AI குமிழியைப் பரிந்துரைக்கும் வரலாறு

பொருளாதாரத்தை மந்தநிலையில் நழுவவிடாமல் தனித்து நின்று கொண்டிருந்த AI துறை, நீடிக்க முடியாத குமிழியாக மாறிவிட்டதாக சில முதலீட்டாளர்கள் மத்தியில் கவலைகள் அதிகரித்து வருகின்றன. AI இல் பயன்படுத்தப்படும் சில்லுகளின் முக்கிய சப்ளையர் Nvidia, $5 டிரில்லியன் மதிப்புள்ள முதல் நிறுவனம் ஆனது. இதற்கிடையில், ChatGPIT இன் டெவலப்பரான OpenAI இன்னும் லாபத்தை ஈட்டவில்லை மற்றும் ஆண்டுக்கு பில்லியன் டாலர்களை முதலீடு செய்கிறது. ஆயினும்கூட, நிதியாளர்கள் மற்றும் துணிகர முதலீட்டாளர்கள் OpenAI, Anthropic மற்றும் பிற AI ஸ்டார்ட்அப்களில் தொடர்ந்து பணத்தை ஊற்றி வருகின்றனர். AI ஆனது பொருளாதாரத்தின் ஒவ்வொரு துறையையும் மாற்றியமைக்கும் என்றும், முன்பு தட்டச்சு செய்பவர்கள் மற்றும் சுவிட்ச்போர்டு ஆபரேட்டர்களில் நடந்தது போல், வேலைகள் தொழில்நுட்பத்தால் மாற்றப்படும் என்றும் அவர்கள் கூறுகின்றனர்.

இருப்பினும், இந்த பந்தயம் வெற்றியடையாமல் போகலாம் என்று கவலைப்படுவதற்கு காரணங்கள் உள்ளன. கடந்த மூன்று தசாப்தங்களாக, பேச்சு அங்கீகாரம் போன்ற குறுகிய குறிப்பிட்ட பணிகளை மேம்படுத்த AI ஆராய்ச்சி நடத்தப்பட்டது. இருப்பினும், ChatGPT மற்றும் கிளவுட் போன்ற பெரிய மொழி மாதிரிகள் (LLMகள்) தோன்றியதால், AI முகவர்கள் முன்னேற்றத்தை அளவிடுவதற்கான தெளிவான வழிகள் இல்லாமல் பணிகளைச் செய்யும்படி கேட்கப்படுகிறார்கள்.

உதாரணமாக பவர்பாயிண்ட் விளக்கக்காட்சியை உருவாக்கும் எளிமையான பணியை எடுத்துக் கொள்ளுங்கள். ஒரு நல்ல விளக்கக்காட்சியை உருவாக்குவது எது? சிறந்த நடைமுறைகளை நாம் சுட்டிக்காட்டலாம், ஆனால் “சிறந்த” ஸ்லைடுஷோ ஆக்கப்பூர்வமான செயல்முறைகள், நிபுணர் தீர்ப்பு, வேகம், விவரிப்பு உணர்வு மற்றும் அகநிலை சுவை ஆகியவற்றைச் சார்ந்துள்ளது. வருடாந்திர மதிப்பாய்வு விளக்கக்காட்சிகள் தொடக்க பிட்சுகள் மற்றும் திட்டப் புதுப்பிப்புகளிலிருந்து மாறுபடும். நீங்கள் ஒரு நல்ல விளக்கக்காட்சியைப் பார்க்கும்போது உங்களுக்குத் தெரியும் – அது தோல்வியடையும் போது அது உறிஞ்சும். ஆனால் AI ஐ மதிப்பிடுவதற்கு தற்போது புலத்தால் பயன்படுத்தப்படும் தரப்படுத்தப்பட்ட சோதனைகள் மேலே உள்ள பண்புகளை கைப்பற்ற முடியாது.

இது ஒரு சிறிய பிரச்சனையாகத் தோன்றலாம், ஆனால் மதிப்பீட்டு நெருக்கடிகள் வரலாற்று AI சிதைவுக்கு பங்களித்தன. AI உண்மையில் எவ்வளவு சிறந்தது என்பதற்கான துல்லியமான அளவீடுகள் இல்லாமல், நாம் இப்போது வேறு ஒன்றை நோக்கி செல்கிறோமா என்பதை அறிவது கடினம்.

மேலும் படிக்க: AI கட்டிடக் கலைஞர்கள் டைம்ஸின் 2025 ஆம் ஆண்டின் சிறந்த நபர்கள்

AI இன் பிறப்பு பெரும்பாலும் 1956 இல் டார்ட்மவுத்தில் ஒரு சிறிய பட்டறையில் கண்டறியப்பட்டது, இது கணினி விஞ்ஞானிகள், உளவியலாளர்கள் மற்றும் பிறரை இயந்திரங்களில் மனித நுண்ணறிவைப் பிரதிபலிப்பதில் பகிரப்பட்ட ஆர்வத்துடன் ஒன்றிணைந்தது. பனிப்போரின் போது தொழில்நுட்ப மேலாதிக்கத்தைப் பேணுவதற்காகக் குற்றம் சாட்டப்பட்ட பாதுகாப்புத் துறையின் ஒரு நிறுவனமான டிஃபென்ஸ் அட்வான்ஸ்டு ரிசர்ச் ப்ராஜெக்ட்ஸ் ஏஜென்சியில் (தர்பா) ஒரு சக்திவாய்ந்த பயனாளியை இந்தத் துறை விரைவில் கண்டறிந்தது. அறிவியல் பந்தயத்தில் பின்தங்குவதைத் தவிர்ப்பதற்காக, அடுத்த 40 ஆண்டுகளில் பல்கலைக்கழகங்கள் மற்றும் தனியார் நிறுவனங்களில் உள்ள AI ஆராய்ச்சியாளர்களுக்கு தர்பா குறிப்பிடத்தக்க மானியங்களை வழங்கியது.

புதிய தொழில்நுட்பங்கள் கண்டுபிடிக்கப்பட்டதால் இந்த முதல் தசாப்தங்கள் உற்சாகத்தின் உச்சங்களால் வரையறுக்கப்பட்டன, அதைத் தொடர்ந்து அவை பயனுள்ள பயன்பாடுகளாக உருவாகத் தவறியதால் ஏமாற்றத்தின் பள்ளத்தாக்குகள் இருந்தன. 1980 களில், இந்த சுழற்சியானது “நிபுணத்துவ அமைப்புகள்” எனப்படும் AI தொழில்நுட்பத்தால் தூண்டப்பட்டது, இது மருத்துவர்கள் மற்றும் நிதி திட்டமிடுபவர்கள் போன்ற நிபுணர்களின் நுண்ணறிவுடன் இயந்திரங்களை உருவாக்குவதாக உறுதியளித்தது. ஹூட் கீழ், இந்த திட்டங்கள் மனித நிபுணத்துவத்தை முறையான விதிகளாக குறியீடாக்கியது: நோயாளிக்கு காய்ச்சல் மற்றும் சொறி இருந்தால், தட்டம்மை பரிசோதனை.

கடன் விண்ணப்பங்களை தானியக்கமாக்குதல் போன்ற ஆரம்பகால வெற்றிகளின் அடிப்படையில், நிபுணர் அமைப்புகள் தொழில்துறையில் இருந்து குறிப்பிடத்தக்க கவனத்தையும் முதலீட்டையும் ஈர்த்தது. ஆனால் இந்த நம்பிக்கையானது கடுமையான சோதனையை விட விளம்பரத்தால் இயக்கப்பட்டது. நடைமுறையில், இந்த நிபுணத்துவ அமைப்புகள் மிகவும் சிக்கலான பணிகளுடன் சவால் செய்யும்போது விசித்திரமான மற்றும் சில நேரங்களில் பேரழிவு தரும் தவறுகளை செய்கின்றன. ஒரு நகைச்சுவை நிகழ்ச்சியின் போது, ​​ஒரு ஆணின் தொற்று முன் அம்னோசென்டெசிஸ் (கர்ப்பிணிப் பெண்களுக்கு செய்யப்படும் ஒரு செயல்முறை) மூலம் ஏற்படலாம் என்று ஒரு நிபுணர் அமைப்பு பரிந்துரைத்தது. பாலினத்திற்கான விதியைச் சேர்க்க ஆராய்ச்சியாளர்கள் மறந்துவிட்டார்கள் என்று மாறியது.

அந்த நேரத்தில், கடுமையான AI விமர்சகர் ஹூபர்ட் ட்ரேஃபஸ் இந்த தோல்விகளை “முதல் படியின் தவறு” என்று விவரித்தார், நிபுணத்துவ அமைப்புகளை உண்மையான நுண்ணறிவுக்கான முன்னேற்றத்துடன் தொடர்புபடுத்துவது, “முதல் விலங்கினங்கள் ஒரு மரத்தில் ஏறிய முதல் விலங்கினமானது நிலவுக்கு செல்லும் விமானத்தை நோக்கி முதல் அடி எடுத்து வைப்பது போல” என்று வாதிட்டார். சிக்கல் என்னவென்றால், பணிகள் மிகவும் சிக்கலானதாக மாறியதால், சாத்தியமான ஒவ்வொரு வழக்குக்கும் தேவையான விதிகளின் எண்ணிக்கை அதிகரித்தது. டிக்-டாக்-டோவிலிருந்து செக்கர்ஸ் மற்றும் செஸ்க்கு நகர்வதைப் போல, சாத்தியக்கூறுகளின் எண்ணிக்கை வளர்வது மட்டுமல்லாமல், அதிவேகமாக வளர்கிறது.

நிபுணர் அமைப்புகளால் மேலும் முன்னேற முடியாது என்பது தெளிவாகத் தெரிந்ததும், 1980களின் பிற்பகுதியில் AI ஆராய்ச்சி “AI Winter” என்று அழைக்கப்பட்டது. மானியங்கள் வறண்டுவிட்டன, நிறுவனங்கள் மூடப்பட்டன, AI என்பது ஒரு மோசமான வார்த்தையாக மாறியது.

பின்னர், DARPA அதன் AI நிதியுதவி உத்தியை மறு மதிப்பீடு செய்தது. எந்த வரிகளும் இணைக்கப்படாத மானியங்களை வழங்குவதற்குப் பதிலாக, அரசாங்க திட்ட மேலாளர்கள் தரப்படுத்தப்பட்ட தேர்வில் அதிக மதிப்பெண்களை அடைவதன் அடிப்படையில் வெகுமதிகளை வழங்கத் தொடங்கினர், அதை அவர்கள் “பெஞ்ச்மார்க்” என்று அழைத்தனர். மருத்துவ நோயறிதல் போன்ற சிக்கலான சிக்கல்களைப் போலல்லாமல், அடையக்கூடிய மற்றும் உடனடி வணிக மற்றும் இராணுவ மதிப்புள்ள சிறிய அளவிலான பணிகளில் வரையறைகள் கவனம் செலுத்துகின்றன. முடிவுகளைச் சரிபார்க்க அவர்கள் அளவு அளவீடுகளையும் பயன்படுத்தினர். உங்கள் கணினி இந்த வாக்கியத்தை ரஷ்ய மொழியில் இருந்து ஆங்கிலத்திற்கு துல்லியமாக மொழிபெயர்க்க முடியுமா, இந்த ஆடியோ துணுக்கைப் படியெடுக்க முடியுமா அல்லது இந்த ஆவணங்களில் உள்ள எழுத்துக்களை டிஜிட்டல் மயமாக்க முடியுமா? நம்பிக்கைக்குரிய ஆனால் முழுமையடையாத தொழில்நுட்பங்களின் அடிப்படையில் கவர்ச்சிகரமான கூற்றுக்களை வழங்குவதை விட ஆராய்ச்சியாளர்கள் அதிகம் செய்ய வேண்டியிருந்தது. நிதியுதவி பெற, அவர்கள் தரவரிசையில் முன்னேற்றத்திற்கான உறுதியான ஆதாரங்களை வழங்க வேண்டும்.

பொதுவான பிரச்சனைகளை நோக்கி AI ஆராய்ச்சியாளர்களை ஊக்குவிப்பதன் மூலம் இந்த அளவுகோல் போட்டிகள் பெயரிடப்படாத ஒரு துறையை ஒன்றிணைத்தன. ஒவ்வொரு ஆராய்ச்சிக் குழுவும் அதன் சொந்த திட்டங்களைத் தேர்ந்தெடுப்பதற்குப் பதிலாக, இலக்க அங்கீகாரம் அல்லது பேச்சு-க்கு-உரை போன்ற குறிப்பிட்ட பணிகளில் பணியாற்ற ஆராய்ச்சியாளர்களுக்கு நிதியளிப்பதன் மூலம் புலத்தின் கூட்டு நிகழ்ச்சி நிரலை DARPA வடிவமைத்தது. புதிய நிதியுதவி ஏற்பாட்டின் போட்டித் தன்மையானது, தரவரிசையில் குறைவான வெற்றியைப் பெற்ற AI நோக்குநிலைகள் விலக்கப்பட்டன. எடுத்துக்காட்டாக, தரவுகளிலிருந்து கற்றுக் கொள்ளக்கூடிய “இயந்திர கற்றல்” வழிமுறைகள் கடந்த காலத்தின் கையால் வடிவமைக்கப்பட்ட, விதி அடிப்படையிலான அணுகுமுறைகளில் ஆதிக்கம் செலுத்தியது என்பதை முதல் அளவுகோல் போட்டி நிரூபித்தது.

பொது லீடர்போர்டுகள் நிகழ்நேர கருத்துக்களை வழங்குவதற்காக விரைவில் உருவாக்கப்பட்டன, அதன் அல்காரிதம்கள் ஒவ்வொரு அளவுகோலிலும் தற்போதைய அதிகபட்ச மதிப்பெண்ணை பராமரிக்கின்றன, இது ஆராய்ச்சியாளர்களை கடந்தகால வெற்றிகளிலிருந்து கற்றுக்கொள்ள அனுமதிக்கிறது. பணிகள் தீர்க்கப்பட்டதால், அவற்றை மாற்றுவதற்கு மிகவும் சிக்கலான பணிகள் வந்தன. வார்த்தைகளை மொழிபெயர்ப்பது பத்திகளையும், இறுதியில் பல மொழிகளையும் மொழிபெயர்க்க வழிவகுத்தது. இலக்க அங்கீகாரம், படங்களையும் பின்னர் வீடியோக்களிலும் பொருள் அங்கீகாரத்திற்கு வழி வகுத்தது.

2010 களின் முற்பகுதியில், செயற்கை நரம்பியல் நெட்வொர்க்குகள் அல்லது “ஆழ்ந்த கற்றல்” என்று அழைக்கப்படும் மனித மூளையால் ஈர்க்கப்பட்ட இயந்திர கற்றல் அணுகுமுறைக்கு பெஞ்ச்மார்க் ஆராய்ச்சியாளர்களை நம்பவைத்த பிறகு முன்னேற்றம் துரிதப்படுத்தப்பட்டது. சில ஆண்டுகளுக்குள் பேச்சு-க்கு-உரை வழிமுறைகள் நவீன AI உதவியாளர்களுக்கு சக்தி அளித்தன, மேலும் கட்டி கண்டறிதல் வழிமுறைகள் சில புற்றுநோய்களில் கதிரியக்க வல்லுனர்களை விட சிறப்பாக செயல்படத் தொடங்கின. தரப்படுத்தல் என்பது அன்றாட வாழ்வில் பயன்படுத்தக்கூடிய AI ஐ நோக்கி முதல் படிகளை எடுத்துள்ளது.

தசாப்தத்தின் முடிவில், முக்கிய பணிகளில் அவர்களின் முன்னேற்றம், திரைக்கதைகள் மற்றும் கவிதைகள் போன்ற சரளமான, சமூகப் பொருத்தமான உரையை உருவாக்கக்கூடிய ஆழமான கற்றல் வழிமுறைகளுக்கு வழிவகுத்தது என்பதைக் கண்டு களம் ஆச்சரியமடைந்தது. இந்த திறன்கள் செய்தன இல்லை வரையறைகளில் தோன்றும், ஏனெனில் வரையறைகள் அவற்றைக் கண்டறிய வடிவமைக்கப்படவில்லை. இந்த வெளிப்பாடு AI புரட்சியை ஊக்குவித்தது, இன்று சந்தையில் ஆதிக்கம் செலுத்தும் ChatGPT, Cloud போன்ற பெரிய மொழி மாதிரிகளுக்கு வழிவகுத்தது. இது இப்பகுதியில் கிடைத்த மிகப்பெரிய வெற்றியாகும். ஆனாலும், இந்த புதிய தொழில்நுட்பத்தால், இத்துறை புதிய நெருக்கடியை எதிர்கொள்கிறது.

எளிமையாகச் சொன்னால், இப்போது நாம் தானியங்கு செய்ய விரும்பும் பணிகளுக்கு தெளிவான தரநிலைகள் இல்லை. “சரியான” பவர்பாயிண்ட், சந்தைப்படுத்தல் பிரச்சாரம், அறிவியல் கருதுகோள் அல்லது கவிதை எதுவும் இல்லை. சரியான அல்லது தவறான பதில் இருக்கும் பொருள் அங்கீகாரம் போலல்லாமல், இவை சிக்கலான, ஆக்கப்பூர்வமான, பல பரிமாண மற்றும் செயல்முறை அடிப்படையிலான சிக்கல்கள், மேலும் கடினமான வரையறைகள் கூட புறநிலையாக முன்னேற்றத்தை அளவிட முடியாது.

இதன் விளைவாக, ChatGPIT, Cloud, Gemini மற்றும் Copilot ஆகியவற்றின் புதிய மாடல்கள் திடமான வரையறைகளாக “வைப் சோதனைகள்” மூலம் மதிப்பிடப்படுகின்றன. நாம் தற்போது இரண்டு போதிய அணுகுமுறைகளுக்கு இடையே சிக்கியுள்ளோம்: குறுகிய திறன்களை துல்லியமாக அளவிடும் பழைய பாணி வரையறைகள் மற்றும் இந்த அமைப்புகளின் நடைமுறை திறன்களைப் பிடிக்க முயற்சிக்கும் தரமான மதிப்பீடுகள், ஆனால் முன்னேற்றத்திற்கான தெளிவான, அளவு ஆதாரங்களை உருவாக்க முடியாது. இந்த அணுகுமுறைகளை இணைக்கும் புதிய மதிப்பீட்டு முறைகளை ஆராய்ச்சியாளர்கள் ஆராய்ந்து வருகின்றனர், ஆனால் இது மிகவும் கடினமான பிரச்சனை.

தற்போதைய முதலீடுகள் அடுத்த மூன்று முதல் ஐந்து ஆண்டுகளில் குறிப்பிடத்தக்க ஆட்டோமேஷன் வரும் என்று கருதுகிறது. ஆனால் நம்பகமான மதிப்பீட்டு முறைகள் இல்லாமல், எல்.எல்.எம்-அடிப்படையிலான தொழில்நுட்பங்கள் நம்மை உண்மையான ஆட்டோமேஷனுக்கு இட்டுச் செல்கின்றனவா அல்லது ட்ரேஃபஸ் தவறுகளை மீண்டும் மீண்டும் ஒரு முட்டுச்சந்தில் பாதையில் முதல் படிகளை எடுக்கின்றனவா என்பதை அறிய முடியாது. எதிர்கால உள்கட்டமைப்புக்கும் குமிழிக்கும் உள்ள வித்தியாசம் இதுதான். இப்போது, ​​எதைக் கட்டுகிறோம் என்று சொல்வது கடினம்.

பெர்னார்ட் கோச் சிகாகோ பல்கலைக்கழகத்தில் சமூகவியல் உதவிப் பேராசிரியராக உள்ளார், அவர் மதிப்பீடு அறிவியல், தொழில்நுட்பம் மற்றும் கலாச்சாரத்தை எவ்வாறு வடிவமைக்கிறது என்பதை ஆய்வு செய்கிறார். டேவிட் பீட்டர்சன் பர்டூ பல்கலைக்கழகத்தில் சமூகவியல் உதவிப் பேராசிரியராக உள்ளார், அவர் AI எவ்வாறு அறிவியலை மாற்றுகிறது என்பதை ஆய்வு செய்கிறார்.

மேட் பை ஹிஸ்டரி, தொழில்முறை வரலாற்றாசிரியர்களால் எழுதப்பட்ட மற்றும் திருத்தப்பட்ட கட்டுரைகளின் தலைப்புச் செய்திகளுக்கு அப்பால் வாசகர்களை அழைத்துச் செல்கிறது. TIME மணிக்கு வரலாற்றால் உருவாக்கப்பட்டதைப் பற்றி மேலும் அறிக. வெளிப்படுத்தப்பட்ட கருத்துக்கள் TIME ஆசிரியர்களின் கருத்துக்களைப் பிரதிபலிக்க வேண்டிய அவசியமில்லை,