ChatGPT യും
​​​​​​​ബോധജ്ഞാനവും

ചാറ്റ്ജിപിടി മനുഷ്യരുമായി പെട്ടെന്ന് ഇടപഴകും, വിസ്തൃതമായ ആഖ്യാനങ്ങള്‍ കാഴ്ച വെയ്ക്കും എന്നൊക്കെയുള്ള പുതുമ അതിനെ  സര്‍വ്വസ്വീകാര്യതയില്‍ എത്തിച്ചു എന്നേയുള്ളൂ. ബോധജ്ഞാനത്തിലേക്കുള്ള കമ്പ്യൂട്ടര്‍ കുതിപ്പിന്റെ ലക്ഷണമൊന്നുമല്ല. 

ബോധജ്ഞാനം എന്താണെന്നുള്ളതിന്​ കൃത്യമായ പ്രായോഗിക, ന്യൂറോണല്‍ പരമായ നിര്‍വ്വചനം ഇല്ല. ന്യൂറോണ്‍ വലയങ്ങളുടെ പ്രവര്‍ത്തനങ്ങളാല്‍ വികാരങ്ങള്‍ ഉളവാകുന്നത് എങ്ങനെയെന്നതിന്​ വിവരണങ്ങളുണ്ട്​ എന്നത്​സത്യമാണെങ്കിലും ന്യൂറോണുകളും ന്യൂറോണുകളും തമ്മില്‍ ഘടിപ്പിക്കപ്പെടുമ്പോള്‍ അത് ബോധമായി രൂപാന്തരപ്പെടുന്നത് എങ്ങനെയെന്നതില്‍ ഒരു പൊതുതീര്‍പ്പ് ശാസ്ത്രജ്ഞർക്കിടയിലുണ്ടായിട്ടില്ല. മനസ്സ് ശരീരത്തില്‍ നിന്ന് വേര്‍പെട്ടതാണോ? ബാഹ്യമായ ചോദനകള്‍ വഴിയല്ലെങ്കിലും തലച്ചോറ് പ്രവര്‍ത്തിക്കുന്നില്ലെ? കാഴ്ച നഷ്ട​പ്പെട്ടവര്‍ക്കും മായവിഭ്രമം വഴിയോ അല്ലാതെയോ വസ്തുക്കള്‍ കാണുന്നതായി അനുഭവിക്കപ്പെടുന്നുണ്ടല്ലോ?  പരിസരങ്ങളുമായി ബന്ധം വേണമോ ബോധം ഉദിയ്ക്കാന്‍? ഈ ചോദ്യങ്ങള്‍ പണ്ടേ തന്നെ വേദാന്തികളെ ആകര്‍ഷിച്ചിരുന്നു, അവര്‍ ഇന്നും സിദ്ധാന്തങ്ങളുമായി എത്തുന്നുണ്ട്. എന്നാല്‍ ബോധജ്ഞാനസംബന്ധിയായ ആധുനിക ശാസ്ത്രവികാസപരിണാമങ്ങള്‍ ,പ്രത്യേകിച്ചും ന്യൂറോ ശാസ്ത്രം, ന്യൂറോ സര്‍ജറി, ന്യൂറോ എന്‍ജിനീറിങ്ങ് എന്നിവയിലേത് വേദാന്തികളുടെ ചാരുകസേരയില്‍ നിന്ന് ഈ തത്വശസ്ത്രത്തെ പരീക്ഷണശാലകളിലും ക്ലിനിക്കുകളിലും എത്തിച്ചിരിക്കയാണ്.

കമ്പ്യൂട്ടറുകള്‍ക്ക് മനുഷ്യമനസ്സിനെ അനുകരിക്കാമെന്നത് ബോധജ്ഞാനത്തെക്കുറിച്ച് ആഴത്തിലുള്ള ചോദ്യങ്ങള്‍ ചോദിക്കാന്‍ പ്രേരിപ്പിക്കുന്നുണ്ട്. മനുഷ്യമസ്തിഷ്‌ക്കത്തിന്​ സാധിക്കാത്തതു പലതും കമ്പ്യൂട്ടറുകള്‍ ചെയ്യുകയാണ്. എന്നാല്‍ പായസത്തിന്റെ രുചി അറിയാനോ ഒരു ആലിംഗനത്തിന്റെ നിര്‍വൃതി അനുഭവപ്പെടാനോ അതിനു സാദ്ധ്യമാണോ? തല്‍ക്കാലം അല്ല തന്നെ. ബുദ്ധി എന്താണെന്ന് ശാസ്ത്രനിപുണരില്‍ അഭിപ്രായവ്യത്യാസമുണ്ടെങ്കിലും അതിന്റെ ചില പ്രായോഗികത തീര്‍ച്ചയായും പ്രകടിപ്പിക്കുന്നുണ്ട്, ഈ ആധുനിക യന്ത്രങ്ങള്‍. ശരിക്കും അതിബുദ്ധിയുള്ള യന്ത്രമാണെങ്കില്‍ അതിന്​ ബോധജ്ഞാനമുളവാകാനും സാദ്ധ്യതയില്ലെ? ഉണ്ടെന്നുള്ള അനുമാനം ഹോളിവുഡ് സിനിമകളില്‍ (ബ്‌ളേഡ് റണ്ണര്‍, ഹെര്‍, എക്‌സ് മാക്കിന മുതലയാവ) നമ്മള്‍ കണ്ടനുഭവിച്ചതാണ്, ഇത്തരം ഭാവനകള്‍ യാഥാര്‍ഥ്യമാകുന്നുണ്ടെന്ന് ചരിത്രം ഉദ് ഘോഷിക്കുന്നുമുണ്ട്. മറ്റുള്ളവരുടെ മനോരീതികള്‍ നമ്മള്‍ മനസ്സിലാക്കെയെടുക്കുന്ന ‘തിയറി ഓഫ് മൈന്‍ഡ്' പ്രതിഭാസം ആധുനിക കമ്പ്യൂട്ടറുകള്‍ സ്വായത്തമാക്കിയിട്ടുണ്ട്. ബോധജ്ഞാനത്തെ അപഗ്രഥിക്കുന്ന രണ്ട് സിദ്ധാന്തങ്ങള്‍ നിലവിലുണ്ട്. Global neuronal workspace (GNW) theory, Integrated Information Theory (IIT) എന്നിവ. ഇവയില്‍ ചില പൊതുഘടകങ്ങള്‍ വീക്ഷിക്കാമെങ്കിലും കൃത്യമായ പ്രയോഗസത്യം തിരിച്ചറിയാന്‍ പ്രയാസമുണ്ട്.

കൃത്രിമ ന്യൂറല്‍ വലയങ്ങള്‍ (Artificial Neural Networks)

തലച്ചോറിലെ ന്യൂറോണ്‍ -ന്യൂറോണ്‍ ബന്ധപ്പെടലുകളാണ് വലയങ്ങള്‍ തീര്‍ത്ത് തലച്ചോറിന്റെ വിവിധ പ്രവര്‍ത്തനങ്ങള്‍ക്ക് ആധാരമാകുന്നത്. കൃത്രിമമാണെങ്കിലും കമ്പ്യൂട്ടർ നിര്‍മ്മിച്ചെടുക്കുന്ന ഏകകങ്ങള്‍ക്ക് ‘ന്യൂറോണ്‍' എന്നുതന്നെയാണ് പേര്‍. മസ്തിഷ്‌ക്കവലയങ്ങള്‍ പോലെ ഇവ വലയങ്ങള്‍ തീര്‍ക്കുകയാണ്. വിവരങ്ങള്‍ പകര്‍ന്നുകിട്ടുന്ന (input) ന്യൂറോണുകളും അതില്‍ നിന്ന്​ ഉത്പന്നമാകുന്ന (output) ന്യൂറോണുകളും തമ്മില്‍ ഒരു അസ്ത്രചിഹ്നം കൊണ്ട് സൂചിപ്പിക്കാം. ഈ ബന്ധങ്ങളില്‍ ഓരോന്നിനും ഓരോ നിശ്ചിത മാര്‍ഗമുണ്ട് (Directed edges). കൂടാതെ നിശ്ചിത ഭാരവും (Weights). പലപട്ടണങ്ങളില്‍ നിന്ന് മറ്റ് പട്ടണങ്ങളിലേക്കുള്ള വിമാനമാര്‍ഗ്ഗം സൂചിപ്പിക്കുന്ന വലക്കണ്ണീഭൂപടം പോലെയാണിത്. യാത്രയ്ക്ക് ആവശ്യം വരുന്ന തുകയാണ് ആ മാര്‍ഗത്തിന്റെ ഭാരം. ഇത് ന്യൂറോണുകള്‍ തമ്മിലുള്ള സംവേദനങ്ങളുടെ തീക്ഷ്ണതയ്ക്ക് സമാനമാണ്. കൃത്രിമ ന്യൂറല്‍ വലയങ്ങള്‍ ബാഹ്യലോകത്തില്‍നിന്ന് സംവേദനങ്ങൾ സ്വീകരിക്കുകയും (ഒരു പൂച്ചയുടെ ചിത്രം സ്‌കാന്‍ ചെയ്തത് അല്ലെങ്കില്‍ ഒരു പ്രത്യേക പാറ്റേണ്‍ കമ്പ്യൂട്ടറില്‍ ചേര്‍ക്കുക) ഓരോ ന്യൂറോണ്‍ ബന്ധങ്ങളും അവയുടെ ഭാരം അനുസരിച്ച് മറ്റ് ഉൽപ്പന്ന ന്യൂറോണുകളില്‍ വിവരം കൈമാറുകയും അവ ഒരു അറിവ് വെളിവാക്കുകയും (ഇത് പൂച്ചയുടെ ചിത്രമാണ് എന്ന്) ചെയ്യുകയാണ്. ഈ രണ്ട് സംഘങ്ങളും അടരുകളായാണ് സംവിധാനം ചെയ്തിരിക്കുന്നത്, അതുകൊണ്ട് സങ്കീര്‍ണവുമാണ്. ഇവക്കുരണ്ടിനും ഇടയില്‍ മറയ്ക്കപ്പെട്ട അടരുകളുമുണ്ട് (hidden layers). ഈ അടര് input ഉം output ഉം തമ്മില്‍ ബന്ധിപ്പിക്കുകയാണ്. ഇത് പഠിച്ചെടുക്കല്‍ പ്രക്രിയുടെ അടിസ്ഥാനമാണ്. എന്നുവെച്ചാല്‍ പിന്നെ പൂച്ചയുടെ ആകൃതി എവിടെ കണ്ടാലും തിരിച്ചറിയാന്‍ പ്രാപ്തി നേടുകയാണ്. 

സാധാരണ കൃത്രിമ ന്യൂറല്‍ വലയങ്ങളില്‍ ഇന്‍പുട്ടിൽ നിന്ന് ഔട്ട്​പുട്ടിലേക്ക്​ ഒരു ദിശയില്‍ മാത്രമാണ് സംവേദനം. പക്ഷേ ഇപ്പോള്‍ മുന്‍പോട്ടും പിറകോട്ടും ഇത് സാധിച്ചെടുക്കുന്ന സമ്പ്രദായം വന്നു ചേര്‍ന്നിട്ടുണ്ട്. ‘പുനരാവര്‍ത്തിയായ ന്യൂറല്‍ വലയങ്ങള്‍’ (Recurrent Neural Network, RNN) എന്നാണിതിന്റെ പേര്. 

‘Deep learning' വാസ്തവത്തില്‍ ന്യൂറല്‍ വലയങ്ങളാണ്. ‘ആഴം' എന്നത് ഈ വലയങ്ങളില്‍ മേല്‍ച്ചൊന്നപോലെ മൂന്നു അടരുകള്‍ മാത്രം അല്ല, പല അടരുകളുണ്ടെന്ന്​ സൂചിപ്പിക്കുന്നു. വലിയ ഡാറ്റാ സെറ്റു (data set) കളില്‍ മനുഷ്യന്റെ ഇടപെടലുകള്‍ ആവശ്യമായി വരും input, output ഒക്കെ ക്രമീകരിക്കാന്‍. ഇതില്ലാതാക്കപ്പെട്ടിരിക്കയാണ് ഡീപ് ലേണിങ്ങിൽ. അതുകൊണ്ട് അസംഖ്യം ഡാറ്റാ സെറ്റുകള്‍ ഒരുമിച്ച് കൈകാര്യം ചെയ്ത് നെല്ലും പതിരും വേര്‍തിരിക്കുക സാദ്ധ്യമാവുകയാണ്. ആഖ്യാനമോ വിഷയവസ്തുവോ പ്രതിരൂപങ്ങളോ ചിത്രങ്ങളോ അതേപടി സ്വാംശീകരിച്ച് അര്‍ത്ഥം പൊരുള്‍ തിരിക്കുകയാണ്.

ബ്രഹത്​ ഭാഷാമാതൃക ( Large Language Model- LLM)

ഇഷ്ടം പോലെ ആഖ്യാനങ്ങള്‍ നിര്‍മിച്ചെടുക്കുന്ന ChatGPT പോലുള്ള ചാറ്റ്‌ബോട്ടുകള്‍ ബ്രഹ്​ത്​ ഭാഷാമാതൃക എന്ന സിസ്റ്റത്തിന്മേല്‍ നിര്‍മ്മിച്ചെടുത്തവയാണ്. ഭാഷ പഠിപ്പിച്ചെടുക്കുന്നതുപോലെ വാക്കുകളും വാചകങ്ങളും ചിഹ്നങ്ങളും കൊണ്ട് പരിശീലനം ചെയ്യപ്പെട്ടവയാണിവ. പഠിച്ചെടുത്തത് ഉപയോഗിക്കാന്‍ പ്രാപ്തമാണ് ഈ സിസ്​റ്റം. ആർട്ടിഫിഷ്യൽ ഇൻറലിജൻസിലെ വന്‍ പുരോഗമനസൂചകം. ഭാഷ എന്നത് അന്യോന്യ സംവേദനത്തിനപ്പുറം ഉപയോഗിക്കപ്പെടാവുന്നതാണ്. കമ്പ്യൂട്ടറിന്റെ ഭാഷയാണ് ‘കോഡ്'. പ്രോട്ടീനും ഡി.എന്‍.എ അനുക്രമങ്ങളും (sequences) ജീവശാസ്ത്രത്തിന്റെ കോഡ് ആയിരിക്കുന്നപോലെ. ഭാഷയുടെ പൊതുനിയമങ്ങള്‍ ഉപയോഗിച്ച് ഇവയിലൊക്കെ സംവേദനം സാദ്ധ്യമാണ്. ഡീപ് ലേണീങ്ങിന്റെ സങ്കീര്‍ണ കണക്കുപടികള്‍ (ആല്‍ഗൊരിതം) ഇവിടെ ഉപയോഗിക്കപ്പെടുകയാണ്. പടുകൂറ്റന്‍ ഡാറ്റാ സെറ്റുകള്‍ ഉപയോഗിച്ച്, അതിലെ വ്യാഖ്യാനങ്ങൾ പൊരുൾ തിരിച്ച് സമ്മാനിക്കുകയാണ് ഈ ബ്രഹത്​ ഭാഷാമാതൃക. എളുപ്പത്തില്‍ തിരിച്ചറിഞ്ഞ്, ചുരുക്കിയെടുത്ത്, പരിഭാഷപ്പെടുത്തി, പ്രവചിച്ച് ആഖ്യാനങ്ങള്‍ വിരചിക്കപ്പെടുകയാണ് ഈ വിദ്യ മൂലം. നിര്‍മ്മിച്ചെടുക്കാനും നിലനിർത്താനും ദുഷ്‌ക്കരമാണെങ്കിലും ഓരോ വര്‍ഷവും പത്തിരട്ടി വലിപ്പമാണ് ഈ LLM സ്വായത്തമാക്കുന്നത്. 

 ചാറ്റ്ജിപിടി എന്ന പുതിയ കുട്ടി

ബ്രഹത്​ ഭാഷാമാതൃക (LLM) യുടെ ഏറ്റവും പുതിയ കുഞ്ഞാണ് ചാറ്റ്ജിപിടി. നമ്മള്‍ പറഞ്ഞുകൊടുക്കുന്ന വിഷയങ്ങളില്‍ കഥയും കവിതയും നാടകവും സിനിമാ സ്‌ക്രിപ്റ്റും എഴുതുന്ന പ്രതിഭ. പ്രിയതരമായി നര്‍മ്മസംഭാഷണങ്ങളില്‍ ഏര്‍പ്പെടുന്ന നിര്‍മല മനസ്സ്. പക്ഷേ തെറ്റുകളിലേക്ക് വഴുതുവീഴുമെന്ന ദോഷം ഉണ്ട്. കണക്കുചോദ്യങ്ങളില്‍ ഉത്തരം പാളിപ്പോകുന്നു. യുക്തിചിന്തകളിലും ന്യായവാദങ്ങളിലും പതര്‍ച്ച. ആള്‍ജിബ്ര ചോദ്യത്തിന്​ ചാറ്റ്ജിപിടി തെറ്റായ ഉത്തരമാണ് തന്നത്. ഹൈസ്‌കൂള്‍ ലെവലിലുള്ള കണക്കു പരീക്ഷയില്‍ 26% മാര്‍ക്ക് മാത്രമേ കിട്ടിയുള്ളു പാവം ചാറ്റ്ജിപിടിയ്ക്ക്. പരിശീലനസമയ്ത്ത് ലഭിച്ചത് സ്വരൂപിച്ച്, സ്റ്റാറ്റിസ്റ്റിക്‌സ് അനുസരിച്ച് ക്രമപ്പെടുത്തിയതാണ്, കിട്ടിയ വാക്കുകള്‍, വാചകങ്ങള്‍ ചിഹ്നങ്ങള്‍ ഒക്കെ ഉപയോഗിച്ചാല്‍ ഇത്രയ്‌ക്കൊക്കെയേ വരൂ.

എന്നാല്‍ 2022- ലിറങ്ങിയ ഗൂഗിളിന്റെ ‘മിനെര്‍വ' എന്നു പേരിട്ട LLM 50% മാര്‍ക്ക് വാങ്ങിച്ചിരുന്നു, ഇതേ കണക്ക് പരീക്ഷയില്‍. മിനര്‍വയുടെ വലിപ്പം വളരെ കൂടുതലായിരുന്നു എന്നതാണ് ഇതിന്റെ പിന്നിലെ സത്യം. ഉപയോഗിച്ച മാനദണ്ഡങ്ങള്‍ (parameters) പലമടങ്ങ് കൂടുതലാണ് ചാറ്റ്ജിപിടിയെക്കാള്‍. 175 ബില്ല്യണ്‍ മാനദണ്ഡങ്ങളാണ് ചാറ്റ്ജിപിടി ഉപയോഗിച്ചതെങ്കില്‍ മിനര്‍വ ഉപയോഗിച്ചത് ഗൂഗിളിന്റെ PaLM LLM പോലെ മറ്റൊരു സിസ്​റ്റം (Pathways Language Model) ആണ്. 540 മില്ല്യന്‍ മാന്ദണ്ഡങ്ങള്‍ ഉള്‍പ്പെടുത്തിയത്. മാത്രമല്ല, പരിശീലിപ്പിച്ചത് 780 ബില്ല്യന്‍ ടോക്കണുകളുടെ (ഒരു വാക്കോ അക്കമോ ഒരു നിശ്ചിതവിവരത്തിന്റെ യൂണിറ്റോ ആകാം ടോക്കണ്‍) കൂമ്പാരത്തില്‍ നിന്നുമാണ്.

മനുഷ്യമസ്തിഷ്‌ക്കം; എന്തു സാമര്‍ത്ഥ്യം!

ഏത് LLM -നേക്കാളും അതിസങ്കീര്‍ണവും വലിപ്പമേറിയതുമാണ്​ നമ്മുടെ തലച്ചോറ്. 86 ബില്ല്യന്‍ ന്യൂറോണുകള്‍, 100 ട്രില്ല്യണ്‍ ന്യൂറോണ്‍- ന്യൂറോണ്‍ ഘടിപ്പിക്കല്‍ ഒക്കെയാണ് തലങ്ങും വിലങ്ങും സംവേദനങ്ങള്‍ പായിയ്ക്കുന്നത്. കമ്പ്യൂട്ടര്‍ സിസ്റ്റമുകള്‍ ഉപയോഗിയ്ക്കുന്നതിന്റെ ഒരു അംശം വൈദ്യുതി മാത്രമാണ് മസ്തിഷ്‌കം ഉപയോഗിക്കുന്നത്: 20 മുതല്‍ 50 വാട്ട് (Watt) വരെ മാത്രം. ഇപ്പോഴുള്ള വെല്ലുവിളി ഇതാണ്: തലച്ചോറിന്റെ സ്വഭാവത്തെ കൂടുതല്‍ അനുകരിക്കുന്ന ഭാഷാമാതൃകയും മറ്റ് ന്യൂറല്‍ വലയങ്ങളും ആവിഷ്‌ക്കരിക്കുക, ചെറുതും കൂടുതല്‍ സാമര്‍ത്ഥ്യമിയന്നതും കാര്യക്ഷമമേറിയതും ആയിരിക്കും അത്.

നമ്മുടെ തലച്ചോറിന്റെ ആകപ്പാടെയുള്ള ബുദ്ധിശക്തിയുടേയും കാര്യക്ഷമതയുടെഉം ഒരു ഉറവിടം അതിന്റെ പുനരാവര്‍ത്തി (recurrent) സ്വഭാവമാണ്, സംവേദനത്തിന്റെ ഉറവിടങ്ങളിലേയ്ക്ക് പ്രതികരണം അറിയിക്കുന്ന feedback ബന്ധങ്ങളാണ്. LLM കളാവട്ടെ ഒരേ ദിശയില്‍ മാത്രമുള്ള feedforward നെറ്റ് വര്‍ക്കുകളാണ്. ഇതിനര്‍ത്ഥം സംസൂചനകള്‍ ഇന്‍പുട്ടില്‍ നിന്ന് മേല്‍ച്ചൊന്ന അടരുകളിൽ കൂടി ഔട്ട്​ പുട്ടിലേക്കെത്തുക മാത്രമാണെന്നാണ്. മസ്തിഷ്‌ക്ക ‘വയറിങ്ങ്' വ്യത്യാസമിയന്നതാണ്. ഉദാഹരണത്തിന്​, മനുഷ്യരുടെ കാഴ്ചാവ്യവസ്ഥ (visual system) യില്‍ തലച്ചോറില്‍ ആദ്യം ലഭിയ്ക്കുന്ന ദൃഷ്ടിസംവേദനങ്ങളുമായി ഒരു പറ്റം ന്യൂറോണുകള്‍ തലച്ചോറിന്റെ പിറകുഭാഗത്തേയ്ക്ക് വിവരങ്ങളുമായി പായുകയാണ്. ഉടന്‍ പ്രതികരണങ്ങള്‍ എതിര്‍ ദിശയില്‍ സഞ്ചരിച്ച് ഉറവിടസ്ഥാനത്ത് അറിയിപ്പുകളായി എത്തിയ്ക്കും. അങ്ങോട്ട് കൊണ്ടുപോയതില്‍ പത്തിരട്ടി വിവരങ്ങളായിരിക്കും ഈ ‘feedback' സഞ്ചാരപഥത്തില്‍ അടങ്ങിയിരിക്കുന്നത്.

മുന്‍പോട്ടും പിറകോട്ടൂം സംവേദനങ്ങള്‍ സാദ്ധ്യമാക്കുന്ന, ‘feedforward, feedback ഘടിപ്പിക്കലുകല്‍ ഉള്ളവ ‘പുനരാവര്‍ത്തി ന്യൂറല്‍ വലയങ്ങള്‍’ (RNN) ആണെന്ന് മേല്‍ പ്രസ്താവിച്ചു കഴിഞ്ഞു. ഇത്തരം നെറ്റ് വര്‍ക്കുകള്‍ (കേവലം മുന്‍പോട്ട് മാത്രം സംവേദനം നടത്തുന്ന LLM കളില്‍ ഇല്ലാത്തത്) ഡാറ്റായിലുള്ള ക്രമരൂപങ്ങള്‍ കാലാനുസൃതമായി മാറിയാലും അത് കണ്ടുപിടിയ്ക്കാന്‍ പ്രാപ്തരാണ്. പ്രകൃത്യായുള്ള ബുദ്ധിശക്തികള്‍ ലോകത്തെ അറിയുന്നതിന്റേയും പഠിച്ചെടുക്കുന്നതിന്റേയും സര്‍വ്വാടിസ്ഥാനം ഇതാണ്. പക്ഷേ നിര്‍മ്മിതബുദ്ധിയിലെ ഈ RNN കളെ പരിശീലിപ്പിച്ചെടുക്കാന്‍ എളുപ്പമല്ല, സാവധാനമേ സാധിയ്ക്കൂ. അതുകൊണ്ട് നിലവിലുള്ള ബ്രഹത്​ ഭാഷാ മാതൃകകളുടെ വലിപ്പത്തിലേക്ക് വീര്‍പ്പിച്ചെടുക്കാന്‍ എളുപ്പമല്ല. നമ്മുടെ ന്യൂറോണുകള്‍ കാര്യക്ഷമതയോടെ വര്‍ത്തിക്കുന്നതിനു മറ്റൊരു കാരണവുമുണ്ട്. അവ മിക്കവാറും നിശ്ശബ്ദമാണ്, വല്ലപ്പൊഴുമാണ് ഒരു വൈദ്യുതി വിജൃംഭണം സംഭവിക്കുന്നത്. നേരേ മറിച്ച് കൃത്രിമ ന്യൂറല്‍ വലയങ്ങള്‍ എപ്പൊഴും ഉണര്‍ച്ചയിലാണ്. തനത് തലച്ചോറിന്റെ ആല്‍ഗൊരിതമുകള്‍ കൃത്രിമ ന്യൂറല്‍ വലയങ്ങളെ പഠിപ്പിച്ചെടുക്കാന്‍ വിദഗ്ധര്‍ പണിപ്പെടുന്നുണ്ട്. പക്ഷേ മസ്തിഷ്‌ക്കത്തിന്റെ വൈദ്യുതിച്ചെലവിനേക്കാള്‍ വളരെ ഏറെയാണ് ആർട്ടിഫിഷ്യൽ ഇൻറലിജൻസിന്റെ LLM കള്‍ക്ക് ആവശ്യമായി വരുന്നത്.

ഊര്‍ജ്ജസമര്‍ത്ഥത കയ്യാളുന്ന, കൂടുതല്‍ മിടുക്കരായ LLM കള്‍ ആവിഷ്‌ക്കരിക്കാന്‍ ഉദ്യമങ്ങള്‍ തുടരുന്നുണ്ട്. 2021 ഡിസംബറില്‍ ഗൂഗിളിന്റെ ‘DeepMind' പ്രസ്താവിച്ചത് അവരുടെ ‘റിട്രൊ' എന്ന സിസ്​റ്റം LLM കളെ പുറമേ ഉള്ള ഒരു ഡാറ്റാബേസുമായി ബന്ധിപ്പിക്കുന്ന ഘടന പ്രാവര്‍ത്തികമാണ്, സമര്‍ത്ഥവുമാണ് എന്നാണ്. ഈ മറുഡാറ്റാബേസില്‍ നിന്ന് വിവരങ്ങള്‍ ശേഖരിച്ച് പ്രവചനങ്ങള്‍ സാദ്ധ്യമാക്കുന്നത് കാര്യക്ഷമത വര്‍ദ്ധിപ്പിക്കുകയാണത്രെ. 

ആർട്ടിഫിഷ്യൽ ഇൻറലിജൻസിൽനിന്ന് ബോധജ്ഞാനത്തിലേക്ക് 

‘‘ചാറ്റ്ജിപിടി ഒരു മാതൃകയല്ല അതിനെക്കുറിച്ചുള്ള ചര്‍ച്ചകള്‍ അവകാശപ്പെടുന്നതു പോലെ. നിങ്ങള്‍ ഒരു പാവകളി കണ്ടുകൊണ്ടിരിക്കുമ്പോള്‍ അത് ജീവനുള്ളവയാണെന്ന് ധരിക്കുന്നതുപോലെയാണിത്'' ഗൂഗിളിലെ നിര്‍മ്മിതബുദ്ധി (AI) വിദഗ്ധന്‍ പ്രസ്താവിച്ചതാണിത്. യുക്തിയും ന്യായവാദവും പ്രകടിപ്പിക്കുന്ന AI അസാദ്ധ്യമൊന്നുമല്ല, കൃത്രിമ ന്യൂറോണുകള്‍ തമ്മിലുള്ള ഘടിപ്പിക്കല്‍ വര്‍ദ്ധമാനവും സങ്കീര്‍ണവുമാക്കുക, കൂടുതല്‍ ഡാറ്റാ സമ്മാനിക്കുക ഇവയൊക്കെ സാധിച്ചെടുത്താല്‍ അവ യുക്തിഭദ്രമായി ഏല്‍പ്പിച്ച പണികള്‍ നിര്‍ദ്ധാരണം ചെയ്യും എന്നാണ് അനുമാനം. ഗൂഗിളിന്റെ ‘ഡീപ്‌മൈന്‍ഡ്' ഒരു പുതിയ നിര്‍മ്മിതബുദ്ധിയുമായി എത്തിയിട്ടുണ്ട്. ‘Adaptive Agent' അഥവാ AdA എന്ന് വിളിയ്ക്കപ്പെടുന്ന ഈ AI ആകട്ടെ 3 ഡിമെന്‍ഷനല്‍ വിര്‍ച്വല്‍ ലോകത്ത് വ്യവഹരിക്കുന്നതാണ്. അതിനോട് പ്രത്യേക പണികള്‍ -വസ്തുക്കളെ മാറ്റുക, ആസൂത്രണം ചെയ്യുക ഇവയൊക്കെ ഉള്‍പ്പെടുന്ന - നിര്‍ദ്ധാരണം ചെയ്യാന്‍ ആവശ്യപ്പെട്ടാല്‍ സ്വയം അത് നിര്‍വ്വഹിക്കാന്‍ തയാറാകുമത്രെ. നേരത്തെ പരിചയമില്ലാത്ത മേഖലകളി സധൈര്യം കയറിച്ചെല്ലുമത്രെ ഈ പുതിയ AI. നേരത്തെ പഠിച്ചെടുത്തതോ പരിചയപ്പെട്ടതോ അല്ലാത്ത ഗെയ്മുകള്‍ കളിച്ച് ജയിക്കുമത്രെ ഇത്. ഒരു പുതിയ പരിതസ്ഥിതിയിലെത്തിയാല്‍ അത് മനസ്സിലാക്കി അതനുസരിച്ച് തീരുമാനങ്ങള മാറ്റാനുള്ള കഴിവുണ്ടത്രെ ‘AdA' യ്ക്ക്. 

ചാറ്റ്ജിപിടി മനുഷ്യരുമായി പെട്ടെന്ന് ഇടപഴകും, വിസ്തൃതമായ ആഖ്യാനങ്ങള്‍ കാഴ്ച വെയ്ക്കും എന്നൊക്കെയുള്ള പുതുമ അതിനെ സര്‍വ്വസ്വീകാര്യതയില്‍ എത്തിച്ചു എന്നേയുള്ളൂ. ബോധജ്ഞാനത്തിലേക്കുള്ള കമ്പ്യൂട്ടര്‍ കുതിപ്പിന്റെ ലക്ഷണമൊന്നുമല്ല. പക്ഷേ മനസ്സ് ഒരു സൂപ്പര്‍ കമ്പ്യൂട്ടറിന്റെ സ്വഭാവം കാണിയ്ക്കുന്നു എന്നതിനാല്‍ കമ്പ്യൂട്ടറുകള്‍ക്ക് ആശിക്കാവുന്നതാണ്, തലച്ചോറിലെ ന്യൂറോണ്‍ വലയങ്ങളുടെ ഘടനയും പ്രവര്‍ത്തനവും അവര്‍ക്ക് ഒരുനാള്‍ പ്രാപ്തമാകുമെന്ന്.  ▮

References:
1. Dehaene, S., Lan, H. and Kouider S. What is consciousness, and could machines have it? Science 358: 486-492 2017
2. Melloni L., Mudrik L., Pitts M.and Koch C. Making the hard problem of consciousness easier. Science 372: 911-912 2021
3. Ananthaswamy A. In AI is bigger the better? Nature 615: 202-206.2023