कृत्रिम बुद्धिमत्ता के लिए यह एक दिलचस्प दौर है। लंबे समय तक AI में प्रगति एक सरल नियम पर चलती रही: मॉडल को और बड़ा बनाओ। ज़्यादा पैरामीटर, ज़्यादा डेटा, ज़्यादा कंप्यूटिंग शक्ति। यह तरीका कारगर था, लेकिन इससे गंभीर समस्याएँ भी पैदा हुईं। बड़े मॉडल को प्रशिक्षित करना महँगा है, इसमें समय लगता है और बहुत अधिक ऊर्जा खर्च होती है।
हाल ही में Nvidia ने एक अलग विचार पेश किया, जिसे Mixture of Experts, या MOE, कहा जाता है। हर काम के लिए पूरे न्यूरल नेटवर्क को सक्रिय करने के बजाय, मॉडल यह चुनना सीखता है कि सिस्टम के कौन-से हिस्से वास्तव में ज़रूरी हैं। हर हिस्सा किसी विशेष क्षेत्र के विशेषज्ञ की तरह काम करता है। किसी भी सवाल के लिए केवल सबसे प्रासंगिक विशेषज्ञों का इस्तेमाल किया जाता है।
इससे सिस्टम अधिक कुशल और लचीला बनता है। यह लोगों के काम करने के तरीके जैसा है। आप हर समस्या में मदद के लिए अपने हर परिचित से नहीं पूछते। आप उन्हीं से मदद माँगते हैं जो उस स्थिति के लिए सबसे उपयुक्त हों। MOE के साथ AI सिस्टम अनावश्यक रूप से भारी हुए बिना अधिक समझदार बन सकते हैं।
कई शोधकर्ताओं का मानना है कि यह दिशा कृत्रिम सामान्य बुद्धिमत्ता, यानी AGI, के दीर्घकालिक लक्ष्य के लिए महत्वपूर्ण है। कई तरह की समस्याओं से निपट सकने वाले सिस्टम के लिए केवल बड़ा आकार काफ़ी नहीं है। उसे निर्णय लेने की क्षमता चाहिए। उसे यह जानना चाहिए कि कौन-सी क्षमताओं का इस्तेमाल कब करना है।
यह विचार केवल शोधपत्रों तक सीमित नहीं है।
दरअसल, Dvina में हम इसी तरह के दृष्टिकोण पर काम करते आ रहे हैं। शुरुआत से ही हमने माना कि कोई एक भाषा मॉडल या टूल हर काम में अच्छा नहीं हो सकता। एक ही मॉडल पर निर्भर रहने के बजाय, हमने एक ऑर्केस्ट्रेटर परत बनाई, जो कई मॉडल, टूल और डेटा स्रोतों के ऊपर काम करती है।
यह ऑर्केस्ट्रेटर निर्णय लेने वाली परत के रूप में काम करता है। जब कोई उपयोगकर्ता सवाल पूछता है, तो यह तय करता है कि किस मॉडल या संसाधन का इस्तेमाल करना चाहिए। कभी यह केवल एक का इस्तेमाल करता है। कभी कई का इस्तेमाल करके उनके नतीजों को एक साथ जोड़ता है। मकसद जटिलता दिखाना नहीं, बल्कि उसे एक आसान अनुभव के पीछे छिपाना है।
नतीजा एक ऐसा सिस्टम है जो ज़रूरत के हिसाब से ढलता हुआ महसूस होता है। आप सवाल पूछते हैं और सिस्टम तय करता है कि उसका जवाब सबसे कुशल तरीके से कैसे दिया जाए। मूल विचार के लिहाज़ से यह उस दृष्टिकोण के बहुत करीब है जिसे MOE मॉडल स्तर पर प्रस्तावित करता है, लेकिन यहाँ इसे सिस्टम स्तर पर लागू किया गया है।
AGI अभी तक नहीं आया है। लेकिन MOE जैसे विचार दिखाते हैं कि आगे का रास्ता केवल आकार बढ़ाने तक सीमित नहीं है। इसमें संरचना, तालमेल और संसाधनों का अधिक समझदारी से इस्तेमाल मायने रखता है।
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.
