இடஞ்சார்ந்த புரிதலின் பரிமாணங்கள்: AI இன் சாத்தியக்கூறுகள்

நாம் ஒரு முப்பரிமாண வெளியில் இருக்கிறோம்.

இந்த வெளிக்குள், இருபரிமாணப் படமாக மட்டுமே இருக்கும் காட்சித் தகவல்களின் அடிப்படையில் முப்பரிமாண வெளியைப் புரிந்துகொள்கிறோம்.

இதன் பொருள் என்னவென்றால், நம் மனங்களில் முப்பரிமாண வெளியின் ஒரு பிம்பம் உள்ளது, மேலும் நாம் இருபரிமாண காட்சித் தகவலை இந்த முப்பரிமாண பிம்பத்தின் மீது தலைகீழாகப் பொருத்திக் கொள்கிறோம்.

இந்தக் கோட்பாட்டைப் பயன்படுத்தினால், மனிதர்கள் நான்கு பரிமாண வெளியைப் புரிந்துகொள்ள முடியும் என்று நான் கணிக்கிறேன். நிஜ பௌதிக வெளியில் நான்கு பரிமாண வெளியையோ அல்லது நான்கு பரிமாணப் பொருட்களையோ நம்மால் உருவாக்க முடியாது,

ஆனால், கணினிகளைப் பயன்படுத்தி நான்கு பரிமாண வெளி மற்றும் பொருட்களை உருவகப்படுத்த முடியும். இந்த உருவகப்படுத்தப்பட்ட நான்கு பரிமாண வெளியை ஒரு இருபரிமாண தளத்திற்கு வரையும்போது, மனிதர்கள் தகவல்களைக் காட்சிரீதியாகப் புரிந்துகொள்ள முடியும்.

பின்னர், மனிதர்கள் அத்தகைய நான்கு பரிமாண வெளி மற்றும் பொருட்களின் நடத்தைகளையும் காட்சிகளையும் கற்றுக்கொண்டால், அவர்கள் இறுதியில் தங்கள் மனதில் ஒரு நான்கு பரிமாண வெளியை உருவாக்க முடியும்.

இருப்பினும், இது ஒரு சாத்தியக்கூறு மட்டுமே, மேலும் அத்தகைய பயிற்சிக்கு கணிசமான நேரம் தேவைப்படும்.

மேலும், ஒருவர் நான்கு பரிமாண வெளியைப் புரிந்துகொள்ளும் திறனைப் பெற்றாலும் கூட, இந்தத் திறனைப் பயன்படுத்தக்கூடிய சூழ்நிலைகள் கிட்டத்தட்ட இருக்காது.

AI இன் நான்கு பரிமாணப் புரிதல்

மறுபுறம், இதே AI மூலமாகவும் சாத்தியமாகும். மேலும், AI இந்த நான்கு பரிமாண இடஞ்சார்ந்த புரிதல் திறனைப் பயன்படுத்திக் கொள்ளக்கூடும்.

எடுத்துக்காட்டாக, நான்கு பரிமாண இடஞ்சார்ந்த புரிதல் இருந்தால், AI நான்கு பரிமாண வரைபடங்களை வரையவும் புரிந்துகொள்ளவும் முடியும்.

மனிதர்கள் இருபரிமாண தளத்தில் உள்ள காட்சித் தகவல்களை மட்டுமே ஒரே பார்வையில் புரிந்துகொள்ள முடியும். எனவே, முப்பரிமாண வரைபடம் வரையப்பட்டு தலைகீழ் மேப்பிங் மூலம் புரிந்துகொள்ளப்பட்டாலும், பார்வையில் இருந்து மறைக்கப்பட்ட பகுதிகள் இருக்கும்.

முப்பரிமாண வரைபடத்தின் கணிசமான பகுதி கண்ணுக்குத் தெரியாமல் மறைந்தாலும், நான்கு பரிமாண வரைபடம் இன்னும் அதிகமான தரவுகளை மறைக்கும்.

வரைபடத்தை சுழற்றுவதன் மூலம் மறைக்கப்பட்ட பகுதிகளை வெளிப்படுத்த முடியும் என்றாலும், இது தரவுகளை உள்ளுணர்வாக ஒரே பார்வையில் புரிந்துகொள்ளும் இலக்கிலிருந்து விலகிச் செல்கிறது.

மாறாக, AI இருபரிமாண தள காட்சித் தகவல்களால் கட்டுப்படுத்தப்பட வேண்டியதில்லை. AI க்கு முப்பரிமாண அல்லது நான்கு பரிமாண இடஞ்சார்ந்த காட்சியை மெய்நிகராக அளித்து பயிற்சி அளிக்க முடியும்.

இது AI க்கு முப்பரிமாண மற்றும் நான்கு பரிமாண வரைபடங்களை பரிமாண-சுதேசியாகவும், பரந்த பார்வையுடனும் புரிந்துகொள்ள அனுமதிக்கும், தரவுகள் மறைக்கப்படாமலோ அல்லது சுழற்சி தேவையில்லாமலோ.

மேலும், இது நான்கு பரிமாணங்களுக்கு மட்டும் வரம்பிடப்படவில்லை; தர்க்கரீதியாக, பரிமாணங்களை ஐந்து, பத்து, இருபது மற்றும் அதற்கு அப்பால் முடிவில்லாமல் அதிகரிக்க முடியும்.

பலபரிமாண வரைபடங்களைப் புரிந்துகொள்வது

வரைபடங்களை ஒரு பறவைப் பார்வையில் புரிந்துகொள்ளும் திறன், உதாரணமாக, பல பரிமாணங்களில் போக்கு பகுப்பாய்வை செயல்படுத்துகிறது. அளவு ஒப்பீடுகள் மற்றும் விகிதங்களைப் புரிந்துகொள்வது உள்ளுணர்வுடன் செய்ய முடியும்.

ஒத்த அல்லது ஒப்புமையுள்ள தரவு போன்ற தரவு வடிவங்களை பகுப்பாய்வு செய்யவும் இது அனுமதிக்கிறது. மேலும், இது ஒழுங்குமுறைகளையும் விதிகளையும் கண்டறிய உதவும்.

இது ஏற்கனவே உள்ள AI சிறந்து விளங்கும் வெறும் பலபரிமாண தரவு வடிவ பொருத்தத்தை கடந்து, தரவுகளை ஆழமாக புரிந்துகொள்ள உதவுகிறது.

உதாரணமாக, முற்றிலும் வேறுபட்ட பரிமாணங்களின் சேர்க்கைகளுக்குள் ஒரே மாதிரியான வடிவங்கள் இருந்தாலும், எளிய பலபரிமாண வடிவ பொருத்தத்தால் அவற்றைக் கண்டறிவது கடினமாக இருக்கும்.

இருப்பினும், பலபரிமாணப் பார்வையுடன், வடிவங்கள் ஒரே மாதிரியாக இருந்தால், அவை வெவ்வேறு பரிமாண சேர்க்கைகளிலும் உடனடியாக அடையாளம் காணப்பட வேண்டும்.

மேலும், உள்ளீட்டுத் தரவுகளுடன் வரும் பரிமாண அச்சுகளை வெறுமனே பயன்படுத்துவதைத் தாண்டி, குறிப்பிட்ட அச்சுகளை விரிவுபடுத்துவது அல்லது சுருக்குவது, அவற்றை மடக்கை ரீதியாக மாற்றுவது, அல்லது பல அச்சுகளை அவற்றின் பரிமாணத்தைக் குறைக்காமல் அதே எண்ணிக்கையிலான வெவ்வேறு அச்சுகளுக்கு வரைபடமாக்குவதன் மூலம் தரவுகளைப் புரிந்துகொள்வதற்கு எளிதான பரிமாண கட்டமைப்புகளை ஆராய்வதும் சாத்தியமாகும்.

இவ்வாறு, பலபரிமாணப் பார்வைக்கான திறனைப் பயிற்றுவிப்பதன் மூலம், தரவு கட்டமைப்புகளை பறவைப் பார்வையில் புரிந்துகொள்வது சாத்தியமாகிறது - இது மனிதர்களுக்கும் வழக்கமான AI க்கும் கடினமான ஒரு பணி - இதன் மூலம் புதிய நுண்ணறிவுகளையும் விதிகளையும் கண்டறியும் சாத்தியக்கூறுகள் திறக்கப்படுகின்றன.

கோட்பாட்டுப் புதுமையைத் துரிதப்படுத்துதல்

உயர்-பரிமாணத் தரவுகளை குறைந்த பரிமாணங்களுக்கு வரைபடமாக்காமல் இயல்பாகப் புரிந்துகொள்ளும் திறன் ஒரு குறிப்பிடத்தக்க சாத்தியக்கூறைக் குறிக்கிறது.

உதாரணமாக, வானியல் கண்காணிப்புத் தரவுகளை எளிதில் புரிந்துகொள்ளக்கூடிய கணித சூத்திரங்களுக்குப் பொருத்துவதற்காக சூரிய மையக் கோட்பாடு கண்டுபிடிக்கப்பட்டது. பூமியைச் சுற்றி சூரியன் வருகிறது என்ற பூமி மையப் புரிதலால், கண்காணிப்புத் தரவுகளைப் புரிந்துகொள்ளக்கூடிய சூத்திரங்களுக்கு வரைபடமாக்க முடியவில்லை, இது சூரிய மையக் கோட்பாட்டின் கண்டுபிடிப்புக்கு வழிவகுத்தது.

இருப்பினும், வானியல் கண்காணிப்புத் தரவுகளை பரிமாணக் குறைப்பு இல்லாமல் இயல்பாகப் புரிந்துகொள்ள முடிந்திருந்தால், சூரிய மையக் கோட்பாடு போன்ற விதிகள் இன்னும் முன்னதாகவே கண்டுபிடிக்கப்பட்டிருக்கலாம்.

இதேபோல், சார்பியல் கோட்பாடு மற்றும் குவாண்டம் இயக்கவியல் போன்ற அறிவியல் கண்டுபிடிப்புகள், பலபரிமாணத் தரவுகளை அதன் இயல்புப் பரிமாணங்களில் விரிவாகப் புரிந்துகொள்ள முடிந்திருந்தால், இன்னும் முன்னதாகவே உணரப்பட்டிருக்கலாம்.

இது மனிதகுலத்திற்கு இன்னும் அறியப்படாத பல்வேறு கோட்பாடுகள் மற்றும் விதிகளைக் கண்டுபிடிப்பதற்கு வழிவகுக்கும் கோட்பாட்டுப் புதுமையை, பரிமாண-இயல்பு AI ஆல் துரிதப்படுத்த முடியும் என்பதைக் குறிக்கிறது.

முடிவுரை

பல பரிமாண வெளிக்குத் தனித்தன்மையுடன் பயிற்சி அளிக்கப்பட்ட AI, அதன் பல பரிமாண இடஞ்சார்ந்த அறிவாற்றல் திறன்களைப் பயன்படுத்தி — அவை மனித உருவகப்படுத்துதலுக்கு அப்பாற்பட்டவை — அறிவியல் மற்றும் கல்வித் துறைகளில் கோட்பாடுகளின் வரம்பை விரைவாக விரிவுபடுத்தலாம்.

கோட்பாடுகள் வெறுமனே மாறுவதை விடப் பெருக்கமடைகின்றன. புதிய கோட்பாடுகள் கண்டுபிடிக்கப்பட்டாலும், அவற்றுடன் நாம் கட்டாயம் ஓட்டப் பந்தயம் நடத்த வேண்டியதில்லை.

நிச்சயமாக, சிக்கலான பரிமாணங்களில் கண்டறியப்பட்ட கோட்பாடுகளை, நாம் புரிந்துகொள்ளும் வகையில் குறைந்த பரிமாணங்களுக்கு வரைபடமாக்குவதன் மூலம் AI விளக்கும்.

இருப்பினும், அதிகப்படியான உயர் பரிமாணங்களின் கோட்பாடுகள் மனித புரிதலுக்கு அப்பாற்பட்டதாகவே இருக்கலாம். மேலும், மிகப் பெரிய அளவில் விரிவடைந்த அனைத்துக் கோட்பாடுகளையும் புரிந்துகொள்வது சாத்தியமற்றதாக இருக்கும்.

அத்தகைய சூழ்நிலையில், அதன் அடிப்படைக் கொள்கைகளை நாம் முழுமையாகப் புரிந்துகொள்ளாவிட்டாலும், திறம்பட செயல்படும் தயாரிப்புகள் மற்றும் அமைப்புகளால் சூழப்பட்டு நாம் வாழ நேரிடலாம்.

ஒரு பொறியியலாளராக, அத்தகைய சூழ்நிலையை நான் கற்பனை செய்ய விரும்பவில்லை, ஆனால் பலருக்கு, இது இன்று இருப்பதை விட பெரிய வித்தியாசமாக இருக்காது.