දශක ගණනාවක් තිස්සේ, Symbolic AI සහ Neural Networks යනු කෘත්‍රිම බුද්ධිය (AI) ගොඩනැගීමේ මූලික වශයෙන් වෙනස් ප්‍රවේශයන් දෙකක් ලෙස සැලකිණි.

• සංකේතාත්මක ප්‍රවේශය (Symbolic approach): මින් තර්ක කළේ මිනිස් දැනුම, තර්කනය සහ නීති රීති AI වෙත සෘජුවම ක්‍රමලේඛනය (program) කළ යුතු බවයි.
• සම්බන්ධතාවාදී ප්‍රවේශය (Connectionist approach): මින් තර්ක කළේ දැවැන්ත දත්ත ප්‍රමාණයක් විශාල ජාල (networks) වෙත ලබා දී බුද්ධිය ඉබේම වර්ධනය වීමට ඉඩ හැරිය යුතු බවයි.

අතීතයේදී Symbolic ප්‍රවේශය අසාර්ථක වූවක් ලෙස සැලකුණු අතර, AI සඳහා අරමුදල් හිඟ වූ “AI Winters” (කෘත්‍රිම බුද්ධියේ පසුබෑම් කාල පරිච්ඡේද) සඳහා එය ප්‍රධාන වශයෙන් හේතු විය. අනෙක් අතට, Connectionism මගින් අපට නවීන Deep Learning සහ Large Language Models (LLMs) ලබා දුන්නේය. නමුත් මෙහි ඇති පුදුම දනවන කරුණ නම්, බුද්ධිය ගොඩනැගීමේ මාර්ගයක් ලෙස Symbolic AI අසාර්ථක වුවද, Neural Networks තුළ සංකේතාත්මක ව්‍යුහයන් (symbolic structures) ඉබේම නිර්මාණය වී ඇති බවක් පෙනෙන්නට තිබීමයි.

නමුත් සිත්ගන්නාසුලු පරස්පරයක් තවමත් පවතී: නවීන AI හුදෙක් Connectionist පදනමක් මත (අඛණ්ඩ දෛශික හෙවත් continuous vectors මත) ක්‍රියාත්මක වන්නේ නම්, ගණිතය, පරිගණක ක්‍රමලේඛනය (programming) සහ දැඩි තර්කනය වැනි සාම්ප්‍රදායිකව සම්පූර්ණයෙන්ම සංකේතාත්මක ලෙස සලකන කාර්යයන්හිදී එය මෙතරම් දක්ෂ වන්නේ කෙසේද?

“The Emergent Symbolic Structure of Artificial Neural Networks” නමැති පෙරළිකාර පර්යේෂණ පත්‍රිකාව මගින් මීට පුදුම සහගත පිළිතුරක් සපයයි: මිනිස් මැදිහත්වීමකින් තොරව Neural Networks ස්වභාවිකවම සංකේතාත්මක ව්‍යුහයන්ට සමාන තත්ත්වයකට පත්වෙමින් පවතී. නව පර්යේෂණ වලින් පෙනී යන්නේ අද පවතින Neural Networks තමන් විසින්ම යම් සංකේතාත්මක ව්‍යුහයක් ගොඩනඟා ගනිමින් සිටින බවයි.

යන්ත්‍රය තුළ ඇති අවතාරය: ව්‍යංග සංකේත (The Ghost in the Machine: Implicit Symbols)

Neural Network එකක් තුළදී, දත්ත එහි සැඟවුණු ස්ථර (hidden layers) හරහා ගමන් කරන විට ඒවා vectors බවට පත්වේ—එනම් අඛණ්ඩ සංඛ්‍යා ලැයිස්තුවක් බවට පත්වේ. බැලූ බැල්මට vector එකක සංකේතාත්මක කිසිවක් නොමැත. ඔබට එහි ඇති ඉලක්කම් දෙස බලා ගණිතමය ක්‍රියාකරුවෙකු (mathematical operator) හෝ ව්‍යාකරණ රීතියක් පහසුවෙන් උකහා ගත නොහැක.

කෙසේ වෙතත්, මෙම අඛණ්ඩ vectors තුළ ජාලයන් ව්‍යංගයෙන් (implicitly) සංකේතාත්මක ව්‍යුහයක් නිර්මාණය කරගන්නා බවට පර්යේෂකයෝ කල්පිතයක් ගොඩනැගූහ. මෙය පරීක්ෂා කිරීම සඳහා, ඔවුන් විසින් “Discover” (Dissecting Compositionality in Vector Representations) නම් මෙවලමක් භාවිතා කරමින්, මිනිසා විසින් කෘත්‍රිමව නිර්මාණය කළ සංකේතාත්මක vectors සජීවී AI එකක් වෙත ඇතුළත් කළ හැකිදැයි සොයා බැලූහ.

“Discover” පරීක්ෂණය

මෙම පර්යේෂණ කණ්ඩායම Tensor Product Representations (TPR) භාවිතයෙන් පැහැදිලි ගණිතමය සංකේත නිර්මාණය කළහ. ඔවුන් දත්ත පැහැදිලි කොටස් දෙකකට වෙන් කළහ:

1. Filler Vectors: සැබෑ අයිතම හෝ අගයන් (උදා: ‘2’ ඉලක්කම, ‘+’ ලකුණ).
2. Role Vectors: අයිතමයේ පිහිටීම හෝ කාර්යය (උදා: ‘පළමු අංකය’, ‘මෙහෙයුම’).

Linear algebra (රේඛීය වීජ ගණිතය) භාවිතයෙන් මෙම fillers සහ roles එකට බැඳීමෙන්, ඔවුන් පරිපූර්ණ සංකේතාත්මක vectors නිර්මාණය කළහ. මෙහි නියම පරීක්ෂණය වූයේ, ඔවුන් කලින් පුහුණු කරන ලද (pre-trained) Large Language Model එකක් ගෙන, එහි ස්වභාවිකව හැඩගැසුණු සැඟවුණු දත්ත ව්‍යුහයන් වෙනුවට ඔවුන් විසින් කෘත්‍රිමව නිර්මාණය කරන ලද මෙම සංකේතාත්මක vectors ආදේශ කිරීමයි.

ප්‍රතිඵලය කුමක්ද? Model එක බිඳ වැටුණේ නැත. ඇත්ත වශයෙන්ම, නිෂ්පාදන මාදිලි කිහිපයක් සහ සැබෑ ලෝකයේ කාර්යයන් හරහා, AI හි අභ්‍යන්තර නිරූපණය දැඩි සංකේතාත්මක එකක් සමඟ ප්‍රතිස්ථාපනය කිරීම එහි නිරවද්‍යතාවයට (accuracy) බලපෑවේ ඉතා සුළු වශයෙනි. මින් අදහස් වන්නේ, දත්ත සැකසීම සඳහා AI ස්වභාවිකවම යොදාගන්නා ක්‍රමය සහ අප විසින් බාහිරව ලබාදුන් පැහැදිලි සංකේතාත්මක ක්‍රමය අතර ඇත්තේ ඉතා සුළු වෙනසක් බවයි.

නව යථාර්ථය: Limitavism

මෙම පරීක්ෂණයෙන් ඔප්පු වන්නේ මූලික මට්ටමේ සිටම Neural Network එකක් පැහැදිලිවම සංකේතාත්මක වීමට අපට බල කළ නොහැකි බවයි. එහෙත්, දැවැන්ත දත්ත ප්‍රමාණයක් මත Neural Network එකක් පුහුණු වන විට, එය තොරතුරු කාර්යක්ෂමව සැකසීම සඳහා සංකේතාත්මක ව්‍යුහයක් වැනි දෙයක් ස්වභාවිකවම නිර්මාණය කර ගනී.

මෙය Limitavism ලෙස හැඳින්වෙන දාර්ශනික ස්ථාවරය සමඟ සමපාත වේ. Networks යනු පිරිසිදු සංකේත පද්ධති නොවේ, නමුත් ඒවා ගතිකව (dynamically) එම තත්ත්වයට ළඟා වේ. අපට කලින් තීරණය කළ පරිදි AI එකකට බුද්ධිය ක්‍රමලේඛනය කළ නොහැක, නමුත් AI එකක් නිපදවන දේ සොයා ගැනීමටත්, ඉන් පසුව එය සංකේතාත්මකව තේරුම් ගැනීමටත් අපට හැකිය. AI හි තර්කනය මිනිසා විසින් ක්‍රමලේඛනය කරන යුගය අවසන් වී ඇත, නමුත් උසස් මට්ටමේ තර්කනය සඳහා සංකේත (symbols) තවමත් අත්‍යවශ්‍ය බව යන්ත්‍ර විසින්ම ඔප්පු කර ඇත.