సంక్లిష్ట ప్రవర్తనలను నియంత్రించడానికి అవసరమైన సమాచారంలో కొద్ది భాగానికి మాత్రమే జన్యువుకు స్థలం ఉంటుంది. అయితే, ఉదాహరణకు, చంద్రకాంతిని అనుసరించడం అనేది నవజాత సముద్రపు తాబేలుకు సహజంగా ఎలా తెలుసు? కోల్డ్ స్ప్రింగ్ హార్బర్ న్యూరో సైంటిస్టులు ఈ పురాతన పారడాక్స్‌కు సంభావ్య వివరణను రూపొందించారు. వారి ఆలోచనలు కృత్రిమ మేధస్సు యొక్క వేగవంతమైన, మరింత అభివృద్ధి చెందిన రూపాలకు దారితీయాలి.
ఒక కోణంలో, మనలో ప్రతి ఒక్కరూ చర్య కోసం సిద్ధంగా జీవితాన్ని ప్రారంభిస్తారు. చాలా జంతువులు పుట్టిన వెంటనే అద్భుతమైన విన్యాసాలు చేస్తాయి. సాలెపురుగులు వలలను తిప్పుతాయి. తిమింగలాలు ఈత కొడతాయి. కానీ ఈ సహజమైన సామర్ధ్యాలు ఎక్కడ నుండి వచ్చాయి? సహజంగానే, సంక్లిష్ట ప్రవర్తనలను నియంత్రించడానికి అవసరమైన ట్రిలియన్ల న్యూరల్ కనెక్షన్‌లను కలిగి ఉన్నందున మెదడు కీలక పాత్ర పోషిస్తుంది. అయినప్పటికీ, ఆ సమాచారంలో కొద్ది భాగానికి మాత్రమే జన్యువుకు స్థలం ఉంది. ఈ పారడాక్స్ దశాబ్దాలుగా శాస్త్రవేత్తలను స్టంప్ చేసింది. ఇప్పుడు, కోల్డ్ స్ప్రింగ్ హార్బర్ లాబొరేటరీ (CSHL) ప్రొఫెసర్లు ఆంథోనీ జాడోర్ మరియు అలెక్సీ కౌలాకోవ్ కృత్రిమ మేధస్సును ఉపయోగించి సంభావ్య పరిష్కారాన్ని రూపొందించారు.
Zador మొదటిసారి ఈ సమస్యను ఎదుర్కొన్నప్పుడు, అతను దానిపై కొత్త స్పిన్ ఉంచాడు. “జీనోమ్ యొక్క పరిమిత సామర్థ్యం మనల్ని చాలా స్మార్ట్‌గా మార్చినట్లయితే?” అతను ఆశ్చర్యపోతాడు. “ఇది బగ్ కాకుండా ఫీచర్ అయితే?” మరో మాటలో చెప్పాలంటే, జీనోమ్ పరిమితులు మనల్ని స్వీకరించేలా బలవంతం చేయడం వల్ల మనం తెలివిగా వ్యవహరించవచ్చు మరియు త్వరగా నేర్చుకోవచ్చు. ఇది పెద్ద, సాహసోపేతమైన ఆలోచన — ప్రదర్శించడం కష్టం. అన్నింటికంటే, మేము బిలియన్ల సంవత్సరాల పరిణామంలో ప్రయోగశాల ప్రయోగాలను విస్తరించలేము. అక్కడే జెనోమిక్ బాటిల్‌నెక్ అల్గోరిథం యొక్క ఆలోచన ఉద్భవించింది.
AIలో, తరాలు దశాబ్దాలుగా ఉండవు. ఒక బటన్ నొక్కడంతో కొత్త మోడల్స్ పుట్టుకొస్తాయి. Zador, Koulakov మరియు CSHL పోస్ట్‌డాక్స్ దివ్యాన్షా లాచి మరియు సెర్గీ షువావ్‌లు కంప్యూటర్ అల్గారిథమ్‌ను అభివృద్ధి చేయడానికి బయలుదేరారు, ఇది డేటా యొక్క కుప్పలను చక్కని ప్యాకేజీగా మడవబడుతుంది — మన జన్యువు క్రియాత్మక మెదడు సర్క్యూట్‌లను రూపొందించడానికి అవసరమైన సమాచారాన్ని కుదించవచ్చు. వారు ఈ అల్గారిథమ్‌ని AI నెట్‌వర్క్‌లకు వ్యతిరేకంగా పరీక్షిస్తారు, ఇవి బహుళ శిక్షణ రౌండ్‌లకు లోనవుతాయి. ఆశ్చర్యకరంగా, వారు కొత్త, శిక్షణ లేని అల్గోరిథం ఇమేజ్ రికగ్నిషన్ వంటి పనులను దాదాపు స్టేట్ ఆఫ్ ది ఆర్ట్ AI వలె సమర్థవంతంగా నిర్వహిస్తుందని కనుగొన్నారు. వారి అల్గోరిథం వంటి వీడియో గేమ్‌లలో కూడా దాని స్వంతదానిని కలిగి ఉంటుంది స్పేస్ ఇన్వేడర్స్. ఎలా ఆడాలో అంతర్లీనంగా అర్థమైనట్లే.
AI త్వరలో మన సహజ సామర్థ్యాలను ప్రతిబింబిస్తుందని దీని అర్థం? “మేము ఆ స్థాయికి చేరుకోలేదు,” అని కౌలాకోవ్ చెప్పారు. “మెదడు యొక్క కార్టికల్ ఆర్కిటెక్చర్ దాదాపు 280 టెరాబైట్‌ల సమాచారాన్ని సరిపోతుంది — 32 సంవత్సరాల హై-డెఫినిషన్ వీడియో. మా జన్యువులు దాదాపు ఒక గంటకు సరిపోతాయి. ఇది 400,000 రెట్లు కుదింపు సాంకేతికత ఇంకా సరిపోలలేదని సూచిస్తుంది.”
అయినప్పటికీ, అల్గోరిథం AIలో ఇప్పటివరకు చూడని కుదింపు స్థాయిలను అనుమతిస్తుంది. ఆ ఫీచర్ టెక్‌లో ఆకట్టుకునే ఉపయోగాలను కలిగి ఉంటుంది. అధ్యయనం యొక్క ప్రధాన రచయిత షువావ్ ఇలా వివరిస్తున్నాడు: “ఉదాహరణకు, మీరు సెల్ ఫోన్‌లో పెద్ద భాషా నమూనాను అమలు చేయాలనుకుంటే, హార్డ్‌వేర్‌పై పొరల వారీగా మీ మోడల్‌ను విప్పడం ఒక మార్గం (అల్గోరిథం) ఉపయోగించబడుతుంది.”
ఇటువంటి అప్లికేషన్లు వేగవంతమైన రన్‌టైమ్‌లతో మరింత అభివృద్ధి చెందిన AI అని అర్ధం. మరియు ఆలోచించడానికి, ఇక్కడకు రావడానికి 3.5 బిలియన్ సంవత్సరాల పరిణామం మాత్రమే పట్టింది.
