የአንድ-ሾት አጠቃላይ አያዎ (ፓራዶክስ)፡ ለምን አመንጪ AI ከአዲስ መረጃ ጋር ይታገላል

Generative AI ከቴክኖሎጂያዊ አውሎ ንፋስ ያነሰ አልነበረም። እንደ GPT-4 ያሉ ሞዴሎች የሰው ልጅ ውይይትን የሚመስል ጽሑፍ ለማመንጨት፣ ድርሰቶችን ለመፃፍ፣ እና እንዲያውም ለተወሳሰቡ ውስብስብ ስራዎች ፈጠራ መፍትሄዎችን ለማቅረብ በእውነታው ዓለምን አውጀዋል። የእኛ ዲጂታል ረዳቶች ያለ ምንም ልፋት ተረድተው ለፍላጎታችን ምላሽ ወደሚሰጡበት በ AI የታገዘ ወደፊት እየተጠጋን ነው። ማንንም አማኝ ማድረግ በቂ ነው አይደል?

ደህና ፣ ማለት ይቻላል… ግን በትክክል አይደለም።

ተመልከት፣ ከጂፒቲ የብልጭታ ውፅዓት እና ሰዋሰዋዊ ፋይዳው ስር መሰረታዊ ገደብ ነው፣ ብዙዎቻችን የቴክኖሎጂ ባለሙያዎችን ያሳበደው ፡ አመንጪ AI ሙሉ ለሙሉ አዲስ መረጃን ለማስተናገድ ይታገላል፣ በተለይም በአንድ-ምት የመማሪያ ሁኔታዎች። ይህ ቀላል የሚመስለው (ግን የሚያበሳጭ) ጉዳይ አሁን ባለው የ AI ስርዓቶች ውስጥ ያለውን ማዕከላዊ ክፍተት ያሳያል። ምንም እንኳን በቢሊዮኖች ከሚቆጠሩ የመረጃ ነጥቦች ውስጥ አስደናቂ ምንባቦችን ማቀናጀት ቢችልም ፣ በእውነተኛ አዲስነት ሲመደብ - ከዚህ በፊት ያላየው ወይም ያልሰለጠነ - የጂፒቲ-ስታይል ሞዴሎች በተፈጥሮ ግድግዳ ላይ ወድቀዋል።

ይህ “One-Shot Generalization Paradox” የምለውን ምስል ያሳያል፡ ምንም ያህል ኃይለኛ፣ ምንም ያህል 'ስማርት' እንደ GPT ያሉ ስርዓቶች ቢመስሉ፣ ከአንድ ወይም ትንሽ እፍኝ በፍጥነት ጠቅለል ማድረግ ሲፈልጉ ይፈርሳሉ። የማይታዩ ምሳሌዎች.

ይህንን አያዎ (ፓራዶክስ) በጥቂቱ እንፈታው እና ለምን ከጀርባው ውስጥ እንዝለቅ። ነገር ግን አይጨነቁ፣ ይህን ሙሉ በሙሉ ፍልስፍና አንይዘውም - ወደ ቴክኒካል ጭቃ እንወርዳለን እና የአሁን-ጂን AIችን ሰዎች ከማያውቁት ነገር ጋር ሲጋፈጡ የሚኖራቸውን አስማታዊ ተለዋዋጭነት ከማዛመድ የሚያቆመው ምን እንደሆነ እንመረምራለን።

የጄኔሬቲቭ ሞዴሎች አስማት እና ዘዴ… እስኪሰበሩ ድረስ

እንደ GPT-4 ያሉ ሞዴሎች ዋናው ብሩህነት በተራቀቀ ትራንስፎርመር አርኪቴክቸር ላይ ያረፈ ነው፣ ይህም ከቋንቋ ሞዴሎች እስከ ራዕይ ተግባራት ድረስ ሁሉንም ነገር በማጎልበት ታዋቂ ነው። አሁን፣ በዚህ ክፍል መጀመሪያ ላይ በጃርጎን ልነግርህ አልፈልግም (አሁን እየጀመርን ነው)፣ ነገር ግን ስንጥቆቹ የት እና ለምን መታየት እንደጀመሩ ለመረዳት አንዳንድ የቴክኖሎጂ ንብርብሮችን መንቀል ያስፈልጋል።

ለጀማሪዎች፣ GPT በቅደም ተከተል ላይ የተመሰረቱ ሞዴሎች ቤተሰብ ነው፣ በማንኛውም የፅሁፍ ቁራጭ የሚቀጥለውን ቃል ወይም ማስመሰያ ለመተንበይ የሰለጠኑ። በዚህ ረገድ እንዴት ጥሩ ይሆናሉ? በአብዛኛው, በትራንስፎርመር ውስጥ በተሰራው የራስ ትኩረት ዘዴ ምክንያት ነው, ይህም እነዚህ ሞዴሎች እጅግ በጣም ብዙ የሆኑ ጽሑፎችን እንዲያጣሩ እና በመሠረቱ በአንድ ዓረፍተ ነገር አስፈላጊ ክፍሎች ላይ "ማተኮር" እና እንዲሁም ሁሉንም ቃላቶች በቅደም ተከተል እንዲመለከቱ ያስችላቸዋል. ይህ ዓለም አቀፋዊ ትኩረት ዘዴ በፍጥነት በትላልቅ የጽሑፍ ክፍሎች ውስጥ አውድ-ስሱ ትርጉም ለመያዝ የጀርባ አጥንት ሆነ።

ግን የፓራዶክስ ዋናው ነገር እዚህ አለ፡ Generative AI በዚህ የስልጠና መረጃ ላይ በእጅጉ ይተማመናል። ከዚህ በፊት በሚታየው ውሂብ ውስጥ ባሉ ማስመሰያዎች መካከል ቅጦችን እና ስታቲስቲካዊ ግንኙነቶችን በማወቅ ረገድ ልዩ ነው፣ ነገር ግን በተፈጥሮው በዚያ ውሂብ ላይ የተመሰረተ ነው። ሞዴሉ ሲለቀቅ GPT-4 በትክክል የአለምን ግንዛቤ ማዳበር ወይም ማዳበር አልተማረም። ይልቁንም፣ በመስመር ላይ በሚገኙ በቢሊዮኖች የሚቆጠሩ የጽሑፍ ምሳሌዎችን (በመጽሃፍት፣ ዊኪፔዲያ፣ ሬዲት ክሮች፣ የአካዳሚክ ወረቀቶች… እርስዎ ይሰይሙታል) ያሰባሰበውን ማኅበራት እየተጠቀመ ነው።

ስለዚህ፣ GPT ወጥነት ያለው እና አንዳንዴም አስተዋይ ጽሑፎችን የሚያመነጭ ሁሉን እንደሚያይ ቃል ሊሰማው ቢችልም፣ ምን እያደረገ ያለው ግን የሚገርም የስርዓተ-ጥለት ማዛመድ ጨዋታ ነው። ትርጉም? አዲስ ነገር ሲመጣ (እንደ አዲስ ሳይንሳዊ ወረቀት በኳንተም ሜካኒክስ ወይም አንዳንድ ኢንደስትሪ-ተኮር ጃርጎን) ትርጉም ያለው ትርጉም ለመስጠት ይቸግራል።

እሱ... አይሰላም።

ጠብቅ። ግን ለምን እንደ ሰው አጠቃላይ ሊሆን አይችልም?

አሁን፣ የሰው ልጅ ከማሽን የሚለየው እዚህ አለ። ለመጀመሪያ ጊዜ ከእውቀትዎ በላይ ስለ አንድ ፅንሰ-ሀሳብ እያነበብክ እንደሆነ አስብ። ምናልባት እርስዎ የሜካኒካል ምህንድስና ዓለምን የሚጎበኙ የቴክኖሎጂ ጀማሪ መስራች ሊሆኑ ይችላሉ። በእርግጥ በመጀመሪያ ንባብ ላይ ያሉትን ሁሉንም ነጥቦች ላያገናኙ ይችላሉ - ግን ጥቂት ምሳሌዎችን ወይም ሥዕላዊ መግለጫዎችን ካዩ በኋላ አንዳንድ ሊታወቁ የሚችሉ የአምፖል ብልጭታዎች ጠፍተዋል። አሃ ፣ ይህ የቁጥጥር ስርዓት ነው! ይህ ከዚህ ጋር ይገናኛል! እና ከዚያ፣ እነሆ እና እነሆ፣ ያገኙታል (ወይም ቢያንስ አብዛኛው)።

ይህ ልዩነት አንድ-ሾት አጠቃላይ ይባላል - ቅጦችን በፍጥነት የማንሳት ወይም በትንሹ ምሳሌዎች ላይ በመመርኮዝ ሙሉ በሙሉ አዲስ መረጃን የመረዳት ችሎታ። እና ሰዎች በተለየ ሁኔታ ጥሩ የሆነበት ነገር ነው። ትንሽ እውቀትን ወስደን በማስተዋል ወደ ሰፊ ጭብጦች፣ አወቃቀሮች ወይም ቀደም ሲል የምናውቃቸውን ምስያዎችን እናቀርባለን። በሌላ አገላለጽ፣ ኢፒፋኒ እንዲኖረን አንድ ሚሊዮን ምሳሌዎች ወይም ያለፈው መረጃ ሰፊ ኮርፐስ አያስፈልገንም።

በተቃራኒው, አመንጪ ሞዴሎች ስለ ዓለም ምንም ዓይነት ውስጣዊ ግንዛቤ የላቸውም . በስታቲስቲካዊ ቦታ ውስጥ በዘፈቀደ ይራመዳሉ እና የትኞቹ ቃላት ወይም አወቃቀሮች በጋራ ሊከሰቱ እንደሚችሉ ላይ በመመርኮዝ ትንበያዎችን ያደርጋሉ። ስለዚህ ሙሉ ለሙሉ አዲስ የሆነ ነገር እንዲይዙ ሲጠየቁ - ሙሉ በሙሉ አዲስ ሳይንሳዊ ቃል፣ አዲስ ንድፈ-ሀሳብ በመስመር ላይ ታትሞ አያውቅም - በመጀመሪያ ወደ ግድግዳ ይሮጣሉ። በቀላል አነጋገር፣ ከዚህ በፊት አጋጥመውት አያውቁም ፣ እና በማያውቁት ግዛት ላይ ለመዝለል እውነተኛ ፅንሰ-ሀሳባዊ ማዕቀፎች የላቸውም።

እሺ፣ ያ በጣም ረቂቅ ነው። ይህን የበለጠ ላብራራ።

የጄነሬቲቭ AI ሞዴሎች በነባር የውሂብ ነጥቦች መካከል በመተጣጠፍ ይማራሉ. ትርጉሙ፣ ባዩዋቸው ነጥቦች እና በሚያውቋቸው ስርዓተ-ጥለት መካከል ያለውን ክፍተት በመሙላት ረገድ ኤክስፐርቶች ይሆናሉ፣ ነገር ግን ከኤክስትራክሽን ጋር መታገል ማለትም የስልጠናው መረጃ ቅድመ ሁኔታ ሲያጣ በአዲስ ፅንሰ-ሀሳብ ላይ በመዝለል እና ትንበያዎችን ማድረግ። ለምሳሌ GPT-4 በዕለት ተዕለት ቋንቋ "መደበኛ" የቋንቋ ግንባታዎችን በጥሩ ሁኔታ ማስተናገድ ይችላል ምክንያቱም የሚገኙ በሚሊዮን የሚቆጠሩ ምሳሌዎች አሉ። ነገር ግን፣ ብቅ ያሉ፣ ልዕለ-ልዩ ሀሳቦችን ጥያቄ ውስጥ ያስገቡ - በፊዚክስ ውስጥ በሶሊቶኒክ ፋይበር ሌዘር ውስጥ የቅርብ ጊዜ ግስጋሴዎች ልዩነቶች - እና ቡም፡ ፍፁም ጂብሪሽ። ለምን፧ GPT እንደዚህ ላለው ቦታ፣ ልብ ወለድ ቃላት ምንም አይነት ስታቲስቲካዊ ማጣቀሻ ነጥብ የለውም። በቅልጥፍና አሳማኝ ቢሆንም፣ ለአገባብ ትክክለኛነት እውነተኛ ቅንጅትን እንደሚሠዋ በመሠረቱ ተምሯል።

የችግሩ ቴክኒካል ኮር

እሺ፣ ትንሽ የበለጠ ቴክኒካል አስተሳሰብ ካሎት፣ ይህ ገደብ ለምን በጣም ግትር እንደሆነ እና በአንድ ጥይት የመማር ሙከራዎች ወቅት ምን እየሆነ እንዳለ በጥልቀት እንመርምር።

አንድ-ምት ጠቅለል ያለ አንድ ማዕከላዊ ጉዳይ ሞዴሉ በራሱ ቁጥጥር በሚደረግበት ስልጠና ወቅት ከውስጥ ስለሚወክለው መረጃ ነው። የጂፒቲ አይነት ሞዴሎች በገደብ ውስጥ ሲሰሩ በትክክል ጥሩ ባህሪ አላቸው - ይህ ክስተት ብዙውን ጊዜ በስርጭት ውስጥ መማር ተብሎ ይገለጻል። በርዕሰ ጉዳዮች ወሰን ውስጥ ለሰዎች በቂ የሥልጠና ምሳሌዎችን አይቷል፣ GPT-4 እንኳን በጣም የሚያስደነግጥ አስተዋይ ውጤቶችን ሊያወጣ ይችላል። ይህ የሆነበት ምክንያት የአምሳያው አወቃቀሩ መረጃን ጥቅጥቅ ባሉ የቬክተር ውክልናዎች - በዐውደ-ጽሑፍ መክተት መልክ - በቃላት እና በፅንሰ-ሀሳቦች መካከል ግንኙነቶችን የሚይዝ ስለሆነ ነው።

ግን ነገሮች የሚፈቱበት እዚህ ነው። ሞዴሉ ከስርጭት ውጭ የሆነ አጠቃላይ አሰራርን የሚጠይቅ ሁኔታ ሲሰራ፣ ይህም ማለት ከዚህ በፊት ሰልጥኖ የማያውቅ ፅንሰ-ሀሳብ ሲያጋጥመው፣ ስርዓቱ ነገሮችን በሰዎች መንገድ አይመረምርም። እስቲ አስቡት: እነዚህ ሞዴሎች በተፈጥሯቸው የስርዓተ-ጥለት ማሽኖች ናቸው, በስታቲስቲክስ "የአንጀት ስሜቶች" ላይ በመተማመን. "ከመረጃው በላይ" ለመፍጠር ወይም ለማመዛዘን አብሮ የተሰራ ችሎታ የላቸውም።

ለምሳሌ፣ GPT እንዴት የሰዋስው ህጎችን እንደሚማር አስቡበት። በእንግሊዘኛ አረፍተ ነገር ውስጥ ቃላት ጥቅም ላይ የሚውሉ በሺዎች የሚቆጠሩ መንገዶችን ለማስታወስ እንደተቀመጠ ሰው ነው። ስርዓቱ ከበቂ ምልከታ በኋላ፣ “አህ፣ ከርዕሰ ጉዳይ በኋላ ግስ ይመጣል፣ ከዚያም ምናልባት አንድ ነገር እና እንደ አስፈላጊነቱ በአንድ መጣጥፍ ወይም ቅድመ-ዝግጅት ላይ” የሚለውን የውስጥ ካርታ ይገነባል። ነገር ግን በአዲስ-አዲስ ቋንቋ ወይም ሙሉ ለሙሉ አዲስ የዓረፍተ ነገር አወቃቀሮች ሲቀርቡ፣ ይህ ችሎታ ይዳከማል ምክንያቱም ቀደም ሲል ያየውን ድብቅ (ወይም ስውር) ግንኙነቶችን ብቻ ለመለየት የተገደበ ነው።

ይህ, በሚያሳዝን ሁኔታ, ገደቦች አሉት. ባልተጋለጠ ርዕሰ ጉዳይ ላይ ወጥነት ያለው ጽሑፍ ማመንጨት የሚያስፈልግበትን ተግባር ይውሰዱ፣ እንደ ኳንተም-ስበት ድብልታ ባሉ ብዙም በማይታወቅ የፊዚክስ ርዕስ ላይ እጅግ በጣም ጥሩ ግኝቶችን ይናገሩ። ሞዴሉ አዳዲስ እድሎችን ለመገመት የቆየ እውቀትን እንደገና ለመተርጎም የሚያስፈልገው ስብጥር የለውም። በሰው አእምሮአችን ውስጥ ሁሌም ከፍተኛ ደረጃ ያላቸው ውክልናዎች አሉን (ፅንሰ-ሀሳቦች፣ ፅንሰ-ሀሳቦች፣ ተምሳሌቶች!) ተለዋዋጭነትን ይሰጡናል። GPT ግን አያደርገውም! በመተንበይ እድሎች ላይ የተመሰረተ ውጤት ያስገኛል, በፈጠራ ዝላይ አይደለም.

ካለፈው ክፍለ ዘመን ላሉ መንገዶች ብቻ ቀድሞ በተዘጋጀ ካርታ መንዳት ተመሳሳይ ነው፡ በግንባታ ላይ ወይም ባለፉት ስድስት ወራት ውስጥ በታዩ ጠማማ እና መታጠፊያዎች ለመጓዝ አይረዳዎትም።

ቴክኒካል ማግኘት - ይህ በሆድ ስር ለምን ይከሰታል

ገደቡን ለመረዳት አንድ ደረጃ ድንጋይ ጥቅጥቅ ያለ እና ትንሽ ውክልና ያለውን ሚና ማወቅ ነው።

ይህን ስል ምን ማለቴ ነው?

ባህላዊ ትራንስፎርመር ሞዴሎች ጥቅጥቅ ባለ የቬክተር መክተቻዎች ይሠራሉ. በአንድ ዓረፍተ ነገር ውስጥ ያለው እያንዳንዱ ማስመሰያ በከፍተኛ-ልኬት ቬክተሮች የተወከለ ነው, እና እነዚህ ቬክተሮች በቃላት መካከል ሰፊ ግንኙነቶችን ይይዛሉ - አገባብ መዋቅሮች , የትርጓሜ ትርጉሞች, የአቀማመጥ ተለዋዋጭ, ወዘተ. ወደ ተለዋዋጭ እና መላመድ አጠቃላይነት በሚመራ መንገድ abstraction.

ጥቅጥቅ ያሉ መክተቶች በአምሳያው ስልጠና ወቅት በአድልዎ-ልዩነት ንግድ የተገደቡ ናቸው። ይህ የንግድ ልውውጥ አስፈላጊ ነው፡ ለአንድ ነገር በማመቻቸት (አጠቃላይ የስታቲስቲክስ ብቃት) ሞዴሉ ሌላ ነገር ይሠዋዋል (ሙሉ ለሙሉ አዲስ በሆኑ ሁኔታዎች ላይ የማመዛዘን ችሎታ)። አስቀድመው ካጋጠሙዎት ዓለም ጋር በትክክል እንዲዛመድ የአዕምሮ ሞዴሎችዎን ያለማቋረጥ ያዘጋጃሉ እንበል። ውጣውሩ ያልተጠበቁ ሁኔታዎች ሙሉ በሙሉ እንዲጥሉዎት ማድረጉ ነው። ውስብስብ ግን ግትር የሆኑ የስታቲስቲክስ ሞዴሎች በተፈጥሯቸው ከትንንሽ ጉዳዮች ጋር ይታገላሉ ምክንያቱም "አማካይ ሁኔታን" በመድገም የላቀ ስለሆኑ እና ከተማሩት ህጎች የተለዩ ሁኔታዎችን ሲያዩ ይቆማሉ።

እዚህ ላይ ሊኖር የሚችል ቁልፍ መፍትሔ በጥቂቱ ውክልናዎች ነው - በተለያዩ የትርጓሜ ደረጃዎች ውስጥ የተለያዩ ባህሪያትን የሚያለያዩ ልኬቶችን ለመፍጠር ቴክኒኮች። ስፓርስ ኔትወርኮች መረጃን በተለዋዋጭ እና በጥቅሉ ሰርስረው የሚያወጡት ልክ እንደ የሰው ልጅ በትናንሽ ዝርዝሮች ላይ ከመጠመድ ይልቅ በዋና ዋና ባህሪያት ላይ በሚያተኩርበት መንገድ ውጤትን በመተንበይ ላይ ነው።

ስለዚህ አንድ-ምት ጠቅለል ያለ አንድ ችግር የዘመናዊው የአውታረ መረብ አወቃቀሮች እንደነዚህ ያሉትን የመበታተን ተግባራት ላይ አጽንዖት አለመስጠቱ ነው - እነሱ ጥቅጥቅ ባሉ እና በመረጃ በተደገፉ ቅጦች ላይ በጣም ይደገፋሉ። ስለዚህ ለምን፣ ሙሉ ለሙሉ አዲስ እና ልዩ የሆኑ ነገሮችን በትንሹ አውድ እንዲያጠቃልሉ ሲጠየቁ፣ አልተሳካላቸውም።

ይህንን ምን ሊፈታው ይችላል?

እንደ እድል ሆኖ፣ ሙሉ በሙሉ ከሃሳብ አልወጣንም። የ AI ተመራማሪዎች (እኔን ጨምሬያለሁ!) የ AI የአንድ-ምት አጠቃላይ ችሎታዎችን ለማሻሻል ስለ ብዙ መንገዶች ንድፈ ሃሳብ መስጠት ጀምረዋል። አንዳንድ በጣም አጓጊ አቀራረቦች በሜታ-ትምህርት አርክቴክቸር ዙሪያ ይሽከረከራሉ። እነዚህ አርክቴክቸር ከዛሬዎቹ ሞዴሎች በመሠረታዊነት የተለዩ ናቸው፣ ይህም ስርዓቱ በተለዋዋጭ ሁኔታ መለኪያዎቹን ከአዳዲስ የመረጃ አይነቶች ጋር በማጣጣም በፍጥነት - ሰውን ከሚመስል ባህሪ ጋር የሚስማማ ነው።

በሞዴል-አግኖስቲክ ሜታ-ትምህርት (MAML) ለምሳሌ አንድ ሞዴል በትንሹ የሥልጠና ምሳሌዎች አዳዲስ ሥራዎችን ለመማር ራሱን ያስተካክላል። የማህደረ ትውስታ-የተጨመሩ የነርቭ አውታረ መረቦች (MANNs) በተለያዩ አጋጣሚዎች የተማሩትን አውድ በማቆየት በተመሳሳይ መልኩ ይሰራሉ፣ ይህም ካለፈው ጠቃሚ ትምህርቶችን እንደምናስታውስ እና አዳዲስ እና ተመሳሳይ ሁኔታዎች ሲያጋጥሙን በማስተዋል እንደገና እንደምንጠቀምባቸው።

ተምሳሌታዊ የማመዛዘን ችሎታዎችን ወደ ጥልቅ ትምህርት ሞዴሎች ማዋሃድ ሌላው ተስፋ ሰጪ አካሄድ ነው። በምሳሌያዊ አካላት የታጠቁ ሞዴሎች በስታቲስቲካዊ ተደራቢዎች ላይ ብቻ ከመተማመን ይልቅ በሎጂክ 'ማመዛዘን' ይችላሉ። እንደ Neuro-Symbolic AI ያሉ መስኮች የኤአይኤስ ከፍተኛ-ሥርዓት አስተሳሰቦችን ለመኮረጅ የሚያስችላቸው የግንኙነት ሞዴሎችን እና ደንብን መሠረት ያደረጉ ስርዓቶችን ያቀርባሉ፣በተለይም በአብስትራክት አመክንዮ ሁኔታዎች።

ወደ ፊት መንገዱ?

ታዲያ ይህ ሁሉ ለወደፊት AI ምን ማለት ነው? በእርግጥ GPT-4 አቀላጥፎ የደንበኞች አገልግሎት መስተጋብር ሲያቀርብልን ወይም የተለመዱ ጥያቄዎችን ሲመልስ እንደ ምትሃታዊ ስሜት ይሰማናል፣ ነገር ግን የማስታወሻ ሞተሮች ብቻ ያልሆኑ ሞዴሎችን ማዘጋጀት አለብን። የዝውውር ትምህርት ፣ ሜታ-ትምህርት እና ኒውሮ-ምሳሌያዊ አርክቴክቸር የበለጠ አዳማጭ ተማሪዎችን ለመፍጠር ወደ ሚጣመሩበት ወደፊት እየመራን ነው።

የOne-Shot Generalization Paradox ለ AI አፖካሊፕቲክ የመጨረሻ መጨረሻ አይደለም። ስለ ብልህነት እና ተለዋዋጭነት ዋና ግምቶችን እንደገና እንድናስብ የሚያደርገን እንቅፋት ነው። ውሂብ ብቻውን ይህንን እንደማያስተካክለው - ሞዴሎች ከማስታወስ ብቻ ሳይሆን ከገለጻዎች የመማር ፣ ምስያዎችን ለመፍጠር እና ዋና ባህሪያትን የማስታወስ ችሎታ ያስፈልጋቸዋል።

የእውቀት ውህደትን በተመለከተ የወደፊት ሞዴሎቻችን ከማሽን የበለጠ ሰው መሆን አለባቸው። እና እንደ ተመራማሪዎች፣ ገንቢዎች እና ፈጠራዎች በመጨረሻ ደረጃ ላይ ነን፣ እኛ አሁንም AI መማር ምን ማለት እንደሆነ በምንገልጽበት የመጀመሪያ ጅማሬ ላይ ነን - በራሱ - በእውነቱ በተለዋዋጭ እና አዲስ ዓለም።

ይህ የቴክኒክ ፈተና ብቻ አይደለም። ፍልስፍናዊ ነው።