्रमाणात वाढू शकते आणि त्याचा वापर संभाव्यत: असुरक्षित बनतो. तथापि, एआय आम्हाला खरोखर प्रदान करू शकेल अधिक उर्जा उत्पादनाची बारमाही समस्या कडक करून उर्जा: पॉवर ग्रिड्सचा कचरा आणि अकार्यक्षमता. युटिलिटी कंपन्या खाजगी वापरकर्त्यांकडून जास्तीची उर्जा खरेदी केली आहेत, जे सध्याच्या ग्रीड्सना आधुनिकतेच्या विविधतेत सामावून घेण्यासाठी तयार केलेली नसल्यामुळे निर्माण होणा excess्या अतिरीक्त विजेचादेखील अपव्यय करतात. जुन्या ग्रीड्सना नवीन, स्मार्ट, एआय-शक्तीयुक्त मायक्रोग्रिड्स बदलून एआय आमच्या बचावात येऊ शकते ज्यास वास्तविक कार्यक्षमतेसह वास्तविक वेळी वीज कसे वितरित करावे हे माहित असते.
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
6. एंटरप्राइझला एआय ऑपरेशनसाठी आवश्यक संगणकीय शक्ती भाड्याने देणे सोपे आहे.
... जर एडब्ल्यूएस, गूगल, मायक्रोसॉफ्ट आणि अलिबाबा क्लाऊड सध्या जगात उपलब्ध असलेल्या संगणकीय उर्जेचा बहुतांश भाग मध्यभागी आणत नाहीत. म्हणून एआय विकसकांकडे सध्या दोनच पर्याय आहेत: ते अपवादात्मक उच्च दराने भाड्याने घेणे किंवा त्यांचे स्वतःचे सुपर-महाग हार्डवेअर खरेदी करणे.
तथापि, ही मान्यता आहे की नजीकच्या भविष्यात हे मिथक-डीबँकिंग असू शकते ... टाटाऊ नावाच्या नवीन कंपनीने ब्लॉकचेन-आधारित सुपरकॉमपोर्टिंग प्लॅटफॉर्म विकसित केला ज्यामुळे हा प्रश्न सुटू शकेल. त्यांचे समाधान जीपीयू-आधारित मशीनच्या जागतिक स्तरावर वितरित नेटवर्कच्या एकत्रित संसाधनांचे एकत्रिकरण आणि पुनर्विक्री करण्यास अनुमती देते. क्रिप्टोकरन्सी खाण कामगार, गेमर किंवा इतर उच्च-कार्यक्षम संगणकांची एआय विकासासाठी त्यांची गणना शक्ती समर्पित करण्याची कल्पना करा. एआय कंपन्या त्यांच्या मशीन लर्निंग मॉडेल्सना अधिक स्वस्त किंमतीवर प्रशिक्षण देण्यासाठी GPU पॉवरच्या या निर्विवाद स्रोतामध्ये टॅप करू शकतात. लक्षात ठेवा की हे नवीन व्यासपीठ 5 व्या बिंदूमध्ये ठळक केलेल्या समस्येचे उत्तर देखील देऊ शकते कारण ते सध्या न वापरलेल्या संसाधनांच्या कार्यक्षम वापरास प्रोत्साहित करते.
7. एआय प्रशिक्षित करण्यासाठी आपल्याकडे अफाट प्रमाणात डेटा आवश्यक आहे.
गरजेचे नाही. नक्की, आपल्याला आवश्यक आहे खूप एआय प्रशिक्षित करण्यासाठी डेटा आणि संगणकीय शक्ती शून्यापासून. आणि, थोड्याफार प्रमाणात, कार चालविणे यासारखे जटिल कार्य करण्यासाठी एआयला प्रशिक्षण देण्यासाठी आपल्याकडे टेराबाइट डेटा आवश्यक आहे. तथापि, एआयच्या अनुप्रयोगाच्या क्षेत्रावर अवलंबून, पूर्व-प्रशिक्षित न्यूरल नेटवर्क केवळ काही विशिष्ट भागात पुन्हा प्रशिक्षित करणे पुरेसे लवचिक आहे. मूलभूत डेटा फ्रेमवर्क एका मोठ्या, अधिक सामान्य डेटा सेटमधून येऊ शकतो, ज्यामध्ये दिलेल्या वापराच्या बाबतीत विशिष्ट "रिक्त जागा भरण्यासाठी" नेटवर्कचा शेवटचा भाग बदलला जाणे आवश्यक आहे.
8. एआय विद्यमान बीआय साधने पुनर्स्थित करेल, मागील तंत्रज्ञान अप्रचलित बनविते.
थोडक्यात सांगायचं तर, थोड्या वेळापर्यंत. बहुतेक आधुनिक व्यवसाय बुद्धिमत्ता (बीआय) सोल्यूशन्स अत्यंत स्केलेबल आणि बर्‍याचदा सानुकूल करण्यायोग्य असतात, जेणेकरून भविष्यातील एआय-आधारित मॉडेल सहजपणे त्यांच्या प्लॅटफॉर्ममध्ये एकत्रित केले जाऊ शकते. कंपन्या नेहमीच फक्त अशा निराकरणाची अंमलबजावणी करण्यास प्राधान्य देतात जे कार्यप्रवाहात व्यत्यय आणण्यासाठी कोणत्याही जोखीमशिवाय येतात आणि एआय तंत्रज्ञानाने या आवश्यकतेनुसार रुपांतर केले. म्हणूनच, बहुतेक एआय प्लॅटफॉर्म वेबद्वारे अंमलात आणले जातात म्हणून कोणतीही बदलण्याची आवश्यकता नसते किंवा सर्वात वाईट परिस्थितीत टप्प्याटप्प्याने सुरक्षितपणे अंमलात आणता येते.
9. तंत्रिका नेटवर्क जैविक नेटवर्कसारखे आहेत परंतु यांत्रिक आहेत.
कोणत्याही मेंदूच्या नेटवर्कमध्ये मानवी मेंदूच्या जटिलतेच्या अपूर्णांकापर्यंत पोहोचण्याची आशा देखील असू शकत नाही. अनेक वर्षे क्लिनिकल आणि वैज्ञानिक संशोधन असूनही, आम्ही अद्यापही जैविक न्यूरल नेटवर्क त्यांच्या पूर्ण प्रमाणात समजण्यास अयशस्वी ठरतो कारण न्यूरॉन्स मानवी शरीरावर असंख्य कार्ये पूर्ण करतात (सेन्सररी आणि मोटर न्यूरॉनमधील फरकाबद्दल विचार करतात) आणि त्याद्वारे माहिती प्रसारित करतात. बर्‍याच भिन्न मार्ग (वीज, रासायनिक संभाव्यता आणि न्यूरोट्रांसमीटर वापरुन). ट्यूरिकल 1 किंवा 0 ("होय" किंवा "नाही") मशीन फॅशनमधील न्यूरल नेटवर्क फक्त अगदी सोप्या इनपुट समजून घेऊ शकतात. हे सैनिकी विमानाच्या जटिलतेची पतंगशी तुलना करण्यासारखेच आहे कारण ते दोघेही उड्डाण घेऊ शकतात.
१०. अखेरीस हे समजून घेण्यासाठी एआय इतका हुशार होईल की मानवांसाठी हे धोकादायक आहे आणि ते नष्ट केले जाणे आवश्यक आहे.
बरं, आपण ही पुराणकथा खोटी ठरवू शकत नाही कारण ती एक मिथक नाही. हे एक वास्तव आहे. स्वत: ला ब्रेस लावा, कारण प्रतिकार व्यर्थ आहे!
विनोद बाजूला ठेवल्यास, एआयजवळ स्वत: च्या आसपासचे जग समजून घेण्यासाठी आणि स्वायत्त, तर्कशुद्ध निर्णय घेण्यासाठी आवश्यक असलेल्या बुद्धिमत्तेजवळ कोठेही नाही. प्रत्येक अल्गोरिदम एक कार्य करण्यासाठी विकसित केला गेला आहे आणि त्याशिवाय काहीही करण्यास सक्षम नाही, स्वतंत्रपणे विचार करण्याची क्षमता येऊ द्या. तुलनेने सोप्या प्रश्नांवर तोडगा काढण्यासाठी संगणक त्यांच्या उत्कृष्ट संगणकीय शक्तींचा "क्रूर शक्ती" वापरतात, परंतु ज्या प्रोग्रामसाठी आपण प्रोग्राम केले त्यामागे हेतू असण्यासाठी समज, समज आणि समजूतदारपणाची कमतरता नसते.
म्हणून सहज विश्रांती घ्या, कारण एआय केवळ आपल्या कृत्रिम मदतनीस आणि सेवकांशिवाय बरेच काही असेल, दीर्घ काळासाठी.