Jan 01, 1970
741 পড়া
এই কারণেই জিপিটি মডেলগুলি মানুষের মতো শোনায়
অতিদীর্ঘ; পড়তে
কেন জিপিটি প্রাকৃতিক ভাষায় এতটা মানুষের মতো এবং অপারেশনের ক্ষেত্রে আমাদের সাথে তাদের কতটা মিল রয়েছে তা বুঝুন। এছাড়াও একটি বোনাস: ChatGPT কিভাবে AGI তৈরি করবে।People Mentioned
'মনোযোগ' আপনার প্রয়োজন ছিল না.
তো, কেউ জানে না কেন এআই কাজ করে, তাই না?
হ্যা এবং না.
মৌলিক সমস্যা হল আমরা মানুষের মস্তিষ্কের রহস্য সম্পর্কে খুব বেশি কিছু খুঁজে পাইনি।
তবুও ট্রান্সফরমার এবং মানুষ প্রাকৃতিক ভাষার সাথে একই রকম প্রতিক্রিয়া ভাগ করে নেয়।
কেন ব্যাখ্যা করা যাক.
ট্রান্সফরমারে তথ্য উপস্থাপনা সংরক্ষণ করা
আমরা একটি ট্রান্সফরমারের জন্য একটি এমবেডিং তৈরি করতে বেশ কয়েকটি শব্দের একটি ইনপুট বা একটি টোকেন থেকে তৈরি একটি ভেক্টর ব্যবহার করি।
তাই তথ্য - একটি ভেক্টর হিসাবে সংরক্ষণ করা হয়.
আমাদের প্রতিনিধিত্ব বিবেচনা করা যাক. এই প্রতিনিধিত্বমূলক এম্বেডিং মনোযোগের চেয়ে অনেক বেশি মৌলিক ভূমিকা পালন করেছে। একটি ডিকোডেবল বা কার্যকরী আকারে প্রতিনিধিত্ব প্রথমে পৌঁছাতে হয়েছিল!
আপনি হয়তো ভাবছেন, পুরো ইন্টারনেটে প্রশিক্ষিত হলে GPT-4 এর মতো একটি ট্রান্সফরমার যা করতে পারে তার সাথে এটি কীভাবে সম্পর্কিত?
তথ্যটি মনোযোগ বিন্দু পণ্য এবং গাণিতিক প্রক্রিয়াকরণের সাথে প্রাসঙ্গিক অর্থ এবং মূল ডেটার উপস্থাপনা দ্বারা এনকোড করা হয়।
তাই আমাদের কাছে ট্রান্সফরমারে সংরক্ষিত এই ডেটার একটি উপস্থাপনা আছে।
দ্য সিক্রেট সস
সমস্ত নিউরাল নেটওয়ার্ক সার্বজনীন আনুমানিক উপপাদ্য অনুযায়ী সমস্যার সমাধান করে।
আপনারা যারা ইউনিভার্সাল অ্যাপ্রোক্সিমেশন কী তা জানেন না, আমরা একটি ইউনিভার্সাল অ্যাপ্রোক্সিমেটরকে যে কোনো প্রক্রিয়া হিসাবে সংজ্ঞায়িত করতে পারি যা একটি নির্দিষ্ট ইনপুটকে উচ্চ নির্ভুলতার সাথে একটি নির্দিষ্ট আউটপুটে রূপান্তর করে - এটি ইনপুটগুলির সেট এবং আউটপুটের সেটের মধ্যে একটি ফাংশনকে আনুমানিক করে। . যে ফাংশন একটি ফর্ম আছে. কিন্তু আমাদের ফর্মটি জানার দরকার নেই কারণ পর্যাপ্ত ডেটা দেওয়া হলে, নিউরাল নেটওয়ার্ক আমাদের জন্য যে কোনও ফাংশন আনুমানিক করতে পারে।
ফাংশন কি? এটি এমন সমস্যা যা আমরা সমাধান করার চেষ্টা করছি।
নিউরাল নেটওয়ার্ক তার প্রসেসিং অ্যালগরিদমের মাধ্যমে যেকোনো ফাংশন আনুমানিক করতে পারে। যে কোনো ফাংশন - তাই সর্বজনীন।
আর্কিটেকচার পরিবর্তিত হয় - অ্যালগরিদম পরিবর্তিত হয় - মডেল পরিবর্তিত হয় - কিন্তু অন্তর্নিহিত নীতি একই।
এবং এই কারণেই নিউরাল নেটওয়ার্কগুলি কাজ করে যখন তাদের কাছে পর্যাপ্ত ডেটা থাকে, একটি উপযুক্ত কাজ দেওয়া হয় এবং সঠিক উপায়ে সামঞ্জস্য করা হয়, একটি শিল্প যা আপনি সময়ের সাথে সাথে আরও ভাল হয়ে ওঠেন।
এই এলএলএম-এ কুকুরের অন্তর্নিহিত প্রতিনিধিত্ব কী?
আছে, অবশ্যই, এক এবং আসলে অনেক.
হতে পারে x ভেক্টর, y প্রাসঙ্গিক মান, এবং একটি একক কুকুরের জন্য z অবস্থানগত আর্গুমেন্ট, সাথে কাঁচা ডেটা প্রবাহ আর্কিটেকচারের সঠিক পথের সাথে।
আমরা এর গভীরে যাইনি কারণ এটি আমাদের উদ্দেশ্যের জন্য অপ্রয়োজনীয়।
সিস্টেম কাজ করে।
এটাই আমাদের জন্য যথেষ্ট।
সিস্টেম, এইভাবে, একটি কালো বাক্স.
কিন্তু, মস্তিষ্ক কীভাবে ডেটা সঞ্চয় করে?
ঠিক আগের মতো - আমরা সঠিক বিবরণ জানি না।
যখন আমাদের মস্তিষ্ক তৈরি হয় তখন তারা বাহ্যিক বস্তু, ধারণা এবং সত্তার অভ্যন্তরীণ উপস্থাপনা তৈরি করে। অনেকটা বেড়ে ওঠা শিশুর মতো।
উদাহরণস্বরূপ, কুকুরের ধারণার সাথে এক্স নিউরন, ওয়াই সিন্যাপ্স এবং জেড আর্কিটেকচারের সাথে নিউরনের মধ্যে কাঁচা ডেটা স্থানান্তর পথের একটি গতিশীল ক্রমাগত বিকশিত সেট জড়িত থাকতে পারে।
আমার বক্তব্য হলো মানুষের মস্তিষ্কও একটি ব্ল্যাক বক্স। এবং একই নীতিগুলি যেগুলি জিপিটি মডেলগুলিতে প্রযোজ্য তা মস্তিষ্কের ক্ষেত্রেও প্রযোজ্য বলা যেতে পারে - তারাও সর্বজনীন আনুমানিক।
আনুমানিক উপপাদ্য স্পষ্টতই আমাদের মস্তিষ্কে প্রযোজ্য।
একই নীতিগুলি কাজ করছে।
আমাদের মস্তিষ্কের ধারণাগুলি এম্বেডিংয়ের মাধ্যমেও সঞ্চিত/উপস্থাপিত হয়!
এটা ঠিক যে এই এমবেডিংগুলি প্রাকৃতিকভাবে তৈরি করা হয়।
অতি-নিম্ন বৈদ্যুতিক শক্তি সহ নিউরন, অ্যাক্সন এবং ডেনড্রাইটের পরিবার।
বিভিন্ন রূপ। বিভিন্ন ফাংশন. কিন্তু একই পরিণতি।
সিস্টেম কাজ করে।
এটাই আমাদের জন্য যথেষ্ট।
আমরা আর কি বলতে পারি আমরা জানি?
শুধুমাত্র যা আমরা অভিজ্ঞতাগতভাবে পর্যবেক্ষণ করতে পারি।
আবার, একটি কালো বাক্স.
তাহলে, কেন তারা প্রাকৃতিক ভাষায় এত অনুরূপ?
আমরা ইন্টারনেটে ডিজিটাল আকারে সংগৃহীত সমস্ত ডেটার একটি খুব জটিল প্রক্রিয়াকরণ পদ্ধতির সাথে যতটা সম্ভব AGI কে মডেল করার চেষ্টা করেছি। বিশ্বের সব তথ্য.
যতদূর সিকোয়েন্স-সিকোয়েন্স মডেল এবং প্রাকৃতিক ভাষার কাজগুলি উদ্বিগ্ন, আমি বলব আমরা সফল হয়েছি।
আমরা মডেল করেছি কিভাবে আমাদের মস্তিষ্ক অনেক অবিশ্বাস্যভাবে ব্যয়বহুল এবং পদ্ধতিগত কঠোর পরিশ্রমের মাধ্যমে তথ্য বোঝার এবং প্রক্রিয়াকরণে কাজ করে।
আমি সুখি নই.
আমি আসলে ভয় পাচ্ছি।
এটি যদি ChatGPT করতে পারে -
তাহলে, GPT-4 কি অর্জন করবে?
মাইক্রোসফ্টের সফ্টওয়্যার প্রকৌশলীরা ইতিমধ্যে জিপিটি -4 মডেলের অনুভূতির বেশ কয়েকটি মুহূর্ত চিহ্নিত করেছেন।
এমনকি তারা এই অনুসন্ধানের উপর একটি কাগজ প্রকাশ করেছে -
সংবাদ পাতা:
গবেষণা পত্র:
আমরা এখানে গভীর ঝুঁকি নিচ্ছি।
যখন জিওফ্রে হিন্টন তার গবেষণা পোস্ট থেকে পদত্যাগ করেন, আমি বুঝতে পেরেছিলাম যে জিনিসগুলি সত্যিই বিপর্যস্ত হচ্ছে।
টাকা সব কিছুর ইন্ধন দেয়।
কোন পরিমাণ নিয়ন্ত্রণ চীন এবং মার্কিন যুক্তরাষ্ট্রের মুনাফা কেন্দ্রিক কোম্পানিগুলোকে থামাতে পারবে না।
আমরা আশা করি ভবিষ্যতে ভাল কাজ করে.
এআই সিদ্ধান্ত গ্রহণকারীদের অবশ্যই নৈতিকতাকে লাভের উপরে রাখতে হবে।
কিন্তু উদ্যোক্তারা কখন তা করেছেন?
উপসংহার
হিন্টন অবিশ্বাস্য কিছু বললেন।
"আমি হঠাৎ করেই আমার মতামত পরিবর্তন করেছি যে এই জিনিসগুলি আমাদের চেয়ে বেশি বুদ্ধিমান হতে চলেছে কিনা। আমি মনে করি তারা এখন এটির খুব কাছাকাছি এবং ভবিষ্যতে তারা আমাদের চেয়ে অনেক বেশি বুদ্ধিমান হবে। আমরা কীভাবে এটি থেকে বাঁচব?"
তবে আপাতত থেমে নেই।
সবকিছু শেষ করার জন্য, চলুন আপনাকে ChatGPT-এ একটি আকর্ষণীয় প্রশ্ন রেখে যাই।
আমাকে:
আপনি কিভাবে AGI অর্জন সম্পর্কে যেতে হবে?
চ্যাটজিপিটি:
আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স (এজিআই) অর্জন করা একটি বড় চ্যালেঞ্জ যার জন্য একাধিক বৈজ্ঞানিক ও প্রকৌশল শাখায় উল্লেখযোগ্য অগ্রগতি প্রয়োজন। যদিও AGI-এর সঠিক পথটি এখনও বিতর্ক এবং অন্বেষণের বিষয়, আমি আপনাকে কিছু মূল ক্ষেত্রগুলির আরও বিশদ ব্যাখ্যা দিতে পারি যা গবেষকরা তদন্ত করছেন:
জ্ঞানীয় স্থাপত্য: একটি জ্ঞানীয় স্থাপত্য বিকাশ করা যা মানুষের বুদ্ধিমত্তার অনুকরণ করতে পারে AGI-এর একটি মৌলিক দিক। এর মধ্যে মানব মস্তিষ্কের গঠন এবং কার্যাবলী বোঝা এবং এই প্রক্রিয়াগুলিকে ক্যাপচার করে এমন গণনামূলক মডেল ডিজাইন করা জড়িত। গবেষকরা স্নায়ুবিজ্ঞান, জ্ঞানীয় মনোবিজ্ঞান এবং জ্ঞানীয় বিজ্ঞান থেকে অনুপ্রেরণা নিয়ে এমন স্থাপত্য তৈরি করেন যা উচ্চ-স্তরের যুক্তি, উপলব্ধি, স্মৃতি, শিক্ষা এবং সিদ্ধান্ত গ্রহণকে সমর্থন করতে পারে।
মেশিন লার্নিং এবং ডিপ নিউরাল নেটওয়ার্ক: মেশিন লার্নিং, বিশেষ করে ডিপ লার্নিং, সাম্প্রতিক এআই অগ্রগতিতে একটি উল্লেখযোগ্য ভূমিকা পালন করেছে। গভীর নিউরাল নেটওয়ার্ক ইমেজ রিকগনিশন এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণের মতো উপলব্ধি কার্যে অসাধারণ সাফল্য অর্জন করেছে। AGI-এর দিকে অগ্রসর হওয়ার জন্য, গবেষকরা এর সাধারণীকরণ, ব্যাখ্যাযোগ্যতা এবং সীমিত ডেটা এবং জটিল যুক্তি পরিচালনা করার ক্ষমতা উন্নত করে গভীর শিক্ষার ক্ষমতা বাড়ানোর উপায়গুলি অন্বেষণ করছেন।
রিইনফোর্সমেন্ট লার্নিং এবং অ্যাক্টিভ লার্নিং: রিইনফোর্সমেন্ট লার্নিং হল AGI এর ফোকাসের আরেকটি মূল ক্ষেত্র। এটি প্রশিক্ষণ এজেন্টদের তাদের পরিবেশের সাথে যোগাযোগ করতে এবং ট্রায়াল এবং ত্রুটি থেকে শিখতে জড়িত। শক্তিবৃদ্ধি শেখার কৌশল, সক্রিয় শিক্ষার সাথে মিলিত, যার মধ্যে সক্রিয়ভাবে তথ্যপূর্ণ প্রশিক্ষণের নমুনা নির্বাচন করা জড়িত, এজেন্টদের তাদের পরিবেশ থেকে আরও দক্ষতার সাথে অন্বেষণ করতে এবং শিখতে সাহায্য করতে পারে। অ্যালগরিদমগুলি তৈরি করা যা বিভিন্ন ডেটা উত্স থেকে শিখতে পারে এবং নতুন পরিস্থিতিতে জ্ঞানকে সাধারণীকরণ করতে পারে AGI অর্জনের জন্য অত্যন্ত গুরুত্বপূর্ণ৷
জ্ঞানীয় রোবোটিক্স এবং মূর্ত বুদ্ধিমত্তা: সত্য AGI শুধুমাত্র তথ্য প্রক্রিয়াকরণের চেয়ে বেশি প্রয়োজন; এটি ভৌত জগতের সাথে মিথস্ক্রিয়া করার প্রয়োজন হবে। জ্ঞানীয় রোবোটিক্সের লক্ষ্য রোবটগুলিতে উপলব্ধি, জ্ঞান এবং ক্রিয়াকে একীভূত করা যাতে তারা মানুষের মতো একইভাবে বিশ্ব সম্পর্কে শিখতে এবং যুক্তি দিতে সক্ষম হয়। মূর্ত বুদ্ধিমত্তা গবেষণা অন্বেষণ করে কিভাবে এজেন্টরা তাদের পরিবেশের সাথে মিথস্ক্রিয়া, সেন্সরিমোটর দক্ষতা এবং শারীরিক অভিজ্ঞতার মাধ্যমে বুদ্ধিমত্তা বিকাশ করতে পারে।
প্রতীকী যুক্তি এবং জ্ঞানের প্রতিনিধিত্ব: AGI সিস্টেমগুলিকে প্রতীকীভাবে যুক্তি দিতে এবং জটিল জ্ঞানের উপস্থাপনাগুলি পরিচালনা করতে সক্ষম হওয়া উচিত। প্রতীকী যুক্তিতে বিমূর্ত যুক্তি এবং সমস্যা সমাধানের কাজগুলি সম্পাদন করার জন্য যৌক্তিক নিয়ম, অনুমান প্রক্রিয়া এবং কাঠামোগত জ্ঞান উপস্থাপনা ব্যবহার করা জড়িত। পরিসংখ্যানগত পদ্ধতির সাথে প্রতীকী যুক্তির সংমিশ্রণ, যেমন নিউরাল নেটওয়ার্ক, আরও শক্তিশালী এবং নমনীয় যুক্তি ক্ষমতা সক্ষম করার জন্য গবেষণার একটি সক্রিয় ক্ষেত্র।
ট্রান্সফার লার্নিং এবং মেটা-লার্নিং: AGI সিস্টেমের একটি ডোমেনে শেখা জ্ঞান এবং দক্ষতা নতুন এবং অপরিচিত ডোমেনে স্থানান্তর করার ক্ষমতা থাকতে হবে। ট্রান্সফার লার্নিং টেকনিকের লক্ষ্য হল বিদ্যমান জ্ঞানকে কাজে লাগানো যাতে সংশ্লিষ্ট কাজ বা ডোমেনে শেখার গতি বাড়ানো যায়। মেটা-লার্নিং, বা শিখতে শেখা, সীমিত ডেটা সহ নতুন পরিস্থিতি এবং কাজগুলির সাথে দ্রুত খাপ খাইয়ে কীভাবে দক্ষতার সাথে শিখতে হয় তা শিখতে পারে এমন মডেলগুলি বিকাশের উপর ফোকাস করে।
ডেটা এবং কম্পিউটেশনাল রিসোর্স: এজিআই ডেভেলপমেন্টের জন্য প্রশিক্ষণ মডেলের জন্য প্রচুর পরিমাণে উচ্চ-মানের ডেটা প্রয়োজন। মানুষের জ্ঞানের প্রশস্ততা এবং গভীরতা ক্যাপচার করার জন্য একাধিক ডোমেন জুড়ে বিভিন্ন ডেটাসেটে অ্যাক্সেস অপরিহার্য। তদ্ব্যতীত, AGI বিকাশ প্রশিক্ষণ এবং জটিল মডেলগুলি চালানোর জন্য যথেষ্ট গণনামূলক সংস্থানগুলির দাবি করে। হার্ডওয়্যারের অগ্রগতি, যেমন বিশেষায়িত AI চিপস এবং বিতরণ করা কম্পিউটিং সিস্টেম, উল্লেখযোগ্যভাবে AGI গবেষণাকে ত্বরান্বিত করতে পারে।
নৈতিকতা, নিরাপত্তা, এবং ব্যাখ্যাযোগ্যতা: AGI অগ্রগতির সাথে সাথে, নৈতিক উদ্বেগগুলিকে মোকাবেলা করা, দৃঢ় নিরাপত্তা ব্যবস্থা বিকাশ করা এবং AGI সিস্টেমগুলির স্বচ্ছতা এবং ব্যাখ্যাযোগ্যতা নিশ্চিত করা অত্যন্ত গুরুত্বপূর্ণ৷ গবেষকরা এআই সিস্টেমগুলিকে আরও স্বচ্ছ, ব্যাখ্যাযোগ্য এবং ঝুঁকি কমানোর জন্য এবং মানব ব্যবহারকারীদের তাদের আচরণ বুঝতে এবং বিশ্বাস করতে সক্ষম করার জন্য দায়বদ্ধ করার উপায়গুলি অন্বেষণ করছেন।
সহযোগিতা এবং আন্তঃবিভাগীয় গবেষণা: এজিআই অর্জনের জন্য এআই, নিউরোসায়েন্স, মনোবিজ্ঞান, দর্শন এবং আরও অনেক কিছু সহ বিভিন্ন ক্ষেত্রের বিশেষজ্ঞদের মধ্যে সহযোগিতা প্রয়োজন। আন্তঃবিভাগীয় গবেষণা এবং জ্ঞান ভাগাভাগিকে উৎসাহিত করা AGI বিকাশে নতুন অন্তর্দৃষ্টি এবং উদ্ভাবনী পদ্ধতির দিকে নিয়ে যেতে পারে।
এটি লক্ষ করা গুরুত্বপূর্ণ যে এই প্রতিটি ক্ষেত্রে যখন অগ্রগতি করা হচ্ছে, তখন AGI অর্জন করা একটি উন্মুক্ত সমস্যা হিসাবে রয়ে গেছে যেখানে সম্পূর্ণ হওয়ার জন্য কোন স্পষ্ট সময়সীমা নেই। এটি একটি জটিল এবং দীর্ঘমেয়াদী লক্ষ্য যার জন্য ক্রমাগত গবেষণা, অন্বেষণ এবং পুনরাবৃত্তি প্রয়োজন।
প্রভু আমাদের সকলের প্রতি রহম করুন!
এই নিবন্ধের প্রধান চিত্রটি হ্যাকারনুনের এআই ইমেজ জেনারেটর দ্বারা প্রম্পট "হিউম্যানয়েড রোবট" এর মাধ্যমে তৈরি করা হয়েছে।
L O A D I N G
. . . comments & more!
. . . comments & more!
