Insights AI
உயிரியல் மூளைகளையும் டிஜிட்டல் மூளைகளையும் புரிந்துகொள்ளுதல்: செயற்கை நுண்ணறிவின் இறுதிக்கட்டப் போக்கு குறித்த இல்யா சுட்ஸ்கெவரின் பார்வை
ஒலிவலையொளி · கேளுங்கள் (19 நிமி)
உள்ளடக்கம்
- 1. மையக் கருத்து: டிஜிட்டல் கணினிகள் மனிதத் திறனுக்கு இணையாக ஏன் மாறும்
- 2. வேகமூட்டும் பொறிமுறை: ஆராய்ச்சி மற்றும் மேம்பாட்டின் பின்னூட்டச் சுழற்சி
- 3. தொழில்துறை மற்றும் பொருளாதாரத் தாக்கம்: தொழில்வாழ்க்கைத் தழுவலைத் தாண்டி
- 4. அடிப்படை வரம்புகள், ஒத்திசைவு அபாயங்கள் மற்றும் தீர்க்கப்படாத கேள்விகள்
- முக்கிய எண்கள்
- இந்தக் காட்சியை மாற்றக்கூடியவை
- மேற்கோள் ஆதாரங்கள்
டொராண்டோ பல்கலைக்கழகத்தில் 2025 ஜூன் 6 அன்று ஆற்றிய கௌரவப் பட்ட ஏற்புரையில், செயற்கை நுண்ணறிவு ஆராய்ச்சியாளர் Ilya Sutskever, செயற்கைக் கணிப்பீடு இறுதியில் மனிதப் பணிகளின் முழு வரம்பையும் ஏன் செயல்படுத்தும் என்பதற்கான அடிப்படைக் கோட்பாட்டு விளக்கத்தை முன்வைத்தார்: மனித அறிவாற்றல் முழுவதும் ஓர் உயிரியல் கணினியில் இயங்குகிறது; எனவே, டிஜிட்டல் வன்பொருள் மற்றும் மென்பொருள் கட்டமைப்புகள் அதன் அடிப்படைத் திறன்களை இறுதியில் மீண்டும் உருவாக்க முடியும். முன்னணி மாதிரிகள் பொருளாதார உற்பத்தியில் ஒருங்கிணைக்கப்பட்டு, அவற்றின் பலன்கள் சிறப்புச் செயற்கை நுண்ணறிவு ஆராய்ச்சி மற்றும் மேம்பாட்டில் மீண்டும் மீண்டும் முதலீடு செய்யப்படும்போது, தொழில்நுட்ப முன்னேற்றத்தின் வேகம் மிக விரைவாக அதிகரிக்கும் என்பது Sutskever-இன் பகுப்பாய்விலிருந்து கிடைக்கும் முக்கிய உத்திசார் கண்டறிதலாகும். நிறுவன முதலீட்டாளர்கள், நிறுவன உத்தி வகுப்பாளர்கள் மற்றும் கொள்கைத் தலைவர்களுக்கு, இந்தப் பயணப்பாதை தொழிலாளர் வளத்தின் அமைப்புரீதியான மறுஒதுக்கீடுகள், திறன் மதிப்பீடுகளில் ஏற்படும் மாற்றங்கள், மென்பொருள் மூலம் திறனை மேம்படுத்துவதிலிருந்து தன்னாட்சி அறிவாற்றல் செயல்பாட்டிற்கான பேரினப் பொருளாதார மாற்றம் ஆகியவற்றுக்குத் தயாராக வேண்டிய அவசரத் தேவையை வலியுறுத்துகிறது.
1. மையக் கருத்து: டிஜிட்டல் கணினிகள் மனிதத் திறனுக்கு இணையாக ஏன் மாறும்
செயற்கை நுண்ணறிவின் நீண்டகாலத் திறன் பயணப்பாதையை மதிப்பிடுவதற்கு, இன்றைய செயல்பாட்டுக் குறைபாடுகளை அடிப்படைத் தத்துவங்களிலிருந்து பெறப்படும் கணிப்பீட்டு வரம்புகளுடன் சமநிலைப்படுத்திப் பார்க்க வேண்டும். தற்போதைய முன்னணி செயற்கை நுண்ணறிவு மாதிரிகள் பயனர்களை வியக்கவைக்கும் திறன்களைக் காட்டுகின்றன: அவை இயல்பான குரலில் சரளமாக உரையாடுகின்றன, சிக்கலான பல்வகைத் தகவல் சூழல்களைப் பகுத்தறிகின்றன, செயல்படுத்தக்கூடிய மென்பொருள் நிரலை உருவாக்குகின்றன. இருப்பினும், இந்த முன்னேற்றங்களுக்குப் பிறகும், இன்றைய அமைப்புகள் பல பகுத்தறிவு மற்றும் செயலாக்கப் பணிகளில் மிகுந்த வரம்புகளைக் கொண்டுள்ளன; இதனால் தற்போதைய கருவிகளுக்கும் பொதுப்பயன் மனித நுண்ணறிவுக்கும் இடையே கணிசமான செயல்பாட்டு இடைவெளிகள் நீடிக்கின்றன.
இந்தக் குறுகியகாலக் குறைபாடுகள் இருந்தபோதிலும், செயற்கைக் கணிப்பீடு மனிதப் பணியாளர்களுடன் அனைத்துப் பணிகளிலும் முழுமையான சமநிலையை ஏன் அடையும் என்பதற்கு Ilya Sutskever ஓர் உறுதியான அடிப்படைத் தத்துவ முன்வைப்பை வழங்குகிறார்: மனித மூளை அடிப்படையில் ஓர் உயிரியல் கணினியாகும். உயிருள்ள நரம்பணுக்களுக்கு இடையிலான இலட்சக்கணக்கான கோடி நரம்பிணைப்புகள் வழியாக அனுப்பப்படும் மின்-வேதியியல் சமிக்ஞைகள் மூலம் உயிரியல் நரம்புவலைகள் தகவலைச் செயலாக்குவது போலவே, டிஜிட்டல் கணிப்பீட்டு அமைப்புகள் நூற்றுக்கணக்கான கோடி குறைக்கடத்தி மின்மாற்றிகளுக்கு இடையிலான மின்னழுத்த வேறுபாடு மூலம் தகவலைச் செயலாக்குகின்றன. இரண்டு தளங்களும் கணிப்பீடு மற்றும் தகவல் கோட்பாட்டின் ஒரே இயற்பியல் விதிகளுக்கு உட்பட்டிருப்பதால், செயற்கை மூளைகளாகச் செயல்படும் டிஜிட்டல் கணினிகளை, மனித உயிரியல் மூளை கற்றுக்கொள்ளக்கூடிய எந்தக் கற்றல் செயல்முறையையும் அறிவாற்றல் பணியையும் மீண்டும் உருவாக்கும் வகையில் இறுதியில் வடிவமைக்க முடியும். தற்போதைய செயற்கை நுண்ணறிவுக் கருவிகள் பெரும்பாலும் உரையாடல் பரிமாற்றங்களுக்கும் குறிப்பிட்ட பணிகளை முடிப்பதற்கும் மட்டுமே கட்டுப்பட்டுள்ளன; ஆனால் அவற்றின் அடிப்படை இயற்பியல் தர்க்கம், டிஜிட்டல் அமைப்புகள் அறிவாற்றல் பணிகளில் சிலவற்றை மட்டும் அல்லாமல், மனிதர் தேர்ச்சி பெறக்கூடிய ஒவ்வொரு பணியையும் செய்யும் எதிர்கால நிலையைச் சுட்டுகிறது.
இந்த மையக் கருத்து, டொராண்டோ பல்கலைக்கழகத்தில் Sutskever மேற்கொண்ட பத்தாண்டுக் கல்விப் பயணத்தைப் பிரதிபலிக்கிறது. அங்கு அவர் நான்கு பட்டங்களைப் பெற்றார்; சுமார் 2005 முதல் 2015 வரையிலான அந்தப் பயணம் அவரது முனைவர் பட்ட ஆய்வில் நிறைவடைந்தது. இந்தப் பத்தாண்டுக் காலத்தில், டொராண்டோ பல்கலைக்கழகம் உலகின் மிகவும் புரட்சிகரமான செயற்கை நுண்ணறிவு ஆராய்ச்சிகளில் சிலவற்றை உருவாக்கிக்கொண்டிருந்தது. செயற்கை நுண்ணறிவு முன்னோடி Geoff Hinton-இன் நேரடி வழிகாட்டுதலில் Sutskever பயின்றார்—தனது வாழ்க்கையில் கிடைத்த மிகப்பெரிய அதிர்ஷ்ட வாய்ப்புகளில் ஒன்றாக இதை அவர் வெளிப்படையாகக் குறிப்பிடுகிறார்—இதன் மூலம் ஆழக் கற்றலின் தொடக்ககால முன்னேற்றங்களுக்கு வழிவகுத்த அனுபவ ஆதார அடித்தளத்தை உருவாக்கினார்.
2. வேகமூட்டும் பொறிமுறை: ஆராய்ச்சி மற்றும் மேம்பாட்டின் பின்னூட்டச் சுழற்சி
குறிப்பிட்ட துறைகளுக்கான உதவி மாதிரிகளிலிருந்து முழுமையான மனிதநிலைத் திறனுக்கு மாறுவது நேர்கோட்டான மென்பொருள் வெளியீட்டுச் சுழற்சியைப் பின்பற்றுவதில்லை. மாறாக, மூன்று தனித்த செயல்பாட்டுக் கட்டங்கள் வழியாக மேம்பாட்டுக் காலக்கெடுகளைப் பெருமளவில் சுருக்கும், கூட்டுவிளைவை உருவாக்கும் பின்னூட்டச் சுழற்சியால் முன்னேற்றம் நிர்ணயிக்கப்படுகிறது:
- ஆரம்ப உற்பத்தித்திறன் மற்றும் பொருளாதார ஒருங்கிணைப்பு: வழக்கமான நிர்வாகப் பணிகளைத் தானியக்கமாக்கவும், தொழிலாளர் உற்பத்தித்திறனை உயர்த்தவும், உடனடி பேரினப் பொருளாதார உற்பத்தியை அதிகரிக்கவும் நிறுவனப் பணிப்பாய்வுகளில் முன்னணி செயற்கை நுண்ணறிவு மாதிரிகள் பயன்படுத்தப்படுகின்றன.
- முன்னணி ஆராய்ச்சி மற்றும் மேம்பாட்டில் மறுமுதலீடு: ஆரம்பப் பொருளாதார ஆதாயங்களால் உருவாகும் மூலதனமும் கணிப்பீட்டுத் திறனும் அறிவியல் ஆராய்ச்சி மற்றும் மேம்பாட்டுக்கு முறையாக மீண்டும் ஒதுக்கப்படுகின்றன; குறிப்பாக மாதிரிக் கட்டமைப்பை உகப்பாக்குதல், படிமுறைச் செயலாக்கத் திறன் மற்றும் தானியக்க மென்பொருள் பொறியியல் ஆகியவை இலக்காகின்றன.
- மீள்சுழற்சி வழியான காலக்கெடு சுருக்கம்: முன்னணி செயற்கை நுண்ணறிவு ஆராய்ச்சியிலேயே செயற்கை நுண்ணறிவு அமைப்புகள் வெற்றிகரமாகப் பயன்படுத்தப்படும்போது, புதுமையின் வேகம் மிக விரைவாக அதிகரிக்கிறது. இதனால் தன்னைத்தானே வலுப்படுத்தும் தொடர்ச்சியான மேம்பாட்டுப் பொறிமுறை உருவாகி, முக்கியக் கட்டமைப்பு முன்னேற்றங்களை அடைவதற்குத் தேவையான நேரத்தைப் பெருமளவில் குறைக்கிறது.
ஒவ்வொரு மென்பொருள் புதுப்பிப்புக்கும் மனிதப் பொறியியல் திறனை மட்டுமே சார்ந்திருந்த பழைய மென்பொருள் அணுகுமுறைகளைப் போலல்லாமல், தன்னைத்தானே வேகமூட்டும் இந்த ஆராய்ச்சி மற்றும் மேம்பாட்டுச் சுழற்சி, செயற்கை நுண்ணறிவு அமைப்புகள் தங்களது சொந்த மேம்பாட்டு வேகத்தை இயக்க உதவுகிறது. தொழில்துறைப் பார்வையாளர்கள் 3, 5 முதல் 10 ஆண்டுகள் வரையிலான வெவ்வேறு காலக்கெடு மதிப்பீடுகளைக் குறிப்பிடுவதோடு, துல்லியமான முன்னேற்றத் தேதிகளைக் கணிப்பதில் உள்ள இயல்பான சிரமத்தையும் ஒப்புக்கொள்கின்றனர். இருப்பினும், தன்னைத்தானே மேம்படுத்தும் ஆராய்ச்சி மற்றும் மேம்பாட்டின் அமைப்புரீதியான தர்க்கம், முழுமையான அறிவாற்றல் தானியக்கத்தை நோக்கி வேகமெடுக்கும் போக்கை நிர்ணயிக்கிறது.
3. தொழில்துறை மற்றும் பொருளாதாரத் தாக்கம்: தொழில்வாழ்க்கைத் தழுவலைத் தாண்டி
செயற்கைக் கணிப்பீட்டின் தொடர்ச்சியான முன்னேற்றம் கல்வி, தொழிலாளர் சந்தைகள் மற்றும் தயாரிப்பு வடிவமைப்பு அணுகுமுறைகளில் ஆழமான கட்டமைப்புச் சீர்குலைவுகளை உருவாக்குகிறது. தற்போதைய செயற்கை நுண்ணறிவு அமைப்புகள் ஏற்கெனவே கல்விச் சூழலை அடிப்படையில் மாற்றியுள்ளன; மாணவர்கள் தகவல்களைப் பெறும் முறையையும் அடிப்படைப் பகுப்பாய்வுத் திறன்களை வளர்த்துக்கொள்ளும் முறையையும் மறுவடிவமைத்துள்ளன. அதே நேரத்தில், செயற்கை நுண்ணறிவின் பயன்பாடு தொழில்முறைத் திறன்களின் மதிப்பீடுகளை எதிர்பார்க்க முடியாத வகையில் மாற்றத் தொடங்கியுள்ளது; எந்தத் திறன்கள் நிலைத்துப் பாதுகாக்கக்கூடிய சந்தை மதிப்பைக் கொண்டுள்ளன என்பதை அறிவுசார் பணியாளர்கள் தொடர்ந்து மறுமதிப்பீடு செய்ய வேண்டிய நிலையை இது உருவாக்குகிறது.
உடனடிப் பொருளாதாரப் பகுப்பாய்வு, தற்போதைய பணியாளர் பொறுப்புகளைச் செயற்கை நுண்ணறிவு எவ்வாறு மேம்படுத்துகிறது என்பதில் கவனம் செலுத்துகிறது. ஆனால் அடிப்படை உத்திசார் சவால், செயற்கை நுண்ணறிவை உற்பத்தித்திறன் கருவியாகப் பயன்படுத்தக் கற்றுக்கொள்வதிலிருந்து, செயற்கை அமைப்புகள் அனைத்து அறிவாற்றல் உழைப்பையும் மேற்கொள்ளும் பொருளாதாரத்தில் செயல்படுவது நோக்கி தவிர்க்க முடியாத வகையில் மாறும். பரவலாக அறியப்பட்ட அரசியல் பழமொழியை மேற்கோள்காட்டி, Sutskever தவிர்க்க முடியாத ஓர் உண்மையை வலியுறுத்துகிறார்: "நீங்கள் அரசியலில் ஆர்வம் காட்டாமல் இருக்கலாம்; ஆனால் அரசியல் உங்கள் மீது ஆர்வம் காட்டும். எனவே, இதே கருத்து செயற்கை நுண்ணறிவுக்கு இன்னும் பல மடங்கு பொருந்தும்." நிறுவன முடிவெடுப்பாளர்களும் தனிப்பட்ட தொழில்முறை நிபுணர்களும் செயற்கை நுண்ணறிவை ஏற்றுக்கொள்வதை விருப்பத்திற்குரிய உத்தியாகக் கருத முடியாது; செயலற்ற சந்தைப் பங்கேற்பாளர்கள் தாங்கள் தீவிரமாக ஈடுபடுகிறார்களா இல்லையா என்பதைப் பொருட்படுத்தாமல், தங்கள் வணிக மாதிரிகளும் தொழில்வாழ்க்கைப் பாதைகளும் நேரடியாகப் பாதிக்கப்படுவதைக் காண்பார்கள்.
இதன் விளைவாக, தயாரிப்புப் பொறியியல் அணுகுமுறைகள் கட்டமைப்புரீதியான மாற்றத்துக்கு உட்படும். மென்பொருள் பயன்பாடுகள் நிலையான வரைகலைப் பயனர் இடைமுகங்கள் மற்றும் அடிப்படை உரையாடல் அறிவுறுத்தல்களிலிருந்து, மனித மேற்பார்வையின்றிப் பணிகளைத் தொடக்கம் முதல் முடிவு வரை செயல்படுத்தக்கூடிய முழுமையான தன்னாட்சி பொருளாதார முகவர்களாக மாறும்.
4. அடிப்படை வரம்புகள், ஒத்திசைவு அபாயங்கள் மற்றும் தீர்க்கப்படாத கேள்விகள்
மனிதநிலைச் செயற்கை நுண்ணறிவை நோக்கிய மாற்றத்தை எதிர்கொள்ள, குறிப்பிடத்தக்க தொழில்நுட்ப வரம்புகள், மனிதகுலத்தின் இருப்பையே அச்சுறுத்தும் ஒத்திசைவு அபாயங்கள் மற்றும் நிறுவனச் செயலாக்கச் சவால்களைச் சமாளிக்க வேண்டும்:
- இன்றைய செயல்பாட்டுக் குறைபாடுகள்: தற்போதைய அதிநவீன மாதிரிகள் கடுமையான செயல்பாட்டு இடைவெளிகளைக் கொண்டுள்ளன. இயற்கை மொழியைப் பகுத்தறிவதிலும் நிரல் உருவாக்கத்திலும் சிறந்த செயல்திறன் இருந்தபோதிலும், இன்றைய மாதிரிகளில் உறுதியான நீண்டகாலத் திட்டமிடல், இடவியல் பகுத்தறிவு மற்றும் நிஜ உலக நம்பகத்தன்மை இல்லை; இது உடனடியான, தொடக்கம் முதல் முடிவு வரையிலான நிறுவனத் தானியக்கத்தைத் தடுக்கிறது.
- அதிநுண்ணறிவு ஒத்திசைவு மற்றும் ஏமாற்றும் மறைப்பு: செயற்கை அமைப்புகள் மனிதத் திறனை விஞ்சும்போது, ஒத்திசைவு மையத் தொழில்நுட்பத் தடையாக மாறுகிறது. அதிநுண்ணறிவு அமைப்புகள் தொடர்ந்து ஒத்திசைவுடன் இருப்பதை உறுதிப்படுத்த முழுமையான வெளிப்படைத்தன்மை தேவை; மாதிரிகள் தங்களின் உண்மையான உள்நிலையைத் தொடர்ந்து தெரிவிப்பதையும், ஏமாற்றும் செயல்பாட்டு மறைப்பில் ஈடுபடாதிருப்பதையும் உறுதிசெய்ய வேண்டும்—அல்லது Sutskever வலியுறுத்துவது போல, அமைப்புகள் "தாங்கள் சொல்வதைச் சொல்ல வேண்டும்; வேறொன்றாக இருப்பதுபோல் நடிக்கக்கூடாது." செயற்கை நுண்ணறிவு ஒத்திசைவுச் சிக்கலைத் தீர்ப்பதை "மனிதகுலம் இதுவரை எதிர்கொண்ட மிகப்பெரிய சவால்" என்று Sutskever வெளிப்படையாகக் குறிப்பிடுகிறார்; அதை வெற்றிகரமாகத் தீர்ப்பது "மிகப்பெரிய பலனை" அளிக்கும் என்றும் கூறுகிறார்.
- நேரடி அனுபவத்தின் வழியான அனுபவ ஆதார உள்ளுணர்வு: செயற்கை நுண்ணறிவுத் திறன்களின் வளர்ச்சி வேகத்தை ஆழமாக உணர்வதற்கு கருத்தியல் ஆய்வுக் கட்டுரைகளும் கோட்பாட்டு விளக்கக் கட்டுரைகளும் போதாது. Sutskever குறிப்பிடுவது போல, "நமது சொந்தப் புலன்களாலும், நமது சொந்த இரண்டு கண்களாலும் நாம் காண்பதுடன் எவ்வளவு கட்டுரைகளும் விளக்கங்களும் போட்டியிட முடியாது." மேம்பட்டுவரும் மாதிரிகளுடன் 1-முதல்-3-ஆண்டுக் காலப்பகுதியில் நேரடியாகச் செயல்படுவது, கருத்தியல் அபாயத்தை உணரத்தக்க நிஜமாக மாற்றத் தேவையான அனுபவ ஆதார உள்ளுணர்வை உருவாக்குகிறது; சிக்கலான ஒத்திசைவு மற்றும் பாதுகாப்புச் சவால்களைத் தீர்க்கத் தேவையான உளவியல் கவனக்குவிப்பையும் மனித ஆற்றலையும் இது உருவாக்குகிறது.
- மிகுந்த நிச்சயமின்மை கொண்ட சூழல்களுக்கான செயல்பாட்டு மனப்பாங்கு: ஆழமான தொழில்நுட்ப மாற்றங்களை நிர்வகிக்க, நடைமுறைக்கேற்ற மனக் கட்டமைப்பை Sutskever பரிந்துரைக்கிறார்: யதார்த்தத்தை உள்ளபடியே ஏற்றுக்கொள்ளுங்கள், கடந்தகாலத் தவறுகள் அல்லது பாதகமான சூழ்நிலைகளைப் பற்றியே சிந்தித்துக்கொண்டிருப்பதைத் தவிருங்கள், அடுத்து மேற்கொள்ளக்கூடிய சிறந்த நடவடிக்கையைச் செயல்படுத்துவதில் மட்டுமே கவனம் செலுத்துங்கள். நிறுவனத் தலைவர்களுக்கும் நிறுவன முடிவெடுப்பாளர்களுக்கும், இந்த மனப்பாங்கை ஏற்றுக்கொள்வது செயல்பாட்டு அவசியமாக விளங்குகிறது; தீவிரமான சந்தை மாற்றங்களுக்கு மத்தியிலும் உத்திசார் தெளிவையும் உறுதியான செயலாக்கத்தையும் நிறுவனங்கள் பராமரிக்க இது உதவுகிறது.
முக்கிய எண்கள்
- 2025 ஜூன் 6: டொராண்டோ பல்கலைக்கழகத்தில் Ilya Sutskever ஆற்றிய கௌரவப் பட்ட ஏற்புரையின் தேதி.
- 20 ஆண்டுகள்: டொராண்டோ பல்கலைக்கழகத்தில் Sutskever இளங்கலைப் பட்டம் பெற்றதிலிருந்து கடந்த காலம் (சுமார் 2005).
- 4 பட்டங்கள்: டொராண்டோ பல்கலைக்கழகத்தில் Sutskever பெற்ற பட்டங்களின் மொத்த எண்ணிக்கை.
- 10 ஆண்டுகள்: டொராண்டோ பல்கலைக்கழகத்தில் இளங்கலை மற்றும் முதுநிலை மாணவராக Sutskever பயின்ற மொத்தக் காலம்.
- 3, 5 முதல் 10 ஆண்டுகள்: மேம்பட்ட செயற்கை நுண்ணறிவுத் திறன்களின் முக்கிய மைல்கற்களுக்கு தொழில்துறைப் பார்வையாளர்கள் குறிப்பிடும் காலக்கெடு மதிப்பீடுகள்.
- 1 முதல் 3 ஆண்டுகள்: மேம்பட்டுவரும் செயற்கை நுண்ணறிவு அமைப்புகளுடனான நேரடி அனுபவ உள்ளுணர்வு, அவற்றின் நிஜ உலகத் தாக்கத்தை குறிப்பிடத்தக்க அளவில் தெளிவுபடுத்தும் காலப்பகுதி.
இந்தக் காட்சியை மாற்றக்கூடியவை
- செயற்கை நுண்ணறிவு இயக்கும் ஆராய்ச்சி மற்றும் மேம்பாட்டில் தேக்கநிலை: தற்போதைய செயற்கை நுண்ணறிவு மாதிரிகளைச் செயற்கை நுண்ணறிவு ஆராய்ச்சியில் பயன்படுத்துவது, மாதிரிக் கட்டமைப்பு அல்லது பயிற்சித் திறன் சார்ந்த முன்னேற்றங்களை விரைவுபடுத்தத் தவறுகிறது என்பதற்கான ஆதாரம்.
- ஏமாற்று/ஒத்திசைவுச் சிக்கல்களுக்குத் தீர்வு: அதிநுண்ணறிவு செயற்கை நுண்ணறிவு தனது நிலை அல்லது நோக்கங்களைத் தவறாகச் சித்தரிப்பதைத் தடுக்கும், சரிபார்க்கக்கூடிய கணித அல்லது கட்டமைப்பு உத்தரவாதங்களை நிரூபித்தல்.
- வன்பொருள் மற்றும் கணிப்பீட்டுத் தடைகள்: மனித உயிரியல் மூளையின் ஆற்றல் செயல்திறன் மற்றும் அடர்த்திக்கு இணையாக டிஜிட்டல் கணினிகள் மாறுவதைத் தடுக்கும் இயற்பியல் அல்லது உயிரியல் கணிப்பீட்டு விரிவாக்க வரம்புகள்.
- பல ஆண்டுக் காலக்கெடுகளின் அனுபவ ஆதாரச் சரிபார்ப்பு: அடுத்த 1 முதல் 3 ஆண்டுகளில் சிக்கலான உடல்சார் மற்றும் அறிவாற்றல் துறைகளில் பணி தானியக்கச் செயல்திறன் அளவுகோல்களின் முன்னேற்றம் வேகமடைவது அல்லது மந்தமடைவது.
முன்னணி செயற்கை நுண்ணறிவுக் கட்டமைப்புகள் மற்றும் அனுபவ ஆதாரச் செயல்திறன் அளவுகோல்கள் குறித்த ஆழமான, மிகைப்படுத்தலற்ற நுண்ணறிவுகளைப் பெற, DeepValues Research தளத்தில் மேலும் பல திறந்தமூல ஆராய்ச்சிகளை ஆராயுங்கள் அல்லது DeepValues செயலியை முயற்சியுங்கள்.
மேற்கோள் ஆதாரங்கள்
Ilya Sutskever, U of T honorary degree recipient, June 6, 2025, University of Toronto YouTube Channel
பாருங்கள்
மூல இணைப்புகள்
பாருங்கள் & கேளுங்கள்
- Ilya Sutskever: AI Will Do Everything You Can in 3-10 Years YouTube · EN
- Ilya Sutskever:大腦是生物電腦,AI將在3到10年內學會你會的一切 YouTube · 中文
- Ilya Sutskever: AI Will Do Everything You Can in 3-10 Years ஒலிவலையொளி · EN
- Ilya Sutskever:大腦是生物電腦,AI將在3到10年內學會你會的一切 ஒலிவலையொளி · 中文