'ब्लैक बॉक्स' तकनीक से अधिक शक्तिशाली AI हो सकता है

गेटी इमेज के जरिए एलेंगो

तंत्रिका नेटवर्क को प्रशिक्षित करना आसान नहीं है। यहां तक कि अगर उन्हें लागू करना मुश्किल नहीं है, तो उन्हें तैयार होने में घंटों लग सकते हैं, चाहे आप कितनी भी कंप्यूटिंग शक्ति का उपयोग कर सकें। OpenAI शोधकर्ताओं के पास एक बेहतर समाधान हो सकता है: कई सामान्य नियमों को भूल जाना। उन्होंने एक विकास रणनीति विकसित की है (नहीं, यह जैविक विकास से ज्यादा संबंधित नहीं है) जो अधिक शक्तिशाली एआई सिस्टम का वादा करता है। मानक सुदृढीकरण प्रशिक्षण का उपयोग करने के बजाय, वे एक 'ब्लैक बॉक्स' बनाते हैं जहां वे भूल जाते हैं कि पर्यावरण और तंत्रिका नेटवर्क भी शामिल हैं। यह किसी दिए गए फ़ंक्शन को अलगाव में अनुकूलित करने और इसे आवश्यकतानुसार साझा करने के बारे में है।

सिस्टम कई यादृच्छिक मापदंडों के साथ शुरू होता है, अनुमान लगाता है, और फिर अधिक सफल उम्मीदवारों के पक्ष में अनुवर्ती अनुमान लगाता है, धीरे-धीरे चीजों को आदर्श उत्तर तक सीमित कर देता है। आप एक लाख संख्याओं से शुरू कर सकते हैं, लेकिन आप अंत में केवल एक के साथ समाप्त होंगे।

यह सुनने में थोड़ा रहस्यमयी लगता है, लेकिन इसके फायदों को समझना आसान है। तकनीक तंत्रिका नेटवर्क के प्रशिक्षण में बहुत सारे पारंपरिक क्रॉफ्ट को समाप्त कर देती है, जिससे कोड को लागू करना आसान हो जाता है और लगभग दो से तीन गुना तेज हो जाता है। और जब इस योजना में 'श्रमिकों' को केवल एक-दूसरे के साथ डेटा के छोटे-छोटे टुकड़े साझा करने की आवश्यकता होती है, तो विधि एक समस्या पर जितने अधिक प्रोसेसर कोर फेंकती है, उतनी ही खूबसूरती से स्केल करती है। परीक्षणों में, 1,440 कोर वाला एक बड़ा सुपरकंप्यूटर एक ह्यूमनॉइड को एक सामान्य सेटअप के लिए 10 मिनट बनाम 10 घंटे में चलने के लिए प्रशिक्षित कर सकता है, और यहां तक कि एक 'नीच' 720-कोर सिस्टम भी 1 घंटे में वह कर सकता है जो 32-कोर सिस्टम लेता है। पूरा करने के लिए पूरा दिन।

वास्तविक दुनिया एआई में उपयोग किए जाने वाले ब्लैक बॉक्स दृष्टिकोण को देखने से पहले आपको एक लंबा रास्ता तय करना है। हालांकि, व्यावहारिक निहितार्थ स्पष्ट हैं: तंत्रिका नेटवर्क ऑपरेटर वास्तव में उन्हें प्रशिक्षित करने के बजाय अपने सिस्टम का उपयोग करने में अधिक समय व्यतीत कर सकते हैं। और जैसे-जैसे कंप्यूटर तेजी से बढ़ते हैं, इससे इस तरह की शिक्षा वास्तविक समय में प्रभावी ढंग से होने की संभावना बढ़ जाती है। आप अंततः ऐसे रोबोट देख सकते हैं जो नए कार्यों के अनुकूल होने और गलतियों से सीखने के लिए बहुत तेज़ हैं।