എന്താണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്; എങ്ങനെ പ്രവർത്തിക്കുന്നു?

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) എന്നത് ആധുനിക കമ്പ്യൂട്ടർ സയൻസിന്റെ വിപുലമായ ഒരു ശാഖയാണ്. ഒറ്റവാക്കിൽ പറഞ്ഞാൽ സാധാരണയായി മനുഷ്യബുദ്ധി ആവശ്യമായ ജോലികൾ ചെയ്യാൻ കഴിവുള്ള സ്മാർട്ട് മെഷീനുകൾ നിർമ്മിക്കുന്നു.

AI ഒന്നിലധികം സമീപനങ്ങളുള്ള ഒരു ഇന്റർ ഡിസിപ്ലിനറി സയൻസ് ആണെങ്കിലും, മെഷീൻ ലേണിംഗിലെയും ആഴത്തിലുള്ള പഠനത്തിലെയും മുന്നേറ്റങ്ങൾ, പ്രത്യേകിച്ച്, ടെക് വ്യവസായത്തിന്റെ എല്ലാ മേഖലകളിലും ഒരു മാതൃകാപരമായ മാറ്റം സൃഷ്ടിക്കുന്നു.

കൃത്രിമബുദ്ധി യന്ത്രങ്ങളെ മനുഷ്യമനസ്സിന്റെ കഴിവുകളെ മാതൃകയാക്കാനോ മെച്ചപ്പെടുത്താനോ അനുവദിക്കുന്നു. സെൽഫ്-ഡ്രൈവിംഗ് കാറുകളുടെ വികസനം മുതൽ സിരി, അലക്‌സ തുടങ്ങിയ സ്മാർട്ട് അസിസ്റ്റന്റുകളുടെ വ്യാപനം വരെ, AI കൂടുതലായി ദൈനംദിന ജീവിതത്തിന്റെ ഭാഗമായി മാറുകയാണ്. കൂടാതെ എല്ലാ വ്യവസായ മേഖലയിലുടനീളമുള്ള കമ്പനികളും ഇതിൽ ഭാവികണ്ട്‌ നിക്ഷേപം നടത്തുന്നു.

വിശാലമായി പറഞ്ഞാൽ, കൃത്രിമബുദ്ധിയുള്ള സംവിധാനങ്ങൾക്ക് മനുഷ്യന്റെ വൈജ്ഞാനിക പ്രവർത്തനങ്ങളുമായി പൊതുവായി ബന്ധപ്പെട്ട ജോലികൾ ചെയ്യാൻ കഴിയും. സംഭാഷണം വ്യാഖ്യാനിക്കുക, ഗെയിമുകൾ കളിക്കുക, പാറ്റേണുകൾ തിരിച്ചറിയുക. വൻതോതിലുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിലൂടെയും അവരുടെ സ്വന്തം തീരുമാനമെടുക്കുന്നതിൽ മാതൃകയാക്കാനുള്ള പാറ്റേണുകൾക്കായി നോക്കുന്നതിലൂടെയും അവർ അത് എങ്ങനെ ചെയ്യണമെന്ന് പഠിക്കുന്നു.

മിക്ക കേസുകളിലും, മനുഷ്യർ AI-യുടെ പഠന പ്രക്രിയയുടെ മേൽനോട്ടം വഹിക്കും. നല്ല തീരുമാനങ്ങൾ ശക്തിപ്പെടുത്തുകയും മോശമായവയെ നിരുത്സാഹപ്പെടുത്തുകയും ചെയ്യും. എന്നാൽ ചില AI സിസ്റ്റങ്ങൾ മേൽനോട്ടമില്ലാതെ പഠിക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്. ഉദാഹരണത്തിന്, അവസാനം വരെ ഒരു വീഡിയോ ഗെയിം കളിച്ചുകൊണ്ട് നിയമങ്ങളും എങ്ങനെ വിജയിക്കാമെന്നും .

ശക്തമായ AI Vs. ദുർബലമായ AI

ഇന്റലിജൻസ് നിർവചിക്കാൻ ബുദ്ധിമുട്ടാണ്, അതുകൊണ്ടാണ് AI വിദഗ്ധർ സാധാരണയായി ശക്തമായ AI-യും ദുർബലമായ AI-യും തമ്മിൽ വേർതിരിച്ചറിയുന്നത് . ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് എന്നും അറിയപ്പെടുന്ന ശക്തമായ AI , പ്രവർത്തിക്കാൻ ഒരിക്കലും പരിശീലിച്ചിട്ടില്ലാത്ത പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ കഴിയുന്ന ഒരു യന്ത്രമാണ് . അതായത് മനുഷ്യന് കഴിയുന്നത് പോലെ.

പടിഞ്ഞാറൻ രാജ്യങ്ങളിൽ നിന്നുള്ള റോബോട്ടുകൾ അല്ലെങ്കിൽ സ്റ്റാർ ട്രെക്ക്: ദി നെക്സ്റ്റ് ജനറേഷൻ എന്ന കഥാപാത്രത്തിലെ ഡാറ്റ പോലെയുള്ള സിനിമകളിൽ നമ്മൾ കാണുന്ന തരത്തിലുള്ള AI ഇതാണ് . ഇത്തരത്തിലുള്ള AI യഥാർത്ഥത്തിൽ ഇതുവരെ നിലവിലില്ല.

ഏത് ജോലിയിലും പ്രയോഗിക്കാൻ കഴിയുന്ന മനുഷ്യതലത്തിലുള്ള ബുദ്ധിയുള്ള ഒരു യന്ത്രത്തിന്റെ സൃഷ്ടിയാണ് പല AI ഗവേഷകർക്കും ഹോളി ഗ്രെയ്ൽ, എന്നാൽ ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസിനായുള്ള അന്വേഷണം ബുദ്ധിമുട്ട് നിറഞ്ഞതാണ്. ഉചിതമായ ഗാർഡ്‌റെയിലുകളില്ലാതെ ശക്തമായ AI സൃഷ്ടിക്കുന്നതിനുള്ള അപകടസാധ്യതകൾ കാരണം ശക്തമായ AI ഗവേഷണം പരിമിതപ്പെടുത്തണമെന്ന് ചിലർ വിശ്വസിക്കുന്നു .

ദുർബലമായ AI യിൽ നിന്ന് വ്യത്യസ്തമായി, ശക്തമായ AI എന്നത് പൂർണ്ണമായ വൈജ്ഞാനിക കഴിവുകളുള്ള ഒരു യന്ത്രത്തെ പ്രതിനിധീകരിക്കുന്നു.കൂടാതെ ഒരുപോലെ വിപുലമായ ഉപയോഗ സാഹചര്യങ്ങളും – എന്നാൽ അത്തരമൊരു നേട്ടം കൈവരിക്കുന്നതിനുള്ള ബുദ്ധിമുട്ട് സമയം ലഘൂകരിച്ചിട്ടില്ല.

ദുർബലമായ AI

ദുർബലമായ AI, ഇടുങ്ങിയ AI അല്ലെങ്കിൽ സ്പെഷ്യലൈസ്ഡ് AI എന്ന് വിളിക്കപ്പെടുന്നു, ഇത് പരിമിതമായ സന്ദർഭത്തിനുള്ളിൽ പ്രവർത്തിക്കുന്നു. ഇത് ഒരു ഇടുങ്ങിയ നിർവചിക്കപ്പെട്ട പ്രശ്നത്തിന് (കാർ ഓടിക്കുന്നതോ മനുഷ്യരുടെ സംസാരം പകർത്തുന്നതോ വെബ്‌സൈറ്റിലെ ഉള്ളടക്കം ക്യൂറേറ്റ് ചെയ്യുന്നതോ പോലെ) പ്രയോഗിക്കുന്ന മനുഷ്യ ബുദ്ധിയുടെ അനുകരണമാണ്.

ദുർബലമായ AI പലപ്പോഴും ഒരൊറ്റ ടാസ്‌ക് വളരെ നന്നായി നിർവഹിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഈ യന്ത്രങ്ങൾ ബുദ്ധിശക്തിയുള്ളതായി തോന്നുമെങ്കിലും, ഏറ്റവും അടിസ്ഥാനപരമായ മനുഷ്യബുദ്ധിയെക്കാൾ കൂടുതൽ നിയന്ത്രണങ്ങൾക്കും പരിമിതികൾക്കും കീഴിലാണ് അവ പ്രവർത്തിക്കുന്നത്.

ദുർബലമായ AI യുടെ ചില ഉദാഹരണൾ:

സിരിയും അലക്സയും മറ്റ് സ്മാർട്ട് അസിസ്റ്റന്റുമാരും
സ്വയം ഓടിക്കുന്ന കാറുകൾ
ഗൂഗിളില് തിരയുക
സംഭാഷണ ബോട്ടുകൾ
സ്പാം ഫിൽട്ടറുകൾ ഇമെയിൽ ചെയ്യുക
Netflix-ന്റെ ശുപാർശകൾ

മെഷീൻ ലേണിംഗ് Vs. ആഴത്തിലുള്ള പഠനം

AI-യെക്കുറിച്ചുള്ള സംഭാഷണങ്ങളിൽ “മെഷീൻ ലേണിംഗ്”, “ഡീപ് ലേണിംഗ്” എന്നീ പദങ്ങൾ ഇടയ്ക്കിടെ ഉയർന്നുവരുന്നുവെങ്കിലും, അവ പരസ്പരം മാറ്റി ഉപയോഗിക്കേണ്ടതില്ല. ഡീപ് ലേണിംഗ് എന്നത് മെഷീൻ ലേണിംഗിന്റെ ഒരു രൂപമാണ്, കൂടാതെ മെഷീൻ ലേണിംഗ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു ഉപവിഭാഗമാണ്.

യന്ത്ര പഠനം

ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഒരു കമ്പ്യൂട്ടർ മുഖേന ഡാറ്റ നൽകുകയും ആ ടാസ്‌ക്കിനായി പ്രത്യേകം പ്രോഗ്രാം ചെയ്യാതെ തന്നെ ഒരു ടാസ്‌ക്കിൽ എങ്ങനെ ക്രമേണ മെച്ചപ്പെടാമെന്ന് “പഠിക്കാൻ” സഹായിക്കുന്നതിന് സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്‌നിക്കുകൾ ഉപയോഗിക്കുകയും ചെയ്യുന്നു. പകരം, പുതിയ ഔട്ട്‌പുട്ട് മൂല്യങ്ങൾ പ്രവചിക്കാൻ ML അൽഗോരിതങ്ങൾ ചരിത്രപരമായ ഡാറ്റ ഇൻപുട്ടായി ഉപയോഗിക്കുന്നു.

അതിനായി, ML-ൽ മേൽനോട്ടത്തിലുള്ള പഠനവും (ലേബൽ ചെയ്‌ത ഡാറ്റാ സെറ്റുകൾക്ക് നന്ദി അറിയാവുന്ന ഇൻപുട്ടിന്റെ പ്രതീക്ഷിത ഔട്ട്‌പുട്ട്) മേൽനോട്ടമില്ലാത്ത പഠനവും (ലേബൽ ചെയ്യാത്ത ഡാറ്റാ സെറ്റുകളുടെ ഉപയോഗം കാരണം പ്രതീക്ഷിക്കുന്ന ഔട്ട്‌പുട്ടുകൾ അജ്ഞാതമായിരിക്കുന്നിടത്ത്) ഉൾപ്പെടുന്നു.

ആഴത്തിലുള്ള പഠനം

ജൈവശാസ്ത്രപരമായി പ്രചോദിതമായ ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചറിലൂടെ ഇൻപുട്ടുകൾ പ്രവർത്തിപ്പിക്കുന്ന ഒരു തരം മെഷീൻ ലേണിംഗ് ആണ് ഡീപ്പ് ലേണിംഗ് . ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ നിരവധി മറഞ്ഞിരിക്കുന്ന പാളികൾ അടങ്ങിയിരിക്കുന്നു. അതിലൂടെ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു, മെഷീനെ അതിന്റെ പഠനത്തിൽ “ആഴത്തിൽ” പോകാൻ അനുവദിക്കുന്നു, മികച്ച ഫലങ്ങൾക്കായി കണക്ഷനുകൾ ഉണ്ടാക്കുകയും ഇൻപുട്ട് വെയ്റ്റിംഗ് ഇൻപുട്ട് ചെയ്യുകയും ചെയ്യുന്നു.

ചാറ്റ്ബോട്ടുകൾ മുതൽ നാവിഗേഷൻ ആപ്പുകൾ, ധരിക്കാവുന്ന ഫിറ്റ്നസ് ട്രാക്കറുകൾ വരെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാങ്കേതികവിദ്യയ്ക്ക് പല രൂപങ്ങളുണ്ട്. താഴെയുള്ള ഉദാഹരണങ്ങൾ സാധ്യതയുള്ള AI ആപ്ലിക്കേഷനുകളുടെ വ്യാപ്തി വ്യക്തമാക്കുന്നു.

ChatGPT

ഉപന്യാസങ്ങൾ മുതൽ കോഡ് വരെ, ലളിതമായ ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ വരെയുള്ള വിവിധ ഫോർമാറ്റുകളിൽ രേഖാമൂലമുള്ള ഉള്ളടക്കം നിർമ്മിക്കാൻ കഴിവുള്ള ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ചാറ്റ്ബോട്ടാണ് ChatGPT . OpenAI 2022 നവംബറിൽ സമാരംഭിച്ച, മനുഷ്യ രചനകളെ അടുത്ത് അനുകരിക്കാൻ അനുവദിക്കുന്ന ഒരു വലിയ ഭാഷാ മാതൃകയാണ് ChatGPT നൽകുന്നത്.

ഗൂഗിൾ ഭൂപടം

ഗൂഗിൾ മാപ്‌സ്, സ്‌മാർട്ട്‌ഫോണുകളിൽ നിന്നുള്ള ലൊക്കേഷൻ ഡാറ്റയും നിർമ്മാണം, വാഹനാപകടങ്ങൾ തുടങ്ങിയ കാര്യങ്ങളിൽ ഉപയോക്താക്കൾ റിപ്പോർട്ട് ചെയ്‌ത ഡാറ്റയും, ട്രാഫിക്കിന്റെ കുത്തൊഴുക്കും ഒഴുക്കും നിരീക്ഷിക്കാനും ഏറ്റവും വേഗതയേറിയ റൂട്ട് എന്തായിരിക്കുമെന്ന് വിലയിരുത്താനും ഉപയോഗിക്കുന്നു.

സ്മാർട്ട് അസിസ്റ്റന്റുകൾ

റിമൈൻഡറുകൾ സജ്ജീകരിക്കുന്നതിനും ഓൺലൈൻ വിവരങ്ങൾക്കായി തിരയുന്നതിനും ആളുകളുടെ വീടുകളിലെ ലൈറ്റുകൾ നിയന്ത്രിക്കുന്നതിനും ഉപയോക്താക്കളിൽ നിന്ന് നിർദ്ദേശങ്ങൾ സ്വീകരിക്കുന്നതിന് Siri, Alexa, Cortana എന്നിവ പോലുള്ള വ്യക്തിഗത സഹായികൾ സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് അല്ലെങ്കിൽ NLP ഉപയോഗിക്കുന്നു. മിക്ക കേസുകളിലും, ഈ അസിസ്റ്റന്റുമാർ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് ഒരു ഉപയോക്താവിന്റെ മുൻഗണനകൾ പഠിക്കാനും മെച്ചപ്പെട്ട നിർദ്ദേശങ്ങളും കൂടുതൽ അനുയോജ്യമായ പ്രതികരണങ്ങളും ഉപയോഗിച്ച് കാലക്രമേണ അവരുടെ അനുഭവം മെച്ചപ്പെടുത്താനുമാണ്.

സ്നാപ്ചാറ്റ് ഫിൽട്ടറുകൾ

Snapchat ഫിൽട്ടറുകൾ ഒരു ചിത്രത്തിന്റെ വിഷയവും പശ്ചാത്തലവും തമ്മിൽ വേർതിരിച്ചറിയാനും മുഖചലനങ്ങൾ ട്രാക്ക് ചെയ്യാനും ഉപയോക്താവ് ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കി സ്ക്രീനിൽ ചിത്രം ക്രമീകരിക്കാനും ML അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു.

സ്വയം ഡ്രൈവിംഗ് കാറുകൾ

സ്വയം ഡ്രൈവിംഗ് കാറുകൾ ആഴത്തിലുള്ള പഠനത്തിന്റെ തിരിച്ചറിയാവുന്ന ഉദാഹരണമാണ്. കാരണം അവ ചുറ്റുമുള്ള വസ്തുക്കളെ കണ്ടെത്തുന്നതിനും മറ്റ് കാറുകളിൽ നിന്നുള്ള ദൂരം നിർണ്ണയിക്കുന്നതിനും ട്രാഫിക് സിഗ്നലുകൾ തിരിച്ചറിയുന്നതിനും മറ്റും ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കുന്നു.

ധരിക്കാവുന്നവ

ആരോഗ്യ സംരക്ഷണ വ്യവസായത്തിൽ ഉപയോഗിക്കുന്ന ധരിക്കാവുന്ന സെൻസറുകളും ഉപകരണങ്ങളും രോഗിയുടെ രക്തത്തിലെ പഞ്ചസാരയുടെ അളവ്, രക്തസമ്മർദ്ദം, ഹൃദയമിടിപ്പ് എന്നിവയുൾപ്പെടെയുള്ള ആരോഗ്യസ്ഥിതി വിലയിരുത്തുന്നതിന് ആഴത്തിലുള്ള പഠനം പ്രയോഗിക്കുന്നു. അവർക്ക് ഒരു രോഗിയുടെ മുൻകാല മെഡിക്കൽ ഡാറ്റയിൽ നിന്ന് പാറ്റേണുകൾ നേടാനും ഭാവിയിലെ ഏതെങ്കിലും ആരോഗ്യ അവസ്ഥകൾ മുൻകൂട്ടി അറിയാൻ അത് ഉപയോഗിക്കാനും കഴിയും.

മുസീറോ

യഥാർത്ഥ ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് നേടാനുള്ള അന്വേഷണത്തിൽ ഡീപ്‌മൈൻഡ് സൃഷ്ടിച്ച ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമായ മുസീറോ ഒരു മികച്ച മുൻനിരക്കാരനാണ്. ദശലക്ഷക്കണക്കിന് തവണ ഗെയിമുകൾ കളിച്ച് ബ്രൂട്ട് ഫോഴ്‌സിലൂടെ ചെസ്സും അടാരി ഗെയിമുകളുടെ മുഴുവൻ സ്യൂട്ടും ഉൾപ്പെടെ കളിക്കാൻ പോലും പഠിപ്പിച്ചിട്ടില്ലാത്ത ഗെയിമുകളിൽ അത് പ്രാവീണ്യം നേടിയിട്ടുണ്ട്.

AI ആനുകൂല്യങ്ങളും വെല്ലുവിളികളും ഭാവിയും

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആനുകൂല്യങ്ങൾ: വാക്‌സിൻ വികസനം വർധിപ്പിക്കുന്നത് മുതൽ വഞ്ചനയുടെ സാധ്യത ഓട്ടോമേറ്റ് ചെയ്യുന്നത് വരെ AI-ക്ക് നിരവധി ഉപയോഗങ്ങളുണ്ട് . 2022-ൽ 66.8 ബില്യൺ ഡോളർ ഫണ്ടിംഗ് AI കമ്പനികൾ സമാഹരിച്ചു, CB Insights ഗവേഷണ പ്രകാരം , 2020-ൽ സമാഹരിച്ച തുകയുടെ ഇരട്ടിയിലധികം. വേഗത്തിലുള്ള ദത്തെടുക്കൽ കാരണം, AI വിവിധ വ്യവസായങ്ങളിൽ തരംഗങ്ങൾ സൃഷ്ടിക്കുന്നു.

സുരക്ഷിതമായ ബാങ്കിംഗ്

ബിസിനസ് ഇൻസൈഡർ ഇന്റലിജൻസിന്റെ 2022 ലെ ബാങ്കിംഗിലെ AI-യെക്കുറിച്ചുള്ള റിപ്പോർട്ടിൽ പകുതിയിലധികം സാമ്പത്തിക സേവന കമ്പനികളും ഇതിനകം തന്നെ റിസ്ക് മാനേജ്മെന്റിനും വരുമാനം ഉണ്ടാക്കുന്നതിനുമായി AI പരിഹാരങ്ങൾ ഉപയോഗിക്കുന്നുണ്ടെന്ന് കണ്ടെത്തി. ബാങ്കിംഗിൽ AI യുടെ പ്രയോഗം 400 ബില്യൺ ഡോളറിന്റെ സമ്പാദ്യത്തിലേക്ക് നയിച്ചേക്കാം.

മെച്ചപ്പെട്ട മരുന്ന്

വൈദ്യശാസ്ത്രത്തെ സംബന്ധിച്ചിടത്തോളം, 2021-ലെ ലോകാരോഗ്യ സംഘടനയുടെ റിപ്പോർട്ട് സൂചിപ്പിക്കുന്നത് , AI-യെ ആരോഗ്യമേഖലയിൽ സമന്വയിപ്പിക്കുന്നത് വെല്ലുവിളികളോടെയാണ്, സാങ്കേതികവിദ്യയ്ക്ക് “വലിയ വാഗ്ദാനമുണ്ട്”, കാരണം ഇത് കൂടുതൽ അറിവുള്ള ആരോഗ്യ നയവും രോഗികളുടെ രോഗനിർണയത്തിന്റെ കൃത്യതയിലെ പുരോഗതിയും പോലുള്ള നേട്ടങ്ങളിലേക്ക് നയിച്ചേക്കാം. .

നൂതന മാധ്യമങ്ങൾ

വിനോദരംഗത്തും AI സ്വന്തം മുദ്ര പതിപ്പിച്ചിട്ടുണ്ട്. ഗ്രാൻഡ് വ്യൂ റിസർച്ച് പ്രകാരം 2021-ൽ 10.87 ബില്യൺ ഡോളറിന്റെ മൂല്യത്തിൽ നിന്ന് 2030-ഓടെ 99.48 ബില്യൺ ഡോളറായി മീഡിയയിലും വിനോദത്തിലും AI-യുടെ ആഗോള വിപണി ഉയരുമെന്ന് കണക്കാക്കപ്പെടുന്നു . ആ വിപുലീകരണത്തിൽ കോപ്പിയടി തിരിച്ചറിയുക, ഹൈ-ഡെഫനിഷൻ ഗ്രാഫിക്സ് വികസിപ്പിക്കുക തുടങ്ങിയ AI ഉപയോഗങ്ങൾ ഉൾപ്പെടുന്നു.

AI-യുടെ വെല്ലുവിളികളും പരിമിതികളും

AI തീർച്ചയായും സുപ്രധാനവും അതിവേഗം വികസിക്കുന്നതുമായ ഒരു ആസ്തിയായി കാണപ്പെടുമ്പോൾ, ഈ ഉയർന്നുവരുന്ന ഫീൽഡ് അതിന്റെ കുറവുകളുടെ പങ്ക് ഉൾക്കൊള്ളുന്നു . പ്യൂ റിസർച്ച് സെന്റർ 2021-ൽ 10,260 അമേരിക്കക്കാരിൽ AI-യോടുള്ള അവരുടെ മനോഭാവത്തെക്കുറിച്ച് സർവേ നടത്തി. പ്രതികരിച്ചവരിൽ 45 ശതമാനം പേരും ഒരേപോലെ ആവേശഭരിതരും ഉത്കണ്ഠാകുലരും ആണെന്നും 37 ശതമാനം പേർ ആവേശഭരിതരേക്കാൾ കൂടുതൽ ആശങ്കാകുലരാണെന്നും ഫലങ്ങൾ കണ്ടെത്തി.

കൂടാതെ, സർവേയിൽ പങ്കെടുത്തവരിൽ 40 ശതമാനത്തിലധികം പേരും ഡ്രൈവറില്ലാ കാറുകൾ സമൂഹത്തിന് ദോഷകരമാണെന്ന് അഭിപ്രായപ്പെടുന്നു. എന്നിട്ടും സോഷ്യൽ മീഡിയയിൽ തെറ്റായ വിവരങ്ങൾ പ്രചരിപ്പിക്കുന്നത് തിരിച്ചറിയാൻ AI ഉപയോഗിക്കുന്ന ആശയത്തിന് കൂടുതൽ നല്ല സ്വീകാര്യത ലഭിച്ചു, സർവേയിൽ പങ്കെടുത്തവരിൽ 40 ശതമാനത്തോളം പേർ ഇത് നല്ല ആശയമാണെന്ന് ലേബൽ ചെയ്തു.

AI ഉൽപ്പാദനക്ഷമതയും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു അനുഗ്രഹമാണ്. അതേസമയം മനുഷ്യ പിശകുകളുടെ സാധ്യത കുറയ്ക്കുന്നു. എന്നാൽ വികസനച്ചെലവുകളും മനുഷ്യരുടെ ജോലികൾ മാറ്റിസ്ഥാപിക്കാനുള്ള ഓട്ടോമേറ്റഡ് മെഷീനുകളുടെ സാധ്യതയും പോലുള്ള ചില ദോഷങ്ങളുമുണ്ട് . എന്നിരുന്നാലും, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വ്യവസായം തൊഴിലവസരങ്ങൾ സൃഷ്ടിക്കാൻ നിലകൊള്ളുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ് – അവയിൽ ചിലത് ഇതുവരെ കണ്ടുപിടിച്ചിട്ടില്ല.

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഭാവി

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് പിന്നിൽ പ്രവർത്തിക്കുന്ന കമ്പ്യൂട്ടേഷണൽ ചെലവുകളും സാങ്കേതിക ഡാറ്റ ഇൻഫ്രാസ്ട്രക്ചറും പരിഗണിക്കുമ്പോൾ, യഥാർത്ഥത്തിൽ AI-യിൽ നടപ്പിലാക്കുന്നത് സങ്കീർണ്ണവും ചെലവേറിയതുമായ ഒരു ബിസിനസ്സാണ്. ഭാഗ്യവശാൽ, കമ്പ്യൂട്ടറുകളുടെ വില പകുതിയായി കുറയുമ്പോൾ മൈക്രോചിപ്പിലെ ട്രാൻസിസ്റ്ററുകളുടെ എണ്ണം ഓരോ രണ്ട് വർഷത്തിലും ഇരട്ടിയാകുമെന്ന് പറയുന്ന മൂറിന്റെ നിയമം സൂചിപ്പിക്കുന്നത് പോലെ കമ്പ്യൂട്ടിംഗ് സാങ്കേതികവിദ്യയിൽ വൻ മുന്നേറ്റങ്ങൾ ഉണ്ടായിട്ടുണ്ട് .

2020-കളിൽ മൂറിന്റെ നിയമം അവസാനിക്കുമെന്ന് പല വിദഗ്ധരും വിശ്വസിക്കുന്നുണ്ടെങ്കിലും , ഇത് ആധുനിക AI ടെക്നിക്കുകളിൽ വലിയ സ്വാധീനം ചെലുത്തിയിട്ടുണ്ട് . അതില്ലാതെ, സാമ്പത്തികമായി പറഞ്ഞാൽ ആഴത്തിലുള്ള പഠനം ചോദ്യം ചെയ്യപ്പെടില്ല. AI കണ്ടുപിടുത്തം യഥാർത്ഥത്തിൽ മൂറിന്റെ നിയമത്തെ മറികടക്കുന്നതായി സമീപകാല ഗവേഷണങ്ങൾ കണ്ടെത്തി , ഓരോ ആറ് മാസത്തിലും അല്ലെങ്കിൽ രണ്ട് വർഷത്തിന് വിപരീതമായി ഇരട്ടിയായി.

ആ യുക്തിയനുസരിച്ച്, കഴിഞ്ഞ കുറേ വർഷങ്ങളായി വിവിധ വ്യവസായങ്ങളിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് കൈവരിച്ച മുന്നേറ്റങ്ങൾ വളരെ വലുതാണ്. അടുത്ത ഏതാനും ദശാബ്ദങ്ങളിൽ ഇതിലും വലിയ ആഘാതത്തിനുള്ള സാധ്യതകൾ അനിവാര്യമാണെന്ന് തോന്നുന്നു .

( എഐ വിദഗ്ദയായ അലീസ ഷ്രോയർ എഴുതിയ ലേഖനത്തിന്റെ മലയാള പരിഭാഷ )