ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿਗਿਆਨਕ ਤਰੱਕੀ ਦੇ ਤਰਕ ਦੀ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦੀ

ਅਸੀਂ MT ਵਿੱਚ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਪੇਸ਼ੇਵਰਾਂ ਬਾਰੇ ਕਈ ਵਾਰ ਲਿਖਿਆ ਹੈ ਜੋ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ "ਬਲੈਕ ਬਾਕਸ" (1) ਵਜੋਂ ਘੋਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਹਨਾਂ ਲਈ ਜੋ ਉਹਨਾਂ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਅਤੇ ਉਭਰ ਰਹੇ ਐਲਗੋਰਿਦਮ ਦੀ ਮੁੜ ਵਰਤੋਂ ਕਰਨਾ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ - ਉਹ ਤਕਨੀਕ ਜੋ ਸਾਨੂੰ ਬੁੱਧੀਮਾਨ ਰੂਪਾਂਤਰਣ ਕਰਨ ਵਾਲੇ ਬੋਟ ਅਤੇ ਸੂਝਵਾਨ ਟੈਕਸਟ ਜਨਰੇਟਰ ਦਿੰਦੀ ਹੈ ਜੋ ਕਿ ਕਵਿਤਾ ਵੀ ਬਣਾ ਸਕਦੇ ਹਨ - ਬਾਹਰੀ ਨਿਰੀਖਕਾਂ ਲਈ ਇੱਕ ਸਮਝ ਤੋਂ ਬਾਹਰ ਰਹੱਸ ਬਣਿਆ ਹੋਇਆ ਹੈ।

ਉਹ ਵੱਡੇ ਅਤੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋ ਰਹੇ ਹਨ, ਵਿਸ਼ਾਲ ਡੇਟਾਸੇਟਾਂ ਨੂੰ ਸੰਭਾਲ ਰਹੇ ਹਨ, ਅਤੇ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟ ਐਰੇ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਪ੍ਰਾਪਤ ਕੀਤੇ ਮਾਡਲਾਂ ਦੀ ਨਕਲ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਹੋਰ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਮਹਿੰਗਾ ਅਤੇ ਕਈ ਵਾਰ ਅਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ, ਵੱਡੇ ਬਜਟ ਵਾਲੇ ਵੱਡੇ ਕੇਂਦਰਾਂ ਨੂੰ ਛੱਡ ਕੇ।

ਬਹੁਤ ਸਾਰੇ ਵਿਗਿਆਨੀ ਇਸ ਸਮੱਸਿਆ ਤੋਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣੂ ਹਨ। ਉਨ੍ਹਾਂ ਵਿੱਚ ਜੋਏਲ ਪੀਨੋ (2), NeurIPS ਦੇ ਚੇਅਰਮੈਨ, ਪ੍ਰਜਨਨਯੋਗਤਾ 'ਤੇ ਪ੍ਰੀਮੀਅਰ ਕਾਨਫਰੰਸ। ਉਸ ਦੀ ਅਗਵਾਈ ਹੇਠ ਮਾਹਿਰ ਇੱਕ "ਪ੍ਰਜਨਨ ਯੋਗਤਾ ਜਾਂਚ ਸੂਚੀ" ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ।

ਪੀਨੋ ਨੇ ਕਿਹਾ, ਇਹ ਵਿਚਾਰ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਦੂਜਿਆਂ ਨੂੰ ਇੱਕ ਰੋਡਮੈਪ ਪੇਸ਼ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਉਹ ਪਹਿਲਾਂ ਹੀ ਕੀਤੇ ਗਏ ਕੰਮ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾ ਸਕਣ ਅਤੇ ਵਰਤ ਸਕਣ। ਤੁਸੀਂ ਇੱਕ ਨਵੇਂ ਟੈਕਸਟ ਜਨਰੇਟਰ ਦੀ ਵਾਕਫੀਅਤ ਜਾਂ ਇੱਕ ਵੀਡੀਓ ਗੇਮ ਰੋਬੋਟ ਦੀ ਅਲੌਕਿਕ ਨਿਪੁੰਨਤਾ 'ਤੇ ਹੈਰਾਨ ਹੋ ਸਕਦੇ ਹੋ, ਪਰ ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਹਰਾਂ ਨੂੰ ਵੀ ਨਹੀਂ ਪਤਾ ਕਿ ਇਹ ਅਜੂਬਿਆਂ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ, ਏਆਈ ਮਾਡਲਾਂ ਦਾ ਪ੍ਰਜਨਨ ਨਾ ਸਿਰਫ਼ ਖੋਜ ਲਈ ਨਵੇਂ ਟੀਚਿਆਂ ਅਤੇ ਦਿਸ਼ਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਸਗੋਂ ਵਰਤਣ ਲਈ ਇੱਕ ਸ਼ੁੱਧ ਵਿਹਾਰਕ ਗਾਈਡ ਵਜੋਂ ਵੀ ਹੈ।

ਦੂਸਰੇ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ। ਗੂਗਲ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵਿਸਤਾਰ ਵਿੱਚ ਵਰਣਨ ਕਰਨ ਲਈ "ਮਾਡਲ ਕਾਰਡ" ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਕਿ ਸਿਸਟਮਾਂ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕੀਤੀ ਗਈ, ਜਿਸ ਵਿੱਚ ਸੰਭਾਵੀ ਬੱਗਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਨ ਵਾਲੇ ਨਤੀਜੇ ਵੀ ਸ਼ਾਮਲ ਹਨ। ਐਲਨ ਇੰਸਟੀਚਿਊਟ ਫਾਰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI2) ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਹੋਰ ਪੜਾਵਾਂ ਤੱਕ ਪਿਨੋਟ ਪ੍ਰਜਨਨ ਯੋਗਤਾ ਜਾਂਚ ਸੂਚੀ ਨੂੰ ਵਧਾਉਣਾ ਹੈ। “ਆਪਣਾ ਕੰਮ ਦਿਖਾਓ,” ਉਹ ਤਾਕੀਦ ਕਰਦੇ ਹਨ।

ਕਈ ਵਾਰ ਬੁਨਿਆਦੀ ਜਾਣਕਾਰੀ ਗੁੰਮ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਦੀ ਮਲਕੀਅਤ ਹੁੰਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਕੰਪਨੀ ਲਈ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਦੁਆਰਾ। ਜਿਆਦਾਤਰ, ਹਾਲਾਂਕਿ, ਇਹ ਬਦਲਦੇ ਹੋਏ ਅਤੇ ਵਧਦੀ ਗੁੰਝਲਦਾਰ ਖੋਜ ਵਿਧੀਆਂ ਦਾ ਵਰਣਨ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥਾ ਦਾ ਸੰਕੇਤ ਹੈ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਹਨ. ਵਧੀਆ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਹਜ਼ਾਰਾਂ "ਗੋਡਿਆਂ ਅਤੇ ਬਟਨਾਂ" ਦੀ ਵਧੀਆ ਟਿਊਨਿੰਗ ਦੀ ਅਕਸਰ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨੂੰ ਕੁਝ "ਕਾਲਾ ਜਾਦੂ" ਕਹਿੰਦੇ ਹਨ। ਅਨੁਕੂਲ ਮਾਡਲ ਦੀ ਚੋਣ ਅਕਸਰ ਪ੍ਰਯੋਗਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ ਨਾਲ ਜੁੜੀ ਹੁੰਦੀ ਹੈ. ਜਾਦੂ ਬਹੁਤ ਮਹਿੰਗਾ ਹੋ ਜਾਂਦਾ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ ਫੇਸਬੁੱਕ ਨੇ ਅਲਫਾਗੋ ਦੇ ਕੰਮ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਇੱਕ ਸਿਸਟਮ ਡੀਪਮਾਈਂਡ ਅਲਫਾਬੇਟ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ, ਤਾਂ ਇਹ ਕੰਮ ਬਹੁਤ ਮੁਸ਼ਕਲ ਸਾਬਤ ਹੋਇਆ। ਵੱਡੀਆਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਜ਼ਰੂਰਤਾਂ, ਕਈ ਦਿਨਾਂ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਡਿਵਾਈਸਾਂ 'ਤੇ ਲੱਖਾਂ ਪ੍ਰਯੋਗਾਂ, ਕੋਡ ਦੀ ਕਮੀ ਦੇ ਨਾਲ, ਸਿਸਟਮ ਨੂੰ "ਬਹੁਤ ਮੁਸ਼ਕਲ, ਜੇ ਅਸੰਭਵ ਨਹੀਂ, ਤਾਂ ਦੁਬਾਰਾ ਬਣਾਉਣਾ, ਟੈਸਟ ਕਰਨਾ, ਸੁਧਾਰ ਕਰਨਾ ਅਤੇ ਵਧਾਉਣਾ" ਬਣਾ ਦਿੱਤਾ ਹੈ, Facebook ਕਰਮਚਾਰੀਆਂ ਦੇ ਅਨੁਸਾਰ।

ਸਮੱਸਿਆ ਵਿਸ਼ੇਸ਼ ਜਾਪਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਜੇਕਰ ਅਸੀਂ ਅੱਗੇ ਸੋਚਦੇ ਹਾਂ, ਇੱਕ ਖੋਜ ਟੀਮ ਅਤੇ ਦੂਜੀ ਦੇ ਵਿਚਕਾਰ ਨਤੀਜਿਆਂ ਅਤੇ ਫੰਕਸ਼ਨਾਂ ਦੀ ਪੁਨਰ-ਉਤਪਾਦਕਤਾ ਨਾਲ ਸਮੱਸਿਆਵਾਂ ਦਾ ਵਰਤਾਰਾ ਸਾਡੇ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਵਿਗਿਆਨ ਅਤੇ ਖੋਜ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਕੰਮਕਾਜ ਦੇ ਸਾਰੇ ਤਰਕ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ। ਇੱਕ ਨਿਯਮ ਦੇ ਤੌਰ ਤੇ, ਪਿਛਲੀ ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹੋਰ ਖੋਜ ਲਈ ਇੱਕ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਗਿਆਨ, ਤਕਨਾਲੋਜੀ ਅਤੇ ਆਮ ਤਰੱਕੀ ਦੇ ਵਿਕਾਸ ਨੂੰ ਉਤੇਜਿਤ ਕਰਦਾ ਹੈ.