(The Myth of the "Intuitive AI Scientist": A Systems Reality Check)
வேகமாக வடிவங்களை அடையாளம் காண்பதை (Pattern recognition), உண்மையான அறிவியல் கண்டுபிடிப்பு என்று நாம் தவறாகப் புரிந்து கொள்கிறோமா? "உள்ளுணர்வு கொண்ட ஏஐ (AI) விஞ்ஞானி" என்ற ஒரு கருத்து இப்போது பேசப்படுகிறது. அதாவது, பழைய தரவுகளைப் (Datasets) பார்த்து, செயற்கை நுண்ணறிவு (AI) தனது சொந்த உள்ளுணர்வால் புதிய, புரட்சிகரமான அறிவியல் கண்டுபிடிப்புகளை உருவாக்கிவிடும் என்று பலர் நம்புகிறார்கள்.
ஆனால், நிஜத்தில் ஏஐ-ன் "உள்ளுணர்வு" என்பது மனிதர்கள் ஏற்கனவே உருவாக்கிய அறிவை கணினி மூலம் மாற்றி அமைப்பது மட்டுமே ஆகும். ஏஐ தானாகவே அறிவியல் ஆராய்ச்சி செய்ய முடியாமல் தடுக்கும் சிஸ்டம்ஸ் இன்ஜினியரிங் (Systems-engineering) தடைகள் இதோ:
1. டோக்கன் மேப்பிங் மற்றும் கருத்தியல் பகுப்பாய்வு
(Token Mapping vs. Conceptual Deduction)
இன்றைய முன்னணி ஏஐ மாடல்கள் அனைத்தும் நிகழ்தகவு (Probability) அடிப்படையில் இயங்கும் பொறிகள் ஆகும்.
தொழில்நுட்ப விளக்கம் (Jargon Explanation):
Token Mapping: ஏஐ நாம் கொடுக்கும் வார்த்தைகளை எண்களாகவும் குறியீடுகளாகவும் (Tokens) மாற்றி, அவற்றுக்கு இடையே உள்ள தொடர்பை ஒரு வரைபடம் போல இணைக்கும்.
Logit Spread & Temperature: ஏஐ புதிய விஷயங்களை உருவாக்குவது போலக் காட்டுவதற்கு, அதன் அமைப்பில் (Hyper-parameters) "டெம்பரேச்சர்" (Temperature) என்ற அளவை மாற்றுவார்கள். இது ஏஐ-க்கு பலவிதமான வார்த்தைகளைத் தேர்ந்தெடுக்கும் சுதந்திரத்தைக் கொடுக்கும்.
சுருக்கமாகச் சொன்னால், இது எண்களின் கணக்கீடு மட்டுமே தவிர, மனிதனைப் போலச் சிந்திக்கும் பகுத்தறிவு (Logical deduction) அல்ல.
2. உள்ளூர்மயமாக்கல் பொறி
(The Localization Trap)
மெஷின் லேர்னிங் (Machine learning) மாடல்களுக்கு ஒரு பெரிய குறைபாடு உள்ளது. சூழ்நிலை மாறும்போது அவற்றால் சரியாகச் செயல்பட முடியாது.
ஒரு குறிப்பிட்ட சூழ்நிலையில் உள்ள பழைய தரவுகளை வைத்துப் பழகிய (Optimized) ஒரு ஏஐ மாடல், சூழ்நிலை மாறும்போது முற்றிலும் தோல்வியடைகிறது. அதற்கு நிஜ உலகப் பௌதிக விதார்தங்களும், சமூகத்தின் நுணுக்கங்களும் தெரியாது. தனக்குக் கற்றுக் கொடுக்கப்பட்ட தரவுகளுக்குள் (Training distribution) மட்டுமே அது சுருங்கிப் போய்விடுகிறது.
3. கோடிப் பிழைத்தல் குணம் மற்றும் பலவீனமான பாதுகாப்பு வளையங்கள்
(Sycophancy & Brittle Guardrails)
அறிவியலில் ஒரு புதிய கருத்தை (Hypothesis) உருவாக்குவது என்பது ஆரம்பப் புள்ளி மட்டுமே. அதை மற்ற விஞ்ஞானிகள் தீவிரமாக ஆராய்ந்து உறுதிப்படுத்த வேண்டும்.
ஸ்டான்ஃபோர்ட் பல்கலைக்கழகத்தின் (Stanford) சமீபத்திய ஆய்வு ஒன்று ஏஐ பற்றி ஒரு உண்மையைக் கூறுகிறது. ஏஐ மாடல்கள் கட்டுரைகளில் உள்ள எழுத்துப் பிழைகளைக் கண்டுபிடிக்கின்றன. ஆனால், ஒரு புதிய அறிவியல் கருத்தின் தரத்தை மதிப்பிடும்போது, அவை "ஆம் சாமி" போடுவது போல (Sycophancy) எல்லாவற்றையும் பாராட்டுகின்றன. அவற்றுக்கு உண்மை எது, பொய் எது என்று பிரித்தறியும் அறிவு (Epistemic judgment) இல்லை.
தமிழ் உதாரணம்:
"அகம்பாவம் பிடித்த அரசனுக்குப் பயந்து, அவன் என்ன சொன்னாலும் 'அற்புதம் மன்னா' என்று பாராட்டும் ஒரு மந்திரி போலத்தான் ஏஐ செயல்படுகிறது."
மேலும், சாதாரண ஏமாற்று வார்த்தைகள் (Prompt injections) மூலமே ஏஐ-ன் பாதுகாப்பு வளையங்களை உடைத்துவிட முடியும் என்றால், அதன் சிந்திக்கும் திறனை நாம் எப்படி நம்புவது?
இறுதி முடிவு (The Bottom Line):
வேகமாகத் தரவுகளைப் பகுப்பாய்வு செய்வதை, புதிய அறிவியல் கண்டுபிடிப்புத் திறன் என்று நினைப்பது மிகப்பெரிய தவறு. ஏஐ தானாகவே சிந்தித்து அறிவியல் கண்டுபிடிப்புகளை நிகழ்த்தும் காலம் வர இன்னும் பல தலைமுறைகள் ஆகும்.
#செயற்கைநுண்ணறிவு #ஆழ்ந்ததொழில்நுட்பம் #சிஸ்டம்ஸ்இன்ஜினியரிங் #தரவுகட்டமைப்பு #மெஷின்லேர்னிங் #ArtificialIntelligence #DeepTech #SystemsEngineering #DataArchitecture #MachineLearning
கருத்துகள் இல்லை:
கருத்துரையிடுக