చాలా మంది వెబ్ వినియోగదారులకు, ఉత్పాదక AI అనేది AI. GPT మరియు క్లాడ్ వంటి పెద్ద భాషా నమూనాలు (LLMలు). వాస్తవంగా కృత్రిమ మేధస్సు మరియు అది అందించే అనంతమైన అవకాశాలకు గేట్వే. మా సింటాక్స్లో ప్రావీణ్యం సంపాదించిన తర్వాత మరియు మా మీమ్లను రీమిక్స్ చేసిన తర్వాత, LLMలు ప్రజల ఊహలను ఆకర్షించాయి.
అవి ఉపయోగించడానికి సులభమైనవి మరియు సరదాగా ఉంటాయి. మరియు – బేసి భ్రాంతి పక్కన పెడితే – వారు తెలివైనవారు. కానీ ప్రజలు తమ అభిమాన LLM రుచితో ఆడుకుంటున్నప్పుడు, జీవించే, శ్వాసించే మరియు నిద్రపోయే AI – పరిశోధకులు, టెక్ హెడ్లు, డెవలపర్లు – పెద్ద విషయాలపై దృష్టి సారిస్తారు. ఎందుకంటే AI max-ers యొక్క అంతిమ లక్ష్యం కృత్రిమ సాధారణ మేధస్సు (AGI). అది ముగింపు ఆట.
నిపుణులకు, LLMలు ఒక సైడ్షో. వినోదాత్మకంగా మరియు చాలా ఉపయోగకరంగా ఉంటుంది, కానీ చివరికి ‘ఇరుకైన AI.’ వారు నిర్దిష్ట డేటాసెట్లపై శిక్షణ పొందినందున వారు చేసే పనిలో మంచివారు, కానీ వారి లేన్ నుండి బయటపడలేరు మరియు పెద్ద సమస్యలను పరిష్కరించడానికి ప్రయత్నించలేరు.
డీప్ లెర్నింగ్ మోడల్స్ యొక్క తగ్గుదల రాబడులు మరియు స్వాభావిక పరిమితులు వాస్తవ జ్ఞాన సామర్థ్యం గల తెలివైన పరిష్కారాల అన్వేషణను ప్రోత్సహిస్తాయి. LLM మరియు AGI మధ్య ఎక్కడో ఉన్న మోడల్లు. ఈ బ్రాకెట్లోకి వచ్చే ఒక సిస్టమ్ – LLM కంటే తెలివైనది మరియు భవిష్యత్ AI యొక్క ముందస్తు రుచి – ఓపెన్కాగ్ హైపెరాన్, ఇది అభివృద్ధి చేసిన ఓపెన్ సోర్స్ ఫ్రేమ్వర్క్. SingularityNET.
దాని ‘న్యూరల్-సింబాలిక్’ విధానంతో, హైపెరాన్ గణాంక నమూనా సరిపోలిక మరియు తార్కిక తార్కికం మధ్య అంతరాన్ని తగ్గించడానికి రూపొందించబడింది, నేటి చాట్బాట్లు మరియు రేపటి అనంతమైన ఆలోచనా యంత్రాల మధ్య చుక్కలను కలిపే రోడ్మ్యాప్ను అందిస్తోంది.
AGI కోసం హైబ్రిడ్ ఆర్కిటెక్చర్
SingularityNET ఓపెన్కాగ్ హైపెరాన్ను తదుపరి తరం AGI పరిశోధనా వేదికగా ఉంచింది, ఇది బహుళ AI మోడల్లను ఏకీకృత కాగ్నిటివ్ ఆర్కిటెక్చర్గా అనుసంధానిస్తుంది. LLM-కేంద్రీకృత వ్యవస్థల వలె కాకుండా, హైపెరాన్ న్యూరల్-సింబాలిక్ ఇంటిగ్రేషన్ చుట్టూ నిర్మించబడింది, దీనిలో AI డేటా మరియు జ్ఞానం గురించి కారణాన్ని నేర్చుకోవచ్చు.
దానితో ఎందుకంటేనాడీ-సంకేత AI, న్యూరల్ లెర్నింగ్ కాంపోనెంట్లు మరియు సింబాలిక్ రీజనింగ్ మెకానిజమ్లు ఒకదానికొకటి తెలియజేయడానికి మరియు మెరుగుపరచడానికి ఒకదానితో ఒకటి ముడిపడి ఉన్నాయి. ఇది నిర్మాణాత్మక, అర్థమయ్యే తార్కిక ప్రక్రియలను చేర్చడం ద్వారా పూర్తిగా గణాంక నమూనాల ప్రాథమిక పరిమితులలో ఒకదానిని అధిగమిస్తుంది.
దాని ప్రధాన భాగంలో, ఓపెన్కాగ్ హైపెరాన్ సంభావ్యత తర్కం మరియు సింబాలిక్ రీజనింగ్ను ఎవల్యూషనరీ ప్రోగ్రామ్ సింథసిస్ మరియు మల్టీ-ఏజెంట్ లెర్నింగ్తో మిళితం చేస్తుంది. దీన్ని తీసుకోవడానికి చాలా నిబంధనలు ఉన్నాయి, కాబట్టి ఆచరణలో ఇవన్నీ ఎలా పనిచేస్తాయో చూద్దాం. ఓపెన్కాగ్ హైపెరాన్ను అర్థం చేసుకోవడానికి – మరియు ప్రత్యేకంగా న్యూరల్-సింబాలిక్ AI ఎందుకు అంత పెద్ద విషయం – మనం LLMలు ఎలా పని చేస్తాయో మరియు అవి ఎక్కడ తక్కువగా వస్తాయో అర్థం చేసుకోవాలి.
LLMల పరిమితులు
ఉత్పాదక AI ప్రధానంగా సంభావ్య సంఘాలపై పనిచేస్తుంది. ఒక LLM ఒక ప్రశ్నకు సమాధానమిచ్చినప్పుడు, మానవ సహజసిద్ధంగా దానికి సమాధానం ‘తెలియదు’. బదులుగా, ఇది దాని శిక్షణ డేటా ఆధారంగా ప్రాంప్ట్ను అనుసరించడానికి అత్యంత సంభావ్య పదాల క్రమాన్ని గణిస్తుంది. చాలా సందర్భాలలో, ఈ ‘వ్యక్తి యొక్క వేషధారణ’ చాలా నమ్మకంగా వస్తుంది, ఇది మానవ వినియోగదారుకు వారు ఆశించే అవుట్పుట్ను మాత్రమే కాకుండా సరైనదిగా అందిస్తుంది.
LLMలు పారిశ్రామిక స్థాయిలో నమూనా గుర్తింపులో ప్రత్యేకత కలిగి ఉంటారు మరియు వారు దానిలో చాలా మంచివారు. కానీ ఈ నమూనాల పరిమితులు చక్కగా నమోదు చేయబడ్డాయి. భ్రాంతి ఉంది, వాస్తవానికి, మేము ఇదివరకే టచ్ చేసాము, ఇక్కడ ఆమోదయోగ్యమైనది కాని వాస్తవంగా తప్పు సమాచారం అందించబడుతుంది. దాని మాస్టర్ను సంతోషపెట్టడానికి ఆసక్తి ఉన్న LLM కంటే కష్టంగా ఏమీ లేదు.
కానీ ఒక పెద్ద సమస్య, ముఖ్యంగా మీరు మరింత సంక్లిష్టమైన సమస్య-పరిష్కారంలోకి ప్రవేశించిన తర్వాత, తార్కికం లేకపోవడం. శిక్షణ సెట్లో నిర్దిష్ట నమూనాలు లేకుంటే, స్థాపించబడిన వాస్తవాల నుండి కొత్త సత్యాలను తార్కికంగా తగ్గించడంలో LLMలు ప్రవీణులు కావు. వారు ఇంతకు ముందు నమూనాను చూసినట్లయితే, వారు దాని రూపాన్ని మళ్లీ అంచనా వేయగలరు. వారు లేకపోతే, వారు గోడను కొట్టారు.
AGI, పోల్చి చూస్తే, జ్ఞానాన్ని యథార్థంగా అర్థం చేసుకోగల మరియు అన్వయించగల కృత్రిమ మేధస్సును వివరిస్తుంది. ఇది అధిక స్థాయి నిశ్చయతతో సరైన సమాధానాన్ని ఊహించదు – దానికి అది తెలుసు, మరియు దానిని బ్యాకప్ చేయడానికి ఇది పని చేస్తుంది. సహజంగానే, ఈ సామర్ధ్యం స్పష్టమైన తార్కిక నైపుణ్యాలు మరియు మెమరీ నిర్వహణ కోసం పిలుస్తుంది – పరిమిత డేటా ఇచ్చినప్పుడు సాధారణీకరించే సామర్థ్యాన్ని ప్రత్యేకంగా చెప్పనక్కర్లేదు. అందుకే AGI ఇంకా కొంత దూరంలో ఉంది – మీరు ఏ మానవుని (లేదా LLM) అడిగేదానిపై ఎంత దూరం ఆధారపడి ఉంటుంది.
కానీ ఈలోగా, AGI నెలలు, సంవత్సరాలు లేదా దశాబ్దాల దూరంలో ఉన్నా, మా వద్ద న్యూరల్-సింబాలిక్ AI ఉంది, ఇది మీ LLMని నీడలో ఉంచే సామర్థ్యాన్ని కలిగి ఉంటుంది.
డిమాండ్పై డైనమిక్ జ్ఞానం
చర్యలో న్యూరల్-సింబాలిక్ AI అర్థం చేసుకోవడానికి, తిరిగి చూద్దాంఓపెన్కాగ్ హైపెరాన్. దాని హృదయంలో అటామ్స్పేస్ మెటాగ్రాఫ్ ఉంది, ఇది డిక్లరేటివ్, ప్రొసీడ్యూరల్, సెన్సరీ మరియు గోల్-డైరెక్ట్తో సహా విభిన్న రకాల జ్ఞానాన్ని సూచించే సౌకర్యవంతమైన గ్రాఫ్ నిర్మాణం, అన్నీ ఒకే సబ్స్ట్రేట్లో ఉంటాయి. మెటాగ్రాఫ్ సంబంధాలు మరియు నిర్మాణాలను కేవలం అనుమితికి మాత్రమే కాకుండా తార్కిక తగ్గింపు మరియు సందర్భోచిత తార్కికానికి మద్దతు ఇచ్చే మార్గాల్లో ఎన్కోడ్ చేయగలదు.
ఇది చాలా AGI లాగా అనిపిస్తే, అది కారణం. ‘డైట్ AGI,’ మీకు కావాలంటే, కృత్రిమ మేధస్సు తదుపరి వైపుకు వెళ్లే టేస్టర్ను అందిస్తుంది. డెవలపర్లు అటామ్స్పేస్ మెటాగ్రాఫ్తో నిర్మించగలరు మరియు దాని వ్యక్తీకరణ శక్తిని ఉపయోగించగలరు, హైపెరాన్ AGI అభివృద్ధి కోసం ప్రత్యేకంగా రూపొందించబడిన ఒక నవల ప్రోగ్రామింగ్ భాష అయిన MeTTa (మెటా టైప్ టాక్)ని సృష్టించింది.
పైథాన్ వంటి సాధారణ-ప్రయోజన భాషల వలె కాకుండా, MeTTa అనేది లాజిక్ మరియు ప్రాబబిలిస్టిక్ ప్రోగ్రామింగ్ యొక్క అంశాలను మిళితం చేసే ఒక అభిజ్ఞా సబ్స్ట్రేట్. MeTTaలోని ప్రోగ్రామ్లు నేరుగా మెటాగ్రాఫ్పై పనిచేస్తాయి, నాలెడ్జ్ స్ట్రక్చర్లను ప్రశ్నించడం మరియు తిరిగి వ్రాయడం మరియు స్వీయ-సవరణ కోడ్కు మద్దతు ఇస్తాయి, ఇది తమను తాము ఎలా మెరుగుపరచుకోవాలో నేర్చుకునే సిస్టమ్లకు అవసరం.
AGIకి గేట్వేగా బలమైన తార్కికం
హైపెరాన్ యొక్క గుండె వద్ద ఉన్న న్యూరల్-సింబాలిక్ విధానం పూర్తిగా గణాంక AI యొక్క కీలక పరిమితిని పరిష్కరిస్తుంది, అనగా ఇరుకైన నమూనాలు బహుళ-దశల తార్కికం అవసరమయ్యే పనులతో పోరాడుతాయి. వియుక్త సమస్యలు వాటి స్వచ్ఛమైన నమూనా గుర్తింపుతో LLMలను వెదురు చేస్తాయి. అయితే, న్యూరల్ లెర్నింగ్ని మిక్స్లోకి విసిరేయండి మరియు తార్కికం తెలివిగా మరియు మరింత మానవీయంగా మారుతుంది. ఇరుకైన AI ఒక వ్యక్తి యొక్క మంచి వేషధారణ చేస్తే, న్యూరల్-సింబాలిక్ AI అసాధారణమైనది చేస్తుంది.
ఇలా చెప్పుకుంటూ పోతే, న్యూరల్-సింబాలిక్ AIని సందర్భోచితంగా మార్చడం చాలా ముఖ్యం. హైపెరాన్ యొక్క హైబ్రిడ్ డిజైన్ అంటే AGI పురోగతి ఆసన్నమైందని కాదు. కానీ ఇది కేవలం గణాంక నమూనా సరిపోలికపై ఆధారపడకుండా అభిజ్ఞా ప్రాతినిధ్యం మరియు స్వీయ-నిర్దేశిత అభ్యాసాన్ని స్పష్టంగా పరిష్కరించే ఆశాజనక పరిశోధన దిశను సూచిస్తుంది. మరియు ఇక్కడ మరియు ఇప్పుడు, ఈ భావన కొన్ని పెద్ద మెదడు వైట్పేపర్కు పరిమితం కాలేదు – ఇది అడవిలో ఉంది మరియు శక్తివంతమైన పరిష్కారాలను రూపొందించడానికి చురుకుగా ఉపయోగించబడుతుంది.
LLM చనిపోలేదు – ఇరుకైన AI మెరుగుపడుతుంది – కానీ దాని రోజులు లెక్కించబడ్డాయి మరియు దాని వాడుకలో ఉండటం అనివార్యం. ఇది సమయం మాత్రమే. మొదటి న్యూరల్-సింబాలిక్ AI. అప్పుడు, ఆశాజనక, AGI – కృత్రిమ మేధస్సు యొక్క చివరి బాస్.
చిత్ర మూలం: డిపాజిట్ ఫోటోలు
