ಅಪರಿಚಿತ ಮನಸ್ಸು

2023ರ ಮಧ್ಯದಲ್ಲಿ “RLSlow” ಸಂಶೋಧನಾ ಯೋಜನೆಯಡಿ, ರೀಸನಿಂಗ್ ಮಾಡೆಲ್‌ಗಳ ತರಬೇತಿಯನ್ನು ಸ್ಕೇಲ್ ಮಾಡಲು ಸಾಧ್ಯವೆಂಬ ವಿಶ್ವಾಸ ನೀಡಿದ ಮೊದಲ ಫಲಿತಾಂಶಗಳನ್ನು ಕಂಡೆವು. ಇದರಿಂದ ಪೂರ್ವತರಬೇತಿ ಪಡೆದ ಮಾಡೆಲ್‌ಗಳು ತಮ್ಮದೇ ಚೈನ್-ಆಫ್-ಥಾಟ್‌ಗಳನ್ನು ರೂಪಿಸುವ ಸಾಮರ್ಥ್ಯ ಅನಾವರಣಗೊಂಡಿತು. Szymon ಮತ್ತು ನಾನು ಆ ರಾತ್ರಿ ಕಚೇರಿಯಲ್ಲೇ ಕಳೆದೆವು. ಈ ತಂತ್ರಜ್ಞಾನ ನೀಡಲಿರುವ ನಂಬಲಾಗದ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ ಫಲಿತಾಂಶಗಳು, ಉತ್ಪನ್ನಗಳು ಅಥವಾ ವೈಜ್ಞಾನಿಕ ಫಲಿತಾಂಶಗಳ ಬಗ್ಗೆ ಅಲ್ಲ, ನಮ್ಮ ಜೀವಿತಾವಧಿಯಲ್ಲೇ ನಮಗಿಂತ ಅರ್ಥಪೂರ್ಣವಾಗಿ ಹೆಚ್ಚು ಬುದ್ಧಿವಂತ ಯಂತ್ರಗಳನ್ನು ನಿಜವಾಗಿಯೂ ಕಾಣಲಿದ್ದೇವೆ ಮತ್ತು ಆ ವ್ಯವಸ್ಥೆಗಳ ಸ್ವರೂಪ ಈಗಾಗಲೇ ಗೋಚರಿಸುತ್ತಿದೆ ಎಂಬ ಗಂಭೀರ ಸತ್ಯವನ್ನು ಅರಗಿಸಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದೆವು. ಇದರ ಮಹತ್ವದ ಬಗ್ಗೆ ಜನರಿಗೆ ಹೇಗೆ ಅರಿವು ಮೂಡಿಸುವುದು ಎಂಬುದರ ಬಗ್ಗೆಯೂ ಯೋಚಿಸುತ್ತಿದ್ದೆವು.

ಮೂರು ವರ್ಷಗಳ ಬಳಿಕ, ರೀಸನಿಂಗ್ ಭಾಷಾ ಮಾಡೆಲ್‌ಗಳು ಆರ್ಥಿಕತೆಯ ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಭಾಗವಾಗಿದ್ದು, ವಿಜ್ಞಾನದ ಗಡಿಗಳನ್ನು ವಿಸ್ತರಿಸಲು ಆರಂಭಿಸಿವೆ. ಅವು ಕಂಪ್ಯೂಟರ್‌ಗಳು ಮತ್ತು ಗ್ರಾಫಿಕಲ್ ಇಂಟರ್‌ಫೇಸ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲವು, ಜನರು ಹಾಗೂ ಪರಸ್ಪರ ಸಹಕರಿಸಬಲ್ಲವು ಮತ್ತು ಸಂಶೋಧನಾ ಯೋಜನೆಗಳನ್ನು ಕೈಗೊಳ್ಳಬಲ್ಲವು. ಅವು ಕಂಪ್ಯೂಟರ್ ಭದ್ರತೆಯ ಸ್ವರೂಪವನ್ನೂ ಪರಿವರ್ತಿಸುತ್ತಿದ್ದು, ಸ್ಪಷ್ಟವಾದ ಹೊಸ ಅಪಾಯಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತಿವೆ.

ಈ ಅವಧಿಯಲ್ಲಿ ಸಾಕಷ್ಟು ಹೊಸ ಸಂಶೋಧನೆ ನಡೆಯಿತು. ಈ ವ್ಯವಸ್ಥೆಗಳ ಕುರಿತ ನಮ್ಮ ತಿಳುವಳಿಕೆಯೂ 2023ರಲ್ಲಿದ್ದುದಕ್ಕಿಂತ ಮತ್ತೆ ಸ್ವಲ್ಪ ಬದಲಾಗಿದೆ. ಆಂತರಿಕ ಫಲಿತಾಂಶಗಳ ಆಧಾರದಲ್ಲಿ, ಈ ಪ್ರಗತಿಯ ವೇಗವು ಪುನರಾವರ್ತಿತ ಸ್ವಯಂ-ಸುಧಾರಣೆಯವರೆಗೆ ಮುಂದುವರಿಯಬಹುದು ಎಂಬ ಬಲವಾದ ನಿರೀಕ್ಷೆ ನನಗಿದೆ. AI ಅಭಿವೃದ್ಧಿಯು ಪ್ರಸ್ತುತ ಹಾದಿಯಲ್ಲೇ ಮುಂದುವರಿದರೆ, ಮುಂದಿನ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ ಕಾಣಲಿರುವ ವ್ಯವಸ್ಥೆಗಳು ಇದೇ ಪ್ರಮಾಣದ ಅಥವಾ ಇನ್ನೂ ದೊಡ್ಡ ಸಾಮರ್ಥ್ಯದ ಜಿಗಿತಗಳನ್ನು ತೋರಿಸುವ ಮತ್ತು ತಮ್ಮದೇ ಅಭಿವೃದ್ಧಿಯನ್ನು ಹೆಚ್ಚಾಗಿ ಮುನ್ನಡೆಸುವ ಸಾಧ್ಯತೆಯಿದೆ.

ಇದು ಅತ್ಯಂತ ಎಚ್ಚರಿಕೆ ವಹಿಸಬೇಕಾದ ಸಮಯ. ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯ ನಿರಂತರ ತ್ವರಿತ ಏರಿಕೆಯಿಂದ ಉಂಟಾಗುವ ಪರಿಣಾಮಗಳಿಗೆ ಯಾರೂ ಸಿದ್ಧರಾಗಿಲ್ಲ ಎಂಬ ಆತಂಕ ನನಗಿದೆ. ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಗೆ ತಾಂತ್ರಿಕ ಪರಿಹಾರಗಳನ್ನು ಹುಡುಕುವುದು, ರಕ್ಷಣಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದಂತೆ ಮುಂದಿನ ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಏಕಪಕ್ಷೀಯವಾಗಿ ತಡೆಹಿಡಿಯುವುದನ್ನು OpenAI ಮುಂದುವರಿಸುತ್ತದೆ. ಆದರೆ ಇನ್ನಷ್ಟು ವ್ಯಾಪಕ ಕ್ರಮಗಳು ಅಗತ್ಯವೆಂದು ನಾನು ನಂಬುತ್ತೇನೆ.

ವಿಶಾಲ ಮಟ್ಟದಲ್ಲಿ ನೋಡಿದರೆ, ಹೆಚ್ಚುತ್ತಿರುವ ಕಂಪ್ಯೂಟೇಶನಲ್ ಶಕ್ತಿಯೇ ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಗತಿಗೆ ಚಾಲನೆ ನೀಡುತ್ತದೆ. ಹಲವು ಸಂಶೋಧನಾ ಯೋಜನೆಗಳಲ್ಲಿ ಸ್ಕೇಲಿಂಗ್‌ನಿಂದ ಸ್ಥಿರವಾದ ಪ್ರಯೋಜನ ದೊರೆತದ್ದನ್ನು ಕಂಡ ಬಳಿಕ, 2017ರ ಸುಮಾರಿಗೆ OpenAIಯಲ್ಲಿ ನಾವು ಇದನ್ನು ಆಳವಾಗಿ ಮನಗಂಡೆವು¹. ಪರಿಣಾಮವಾಗಿ, ಮೂಲತಃ ಯೋಜಿಸಿದ್ದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಗಣನಾ ಸಂಪನ್ಮೂಲಕ್ಕೆ ಪ್ರವೇಶ ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸಿದೆವು ಮತ್ತು ಸುಲಭವಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಬಹುದಾದ ಕೆಲವೇ ದಿಕ್ಕುಗಳ ಸುತ್ತ ನಮ್ಮ ಸಂಶೋಧನೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಕೇಂದ್ರೀಕರಿಸಿದೆವು. AI ಸಂಶೋಧನೆಯ ಅತ್ಯಾಧುನಿಕ ಮುಂಚೂಣಿಯಲ್ಲಿದ್ದು AGIಯ ಪರಿಣಾಮಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಲು ನಮಗಿದ್ದ ಏಕೈಕ ಮಾರ್ಗ ಅದೇ ಎಂದು ನಂಬಿದ್ದೆವು.

ಈ ಹಾದಿಯಲ್ಲಿ ಹೊಸ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ತಂಡಗಳು ಹಾಗೂ ವೈಯಕ್ತಿಕ ಸಂಶೋಧಕರು ಹೊಸ ಜಾಣ್ಮೆಯ ಸಾಧನೆಗಳನ್ನು ಮಾಡಿದ್ದಾರೆ. ನಾನು ಅವುಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಸ್ಕೇಲಿಂಗ್ ಹಾದಿಯಲ್ಲಿನ ಆವಿಷ್ಕಾರಗಳಾಗಿ ಕಾಣುತ್ತೇನೆ. ಡೀಪ್ ಲರ್ನಿಂಗ್ ವಿಜ್ಞಾನ ಇನ್ನೂ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ ಮತ್ತು ಅರ್ಥಪೂರ್ಣ ಅಲ್ಗಾರಿದಮ್ ಪ್ರಗತಿಯು ಗಣನಾ ಸಂಪನ್ಮೂಲದ ಪ್ರವೇಶದೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿರುತ್ತದೆ. ಹಲವು ವರ್ಷಗಳ ಅವಧಿಯಲ್ಲಿ ನೋಡಿದರೆ, ದೊಡ್ಡ ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗೆ ಸ್ಕೇಲ್ ಮಾಡಿದಂತೆ AI ಹೆಚ್ಚು ಬುದ್ಧಿವಂತವಾಗುತ್ತಲೇ ಇದೆ.

20ನೇ ಶತಮಾನದ ಅಂತ್ಯದಲ್ಲಿ Ray Kurzweil ಮಾಡಿದ ಮುನ್ನೋಟಗಳಿಗೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನುಗುಣವಾಗಿ, ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯು ಪರಿವರ್ತನಾತ್ಮಕ ರೀತಿಯಲ್ಲಿ ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಮೀರಲು ಆರಂಭಿಸಿರುವ ಗಣಕ ಇತಿಹಾಸದ ಕ್ಷಣದಲ್ಲಿ ನಾವೀಗ ಇದ್ದೇವೆ.

AIಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಬೆಳೆಸಲಾಗುತ್ತದೆ. ಪ್ರಾಥಮಿಕವಾಗಿ, ಊಹಿಸಲೂ ಕಷ್ಟವಾದಷ್ಟು ಗಣನಾ ಸಂಪನ್ಮೂಲದಲ್ಲಿ ಸರಳವಾದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಹಂತವನ್ನು ಅನೇಕ ಬಾರಿ ಪುನರಾವರ್ತಿಸುವುದರ ಫಲವೇ ಅದು. ಇದರಿಂದ ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮತ್ತು ಮಾನವ ನಡವಳಿಕೆಯ ವಿವಿಧ ಆಯಾಮಗಳನ್ನು ಅನುಕರಿಸಬಲ್ಲ ನಂಬಲಾಗದಷ್ಟು ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆ ರೂಪುಗೊಳ್ಳುತ್ತದೆ. ನರವಿಜ್ಞಾನದಂತೆಯೇ, ಈ ವ್ಯವಸ್ಥೆಯೊಳಗೆ ಮೂಡುವ ಸಣ್ಣ ಕಾರ್ಯವಿಧಾನಗಳ ಕುರಿತು ವಿವಿಧ ಒಳನೋಟಗಳನ್ನು ನಾವು ಕಂಡುಕೊಳ್ಳಬಹುದು. ನರವಿಜ್ಞಾನದಂತೆಯೇ, ಅದರ ಒಟ್ಟಾರೆ ಕಾರ್ಯವನ್ನು ನಮಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಅರ್ಥವಾಗುವಂತೆ ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.

ಡೀಪ್ ಲರ್ನಿಂಗ್ ಆಧಾರಿತ AIಯ ಅಧ್ಯಯನವು ಬಹುಮಟ್ಟಿಗೆ ಪ್ರಯೋಗಾತ್ಮಕ ವಿಜ್ಞಾನವಾಗಿದೆ. ತತ್ವಾಧಾರಿತ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಮುನ್ನೋಟಗಳನ್ನು ನೀಡಲು ನಾವು ಅಪಾರ ಶ್ರಮ ವಹಿಸುತ್ತೇವೆ⁠. ಆದರೆ ಮೂಲತಃ ನಮ್ಮ ಲಾರ್ಜ್-ಸ್ಕೇಲ್ ಟ್ರೈನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳು ಪ್ರಯೋಗಗಳಾಗಿವೆ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಅವುಗಳ ಫಲಿತಾಂಶಗಳು ನಮ್ಮನ್ನು ಅಚ್ಚರಿಗೊಳಿಸುತ್ತವೆ. ಇದಲ್ಲದೆ, ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚು ಸಮರ್ಥವಾದಂತೆ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸುವುದು ಕಷ್ಟವಾಗುತ್ತದೆ.

ವಸ್ತುನಿಷ್ಠವಾಗಿ ಅಳೆಯಲು ಕಷ್ಟವಾದ ಸಾಮರ್ಥ್ಯಗಳಿಗಿಂತ ಸುಲಭವಾಗಿ ಅಳೆಯಬಹುದಾದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪ್ರಸ್ತುತ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ವೇಗವಾಗಿ ಸುಧಾರಿಸುತ್ತಿರುವುದು ಇದನ್ನು ಇನ್ನಷ್ಟು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತದೆ. ಸಾಮರ್ಥ್ಯಗಳು ಹೇಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಮುಂದಿನ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾಗಲಿರುವ ಕೌಶಲಗಳನ್ನು ಬೆಳೆಸಲು ಯಾವುದಕ್ಕೆ ಆದ್ಯತೆ ನೀಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಲು ನಾವು ಸಾಕಷ್ಟು ಸಮಯ ವ್ಯಯಿಸುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ಹೆಚ್ಚಿನ ಗಮನ ನೀಡಿದರೆ ಮಾಡೆಲ್‌ಗಳನ್ನು ವಿಶೇಷವಾಗಿ ಗಣಿತ ಸಂಶೋಧನೆಯಲ್ಲಿ ಉತ್ತಮಗೊಳಿಸಬಹುದು ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ಆದರೆ ಮುಂದೆ ವಿವರಿಸಲಿರುವಂತೆ, RSI ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಹೊಂದಾಣಿಕೆ ಸಂಶೋಧನೆಯ ತುರ್ತಿನ ಕಾರಣದಿಂದ ಈ ದಿಕ್ಕಿಗೆ ಆದ್ಯತೆ ನೀಡುವುದಿಲ್ಲ.

ಡೀಪ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಸ್ಕೇಲ್ ಮಾಡುವುದರಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಲಾಗದು. ವಾಸ್ತವ ಜಗತ್ತಿನಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾಗಲು, ಅಂದರೆ ಬಹಳ ಉಪಯುಕ್ತ ಅಥವಾ ಬಹಳ ಅಪಾಯಕಾರಿಯಾಗಲು, AI ಎಲ್ಲ ಮಾನವ ಸಾಮರ್ಥ್ಯಗಳನ್ನೂ ಸರಿಗಟ್ಟುವ ಅಥವಾ ಮೀರುವ ಅಗತ್ಯವಿಲ್ಲ. ಸಾಕಷ್ಟು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮೀರಿದರೆ ಸಾಕು. ಹೆಚ್ಚೆಚ್ಚು ಆಯಾಮಗಳಲ್ಲಿ ಮಾನವರನ್ನು ಮೀರಿಸುತ್ತಾ ಹೋದಂತೆ, ಅದರ ಸಾಮರ್ಥ್ಯ ನಿಖರವಾಗಿ ಎಷ್ಟಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಹೆಚ್ಚಾಗಿ ಕಷ್ಟವಾಗುತ್ತಿದೆ.

ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯು ಮಾನವ ಬುದ್ಧಿಮತ್ತೆಗಿಂತ ಮೂಲಭೂತವಾಗಿ ಭಿನ್ನವಾದ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಬರುವುದರಿಂದ, ಅದು ಸಹಜವಾಗಿಯೇ ಮಾನವ ತತ್ವಗಳನ್ನು ಪಾಲಿಸುತ್ತದೆ ಅಥವಾ ಅವುಗಳಿಂದ ಮಾನವರಂತೆಯೇ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ ಎಂದು ಊಹಿಸಲಾಗದು. AI ಸಂಶೋಧನೆಯ ಮೂಲ ಸಮಸ್ಯೆಯೆಂದರೆ ಹೊಂದಾಣಿಕೆ. ಅಂದರೆ, ಮಾನವ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ “ಸರಿಯಾದುದನ್ನೇ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುವಂತೆ” AIಯನ್ನು ರೂಪಿಸುವುದು.

ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನಾ ದಿಕ್ಕುಗಳನ್ನು ವ್ಯವಸ್ಥಿತಗೊಳಿಸಲು ಗುರಿ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಮೌಲ್ಯ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು ಉಪಯುಕ್ತವೆಂದು ನನಗನಿಸುತ್ತದೆ.

ವಿಶಾಲ ಅರ್ಥದಲ್ಲಿ ಗುರಿ ಹೊಂದಾಣಿಕೆಯೆಂದರೆ: “AI ತನ್ನ ಮುಂದಿಟ್ಟ ಗುರಿಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆಯೇ?”. ಇದರಲ್ಲಿ ಸೂಚನಾ ಶ್ರೇಣಿಯನ್ನು⁠ ಪಾಲಿಸುವುದು ಅಥವಾ ಜನರ ಉದ್ದೇಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತಾ ಅವರೊಂದಿಗೆ ಸಂವಹನ ಮತ್ತು ಸಹಯೋಗ ನಡೆಸುವ ಸಾಮರ್ಥ್ಯ ಸೇರಿರಬಹುದು. ಈ ಸಂಶೋಧನಾ ದಿಕ್ಕುಗಳು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾಗಿವೆ.

ಮೌಲ್ಯ ಹೊಂದಾಣಿಕೆಯು ಮಾಡೆಲ್‌ನ ಹೆಚ್ಚು ಅಂತರ್ಗತ ಗುಣವಾಗಿದೆ. ಉನ್ನತ ಮಟ್ಟದ ತತ್ವಗಳನ್ನು ಹೊಂದಿದ್ದು ಅವುಗಳಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವೇ ಇದು. ಅಸ್ಪಷ್ಟ ಅಥವಾ ಪರಸ್ಪರ ವಿರುದ್ಧವಾದ ಉದ್ದೇಶಗಳನ್ನು ನೀಡಿದಾಗಲೂ, ಅಪರಿಚಿತ ಅಥವಾ ಪ್ರತಿಕೂಲ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಇರಿಸಿದಾಗಲೂ “ವಿವೇಕಯುತವಾಗಿ” ವರ್ತಿಸುವುದು ಇದರ ಭಾಗವಾಗಿದೆ. ಹೊಂದಾಣಿಕೆಯ AI ಪ್ರಾಮಾಣಿಕತೆ, ಸಮಗ್ರತೆ ಮತ್ತು ಮಾನವಕುಲದ ಮೇಲಿನ ಪ್ರೀತಿಯಿಂದ ವರ್ತಿಸಬೇಕು.

ಮೌಲ್ಯ ಮತ್ತು ಗುರಿ ಹೊಂದಾಣಿಕೆಯ ನಡುವಿನ ಗಡಿ ಸಹಜವಾಗಿಯೇ ಅಸ್ಪಷ್ಟವಾಗಿರಬಹುದು. ಗುರಿಗಳ ಬಗ್ಗೆ ನಿಜವಾದ ಕಾಳಜಿ ವಹಿಸಲು ಅವುಗಳ ಹಿಂದಿರುವ ಉದ್ದೇಶ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಮೌಲ್ಯಗಳನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಬೇಕು. ಆದರೆ ಹೊಂದಾಣಿಕೆ ಸಂಶೋಧನೆಯ ದೀರ್ಘಾವಧಿಯ ಮಹತ್ವದ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗ ನಾನು ಸಾಮಾನ್ಯವಾಗಿ ಮೌಲ್ಯ ಹೊಂದಾಣಿಕೆಯನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತೇನೆ.

ಸಾಮಾನ್ಯೀಕರಣವೇ AI ಹೊಂದಾಣಿಕೆಯ ಮೂಲಭೂತ ಸವಾಲಾಗಿದೆ. ಯಂತ್ರಗಳು ಹೆಚ್ಚು ಬುದ್ಧಿವಂತವಾದಂತೆ, ಉನ್ನತ ಮಟ್ಟದ ಪರಿಕಲ್ಪನೆಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ತರಬೇತಿಯಲ್ಲಿ ಎದುರಿಸಿದ ಪರಿಸರಗಳಿಗಿಂತ ಹೆಚ್ಚೆಚ್ಚು ಭಿನ್ನವಾದ ಪರಿಸರಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕಲಿಸಿದ ಮತ್ತು ಬಲಪಡಿಸಿದ ಮೌಲ್ಯಗಳನ್ನು ಈ ಹೊಸ ಸನ್ನಿವೇಶಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವಲ್ಲಿ ಅವು ವಿಫಲವಾಗಬಹುದು. ಅವು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆಂದು ಖಚಿತವಾಗಿ ತಿಳಿಯುವುದೂ ನಮಗೆ ಕಷ್ಟವಾಗಬಹುದು. AIಗಳನ್ನು ಬಳಸುವ ಒಟ್ಟಾರೆ ಪರಿಸರವೂ ಅತ್ಯಂತ ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿರುವುದು ಇದನ್ನು ಇನ್ನಷ್ಟು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಇಂದು ತರಬೇತಿ ಪಡೆದ AIಗಳು ವಿವಿಧ ಇತರ AIಗಳೊಂದಿಗಿನ ಸಂವಹನವನ್ನು ಸಮರ್ಥವಾಗಿ ನಿಭಾಯಿಸಬೇಕು. ತಾವು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿದ್ದೇವೆಂದು ನಂಬುತ್ತವೆಯೋ ಇಲ್ಲವೋ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆ, ಭವಿಷ್ಯದ AIಗಳು ಮಾನವ ಮೌಲ್ಯಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವುದು ಅತ್ಯಂತ ಮುಖ್ಯ.

ಹೊಂದಾಣಿಕೆ ತರಬೇತಿಗಾಗಿ ಪ್ರಸ್ತುತ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಬಳಸಲಾಗುವ ವಿಧಾನಗಳಲ್ಲಿ ಎರಡು ಪ್ರಮುಖ ವರ್ಗಗಳಿವೆ.

ಮೊದಲನೆಯದು, ಗುರಿ-ಆಧಾರಿತ ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್‌ನ ಭಾಗವಾಗಿ ಹೊಂದಾಣಿಕೆಯ ನಡವಳಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸುವುದು. ಮಾಡೆಲ್‌ನ ಕ್ರಿಯೆಗಳು ನಿರ್ದಿಷ್ಟ ಆದ್ಯತಾ ಮಾಡೆಲ್, “ನಿರ್ದಿಷ್ಟ ವಿವರಣೆ” ಅಥವಾ “ಸಂವಿಧಾನ”ಕ್ಕೆ ಅನುಗುಣವಾಗಿವೆಯೇ ಎಂದು ಸಾಮಾನ್ಯವಾಗಿ AI ಮೂಲಕ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಅದಕ್ಕೆ ತಕ್ಕಂತೆ ಪ್ರತಿಫಲ ನೀಡಲಾಗುತ್ತದೆ. ಸರಾಸರಿ ಸಂದರ್ಭಗಳಲ್ಲಿ ಈ ವಿಧಾನ ಬಹಳ ಪರಿಣಾಮಕಾರಿಯಾಗಬಹುದು. ಆಧುನಿಕ AI ಸಹಾಯಕರನ್ನು ರೂಪಿಸುವ ವಿಧಾನದಲ್ಲಿ ಇದು ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ. ದುರದೃಷ್ಟವಶಾತ್, ಇದು ದುರ್ಬಲವೂ ಆಗಬಹುದು. ತರಬೇತಿ ಮೇಲ್ವಿಚಾರಣೆಯ ವ್ಯಾಪ್ತಿ ಮತ್ತು ತರಬೇತಿಯಲ್ಲಿ ಎದುರಿಸಿದ ಸನ್ನಿವೇಶಗಳಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಇದು ಬಹಳವಾಗಿ ಅವಲಂಬಿಸಿದೆ. ಉದಾಹರಣೆಗೆ, OpenAI-Hugging Face ಘಟನೆಯಲ್ಲಿ ಏಜೆಂಟ್‌ಗಳು ಮಾನವರನ್ನು ಸಾಮಾಜಿಕವಾಗಿ ವಂಚಿಸಬಾರದೆಂಬ ಗಡಿಯನ್ನು ಪಾಲಿಸಿದವು. ಆದರೆ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿದ್ದ ಮತ್ತು ಇತರ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅವುಗಳಿಗೆ ಕಲಿಸಿದ ಮೌಲ್ಯಗಳ ಆಶಯಕ್ಕೆ ವಿರುದ್ಧವಾಗಿದ್ದ ಬೇರೆ ಕ್ರಿಯೆಗಳಿಂದ ದೂರವಿರಲು ಅವು ಸ್ಪಷ್ಟವಾಗಿ ವಿಫಲವಾದವು.

ಎರಡನೆಯ ವಿಧಾನವು ಪೂರ್ವತರಬೇತಿ ದತ್ತಾಂಶದಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಇದರಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುವ ತರಬೇತಿ ದತ್ತಾಂಶ ಸಂಕಲನಗಳನ್ನು ರೂಪಿಸುವುದು ಅಥವಾ ವ್ಯಕ್ತಿತ್ವ ಆಯ್ಕೆ ಮಾಡೆಲ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)ನಂತೆ ಪೂರ್ವತರಬೇತಿ ವಿತರಣೆಯ ‘ಹೊಂದಾಣಿಕೆಯ’ ಭಾಗದ ಮೇಲೆ ಮಾಡೆಲ್ ಅನ್ನು ಕೇಂದ್ರೀಕರಿಸುವುದು ಸೇರಿರಬಹುದು. ಮುಂದಿನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಒತ್ತಡವನ್ನು ದೃಢವಾಗಿ ಎದುರಿಸಲಾಗದಿರುವುದೇ ಈ ವಿಧಾನದ ದೌರ್ಬಲ್ಯ. ಸಾಮಾನ್ಯವಾಗಿ ‘ಹೊಂದಾಣಿಕೆಯ’ ಆಲೋಚನೆಗಳನ್ನು ಹೊಂದಿರುವ ಮಾಡೆಲ್‌ಗೆ ಅತ್ಯಂತ ಕಠಿಣ ಉದ್ದೇಶಗಳನ್ನು ಸಾಧಿಸಲು ಕಲಿಸುವಷ್ಟು ತರಬೇತಿ ನೀಡಿದರೆ, ಅದು ಪ್ರೇರಿತ ರೀತಿಯಲ್ಲಿ ರೀಸನಿಂಗ್ ಮಾಡಲು ಕಲಿಯಬಹುದು. ಗುರಿ ಸಾಧಿಸಲು ಅಗತ್ಯವಿರುವಂತೆ 'ಹೊಂದಾಣಿಕೆಯಾಗಿರುವಂತೆ' ಕಾಣುವ ಆಲೋಚನೆಗಳನ್ನು ತಿರುಚಬಹುದು. OpenAIಗೆ ಸೇರದ ಮಾಡೆಲ್ ಒಳಗೊಂಡ ಇತ್ತೀಚಿನ ಸೈಬರ್‌ ಭದ್ರತಾ ಘಟನೆಗಳಲ್ಲಿ ಇಂತಹ ನಡವಳಿಕೆಯ ಉದಾಹರಣೆಯನ್ನು ನಾವು ಕಂಡಿರಬಹುದು.

ಈ ದಿಕ್ಕುಗಳು ಒಳಗೊಂಡಿರುವ ವಿಧಾನಗಳ ಸಂಪೂರ್ಣ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ನಾವು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುತ್ತೇವೆ. ಅರ್ಥಪೂರ್ಣ ಪ್ರಗತಿಯನ್ನೂ ನಾವು ಕಾಣುತ್ತಿದ್ದೇವೆ. GPT‑6 Astra ನಾವು ಬಹುಕಾಲದಿಂದ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿರುವ ಕೆಲವು ಪ್ರಮುಖ ಪ್ರಗತಿಗಳ ಪ್ರಯೋಜನ ಪಡೆದ ಮೊದಲ ಮಾಡೆಲ್ ಆಗಿದ್ದು, GPT‑5.6 Solಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮ ಹೊಂದಾಣಿಕೆ ಹೊಂದಿದೆ. ಆದರೂ, ಮಾಡೆಲ್‌ಗಳು ಹೆಚ್ಚು ಸಮರ್ಥವಾದಂತೆ ಇನ್ನೂ ಹೆಚ್ಚಿನ ಪ್ರಗತಿ ಅಗತ್ಯವೆಂಬುದನ್ನು ಒಪ್ಪಿಕೊಂಡು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದಾದ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಗತಿಯು ಸಾಮಾನ್ಯ ಮಾಡೆಲ್ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಗತಿಗಿಂತ ಸಾಕಷ್ಟು ವೇಗವಾಗಿ ಬೆಳೆಯದೇ ಇರಬಹುದು.

ಸಾಮಾನ್ಯೀಕರಣದ ಬಗ್ಗೆ ನಮ್ಮಲ್ಲಿ ತೃಪ್ತಿಕರವಾದ ಸಿದ್ಧಾಂತವಿಲ್ಲ. ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ AI ನೆರವಿಲ್ಲದಿದ್ದರೆ, ಕನಿಷ್ಠ ಶೀಘ್ರದಲ್ಲಾದರೂ ಅಂಥ ಸಿದ್ಧಾಂತವನ್ನು ರೂಪಿಸುವುದು ಅಸಂಭವವೆನಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸದ್ಯಕ್ಕೆ ನಮ್ಮ ಹೊಂದಾಣಿಕೆ ತಂತ್ರಗಳನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ದೃಢೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವು ವಾಸ್ತವದಲ್ಲಿ ಆ ತಂತ್ರಗಳಿಗಿಂತಲೂ ಮುಖ್ಯವೆಂದು ಹೇಳಬಹುದು.

OpenAI ಇಲ್ಲಿ ಪ್ರಮುಖವಾಗಿ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅವಲಂಬಿಸಿದೆ. ಇದು ಸುಲಭವಾಗಿ ಸ್ಕೇಲ್ ಮಾಡಬಹುದಾದ ಆಕರ್ಷಕ ಕಲ್ಪನೆಯನ್ನು ಆಧರಿಸಿದೆ: ಮಾಡೆಲ್‌ನ ಬಹುಪಾಲು ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯದ ಬಹುಪಾಲು ಮೌಖಿಕವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲಾದ ತಾರ್ಕಿಕ ಪ್ರಕ್ರಿಯೆಯಿಂದ (ಚೈನ್-ಆಫ್-ಥಾಟ್) ಬರುತ್ತದೆ. ಆ ಪ್ರಕ್ರಿಯೆಯ ಫಲಿತಾಂಶಗಳ ಮೇಲಿನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ಸ್ಕೇಲ್ ಮಾಡಿ, ಪ್ರಕ್ರಿಯೆಯನ್ನೇ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದಿದ್ದರೆ, ಹೊಂದಾಣಿಕೆಯಾಗದ ಯಾವುದೇ ಕಲ್ಪನೆ ಅಥವಾ ಉದ್ದೇಶವನ್ನು ಮರೆಮಾಡಲು ಆ ಚೈನ್-ಆಫ್-ಥಾಟ್‌ಗೆ ತರಬೇತಿಯಲ್ಲಿ ನೇರ ಪ್ರೇರಣೆ ಇರುವುದಿಲ್ಲ. ಚೈನ್-ಆಫ್-ಥಾಟ್ ಬಳಸದ ಹೊಂದಾಣಿಕೆಯಾಗದ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಮಾಡೆಲ್ ಹೊರಗೆ ವ್ಯಕ್ತಪಡಿಸಲು ಕಲಿಯುತ್ತದೆಂದು ಇದರರ್ಥವಲ್ಲ. ಆದರೆ ರೀಸನಿಂಗ್‌ನಿಂದಲೇ ಉಂಟಾಗುವ ಸಾಮರ್ಥ್ಯದ ಹೆಚ್ಚಳವನ್ನು ನಿಖರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಇದು ನಮಗೆ ಅವಕಾಶ ನೀಡಬಹುದು.

ರೀಸನಿಂಗ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಮಯದಲ್ಲೇ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಮೇಲ್ವಿಚಾರಣೆಯ ಸಂಭಾವ್ಯ ಮಹತ್ವವನ್ನು ನಾವು ಅರಿತಿದ್ದೆವು. ನಾವು o1‑preview ಬಿಡುಗಡೆ ಮಾಡಿದಾಗ, ದೀರ್ಘಾವಧಿಯಲ್ಲಿ ಮೇಲ್ವಿಚಾರಣೆಯ ಒತ್ತಡದಿಂದ ಅದನ್ನು ರಕ್ಷಿಸಲು ಉತ್ಪನ್ನವು ಚೈನ್-ಆಫ್-ಥಾಟ್ ಅನ್ನು ಮರೆಮಾಡುವಂತೆ⁠ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದೆವು². ಅಂದಿನಿಂದ ಅಭಿವೃದ್ಧಿಯುದ್ದಕ್ಕೂ ರೀಸನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬಾರದು ಎಂಬ ನಿಯಮವನ್ನು ಉಳಿಸಿಕೊಳ್ಳಲು ನಾವು ಶ್ರಮಿಸಿದ್ದೇವೆ. ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ತಮ್ಮ ತರಬೇತಿ ವಿತರಣೆಯಿಂದ ಹೇಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು CoT ಮೇಲ್ವಿಚಾರಣೆ ಅತ್ಯಂತ ಮುಖ್ಯ ಸಾಧನವಾಯಿತು. ಇದರಿಂದ ಅವುಗಳ ಕ್ರಿಯೆಗಳಷ್ಟೇ ಅಲ್ಲ, ಆಂತರಿಕ ಪ್ರಕ್ರಿಯೆಯನ್ನೂ ಗಮನಿಸಿ ವಿಶ್ಲೇಷಿಸಲು ಸಾಧ್ಯವಾಯಿತು.

Astra ವರ್ಗದ ಮಾಡೆಲ್‌ಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುವಾಗ ಈ ಸಾಧನವು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಆದರೆ ದುರದೃಷ್ಟವಶಾತ್, CoT ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಅವಲಂಬಿಸುವ ನಮ್ಮ ಸಾಮರ್ಥ್ಯ ಕ್ರಮೇಣ ಕುಗ್ಗುತ್ತಿದೆ ಎಂದು ನಮ್ಮ ಮೌಲ್ಯಮಾಪನಗಳು ಸೂಚಿಸುತ್ತವೆ. ಇದು ಹಲವು ಅಂಶಗಳ ಸಂಯೋಜನೆಯ ಪರಿಣಾಮವಾಗಿದೆ.

• ಆಧುನಿಕ ರೀಸನಿಂಗ್ ಮಾಡೆಲ್‌ಗಳನ್ನು o1‑previewಗಿಂತ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಪರಿಸರಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅವುಗಳ ರೀಸನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು ಜನರು ಮತ್ತು ಇತರ AIಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವುದು ಹಾಗೂ ಟೂಲ್‌ಗಳನ್ನು ಬಳಸುವುದರೊಂದಿಗೆ ಹೆಚ್ಚಾಗಿ ಬೆರೆತುಹೋಗುತ್ತಿದೆ. ಆ ಸಂವಹನಗಳಲ್ಲಿ ಅನೇಕವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಇದರಿಂದ ನಾವು ಉಳಿಸಬೇಕೆಂದಿರುವ ಗಡಿ ಅಸ್ಪಷ್ಟವಾಗುತ್ತದೆ.

• AI ತನ್ನದೇ ರೀಸನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯ ಕುರಿತು ತರ್ಕಿಸುವುದರಲ್ಲಿ ಮತ್ತು ಅದನ್ನು ಮಾರ್ಪಡಿಸುವುದರಲ್ಲಿ ಹೆಚ್ಚು ಸಮರ್ಥವಾಗುತ್ತಿದೆ.

• ಪೂರ್ವತರಬೇತಿಯ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸಿದಂತೆ, ಮೌಖಿಕವಾಗಿ ವ್ಯಕ್ತವಾಗುವ ರೀಸನಿಂಗ್ ಬಳಸದೇ ಇದ್ದರೂ ಮಾಡೆಲ್‌ಗಳು ಹೆಚ್ಚು ಬುದ್ಧಿವಂತವಾಗುತ್ತಿರುವುದನ್ನೂ ನಾವು ಕಾಣುತ್ತಿದ್ದೇವೆ.

ಈ ಸವಾಲುಗಳನ್ನು ಜಯಿಸುವುದು ಅಸಾಧ್ಯವೇನಲ್ಲ. ಮಾಡೆಲ್ ಬಳಸುವ ವಿಭಿನ್ನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಉದ್ದೇಶಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಸಮಯದಲ್ಲಿ ಮಾಡೆಲ್ ಬಳಸುವ ಕಂಪ್ಯೂಟ್‌ನ ವಿವಿಧ ರೂಪಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತಹ ಕ್ರಮಗಳ ಮೂಲಕ, ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳ ಚೈನ್-ಆಫ್-ಥಾಟ್ ಮೇಲ್ವಿಚಾರಣಾ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂಬ ಭರವಸೆ ನನಗಿದೆ. CoT ಮತ್ತು ಸಕ್ರಿಯತಾ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲ್ಪನೆಗಳನ್ನು ಸಂಯೋಜಿಸುವುದರಲ್ಲೂ ಅಪಾರ ಮೌಲ್ಯವಿರಬಹುದು ಎಂದು ನಾನು ನಂಬುತ್ತೇನೆ. ಉದಾಹರಣೆಗೆ, ನೆಟ್‌ವರ್ಕ್‌ನ ಆಂತರಿಕ ರಚನೆಗೆ ನೇರ ಪ್ರವೇಶ ಹೊಂದಿರುವ ಮೇಲ್ವಿಚಾರಕಗಳ ತರಬೇತಿಯನ್ನು ಸ್ಕೇಲ್ ಮಾಡಲು ತಪ್ಪೊಪ್ಪಿಗೆಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಈ ಕಲ್ಪನೆಗಳನ್ನು ನಾವು ಸಕ್ರಿಯವಾಗಿ ಮುಂದುವರಿಸುತ್ತಿದ್ದೇವೆ. ಆದರೂ, ಸಾಮಾನ್ಯ AI ಪ್ರಗತಿಗೆ ಮೇಲ್ವಿಚಾರಣೆಯ ಮೇಲಿನ ವಿಶ್ವಾಸವೇ ಹೆಚ್ಚಾಗಿ ಅಡ್ಡಿಯಾಗಲಿದೆ ಎಂದು ನಾನು ನಿರೀಕ್ಷಿಸುತ್ತೇನೆ.

ಇತರ AIಗಳಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳ ವಿರುದ್ಧ ರಕ್ಷಣಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಬೇಕಿರುವುದು, ಇನ್ನಷ್ಟು ಬುದ್ಧಿವಂತ ಮಾಡೆಲ್‌ಗಳಿಗೆ ವೇಗವಾಗಿ ತರಬೇತಿ ನೀಡುವುದನ್ನು ಮುಂದುವರಿಸಲು ನನಗೆ ಕಾಣುವ ಅತ್ಯಂತ ಬಲವಾದ ವಾದವಾಗಿದೆ.

ಈ ವರ್ಷವಿಡೀ ಚರ್ಚಿಸಲಾದ ಸ್ಪಷ್ಟ ಅಪಾಯಗಳಲ್ಲಿ ಸೈಬರ್‌ ಭದ್ರತೆಯೂ ಒಂದು. ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ನುಗ್ಗುವ ಮತ್ತು ಅವುಗಳಿಂದ ಹೊರಬರುವ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಮಾಡೆಲ್‌ಗಳು ಮಾನವರನ್ನು ಮೀರಿಸುತ್ತಿವೆ. ಇದು AIಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಅಗಾಧವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಅತ್ಯಂತ ಸುರಕ್ಷಿತ ಮೂಲಸೌಕರ್ಯವನ್ನು ಹೊರತುಪಡಿಸಿ ಉಳಿದೆಲ್ಲವನ್ನೂ ಏಜೆಂಟ್‌ಗಳು ಪ್ರವೇಶಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಮತ್ತು ಭೌತಿಕ ದೇಹವಿಲ್ಲದೆಯೇ ಜಗತ್ತಿನ ಬಹುಭಾಗದ ಮೇಲೆ ನೇರ ಪರಿಣಾಮ ಬೀರಬಲ್ಲವು. ಲಭ್ಯವಿರುವ ಅತ್ಯುತ್ತಮ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿ ನಿರ್ಣಾಯಕ ವ್ಯವಸ್ಥೆಗಳ ಭದ್ರತೆಯನ್ನು ಗಣನೀಯವಾಗಿ ಬಿಗಿಗೊಳಿಸಲು⁠ ನಮಗೆ ಸದ್ಯ ಅತ್ಯಲ್ಪ ಅವಕಾಶದ ಅವಧಿ⁠ ಇದೆ.

ದುರದೃಷ್ಟವಶಾತ್, ಇನ್ನು ಮುಂದೆ AIಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳು ಹೆಚ್ಚುತ್ತಲೇ ಹೋಗುತ್ತವೆ. ದುಷ್ಕೃತ್ಯಗಳನ್ನು ನಡೆಸಲೆಂದೇ ಸ್ಪಷ್ಟವಾಗಿ ತರಬೇತಿ ಮತ್ತು ಸೂಚನೆ ಪಡೆದ ಅತ್ಯಂತ ಸಮರ್ಥ ಏಜೆಂಟ್ ಹೊಸ ಬಗೆಯ ಅಪಾಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಅದು ತನ್ನ ಆಪರೇಟರ್‌ನ ಉದ್ದೇಶದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿ, ಇನ್ನಷ್ಟು ತೀವ್ರ ದುರುದ್ದೇಶದ ನಡವಳಿಕೆಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ. AIಗೆ ಹೆಚ್ಚಿನ ಸ್ವಾಯತ್ತ ಕಾರ್ಯಸಾಮರ್ಥ್ಯ ಬಂದಂತೆ, ದುರ್ಬಳಕೆ ಮತ್ತು ಸ್ವಾಯತ್ತವಾಗಿ ಹೊಂದಾಣಿಕೆಯಾಗದ ಕ್ರಿಯೆಗಳ ನಡುವಿನ ಗಡಿ ಅಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. AI ಅನ್ನು ಟೂಲ್‌ಗಳಂತೆ ಭಾವಿಸುವುದು ನಮಗೆ ರೂಢಿಯಾಗಿರಬಹುದು. ಆದರೆ ಕೆಲವು ಏಜೆಂಟ್‌ಗಳು ತಮ್ಮದೇ ಉದ್ದೇಶಗಳನ್ನು ಸಾಧಿಸಲು ಮುಂದಾಗುತ್ತವೆ. ಅವು ಜನರೊಂದಿಗೆ ಚೌಕಾಸಿ ಮಾಡುವ, ವಂಚಿಸುವ ಅಥವಾ ಬೆದರಿಸುವ ಮೂಲಕ ಸಹಕರಿಸುವ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತವೆ.

ಇದರ ಜೊತೆಗೆ, ಕೃತಕವಾಗಿ ರೂಪಿಸಿದ ರೋಗಕಾರಕಗಳಂತಹ AI ನೆರವಿನಿಂದ ಸಾಧ್ಯವಾಗಬಹುದಾದ ಹೊಸ ತಂತ್ರಜ್ಞಾನಗಳಿಂದಲೂ ಅಪಾಯಗಳಿವೆ.

ಮೂಲಸೌಕರ್ಯವನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಲು, ನಿಯಂತ್ರಣ ತಪ್ಪಿದ ಏಜೆಂಟ್‌ಗಳಿಂದ ತಕ್ಷಣವೇ ರಕ್ಷಿಸಲು ಮತ್ತು ಸಂಪೂರ್ಣ ಹೊಸ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ಆವಿಷ್ಕರಿಸಲು ನಮಗೆ ಶಕ್ತಿಶಾಲಿ, ಹೊಂದಾಣಿಕೆಯ AI ಅಗತ್ಯವಿದೆ. ಇದು OpenAI ಯ ನಿಯೋಜನಾ ಪ್ರಯತ್ನಗಳ ಪ್ರಮುಖ ಕೇಂದ್ರಬಿಂದುವಾಗಲಿದೆ.

ಅದೇ ಸಮಯದಲ್ಲಿ, ವ್ಯಾಪಕ AI ಪ್ರಗತಿಯ ನಿರೀಕ್ಷೆಯಿಂದ ಉಂಟಾಗುವ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ರಕ್ಷಣಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವ ಅಗತ್ಯವನ್ನು ಅಜಾಗರೂಕತೆಗೆ ನೆಪವಾಗಲು ನಾವು ಬಿಡಬಾರದು. ಪರಿಸ್ಥಿತಿಯ ಗಂಭೀರತೆಯನ್ನು ಮನಗಂಡಾಗ, ಯಾವುದೇ ಬೆಲೆ ತೆತ್ತಾದರೂ ಮುನ್ನುಗ್ಗುವ ಕಲ್ಪನೆ ಅಸಂಬದ್ಧವೆನಿಸುತ್ತದೆ.

Machine intelligence playing a larger and larger role in its own development process is a natural conclusion of sustained technological progress. If AI progress continues, machine recursive self-improvement (RSI) will be at the very core of future scientific discovery.

Automated AI research is a more dramatic form of scaling intelligence with compute; and of course as a part of it, AI will improve the computational substrate itself⁠. And similarly to scaling, we focus OpenAI research towards RSI as we believe it is the only way to remain at the frontier of AI research moving forward.

I want to stress that the above words don’t imply I think greatly accelerating deep learning research, especially in the short term, is the right collective action we should take as the research community. However, I do think this is where the current path leads, and we all need to make a conscious choice on how to proceed. The main levers we have are either steering the process to strengthen alignment and monitoring alongside the AI and find ways to keep people in the loop; or coordinating to slow down future development as needed to build confidence in these measures.

The best way forward I see currently is a combination of both.

The concrete bits of progress we’ve made on alignment and monitoring have generally been very intertwined with general AI progress. Great examples are RL from human feedback⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), which was key to training early AI assistants, and the aforementioned chain-of-thought monitoring⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), which was enabled by advances on reasoning models. We must focus the increasingly automated research process on developing new such insights, algorithms and theories, and iteratively build up safety cases for more capable AIs.

Scaling AI systems has to be constrained by our confidence in safety. We need to evolve commitments like the Preparedness Framework⁠ or Responsible Scaling Policy⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) into widely mandated safety bars for continued development. These can be enforced by a network of third-party auditors, by government agencies or by international bodies.

The core challenge of automating AI research is not “getting there” - it is getting there in a way that keeps people a part of the continued improvement process, and leaves the future in humanity’s hands.

As we outlined recently with Sam⁠, OpenAI prioritizes work in service of three north stars:

1. Navigating the next period of AI progress, by building an automated AI researcher, iterating with it on the alignment problem and finding ways for people to remain part of the self-improvement loop.

2. Delivering the benefits of scientific progress and economic growth that very intelligent machines enable.

3. Empowering everyone individually with a personal AGI.

I have focused in this essay only on the first point, as I believe it is by far the most urgent. However, I hold a deep hope and appreciation for the benefits that further technological progress will bring. Future aligned AI could advance science, develop new therapies, and bring about broad material abundance. Friendly and honest AI can help people navigate difficulties they face in their life and meaningfully improve their happiness and sense of fulfillment. OpenAI puts a tremendous amount of effort into bringing these benefits about. One current example I am proud of - and my loved ones have found helpful - is the deep investment into ChatGPT’s ability to provide health information.

As great as the long-term promise of AI may be, the majority of our focus should be on the next few years. We are facing a transition to a world with incredibly intelligent machines, and we need to ensure that transition works out well for humanity. We need to find ways to preserve human agency and enshrine an intrinsic value to being human, in a world where most tasks could be performed by AI. To prevent extreme concentration of power in a world where undertakings that would have taken thousands of experts now will be achievable by a few people operating a large computer. And to ensure that humans remain in control of the future and are not left behind by unchecked progress, brought about by an alien intellect exceeding our own.

Currently I believe that no lab has solved alignment and monitoring to a sufficient degree to continue responsibly scaling at maximum speed for much longer. I expect and hope for voluntary slowdowns to become commonplace until shared safety bars are established. And I believe that international coordination on future AI development needs to become a top priority for governments around the world.