人工 நுண்ணறிவு (AI) இன்றைய காலத்தில் நவீன வாழ்க்கையின் அங்கமாக மாறி, வணிகத்திலிருந்து மருத்துவம் வரை அனைத்து துறைகளிலும் காணப்படுகிறது. இருப்பினும், 人工 நுண்ணறிவின் வளர்ச்சி வரலாறு 20ஆம் நூற்றாண்டின் நடுப்பகுதியில் தொடங்கி, பல ஏற்றத்தாழ்வுகளை கடந்து இன்று பெரும் வெற்றிகளை அடைந்துள்ளது என்பது குறைவானோர் தான் அறிந்திருப்பர்.

இந்தக் கட்டுரையில் INVIAI 人工 நுண்ணறிவின் உருவாக்கம் மற்றும் வளர்ச்சி வரலாற்றை விரிவாக விளக்குகிறது, ஆரம்பக் கருத்துக்களிலிருந்து, கடினமான “人工 நுண்ணறிவு குளிர்காலங்கள்” வழியாக, ஆழ்ந்த கற்றல் புரட்சியும் மற்றும் உருவாக்கும்人工 நுண்ணறிவு அலைபாய்ச்சலும் 2020களில் ஏற்பட்டதுவரை.

1950கள்:人工 நுண்ணறிவின் தொடக்கம்

1950கள் 人工 நுண்ணறிவு துறையின் அதிகாரபூர்வ தொடக்கமாக கருதப்படுகிறது. 1950ஆம் ஆண்டு, கணிதவியலாளர் அலன் டூரிங் “Computing Machinery and Intelligence” என்ற கட்டுரையை வெளியிட்டு, இயந்திரத்தின் சிந்தனை திறனை மதிப்பிடும் புகழ்பெற்ற சோதனையை முன்வைத்தார் – இது பின்னர் டூரிங் சோதனை என அழைக்கப்பட்டது. இது கணினிகள் மனிதர்களைப் போல “சிந்திக்க” முடியும் என்ற கருத்துக்கு அடித்தளமாக அமைந்தது.

1956ஆம் ஆண்டில், “Artificial Intelligence” (人工 நுண்ணறிவு) என்ற 용어 அதிகாரபூர்வமாக அறிமுகமானது. அதே ஆண்டில், கணினி விஞ்ஞானி ஜான் மெக்கார்த்தி (டார்ட்மவுத் பல்கலைக்கழகம்) மற்றும் அவரது சகோதரர்கள் மார்வின் மின்ஸ்கி, நாதனியல் ரொசெஸ்டர் (IBM), கிளோட் ஷானன் ஆகியோர் டார்ட்மவுத் பல்கலைக்கழகத்தில் வரலாற்று மாநாட்டை ஏற்பாடு செய்தனர்.

மெக்கார்த்தி இந்த மாநாட்டிற்கு “人工 நுண்ணறிவு” என்ற 용ரை முன்மொழிந்தார், மற்றும் 1956 டார்ட்மவுத் நிகழ்வு 人工 நுண்ணறிவு துறையின் பிறப்பாக கருதப்படுகிறது. இங்கு, தைரியமான விஞ்ஞானிகள் “கற்றல் மற்றும் அறிவு தொடர்பான அனைத்து அம்சங்களும் இயந்திரங்களால் மாதிரியாக்கப்படலாம்” என்று அறிவித்தனர், புதிய துறைக்கு பெரிய இலக்குகளை நிர்ணயித்தனர்.

1950களின் இறுதியில் பல 人工 நுண்ணறிவு முதல் சாதனைகள் நிகழ்ந்தன. 1951ஆம் ஆண்டு, ஆரம்ப人工 நுண்ணறிவு திட்டங்கள் Ferranti Mark I கணினியில் இயங்கத் தொடங்கின – குறிப்பாக கிரிஸ்டோபர் ஸ்ட்ராசி என்பவரின் டாமா (checkers) விளையாட்டு மற்றும் டைட்ரிக் பிரின்ஸ் என்பவரின் சதுரங்க விளையாட்டு திட்டங்கள், கணினிகள் முதன்முறையாக அறிவாற்றல் விளையாட்டுகளை விளையாடத் தொடங்கியது என்பதை குறிக்கிறது.

1955ஆம் ஆண்டு, IBM இல் ஆர்தர் சாமுவேல் அனுபவத்திலிருந்து தானாக கற்றுக்கொள்ளும் திறன் கொண்ட டாமா விளையாட்டு திட்டத்தை உருவாக்கினார், இது முதல் machine learning (இயந்திரக் கற்றல்) அமைப்பாகும். அதே காலத்தில், அலன் நியூவெல், ஹெர்பர்ட் சைமன் மற்றும் குழுவினர் Logic Theorist (1956) என்ற திட்டத்தை எழுதியனர் – இது தானாக கணிதத் தியோரங்களை நிரூபிக்க முடியும், இயந்திரங்கள் தர்க்கக் கணக்கீடு செய்யக்கூடியவை என்பதை நிரூபித்தது.

கணக்கீட்டு ஆல்காரிதம்களோடு சேர்ந்து, 人工 நுண்ணறிவுக்கான கருவிகள் மற்றும் நிரலாக்க மொழிகள் 1950களில் உருவானன. 1958ஆம் ஆண்டு, ஜான் மெக்கார்த்தி Lisp என்ற மொழியை கண்டுபிடித்தார் – இது人工 நுண்ணறிவுக்காக வடிவமைக்கப்பட்ட நிரலாக்க மொழி, விரைவில்人工 நுண்ணறிவு வளர்ச்சிக் குழுவில் பரவியது. அதே ஆண்டில், மனோதத்துவவியலாளர் ஃபிராங்க் ரோசென்பிளாட் Perceptron என்ற முதல் செயற்கை நரம்பு வலைப்பின்னல் மாதிரியை அறிமுகப்படுத்தினார், இது தரவிலிருந்து கற்றுக்கொள்ளும் திறன் கொண்டது. Perceptron இன்றைய நரம்பு வலைப்பின்னல்கள்க்கு அடித்தளமாக கருதப்படுகிறது.

1959ஆம் ஆண்டு, ஆர்தர் சாமுவேல் முதன்முறையாக “machine learning” (இயந்திரக் கற்றல்) என்ற 용ரை ஒரு முக்கிய கட்டுரையில் பயன்படுத்தினார், இதில் கணினிகள் கற்றுக்கொண்டு தங்களது விளையாட்டு திறனை மேம்படுத்த முடியும் என்பதை விளக்கியார். இத்தகைய முன்னேற்றங்கள் வலுவான நம்பிக்கையை உருவாக்கின: சில தசாப்தங்களில், இயந்திரங்கள் மனிதர்களைப் போல அறிவாற்றல் பெறும் என்று முன்னோடிகள் நம்பினர்.

1960கள்: முதல் முன்னேற்றங்கள்

1960களில், 人工 நுண்ணறிவு பல முக்கிய திட்டங்கள் மற்றும் கண்டுபிடிப்புகளுடன் வளர்ச்சி தொடர்ந்தது. பல புகழ்பெற்ற பல்கலைக்கழகங்களில் (MIT, ஸ்டான்ஃபோர்ட், கார்னெகி மெலன்...)人工 நுண்ணறிவு ஆய்வுக்கூடங்கள் நிறுவப்பட்டன, ஆராய்ச்சிக்கான ஆர்வம் மற்றும் நிதி ஆதரவு பெற்றன. கணினிகள் இப்போது பலவிதமான சோதனைகளைச் செய்யக்கூடியவையாக மாறின, 1950களுடன் ஒப்பிடுகையில்.

முக்கிய சாதனையாக முதல் chatbot உருவாக்கப்பட்டது. 1966ஆம் ஆண்டு, MIT இல் ஜோசப் வைசென்பாம் ELIZA என்ற திட்டத்தை உருவாக்கினார், இது ஒரு மனோதத்துவ மருத்துவரின் பேச்சு முறையை பின்பற்றும் உரையாடல் மாதிரி. ELIZA எளிமையாக நிரலாக்கப்பட்டிருந்தாலும் (முக்கிய வார்த்தைகளை அடையாளம் காண்பதற்கும் பதிலளிப்பதற்கும்), பலர் ELIZA உண்மையில் “புரிந்துகொண்டு” உணர்ச்சிகள் கொண்டது என்று தவறாக எண்ணினர். ELIZA வெற்றி நவீன chatbotகளுக்கு வழிகாட்டியது மற்றும் இயந்திரங்களுக்கு மனித உணர்ச்சிகளை ஒதுக்குவது பற்றிய கேள்விகளை எழுப்பியது.

அதே நேரத்தில், முதல் அறிவாற்றல் ரோபோட் உருவானது. 1966-1972 காலத்தில், ஸ்டான்ஃபோர்ட் ஆராய்ச்சி நிறுவனம் (SRI) Shakey என்ற தானாக உணர்ந்து செயல்படும் முதல் இயக்கக்கூடிய ரோபோட்டை உருவாக்கியது. Shakey சென்சார்கள் மற்றும் கேமராக்களுடன் சுழற்சி செய்து, தன்னிச்சையாக சுற்றி நடக்கவும், தடைகளை தள்ளவும், ஏறவும் முடியும். இது கணினி பார்வை, இயற்கை மொழி செயலாக்கம் மற்றும் திட்டமிடல் ஆகியவற்றை ஒருங்கிணைத்த முதல் அமைப்பாகும், பின்னர் ரோபோட்டிக்ஸ்人工 நுண்ணறிவு துறைக்கு அடித்தளமாக அமைந்தது.

American Association of Artificial Intelligence (AAAI) இந்த காலகட்டத்தில் (1969இல் IJCAI மாநாடு மற்றும் 1980இல் AAAI நிறுவல்) உருவாக்கப்பட்டது, இது 人工 நுண்ணறிவு ஆராய்ச்சியாளர்களின் சமூகத்தை வளர்த்தது.

மேலும், 1960கள் நிபுணர் அமைப்புகள் மற்றும் அடிப்படை ஆல்காரிதம்களின் வளர்ச்சியையும் பதிவு செய்தது. 1965ஆம் ஆண்டு, எட்வர்ட் ஃபெய்கன்பாம் மற்றும் குழுவினர் DENDRAL என்ற முதல் நிபுணர் அமைப்பை உருவாக்கினர். இது வேதியியல் ஆராய்ச்சியாளர்களுக்கு பரிசோதனை தரவுகளிலிருந்து மூலக்கூறுகளின் அமைப்பை பகுப்பாய்வு செய்ய உதவியது, நிபுணர்களின் அறிவையும் சிந்தனையையும் மாதிரியாக்கியது. DENDRAL வெற்றி சிக்கலான நிபுணத்துவ பிரச்சனைகளை கணினிகள் தீர்க்க முடியும் என்பதை நிரூபித்தது, 1980களில் நிபுணர் அமைப்புகளின் வெற்றிக்கு அடித்தளமாக இருந்தது.

மேலும், 1972ஆம் ஆண்டு மார்செயில் பல்கலைக்கழகத்தில் Prolog என்ற 人工 நுண்ணறிவு தர்க்க நிரலாக்க மொழி உருவாக்கப்பட்டது, இது தர்க்கம் மற்றும் தொடர்பு விதிகளின் அடிப்படையில் AI அணுகுமுறையை திறந்தது. 1969ஆம் ஆண்டு, மார்வின் மின்ஸ்கி மற்றும் செய்மோர் பாபர்ட் “Perceptrons” என்ற புத்தகத்தை வெளியிட்டனர், இது ஒரு அடுக்கு perceptron மாதிரியின் கணித வரம்புகளை (எளிய XOR பிரச்சனையை தீர்க்க முடியாது) வெளிப்படுத்தியது, இதனால் நரம்பு வலைப்பின்னல் துறைக்கு பெரிய சந்தேகம் ஏற்பட்டது.

பல நிதியுதவி வழங்குநர்கள் நரம்பு வலைப்பின்னலின் கற்றல் திறனில் நம்பிக்கை இழந்தனர், மற்றும் 1960களின் இறுதியில் நரம்பு வலைப்பின்னல் ஆராய்ச்சி குறைந்தது. இது 人工 நுண்ணறிவு ஆர்வத்தின் முதல் “குளிர்கால” அறிகுறி ஆகும்.

1970கள்: சவால்கள் மற்றும் முதல் “人工 நுண்ணறிவு குளிர்காலம்”

1970களில்,人工 நுண்ணறிவு உண்மையான சவால்களை எதிர்கொண்டது: 1960களில் இருந்த பெரிய எதிர்பார்ப்புகள் கணினி சக்தி, தரவு மற்றும் அறிவியல் புரிதலின் குறைபாடுகளால் நிறைவேறவில்லை. இதனால் 人工 நுண்ணறிவுக்கு நம்பிக்கை மற்றும் நிதி ஆதரவு 1970களின் நடுப்பகுதியில் கடுமையாக குறைந்தது – இது முதல் “人工 நுண்ணறிவு குளிர்காலம்” என அழைக்கப்படுகிறது.

1973ஆம் ஆண்டு, சர் ஜேம்ஸ் லைட்ஹில் “Artificial Intelligence: A General Survey” என்ற கடுமையான மதிப்பாய்வுக் கட்டுரையை வெளியிட்டார், இதில்人工 நுண்ணறிவு ஆராய்ச்சியின் முன்னேற்றம் குறைவாக உள்ளது என்று கூறினார். லைட்ஹில் அறிக்கை ஆராய்ச்சியாளர்கள் “மிகவும் வாக்குறுதி அளித்தாலும், குறைவாகவே சாதித்துள்ளனர்” என்று முடிவெடுத்தது, குறிப்பாக கணினிகள் மொழி மற்றும் பார்வையை எதிர்பார்ப்புக்கு ஏற்ப புரிந்துகொள்ளவில்லை என்று விமர்சனம் செய்தது.

இந்த அறிக்கை பிரிட்டன் அரசு人工 நுண்ணறிவுக்கான பெரும்பாலான நிதியுதவியை நிறுத்தியது. அமெரிக்காவில் DARPA போன்ற நிதியுதவி நிறுவனங்கள் மற்ற நடைமுறை திட்டங்களுக்கு மாறின. இதனால் 1970களின் நடுப்பகுதி முதல் 1980களின் தொடக்கம் வரை 人工 நுண்ணறிவு துறையில் பெரும்பாலும்停滞 ஏற்பட்டது, முக்கிய முன்னேற்றங்கள் மற்றும் நிதி ஆதரவு குறைந்தது. இதுவே “人工 நுண்ணறிவு குளிர்காலம்” – 1984ஆம் ஆண்டு உருவான 용ர் – ஆகும்.

கடின சூழல் இருந்தாலும், 1970களில் சில ஒளிரும் முனைகள் இருந்தன. நிபுணர் அமைப்புகள் கல்வி சூழலில் வளர்ந்தன, குறிப்பாக 1974ஆம் ஆண்டு டெட் ஷார்ட்லிஃப் உருவாக்கிய MYCIN – இது ஸ்டான்ஃபோர்டில் உருவான மருத்துவ ஆலோசனை நிபுணர் அமைப்பு, இரத்த தொற்றுநோய்களை கண்டறிய உதவியது. MYCIN விதி அடிப்படையிலான தீர்மானங்களை வழங்கி, உயர் துல்லியத்துடன் செயல்பட்டது, நிபுணர் அமைப்புகளின் நடைமுறை மதிப்பை நிரூபித்தது.

மேலும், 1972இல் அறிமுகமான Prolog மொழி மொழி செயலாக்க மற்றும் தர்க்க பிரச்சனைகளுக்கு பயன்படுத்தப்பட்டது,人工 நுண்ணறிவில் தர்க்கம் மற்றும் தொடர்பு விதிகளின் அடிப்படையில் அணுகுமுறையை வழங்கியது. 1979ஆம் ஆண்டு, ஸ்டான்ஃபோர்டில் உருவான Stanford Cart – தடைகள் நிறைந்த அறையில் தானாக இயக்கக்கூடிய முதல் ரோபோட் – உருவானது, இது தொலைநிலை இயக்கம் இல்லாமல் இயங்கியது. இது தானாக இயக்கும் வாகனங்கள் ஆராய்ச்சிக்கு அடித்தளமாக இருந்தது.

மொத்தத்தில், 1970களின் இறுதியில் 人工 நுண்ணறிவு ஆராய்ச்சி சிதறல் நிலைக்கு வந்தது. பல人工 நுண்ணறிவு விஞ்ஞானிகள் புள்ளியியல் இயந்திரக் கற்றல், ரோபோட்டிக்ஸ் மற்றும் கணினி பார்வை போன்ற தொடர்புடைய துறைகளுக்கு மாறினர்.

人工 நுண்ணறிவு 1960களில் இருந்த “பிரகாசமான நட்சத்திரம்” அல்லாமல், குறைந்த முன்னேற்றம் கொண்ட சிறிய துறையாக மாறியது. இந்த காலம் 人工 நுண்ணறிவு சிக்கலானது என்பதை உணர்த்தியது, மேலும் பழைய தர்க்க மாதிரிகள் மட்டுமே போதாது, புதிய அடிப்படையான அணுகுமுறைகள் தேவை என்பதையும் உணர்த்தியது.

1980கள்: நிபுணர் அமைப்புகள் – எழுச்சி மற்றும் வீழ்ச்சி

1980களின் தொடக்கத்தில்,人工 நுண்ணறிவு மீண்டும் எழுச்சியடைந்தது – சில நேரங்களில் “人工 நுண்ணறிவு மறுபிறப்பு” என அழைக்கப்படுகிறது. இந்த எழுச்சிக்கு நிபுணர் அமைப்புகளின் வணிக வெற்றி மற்றும் அரசு மற்றும் தொழில்துறை முதலீட்டின் மீண்டும் அதிகரிப்பு காரணமாக இருந்தது. கணினிகள் வலுவடைந்து, குறுகிய துறைகளில்人工 நுண்ணறிவு யதார்த்தமாக்கப்படலாம் என்று நம்பிக்கை ஏற்பட்டது.

பெரிய இயக்கியாக வணிக நிபுணர் அமைப்புகள் இருந்தன. 1981ஆம் ஆண்டு, Digital Equipment Corporation XCON (Expert Configuration) என்ற அமைப்பை அறிமுகப்படுத்தியது – இது கணினி அமைப்புகளை வடிவமைக்க உதவியது, நிறுவனத்திற்கு கோடிக்கணக்கான டாலர் சேமிப்பை ஏற்படுத்தியது. XCON வெற்றி வணிகங்களில் நிபுணர் அமைப்புகளின் வளர்ச்சியை ஊக்குவித்தது. பல தொழில்துறை நிறுவனங்கள் “நிபுணர் அமைப்பு ஷெல்” உருவாக்கி, வணிகங்கள் தங்களுக்கேற்ற அமைப்புகளை உருவாக்க உதவினர்.

Lisp மொழி மற்றும் Lisp இயந்திரங்கள் (Lisp machine) 1980களில் அறிமுகமானன – இது AI திட்டங்களை இயக்க சிறப்பு ஹார்ட்வேர். 1980களின் தொடக்கத்தில், Lisp இயந்திரங்கள் உருவானது (Symbolics, Lisp Machines Inc.) முதலீட்டில் வெள்ளம் ஏற்படுத்தியது, இது “Lisp இயந்திர காலம்” என அழைக்கப்பட்டது.

பெரும் அரசுகள் இந்த காலத்தில் 人工 நுண்ணறிவுக்கு பெரும் நிதி வழங்கின. 1982ஆம் ஆண்டு, ஜப்பான் 8.5 பில்லியன் டாலர் நிதியுடன் 5வது தலைமுறை கணினி திட்டத்தை தொடங்கியது, இது தர்க்கம் மற்றும் Prolog பயன்படுத்தி அறிவாற்றல் கணினிகளை உருவாக்கும் நோக்கத்துடன் இருந்தது. அதேபோல், அமெரிக்கா (DARPA) ஜப்பானுடன் தொழில்நுட்ப போட்டியில் AI ஆராய்ச்சிக்கு அதிக நிதி வழங்கியது. இந்த திட்டங்கள் நிபுணர் அமைப்புகள், இயற்கை மொழி செயலாக்கம் மற்றும் அறிவுத்தளம் ஆகியவற்றில் கவனம் செலுத்தின, மிகவும் திறமையான கணினிகளை உருவாக்க நோக்கமாக இருந்தன.

இந்த புதிய எழுச்சியில், செயற்கை நரம்பு வலைப்பின்னல்கள் மறைமுகமாக மீண்டும் உயிர்ப்பெற்றன. 1986ஆம் ஆண்டு, ஜியோஃப்ரி ஹிண்டன் மற்றும் குழுவினர் Backpropagation (பின்னோட்ட பரவல்) என்ற ஆல்காரிதத்தை வெளியிட்டனர் – இது பல அடுக்கு நரம்பு வலைப்பின்னல்களை பயிற்றுவிக்க சிறந்த முறையாகும், 1969ஆம் ஆண்டு வெளியான Perceptrons புத்தகத்தில் குறிப்பிடப்பட்ட குறைகளைத் தீர்க்கிறது.

பின்னோட்ட பரவல் கொள்கை 1970களில் முன்மொழியப்பட்டிருந்தாலும், 1980களின் நடுப்பகுதியில் கணினி சக்தி அதிகரித்ததால் முழுமையாக பயன்படுத்தப்பட்டது. Backpropagation ஆல்காரிதம் இரண்டாவது நரம்பு வலைப்பின்னல் ஆராய்ச்சி அலைக்கு ஊக்கம் அளித்தது. இப்போது, ஆழ்ந்த நரம்பு வலைப்பின்னல்கள் சிக்கலான மாதிரிகளை கற்றுக்கொள்ள முடியும் என்ற நம்பிக்கை உருவானது, இது பின்னர் ஆழ்ந்த கற்றல் (deep learning)க்கு அடித்தளமாகியது.

பிரான்ஸ் Yann LeCun, கனடா Yoshua Bengio போன்ற இளம் ஆராய்ச்சியாளர்கள் இந்த நரம்பு வலைப்பின்னல் இயக்கத்தில் கலந்து கொண்டு, 1980களின் இறுதியில் கை எழுத்து அடையாளம் காணும் மாதிரிகளை வெற்றிகரமாக உருவாக்கினர்.

ஆனால், 人工 நுண்ணறிவின் இரண்டாவது எழுச்சி நீண்ட காலம் நிலைத்திருக்கவில்லை. 1980களின் இறுதியில், எதிர்பார்ப்புகளை பூர்த்தி செய்யாததால் AI துறையில் மீண்டும் நெருக்கடி ஏற்பட்டது. நிபுணர் அமைப்புகள் சில குறுகிய பயன்பாடுகளில் பயனுள்ளதாக இருந்தாலும், அவை கடுமையானவை, விரிவாக்கம் கடினம் மற்றும் அறிவுத்தளங்களை கையேடு முறையில் புதுப்பிக்க வேண்டியது போன்ற குறைகள் இருந்தன.

பல பெரிய நிபுணர் அமைப்பு திட்டங்கள் தோல்வியடைந்தன, Lisp இயந்திர சந்தையும் தனியார் கணினிகளால் போட்டியிடப்பட்டு வீழ்ச்சி அடைந்தது. 1987ஆம் ஆண்டு, Lisp தொழில் துறையில் பெரும்பாலும் நஷ்டம் அடைந்தது. 人工 நுண்ணறிவு இரண்டாவது நிதி குறைப்பு 1980களின் இறுதியில் ஏற்பட்டது, இது இரண்டாவது “人工 நுண்ணறிவு குளிர்காலம்”க்கு வழிவகுத்தது. 1984ஆம் ஆண்டு உருவான “AI winter” 용ர் 1987-88இல் பல AI நிறுவனங்கள் மூடப்பட்டதால் பொருந்தியது. மீண்டும், 人工 நுண்ணறிவு துறை வீழ்ச்சிக்குள் நுழைந்தது, ஆராய்ச்சியாளர்கள் தங்கள் எதிர்பார்ப்புகளையும் திட்டங்களையும் திருத்த வேண்டிய நிலை ஏற்பட்டது.

சுருக்கமாக, 1980கள் 人工 நுண்ணறிவின் எழுச்சி மற்றும் வீழ்ச்சியின் சுழற்சியை குறிக்கிறது. நிபுணர் அமைப்புகள்人工 நுண்ணறிவை தொழில்துறையில் முதன்முறையாக கொண்டு வந்தன, ஆனால் நிலையான விதிகளின் அடிப்படையிலான அணுகுமுறையின் வரம்புகளை வெளிப்படுத்தின. இருப்பினும், இந்த காலம் முக்கிய கருத்துக்களையும் மதிப்புமிக்க கருவிகளையும் உருவாக்கியது: நரம்பு ஆல்காரிதங்கள் முதல் முதன்மை அறிவுத்தளங்கள் வரை. அதிகப்படியான எதிர்பார்ப்புகளை தவிர்க்கும் பாடங்களும் கற்றுக்கொள்ளப்பட்டு, அடுத்த தசாப்தத்தில் கவனமாக முன்னேறுவதற்கான அடித்தளமாக அமைந்தது.

1990கள்:人工 நுண்ணறிவு நடைமுறைக்கு திரும்பியது

1980களின் இறுதியில் ஏற்பட்ட 人工 நுண்ணறிவு குளிர்காலத்துக்குப் பிறகு, 1990களில் 人工 நுண்ணறிவில் நம்பிக்கை மீண்டும் வளர்ந்தது, பல நடைமுறை முன்னேற்றங்களால். மிகவும் சக்திவாய்ந்த AI (பொதுவான人工 நுண்ணறிவு)க்கு பதிலாக, ஆராய்ச்சியாளர்கள் குறைந்த சக்தி கொண்ட AI – குறிப்பிட்ட பிரச்சனைகளுக்கு AI தொழில்நுட்பங்களை பயன்படுத்துதல் – மீது கவனம் செலுத்தினர், இது சிறந்த முடிவுகளைத் தரத் தொடங்கியது. பல 人工 நுண்ணறிவு துணை துறைகள் (குரல் அடையாளம், கணினி பார்வை, தேடல் ஆல்காரிதங்கள், அறிவுத்தளம்...) தனித்தனியாக வளர்ந்து, பரவலாக பயன்படுத்தப்பட்டன.

முக்கிய மைல் கல் 1997 மே மாதம், IBM இன் Deep Blue கணினி உலக சதுரங்க சாம்பியன் காரி காஸ்பரோவ்வை ஒரு அதிகாரப்பூர்வ போட்டியில் தோற்கடித்தது. இது முதன்முறையாக ஒரு AI அமைப்பு சிக்கலான அறிவாற்றல் விளையாட்டில் உலக சாம்பியனை வென்றது, பெரும் அதிர்ச்சியை ஏற்படுத்தியது.

Deep Blue வெற்றி பிரூட்-போர்ஸ் தேடல் ஆல்காரிதம் மற்றும் திறமையான திறன்கள் கொண்ட திறந்த நிலை தரவுத்தளத்தை பயன்படுத்தியது, இது கணினி சக்தி மற்றும் சிறப்பு தொழில்நுட்பங்களின் வலிமையை வெளிப்படுத்தியது. இது 人工 நுண்ணறிவு மீண்டும் ஊடகங்களில் பிரபலமானது, பல ஆண்டுகளுக்குப் பிறகு ஆராய்ச்சியில் ஆர்வத்தை மீண்டும் எழுப்பியது.

சதுரங்கத்திலேயே அல்லாமல், 1990களில் 人工 நுண்ணறிவு பல துறைகளிலும் முன்னேற்றம் கண்டது. 1994ஆம் ஆண்டு, Chinook என்ற திட்டம் டிராஃப்ட்ஸ் (cờ đam) விளையாட்டை முழுமையாக தீர்த்து, உலக சாம்பியனும் கணினியைத் தோற்கடிக்க முடியாது என்று ஒப்புக்கொண்டார்.

குரல் அடையாளம் துறையில், Dragon Dictate (1990) போன்ற வணிக அமைப்புகள் தோன்றின, மற்றும் 1990களின் இறுதிக்குள் குரல் அடையாள மென்பொருள் தனிப்பட்ட கணினிகளில் பரவியது. கை எழுத்து அடையாளம் PDA (தனிப்பட்ட உதவியாளர்) சாதனங்களில் ஒருங்கிணைக்கப்பட்டு, துல்லியத்திலும் முன்னேற்றம் கண்டது.

கணினி பார்வை பயன்பாடுகள் தொழில்துறையில் பரவின, பாகங்கள் ஆய்வு மற்றும் பாதுகாப்பு அமைப்புகள் போன்றவற்றில். மொழி மொழிபெயர்ப்பு – 1960களில்人工 நுண்ணறிவை சிரமப்படுத்திய துறை – SYSTRAN போன்ற அமைப்புகளால் முன்னேற்றம் கண்டது, இது பல மொழிகளுக்கு தானாக மொழிபெயர்ப்பு செய்ய உதவியது.

மற்றொரு முக்கிய துறை புள்ளியியல் இயந்திரக் கற்றல் மற்றும் நரம்பு வலைப்பின்னல்கள் பெரிய தரவுகளை பயன்படுத்தி செயல்பட்டன. 1990களின் இறுதியில் இணையத்தின் விரிவாக்கத்துடன், இணைய தரவுகளின் பெரும் தொகை கிடைத்தது. தரவு சுரண்டல் (data mining) மற்றும் machine learning ஆல்காரிதங்கள் (மரங்கள், நரம்பு வலைப்பின்னல்கள், மறைமுக மார்கோவ் மாதிரிகள்) இணைய தரவுகளை பகுப்பாய்வு செய்து, தேடல் மற்றும் தனிப்பயன் உள்ளடக்கங்களை மேம்படுத்த பயன்படுத்தப்பட்டன.

“தரவு அறிவியல்” 용ர் பரவலாகப் பயன்படுத்தப்படவில்லை, ஆனால் உண்மையில் 人工 நுண்ணறிவு பல மென்பொருள் அமைப்புகளில் உள்ளடக்கப்பட்டு, பயனர் தரவிலிருந்து கற்றுக்கொண்டு செயல்திறனை மேம்படுத்தியது (எ.கா., மின்னஞ்சல் ஸ்பாம் வடிகட்டிகள், வணிக பரிந்துரைகள்). இத்தகைய சிறிய வெற்றிகள் 人工 நுண்ணறிவின் நம்பிக்கையை மீண்டும் நிறுவின.

மொத்தத்தில், 1990கள் 人工 நுண்ணறிவு மெதுவாக ஆனால் உறுதியான முறையில் வாழ்க்கையில் நுழைந்தது. பெரிய அறிவாற்றல் குறித்த பிரகடனங்களுக்குப் பதிலாக, சிறு பிரச்சனைகளுக்கு தீர்வுகள் வழங்கப்பட்டன. இதன் விளைவாக, 20ஆம் நூற்றாண்டின் இறுதியில் பல தொழில்நுட்ப தயாரிப்புகளில்人工 நுண்ணறிவு இருந்தது, ஆனால் பயனர்கள் அதனை அடிக்கடி உணரவில்லை – விளையாட்டுகள், மென்பொருட்கள் மற்றும் மின்னணு சாதனங்கள். இந்த காலம் தரவு மற்றும் ஆல்காரிதங்களுக்கான அடித்தளத்தை உருவாக்கியது, அடுத்த தசாப்தத்தில்爆発த்திற்கு வழிவகுத்தது.

2000கள்: இயந்திரக் கற்றலும் பெரிய தரவு காலமும்

21ஆம் நூற்றாண்டில், இணையம் மற்றும் பெரிய தரவு காலம் காரணமாக人工 நுண்ணறிவு வலுவடைந்தது. 2000களில் தனிப்பட்ட கணினிகள், இணையம் மற்றும் சென்சார் சாதனங்கள்爆発மாக வளர்ந்து, பெரும் தரவு தொகை உருவானது. இயந்திரக் கற்றல் (machine learning) – குறிப்பாக மேற்பார்வை கற்றல் முறைகள் – இந்த “தரவு தங்கத்துக்கான” முக்கிய கருவியாக மாறின.

“தரவு புதிய எண்ணெய்” என்ற வாசகம் பிரபலமானது, ஏனெனில் தரவு அதிகமாகும் போது,人工 நுண்ணறிவு ஆல்காரிதங்கள் துல்லியமாக கற்றுக்கொள்கின்றன. பெரிய தொழில்நுட்ப நிறுவனங்கள் பயனர் தரவிலிருந்து கற்றுக்கொண்டு தயாரிப்புகளை மேம்படுத்தும் அமைப்புகளை உருவாக்கின: கூகுள் மேம்பட்ட தேடல், அமேசான் வாங்கும் பரிந்துரைகள், நெட்பிளிக்ஸ் திரைப்பட பரிந்துரைகள். 人工 நுண்ணறிவு இப்போது பல்வேறு டிஜிட்டல் தளங்களின் “மூளை” ஆகி உள்ளது.

2006ஆம் ஆண்டு, ஸ்டான்ஃபோர்ட் பல்கலைக்கழக பேராசிரியர் ஃபெய்-ஃபெய் லி ImageNet திட்டத்தை தொடங்கினார் – இது 14 மில்லியன் க்கும் மேற்பட்ட படங்களுடன் கூடிய பெரிய தரவுத்தளம். 2009இல் அறிமுகமான ImageNet கணினி பார்வை ஆல்காரிதங்களை பயிற்றுவிக்கவும் மதிப்பிடவும் பயன்படுத்தப்படும் தரவுத்தளமாக மாறியது, குறிப்பாக படங்களில் பொருட்களை அடையாளம் காணும் துறையில்.

ImageNet “டோப்பிங்” போல人工 நுண்ணறிவு ஆழ்ந்த கற்றலை ஊக்குவித்தது, ஏனெனில் இது சிக்கலான ஆழ்ந்த கற்றல் மாதிரிகளுக்கு போதுமான தரவை வழங்கியது. 2010 முதல் ஆண்டுதோறும் நடைபெறும் ImageNet Challenge முக்கிய போட்டியாக மாறி, சிறந்த பட அடையாள ஆல்காரிதங்களை உருவாக்கும் குழுக்களை ஊக்குவித்தது. இத்தகைய போட்டியில் 2012ஆம் ஆண்டு ஒரு முக்கிய மாற்றம் நிகழ்ந்தது (பின்வரும் 2010கள் பகுதியைப் பார்க்கவும்).

2000களில்,人工 நுண்ணறிவு பல முக்கிய பயன்பாட்டு முன்னேற்றங்களை அடைந்தது:

• 2005 ஆம் ஆண்டு, ஸ்டான்ஃபோர்ட் தானாக இயக்கும் வாகனம் (“Stanley”) DARPA Grand Challenge என்ற 212 கி.மீ. பாலைவன சவாலை வென்றது. ஸ்டான்லி 6 மணி 53 நிமிடங்களில் பயணம் முடித்து, தானாக இயக்கும் வாகனங்களுக்கான புதிய காலத்தை தொடங்கியது மற்றும் கூகுள், உபர் முதலிய நிறுவனங்களின் முதலீட்டை ஈர்த்தது.
• மொபைல் தொலைபேசிகளில் குரல் உதவியாளர்கள் தோன்றின: 2008இல் Google Voice Search iPhone இல் குரல் தேடலை வழங்கியது; 2011இல் Apple Siri அறிமுகமானது – இது குரல் கட்டுப்பாட்டுடன் செயல்படும் குரல் உதவியாளர். Siri குரல் அடையாளம், இயற்கை மொழி புரிதல் மற்றும் வலை சேவைகளை இணைத்து, 人工 நுண்ணறிவு பொதுமக்களுக்கு முதன்முறையாக அணுகியது.
• 2011 ஆம் ஆண்டு, IBM இன் Watson அமெரிக்க தொலைக்காட்சி Jeopardy! விளையாட்டில் இரண்டு உலக சாம்பியன்களை தோற்கடித்தது. Watson சிக்கலான ஆங்கில கேள்விகளை புரிந்து, பெரிய தரவுத்தளத்திலிருந்து பதில்களை கண்டுபிடித்தது, இயற்கை மொழி செயலாக்கம் மற்றும் தகவல் தேடலில்人工 நுண்ணறிவின் வலிமையை வெளிப்படுத்தியது. இது கணினிகள் பெரும் அறிவுத்தளத்தில் “அறிவும்” மற்றும் “திறமையும்” கொண்டிருக்க முடியும் என்பதை நிரூபித்தது.
• சமூக வலைதளங்கள் மற்றும் வலை: Facebook 2010க்குள் தானாக முகம் அடையாளம் காணும் அம்சத்தை அறிமுகப்படுத்தியது, இது பயனர் படங்களின் தரவுகளால் இயந்திரக் கற்றலை பயன்படுத்தியது. YouTube மற்றும் Google உள்ளடக்க வடிகட்டல் மற்றும் வீடியோ பரிந்துரைகளை AI மூலம் செய்தன. இயந்திரக் கற்றல் பின்னணியில் இயங்கி, பயனர் அனுபவத்தை மிகவும் மேம்படுத்தியது, பயனர்கள் அதனை உணராமல்.

மொத்தத்தில், 2000களின் 人工 நுண்ணறிவின் முக்கிய இயக்கி தரவு மற்றும் பயன்பாடுகள் ஆகும். பாரம்பரிய இயந்திரக் கற்றல் ஆல்காரிதங்கள் (பின்விளைவுக் கோட்பாடு, SVM, மரங்கள்) பெரிய அளவில் பயன்படுத்தப்பட்டு நடைமுறை விளைவுகளை வழங்கின.

人工 நுண்ணறிவு ஆராய்ச்சி துறையிலிருந்து தொழில்துறைக்கு மிகுந்த மாற்றம் ஏற்பட்டது: “தொழில்துறை人工 நுண்ணறிவு” முக்கிய தலைப்பாக மாறி, பல நிறுவனங்கள் மேலாண்மை, நிதி, சந்தைப்படுத்தல் போன்ற துறைகளில் AI தீர்வுகளை வழங்கத் தொடங்கின. 2006இல் “தொழில்துறை人工 நுண்ணறிவு” 용ர் அறிமுகமாகி, வணிக செயல்திறன் மற்றும் முடிவெடுப்பை மேம்படுத்த AI பயன்படுத்தப்படுவதாக வலியுறுத்தப்பட்டது.

2000களின் இறுதியில் ஆழ்ந்த கற்றல் புரட்சியின் ஆரம்பம் நிகழ்ந்தது. பல அடுக்கு நரம்பு வலைப்பின்னல்கள் தொடர்ந்து வளர்ந்தன. 2009இல், ஸ்டான்ஃபோர்ட் பல்கலைக்கழகத்தில் ஆண்ட்ரூ எங் மற்றும் குழு GPU (கிராபிக்ஸ் செயலி) பயன்படுத்தி நரம்பு வலைப்பின்னல்களை CPUஐவிட 70 மடங்கு வேகமாக பயிற்றுவித்தனர்.

GPU-வின் ஒத்திசைவு கணக்கீட்டு திறன் நரம்பு வலைப்பின்னலின் மடங்கு கணக்கீடுகளுக்கு மிகவும் பொருத்தமானது, இது 2010களில் பெரிய ஆழ்ந்த கற்றல் மாதிரிகளை பயிற்றுவிப்பதற்கான வழியைத் திறந்தது. பெரிய தரவு, வலுவான ஹார்ட்வேர் மற்றும் மேம்பட்ட ஆல்காரிதங்கள் தயாராகி, புதிய人工 நுண்ணறிவு புரட்சிக்கு தயாராக இருந்தன.

2010கள்: ஆழ்ந்த கற்றல் புரட்சி (Deep Learning)

人工 நுண்ணறிவு உண்மையில் “பறக்கத் தொடங்கியது” என்றால், அது 2010களே ஆகும். கடந்த தசாப்தத்தின் தரவு மற்றும் ஹார்ட்வேர் அடித்தளத்துடன், 人工 நுண்ணறிவு ஆழ்ந்த கற்றல் (deep learning) காலத்திற்கு நுழைந்தது – பல அடுக்கு நரம்பு வலைப்பின்னல்கள் பல்வேறு AI பணிகளில் பெரும் சாதனைகளை அடைந்தன, எல்லா சாதனைகளிலும் சாதனை படைத்தன. “மனித மூளையைப் போல கற்றுக்கொள்ளும் இயந்திரம்” என்ற கனவு சில அளவுக்கு நிஜமாகியது.

2012ஆம் ஆண்டு, ஜியோஃப்ரி ஹிண்டன் மற்றும் அவரது மாணவர்கள் (அலெக்ஸ் கிரிசெவ்ஸ்கி, இல்யா சுட்ஸ்கெவர்) ImageNet Challenge போட்டியில் பங்கேற்றனர். அவர்களின் மாதிரி – AlexNet – 8 அடுக்கு கன்வலூஷனல் நரம்பு வலைப்பின்னல், GPUயில் பயிற்றுவிக்கப்பட்டது. முடிவாக, AlexNet மிகவும் துல்லியமானது, இரண்டாம் இடத்தைப் பெற்ற அணியைவிட பாதி தவறுகளுடன் குறைந்தது.

இந்த வெற்றி கணினி பார்வை சமூகத்தில் அதிர்ச்சியை ஏற்படுத்தி, ஆழ்ந்த கற்றல் “கோலாக்” ஆரம்பமாகியது. அடுத்த சில ஆண்டுகளில், பாரம்பரிய பட அடையாள முறைகள் பெரும்பாலும் ஆழ்ந்த கற்றல் மாதிரிகளால் மாற்றப்பட்டன.

AlexNet வெற்றி காட்டியது, போதுமான தரவு (ImageNet) மற்றும் கணக்கீடு (GPU) இருந்தால், ஆழ்ந்த நரம்பு வலைப்பின்னல்கள் மற்ற AI தொழில்நுட்பங்களைவிட சிறந்தவை. ஹிண்டன் மற்றும் குழுவினர் கூகுளுக்கு அழைக்கப்பட்டனர், மற்றும் ஆழ்ந்த கற்றல் AI ஆராய்ச்சியில் மிக முக்கியமான தலைப்பாக மாறியது.

ஆழ்ந்த கற்றல் கணினி பார்வையை மட்டுமல்லாமல், குரல் அடையாளம், மொழி செயலாக்கம் மற்றும் பல துறைகளிலும் புரட்சியினை ஏற்படுத்தியது. 2012இல், Google Brain (ஆண்ட்ரூ எங் மற்றும் ஜெஃப் டீன் திட்டம்) YouTube வீடியோக்களை தானாக கற்றுக்கொண்டு “பூனை” என்ற கருத்தை கண்டுபிடித்தது, முன்கூட்டியே லேபிள் இல்லாமல்.

2011-2014 காலத்தில், Siri, Google Now (2012), Microsoft Cortana (2014) போன்ற குரல் உதவியாளர்கள் தோன்றின, குரல் அடையாளம் மற்றும் இயற்கை மொழி புரிதலில் முன்னேற்றங்களை பயன்படுத்தி. உதாரணமாக, 2017இல் Microsoft குரல் அடையாள அமைப்பு மனிதர்களுக்கு சமமான துல்லியத்தை அடைந்தது, பெரும்பாலும் ஆழ்ந்த நரம்பு வலைப்பின்னல்களை பயன்படுத்தியது. மொழிபெயர்ப்பில், 2016இல் Google Translate நரம்பு வலைப்பின்னல் அடிப்படையிலான மொழிபெயர்ப்பு (NMT)க்கு மாறி, பழைய புள்ளியியல் முறையைவிட தரம் மேம்பட்டது.

மற்றொரு முக்கிய நிகழ்வு சதுரங்க விளையாட்டில்人工 நுண்ணறிவு வெற்றி – இது முன்னர் மிக தொலைவான கனவாக கருதப்பட்டது. 2016 மார்ச், DeepMind இன் AlphaGo உலகின் சிறந்த குரோ கிங் வீரர் லி சேடோல் ஐ 4-1 என்ற கணக்கில் தோற்கடித்தது. குரோ கிங் சதுரங்கத்தைவிட மிகவும் சிக்கலானது, அதில் அனைத்து நகர்வுகளையும் brute-force முறையில் கணக்கிட முடியாது. AlphaGo ஆழ்ந்த கற்றலும் Monte Carlo Tree Search ஆல்காரிதமும் பயன்படுத்தி, மனிதர்களின் கோ பல மில்லியன் வினாக்களை கற்றுக்கொண்டு, தானாக விளையாடியது.

இந்த வெற்றி 1997இல் Deep Blue-காஸ்பரோவ் போட்டியுடன் ஒப்பிடப்படுகிறது, 人工 நுண்ணறிவு மனிதர்களைத் தாண்டி உணர்வு மற்றும் அனுபவம் தேவைப்படும் துறைகளிலும் சிறந்து விளங்க முடியும் என்பதை உறுதிப்படுத்தியது. AlphaGoக்கு பிறகு, DeepMind AlphaGo Zero (2017) உருவாக்கியது, இது மனித தரவின்றி முழுமையாக தானாக கற்றுக்கொண்டு பழைய பதிப்பை 100-0 என்ற கணக்கில் தோற்கடித்தது. இது ஆழ்ந்த கற்றல் மற்றும் பலவகை கற்றல் (reinforcement learning) இணைந்து மிக உயர்ந்த திறனை அடைய முடியும் என்பதை காட்டியது.

2017இல், மொழி செயலாக்கத்தில் ஒரு முக்கிய கண்டுபிடிப்பு: Transformer கட்டமைப்பு. கூகுள் ஆராய்ச்சியாளர்கள் “Attention Is All You Need” என்ற கட்டுரையில் self-attention என்ற முறையை முன்வைத்து, வாக்கியத்தில் உள்ள வார்த்தைகள் இடையே தொடர்புகளை வரிசைப்படுத்தாமல் கற்றுக்கொள்ள முடியும் என்று கூறினர்.

Transformer பெரிய மொழி மாதிரிகள் (LLM) பயிற்றுவிப்பில் முன்னோடியானது, பழைய வரிசை அடிப்படையிலான (RNN/LSTM) கட்டமைப்புகளைவிட சிறந்தது. இதன் பிறகு, Transformer அடிப்படையிலான பல முன்னேற்றமான மொழி மாதிரிகள் உருவானன: BERT (கூகுள், 2018) – சூழலைப் புரிந்துகொள்ள, மற்றும் GPT (Generative Pre-trained Transformer) OpenAIயால் 2018இல் அறிமுகம்.

இந்த மாதிரிகள் மொழி பணிகளில் சிறந்த முடிவுகளை வழங்கின: வகைப்படுத்தல், கேள்வி பதில், உரை உருவாக்கம். Transformer மொழி மாதிரிகள் 2020களில் பெரிய மொழி மாதிரிகள் போட்டிக்கு அடித்தளமாக இருந்தன.

2010களின் இறுதியில் உருவாக்கும்人工 நுண்ணறிவு (generative AI) தோன்றியது – புதிய உள்ளடக்கங்களை தானாக உருவாக்கும் AI மாதிரிகள். 2014இல், ஐயன் கூட்பெல்லோ மற்றும் குழுவினர் GAN (Generative Adversarial Network) உருவாக்கினர், இது இரண்டு எதிர்மறை நரம்பு வலைப்பின்னல்கள் மூலம் உண்மையான தரவுக்கு ஒத்துள்ள போலி தரவை உருவாக்குகிறது.

GAN மனித முகங்கள் போலியான படங்களை மிக நிஜமாக உருவாக்கும் திறனுடன் (deepfake) பிரபலமானது. அதேபோல், autoencoder வகை (VAE) மற்றும் style transfer மாதிரிகள் உருவாக்கப்பட்டு, படங்கள் மற்றும் வீடியோக்களை புதிய முறையில் மாற்ற உதவின.

2019இல் OpenAI GPT-2 – 1.5 பில்லியன் அளவுகோளுடன் உரை உருவாக்கும் மாதிரி – அறிமுகப்படுத்தியது, இது மனிதர்களைப் போல நீண்ட உரைகளை உருவாக்கும் திறன் கொண்டது. இது 人工 நுண்ணறிவு இப்போது வெறும் வகைப்படுத்தல் அல்லது கணிப்பைத் தாண்டி, நம்பகமான உள்ளடக்கத்தை உருவாக்க முடியும் என்பதை வெளிப்படுத்தியது.

2010கள்人工 நுண்ணறிவு எதிர்பார்ப்புகளை மீறி முன்னேற்றம் கண்டது. முன்பு “முடியாத” என்று கருதப்பட்ட பணிகள் (பட அடையாளம், குரல் அடையாளம், மொழிபெயர்ப்பு, சிக்கலான விளையாட்டுகள்) இப்போது人工 நுண்ணறிவு மூலம் மனிதர்களுக்கு சமமாக அல்லது மேல் முடிகிறது.

முக்கியமாக, 人工 நுண்ணறிவு அன்றாட வாழ்க்கையில் நுழைந்துள்ளது: ஸ்மார்ட்போன் கேமராக்கள் தானாக முகம் அடையாளம் காணுதல், Alexa, Google Home போன்ற குரல் உதவியாளர்கள், சமூக வலைதளங்களில் உள்ளடக்க பரிந்துரைகள் அனைத்தும்人工 நுண்ணறிவால் இயங்குகின்றன. இது உண்மையில் 人工 நுண்ணறிவு爆発 காலம், பலர் “人工 நுண்ணறிவு புதிய மின்சாரம்” என அழைக்கின்றனர் – அனைத்து தொழில்களையும் மாற்றும் அடிப்படை தொழில்நுட்பம்.

2020கள்: உருவாக்கும்人工 நுண்ணறிவு爆発 மற்றும் புதிய போக்குகள்

2020களின் ஆரம்ப சில ஆண்டுகளில், 人工 நுண்ணறிவு அதிவேகமாக爆発 அடைந்தது, பெரும்பாலும் உருவாக்கும்人工 நுண்ணறிவு (Generative AI) மற்றும் பெரிய மொழி மாதிரிகள் (LLM) வளர்ச்சியால். இவை நேரடியாக நூற்றுக்கணக்கான மில்லியன் பயனர்களை அணுகி, உருவாக்கும் பயன்பாடுகளின் அலைபாய்ச்சலை ஏற்படுத்தி, சமூகத்தில் ஆழ்ந்த விவாதங்களை தூண்டின.

2020 ஜூன், OpenAI GPT-3 – 175 பில்லியன் அளவுகோளுடன் மிகப்பெரிய மொழி மாதிரி – அறிமுகப்படுத்தியது, இது முன் பெரிய மாதிரிகளுக்கு 10 மடங்கு பெரியது. GPT-3 உரை எழுதுதல், கேள்வி பதில், கவிதை, நிரலாக்கம் போன்றவற்றை மனிதர்களைப் போலச் செய்ய முடியும், சில தவறுகளுடன் இருந்தாலும். GPT-3 வலிமை பெரிய அளவிலான மாதிரி மற்றும் பயிற்சி தரவின் இணைப்பை வெளிப்படுத்தியது. GPT-3 அடிப்படையிலான பயன்பாடுகள் விரைவில் தோன்றின, சந்தைப்படுத்தல் உள்ளடக்கம், மின்னஞ்சல் உதவி, நிரலாக்க உதவி போன்றவை.

2022 நவம்பர்,人工 நுண்ணறிவு பொதுமக்களுக்கு வெளிப்படையாக வந்தது ChatGPT – OpenAI உருவாக்கிய GPT-3.5 அடிப்படையிலான உரையாடல் chatbot. 5 நாட்களில் 1 மில்லியன் பயனர்கள் பெற்ற ChatGPT, 2 மாதங்களில் 100 மில்லியன் பயனர்களை கடந்தது, இது வரலாற்றில் மிக வேகமாக வளர்ந்த நுகர்வோர் பயன்பாடாகும்.

ChatGPT விரிவான கேள்விகளுக்கு தெளிவான பதில்களை வழங்கி, எழுத்து, கணிதம், ஆலோசனை போன்றவற்றில் திறமையாக செயல்படுகிறது, இது பயனர்களை அதிர்ச்சியடையச் செய்தது. ChatGPT பிரபலமடைதல் 人工 நுண்ணறிவு முதன்முறையாக பொதுமக்களுக்கு உள்ளடக்க உருவாக்க கருவியாக பயன்படுத்தப்படுவதை குறிக்கிறது, மேலும் பெரும் தொழில்நுட்ப நிறுவனங்களுக்கிடையேயான人工 நுண்ணறிவு போட்டியை துவக்கியது.

2023 தொடக்கத்தில், Microsoft GPT-4 (OpenAI அடுத்த மாதிரி) ஐ Bing தேடல் கருவியில் இணைத்தது, Google தன் LaMDA மாதிரியை பயன்படுத்தி Bard chatbot ஐ அறிமுகப்படுத்தியது. இந்த போட்டி உருவாக்கும்人工 நுண்ணறிவு தொழில்நுட்பத்தை விரிவாகவும் விரைவாகவும் மேம்படுத்த உதவியது.

உரை தவிர, உருவாக்கும்人工 நுண்ணறிவு படங்கள் மற்றும் ஒலியில் மிகப்பெரும் முன்னேற்றம் கண்டது. 2022இல், DALL-E 2 (OpenAI), Midjourney, Stable Diffusion போன்ற text-to-image மாதிரிகள், பயனர்களுக்கு உரை விளக்கங்களைப் பயன்படுத்தி AI வரைந்த படங்களை வழங்கின. படங்களின் தரம் மிகவும் நிஜமானதும், உருவாக்கும் உள்ளடக்கத்தின் புதிய காலத்தைத் தொடங்கியது.

ஆனால், இது பதிப்புரிமை மற்றும் நெறிமுறை சவால்களை எழுப்பியது, ஏனெனில் AI கலைஞர்களின் படங்களை கற்றுக்கொண்டு அதே மாதிரியான படைப்புகளை உருவாக்குகிறது. ஒலியில், புதிய text-to-speech மாதிரிகள் மனித குரலைப் போலவே உரையை மாற்றி, புகழ்பெற்றவர்களின் குரலை நகலெடுக்க முடியும், இது deepfake குரல் தொடர்பான கவலைகளை ஏற்படுத்துகிறது.

2023இல், முதன்முறையாக AI பயிற்சி தரவுக்கான பதிப்புரிமை வழக்குகள் நடந்தன – உதாரணமாக Getty Images நிறுவனம் Stability AI (Stable Diffusion உருவாக்குனர்) மீது, அனுமதி இல்லாமல் கோடிக்கணக்கான படங்களை பயிற்சிக்குப் பயன்படுத்தியதற்காக வழக்கு தொடர்ந்தது. இது 人工 நுண்ணறிவு爆発த்தின் எதிர்மறை பக்கங்களை வெளிப்படுத்தியது: சட்ட, நெறிமுறை மற்றும் சமூக பிரச்சனைகள் அதிகரித்து, கவனத்தைத் தேவைப்படுத்துகிறது.

人工 நுண்ணறிவு வெள்ளத்தில், 2023இல் தொழில்நுட்ப முன்னோடிகள் மிகவும் சக்திவாய்ந்த人工 நுண்ணறிவின் ஆபத்துக்களை பற்றி கவலை தெரிவித்தனர். எலோன் மஸ்க், ஸ்டீவ் வோஸ்னியக் மற்றும் பல AI ஆராய்ச்சியாளர்கள் GPT-4ஐவிட பெரிய人工 நுண்ணறிவு மாதிரிகளை 6 மாதங்களுக்கு நிறுத்துமாறு ஒரு திறந்த கடிதத்தில் கோரிக்கை விடுத்தனர், அதிவேக வளர்ச்சி கட்டுப்பாட்டுக்கு வெளியே போகும் அபாயம் உள்ளது என.

அந்த ஆண்டில், ஆழ்ந்த கற்றலின் “தந்தை” ஜியோஃப்ரி ஹிண்டன் கூட மனிதர்களின் கட்டுப்பாட்டை மீறி人工 நுண்ணறிவு வளர்ச்சி ஏற்படும் அபாயத்தை எச்சரித்தார். ஐரோப்பிய ஒன்றியம் விரைவில் 人工 நுண்ணறிவு சட்டம் (EU AI Act) – உலகின் முதல் முழுமையான人工 நுண்ணறிவு ஒழுங்குமுறை சட்டம் – 2024இல் அமல்படுத்த திட்டமிட்டுள்ளது. இந்த சட்டம் அதிக ஆபத்தான AI அமைப்புகளை தடைசெய்யும் (பெரும்பான்மையான கண்காணிப்பு, சமூக மதிப்பீடு போன்றவை) மற்றும் 人工 நுண்ணறிவு மாதிரிகளுக்கு வெளிப்படைத்தன்மையை கோருகிறது.

அமெரிக்காவில் பல மாநிலங்களும் சிக்கலான துறைகளில்人工 நுண்ணறிவு பயன்பாட்டை கட்டுப்படுத்தும் சட்டங்களை வெளியிட்டுள்ளன (வேலைவாய்ப்பு, நிதி, தேர்தல் பிரச்சாரங்கள்). தெளிவாக, உலகம்人工 நுண்ணறிவுக்கான சட்ட மற்றும் நெறிமுறை கட்டமைப்பை விரைவாக உருவாக்கி வருகிறது, இது தொழில்நுட்ப வளர்ச்சியின் அவசியமான பகுதி.

மொத்தத்தில், 2020கள் 人工 நுண்ணறிவு தொழில்நுட்ப மற்றும் பரவலின்爆発 காலமாக உள்ளது. புதிய தலைமுறை人工 நுண்ணறிவு கருவிகள் (ChatGPT, DALL-E, Midjourney...) பரவலாக அறியப்பட்டு, மில்லியன் கணக்கான பயனர்களுக்கு புதிய உருவாக்கங்கள் மற்றும் திறமையான வேலைகளை வழங்குகின்றன.

அதே நேரத்தில், 人工 நுண்ணறிவில் முதலீட்டு போட்டி தீவிரமாக நடைபெற்று வருகிறது: எதிர்கால ஆண்டுகளில் AI உருவாக்கும் வணிக செலவுகள் 1 டிரில்லியன் டாலரை தாண்டும் என கணிக்கப்பட்டுள்ளது.人工 நுண்ணறிவு மருத்துவம் (படங்கள் மூலம் நோயறிதல், புதிய மருந்து தேடல்), நிதி (ஆபத்து பகுப்பாய்வு, மோசடி கண்டறிதல்), கல்வி (மெய்நிகர் ஆசிரியர்கள், தனிப்பயன் கல்வி), போக்குவரத்து (உயர் நிலை தானாக இயக்கும் வாகனங்கள்), பாதுகாப்பு (தந்திர முடிவுகள்) போன்ற துறைகளில் விரிவடைகிறது.

மொத்தத்தில், 人工 நுண்ணறிவு இப்போது மின்சாரம் அல்லது இணையம் போன்ற தொழில்நுட்ப அடித்தளமாக மாறி, அனைத்து நிறுவனங்களும் மற்றும் அரசுகளும் இதனை பயன்படுத்த விரும்புகின்றன. பல நிபுணர்கள் 人工 நுண்ணறிவு தொடர்ந்து உற்பத்தித்திறன் மற்றும் வாழ்க்கை தரத்தில் பெரிய முன்னேற்றங்களை கொண்டு வரும் என்று நம்புகின்றனர், சரியான வளர்ச்சி மற்றும் கட்டுப்பாட்டுடன்.

1950களிலிருந்து இன்றுவரை, 人工 நுண்ணறிவின் வளர்ச்சி வரலாறு ஒரு அற்புதமான பயணமாக உள்ளது – மிகவும் பெரிய கனவுகள், ஏமாற்றங்கள், பின்னர் மீண்டும் எழுச்சி. 1956 டார்ட்மவுத் மாநாட்டில் துறைக்கு அடித்தளம் அமைக்கப்பட்டு,人工 நுண்ணறிவு இரண்டு முறையும் 过度 எதிர்பார்ப்புகளால் “குளிர்காலங்களை” சந்தித்தது, ஆனால் ஒவ்வொரு முறையும் அதிக அறிவியல் மற்றும் தொழில்நுட்ப முன்னேற்றங்களால் மீண்டும் எழுச்சி அடைந்தது. குறிப்பாக கடந்த 15 ஆண்டுகளில்,人工 நுண்ணறிவு மிகவும் முன்னேற்றம் கண்டது, ஆய்வகத்திலிருந்து வெளிப்படையான உலகிற்கு வந்து ஆழ்ந்த தாக்கத்தை ஏற்படுத்தியுள்ளது.

இப்போது, 人工 நுண்ணறிவு பெரும்பாலான துறைகளிலும் உள்ளது மற்றும் மிகவும் புத்திசாலி மற்றும் பல்துறை திறன் கொண்டது. இருப்பினும், மிகவும் சக்திவாய்ந்த人工 நுண்ணறிவு (பொதுவான人工 நுண்ணறிவு) – மனிதர்களைப் போல நுண்ணறிவு மற்றும் திடமான திறன் கொண்ட இயந்திரம் – இன்னும் எதிர்காலத்தில் உள்ளது.

இன்றைய人工 நுண்ணறிவு மாதிரிகள் அதிகமான திறமைகளை கொண்டாலும், பயிற்றுவிக்கப்பட்ட பணிகளுக்குள் மட்டுமே சிறந்தவை, சில நேரங்களில் ChatGPT போன்றவை “தவறான தகவலை நம்பிக்கையுடன்” வழங்கும் தவறுகளும் உள்ளன. பாதுகாப்பு மற்றும் நெறிமுறை சவால்கள் மிக அவசரமாக உள்ளன:人工 நுண்ணறிவு கட்டுப்பாடு, வெளிப்படைத்தன்மை மற்றும் மனித இனத்தின் பொதுவான நலனுக்காக வளர வேண்டும்.

人工 நுண்ணறிவின் அடுத்த பயணம் மிகவும் சுவாரஸ்யமானதாக இருக்கும். இன்றைய முன்னேற்றங்களுடன்,人工 நுண்ணறிவு வாழ்க்கையில் மேலும் ஆழமாக நுழையும்: 人工 நுண்ணறிவு மருத்துவர் மனிதர்களுக்கு சுகாதார பராமரிப்பு வழங்க, 人工 நுண்ணறிவு வழக்கறிஞர் சட்ட ஆவணங்களை ஆராய, மற்றும் 人工 நுண்ணறிவு நண்பர் கல்வி மற்றும் மனஉறவுகளில் துணையாக இருக்கும்.

நியூரோமார்பிக் கணினி (neuromorphic computing) போன்ற தொழில்நுட்பங்கள் மனித மூளையின் கட்டமைப்பை பின்பற்றி, புதிய தலைமுறை人工 நுண்ணறிவை உருவாக்க ஆராயப்படுகின்றன, இது இயற்கை நுண்ணறிவுக்கு அருகிலான திறன் கொண்டதாக இருக்கும். 人工 நுண்ணறிவு மனித அறிவை தாண்டும் எதிர்பார்ப்புகள் விவாதத்துக்கு உள்ளாகினாலும்,人工 நுண்ணறிவு தொடர்ந்து முன்னேறி, மனித இனத்தின் எதிர்காலத்தை ஆழமாக வடிவமைக்கும் என்பது தெளிவாக உள்ளது.

人工 நுண்ணறிவின் உருவாக்கம் மற்றும் வளர்ச்சி வரலாற்றை நோக்கும்போது, இது மனிதர்களின் பொறுமையும், படைப்பாற்றலின் தொடர்ச்சியான கதை என்பதை காணலாம். ஆரம்ப கணினிகள் கணக்கீட்டுக்கே மட்டுமே பயன்பட்டன, பின்னர் மனிதர்களைப் போல விளையாட, ஓட்ட, உலகை அடையாளம் காண, மற்றும் கலை படைப்புகளை உருவாக்க கற்றுக்கொண்டன. 人工 நுண்ணறிவு இப்போது மற்றும் எதிர்காலத்திலும் மனிதர்களின் எல்லைகளை மீறும் திறனின் சான்றாக இருக்கும்.

முக்கியமாக, வரலாற்று பாடங்கள் சரியான எதிர்பார்ப்புகளை வைத்துக் கொண்டு, பொறுப்புடன்人工 நுண்ணறிவை வளர்த்தல் என்பதைக் கற்றுக்கொடுக்கின்றன – இதனால்人工 நுண்ணறிவு மனித இனத்திற்கு அதிகபட்ச நன்மைகளை வழங்கும் என்பதை உறுதி செய்யலாம்.