Read Time:34 Minute
ഡോ. ജിജോ പി.യു.
ഭൗതികശാസ്ത്ര അധ്യാപകൻ, കാസര്‍ഗോഡ് ഗവ. കോളേജ്
“അടുത്ത ഒരു ദശകത്തിനുള്ളിൽ എല്ലാ രോഗങ്ങളുടെയും അവസാനം ഉണ്ടായേക്കാം,” ഗൂഗിളിന്റെ എഐ ഗവേഷണ വിഭാഗമായ ഡീപ്മൈൻഡിന്റെ സിഇഒയും 2024-ലെ രസതന്ത്ര നോബൽ സമ്മാന ജേതാവുമായ ഡെമിസ് ഹസാബിസിന്റെ വാക്കുകളാണ്. ഇതൽപ്പം അതിശയോക്തിപരമെന്ന് തോന്നിയേക്കാമെങ്കിലും നിലവിൽ എഐ സാങ്കേതികവിദ്യ ശാസ്ത്രഗവേഷണത്തിൽ വഹിക്കുന്ന പങ്ക് മനസ്സിലാക്കുന്നവർക്ക് ഇതിൽ അല്പം കാര്യമുണ്ടെന്ന് മനസ്സിലാകും.
ട്രാൻസ്ഫോർമർ മോഡലുകളിൽ അധിഷ്ഠിതമായ അറ്റൻഷൻ മെക്കാനിസം ഉപയോഗിക്കുന്ന ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ വികസിച്ചതോടെ നിർമിതബുദ്ധി എന്നാൽ മനുഷ്യരുടെ എല്ലാ കഴിവുകളും ആർജ്ജിക്കാൻ ശേഷിയുള്ള, നമ്മുടെ തൊഴിലുകൾ എല്ലാം ചെയ്യാൻ പ്രാപ്തിയുള്ള യന്ത്രങ്ങൾ ഉള്ള ഒരു ഭാവി ആസന്നമാണെന്നു പൊതുജനം കരുതുന്ന ഒരു കാലമാണിത്. അത്തരത്തിൽ എല്ലാക്കാര്യങ്ങൾക്കും പരിഹാരം നിർദ്ദേശിക്കുന്ന, മനുഷ്യർ എടുക്കാൻ പോകുന്ന തൊഴിൽ സമയം കുറയ്ക്കുന്ന, നമുക്കുണ്ടാവുന്ന എല്ലാ അസുഖങ്ങളും സുഖപ്പെടുത്താൻ ശേഷിയുള്ള, നമ്മെ പഠിപ്പിക്കുന്ന ഒന്നായി മാറിയിട്ടുണ്ടോ നിർമിതബുദ്ധി? അക്കാര്യത്തിലേക്ക് വെളിച്ചം വീശുന്ന ഒന്നാണ് ഈ ലേഖനം.
2025ൽ എഐ ശരാശരി മനുഷ്യനേക്കാൾ ബുദ്ധിമാനായിരിക്കുമെന്നത് തള്ളിക്കളയേണ്ട ഒരു പ്രസ്താവനയല്ല. നിലവിലുള്ള എഐ സിസ്റ്റങ്ങൾ ഇതിനകം തന്നെ സ്മാർട്ട് ആണെന്ന് പലരും വിശ്വസിക്കുന്നു. എന്നാൽ തുല്യമായ ഒരു പ്രധാന ചോദ്യത്തിന് ഉത്തരം നൽകേണ്ടതുണ്ട്: ഈ സിസ്റ്റങ്ങൾക്ക് ശരാശരി മനുഷ്യനേക്കാൾ യുക്തിസഹമായിരിക്കാൻ കഴിയുമോ?
“മനുഷ്യനെ ചെസ്സിൽ തോൽപ്പിക്കാനോ ഉയർന്ന ഗണിത പ്രശ്നങ്ങൾ നിർധാരണം ചെയ്യാനോ പ്രാപ്തിയുള്ള എഐ മോഡലുകൾ ഉണ്ടാക്കാൻ എളുപ്പമാണ്, എന്നാൽ ഒരു ചെറിയ കുട്ടിക്ക് സാധിക്കുന്ന നിസാര ജോലികൾ ചെയ്യാൻ സാധിക്കുന്ന യന്ത്രങ്ങൾ ഉണ്ടാക്കാൻ വളരെ പ്രയാസവുമാണ്.” 1980-കളിൽ പ്രമുഖ ഗവേഷകർ രൂപപ്പെടുത്തി കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞനായ ഹാൻസ് പീറ്റർ മൊറാവെക്കിന്റെ പേരിൽ അറിയപ്പെടുന്ന ഒരു പ്രസ്താവനയാണിത് (Moravec’s Paradox). റോബോട്ടിക്സിന്റെ കാര്യത്തിലാണ് ഈ വൈരുദ്ധ്യം ഉരുത്തിരിഞ്ഞതെങ്കിലും ഇക്കാലത്ത് നിർമിതബുദ്ധി സാങ്കേതികവിദ്യയെ സർവത്തിനും പരിഹാരമായി കരുതപ്പെടുമ്പോൾ നമുക്ക് ആ വീക്ഷണകോണിലൂടെ ഇതിനെ ഒന്ന് വിലയിരുത്തി നോക്കാം.
മനുഷ്യർ ആർജ്ജിച്ച ലോജിക്കൽ റീസണിംഗും ഗണിതവും മറ്റും പരിണാമത്തിലെ പതിനായിരക്കണക്കിന് വർഷങ്ങൾക്കുള്ളിൽ മാത്രം നടന്ന താരതമ്യേന സമീപകാല സംഭവവികാസങ്ങളാണ്. എന്നാൽ നൂറുകണക്കിന് ദശലക്ഷക്കണക്കിന് വർഷങ്ങളിലെ പരിണാമത്തിലൂടെ ആർജ്ജിച്ചവയാണ് നമ്മുടെ ഇന്ദ്രിയ ജ്ഞാനവും ശരീരാവയവങ്ങൾ വിവിധ ആവശ്യങ്ങൾക്കായി പ്രവർത്തിപ്പിക്കാനുള്ള കഴിവും. ഈ ജോലികൾക്കായി നമ്മുടെ മസ്തിഷ്കം വളരെ സൂക്ഷ്മമായി ക്രമീകരിച്ചിരിക്കുന്നു. അതിനാൽ അടുത്ത കാലത്ത് നമ്മൾ ആർജ്ജിച്ച കഴിവുകൾ കമ്പ്യൂട്ടറുകൾക്ക് പകർന്നു കൊടുക്കാൻ എളുപ്പമാണെങ്കിൽ മനുഷ്യൻ ഒരു ജീവി എന്ന നിലയിൽ അതിജീവിക്കാൻ ആർജ്ജിച്ച കഴിവുകൾ കമ്പ്യൂട്ടർ ഭാഷയിൽ എഴുതുകയെന്നത് എളുപ്പമല്ല. അതിനാൽ നമുക്ക് “എളുപ്പം” എന്ന് തോന്നുന്ന ജോലികൾ – ഒരു പന്ത് എറിഞ്ഞ് പിടിക്കുക, വെറുതെ നടക്കുക അല്ലെങ്കിൽ നമ്മുടെ വളർത്തു നായയെ തിരിച്ചറിയുക തുടങ്ങിയ നിസ്സാര കാര്യങ്ങളൊക്കെ എഐക്ക് വളരെ ബുദ്ധിമുട്ടാണ്.
ഉയർന്ന തലത്തിലുള്ള യുക്തിക്ക് താരതമ്യേന കുറച്ച് കണക്കുകൂട്ടൽ ആവശ്യമാണെങ്കിലും താഴ്ന്ന നിലയിലുള്ള സെൻസറിമോട്ടർ കഴിവുകൾക്ക് വലിയ കമ്പ്യൂട്ടേഷണൽ ശക്തി ആവശ്യമാണെന്ന നിരീക്ഷണമാണ് ഈ വിരോധാഭാസത്തിന് പിന്നിൽ. ഈ വൈരുദ്ധ്യം മനസ്സിലാക്കിയാൽ നിർമിതബുദ്ധി സാങ്കേതികവിദ്യ എന്താണെന്നും, എന്തല്ലെന്നും ഏകദേശം മനസ്സിലാകും.
നിർമിതബുദ്ധി എന്ന സർവ്വരോഗ സംഹാര കാരകം
പ്രോട്ടീനുകളാണ് ജീവന്റെ അടിസ്ഥാന നിർമാണ ബ്ലോക്കുകൾ. അപ്പോൾ, ജീവശാസ്ത്രത്തിലെ എല്ലാം എല്ലാം പ്രോട്ടീനുകളെ ആശ്രയിച്ചിരിക്കുന്നു. നമ്മുടെ ന്യൂറോണുകൾ പ്രവർത്തിക്കുന്നത്, പേശികൾ ചലിക്കുന്നത് എന്നിവയ്ക്കെല്ലാം പ്രോട്ടീനുകൾ മധ്യസ്ഥത വഹിക്കുന്നു. എന്നാൽ പ്രോട്ടീനുകളുടെ 3ഡി ഘടന വളരെ സങ്കീർണ്ണമാണ്. ഒരു ശതമാനത്തിൽ താഴെ മാത്രമേ ഇവ നമുക്ക് കൃത്യമായി അറിയാൻ കഴിഞ്ഞിരുന്നുള്ളൂ എന്ന് മാത്രമല്ല ഇവ ഓരോന്നിന്റെയും മാതൃക നിർമ്മിക്കാൻ മുമ്പ് വർഷങ്ങളെടുക്കുമായിരുന്നു. എന്നാൽ ഗൂഗിൾ ഡീപ്മൈൻഡിന്റെ ആൽഫഫോൾഡ് എന്ന എഐ മോഡൽ ഒരു വർഷത്തിനുള്ളിൽ 200 ദശലക്ഷം പ്രോട്ടീൻ മാതൃകകൾ നിർമ്മിച്ചു. ഇപ്പോൾ വിവിധ രോഗങ്ങൾ നിർമ്മാർജ്ജനം ചെയ്യാനുള്ള മരുന്നുകളുടെ വികസനം എളുപ്പത്തിൽ സാധ്യമാക്കാൻ ഇത് വഴി എഐയ്ക്ക് സാധിക്കുന്നു.
ഒരു മരുന്ന് രൂപകൽപ്പന ചെയ്യാൻ ശരാശരി പത്ത് വർഷവും കോടിക്കണക്കിന് രൂപയും വേണ്ടിടത്ത് നിന്ന് മാസങ്ങളോ ആഴ്ചകളോ ആയി സമയവും, ആനുപാതികമായി ചെലവും കുറയ്ക്കാൻ ഇത് വഴി കഴിയും. അപ്പോൾ എല്ലാ രോഗങ്ങളെയും നിർമ്മാർജ്ജനം ചെയ്യാൻ നമുക്ക് സാധിക്കുമെന്നത് ഇന്ന് അവിശ്വസനീയമായി തോന്നുമെങ്കിലും, സമാനമായാണ് പ്രോട്ടീൻ ഘടനകളെക്കുറിച്ച് ആളുകൾ ചിന്തിച്ചിരുന്നത് എന്ന് കണക്കാക്കിയാൽ വരുന്ന പത്ത് വർഷത്തിനുള്ളിൽ നമുക്ക് എല്ലാ രോഗങ്ങളും എഐയുടെ സഹായത്തോടെ സുഖപ്പെടുത്താൻ കഴിയുമെന്ന് കരുതാം എന്നാണ് ഹസാബിസ് പറഞ്ഞതിന്റെ സാരം.
ആൽഫഫോൾഡ് ഉപയോഗിച്ച് പ്രോട്ടീൻ ഘടനകൾ നിർണ്ണയിച്ച ശാസ്ത്രജ്ഞർക്ക് നോബൽ സമ്മാനം ലഭിച്ചെങ്കിൽ മനുഷ്യർ നടത്തിരിയിരുന്ന പോലെ മികച്ച കണ്ടുപിടുത്തങ്ങൾ നടത്താനും മറ്റും ഭാവിയിൽ എഐയ്ക്ക് സാധിക്കുമോ? എഐ ശാസ്ത്രജ്ഞർ ശരിക്കും സത്യമാവുമോ? നിലവിലെ എഐ മനുഷ്യസമാനമാണോ? ഇങ്ങിനെ നിരവധി സംശയങ്ങൾ നമുക്ക് ഉണ്ടായേക്കാം.
നമ്മുടെ ധൈഷണിക പാരമ്പര്യം
മനുഷ്യബുദ്ധിയുടെ കേന്ദ്രം തലച്ചോറാണെന്ന് മനുഷ്യരാശി വ്യക്തമായി മനസ്സിലാക്കിയിട്ട് നാൾ അധികമായിട്ടില്ല. തലച്ചോറിന് വിവരങ്ങൾ നൽകാൻ നമ്മൾ പഞ്ചേന്ദ്രിയങ്ങളെ ആശ്രയിക്കുന്നു എന്നറിയാമല്ലോ. ഇവയുടെ പ്രവർത്തനം മനുഷ്യനെയും മറ്റ് ജീവികളെയും അവയുടെ പരിതസ്ഥിതിയിൽ പിടിച്ച് നിൽക്കാനായി പരിണാമശാസ്ത്രപരമായി നമുക്ക് മനസ്സിലാക്കാനാവും. നാം പ്രധാനമായി ആശ്രയിക്കുന്ന കാഴ്ച, കേൾവി എന്നിവ വൈദ്യുത രൂപത്തിൽ തലച്ചോറിലെ കോശങ്ങളിൽ എത്തുകയും, തലച്ചോറിലെ കോശങ്ങളായ ന്യൂറോണുകൾ പരസ്പര ബന്ധത്തിലൂടെ അവയെ മനസിലാക്കുകയും വിശകലനം ചെയ്യുകയും ഒരു അനുഭവമായി ഓർമ്മയിൽ സൂക്ഷിക്കുകയും ചെയ്യുന്നു. സ്പർശനവും ഏതാണ്ട് ഇത് പോലെ തന്നെയാണ് പ്രവർത്തിക്കുന്നത്.
എന്നാൽ രുചി, ഗന്ധം എന്നിവ അവയുണ്ടാക്കുന്ന തന്മാത്രകൾ നമ്മുടെ ശരീരത്തിലെ നാവിലും, മൂക്കിലും എത്തുമ്പോൾ അവയെ സ്വീകരിക്കുന്ന ചില രാസപ്രവർത്തനങ്ങളുടെ ഫലമായാണ് നമ്മുടെ തലച്ചോറിലേക്ക് ആ വിവരം പോകുന്ന വൈദ്യുത സിഗ്നലുകൾ ഉണ്ടാവുന്നത്. ഉദാഹരണത്തിന് മധുരം, കയ്പ്, ഉമാമി എന്നീ മൂന്ന് രുചികൾ നമ്മുടെ നാവ് തിരിച്ചറിയുന്നത് അവയെ തിരിച്ചറിയുന്ന ചില പ്രോട്ടീനുകളുടെ സഹായത്താലാണ്. ഇതിന് പരിണാമവുമായി ബന്ധമുണ്ടെന്ന് പറയപ്പെടുന്നു.
നമുക്ക് ഊർജ്ജം നൽകുന്ന കാർബോഹൈഡ്രേറ്റുകളാണ് പ്രധാനമായും മധുരം ഉണ്ടാക്കുന്നത്. T1R2, T1R3 എന്നീ രണ്ട് തരം പ്രോട്ടീൻ ബന്ധിത സ്വീകർത്താക്കളാണ് നമ്മെ മധുരം അറിയാൻ സഹായിക്കുന്നത്. മാംസം, ഉള്ളി പോലുള്ള വസ്തുക്കളിൽ ഉള്ള രുചിയായ ഉമാമി എന്ന രുചി നമുക്ക് നൽകുന്നത് ഗ്ലൂട്ടാമേറ്റ് പോലുള്ള അമിനോ ആസിഡുകൾ ആണ്. T1R1, T1R3 എന്നീ സ്വീകർത്താക്കളുടെ സഹായത്താലാണ് നമ്മൾ ഉമാമി അറിയുന്നത്. പൂച്ച കുടുംബത്തിൽ ഉള്ള ജീവികൾക്ക് മധുരം അറിയാൻ കഴിയില്ല എന്നത് അത്ഭുതകരമായ ഒരു വസ്തുതയായി തോന്നുന്നുണ്ടോ? അവ പ്രധാനമായും ഉമാമി കൊണ്ടാണ് ജീവിക്കുന്നത് എന്നതതാണ് കാര്യം. നായകൾ പക്ഷേ ചെറിയ തോതിൽ മധുരം അറിഞ്ഞ് ഭക്ഷണം കഴിച്ചും അതിജീവനം നടത്തും. എന്നാൽ എല്ലാ ജീവികൾക്കും അതിജീവനത്തിന് പ്രധാനപ്പെട്ട ഒരു രുചിയാണ് കയ്പ്. പ്രധാനമായും വിഷവസ്തുക്കളെ തിരിച്ചറിയാൻ സഹായിക്കുന്ന ഈ രുചി T2R എന്ന ഒരു വലിയ സ്വീകർത്താവ് കുടുംബത്തിന്റെ സഹായത്തോടെ ഇവയെ തിരിച്ചറിഞ്ഞാണ് നമ്മൾ അതിജീവനം നടത്തുന്നത്. പുളി, ഉപ്പ് എന്നിവ നമ്മൾ അറിയുന്നത് അവയിൽ യഥാക്രമം ഉള്ള ഹൈഡ്രജൻ, സോഡിയം അയോണുകളെ തിരിച്ചറിയുന്നത് വഴിയാണ്.
രുചി അഞ്ച് തരമാണെങ്കിൽ ഗന്ധം നമുക്ക് ആയിരക്കണക്കിന് തിരിച്ചറിയാം. ഒൽഫാക്ഷൻ എന്നറിയപ്പെടുന്ന ഈ പ്രക്രിയയ്ക്ക് കാരണം നമ്മുടെ മൂക്കിൽ എത്തുന്ന തന്മാത്രകളെ തിരിച്ചറിയാൻ കഴിയുന്ന ഒൽഫാക്ടറി എപിതീലിയം എന്ന പ്രദേശത്തെ ഏതാണ്ട് 400 വ്യത്യസ്ത തരം ന്യൂറോണുകളുടെ പ്രവർത്തന ഫലമായാണ്. ഇവയിലെ പ്രോട്ടീൻ സ്വീകർത്താക്കൾക്ക് ഒരു ലക്ഷം കോടിയിൽ അധികം ഗന്ധങ്ങൾ തിരിച്ചറിയാൻ കഴിയുമെന്നാണ് കരുതപ്പെടുന്നത്. ചുരുക്കത്തിൽ മണവും രുചിയുമെല്ലാം രാസ പ്രവർത്തനങ്ങൾ വഴിയാണ് പ്രവർത്തിക്കുന്നത്. എന്നാൽ, ഇവയെല്ലാം തലച്ചോറിന്റെ ഒരു സ്ഥലത്ത് മാത്രമല്ല രേഖപ്പെടുത്തപ്പെടുന്നത്. നമ്മുടെ ബോധ മനസ്സ്, വൈകാരിക അനുഭവങ്ങൾ, ഓർമ്മകൾ എന്നിവയെല്ലാം രേഖപ്പെടുത്തുന്ന സ്ഥലങ്ങളിലേക്ക് ഒരു ഗന്ധം സംബന്ധിച്ച വിവരം സഞ്ചരിക്കുന്നുണ്ട്. അതായത് നമ്മുടെ തലച്ചോറിന്റെ പ്രവർത്തനങ്ങൾ എല്ലാം തന്നെ പരസ്പര ബന്ധിതവും സമാന്തരവുമായ പ്രവർത്തനങ്ങളുടെ ഫലമാണ്. പരിണാമഘട്ടങ്ങളിൽ നമ്മുടെ അതിജീവനം സാധ്യമാക്കിയതും ഇത്തരം പ്രക്രിയകളാണ്.
ഒരു പൂച്ച അത് ചെയ്യുന്ന കാര്യങ്ങൾ പലതും വ്യക്തമായ ആസൂത്രണത്തോടെയാണ് നിർവഹിക്കുന്നത്. അതിന് ലളിതവും സങ്കീർണ്ണവുമായ പല കാര്യങ്ങളും ചെയ്യാൻ കഴിയും. പത്ത് വയസുള്ള ഒരു കുട്ടിക്ക് ഒരു പരിശീലനവും ഇല്ലാതെ തന്നെ ഭക്ഷണ മേശ വൃത്തിയാക്കാനോ അല്ലെങ്കിൽ പാത്രം കഴുകാനോ സാധിക്കും. പതിനേഴ് വയസുള്ള കുട്ടിക്ക് ഒരു ദിവസത്തെ പരിശീലനം നൽകിയാൽ ഡ്രൈവിംഗ് ചെയ്യാൻ സാധിക്കുമെങ്കിലും ഐഎഎസ് പരീക്ഷ പാസാകാൻ കഴിവുള്ള എഐ സങ്കേതത്തിന് ഇപ്പോഴും ഏത് റോഡിലൂടെയും സ്വയം ഡ്രൈവ് ചെയ്യുന്ന കാർ നിയന്ത്രിക്കാൻ കഴിയില്ല. അല്ലെങ്കിൽ നമ്മുടെ വീട്ടിലെ എല്ലാ ആവശ്യങ്ങളും കണ്ടറിഞ്ഞു ചെയ്യുന്ന ഒരു റോബോട്ട് ഇപ്പോഴും ഇല്ല.
എഐയുടെ പരിമിതി
ചാറ്റ്ജിപിറ്റി പോലുള്ള സങ്കേതങ്ങൾ അടിസ്ഥാനമാക്കുന്ന ലാർജ് ലാംഗ്വേജ് മോഡലുകളെ പഠിപ്പിക്കാൻ ഉപയോഗിച്ച വിവരങ്ങൾ ഏതാണ്ട് ഇന്റർനെറ്റ് മുഴുവൻ വരും. ഇത് ഒരു മനുഷ്യൻ ദിവസം പന്ത്രണ്ട് മണിക്കൂർ വച്ച് വായിച്ചു മനസ്സിലാക്കാൻ ശ്രമിച്ചാൽ മൂന്ന് ലക്ഷം വർഷങ്ങൾ വേണ്ടിവരുമെന്ന് കണക്കാക്കുന്നു. ഇത്രയധികം വിവരമുണ്ടായിട്ടും നമ്മുടെ വീട്ടിലുള്ള ഒരു പൂച്ചയുടെയോ നായയുടെയോ അല്ലെങ്കിൽ ഒരു ചെറിയ കുട്ടിയുടെയോ പോലും ലോക പരിചയവും ആസൂത്രണവും കൈവരിക്കാൻ ഒരു എഐ മോഡലിനും സാധിച്ചിട്ടില്ല. ദൈനംദിന ജീവിതത്തിൽ സങ്കീർണ്ണമായ പ്രവൃത്തികൾ അവയുടെ വരുംവരായ്കകൾ മനസ്സിലാക്കി ചെയ്യാൻ മിക്ക ജീവികൾക്കും ആകുമെങ്കിൽ അക്കാര്യത്തിൽ എഐ സംവിധാനങ്ങൾ പരാജയമാണ്. എന്നാൽ, അതേ സമയം മനുഷ്യന് പ്രയാസമുള്ള കണക്ക്, കമ്പ്യൂട്ടർ പ്രോഗ്രാമിങ്, ശാസ്ത്ര സാങ്കേതിക വിഷയങ്ങൾ അനായാസം കൈകാര്യം ചെയ്യാൻ എഐക്ക് സാധിക്കും. ഇത്തരമൊരു വൈരുധ്യമാണ് മോറാവെക്സ് പാരഡോക്സ് ഉദ്ദേശിക്കുന്നത്. മനുഷ്യന്റെ ബുദ്ധി വെറും യുക്തിയും ഭാഷയും മാത്രമല്ല – അത് നമ്മുടെ ശരീരത്തിലും ഇന്ദ്രിയങ്ങളിലും ആഴത്തിൽ വേരൂന്നിയതാണെന്ന് ഇത് നമ്മെ ഓർമ്മിപ്പിക്കുന്നു. ആഴമേറിയതും അവബോധജന്യവുമായ ഈ കഴിവുകൾ ആവർത്തിക്കുന്നതിലാണ് എഐയുടെ ഏറ്റവും വലിയ വെല്ലുവിളികൾ.
എന്തായിരിക്കും ഇതിന് കാരണം? ഒരു പ്രധാന കാരണം നമ്മൾ ചിന്തിക്കുന്നത് ഭാഷ ഉപയോഗിച്ചല്ല പകരം നമ്മുടെ വിവിധ ഇന്ദ്രിയങ്ങൾ തലച്ചോറിന് നൽകുന്ന സിഗ്നലുകളും, നമ്മുടെ ഓർമ്മയിൽ സൂക്ഷിച്ചിട്ടുള്ള അനുഭവങ്ങളും ചേർത്താണ്. എഐയിലെ ഇക്കാലത്തെ തരംഗമായ എൽഎൽഎമ്മുകൾ വാക്കുകൾ ഉപയോഗിച്ചാണ് നിർമ്മിച്ചിട്ടുള്ളതെങ്കിൽ നമുക്ക് മനസ്സിലാവുന്ന പല കാര്യങ്ങളും ഭാഷ ഉപയോഗിച്ച് പ്രതിനിധാനം ചെയ്യാൻ എളുപ്പമല്ല. ഉദാഹരണത്തിന് നമുക്ക് മുന്നിൽ ഒരു ഗോളമുണ്ടെന്നും അതിനെ കറക്കിയാൽ എന്ത് സംഭവിക്കുമെന്നൊക്കെ നമുക്ക് മനസ്സിൽ ആലോചിക്കാൻ കഴിയുമെങ്കിലും അത് ഏതെങ്കിലും മനുഷ്യ ഭാഷ ഉപയോഗിച്ച് ഒരു എഐ മോഡലിനെ പറഞ്ഞ് മനസ്സിലാക്കിയാലും നമുക്കും മോഡലിനും അത് മനസ്സിലാകുന്നതിൽ ഒരു വിടവ് ഉണ്ടാകും. വിറ്റൻസ്റ്റീനെ പോലുള്ള തത്വചിന്തകർ സൂചിപ്പിച്ചത് പോലെയുള്ള ഒരു പ്രാതിനിധ്യ വിടവ് (representation gap).
കൂടുതൽ ആലോചിച്ചാൽ മനുഷ്യ ബുദ്ധി വളരെ സങ്കീർണ്ണവും നിരവധി മാനങ്ങൾ ഉള്ളവയുമാണെന്നതിനാൽ പ്രശസ്ത തത്വചിന്തകനായ മൈക്കിൾ പോളാനി (Michael Polanyi) മുന്നോട്ട് വച്ച വൈരുധ്യവുമായി ചേർന്ന് പോകുന്നതാണെന്ന് കാണാം. നമുക്ക് ചുറ്റുമുള്ള ലോകം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ചും, നമ്മുടെ സ്വന്തം കഴിവുകളെക്കുറിച്ചുമുള്ള മനുഷ്യന്റെ അറിവ്, ഒരു വലിയ പരിധിവരെ, നമ്മുടെ വ്യക്തമായ ധാരണയ്ക്ക് അപ്പുറമാണ് എന്നാണ് ഈ തത്വം സൂചിപ്പിക്കുന്നത്. അതായത് നമ്മുടെ അറിവുകൾ അനുക്തസിദ്ധമായവയായതിനാൽ (tacit knowledge) മനുഷ്യരായ നമുക്ക് അവബോധപൂർവ്വം എങ്ങനെ നിർവഹിക്കണമെന്ന് മനസ്സിലാകുന്ന നിരവധി ജോലികൾ ഉണ്ട്, പക്ഷേ അവയുടെ നിയമങ്ങളോ നടപടിക്രമങ്ങളോ വാക്കുകളിൽ വർണ്ണിക്കാൻ കഴിയണമെന്നില്ല. നമുക്ക് വിവരിക്കാൻ കഴിയുന്നതിനേക്കാൾ കൂടുതൽ അറിവുണ്ട് എന്ന് പൊളാനി ഇതിനെ വിവരിക്കുന്നു. അപ്പോൾ വിവരിക്കാനാവുന്ന അറിവുകളും (explicit knowledge) അനുക്തസിദ്ധമായ അറിവുകളും ചേർന്നതാണ് നമ്മുടെ അറിവുകൾ എന്നതിനാൽ ഇവ മൊത്തത്തിൽ ഒരു യന്ത്രത്തിന് പകർന്നു നൽകാൻ ശ്രമിക്കുമ്പോൾ ഉണ്ടാവുന്ന പരിമിതി മറികടക്കാതെ നമുക്ക് സാർവത്രിക നിർമിത ബുദ്ധി അഥവാ ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസിനെ കുറിച്ച് ആലോചിക്കാൻ കഴിയുമോ എന്നത് ഒരു ചോദ്യമാണ്.
അതേ സമയം ആധുനിക മെഷീൻ ലേർണിംഗ് സംവിധാനങ്ങൾ ഇത്തരം ആശങ്കകളെ മറികടക്കാൻ പ്രാപ്തമാണ് എന്ന വാദങ്ങളും ഉണ്ട്. മനുഷ്യവിജ്ഞാനം പഠിപ്പിക്കുന്നതിന് പ്രോഗ്രാമറുടെ അൽഗോരിതങ്ങളെ ആശ്രയിക്കുന്നതിനുപകരം, കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങൾക്ക് ഇപ്പോൾ ഒരു പ്രതിഭാസത്തിൽ അന്തർലീനമായ നിയമങ്ങൾ സമൃദ്ധമായ ഡാറ്റ, അതിന്റെ സാഹചര്യം, സ്റ്റാറ്റിസ്റ്റിക്സ് എന്നിവയുടെ സഹായത്തോടെ പഠിക്കാൻ കഴിയും. മനുഷ്യ സഹായമില്ലാതെ തന്നെ ഉദാഹരണങ്ങളിൽ നിന്ന് മനുഷ്യർ സ്വീകരിക്കുന്ന മൗനവിജ്ഞാനം അനുമാനിക്കാൻ യന്ത്രങ്ങൾക്ക് കഴിയുമെന്നതിനാൽ, മനുഷ്യർക്ക് വ്യക്തമായി മനസ്സിലാകാത്തതും എന്നാൽ നിശബ്ദമായി പ്രയോഗിക്കുന്നതുമായ നിയമങ്ങളാൽ അവ പരിമിതപ്പെടുന്നില്ല. ഗൂഗിൾ ഡീപ്മൈൻഡിന്റെ ആൽഫാഗോ പോലുള്ള അൽഗോരിതങ്ങൾ ഉദാഹരണം. ഗോ പോലെയുള്ള സങ്കീർണ്ണമായ ഒരു ഗെയിമിൽ അത് മനുഷ്യരെ തോൽപ്പിക്കുന്ന നിലയിലേക്ക് വളർന്നത് ഇത്തരത്തിലുള്ള പഠനം വഴിയാണ്. ശാസ്ത്ര സാങ്കേതിക രംഗങ്ങളിലെല്ലാം പരമ്പരാഗത അറിവ് എത്രത്തോളം ഇനി വരുന്ന കാലത്ത് പ്രസക്തമാണ് എന്ന ചോദ്യം ഇവിടെ ഉയരുന്നു എന്നതും കാണാതിരുന്നു കൂടാ.
രോഗങ്ങൾ ഇല്ലാതാവുമോ?
അപ്പോൾ രോഗങ്ങൾ ഇല്ലാതാകുമെന്ന ഹസാബിസിന്റെ വാക്കുകളോ? അവയെ നമുക്കൊരു സാധ്യത മാത്രമായി തൽക്കാലം കണക്കാക്കാം. ഇക്കാലത്ത് ആളുകൾ എഐ എന്ന് വിളിക്കുന്നതിൽ ഭൂരിഭാഗവും വാസ്തവത്തിൽ അതിന്റെ ഉപശാഖയായ മെഷീൻ ലേണിംഗ് ആണ്. മെഷീൻ ലേണിംഗ് പുതിയ അറിവുകളൊന്നും സൃഷ്ടിക്കുന്നില്ല. എല്ലാ മെഷീൻ ലേണിംഗും ഏതെങ്കിലും തരത്തിലുള്ള ഡാറ്റയിലെ പാറ്റേണുകൾ കണ്ടെത്തുകയാണ് ചെയ്യുന്നത്. അവരെ അറിവും ഭാവനശേഷിയും ഉള്ള ശാസ്ത്രജ്ഞർക്ക് പകരമായി കാണുന്നത് അത്ര പന്തിയല്ല.
വൈദ്യശാസ്ത്രത്തിന്റെ വികാസത്തിന്റെ വഴിയിൽ ചികിത്സാ രീതികളും മരുന്നുകളും വളരെ പുരോഗമിച്ചിട്ടുണ്ടല്ലോ? ആദ്യകാല ആന്റിബയോട്ടിക്കുകൾ ധാരാളം പാർശ്വഫലങ്ങൾ ഉണ്ടാക്കുന്നവ ആയിരുന്നെങ്കിൽ ഇപ്പോൾ നമ്മൾ അവയുടെ പ്രവർത്തനം ഒരു മാജിക് എന്നത് പോലെ കാണുന്നു. അത് പോലെ ഓരോ വ്യക്തികൾക്കും അനുയോജ്യമായ മരുന്ന് നൽകാൻ കഴിയുന്ന പ്രിസിഷൻ മെഡിസിൻ, ജനിതക ഘടന മനസ്സിലാക്കി ചികിത്സിക്കാൻ കഴിയുന്ന സങ്കേതങ്ങൾ എല്ലാം നമ്മൾ നേടിയ പുരോഗതിയാണ്. ശരാശരി മനുഷ്യായുസ് വർദ്ധിച്ചതും, രോഗങ്ങളും ആശുപത്രികളും പഴയ കാലത്തെ പോലെ പേടിപ്പെടുത്തുന്നില്ല എന്നതുമൊക്കെ വലിയ പുരോഗതികളാണ്.
എന്നിരിക്കിലും ആന്റിബയോട്ടിക് ഏല്ക്കാത്ത ബാക്ടീരിയകൾ, മരുന്നുകൾ ഏൽക്കാത്ത നിരവധി വൈറസ് രോഗങ്ങൾ, വിഷവസ്തുക്കളായ നിരവധി പ്രോട്ടീനുകളും, അലർജി ഉണ്ടാക്കുന്ന വസ്തുക്കളും അങ്ങിനെ നിരവധി വെല്ലുവിളികളും നമുക്ക് മുന്നിൽ ഉണ്ട്. രോഗങ്ങൾ നമ്മൾ ജീവിക്കുന്ന പ്രകൃതിയുടെ ഭാഗമായി നമുക്ക് ഉണ്ടായിക്കൊണ്ടേയിരിക്കും. അവയെ പെട്ടെന്ന് ഭേദപ്പെടുത്താനുള്ള പോരാട്ടത്തിൽ നമുക്ക് എഐ വലിയൊരു സഹായമാകുമെന്ന് തൽക്കാലം കരുതാം!
നിലവിലെ എഐ നിലവാരം
ഒരു കമ്പ്യൂട്ടർ നിർമിത ബുദ്ധി മനുഷ്യന്റെ കഴിവുകളെ അനുകരിക്കാൻ ശ്രമിക്കുമ്പോൾ പ്രധാനമായും രണ്ട് പ്രശ്നങ്ങൾ ആണുള്ളത്. ഒന്നാമതായി ഒരു ലളിതമായ മാതൃക വഴി അനുകരിക്കാം എന്ന് വച്ചാൽ ഇപ്പോഴും തലച്ചോറിന്റെ പ്രവർത്തനം നമുക്ക് കൃത്യമായി മനസ്സിലായിട്ടില്ല. നമ്മൾ ചിന്തിക്കുമ്പോൾ ഒരു തരം ഇൻപുട്ട് മാത്രം വച്ചല്ല, പകരം പല കാര്യങ്ങളുടെ സമാന്തര പ്രവർത്തനം വഴിയാണ് അത് സംഭവിക്കുന്നത്. ഒരു ആപ്പിൾ എന്ന് ആലോചിക്കുമ്പോൾ നമുക്ക് അത് ഒരു പഴം മാത്രമായിരിക്കില്ല ബന്ധപ്പെട്ട പല അനുഭവങ്ങളും മനസ്സിൽ എത്തിക്കുന്ന ഒരു ബിംബം ആയേക്കാം. അതിന്റെ രൂപം, നിറം, മണം അങ്ങിനെ പലതും തലച്ചോറിന്റെ പല ഭാഗങ്ങളിലും വൃത്യസ്ത മാനങ്ങൾ നൽകാൻ നമുക്ക് ഹേതുവായേക്കാം.
രണ്ടാമത്തെ കാര്യം മനുഷ്യ സമൂഹം പലപ്പോഴും പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനൊപ്പം ശരിയായ ചോദ്യങ്ങൾ ചോദിക്കുന്നത് വഴി കൂടെയാണ് പുരോഗമിക്കുന്നത്. എഐ മോഡലുകൾ നിലവിലുള്ള അറിവ് കൂട്ടിക്കലർത്തി നമ്മുടെ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു എന്നതിനപ്പുറം മുന്നോട്ട് ഉള്ള ചോദ്യങ്ങൾ ചോദിക്കാനോ ഭാവി പ്രവചിക്കാനോ അതിന് കഴിയില്ല. നമുക്ക് വേണമെങ്കിൽ മികച്ച രീതിയിൽ അവയെ ഉപയോഗിച്ച് മെച്ചപ്പെട്ട ഉത്തരങ്ങൾ കണ്ടെത്താം എന്ന് മാത്രം. ഇതാണ് റീസണിങ് മോഡലുകൾ ചെയ്യുന്നത്. ഇനി കൂടുതൽ മെച്ചപ്പെട്ട മെഷീൻ ലേർണിംഗ് മോഡലുകൾ നമ്മൾ നിർമ്മിച്ചാലും അവയെല്ലാം നിലവിലുള്ള ഗണിതശാസ്ത്രപരവും സ്റ്റാറ്റിസ്റ്റിക്സ് അനുവദിക്കുന്നതുമായ പരിധിക്കുള്ളിൽ നിന്നെ അവയെല്ലാം പ്രവർത്തിക്കൂ. അതിനാൽ നിലവിലുള്ള ഒരു മോഡലും മനുഷ്യ സമാനമോ, ഭാവനാത്മകമോ ആണെന്ന് കരുതുന്നത് മൗഢ്യമാണ്.
എന്നാൽ അവയ്ക്ക് വളരെ വേഗത്തിൽ കണക്ക് കൂട്ടാനും സങ്കീർണ്ണമായ പല കാര്യങ്ങളും യാതൊരു തടസ്സവുമില്ലാതെ ചെയ്യാനുമുള്ള കഴിവുണ്ടെന്നത് നമ്മൾ കാണാതിരുന്നു കൂടാ. ഡാറ്റയിൽ പാറ്റേൺ കണ്ടു പിടിക്കുന്നതിൽ വളരെ മുന്നോട്ട് പോവുകയും അതുപയോഗിച്ച് പ്രവചനങ്ങൾ നടത്തുകയും ചെയ്യുന്ന എഐ സാങ്കേതികവിദ്യയുടെ മികവ് മനുഷ്യരേക്കാൾ വളരെ മുന്നോട്ട് പോയിക്കഴിഞ്ഞു. ധാരാളം നിക്ഷേപം ലോകമെമ്പാടും ഈ മേഖലയിൽ വരുന്നതിനാൽ ഇതിലുണ്ടാവുന്ന മുന്നേറ്റങ്ങൾ സസൂക്ഷ്മം വീക്ഷിക്കുന്നത് നമുക്ക് കൂടുതൽ ഉത്തരങ്ങൾ നൽകിയേക്കാം.
എജിഐ (AGI) എന്നാൽ മനുഷ്യന്റെ മൊത്തത്തിലുള്ള സുരക്ഷയിലും ക്ഷേമത്തിലും വിട്ടുവീഴ്ച ചെയ്യാതെ യുക്തിസഹമായ വിവിധ വൈജ്ഞാനിക കഴിവുകളും ഉയർന്ന മികവോടെടെ ജോലികളുടെ പൂർത്തീകരണവും പ്രകടമാക്കുന്ന ഒരു ശക്തമായ സംവിധാനം ആണ് ഉദ്ദേശിക്കുന്നതെങ്കിൽ അതിനായി നമ്മൾ ഇനിയും കാത്തിരിക്കേണ്ടി വരും.
അധികവായനയ്ക്ക്
- S. Pelley, 60 Minutes, CBS News (Apr 20, 2025). >>>.
- B. Perrigo, Preparing for AI’s Endgame, Time Magazine (Apr 15, 2025). >>>.
- P. Jones, Deepmind chief predicts AI could cure all diseases within a decade, Business Matters (Oct 2, 2024). >>>.
- K. Friston, Embodied Cognition. >>>.
- David (2014), Polanyi’s Paradox and the Shape of Employment Growth, NBER Working Paper Series, Cambridge, MA: National Bureau of Economic Research, pp. 1–48. >>>.
- Wikipedia, Moravec’s paradox. >>>.
സാങ്കേതികവിദ്യയും സമൂഹവും
ലേഖനങ്ങൾ വായിക്കാം
Happy
0 %
Sad
0 %
Excited
0 %
Sleepy
0 %
Angry
0 %
Surprise
100 %
0
0
