एक कृत्रिम मस्तिष्क कृत्रिम बुद्धिमत्ता में एक व्यापक अवधारणा है जो एक जैविक मस्तिष्क की संरचना, कार्य, या व्यवहार की नकल करने के लिए डिज़ाइन की गई कम्प्यूटेशनल प्रणाली को संदर्भित करती है। यह शब्द एक दीर्घकालिक शोध लक्ष्य के रूप में और तंत्रिका नेटवर्क वास्तुकला के कुछ वर्गों के लिए वर्णनात्मक लेबल के रूप में उपयोग किया जाता है, जो तंत्रिका विज्ञान से प्रेरणा लेते हैं। कृत्रिम मस्तिष्क आमतौर पर बड़ी संख्या में परस्पर जुड़े प्रसंस्करण इकाइयों द्वारा विशेषता रखते हैं, जो अक्सर परतों में व्यवस्थित होते हैं, और मशीन लर्निंग तकनीकों के माध्यम से डेटा से सीखते हैं। जबकि कोई भी प्रणाली अभी तक मानव मस्तिष्क की जटिलता को पूरी तरह से पुन: उत्पन्न नहीं करती है, गहन शिक्षण और बड़े भाषा मॉडल में प्रगति ने इस दृष्टि के पहलुओं को व्यावहारिक प्राप्ति के करीब ला दिया है।
इस अवधारणा की जड़ें प्रारंभिक साइबरनेटिक्स और 1950 और 1960 के दशक में पर्सेप्ट्रॉन के विकास में हैं। बर्नार्ड विड्रो जैसे शोधकर्ताओं ने अनुकूली रैखिक तत्वों पर आधारभूत कार्य किया, जबकि बाद में बैकप्रोपेगेशन और कन्वोल्यूशनल तंत्रिका नेटवर्क (हालांकि यहां लिंक नहीं) में विकास ने गहरी वास्तुकला को सक्षम किया। 'कृत्रिम मस्तिष्क' शब्द अक्सर लोकप्रिय प्रवचन में अत्याधुनिक AI प्रणालियों का वर्णन करने के लिए उपयोग किया जाता है, लेकिन शैक्षणिक संदर्भों में यह अधिक सटीक रूप से धारणा, स्मृति, और निर्णय लेने जैसी संज्ञानात्मक प्रक्रियाओं को मॉडल करने के प्रयासों को संदर्भित करता है।
ऐतिहासिक विकास
कृत्रिम मस्तिष्क के निर्माण का विचार कंप्यूटिंग के प्रारंभिक दिनों से है। 1943 में, वॉरेन मैककुलोच और वाल्टर पिट्स ने न्यूरॉन्स का एक गणितीय मॉडल प्रस्तावित किया, जिसने तंत्रिका नेटवर्क अनुसंधान की नींव रखी। 1958 में, फ्रैंक रोसेनब्लैट ने पर्सेप्ट्रॉन पेश किया, एक सरल पैटर्न-पहचान उपकरण, जिसने काफी उत्साह पैदा किया। हालांकि, 1969 में मार्विन मिंस्की और सीमोर पेपर्ट द्वारा पहचानी गई सीमाओं ने वित्त पोषण में कमी की अवधि को जन्म दिया, जिसे कभी-कभी 'AI शीतकाल' कहा जाता है। 1980 के दशक में बैकप्रोपेगेशन के लोकप्रियकरण के साथ रुचि पुनर्जीवित हुई, जो बहु-परत नेटवर्क को प्रशिक्षित करने की एक विधि है, जिसे डेविड रुमेलहार्ट (लिंक नहीं) और जेफ्री हिंटन (लिंक नहीं) सहित कई शोधकर्ताओं ने स्वतंत्र रूप से विकसित किया।
2010 के दशक में, बड़े डेटासेट, शक्तिशाली GPU, और बैच सामान्यीकरण और अवशिष्ट नेटवर्क जैसे एल्गोरिदमिक नवाचारों के संयोजन ने बहुत गहरे नेटवर्क के प्रशिक्षण को सक्षम किया। इस अवधि में छवि पहचान, भाषण प्रसंस्करण, और खेल खेलने में सफलताएं देखी गईं। 2020 के दशक तक, ट्रांसफॉर्मर-आधारित मॉडल, जो जैकब उस्ज़कोरिट, लुकाज़ कैसर, और निकी पार्मर द्वारा 2017 के पेपर 'Attention Is All You Need' में पेश किए गए, बड़े भाषा मॉडल के लिए प्रमुख वास्तुकला बन गए, जिससे ओपनएआई की GPT श्रृंखला और एंथ्रोपिक के क्लॉड जैसी प्रणालियां उभरीं।
न्यूरोमॉर्फिक इंजीनियरिंग
कृत्रिम मस्तिष्क बनाने का एक दृष्टिकोण न्यूरोमॉर्फिक इंजीनियरिंग है, जिसका उद्देश्य जैविक न्यूरॉन्स और सिनैप्स की भौतिक संरचना की नकल करने वाले कंप्यूटर चिप्स डिज़ाइन करना है। इंटेल और आईबीएम (लिंक नहीं) जैसी कंपनियों ने न्यूरोमॉर्फिक प्रोसेसर विकसित किए हैं, जिनमें इंटेल का लोइही और आईबीएम का ट्रूनॉर्थ शामिल हैं। ये चिप्स स्पाइकिंग तंत्रिका नेटवर्क का उपयोग करते हैं, जहां न्यूरॉन्स असतत स्पाइक्स के माध्यम से संवाद करते हैं, संभावित रूप से पारंपरिक हार्डवेयर की तुलना में अधिक ऊर्जा दक्षता प्रदान करते हैं। हालांकि, 2020 के दशक के मध्य तक, न्यूरोमॉर्फिक प्रणालियां काफी हद तक प्रयोगात्मक बनी हुई हैं और GPU-आधारित गहन शिक्षण की व्यावसायिक सफलता हासिल नहीं कर पाई हैं।
संज्ञानात्मक वास्तुकला
अनुसंधान की एक और पंक्ति संज्ञानात्मक वास्तुकला पर केंद्रित है, जो मानव अनुभूति की समग्र संरचना को मॉडल करने का प्रयास करती है, जिसमें धारणा, स्मृति, तर्क, और सीखना शामिल है। उल्लेखनीय उदाहरणों में SOAR और ACT-R शामिल हैं, जो कार्नेगी मेलन विश्वविद्यालय और अन्य संस्थानों में विकसित किए गए। ये प्रणालियां अक्सर तंत्रिका घटकों के साथ प्रतीकात्मक तर्क को शामिल करती हैं, जिसका उद्देश्य एक संकर दृष्टिकोण है। जोशुआ टेनेनबाम और ब्रेंडन लेक जैसे शोधकर्ताओं ने ऐसी मशीनों के निर्माण की वकालत की है जो मनुष्यों की तरह सीखती हैं, कारण तर्क और सहज भौतिकी पर जोर देती हैं, जो कई गहन शिक्षण प्रणालियों के सांख्यिकीय पैटर्न मिलान के विपरीत है।
बड़े भाषा मॉडल कृत्रिम मस्तिष्क के रूप में
2020 के दशक में, बड़े भाषा मॉडल (LLM) सार्वजनिक कल्पना में 'कृत्रिम मस्तिष्क' के लिए सबसे प्रमुख उम्मीदवार बन गए हैं। ये मॉडल, ट्रांसफॉर्मर वास्तुकला पर निर्मित, पाठ डेटा की विशाल मात्रा पर प्रशिक्षित होते हैं और अनुवाद से लेकर कोडिंग तक कई प्रकार के कार्य कर सकते हैं। प्रमुख नवाचारों में बहु-सिर ध्यान, स्थितीय एन्कोडिंग, और परत सामान्यीकरण शामिल हैं, जो मॉडल को अनुक्रमों को कुशलतापूर्वक संसाधित करने की अनुमति देते हैं। ओपनएआई, एंथ्रोपिक, और गूगल डीपमाइंड जैसी कंपनियों ने तेजी से बड़े मॉडल विकसित किए हैं, जिनके प्रशिक्षण के लिए हजारों विशेष प्रोसेसर की आवश्यकता होती है। उदाहरण के लिए, 2020 में जारी ओपनएआई का GPT-3 में 175 बिलियन पैरामीटर थे, और बाद के मॉडल और भी बड़े हो गए हैं।
हालांकि, LLM जैविक अर्थों में मस्तिष्क नहीं हैं। उनमें स्थायी स्मृति, निरंतर सीखना, और दुनिया के साथ साकार संपर्क का अभाव है। मेलानी मिशेल जैसे शोधकर्ताओं ने तर्क दिया है कि ये प्रणालियां वास्तव में भाषा या दुनिया को नहीं समझती हैं, और उनकी स्पष्ट क्षमता भंगुर हो सकती है। इन सीमाओं को संबोधित करने के प्रयासों में AI फीडबैक से सुदृढीकरण सीखना और पाठ्यक्रम सीखना जैसी तकनीकें, साथ ही बाहरी स्मृति और उपकरण उपयोग को एकीकृत करने के प्रयास शामिल हैं।
हार्डवेयर और बुनियादी ढांचा
कृत्रिम मस्तिष्क-पैमाने के मॉडल बनाने और चलाने के लिए विशाल कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। बड़े मॉडलों का प्रशिक्षण आमतौर पर GPU या विशेष त्वरक के क्लस्टर पर किया जाता है। एनवीडिया (लिंक नहीं) जैसी कंपनियां बाजार पर हावी हैं, लेकिन विकल्प उभरे हैं, जिनमें अमेज़न वेब सर्विसेज से AWS ट्रेनियम, गूगल क्लाउड के TPU, और ग्रोक के भाषा प्रसंस्करण इकाइयां शामिल हैं। ग्राफकोर ने इंटेलिजेंस प्रोसेसिंग यूनिट (IPU) विकसित की, और सांबा-नोवा पुन: कॉन्फ़िगर करने योग्य डेटाफ्लो वास्तुकला प्रदान करता है। ये प्रणालियां अक्सर क्लाउड डेटा केंद्रों में तैनात की जाती हैं, जिनमें एज़्योर और ओरेकल क्लाउड भी AI बुनियादी ढांचा प्रदान करते हैं।
बड़े मॉडलों के प्रशिक्षण की ऊर्जा और लागत महत्वपूर्ण है। अनुमान बताते हैं कि GPT-3 जैसे मॉडल को प्रशिक्षित करने में कई गीगावाट-घंटे बिजली की खपत हुई, और बड़े मॉडलों को और भी अधिक की आवश्यकता होती है। इससे अधिक कुशल प्रशिक्षण विधियों पर शोध हुआ है, जैसे मॉडल छंटाई और डेटा संवर्धन, साथ ही एएमडी की MI श्रृंखला और इंटेल के गौडी त्वरक जैसे हार्डवेयर नवाचार। टीएसएमसी और सैमसंग इलेक्ट्रॉनिक्स इन प्रणालियों में उपयोग किए जाने वाले उन्नत चिप्स का निर्माण करते हैं, जबकि एआरएम होल्डिंग्स एज डिवाइसों के लिए प्रोसेसर डिज़ाइन प्रदान करता है।
नैतिक और दार्शनिक निहितार्थ
कृत्रिम मस्तिष्क की संभावना गहरे नैतिक और दार्शनिक प्रश्न उठाती है। यदि कोई मशीन मानव-जैसी चेतना प्राप्त कर लेती है, तो उसका नैतिक दर्जा और अधिकार होंगे। दार्शनिक और AI शोधकर्ता बहस करते हैं कि क्या वर्तमान प्रणालियां सचेत हैं या केवल चेतना का अनुकरण करती हैं। डेविड चाल्मर्स (लिंक नहीं) ने चेतना की 'कठिन समस्या' पर चर्चा की है, जबकि मेलानी मिशेल ने AI को मानवीय रूप देने के खतरों के बारे में लिखा है। ऐसी AI प्रणालियों के सामाजिक प्रभाव के बारे में भी चिंताएं हैं जो ठोस पाठ, चित्र, और वीडियो उत्पन्न कर सकती हैं, जिससे गलत सूचना और नौकरी विस्थापन के मुद्दे उत्पन्न होते हैं।
ओपनएआई और एंथ्रोपिक जैसे संगठनों ने सुरक्षा टीमें स्थापित की हैं और जिम्मेदार AI विकास के लिए दिशानिर्देश प्रकाशित किए हैं। सरकारें और नियामक निकाय भी इन मुद्दों को संबोधित करना शुरू कर रहे हैं, यूरोपीय संघ ने AI अधिनियम का प्रस्ताव किया है, जो उच्च-जोखिम वाली AI प्रणालियों पर आवश्यकताएं लगाएगा। बर्कले AI अनुसंधान समूह और स्टैनफोर्ड AI प्रयोगशाला इन चुनौतियों का अध्ययन करने वाले शैक्षणिक केंद्रों में से हैं।
भविष्य की दिशाएं
कृत्रिम मस्तिष्क पर शोध विकसित होता रहता है। कुछ वैज्ञानिकों का मानना है कि वर्तमान मॉडलों को बड़ा करने से उभरती क्षमताएं मिलेंगी, जबकि अन्य तर्क देते हैं कि मौलिक रूप से नई वास्तुकला की आवश्यकता है। गहन शिक्षण के अग्रदूतों जैसे यान लेकुन (लिंक नहीं) ने ट्रांसफॉर्मर के विकल्प प्रस्तावित किए हैं, जैसे ऊर्जा-आधारित मॉडल। जोशुआ टेनेनबाम और ब्रेंडन लेक एक 'न्यूरो-प्रतीकात्मक' दृष्टिकोण की वकालत करते हैं जो तंत्रिका नेटवर्क को प्रतीकात्मक तर्क के साथ जोड़ता है। स्पाइकिंग तंत्रिका नेटवर्क (लिंक नहीं) और न्यूरोमॉर्फिक कंप्यूटिंग में भी अधिक मस्तिष्क-जैसे विकल्पों के रूप में रुचि है।
निकट भविष्य में, ध्यान AI प्रणालियों को अधिक विश्वसनीय, व्याख्या योग्य, और मानव मूल्यों के साथ संरेखित बनाने पर है। आरएलएचएफ (लिंक नहीं) और आरएलएआईएफ जैसी तकनीकें मॉडलों को निर्देशों का पालन करने और हानिकारक आउटपुट से बचने के लिए ठीक-ट्यून करने के लिए उपयोग की जाती हैं। मॉडल छंटाई और क्वांटाइजेशन (लिंक नहीं) तैनाती के लिए मॉडलों को अधिक कुशल बनाने के लिए उपयोग किए जाते हैं। 2025 तक, किसी भी कृत्रिम मस्तिष्क ने मानव के बराबर सामान्य बुद्धिमत्ता हासिल नहीं की है, लेकिन प्रगति की गति बताती है कि यह अवधारणा निकट भविष्य के लिए AI अनुसंधान का केंद्र बनी रहेगी।
यह भी देखें
- कृत्रिम बुद्धिमत्ता
- तंत्रिका नेटवर्क
- गहन शिक्षण
- बड़ा भाषा मॉडल
- ट्रांसफॉर्मर
- न्यूरोमॉर्फिक कंप्यूटिंग (लिंक नहीं)