ይህ ለሰው ሠራሽ አስተዋይነት አስደሳች ወቅት ነው። ለረጅም ጊዜ የAI እድገት አንድ ቀላል መርህ ይከተል ነበር፦ ሞዴሎችን ማሳደግ። ተጨማሪ ፓራሜተሮች፣ ተጨማሪ ውሂብ፣ ተጨማሪ የስሌት አቅም። ይህ ውጤታማ ነበር፣ ነገር ግን ከባድ ችግሮችንም ፈጥሯል። ትልልቅ ሞዴሎችን ማሰልጠን ውድ ነው፣ ጊዜ ይወስዳል፣ እጅግ ብዙ ኃይልም ይፈጃል።
በቅርቡ Nvidia የባለሙያዎች ድብልቅ፣ ወይም MOE፣ የተባለ የተለየ ሀሳብ አስተዋውቋል። ሞዴሉ ለእያንዳንዱ ተግባር መላውን የነርቭ አውታረ መረብ ከማንቃት ይልቅ፣ በእርግጥ የሚያስፈልጉትን የስርዓቱን ክፍሎች መምረጥ ይማራል። እያንዳንዱ ክፍል በአንድ የተወሰነ መስክ እንደ ባለሙያ ይሠራል። ለማንኛውም ጥያቄ፣ ከጥያቄው ጋር ይበልጥ ተዛማጅ የሆኑት ባለሙያዎች ብቻ ጥቅም ላይ ይውላሉ።
ይህ ስርዓቱን የበለጠ ቀልጣፋና ተለዋዋጭ ያደርገዋል። አሠራሩም ከሰዎች አሠራር ጋር ይመሳሰላል። ለእያንዳንዱ ችግር የሚያውቋቸውን ሰዎች ሁሉ እርዳታ አይጠይቁም። ለዚያ ሁኔታ በጣም ተስማሚ የሆኑትን ይጠይቃሉ። በMOE አማካይነት፣ የAI ስርዓቶች ሳያስፈልግ ከባድ ሳይሆኑ የበለጠ ብልህ ሊሆኑ ይችላሉ።
ብዙ ተመራማሪዎች ይህ አቅጣጫ አጠቃላይ ሰው ሠራሽ አስተዋይነትን፣ ወይም AGIን፣ እውን ለማድረግ ለተያዘው የረጅም ጊዜ ግብ አስፈላጊ እንደሆነ ያምናሉ። የተለያዩ ዓይነት ችግሮችን መፍታት የሚችል ስርዓት መጠኑ ትልቅ መሆን ብቻ አይበቃውም። ውሳኔ መስጠት ይኖርበታል። የትኞቹን ችሎታዎች መቼ መጠቀም እንዳለበት ማወቅ ይኖርበታል።
ይህ ሀሳብ በምርምር ጽሑፎች ብቻ የተገደበ አይደለም።
እንዲያውም በDvina ውስጥ ተመሳሳይ አቀራረብን ስንጠቀም ቆይተናል። ከመጀመሪያው ጀምሮ፣ አንድ የቋንቋ ሞዴል ወይም መሣሪያ ብቻውን በሁሉም ነገር ጥሩ ሊሆን አይችልም ብለን አስበን ነበር። በአንድ ሞዴል ላይ ብቻ ከመመርኮዝ ይልቅ፣ ከብዙ ሞዴሎች፣ መሣሪያዎችና የውሂብ ምንጮች በላይ የሚሠራ አስተባባሪ ንብርብር ገንብተናል።
ይህ አስተባባሪ እንደ ውሳኔ ሰጪ ንብርብር ይሠራል። ተጠቃሚ ጥያቄ ሲጠይቅ፣ የትኛውን ሞዴል ወይም ግብዓት መጠቀም እንዳለበት ይወስናል። አንዳንድ ጊዜ አንዱን ብቻ ይጠቀማል። አንዳንድ ጊዜ ደግሞ ብዙዎችን አጣምሮ ውጤቶቻቸውን ያዋህዳል። ግቡ ውስብስብነቱን ማሳየት ሳይሆን፣ ከቀላል የአጠቃቀም ተሞክሮ ጀርባ መደበቅ ነው።
ውጤቱ እንደ ሁኔታው ራሱን የሚያስተካክል የሚመስል ስርዓት ነው። ጥያቄ ይጠይቃሉ፣ ስርዓቱም በተቻለ መጠን በቀልጣፋ መንገድ እንዴት መመለስ እንዳለበት ይወስናል። ይህ በመሠረታዊ ሀሳቡ MOE በሞዴል ደረጃ ከሚያቀርበው ጋር በጣም ይቀራረባል፣ ነገር ግን እዚህ በስርዓት ደረጃ ተተግብሯል።
AGI ገና እውን አልሆነም። ነገር ግን እንደ MOE ያሉ ሀሳቦች ወደፊት የሚወስደው መንገድ መጠንን ማሳደግ ብቻ እንዳልሆነ ያሳያሉ። መዋቅርን፣ ቅንጅትንና ግብዓቶችን በበለጠ ብልሃት መጠቀምን ይመለከታል።
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.
