මෑත කාලයේ කෘත්‍රීම බුද්ධියේ දියුණුව ගැන කතා බොහොමයක් අසන්න ලැබෙනවා. ඇපල් සමාගමේ Siri, ගූගල් සමාගමේ Google Assistant, මයික්‍රොසොෆ්ට්හි Cortana වැනි සහායකයන් අපිට නිතරම අහන්න ලැබෙන කෘත්‍රීම බුද්ධීන් වුණත් මේ සමාගම් සියල්ලම ඇතුළුව වෙනත් විශාල සමාගම් ගණනාවක් දැනටමත් කෘත්‍රීම බුද්ධිය දියුණු කරන්න ලොකු වෙහෙසක් දරමින් සිටිනවා. ලොව අපහසුම ක්‍රීඩාව ලෙස සැලකෙන Go ක්‍රීඩාවේ ලෝක ශූරයා පරදවන්න ගූගල් සමාගමේ AlphaGo වැඩසටහන සමත් වීමත්, ටෙස්ලා සමාගමට අනුබද්ධ OpenAI සමාගමේ වැඩසටහනක් Dota 2 පරිගණක ක්‍රීඩාවේ ලෝක ශූරයන් පරදවන්න සමත් වීමත් ඉතාම කෙටි කාලයක් තුල කෘත්‍රීම බුද්ධිය ඇවිත් තිබෙන ගමනට ඉතා හොඳ නිදසුන්.
ලොව පවතින අපහසුම ක්‍රීඩාවේ වර්තමාන ලෝක ශූරයා කෘත්‍රීම බුද්ධියක්! (ibtimes.com)
කොහොම නමුත් මේ සියල්ල කරන්න ඔවුන්ට හැකි වුණු මූලික හේතුවක් වුණේ අවට පරිසරයේ ඉතාම සුලභව දකින්න ලැබෙන දෙයක් ආශ්‍රයෙන් තම පරිගණක වැඩසටහන් නිර්මාණය කිරීමයි. ඒ තමයි නියුරෝනික ජාල හෙවත් Neural Networks. මේ ලෝකයේ වෙසෙන සියලුම බුද්ධිමත් ජීවීන්ගේ මොළය ක්‍රියා කරන ආකාරය පදනම් කරගත් කෘත්‍රීම, සත්‍යාසන්න ව්‍යුහයක් පරිගණක ක්‍රමලේඛන තුලින් සැකසීම මගින් ජීවීන් හිතන පතන ආකාරයටම ක්‍රියා කරන්න මේ පරිගණක වැඩසටහන්වලට පුළුවන්. මෙසේ සකසන ජාලවල නිවැරදි නාමය කෘත්‍රීම නියුරෝනික ජාල, එහෙමත් නැතිනම් Artificial Neural Networks වුණත් සාමාන්‍යයෙන් පාවිච්චි වන්නේ Neural Networks යන්න පමණයි.
නියුරෝනික ජාල සහ සාමාන්‍ය පරිගණක ජාලවල ඇති වෙනස
නියුරෝනික ජාලයක් සහ පරිගණකයක් හාත්පසින්ම වෙනස් (projectavalon.net)
සාමාන්‍යයෙන් අපි පාවිච්චි කරන පරිගණක අපේ මොළ ක්‍රියා කරන ආකාරයට වඩා හාත්පසින්ම වෙනස් විදිහකටයි ක්‍රියා කරන්නේ. අපේ මොළ නිතරම භාවිත වන දේවල් වඩාත් හොඳින් මතක තබා ගන්නා අතර එයට උපයෝගී කර ගන්නේ එයට අනුබද්ධ, දැනට පවතින වෙනත් මතකයන් විශාල සංඛ්‍යාවක්. නමුත් පරිගණකයක් තනිකරම අහඹු සිද්ධීන් පමණක් මතක තබා ගන්නවා. ඒවා සැකසී ඇති වෙනස් ක්‍රමවේදය නිසා පරිගණකයකට සැකසුම් ඒකකයෙන් බාහිරව පවතින මතකයක් අවශ්‍ය වුණත් ජීවී මොළයක සැකසුම් ක්‍රියාවලිය වගේම මතක තබා ගැනීමත් එකවරම සිදු කරන්න පුළුවන්.
මේ ක්‍රම දෙකේම වාසි සහ අවාසි දෙකම තියෙනවා. ජීවී මොළයක් යම් මතකයකට ආසන්න වශයෙන් සමාන බොහෝ දේවල් ප්‍රමාණයක් එයට සම්බන්ධ කර මතක තබා ගන්නා නිසා එයට සමානත්වය හඳුනා ගැනීමේ හොඳ හැකියාවක් තියෙනවා. පරිගණකයක් අහඹු දත්ත ඉතා නිවැරදිව මතක තබා ගන්නා නිසා එයට අහඹු මතකයක් ඉතා පහසුවෙන් යළි ලබා ගත හැකියි. මේ ක්‍රම දෙකටම එයට ප්‍රතිවිරුද්ධ ක්‍රමයට වඩාත් පහසුවෙන් කළ හැකි දේවල් සඳහා ඉතා විශාල වෙහෙසක් ගන්න සිදු වෙනවා.
මේ පින්තූරයේ ඉන්න වැඩිහිටි ව්‍යාඝ්‍රයන් දෙදෙනා සහ කුඩා ව්‍යාඝ්‍ර පැටවුන් දෙදෙනා ඕනෑම කෙනෙකුට හඳුනාගන්න පුළුවන්. නමුත් ඔවුන්ට යටින් ඇති පාෂාණවල, දකුණු පසින් ඇති ශාක පත්‍රය, වම් පසින් ඇති ගස මත, ඉහළ අහසේ ඇති රූප ඇතුළු අතිරේක ව්‍යාඝ්‍ර හැඩ හඳුනාගැනීම කිසිම පරිගණකයට කරන්න බැරි තරම්. (mycitymychoice.com)
උදාහරණයක් විදිහට මෙහෙම හිතමු. ඔබ පරිගණකයේ මීට අවුරුදු ගණනාවක් කලින් සේව් කළ ලේඛනයක වුණත් තිබෙන අකුරු, රූප සියල්ල කිසිම අඩුපාඩුවක් නැතිව යළිත් තිරය මතට ගෙන එන්න පරිගණකයකට පුළුවන්. හැබැයි ඔබ මොන තරම් කටපාඩම් කළ දෙයක් වුණත් 100%ක් නිවැරදිව මතක තබා ගන්න හරිම අපහසුයි. අනෙක් අතට ඔබ කෙනෙකුගේ පින්තූරයක් පරිගණකයට ලබා දීලා තවත් පින්තූර විශාල ප්‍රමාණයක ඉන්න එම පුද්ගලයා නිවැරදිව හඳුනා ගන්න කියා උපදෙස් දුන්නොත් එවැන්නක් කරන්න පරිගණකයට හරිම අමාරුයි.
කොහොම වුණත් මුහුණෙන් පින්තූරයක ඉන්නා කෙනෙක් හඳුනා ගන්න එක අපිට ඉතාම පහසු දෙයක්. එතැනිනුත් එහාට ගිහින් “මෙයා ටිකක් අසවල් නළුවා වගේ” (එකිනෙකට වෙනස් දෙදෙනෙක් බව තේරුම් ගන්නා අතරම) වැනි දේ කාටත් පිළිගත හැකි ලෙස කියන්නත් අපිට ඉතා පහසුවෙන් පුළුවන් වුණත් සාමාන්‍ය පරිගණකයට නම් එය කරන්න බැරිම තරමේ දෙයක්. ඉහත රූපයේ ශාක පත්‍රයක් වුණත් ව්‍යාඝ්‍ර මුහුණක් ලෙස හඳුනාගැනීම අපිට පහසුවෙන් කළ හැකි වුණත් පරිගණකයකට එය ඉතා අසීරු වන්නේ ඒ නිසායි.
කෘත්‍රීම බුද්ධියට වඩාත් අවශ්‍ය වන්නේ ජීවීන්ට පහසු දේවල්
රියදුරන් රහිත වාහන ජීවීන්ට කළ හැකි දේ අත්‍යවශ්‍ය වන කෘත්‍රිම බුද්ධියකට හොඳ උදාහරණයක් (automotiveit.com)
ඉතින් ඇයි කෘත්‍රීම බුද්ධිය සඳහා ජීවී මොළවල අනුකාරක යොදා ගන්නේ ඇයි? අද කාලයේ කෘත්‍රීම බුද්ධිය ඇසුරින් කරන්න උත්සාහ ගන්න බොහෝ දේවල්වලට අවශ්‍ය වෙන්නේ සමානාත්මතාවය හඳුනා ගැනීමේ ජීවීන් සතු සුවිශේෂී ලක්ෂණයයි. නිකමට හිතන්න කෙනෙක් කතා කරන දේ නිවැරදිව අකුරු බවට හරවන එක ගැන. එවැන්නක් සාමාන්‍ය පරිගණකයක කරන්න විශාල හඬ ප්‍රමාණයක් ගබඩා කර තබාගෙන සංසන්දනය කරන්න අවශ්‍යයි, නමුත් මොන තරම් ප්‍රබල වැඩසටහනක් වුණත් මිනිසෙකුට එය හඳුනා ගැනීමට ඇති හැකියාවත් එක්ක බැලුවාම අහස පොළොව තරම් වෙනසක් තියෙනවා. කලින් උදාහරණයේ විදිහට රූපයක් හඳුනාගැනීමත් ඒ වගේ. එකම වගේ රූප හඳුනා ගත්තත් තරමක් වෙනස් ඉරියව්වක්, භාව ප්‍රකාශනයක් ඇතිව ගත් රූපයක් හඳුනා ගන්න පරිගණකයකට ඉතා අපහසුයි. ඉතින් රියදුරු නැති වාහන, පෞද්ගලික සහායකයන්, බුද්ධිමත් රොබෝවරු ඇතුළු කෘත්‍රීම බුද්ධියේ බොහෝ යෙදීම්වලට වඩාත්ම වැදගත් වෙන්නේ පරිගණකවලට ඉතා අපහසු සහ ජීවීන්ට ඉතා පහසු දේවල් බව ඉතාම පැහැදිලියි.
ඉතින් මේ නිසා නියුරෝන විශාල ගණනාවක් ජාලයක් ලෙස සැකසී පණිවිඩ හුවමාරු කර ගැනීමෙන් ක්‍රියාත්මක වෙන ජීවී මොළයක ආකෘතිය ක්‍රමලේඛන තුළින් බිහි කරන්න විද්‍යාඥයන් කටයුතු කළා. මෑත කාලීනව ප්‍රොසෙසරවල පවතින ඉහළ වේගයත් එක්ක අතීතයේ අපහසු වූ දේවල් කිසිදු ගැටළුවක් නැතිව අද සිදු කරන්න පුළුවන්.
ක්‍රියා කරන ආකාරය
කිසිවක් නොදැන මේ ලෝකයට එන කුඩා ළදරුවෙක් අද අපි සමාජයේ කතාබහ කරන අය තරම් දැනුම් තේරුම් ඇති කෙනෙක් බවට පත් වෙන්නේ සැබැවින්ම කොහොමද කියා නිකමටවත් සිතුවාද? (babycenter.com)
ලොකුවට, ගැඹුරින් හිතන්නේ නැතිව ළදරුවෙක් වැඩිහිටියෙක් බවට පත් වෙන හැටි හිතුවොත් බොහෝ පහසුවෙන් නියුරෝන ජාලයක ක්‍රියාකාරීත්වය තේරුම් ගන්න පුළුවන්.
කුඩා දරුවෙක් උපත ලබන්නේ මේ ලෝකය ගැන දන්නා දේවල් ඉතාම සුළු ප්‍රමාණයක් ඇතිවයි. උපන් මොහොතේ ඉඳලාම දරුවා තමන්ට දැනෙන සංවේදනවලට, තමන් කරන දේවල්වලට ඉන් පසුව සිදු වෙන යම් යම් දේවල් සම්බන්ධ කරමින් ඉගෙන ගන්නවා. උදාහරණයකට තමන් අඬනකොට මව ඇවිත් කිරි දෙනවා කියන දේ තේරුම් ගන්නා ළදරුවා ඉන් පස්සේ කිරි අවශ්‍ය වුණාම අඬන්න ගන්නවා. තමන් හිනා වුණාම ළඟ ඉන්න අය ඇවිත් සිප ගන්නවා කියලා තේරුණාම එය අවශ්‍ය වෙලාවට හිනා වෙන්න පටන් ගන්නවා. ඇහෙන ශබ්ද උච්චාරණය කරන්න, අකුරු මාලාවක් ඉගෙන ගෙන එයට සමාන අකුරු එකතු කරමින් වචන හදන්න ටිකෙන් ටික ඉගෙන ගන්නවා. ඉපදෙන අවස්ථාවේ කිසිම දෙයක් නොදන්නා දරුවා අවුරුදු 18ක් වෙනකොට තවත් දරුවෙක් හදාගෙන සමාජයේ ජීවත් වෙන්න පුළුවන් තරම් බුද්ධියක් හිමි කර ගන්නවා. ඉගෙනීම තුළින් (පොත පත පමණක් නොව තමන් කරන කියන, අත්දකින සියලු දේවල්වලින්) බුද්ධිමත් ජීවියෙක් වෙන්නේ ඒ විදිහටයි.
අද පවතින තාක්ෂණය නිසා එයට සමාන තත්ත්වයක් පරිගණක ක්‍රමලේඛයක් තුළ යථාරූපීව බිහි කරන්න කිසිදු අපහසුවක් නැහැ. (edureka.co)
ඉතින් පරිගණක ක්‍රමලේඛන පාවිච්චි කරලා ජීවී මොළයකට සමානව නිර්මාණය කෙරෙන නියුරෝන ජාලයත් කරන්නේ තමන්ට ලැබෙන සියලුම දත්ත විශ්ලේෂණය කරමින්, සම්බන්ධතා ගොඩ නගා ගැනීමයි. ලැබෙන හැම දත්තයක්ම පාවිච්චි කරමින් මෙම නියුරෝන ජාල කුඩා දරුවා වගේම බුද්ධිමත් බවින් වැඩි වෙනවා. ප්‍රධාන වෙනසකට තියෙන්නේ පරිගණක ප්‍රොසෙසරවල තිබෙන විශාල වේගය නිසා මේ බුද්ධිමත් බව වැඩි කරගන්න යන කාලය ඉතා අවම වෙන එකයි. විශාල දත්ත ප්‍රමාණයක් පාවිච්චි කරමින් වේගයෙන් ඉගෙනීම කෘත්‍රීම බුද්ධි පරීක්ෂකයන් හඳුන්වන්නේ “ගැඹුරින් හැදෑරීම” කියන අරුත තියෙන Deep Learning යන පදයෙන්.
මෙවන් ජාල ගණනාවක් එක් කරලා සුපිරි ජාල නිර්මාණය කරන්නත් හැකියාව තියෙනවා. එවන් අවස්ථාවක් සමාන කරන්න පුළුවන් වෙන්නේ විවිධ දක්ෂතාවලින් සපිරි මිනිසුන් කණ්ඩායමකටයි. හැබැයි සුපිරි ජාලයක් සහසම්බන්ධතාව හා සන්නිවේදනය අතින් මිනිසුන් කණ්ඩායමකට වඩා ඉතාම දියුණු, වේගවත් හා සහයෝගීතාවයෙන් ඉහළ නිසා කළ හැකි දේ බොහොමයි.
නියුරෝන ජාලවල හැකියාව අපිටත් අත්දකින්න පුළුවන්
අලුත් iphone X තුළ ඇති A11 චිප් එකට මුහුණු හඳුනා ගැනීමට දිනෙන් දින වර්ධනය වන හැකියාවක් පවතින්නේ නියුරෝන ජාල සහිත සැකැස්මක් පාවිච්චි කරන නිසායි. (theverge.com)
අද කවුරුත් කතා කරන ඇපල් සමාගමේ අයිෆෝන් 8 එක සහ X එක තුළ අඩංගු A11 චිප් එක ගැන ඔබ දැනටමත් දන්නවා ඇති. අයිෆෝන් එක සමග මෑතකදී හඳුන්වා දුන්නු FaceID තාක්ෂණය ක්‍රියා කරන්නෙත් නියුරෝනික ජාලයක් ආධාරයෙන්. මීට පෙර විවිධ ෆෝන්වලට මුහුණ භාවිතයෙන් අගුලු හැරීමේ ක්‍රමවේදය පැවතුණත් එහිදී සිදු වුණේ ඔබේ මුහුණ මුලින් ලබා ගන්නා රූපයට සංසන්දනය කිරීම විතරයි. නමුත් අයිෆෝන් එකේ FaceID තාක්ෂණය ඔබ මුහුණ භාවිතයෙන් අගුලු හරින වාරයක් පාසා ඔබේ මුහුණ වෙනස් විය හැකි ආකාරය සිය දහස්වරක් අධ්‍යයනය කරමින් ඔබව ඉතා හොඳින් හඳුනා ගන්නවා. වැඩි කාලයක් යන්න කලින් ඔබේ මුහුණ ඉතාම පහසුවෙන් හඳුනා ගන්න මේ හරහා පුළුවන්. කලින් තිබුණු ෆෝන් කොයි තරම් වාරයක් පාවිච්චි කරත් එයට පවතින හඳුනා ගැනීමේ හැකියාවේ කිසිම වෙනසක් සිදු වුණේ නැහැ.
එයට අමතරව අද වන විටත් ෆේස්බුක් සහ ගූගල් වැනි සමාගම් පින්තූරවල, වීඩියෝවල දකින්න ලැබෙන දේවල් සහ හඬපට වල, ගීතවල කියවෙන දේවල් අධ්‍යයනය කරමින් හඳුනා ගත හැකි නියුරෝන ජාල පාදක කරගත් වැඩසටහන් පාවිච්චියට ගන්නවා. මීට වසර දෙකකට වඩා ඉතා හොඳින් ඔබ සොයන දේ සොයා දෙන්න හැකියාව ලැබී තියෙන්නේ ඒ නිසා. උදාහරණයකට ඔබ Dog කියා සර්ච් කළහොත් ඉස්සර වගේ බලලන් කියා නම් කර තිබුණු රූප පමණක් පෙන්වනවා වෙනුවට තම Index එකේ ඇති බල්ලන්ගේ පින්තූර හඳුනාගෙන ඒවා පෙන්නුම් කරන්න දැන් ඒවා සමත්.
අනාගතය?
මේ සියල්ල නිසා අපිට බොහෝ දේවල් පහසුවෙන් කරන්න හැකියාව ලැබේවි. රියදුරන් නැති වාහන, බුද්ධිමත්ව කතා බහ කළ හැකි කෘත්‍රීම සහායකයන්, අපට අවශ්‍යම දේවල් ඉතා පහසුවෙන් හඳුනාගෙන එය සොයා දෙන සර්ච් එන්ජින් වගේම රස බලමින් හොඳින් උයන පිහන රොබෝවන් පවා අනාගතයේ බිහි වෙන්නේ නැහැ කියන්න කිසිදු හැකියාවක් නැහැ. ඉගෙන ගැනීම මත පදනම් වෙන නිසා මේ කිසිවක් ක්‍රියා කරන්නේ සාමාන්‍ය පරිගණක වගේ මුලින් දීපු ක්‍රමලේඛන විධාන විතරක් පාදක කරගෙන නෙවෙයි, ඒ නිසා අපිට අවශ්‍ය අයුරින්, අපිට සුදුසුම අයුරින් හැඩ ගැසෙන්න ඒවාට හොඳ හැකියාවක් තියෙනවා.
නරක පැත්ත? (commentaramafilms.blogspot.com)
නමුත් ඒ මේ තාක්ෂණයේ හොඳ පැත්ත ගැනනේ. ඉතින් නරක දේවල් මොනවද? රොබෝවරුන් ලෝක පාලනය අතට ගන්නා එක බොහොම ජනප්‍රිය ප්‍රබන්ධ තේමාවක් වුණත් එය අද අපි හිතනවාට වඩා සිදු වෙන්න ලොකු සම්භාවිතාවක් තියෙන දෙයක්. ලෝකයේ තිබෙන දියුණුම කෘත්‍රීම බුද්ධි පරීක්ෂණ ආයතනයක් වන OpenAI සමාගමේ ඊලෝන් මස්ක් දැනටමත් ඒ ගැන අනතුරු හඟවා තිබෙනවා. ඉපදෙද්දී මොන වගේ කෙනෙක් වුණත් හරියට හදා ගත්තු දරුවෙක් රටට බොහෝ වැඩදායක වෙන අතරේ නරකට හැදුණු දරුවෙක්
නිසා විශාල විනාශයක් වෙන්න පුළුවන්. ඉගෙනීම මත පදනම් වෙන නිසා නියුරෝනික ජාලවල අවසාන ප්‍රතිඵලය ඒවා නිර්මාණය කළ අය අපේක්ෂා කළ දේට වඩා හාත්පසින්ම වෙනස් වෙන්න පුළුවන්. ජන්මෙට වඩා පුරුද්ද ලොකුයි කියන කතාව අපූරුවට මෙහිදී අදාළ කරගන්න පුළුවන්.
අනාගතයේ කෘත්‍රීම බුද්ධිය නිතර භාවිත වීම අපිට කිසිසේත් වළක්වන්න බැහැ. දැනටමත් අපිට ඉතා සංකීර්ණ නියුරෝනික ජාල නිර්මාණය කිරීමේ හැකියාව පවතින අතර ඉතාම පහසුවෙන් මිනිස් මොළය අභිබවා යන්නත් ඒවාට හැකි වේවි. ඉතින් ගෙදර ඉන්න දරුවා හොඳට හදා ගැනීම වගේ අනවශ්‍ය බලපෑම් ඇති වීමෙන් මේ වැඩසටහන් හැකි තරම් ආරක්ෂා කරගන්න සුදුසු නීති පද්ධති අවශ්‍ය වේවි. පුංචි වැරදීමක් විශාල විනාශයක් සිදු කරන්න පුළුවන්, මොකද මේ වැඩසටහන් වෙනස් වෙන්නේ අපිට හිතා ගන්නවත් බැරි වේගයෙන්.
ඉතින් අනාගතයේ මේ තාක්ෂණයෙන් ඇති සුභදායී ප්‍රතිඵල එහි නරක ප්‍රතිඵලවලට වඩා වැඩි වෙන්න කියලා තමයි අපිට ප්‍රාර්ථනා කරන්න තියෙන්නේ.
කවරයේ රූපය: extremetech.com
මූලාශ්‍ර :
- https://futurism.com
- https://www.scientificamerican.com
- https://sciencelife.uchospitals.edu
- https://www.forbes.com
- https://techcrunch.com
- http://fortune.com
