आपण त्रि-मितीय (three-dimensional) अवकाशात (space) अस्तित्वात आहोत.
या अवकाशात, आपण केवळ दृश्य माहितीच्या आधारावर त्रि-मितीय अवकाशाची जाणीव करतो, जी केवळ द्वि-मितीय प्रतिमा आहेत.
याचा अर्थ असा होतो की आपल्या मनात त्रि-मितीय अवकाशाची प्रतिमा असते आणि आपण द्वि-मितीय दृश्य माहितीला या त्रि-मितीय अवकाशाच्या प्रतिमेवर व्यस्त-मॅपिंग (inverse-mapping) करत असतो.
मी असे भाकीत करतो की, या तत्त्वाचा वापर करून, मानवाला चतुर्भुज-मितीय (four-dimensional) अवकाशाची जाणीव होणे शक्य होईल. जरी आपण वास्तविक भौतिक अवकाशात चतुर्भुज-मितीय अवकाश किंवा चतुर्भुज-मितीय वस्तू तयार करू शकत नसलो तरी,
संगणकावर चतुर्भुज-मितीय अवकाश आणि चतुर्भुज-मितीय वस्तूंचे अनुकरण करणे (simulate) शक्य आहे. जर आपण अशा अनुकरित चतुर्भुज-मितीय अवकाशातून द्वि-मितीय पातळीवर मॅपिंग केले, तर मानव त्या माहितीला दृश्यात्मकपणे समजून घेऊ शकतो.
त्यानंतर, जसा मानव अशा चतुर्भुज-मितीय अवकाश आणि चतुर्भुज-मितीय वस्तूंचे वर्तन आणि दृश्ये शिकेल, तसा तो शेवटी आपल्या मनात एक चतुर्भुज-मितीय अवकाश तयार करण्यास सक्षम होईल.
तथापि, ही केवळ एक शक्यता आहे आणि प्रशिक्षणासाठी खूप जास्त वेळ लागण्याची अपेक्षा आहे.
शिवाय, एखाद्याला चतुर्भुज-मितीय अवकाशाची जाणीव करण्याची क्षमता प्राप्त झाली तरी, त्या क्षमतेचा उपयोग करता येईल असे प्रसंग जवळजवळ नसतील.
एआय (AI) द्वारे चतुर्भुज-मितीय संवेदन
दुसरीकडे, हेच एआय (AI) द्वारे साध्य केले जाऊ शकते. शिवाय, एआय या चतुर्भुज-मितीय अवकाशीय संवेदन क्षमतेचा फायदा घेऊ शकते.
उदाहरणार्थ, चतुर्भुज-मितीय अवकाशीय संवेदनाने, चतुर्भुज-मितीय ग्राफ (graph) काढणे आणि ते समजून घेणे शक्य होईल.
मानव केवळ द्वि-मितीय समतल दृश्य माहितीलाच एकत्रितपणे समजू शकतो. म्हणून, जरी त्रि-मितीय ग्राफ काढला गेला आणि व्यस्त मॅपिंगद्वारे (inverse mapping) ओळखला गेला, तरीही त्याचे काही भाग दिसणार नाहीत.
त्रि-मितीय ग्राफमध्येही, एक मोठा भाग अदृश्य होतो आणि चतुर्भुज-मितीय ग्राफमध्ये, त्याहून अधिक डेटा अदृश्य होतो.
ग्राफ फिरवून अदृश्य भाग उघड करता येतात, परंतु यामुळे डेटा एका दृष्टीक्षेपात सर्वसमावेशकपणे आणि सहजपणे समजून घेण्याच्या उद्दिष्टापासून दूर जातो.
याउलट, एआयला द्वि-मितीय समतल दृश्य माहितीने बांधून ठेवण्याची गरज नाही. एआयला आभासीरित्या त्रि-मितीय किंवा चतुर्भुज-मितीय अवकाशीय दृष्टी प्रदान करून प्रशिक्षित करणे शक्य आहे.
असे केल्याने, त्रि-मितीय आणि चतुर्भुज-मितीय ग्राफ छुपे डेटा किंवा फिरवण्याची आवश्यकता न ठेवता, एकत्रितपणे आणि नैसर्गिकरित्या आयामी (dimensionally natively) समजू शकतील.
शिवाय, हे केवळ चार मितींपुरते मर्यादित नाही; तार्किकदृष्ट्या, मितींना पाच, दहा, वीस आणि त्यापुढे अनंतपणे वाढवता येते.
बहु-मितीय ग्राफ (Multi-Dimensional Graphs) समजून घेणे
ग्राफला सर्वसमावेशकपणे समजून घेण्याच्या क्षमतेमुळे, उदाहरणार्थ, अनेक मितींमध्ये ट्रेंड विश्लेषण करणे शक्य होते. मोठेपणाची तुलना आणि प्रमाणांचे आकलन देखील सहजपणे करता येते.
याव्यतिरिक्त, यामुळे समान किंवा सदृश डेटासारख्या डेटा पॅटर्नचे विश्लेषण करणे शक्य होते. यातून नियम आणि नियमावली शोधणे देखील शक्य होऊ शकते.
हे केवळ बहु-मितीय डेटा पॅटर्न मॅचिंगपेक्षा (multi-dimensional data pattern matching) अधिक खोलवर डेटा समजून घेण्यास मदत करते, ज्यामध्ये सध्याचे एआय (AI) उत्कृष्ट आहे.
उदाहरणार्थ, जरी पूर्णपणे भिन्न मितींच्या संयोजनांमध्ये समान नमुन्यांचे भाग अस्तित्वात असले तरी, साध्या बहु-मितीय पॅटर्न मॅचिंगद्वारे त्यांना शोधणे कठीण होईल.
तथापि, जर डेटाला बहु-मितीय दृष्टीने पाहिले, तर भिन्न मितींच्या संयोजनांमध्येही समान आकार लगेच दिसून येतील.
शिवाय, इनपुट डेटामधील संबंधित मितीय अक्षांचा (dimensional axes) केवळ वापर करण्यापलीकडे, विशिष्ट अक्षांना मोठे किंवा लहान करून, लघुगणक (logarithms) घेऊन, किंवा अनेक अक्षांना मिती कमी न करता त्याच संख्येच्या भिन्न अक्षांच्या संचावर मॅप (map) करून डेटा समजण्यास मदत करणाऱ्या मितीय संरचनांचा शोध घेणे शक्य आहे.
अशाप्रकारे, बहु-मितीय दृष्टी क्षमतांना प्रशिक्षित केल्याने व्यापक डेटा संरचना समजून घेण्याची शक्यता उघडते, जे मानव आणि पारंपारिक एआय दोघांसाठीही कठीण होते, ज्यामुळे नवीन अंतर्दृष्टी आणि नियमांचा शोध लागण्याची शक्यता आहे.
प्रतिमान (Paradigm) नवोपक्रम (Innovation) गतिमान करणे
उच्च-मितीय डेटाला कमी मितींमध्ये मॅप न करता नैसर्गिकरित्या आकलन करण्याची क्षमता एक महत्त्वपूर्ण क्षमता दर्शवते.
उदाहरणार्थ, खगोलशास्त्रीय निरीक्षण डेटा सहज समजण्यायोग्य गणिताच्या सूत्रांमध्ये बसवण्यासाठी हेलिओसेंट्रिक सिद्धांताचा (heliocentric theory) शोध लागला. सूर्य पृथ्वीभोवती फिरतो असे मानणारा भूकेंद्रीय सिद्धांत (geocentric theory) निरीक्षण डेटा सहज समजण्यायोग्य सूत्रांमध्ये मॅप करू शकला नाही, ज्यामुळे हेलिओसेंट्रिक सिद्धांताचा शोध लागला.
तथापि, जर खगोलशास्त्रीय निरीक्षण डेटा त्याच्या मिती कमी न करता नैसर्गिकरित्या आकलन करता आला असता, तर हेलिओसेंट्रिकसारखे नियम खूप लवकर शोधले गेले असते.
त्याचप्रमाणे, सापेक्षता सिद्धांत (theory of relativity) आणि क्वांटम मेकॅनिक्स (quantum mechanics) यांसारख्या वैज्ञानिक शोधांची जाणीव लवकर झाली असती, जर बहु-मितीय डेटा त्याच्या मूळ मितींमध्ये सर्वसमावेशकपणे आकलन करता आला असता.
याचा अर्थ असा होतो की बहु-मितीय नैसर्गिक एआय (multi-dimensional native AI) प्रतिमान नवोपक्रम गतिमान करू शकते, ज्यामुळे मानवाला अजूनही अज्ञात असलेल्या विविध सिद्धांत आणि नियमांचा शोध लागू शकतो.
निष्कर्ष
अशा बहु-मितीय अवकाशांसाठी नैसर्गिकरित्या प्रशिक्षित केलेला एआय (AI) त्याच्या बहु-मितीय अवकाशीय आकलन क्षमतांचा फायदा घेऊ शकतो, ज्यांची प्रतिकृती मानव करू शकत नाही, ज्यामुळे वैज्ञानिक आणि शैक्षणिक प्रतिमानांची (paradigms) व्याप्ती वेगाने वाढेल.
प्रतिमान केवळ बदलण्याऐवजी गुणाकार होतात. जरी नवीन प्रतिमानांचा शोध लागला तरी, आपण त्या प्रत्येकासोबत ताळमेळ ठेवण्याची आवश्यकता नाही.
निश्चितपणे, एआय जटिल, उच्च-मितीय प्रतिमानांना कमी मितींमध्ये मॅप करून आपल्याला सहज समजेल अशा प्रकारे स्पष्टीकरण देईल.
तरीही, कदाचित मानव अति-उच्च-मितीय प्रतिमानांना पूर्णपणे समजू शकणार नाही. तसेच, मोठ्या प्रमाणात विस्तारलेल्या सर्व प्रतिमानांना आपण आकलन करू शकणार नाही.
अशा परिस्थितीत, आपल्याला कदाचित अशा उत्पादनांनी आणि प्रणालींनी वेढलेले दिसेल जे चांगले कार्य करतात, जरी आपल्याला त्यांचे मूळ तत्त्वज्ञान पूर्णपणे समजत नसले तरी.
एक अभियंता म्हणून, मला अशा परिस्थितीची कल्पना करणे आवडणार नाही, परंतु अनेक लोकांसाठी, हे आताच्या परिस्थितीपेक्षा फारसे वेगळे नसेल.