ይህ ለሰው ሰራሽ አስተዋይነት አስደሳች ወቅት ነው። ለረጅም ጊዜ በAI ውስጥ ያለው እድገት ቀላል ህግ ይከተል ነበር፦ ሞዴሎችን የበለጠ ትልቅ ማድረግ። ተጨማሪ ፓራሜተሮች፣ ተጨማሪ ዳታ፣ ተጨማሪ ኮምፒዩት። ይህ ሰርቶ ነበር፣ ግን ከባድ ችግኝነቶችንም ፈጥሯል። ትልልቅ ሞዴሎችን ማሰልጠን ውድ ነው፣ ዝግ ነው፣ እና እጅግ ብዙ ኃይል ይጠቀማል።
በቅርቡ፣ Nvidia Mixture of Experts ወይም MOE ተብሎ የሚጠራ የተለየ ሀሳብ አስተዋውቋል። ለእያንዳንዱ ተግባር መላውን ነርቭ ኔትወርክ ከማንቃት ይልቅ፣ ሞዴሉ በእውነት የሚያስፈልጉትን የስርዓቱን ክፍሎች መምረጥ ይማራል። እያንዳንዱ ክፍል በተወሰነ መስክ እንደ ባለሙያ ይሰራል። ለማንኛውም የተሰጠ ጥያቄ፣ በጣም ተዛማጅ የሆኑት ባለሙያዎች ብቻ ይጠቀማሉ።
ይህ ስርዓቱን የበለጠ ቀልጣፋ እና የበለጠ ተለዋዋጭ ያደርገዋል። ይህ ሰዎች እንደሚሰሩት ይመስላል። በእያንዳንዱ ችግር ላይ የሚያግዙዎትን ሁሉንም ሰዎች አይጠይቁም። ለዚያ ሁኔታ በጣም የሚመጥኑትን ይጠይቃሉ። በMOE፣ AI ስርዓቶች አላስፈላጊ ክብደት ሳይጨምሩ የበለጠ ብልህ ሊሆኑ ይችላሉ።
ብዙ ተመራማሪዎች ይህ አቅጣጫ ለArtificial General Intelligence ወይም AGI የረጅም ጊዜ ግብ አስፈላጊ ነው ብለው ያምናሉ። ብዙ ዓይነት ችግኝነቶችን ማስተናገድ የሚችል ስርዓት ከትልቅ መጠን ብቻ በላይ ነገር ይፈልጋል። ውሳኔ መስጠት ያስፈልገዋል። የትኞቹን ችሎታዎች መቼ እንደሚጠቀም ማወቅ ያስፈልገዋል።
ይህ ሀሳብ በምርምር ወረቀቶች ብቻ የተገደበ አይደለም።
በእርግጥ፣ እኛ በDvina ውስጥ ከዚህ ጋር ተመሳሳይ አቀራረብ ላይ እየሰራን ነበር። ከመጀመሪያው ጀምሮ፣ አንድ ብቻ የቋንቋ ሞዴል ወይም መሳሪያ በሁሉም ነገር ጥሩ እንደማይሆን አስበን ነበር። ከአንድ ሞዴል ላይ ብቻ ከመተማመን ይልቅ፣ በብዙ ሞዴሎች፣ መሳሪያዎች እና የዳታ ምንጮች ላይ የሚቀመጥ የorchestrator ንብርብር ገንብተናል።
ይህ orchestrator እንደ ውሳኔ ንብርብር ይሰራል። ተጠቃሚ ጥያቄ ሲጠይቅ፣ የትኛው ሞዴል ወይም ምንጭ መጠቀም እንዳለበት ይወስናል። አንዳንድ ጊዜ አንዱን ይጠቀማል። አንዳንድ ጊዜ ብዙዎችን ያጣምራል እና ውጤቶቹን አንድ ያደርጋል። ግቡ ውስብስብነትን ማሳየት ሳይሆን፣ ከቀላል ተሞክሮ ጀርባ መደበቅ ነው።
ውጤቱ ተለዋዋጭ የሚመስል ስርዓት ነው። ጥያቄ ይጠይቃሉ፣ እና ስርዓቱ በጣም ቀልጣፋ በሆነ መንገድ እንዴት መልስ እንደሚሰጥ ያውቃል። ይህ በመንፈሱ ከMOE በሞዴል ደረጃ ከሚያቀርበው ጋር በጣም ቅርብ ነው፣ ግን በስርዓት ደረጃ የተተገበረ ነው።
AGI ገና አልደረሰም። ግን እንደ MOE ያሉ ሀሳቦች ወደፊት የሚወስደው መንገድ ስኬል ብቻ እንዳልሆነ ያሳያሉ። ስለ መዋቅር፣ ስለ ቅንጅት፣ እና ሀብቶችን የበለጠ ብልህ በሆነ መንገድ ስለመጠቀም ነው።
If you are curious what this kind of approach feels like in practice, you can try Dvina for free at https://dvina.ai. It is not AGI, but it gives a small glimpse into how future AI systems may think and operate.
