StarTalk වැඩසටහන අතරතුර පැවැත්වුණු සාකච්ඡාවකදී, කෘත්‍රිම බුද්ධියේ “පියා” (Godfather of AI) ලෙස හඳුන්වනු ලබන පරිගණක විද්‍යාඥ සහ සංජානන මනෝවිද්‍යාඥ මහාචාර්ය ජෙෆ්රි හින්ටන් (Geoffrey Hinton), කෘත්‍රිම බුද්ධියේ ඉතිහාසය, නියුරල් ජාල ක්‍රියාත්මක වන ආකාරය සහ ඩිජිටල් බුද්ධිය මිනිස් මොළයේ ඇනලොග් (analog) බුද්ධියට වඩා වෙනස් වන්නේ ඇයිද යන්න පිළිබඳව සිය අදහස් දැක්වීය.

සම්පූර්ණ සම්මුඛ සාකච්ඡාව මෙතැනින් බලන්න: Geoffrey Hinton: Why Digital Minds Might Beat Ours

1. කෘත්‍රිම බුද්ධියේ ඓතිහාසික බෙදීම

1950 ගණන්වල කෘත්‍රිම බුද්ධියේ ආරම්භයේදී ප්‍රධාන ප්‍රවේශයන් දෙකක් තිබූ බව හින්ටන් පෙන්වා දුන්නේය:

• තර්කනය මත පදනම් වූ ප්‍රවේශය (Logic-Inspired Approach): ගණිතමය තර්කනය පදනම් කරගත් මෙම ආකෘතියට අනුව, බුද්ධිය යනු පැහැදිලි නීතිරීතිවලට අනුව සංකේත හැසිරවීමයි.
• ජෛව විද්‍යාත්මක ප්‍රවේශය (Biological Approach): ස්නායු විද්‍යාව පදනම් කරගත් මෙම ප්‍රවේශයේ අරමුණ වූයේ, තර්කනයට වඩා රටා හඳුනා ගැනීම, සංවේදනය සහ මතකය මත පදනම්ව මොළයේ සෛල ක්‍රියා කරන ආකාරය නැවත නිර්මාණය කිරීමයි.

ඇලන් ටියුරින් (Alan Turing) සහ ජෝන් වොන් නොයිමන් (John von Neumann) වැනි මුල් කාලීන විද්‍යාඥයන් ජෛව විද්‍යාත්මක ප්‍රවේශයේ ඇති වැදගත්කම හඳුනා ගත්තද, දශක ගණනාවක් පුරා වඩාත් ජනප්‍රිය වූයේ සංකේතාත්මක (symbolic) AI ක්‍රමයයි.

2. විමධ්‍යගත මතකය සහ නියුරල් ජාල ආකෘතිය

1960 ගණන්වලදී හොලෝග්‍රෑම් (holograms) තාක්ෂණය ඇසුරෙන් විමධ්‍යගත මතකය පිළිබඳ අදහස දැනගැනීමෙන් පසු හින්ටන් ස්නායු ආකෘති නිර්මාණය කෙරෙහි යොමු විය. සාම්ප්‍රදායික පරිගණක ගබඩාකරණයේදී දත්ත එක් නිශ්චිත ස්ථානයක තැන්පත් වන නමුත්, නියුරල් පද්ධතියක මතකය එකිනෙකට සම්බන්ධ වූ නෝඩ් (nodes) රැසක් පුරා පැතිර පවතී.

1970 ගණන් වන විට ඩිජිටල් පරිගණක වඩාත් බලවත් වීමත් සමඟ, කෘත්‍රිම නියුරෝන අතර සම්බන්ධතාවල ශක්තිය වෙනස් කරමින් පරිගණක මඟින් උගන්වන්නේ කෙසේදැයි පරීක්ෂා කිරීමට හින්ටන් මොළයේ ක්‍රියාකාරීත්වය පරිගණක ආශ්‍රිතව අනුකරණය (simulate) කිරීම ආරම්භ කළේය.

3. මයික්‍රෝ-ලක්ෂණ සහ නියුරල් ජාල “සිතන” ආකාරය

කෘත්‍රිම නියුරල් ජාලයන් දැනුම නිරූපණය කරන්නේ කෙසේදැයි පැහැදිලි කිරීමට, හින්ටන් සංකේතාත්මක තර්කනය සහ නියුරල් ක්‍රියාකාරීත්වය අතර වෙනස පෙන්වා දෙයි:

• සාර්ව සංකේත (Macroscopic Symbols): “බළලා” හෝ “බල්ලා” වැනි වචන මඟින් ඉහළ මට්ටමේ සංකල්ප නිරූපණය වේ.
• මයික්‍රෝ-ලක්ෂණ (Micro-Features): සෑම සංකේතයකටම යටින් සක්‍රිය කෘත්‍රිම නියුරෝනවල සංකීර්ණ රටාවක් පවතී. එහිදී එක් එක් නියුරෝනය මඟින් නිශ්චිත ලක්ෂණ (උදාහරණයක් ලෙස “ලොම් සහිත”, “ප්‍රාණවත්”, “සුරතල් සතෙකි”, “කොල්ලකාරී සතෙකි”) හඳුනා ගනී.
• සමදෘශ්‍යතාව සහ සාදෘශ්‍යය (Analogy and Association): සමාන සංකල්ප (උදාහරණයක් ලෙස “අඟහරුවාදා” සහ “බදාදා”, හෝ “බළලා” සහ “බල්ලා”) අතර නියුරල් ක්‍රියාකාරීත්ව රටාවන් සමාන වේ. මේ නිසා රටා හඳුනා ගැනීමට සහ සාදෘශ්‍ය ලෙස සිතීමට නියුරල් ජාලයන්ට විශිෂ්ට හැකියාවක් ලැබී ඇත.

4. ඇනලොග් බුද්ධිය සහ ඩිජිටල් බුද්ධිය

2023 මුල් භාගයේදී, මිනිස් මොළයට (ඇනලොග් බුද්ධියට) වඩා ඩිජිටල් බුද්ධිය උසස් මූලධර්ම මත ක්‍රියාත්මක විය හැකි බව වටහා ගැනීමත් සමඟ හින්ටන්ගේ පර්යේෂණවල ප්‍රධාන වෙනසක් සිදු විය. ඩිජිටල් නියුරල් ජාලයන්ට තමන් ලබාගත් දැනුම හා පුහුණුව ක්ෂණිකව පරිගණක මිලියන ගණනක් අතර බෙදා ගැනීමට හැකියාව ඇති අතර, ජීව විද්‍යාත්මක නියුරල් ජාලයන්ට (මිනිස් මොළයට) එම වේගයෙන් හා පරිමාණයෙන් දැනුම හුවමාරු කරගත නොහැක.