செயற்கை நுண்ணறிவு அறிவியல் முன்னேற்றத்தின் தர்க்கத்தைப் பின்பற்றுவதில்லை

இயந்திரக் கற்றல் அமைப்புகளை "கருப்புப் பெட்டிகள்" (1) என்று கூறும் ஆராய்ச்சியாளர்கள் மற்றும் நிபுணர்களைப் பற்றி எம்டியில் பலமுறை எழுதியுள்ளோம். இது முடிவுகளை மதிப்பிடுவதையும், வளர்ந்து வரும் அல்காரிதங்களை மீண்டும் பயன்படுத்துவதையும் கடினமாக்குகிறது.

நரம்பியல் நெட்வொர்க்குகள் - அறிவார்ந்த மாற்றும் போட்கள் மற்றும் கவிதைகளை கூட உருவாக்கக்கூடிய தனித்துவமான உரை ஜெனரேட்டர்களை நமக்கு வழங்கும் நுட்பம் - வெளிப்புற பார்வையாளர்களுக்கு புரியாத புதிராகவே உள்ளது.

அவை பெரியதாகவும் சிக்கலானதாகவும் மாறி வருகின்றன, பெரிய தரவுத்தொகுப்புகளைக் கையாளுகின்றன, மேலும் பாரிய கணக்கீட்டு வரிசைகளைப் பயன்படுத்துகின்றன. இது பெறப்பட்ட மாதிரிகளின் பிரதி மற்றும் பகுப்பாய்வு விலையுயர்ந்ததாகவும் சில சமயங்களில் மற்ற ஆராய்ச்சியாளர்களுக்கு சாத்தியமற்றதாகவும் ஆக்குகிறது, பெரிய பட்ஜெட்களைக் கொண்ட பெரிய மையங்களைத் தவிர.

பல விஞ்ஞானிகள் இந்த சிக்கலை நன்கு அறிந்திருக்கிறார்கள். அவர்களில் ஜோயல் பினோ (2), NeurIPS இன் தலைவர், மறுஉருவாக்கம் பற்றிய முதன்மை மாநாடு. அவரது தலைமையின் கீழ் உள்ள வல்லுநர்கள் ஒரு "இனப்பெருக்கம் சரிபார்ப்புப் பட்டியலை" உருவாக்க விரும்புகிறார்கள்.

பினோவின் கருத்துப்படி, மற்றவர்களுக்கு ஒரு சாலை வரைபடத்தை வழங்க ஆராய்ச்சியாளர்களை ஊக்குவிப்பதாகும், இதனால் அவர்கள் ஏற்கனவே செய்த வேலையை மீண்டும் உருவாக்கி பயன்படுத்த முடியும். ஒரு புதிய டெக்ஸ்ட் ஜெனரேட்டரின் பேச்சுத்திறன் அல்லது வீடியோ கேம் ரோபோவின் மனிதாபிமானமற்ற சுறுசுறுப்பைக் கண்டு நீங்கள் ஆச்சரியப்படலாம், ஆனால் சிறந்த நிபுணர்களுக்கு கூட இந்த அதிசயங்கள் எவ்வாறு செயல்படுகின்றன என்பது தெரியாது. எனவே, AI மாதிரிகளின் மறுஉருவாக்கம் ஆராய்ச்சிக்கான புதிய இலக்குகள் மற்றும் திசைகளை அடையாளம் காண்பதற்கு மட்டுமல்ல, பயன்படுத்துவதற்கு முற்றிலும் நடைமுறை வழிகாட்டியாகவும் முக்கியமானது.

மற்றவர்கள் இந்த சிக்கலை தீர்க்க முயற்சிக்கின்றனர். சாத்தியமான பிழைகளை சுட்டிக்காட்டும் முடிவுகள் உட்பட, கணினிகள் எவ்வாறு சோதிக்கப்பட்டன என்பதை விரிவாக விவரிக்க Google ஆராய்ச்சியாளர்கள் "மாடல் கார்டுகளை" வழங்கினர். ஆலன் இன்ஸ்டிடியூட் ஃபார் ஆர்டிபிஷியல் இன்டெலிஜென்ஸ் (AI2) ஆராய்ச்சியாளர்கள், பினோட் மறுஉருவாக்கம் சரிபார்ப்புப் பட்டியலை சோதனைச் செயல்பாட்டின் மற்ற படிகளுக்கு நீட்டிப்பதை நோக்கமாகக் கொண்ட ஒரு ஆய்வறிக்கையை வெளியிட்டுள்ளனர். "உங்கள் வேலையைக் காட்டுங்கள்" என்று அவர்கள் வற்புறுத்துகிறார்கள்.

ஆராய்ச்சித் திட்டம், குறிப்பாக நிறுவனத்தில் பணிபுரியும் ஆய்வகங்களுக்குச் சொந்தமானது என்பதால் சில நேரங்களில் அடிப்படைத் தகவல்கள் இல்லை. இருப்பினும், அடிக்கடி, மாறிவரும் மற்றும் பெருகிய முறையில் சிக்கலான ஆராய்ச்சி முறைகளை விவரிக்க இயலாமையின் அறிகுறியாகும். நரம்பியல் நெட்வொர்க்குகள் மிகவும் சிக்கலான பகுதி. சிறந்த முடிவுகளைப் பெற, ஆயிரக்கணக்கான "குமிழ்கள் மற்றும் பொத்தான்களை" நன்றாக ட்யூனிங் செய்வது அடிக்கடி தேவைப்படுகிறது, இதை சிலர் "பிளாக் மேஜிக்" என்று அழைக்கிறார்கள். உகந்த மாதிரியின் தேர்வு பெரும்பாலும் அதிக எண்ணிக்கையிலான சோதனைகளுடன் தொடர்புடையது. மந்திரம் மிகவும் விலை உயர்ந்தது.

எடுத்துக்காட்டாக, DeepMind Alphabet ஆல் உருவாக்கப்பட்ட AlphaGo என்ற அமைப்பின் வேலையை Facebook நகலெடுக்க முயன்றபோது, ​​அந்த பணி மிகவும் கடினமாக இருந்தது. Facebook ஊழியர்களின் கூற்றுப்படி, மிகப்பெரிய கணக்கீட்டுத் தேவைகள், பல நாட்களில் ஆயிரக்கணக்கான சாதனங்களில் மில்லியன் கணக்கான சோதனைகள், குறியீட்டின் பற்றாக்குறையுடன் இணைந்து, கணினியை "மீண்டும் உருவாக்குவது, சோதிப்பது, மேம்படுத்துவது மற்றும் நீட்டிப்பது மிகவும் கடினம், சாத்தியமற்றது.

பிரச்சனை சிறப்பு வாய்ந்ததாகத் தெரிகிறது. இருப்பினும், நாம் மேலும் சிந்தித்தால், ஒரு ஆராய்ச்சி குழுவிற்கும் மற்றொன்றுக்கும் இடையிலான முடிவுகள் மற்றும் செயல்பாடுகளின் மறுஉருவாக்கம் தொடர்பான சிக்கல்களின் நிகழ்வு, நமக்குத் தெரிந்த அறிவியல் மற்றும் ஆராய்ச்சி செயல்முறைகளின் செயல்பாட்டின் அனைத்து தர்க்கங்களையும் குறைமதிப்பிற்கு உட்படுத்துகிறது. ஒரு விதியாக, முந்தைய ஆராய்ச்சியின் முடிவுகள் அறிவு, தொழில்நுட்பம் மற்றும் பொது முன்னேற்றத்தின் வளர்ச்சியைத் தூண்டும் மேலும் ஆராய்ச்சிக்கான அடிப்படையாகப் பயன்படுத்தப்படலாம்.