సింఫోనిక్ ఇంటెలిజెన్స్ యుగం

ఆధునిక వ్యాపార ప్రక్రియలలో, జనరేటివ్ AI (ఉత్పాదక AI)ని స్వీకరించడం అనేది కేవలం టూల్ వినియోగ దశను దాటి, ఇప్పుడు క్రమబద్ధీకరణ దశలోకి ప్రవేశిస్తోంది.

దీని తర్వాత, "సింఫోనిక్ ఇంటెలిజెన్స్" అని పిలువబడే ఒక కొత్త మేధస్సు యుగం వేచి ఉంది.

ఈ వ్యాసం ఇటరేషన్ పని మరియు ఫ్లో పని అనే రెండు దృక్పథాల నుండి జనరేటివ్ AI వినియోగం యొక్క ప్రస్తుత స్థితిని మరియు భవిష్యత్ అవకాశాలను అన్వేషిస్తుంది.

పునరావృత పని

మునుపటి వ్యాసంలో, జనరేటివ్ AI పనులను నిర్వహించడానికి వీలు కల్పించే దృక్పథాలుగా పునరావృత పని మరియు టూల్స్, అలాగే ఫ్లో పని మరియు సిస్టమ్స్ యొక్క దృక్పథాలను నేను విశ్లేషించాను.

పునరావృత పని అంటే మానవులు పాక్షిక-అవగాహన లేకుండా అనేక విభిన్న నిర్దిష్ట పనులను కలిపి, ప్రయత్నం మరియు లోపం ద్వారా కొనసాగించే పనులు.

మరియు ఈ పునరావృత పనికి, టూల్స్ అత్యంత అనుకూలమైనవి. వివిధ పనులకు సరిపోయే టూల్స్ ఎంచుకోవడం ద్వారా, పనిని సమర్థవంతంగా కొనసాగించవచ్చు. కాబట్టి, అవసరమైన టూల్‌కిట్‌ను సిద్ధం చేసుకోవడం మరియు దాని వినియోగంలో నైపుణ్యం సాధించడం అవసరం.

ప్రస్తుతం, వ్యాపారంలో జనరేటివ్ AIని ఉపయోగించినప్పుడు, చాలా వరకు జనరేటివ్ AI ఒక టూల్‌గా పనిచేస్తుంది.

జనరేటివ్ AIతో వ్యాపార సామర్థ్యాన్ని మెరుగుపరచడం గురించిన చాలా చర్చలు, మానవులు తమ పునరావృత పనుల కోసం ఉపయోగించే ప్రస్తుత టూల్‌కిట్‌కు ఈ కొత్త మరియు శక్తివంతమైన టూల్‌ను జోడించడాన్ని సూచిస్తాయి.

పునరావృత పనితో సమస్యలు

మరోవైపు, గత వ్యాసంలో సూచించినట్లుగా, పునరావృత పనిలో టూల్స్ నుండి లభించే సామర్థ్య ప్రయోజనాలు సాపేక్షంగా పరిమితంగా ఉంటాయి.

టూల్స్ ఎంత సమర్థవంతంగా మారినా, చివరికి మానవులు అడ్డంకిగా మారతారు. మనం అంతిమంగా మానవ పని గంటల పరిమితిని అధిగమించలేము.

అంతేకాకుండా, అనుభవజ్ఞులైన ఉద్యోగులు మరియు కొత్తవారి మధ్య పునరావృత పని యొక్క సామర్థ్యం మరియు ఖచ్చితత్వంలో గణనీయమైన అంతరం ఉంది, మరియు ఈ అంతరాన్ని పూడ్చడం కష్టం. తత్ఫలితంగా, వచ్చే నెలలో పనిభారాన్ని రెట్టింపు చేయాలని లక్ష్యంగా పెట్టుకున్నా, అనుభవజ్ఞుడి నైపుణ్యాలు కలిగిన సిబ్బంది లేకుండా దానిని నిర్వహించలేము.

మానవులు అడ్డంకిగా ఉన్న సమస్యను పరిష్కరించడానికి, అంతిమ పరిష్కారం ప్రతిదీ కృత్రిమ మేధస్సుతో భర్తీ చేయడమే అవుతుంది.

అయితే, ప్రస్తుత జనరేటివ్ AI ఇంకా ఆ స్థాయి పనితీరును కలిగి లేదు.

అంతేకాకుండా, సులభంగా కనిపించే పునరావృత పనులు కూడా, నిశితంగా పరిశీలిస్తే, చాలా సంఖ్యలో అవగాహన లేని ఉప-పనులను కలిగి ఉంటాయి.

ఈ కారణంతో, ఈ పనులను సంప్రదాయ IT వ్యవస్థలుగా లేదా సులభంగా అనుసరించగల మాన్యువల్‌లుగా విభజించలేము, బదులుగా మానవ నైపుణ్యంపై ఆధారపడాల్సి వచ్చింది.

నైపుణ్యం అవసరమయ్యే ఈ అనేక అవగాహన లేని పనులు నిర్వహించబడకపోతే, మరియు ప్రతిదానికి అవసరమైన సాంకేతిక పరిజ్ఞానం జ్ఞానంగా స్ఫటికీకరించబడకపోతే, జనరేటివ్ AI ఎంత పనితీరు మెరుగుపడినా, మానవులకు ప్రత్యామ్నాయంగా పనులను చేయలేదు.

ఫ్లో పని మార్పిడి మరియు క్రమబద్ధీకరణ

జనరేటివ్ AI యొక్క ప్రస్తుత పనితీరు పరిమితులలో పనులను పంపిణీ చేయడం, మరియు అవగాహన లేని పనులను నిర్వహించడం మరియు సాంకేతిక పరిజ్ఞానాన్ని జ్ఞానంగా స్ఫటికీకరించడం అనే లక్ష్యాలను పరిష్కరించడానికి, ప్రయత్నం మరియు లోపం కూడిన పునరావృత పనిని ప్రామాణిక ఫ్లో పనిగా నిర్వహించడం చాలా ముఖ్యమైనది.

ప్రమాణీకరించబడిన ఫ్లో పని టూల్స్ కోసమే కాకుండా సిస్టమ్స్ కోసం కూడా బాగా సరిపోతుంది.

ఫ్లో పనిలో, జనరేటివ్ AI అమలు చేయాల్సిన పనులు మరియు మానవులు అమలు చేయాల్సిన పనులు ఉంటాయి. వీటిని ఒక సిస్టమ్‌తో అనుసంధానించడం ద్వారా, మొత్తం ఫ్లో పని అమలు అవుతుంది.

ఫ్లో పని మార్పిడి మరియు క్రమబద్ధీకరణ అనేక ముఖ్యమైన ప్రయోజనాలను అందిస్తాయి:

మొదట, జనరేటివ్ AI ప్రతి వ్యక్తిగత పనికి ప్రత్యేకంగా కేటాయించబడుతుంది కాబట్టి, ప్రతి పనికి దాని సామర్థ్యం మరియు ఖచ్చితత్వాన్ని ఆప్టిమైజ్ చేయడం స్పష్టంగా మారుతుంది.

రెండవది, అనేక మంది కార్మికులు జనరేటివ్ AIకి జ్ఞానాన్ని జోడించవచ్చు, మరియు దాని ప్రయోజనాలు అందరికీ విస్తరిస్తాయి.

మూడవది, ఈ పనిలో పనుల విభజనను జనరేటివ్ AIకి క్రమంగా మార్చడం సులభం అవుతుంది.

పునరావృత పనిని ఫ్లో పనిగా మార్చడం ద్వారా మరియు ప్రతి పనికి జనరేటివ్ AIకి అవసరమైన జ్ఞానాన్ని ఒక సిస్టమ్‌గా సేకరించడం ద్వారా, మేధో పని కర్మాగార ఉత్పత్తి లైన్ వలె ఆటోమేషన్‌కు దగ్గరవుతుంది.

మరియు జనరేటివ్ AI యొక్క మెరుగుపరుస్తున్న ప్రాథమిక పనితీరును, ఇది కాలంతో పాటు అభివృద్ధి చెందుతుంది, మరియు వివిధ పనుల కోసం ప్రత్యేకంగా సేకరించిన జ్ఞానాన్ని ఉపయోగించడం ద్వారా, మొత్తం ఫ్లో పని జనరేటివ్ AI ద్వారా నిర్వహించబడే స్వయంచాలక ప్రక్రియగా మారడం సాధ్యమవుతుంది.

వర్చువల్ ఇంటెలిజెన్స్

ఈ పాయింట్ వరకు, పునరావృత పని మరియు టూల్స్, అలాగే ఫ్లో పని మరియు సిస్టమ్స్ దృక్పథాల నుండి విశ్లేషణ జరిగింది.

మరొక ఇటీవలి వ్యాసం ఈ చర్చను మరింత ముందుకు తీసుకువెళుతుంది.

ఆ వ్యాసంలో, వర్చువల్ ఇంటెలిజెన్స్ ద్వారా ఆర్కెస్ట్రేషన్ అనే అంశం గురించి ప్రస్తావించాను.

ప్రస్తుతం, మరియు అతి త్వరలో, పనితీరు పరిమితుల కారణంగా, జనరేటివ్ AI నిర్దిష్ట పనులపై దృష్టి సారించినప్పుడు మరింత సమర్థవంతంగా మరియు ఖచ్చితంగా ఉంటుంది.

అందువల్ల, ఫ్లో పని మరియు సిస్టమ్‌లతో ఇంతకు ముందు చర్చించినట్లుగా, ప్రతి వ్యక్తిగత పని కోసం ప్రత్యేక జనరేటివ్ AIలను కలిపే ఒక యంత్రాంగం ఆదర్శప్రాయంగా ఉండేది.

అయితే, జనరేటివ్ AI పనితీరు గణనీయంగా మెరుగుపడినప్పటికీ, కేవలం వివిధ పనులను ఏకకాలంలో నిర్వహించడానికి బదులుగా, ఒకే ప్రక్రియలో పాత్రలను మార్చడం మరియు జ్ఞానాన్ని ఉపయోగించడం ద్వారా పనులను ప్రాసెస్ చేయడం అధిక సామర్థ్యం మరియు ఖచ్చితత్వానికి దారితీయవచ్చు.

ఈ విధానం జనరేటివ్ AIలను ఒకదానికొకటి అనుసంధానించడానికి ఒక సిస్టమ్ అవసరాన్ని తొలగిస్తుంది. సిస్టమ్ ఇంటిగ్రేషన్‌కు సమానమైన కార్యకలాపాలు జనరేటివ్ AI లోపల జరుగుతాయి.

అంతేకాకుండా, ఇది జనరేటివ్ AI లోపల సౌకర్యవంతమైన ప్రతిస్పందనలను అనుమతిస్తుంది, సిస్టమ్‌ను సవరించకుండా పనులను మార్చడం లేదా జోడించడం సాధ్యం కాని పరిస్థితుల నుండి బయటపడుతుంది.

ఇది క్రమబద్ధీకరించబడిన ఫ్లో పనిని పునరావృత పనికి తిరిగి ఇవ్వడం అని అర్థం.

అయితే, క్రమబద్ధీకరణ మరియు ఫ్లో పని మార్పిడి ద్వారా వెళ్ళిన ఈ పునరావృత పని, జనరేటివ్ AIల సంఖ్య పెరిగినా లేదా వెర్షన్‌లు మార్చబడినా పునర్వినియోగించదగిన జ్ఞానాన్ని రూపొందించగల స్థితిలో ఉంది.

ఇది మానవ పునరావృత పని సమస్యలను పరిష్కరిస్తుంది, మానవుల వలె సౌకర్యవంతమైన పనిని అనుమతిస్తుంది.

ఇక్కడ, ఒకే అమలు సమయంలో పాత్రలు మరియు జ్ఞానాన్ని మార్చగల జనరేటివ్ AI సామర్థ్యాన్ని నేను వర్చువల్ ఇంటెలిజెన్స్ అని పిలుస్తున్నాను. ఇది కంప్యూటర్ యొక్క వర్చువల్ మెషీన్‌కు సమానం.

వర్చువల్ మెషీన్ టెక్నాలజీ ఒకే హార్డ్‌వేర్‌పై పూర్తిగా విభిన్న కంప్యూటర్‌లను నడుస్తున్నట్లుగా అనుకరిస్తున్నట్లుగా, ఒకే జనరేటివ్ AI అనేక పాత్రల మధ్య మారడం ద్వారా పనులను ప్రాసెస్ చేస్తుంది.

ప్రస్తుత జనరేటివ్ AI ఇప్పటికే ఈ వర్చువల్ ఇంటెలిజెన్స్ సామర్థ్యాన్ని సహజంగా పొందింది. ఈ కారణంగా, జనరేటివ్ AI అనేక మంది వ్యక్తుల మధ్య చర్చలను అనుకరించగలదు మరియు అనేక పాత్రలతో కూడిన నవలలను రూపొందించగలదు.

ఈ వర్చువల్ ఇంటెలిజెన్స్ సామర్థ్యం మెరుగుపడితే మరియు తగినంత జ్ఞానం అందించబడితే, పునరావృత పనిని నిర్వహించడం సాధ్యమవుతుంది.

తెలివితేటల ఆర్కెస్ట్రేషన్

అంతేకాకుండా, బహుళ పాత్రలను మరియు జ్ఞానాన్ని స్వేచ్ఛగా కలిపి పనులను నిర్వహించే ఈ సామర్థ్యాన్ని నేను తెలివితేటల ఆర్కెస్ట్రేషన్ అని అంటాను.

ఇది అనేక వర్చువల్ మెషీన్‌లను నిర్వహించే ఆర్కెస్ట్రేషన్ టెక్నాలజీకి సమానమైనది.

అవసరమైనప్పుడు అవసరమైన వర్చువల్ మెషీన్‌లను ప్రారంభించడం ద్వారా ఆర్కెస్ట్రేషన్ టెక్నాలజీ సిస్టమ్‌లను సమర్థవంతంగా నిర్వహించినట్లే, మెరుగైన తెలివితేటల ఆర్కెస్ట్రేషన్ నైపుణ్యాలు కలిగిన జనరేటివ్ AI—వర్చువల్ ఇంటెలిజెన్స్ యొక్క సామర్థ్యం—అనేక పాత్రలను మరియు జ్ఞానాన్ని సముచితంగా నిర్వహించడం ద్వారా, సామర్థ్యాన్ని మరియు ఖచ్చితత్వాన్ని కొనసాగిస్తూ, పునరావృత పనిని సౌకర్యవంతంగా నిర్వహించగలదు.

సింఫోనిక్ ఇంటెలిజెన్స్

ఈ దశకు చేరుకున్న జనరేటివ్ AIని సింఫోనిక్ ఇంటెలిజెన్స్ అని పిలవవచ్చు.

ప్రతి వాయిద్యం వాయించడంలో నైపుణ్యం కలిగిన ఆర్కెస్ట్రా, తమతమ పాత్రలను నిర్వర్తిస్తూనే ఒకే సంగీత భాగాన్ని ప్రదర్శించినట్లే, సింఫోనిక్ ఇంటెలిజెన్స్ మేధో పనుల సింఫొనీని ప్లే చేయగలదు.

ఈ సింఫోనిక్ ఇంటెలిజెన్స్ ఒక కొత్త భావన, ఇది జనరేటివ్ AIకి కీలక మైలురాళ్లలో ఒకటిగా నిలుస్తుంది.

అయితే, సింఫోనిక్ ఇంటెలిజెన్స్ ఇప్పటికే ఉనికిలో ఉంది.

అది మన మానవ మేధస్సు.

మనకు సింఫోనిక్ ఇంటెలిజెన్స్ ఉంది కాబట్టే, మనం తెలియకుండానే మరియు సౌకర్యవంతంగా అనేక సంక్లిష్ట మేధో పనులను పునరావృత పని ద్వారా, విస్తారమైన సాంకేతిక పరిజ్ఞానాన్ని ఉపయోగించుకుంటూ చేయగలుగుతున్నాము.

చివరగా: AGI స్వరూపం

సింఫోనిక్ ఇంటెలిజెన్స్‌ను అనుకరించగల జనరేటివ్ AIకి ఇతర పనుల కోసం ఫ్లో వర్క్ మరియు నాలెడ్జ్ బేస్‌లను అందించడం ద్వారా, అది బహుళ పునరావృత పనులను నిర్వహించగల సామర్థ్యాన్ని పొందుతుంది.

అది అనేక విభిన్న పునరావృత పనులను నిర్వహించగలిగిన తర్వాత, అది ఆ పనుల మధ్య సాధారణ నియమాలను మరియు జ్ఞానంలోని నిర్మాణ నమూనాలను గ్రహించగలదు.

ఆ దశలో, పూర్తిగా తెలియని పునరావృత పనుల కోసం, మానవుడి నుండి చిన్న వివరణతో, AI ఆ పని యొక్క మెళకువలను మానవుడు ఎలా చేస్తాడో గమనించడం ద్వారా నేర్చుకోగలదు.

ఇది నిజమైన సింఫోనిక్ ఇంటెలిజెన్స్. ఈ దశకు చేరుకున్న తర్వాత, మానవులు పనిని ఫ్లో ప్రక్రియలుగా మార్చడానికి లేదా సాంకేతిక పరిజ్ఞానాన్ని జ్ఞానంగా స్ఫటికీకరించడానికి శ్రమించాల్సిన అవసరం లేదు.

అంతేకాకుండా, జనరేటివ్ AI ద్వారా స్వయంచాలకంగా సేకరించబడిన జ్ఞానాన్ని ఇతర జనరేటివ్ AIల మధ్య పంచుకోవచ్చు.

ఇది జరిగితే, జనరేటివ్ AI యొక్క అభ్యాస సామర్థ్యం మానవుల సామర్థ్యాన్ని చాలా వరకు అధిగమిస్తుంది.

దీనిని AGI యొక్క ఒక రూపంగా పరిగణించవచ్చు.