சிம்போனிக் நுண்ணறிவின் சகாப்தம்

நவீன வணிகச் செயல்முறைகளில், உற்பத்திசார் AI ஐப் பயன்படுத்துவது வெறும் கருவிப் பயன்பாட்டைத் தாண்டி, இப்போது ஒரு திட்டமிட்ட ஒருங்கிணைப்பு நிலைக்குள் நுழைகிறது.

இதையும் தாண்டி, நுண்ணறிவின் புதிய சகாப்தம் உள்ளது: "சிம்போனிக் நுண்ணறிவு."

இந்தக் கட்டுரை, உற்பத்திசார் AI பயன்பாட்டின் தற்போதைய நிலை மற்றும் எதிர்கால வாய்ப்புகளை, மீண்டும் மீண்டும் செய்யும் பணிகள் (iterative work) மற்றும் தொடர்நிலை பணிகள் (flow work) ஆகிய இரண்டு கண்ணோட்டங்களில் ஆராயும்.

மீண்டும் மீண்டும் செய்யும் பணிகள் (Iterative Work)

முந்தைய கட்டுரையில், உற்பத்திசார் AI வணிகப் பணிகளைச் செய்ய உதவும் கண்ணோட்டங்களாக, "மீண்டும் மீண்டும் செய்யும் பணிகள் மற்றும் கருவிகள்" என்பதற்கு எதிராக "தொடர்நிலை பணிகள் மற்றும் அமைப்புகள்" ஆகியவற்றை நாங்கள் பகுப்பாய்வு செய்தோம்.

மீண்டும் மீண்டும் செய்யும் பணிகள் என்பது மனிதர்கள் அரை-உணர்வின்றிக் பல தனித்த, உறுதியான பணிகளை இணைத்து, முயன்று திருத்தும் (trial and error) முறையில் முன்னேறும் பணிகளைக் குறிக்கிறது.

இந்த மீண்டும் மீண்டும் செய்யும் பணிகளுக்குக் கருவிகள் மிகச் சிறந்தவை. பல்வேறு பணிகளுக்குப் பொருத்தமான கருவிகளைத் தேர்ந்தெடுப்பதன் மூலம், பணியை திறம்படச் செய்யலாம். எனவே, தேவையான கருவிகளின் தொகுப்பைச் சேகரித்து, அவற்றைப் பயன்படுத்துவதில் தேர்ச்சி பெறுவது அவசியம்.

தற்போது, வணிகத்தில் உற்பத்திசார் AI பயன்படுத்தப்படும்போது, பெரும்பாலான சந்தர்ப்பங்களில் உற்பத்திசார் AI ஒரு கருவியாகவே பயன்படுத்தப்படுகிறது.

உற்பத்திசார் AI மூலம் வணிகத் திறனை மேம்படுத்துவது பற்றிய பல விவாதங்கள், மனிதர்கள் மீண்டும் மீண்டும் செய்யும் பணிகளுக்காகப் பயன்படுத்தும் தற்போதைய கருவித் தொகுப்பில், இந்த புதிய மற்றும் சக்திவாய்ந்த கருவியை சேர்ப்பதையே கிட்டத்தட்ட எப்போதும் குறிப்பிடுகின்றன.

மீண்டும் மீண்டும் செய்யும் பணிகளில் உள்ள சிக்கல்

மறுபுறம், முந்தைய கட்டுரையில் சுட்டிக்காட்டப்பட்டபடி, மீண்டும் மீண்டும் செய்யும் பணிகளில் கருவிகளிலிருந்து கிடைக்கும் செயல்திறன் ஆதாயங்கள் ஒப்பீட்டளவில் குறைவாகவே உள்ளன.

கருவிகள் மிகவும் திறமையானதாக மாறும்போது, மனிதர்களே இறுதியில் தடைபடுவார்கள் (bottleneck). இறுதியாக, மனித வேலை நேரத்தின் தடையை கடக்க முடியாது.

மேலும், மீண்டும் மீண்டும் செய்யும் பணிகளில் அனுபவம் வாய்ந்த ஊழியர்களுக்கும் புதியவர்களுக்கும் இடையே செயல்திறன் மற்றும் துல்லியத்தில் ஒரு குறிப்பிடத்தக்க இடைவெளி உள்ளது, இந்த இடைவெளியைக் குறைப்பது கடினம். எனவே, அடுத்த மாதம் பணிச்சுமையை இருமடங்காக அதிகரிக்க விரும்பினாலும், அனுபவம் வாய்ந்த திறன்கள் கொண்டவர்கள் இல்லாமல் அதைச் சமாளிக்க முடியாது.

மனிதர்கள் தடையாக இருக்கும் சிக்கலைத் தீர்க்க, இறுதியில் எல்லாவற்றையும் செயற்கை நுண்ணறிவுடன் மாற்றுவதில்தான் வந்து நிற்கிறது.

இருப்பினும், தற்போதைய உற்பத்திசார் AI இன்னும் அந்த அளவிலான செயல்திறனைக் கொண்டிருக்கவில்லை.

மேலும், மேலோட்டமாக எளிய மீண்டும் மீண்டும் செய்யும் பணிகள்கூட, உன்னிப்பாக ஆராயும்போது, அதிக எண்ணிக்கையிலான ஆழ்மனப் பணிகளைக் கொண்டிருக்கின்றன.

இந்தக் காரணத்தினால்தான், அவற்றை வழக்கமான IT அமைப்புகள் அல்லது எவரும் பின்பற்றக்கூடிய கையேடுகளாகக் குறைக்க முடியவில்லை, இதனால் மனிதத் தேர்ச்சியையே சார்ந்து இருந்தன.

இந்த ஏராளமான ஆழ்மனப் பணிகள், தேர்ச்சி தேவைப்படும் பணிகளை ஒழுங்கமைத்து, ஒவ்வொன்றிற்கும் தேவையான தொழில்நுட்ப அறிவை (know-how) அறிவாகக் குறியிடாவிட்டால் (codified into knowledge), உற்பத்திசார் AI, அதன் செயல்திறன் எவ்வளவு மேம்பட்டாலும், மனிதப் பணிகளை மாற்ற முடியாது.

தொடர்நிலை பணி மற்றும் அமைப்புமயமாக்கலாக மாற்றுதல்

உற்பத்திசார் AI இன் தற்போதைய செயல்திறன் வரம்புகளுக்குள் பணிகளைப் பகிர்ந்தளிக்கும் நோக்கத்தையும், ஆழ்மனப் பணிகளை ஒழுங்கமைத்து தொழில்நுட்ப அறிவை (know-how) குறியிடும் நோக்கத்தையும் அடைய, முயன்று திருத்தும் (trial-and-error) மீண்டும் மீண்டும் செய்யும் பணிகளைத் தரப்படுத்தப்பட்ட தொடர்நிலை பணிகளாக (flow work) ஒழுங்கமைப்பது மிகவும் முக்கியமானது.

தரப்படுத்தப்பட்ட தொடர்நிலை பணிகள் கருவிகளுக்கு மட்டுமல்லாமல், அமைப்புகளுக்கும் பொருந்தும்.

தொடர்நிலை பணிக்குள், உற்பத்திசார் AI ஆல் செயல்படுத்தப்படும் பணிகள் மற்றும் மனிதர்களால் செயல்படுத்தப்படும் பணிகள் உள்ளன. இவற்றை ஒரு அமைப்புடன் இணைப்பதன் மூலம், முழு தொடர்நிலை பணியையும் செயல்படுத்த முடியும்.

தொடர்நிலை பணியாக மாற்றுவதும், அமைப்புமயமாக்குவதும் பல குறிப்பிடத்தக்க விளைவுகளைத் தருகின்றன.

ஒன்று, உற்பத்திசார் AI தனிப்பட்ட பணிகளுக்காக சிறப்புத்தன்மை பெறுவதால், ஒவ்வொரு பணிக்கும் உற்பத்திசார் AI இன் செயல்திறன் மற்றும் துல்லியத்தை எவ்வாறு மேம்படுத்துவது என்பது தெளிவாகிறது.

இரண்டாவது, பல பணியாளர்கள் உற்பத்திசார் AI க்கு அறிவைச் சேர்க்க முடியும், மேலும் இதன் பலன்கள் அனைவருக்கும் பரவும்.

மூன்றாவது, இந்த பணிக்குள் உள்ள பணிகளின் பிரிவை உற்பத்திசார் AI க்கு படிப்படியாக மாற்றுவது எளிதாகிறது.

இந்த வழியில், மீண்டும் மீண்டும் செய்யும் பணிகளை தொடர்நிலை பணிக்கு மாற்றுவதன் மூலமும், ஒவ்வொரு பணிக்கும் உற்பத்திசார் AI க்குத் தேவையான அறிவை ஒரு அமைப்பாகக் குவித்து வைப்பதன் மூலமும், அறிவுசார் பணி ஒரு தொழிற்சாலை வரிசை போல தானியங்கிமயமாக்கலை நோக்கி நகர்கிறது.

காலப்போக்கில் உருவாகும் உற்பத்திசார் AI இன் அடிப்படை செயல்திறன் மேம்பாடுகளை இணைப்பதன் மூலமும், பல்வேறு பணிகளுக்காக சிறப்புத்தன்மை பெற்ற திரட்டப்பட்ட அறிவைப் பயன்படுத்துவதன் மூலமும், முழு தொடர்நிலை பணியையும் உற்பத்திசார் AI ஆல் இயக்கப்படும் ஒரு தானியங்கி செயல்முறையாக மாற்றுவது சாத்தியமாகும்.

மெய்நிகர் நுண்ணறிவு (Virtual Intelligence)

மீண்டும் மீண்டும் செய்யும் பணிகள் மற்றும் கருவிகள், தொடர்நிலை பணிகள் மற்றும் அமைப்புகள் என்ற கண்ணோட்டத்தில் இந்த பகுப்பாய்வு முடிவடைகிறது.

நான் சமீபத்தில் எழுதிய மற்றொரு கட்டுரை, இந்த விவாதத்தை மேலும் வளர்க்கிறது.

அந்தக் கட்டுரையில், மெய்நிகர் நுண்ணறிவு மூலம் ஒருங்கிணைப்பது (orchestration) பற்றி நான் குறிப்பிட்டேன்.

தற்போது, மற்றும் மிகக் குறுகிய எதிர்காலத்தில், செயல்திறன் வரம்புகள் காரணமாக, குறிப்பிட்ட பணிகளில் கவனம் செலுத்தும்போது உற்பத்திசார் AI செயல்திறன் மற்றும் துல்லியத்தின் அடிப்படையில் சிறப்பாக செயல்படுகிறது.

எனவே, தொடர்நிலை பணிகள் மற்றும் அமைப்புகள் குறித்து முன்னர் விவாதித்தபடி, ஒவ்வொரு தனிப்பட்ட பணிக்கும் சிறப்புத்தன்மை வாய்ந்த உற்பத்திசார் AIகளை ஒரு அமைப்பு மூலம் இணைப்பதே ஒரு சிறந்த வழிமுறையாகும்.

இருப்பினும், உற்பத்திசார் AI இன் செயல்திறன் கணிசமாக மேம்பட்டாலும், பல்வேறு பணிகளை இணையாகச் (parallel) செயலாக்குவதை விட, ஒரு செயலாக்கச் சுழற்சியில் (single processing run) பாத்திரங்களை மாற்றி, வெவ்வேறு அறிவைப் பயன்படுத்தி செயலாக்குவது மிகவும் திறமையாகவும் துல்லியமாகவும் இருக்கலாம்.

இந்த முறை, உற்பத்திசார் AIகளை ஒன்றிணைக்க ஒரு அமைப்பு தேவையில்லை. சிஸ்டம் ஒருங்கிணைப்பைப் போன்ற செயல்பாடுகள் உற்பத்திசார் AI க்கு உள்ளேயே நடக்கும்.

மேலும், சிஸ்டம் மாற்றங்கள் இல்லாமல் பணிகளை மறுசீரமைக்க அல்லது சேர்க்க முடியாத ஒரு சூழ்நிலையிலிருந்து, உற்பத்திசார் AI தானே நெகிழ்வாக செயல்பட முடியும்.

இதன் பொருள், தொடர்நிலை பணியாக மாற்றப்பட்டு, அமைப்புமயமாக்கப்பட்ட பணிகளை மீண்டும் மீண்டும் செய்யும் பணிகளுக்குத் திருப்புவதாகும்.

இருப்பினும், இந்தத் தொடர்நிலை பணி மற்றும் அமைப்புமயமாக்கல் செயல்முறைக்கு உட்படுத்தப்பட்டுத் திரும்பும் மீண்டும் மீண்டும் செய்யும் பணிகள், உற்பத்திசார் AIகளின் எண்ணிக்கை அதிகரிக்கப்பட்டாலும் அல்லது அவற்றின் பதிப்புகள் மாற்றப்பட்டாலும், மீண்டும் பயன்படுத்தக்கூடிய அறிவு உருவாகியிருக்கும் நிலையில் இருக்கும்.

இது மனிதர்களின் மீண்டும் மீண்டும் செய்யும் பணிகளின் சிக்கல்களைத் தீர்க்கிறது மற்றும் மனிதர்கள் செய்யும் பணிகளைப் போன்ற நெகிழ்வான பணிகளைச் செய்ய உதவுகிறது.

இங்கு, ஒரு முறை இயங்கும்போது பாத்திரங்களையும் அறிவையும் மாற்றும் உற்பத்திசார் AI இன் திறனை "மெய்நிகர் நுண்ணறிவு" என்று நான் அழைக்கிறேன். இது ஒரு கணினியின் மெய்நிகர் இயந்திரத்திற்கு (virtual machine) ஒத்ததாகும்.

மெய்நிகர் இயந்திர தொழில்நுட்பம் ஒரு ஒற்றை வன்பொருளில் இயங்கும் முற்றிலும் மாறுபட்ட கணினிகளை உருவகப்படுத்துவதைப் போலவே, ஒரு ஒற்றை உற்பத்திசார் AI பல பாத்திரங்களுக்கு இடையில் மாறி மாறி செயலாக்குகிறது.

உற்பத்திசார் AI ஏற்கனவே இந்த மெய்நிகர் நுண்ணறிவு திறனை இயற்கையாகவே பெற்றுள்ளது. இதனால்தான் உற்பத்திசார் AI பல நபர்கள் சம்பந்தப்பட்ட விவாதங்களை உருவகப்படுத்தலாம் அல்லது பல கதாபாத்திரங்களைக் கொண்ட நாவல்களை உருவாக்கலாம்.

இந்த மெய்நிகர் நுண்ணறிவு திறன் மேம்பட்டு, போதுமான அறிவு வழங்கப்பட்டால், மீண்டும் மீண்டும் செய்யும் பணிகளைச் செய்வது சாத்தியமாகும்.

நுண்ணறிவு ஒருங்கிணைப்பு (Intelligence Orchestration)

மேலும், பல பாத்திரங்களையும் அறிவையும் சுதந்திரமாக இணைத்து பணிகளைச் செய்யும் திறனை நான் "நுண்ணறிவு ஒருங்கிணைப்பு" என்று குறிப்பிடுகிறேன்.

இது பல மெய்நிகர் இயந்திரங்களைக் கையாளும் ஒருங்கிணைப்பு தொழில்நுட்பத்தைப் போன்றது.

தேவைப்படும்போது தேவையான மெய்நிகர் இயந்திரங்களை தொடங்கி, அமைப்புகளை திறமையாக இயக்கும் ஒருங்கிணைப்பு தொழில்நுட்பத்தைப் போலவே, மேம்பட்ட நுண்ணறிவு ஒருங்கிணைப்பு திறன்களைக் கொண்ட ஒரு உற்பத்திசார் AI—இது மெய்நிகர் நுண்ணறிவின் ஒரு திறன்—பல பாத்திரங்களையும் அறிவையும் பொருத்தமாகப் பயன்படுத்தும் அதே வேளையில், செயல்திறன் மற்றும் துல்லியத்தைப் பேணிக்காத்து, மீண்டும் மீண்டும் செய்யும் பணிகளை நெகிழ்வாகச் செய்ய முடியும்.

சிம்போனிக் நுண்ணறிவு

இந்த நிலையை அடையும் உற்பத்திசார் AI ஐ சிம்போனிக் நுண்ணறிவு (Symphonic Intelligence) என்று அழைக்கலாம்.

ஒவ்வொரு இசைக்கலைஞரும் தங்கள் வாத்தியத்தில் தேர்ச்சி பெற்று, அவரவர் பங்கை நிறைவேற்றிக்கொண்டு ஒரு இசைப்படைப்பை வாசிப்பதைப் போலவே, சிம்போனிக் நுண்ணறிவும் அறிவுசார் பணியின் சிம்பொனியை இயக்க முடியும்.

இந்த சிம்போனிக் நுண்ணறிவு ஒரு புதிய கருத்தாகும், இது உற்பத்திசார் AI க்கான ஒரு உச்சநிலையைக் குறிக்கிறது.

எனினும், சிம்போனிக் நுண்ணறிவு ஏற்கனவே உள்ளது.

அது நம் மனித நுண்ணறிவுதான்.

சிம்போனிக் நுண்ணறிவு நம்மிடம் இருப்பதால்தான், பலவிதமான நுட்பங்களைப் பயன்படுத்தி, மீண்டும் மீண்டும் செய்யும் பணிகள் மூலம் சிக்கலான அறிவுசார் பணிகளை நாம் ஆழ்மனதில் நெகிழ்வாகச் செய்ய முடிகிறது.

இறுதியாக: AGI இன் வடிவம்

சிம்போனிக் நுண்ணறிவை உருவகப்படுத்தும் திறன் கொண்ட உற்பத்திசார் AIக்கு, மற்ற பணிகளுக்கான தொடர்நிலை பணி செயல்முறைகள் (flow work processes) மற்றும் அறிவுத் தளங்களை (knowledge bases) வழங்குவதன் மூலம், அது பல மீண்டும் மீண்டும் செய்யும் பணிகளைக் கையாள முடியும்.

பலவிதமான மீண்டும் மீண்டும் செய்யும் பணிகளைக் கையாளும் திறன் பெற்றவுடன், அது அந்தப் பணிகளிலுள்ள அறிவின் பொதுவான கோட்பாடுகளையும், கட்டமைப்பு வடிவங்களையும் புரிந்துகொள்ளும்.

அந்தக் கட்டத்தில், முற்றிலும் அறியப்படாத மீண்டும் மீண்டும் செய்யும் பணிகளுக்கு, மனிதரிடமிருந்து ஒரு எளிய விளக்கத்தைப் பெற்றாலே போதும், மனிதர்கள் அதை எவ்வாறு செய்கிறார்கள் என்பதைக் கவனிப்பதன் மூலம் அந்தப் பணிக்கான தொழில்நுட்ப அறிவை (know-how) அது கற்றுக்கொள்ள முடியும்.

இதுவே உண்மையான சிம்போனிக் நுண்ணறிவு. இந்த நிலை அடைந்தவுடன், மனிதர்கள் தொடர்நிலை பணிகளை உருவாக்குவதற்கோ அல்லது தொழில்நுட்ப அறிவைக் குறியிடுவதற்கோ முயற்சி செய்ய வேண்டியதில்லை.

மேலும், உற்பத்திசார் AI ஆல் தானாகவே திரட்டப்படும் அறிவு, உற்பத்திசார் AIகளுக்குள்ளேயே பகிரப்பட முடியும்.

அப்படி நிகழும்போது, உற்பத்திசார் AI இன் கற்றல் திறன் மனிதர்களின் திறனை விட மிக அதிகமாக இருக்கும்.

இது AGI இன் ஒரு வடிவம் என்று கூறலாம்.