आर्टिफिशियल इंटेलिजेंस का इतिहास, भाग 2. तंत्रिका नेटवर्क एआई - अपरिहार्य या असंभव?

जब मैं सिर्फ इस लेख को लिखने की योजना बना रहा था, मुझे केवल तंत्रिका नेटवर्क के बारे में पता था कि वे हमारे मस्तिष्क की विचार प्रक्रिया की नकल करते हैं। मुझे शक नहीं था कि मैं तब कितना गलत था।

ऐसे समय में जब साइबरनेटिक्स केवल अपने खिलौने खेलना शुरू कर रहे थे, अन्य गंभीर वैज्ञानिक एक अधिक गंभीर समस्या पर काम कर रहे थे। हमारे मस्तिष्क की कोशिकाओं के न्यूरॉन्स की संरचना पर न्यूरोफिज़ियोलॉजिकल डेटा के आधार पर, उन्होंने अपनी संरचना को फिर से बनाने की कोशिश की। यह बहुत ही संगोष्ठी से कुछ साल पहले था जहां उन्होंने पहली बार एआई के बारे में बात की थी।

ये गंभीर वैज्ञानिक एक सौ प्रतिशत निश्चित थे कि केवल एक चीज जो सोच सकती है वह है हमारा मस्तिष्क। इसलिए, जिस चीज में यह क्षमता होनी चाहिए वह हमारे मस्तिष्क की संरचना को पुन: पेश करना चाहिए। एक साहसिक कथन, खासकर जब आप समझते हैं कि उनके पास सोच की प्रक्रियाओं के बारे में एक अस्पष्ट विचार था, हालांकि नहीं, वे एक विचार नहीं थे, लेकिन बस एक परिकल्पना थी कि मानव सोच अपने स्वयं के तंत्रिका नेटवर्क के माध्यम से काम करती है।

दूसरे शब्दों में, उन्होंने एक न्यूरॉन की संरचना को जानते हुए, इसकी सरल प्रतिलिपि बनाई और, यह जानते हुए कि एक नेटवर्क में न्यूरॉन्स कैसे एकजुट होते हैं, उन्होंने इस ज्ञान के आधार पर तर्क विकसित करने की कोशिश की, और फिर एक कंप्यूटर। और केवल गणितज्ञ यहां काम करते हैं। कोई भी यह नहीं कहता है कि एक व्यक्ति अपने न्यूरॉन्स को उसी तरह से उपयोग करता है जैसे कि एक न्यूरो कंप्यूटर। यह सिर्फ इतना है कि इंजीनियरों ने क्लासिक अर्धचालकों को कृत्रिम न्यूरॉन्स के साथ बदल दिया और एक नया तर्क बनाने की कोशिश कर रहे हैं। प्रक्रिया के मनोवैज्ञानिक पक्ष के बारे में कोई नहीं सोच रहा है।

तंत्रिका नेटवर्क के संचालन का सिद्धांत अर्धचालक सर्किट से कुछ अलग है - पूर्व द्विआधारी कोड का उपयोग नहीं करता है। लेकिन तंत्रिका नेटवर्क का गुप्त हथियार यह है कि तंत्रिका नेटवर्क को सीखने में सक्षम होने की अफवाह है। आइए इसे जानने की कोशिश करते हैं।

इसलिए, हमारे पास एक नेटवर्क (एकल-परत या बहु-परत) है, जिसमें न्यूरॉन्स के सरलीकृत मॉडल शामिल हैं। इनपुट न्यूरॉन्स का एक समूह है और, तदनुसार, आउटपुट का एक समूह है। जब सूचना इनपुट होती है, तो सिग्नल नेटवर्क के माध्यम से चलते हैं, न्यूरॉन से न्यूरॉन तक प्रवर्धित और कमजोर होते हैं। वे प्रवेश द्वार से बाहर निकलने के लिए सीधे जा सकते हैं, लेकिन वे लूप भी बना सकते हैं, कई न्यूरॉन्स को वापस कर सकते हैं। वे पूरे नेटवर्क में बेतरतीब ढंग से आगे बढ़ सकते हैं, लेकिन मुद्दा यह है कि आउटपुट पर सही ढंग से संसाधित संकेत बनता है।

यदि द्विघात समीकरण के गुणांक इनपुट पर लागू होते हैं, तो हमें आउटपुट पर इसके समाधान प्राप्त करने होंगे। यदि इनपुट छवि हस्तलिखित है, तो आउटपुट को इसके मान्यता प्राप्त संस्करण का गठन किया जाना चाहिए।

काम की शुरुआत में, जब तंत्रिका नेटवर्क अभी तक कॉन्फ़िगर नहीं किया गया है, तो इसमें कोई अर्थ नहीं है। समस्याओं को सुलझाने में उपयोगी होने के लिए, उसके रहस्यमय नाम के अलावा, उसे प्रशिक्षित करने की आवश्यकता है। यह प्रक्रिया इस तथ्य से शुरू होती है कि समस्या को कुछ बाहरी साधनों का उपयोग करके हल किया जाता है। यह अंततः प्रश्नों और सही उत्तरों के सेट प्राप्त करने के लिए आवश्यक है। इसके अलावा, इन सवालों को इनपुट, और बाहर निकलने के जवाब के लिए प्रस्तुत किया जाता है।

विचार करें कि यह प्रक्रिया एक न्यूरॉन के लिए कैसे जाती है। इनपुट सिग्नल इसके इनपुट पर आते हैं, और सिग्नल आउटपुट पर आता है, जो पहले से पता है कि यह सही है। न्यूरॉन, बदले में, अपना आउटपुट सिग्नल बनाता है, इनपुट को समेटता है और योग को एक विशेष फ़ंक्शन लागू करता है।

नतीजतन, पहले चरण में न्यूरॉन का आंतरिक उत्पादन संकेत बाहरी एक से भिन्न होता है। यदि एक विसंगति देखी जाती है, तो विशेष एल्गोरिदम लागू होते हैं जो इनपुट संकेतों के स्तर (उनके वजन) को तब तक बदलते हैं जब तक कि दोनों आउटपुट सिग्नल बंद नहीं होते हैं।

लेकिन यहां आपको सावधान रहने की जरूरत है, क्योंकि यदि वे बहुत करीब हैं, तो तंत्रिका नेटवर्क "राहत" देगा। और फिर, यदि इसका कार्य शामिल है, उदाहरण के लिए, पाठ मान्यता, तो तंत्रिका नेटवर्क केवल एक विशिष्ट व्यक्ति की लिखावट को पहचानने में सक्षम होगा, लेकिन अन्य नहीं। और अगर ये दोनों संकेत बहुत अलग हैं, तो तंत्रिका नेटवर्क "कमज़ोर" होगा। यही है, यह किसी की लिखावट को बिल्कुल भी नहीं पहचान सकता है।

ऐसा होने से रोकने के लिए, प्रशिक्षण में लगे डेवलपर एक प्रकार की ट्यूनिंग त्रुटि स्थापित करते हैं। यदि आउटपुट संकेतों के बीच का अंतर इस त्रुटि के मूल्य से अधिक नहीं है, तो सीखने की प्रक्रिया को पूर्ण माना जा सकता है।

कुछ इस तरह से ... वास्तव में, सब कुछ बहुत अधिक जटिल है, क्योंकि नेटवर्क में कई न्यूरॉन्स हैं। नेटवर्क अलग हैं, और कोई भी अभी तक नहीं जानता है कि वास्तव में क्या होना चाहिए, इसके अलावा, किसी को नहीं पता कि इसमें कितने न्यूरॉन्स होने चाहिए।

कोई फर्क नहीं पड़ता कि यह सब कितना जटिल और अकल्पनीय था, पहला तंत्रिका नेटवर्क कंप्यूटर 50 साल पहले बनाया गया था। और यद्यपि वे बहुत शक्तिशाली नहीं थे, फिर भी उन्होंने काम किया। सामान्य लोगों से इन कंप्यूटरों के बीच मुख्य अंतर स्व-शिक्षा है (हालांकि मैं "आत्म-ट्यूनिंग" शब्द को पसंद करूंगा) और समानांतर कंप्यूटिंग।

यह इस कारण से है कि उन्हें ऐसी उच्च उम्मीदें हैं, क्योंकि हमारे साधारण प्रोसेसर कंप्यूटर सभी गणना क्रमिक रूप से करते हैं। समानांतर कंप्यूटिंग एक बड़ी मात्रा में जानकारी की गणना करने से संबंधित खोज कार्यक्रमों, क्रिप्टोनालिसिस और अन्य क्षेत्रों के विकास के लिए एक नया प्रोत्साहन दे रहा है।

अब तंत्रिका नेटवर्क का उपयोग पैटर्न मान्यता, पाठ, भाषण के लिए किया जाता है। यहां तक ​​कि वे भी हैं जिनके आधार पर पूरे सॉफ्टवेयर सिस्टम बनाए जाते हैं जो एक्सचेंज में व्यापारियों को प्रतिस्थापित करते हैं। तंत्रिका नेटवर्क के साथ विस्तार कार्ड का उत्पादन किया जाता है, जिसे आप बाद में एक नियमित कंप्यूटर में डाल सकते हैं और आवश्यक सॉफ़्टवेयर के सेट के साथ स्वयं उनके साथ काम कर सकते हैं। वे अपना काम अच्छी तरह से करते हैं, हालांकि वे अभी भी सुधार की प्रक्रिया में हैं। लेकिन क्या उनके आधार पर आर्टिफिशियल इंटेलिजेंस बनाना संभव है?

हां, तंत्रिका नेटवर्क स्व-सीखने में सक्षम है, लेकिन इसके लिए आपको पहले से सभी उत्तरों को जानना होगा। ट्रायल और एरर मेथड यहां काम नहीं करेगा। तो इसे केवल एक बड़े खिंचाव के साथ स्व-अध्ययन कहा जा सकता है। यह एक विशिष्ट समस्या को हल करने के लिए कॉन्फ़िगर किया जा सकता है। वह फिर उसके साथ काम करेगी, लेकिन कुछ और नहीं। नए उद्देश्यों के लिए उसे वापस लेने के लिए, आपको एक व्यक्ति की जरूरत है, और न केवल एक व्यक्ति, बल्कि इस नए क्षेत्र में एक विशेषज्ञ। तंत्रिका नेटवर्क खुद कुछ भी सीखने में सक्षम नहीं है।

न्यूरोसिबेरनेटिक्स की चाल यह थी कि वे मस्तिष्क को अपनी सोच प्रक्रियाओं के साथ फिर से बनाने की कोशिश कर रहे हैं। लेकिन उन्होंने जो कुछ हासिल किया वह यह था कि उन्होंने केवल एक ही प्रकार की कोशिकाओं - न्यूरॉन्स की संरचना को आंशिक रूप से दोहराया। उसी समय, उन्होंने अपने एल्गोरिदम को इस सब के लिए खराब कर दिया, जिसका हमारी सोच से कोई लेना-देना नहीं है।

नतीजतन, हम "ब्लैक बॉक्स" के सभी समान साइबरनेटिक्स को इनपुट, आउटपुट और नरक से अंदर से प्राप्त करते हैं। हमारी सोच की प्रक्रिया का तंत्रिका नेटवर्क के काम से कोई लेना-देना नहीं है, क्योंकि तंत्रिका नेटवर्क विश्लेषण, संश्लेषण, तुलना, कटौती का उपयोग नहीं करते हैं। इसके अलावा, वे मानव मानस के रूप में इस तरह के कारक को ध्यान में नहीं रखते हैं। जब न्यूरॉन्स को फिर से बनाया जाता है, तो इस सब से जुड़े उनके गुणों को छोड़ दिया जाता है, इसलिए इस प्रक्रिया को सतह के स्तर पर ही महसूस किया जाता है।

तंत्रिका नेटवर्क के निर्माता, जो अभी भी प्रयास कर रहे हैं, तर्क के अलावा, मानव मनोविज्ञान पर आधारित "प्रोग्रामिंग भाषा" के कुछ प्रकार को खराब करने के लिए, एक गंभीर समस्या का सामना करना पड़ा। वे मनोविज्ञान के एक सामान्य सिद्धांत को खोजने की कोशिश कर रहे हैं जिसे आसानी से औपचारिक रूप दिया जा सकता है। लेकिन तथ्य यह है कि यहां दर्जनों दृष्टिकोण हैं, और जो भी अधिक दिलचस्प है वह यह है कि उनमें से कोई भी शरीर विज्ञान को संदर्भित नहीं करता है, अर्थात्, इस तथ्य से कि हमारे तंत्रिका नेटवर्क हमारे मानस के इंजन हैं। लेकिन अगर ऐसा कोई संबंध नहीं है तो क्या होगा?

सैद्धांतिक मनोविज्ञान पहले से ही अपने तत्वों के साथ एक स्वतंत्र प्रणाली है। यह किसी भी तरह से शरीर विज्ञान से जुड़ा नहीं है, इसलिए यह "प्रोग्रामिंग भाषा", हमारे मनोविज्ञान की यह औपचारिकता दोनों तंत्रिका नेटवर्क और किसी अन्य प्लेटफॉर्म पर, या आमतौर पर गणितीय रूप से वर्णित की जा सकती है। इसलिए, तंत्रिका नेटवर्क इतना अपूरणीय नहीं हैं, क्योंकि आप उनके बिना कर सकते हैं।

यह उस प्रश्न पर लौटने का समय है, जो मैंने पहले भाग के अंत में पूछा था, अर्थात् यह सवाल कि क्या आर्टिफिशियल इंटेलिजेंस की मौजूदा परिभाषा इतनी अच्छी है। ऐसा लगता है कि सभी घटक पहले ही बन चुके हैं, लेकिन इस फ्रेंकस्टीन के लिए अभी भी कुछ गायब है। कुछ ऐसा होना चाहिए जो उसके जीवन में जान फूंक दे।

यहां मुख्य बात यह समझना है कि हमें आर्टिफिशियल इंटेलिजेंस की आवश्यकता क्यों है। तर्क समस्याओं का समाधान? एक साधारण कंप्यूटर इसके लिए पहले से ही सेवा कर सकता है। छवियों या भाषण को पहचानें? ऐसी तकनीकें पहले से ही मौजूद हैं। हो सकता है कि कुछ और काम है जो काफी जटिल है? मुझे लगता है कि उसके लिए किसी तरह की तकनीक या विकास है। हमारी कोई भी समस्या अलग से और बिना आर्टिफिशियल इंटेलिजेंस के हल की जा सकती है। फिर हमें इसकी आवश्यकता क्यों है?

मुझे संदेह है कि यह किसी विशिष्ट कार्य के लिए नहीं है। हम झाड़ी के आस-पास नहीं फटकेंगे और खुद को धोखा देंगे। हम सीधे कहेंगे कि हम चाहते हैं कि आर्टिफिशियल इंटेलिजेंस मानव के जितना करीब हो सके।

इसलिए कि वह समान रूप से अतार्किक था, अंतर्ज्ञान, विचारों को जन्म देने की क्षमता, निर्णय लेने, महसूस करने, सहानुभूति रखने के लिए, ताकि जब उसके साथ संवाद करने से एक भावना पैदा हो जाए कि आप किसी व्यक्ति के साथ संवाद कर रहे हैं। ताकि उसके पास दुनिया का अपना दृष्टिकोण हो, ताकि वह अपने प्रतिद्वंद्वी से बहस और सहमत या असहमत हो सके। वह चौकस था, दोस्त होने की क्षमता रखता था, रहस्य, झूठ, सम्मान और नापसंद रखता था, ताकि उसे हास्य की भावना हो। ताकि वह प्यार कर सके।

यह मुझे लगता है कि यह परिभाषा बिंदु के करीब है।



UPD: टिप्पणियों को देखते हुए, यह स्पष्ट हो गया कि नाम सार को प्रतिबिंबित नहीं करता है, इसलिए इसे बदलना पड़ा।



सामग्री की तालिका:



आर्टिफिशियल इंटेलिजेंस का इतिहास, भाग 1. एक कलाकार के बिना चित्रकारी।



आर्टिफिशियल इंटेलिजेंस का इतिहास, भाग 2. तंत्रिका नेटवर्क एआई - अपरिहार्य या असंभव?



आर्टिफिशियल इंटेलिजेंस बनाना