பேட்டி Geoffrey Hinton

Geoffrey Hinton, "AI-இன் காட்ஃபாதர்" என்று அடிக்கடி புகழப்படும் இவர், சமீபத்தில் ஒரு வெளிப்படையான உரையாடலில் பங்கேற்றார். அதில் தனது அசாதாரணப் பயணம், அவர் கண்டறிந்த ஆச்சரியமான உண்மைகள் மற்றும் இவரைத் தொடர்ந்து தூண்டும் ஆழமான கேள்விகள் ஆகியவற்றைத் தெளிவுபடுத்தினார். தனது ஆரம்பகால கல்வித் தேடல்களில் ஏற்பட்ட அமைதியான ஏமாற்றங்கள் முதல் கார்னகி மெல்லனின் பரபரப்பான, எதிர்கால-நோக்கமுள்ள ஆய்வகங்கள் வரை, ஹிண்டன் செயற்கை நுண்ணறிவின் பரிணாம வளர்ச்சியைப் பற்றி மிகவும் தனிப்பட்ட மற்றும் அறிவுபூர்வமாகத் தூண்டும் ஒரு பார்வையை வழங்குகிறார். இந்த உரை, அவரது தனித்துவமான பணிவு, கூர்மையான நுண்ணறிவு மற்றும் ஏற்றுக்கொள்ளப்பட்ட ஞானத்தின் மீதான ஆரோக்கியமான சந்தேகம் ஆகியவற்றின் கலவையால் மெருகூட்டப்பட்டது.

AI-க்கான தற்செயலான பாதை: சந்தேகங்கள், ஏமாற்றங்கள் மற்றும் ஆழமான உள்ளுணர்வுகள்

AI ஆராய்ச்சித் துறையில் ஒரு முன்னோடியாக ஹிண்டனின் பாதை ஒரு நேர்கோட்டில் அமையவில்லை. நுண்ணறிவைப் புரிந்துகொள்ளும் அவரது ஆரம்பத் தேடல் கேம்பிரிட்ஜில் உடலியல் படிப்பதன் மூலம் தொடங்கியது. ஆனால், "நியூரன்கள் எப்படி செயல் திறன்களைக் கடத்துகின்றன" என்பதை மட்டுமே அவர் கற்றுக்கொண்டபோது, அதை "மிகவும் ஏமாற்றமளிப்பதாக" அவர் விரைவாகக் கண்டார். "அது மிகவும் சுவாரஸ்யமானது என்றாலும், மூளை எப்படி வேலை செய்கிறது என்று அது சொல்லவில்லை." மனதைப் புரிந்துகொள்ளும் நோக்கில் தத்துவத்திற்கு மாறியதும் அதேபோல் ஏமாற்றமளிப்பதாக இருந்தது. எடின்பர்க்கில் AI-யை ஆழமாக ஆராயும் வரை, அவருக்கு ஒரு உண்மையான ஆர்வம் ஏற்படவில்லை: "குறைந்தது நீங்கள் விஷயங்களை உருவகப்படுத்த முடிந்தது, அதனால் கோட்பாடுகளைச் சோதிக்க முடிந்தது."

இந்த ஆரம்பகால ஏமாற்றம் ஒரு மைய உள்ளுணர்வை உருவாக்கியது. நியூரல் நெட்வொர்க் இணைப்பு வலிமைகள் பற்றி டொனால்ட் ஹெப்பின் எழுத்துக்களையும், பாரம்பரிய கணினிகளிலிருந்து மூளை எவ்வாறு வித்தியாசமாகக் கணக்கிடுகிறது என்பது பற்றி ஜான் வான் நியூமானின் எழுத்துக்களையும் அவர் படித்தார். நுண்ணறிவுக்கான நடைமுறையில் இருந்த குறியீட்டுத் தர்க்க அணுகுமுறையிலிருந்து ஹிண்டன் உள்ளுணர்வாக விலகினார். "மூளை கற்றுக்கொள்ள ஒரு வழி இருக்க வேண்டும் என்று எனக்குத் தோன்றியது, மேலும் எல்லாவிதமான விஷயங்களையும் அதற்குள் நிரல்படுத்தி, பின்னர் தர்க்கரீதியான முடிவுகளைப் பயன்படுத்தினால் அது நிச்சயமாக நடக்காது, அது ஆரம்பத்திலிருந்தே எனக்குப் பைத்தியக்காரத்தனமாகத் தோன்றியது." அதற்கு பதிலாக, அவரது கவனம், மூளை எப்படி ஒரு நியூரல் நெட்வொர்க்கில் உள்ள இணைப்புகளை சிக்கலான பணிகளைச் செய்ய மாற்றுவதற்குக் கற்றுக்கொள்கிறது என்ற அடிப்படைக் கேள்விக்குச் சுருங்கியது. இது அவரது பிற்காலப் பணிகளில் பெரும்பாலானவற்றிற்கு அடித்தளமாக அமைந்த ஒரு நேர்த்தியான எளிமையாகும்.

முக்கிய கற்றல்கள்:

• ஆரம்பகால கல்வி ஏமாற்றங்கள் AI-யில் உருவகப்படுத்துதல் மற்றும் அனுபவபூர்வமான சோதனைகளை நோக்கி ஒரு மாற்றத்தைத் தூண்டின.
• மூளையின் செயல்பாட்டிற்கான முதன்மை மாதிரியாக குறியீட்டுத் தர்க்கத்திற்கு எதிராக ஹிண்டன் ஒரு ஆரம்பகால, வலுவான உள்ளுணர்வை உருவாக்கினார்.
• எளிமையான நியூரல் செயல்பாடுகள் சிக்கலான கற்றலுக்கு எவ்வாறு வழிவகுக்கும் என்பதைப் புரிந்துகொள்வதில் அவரது அடிப்படை ஆர்வம் இருந்தது.

இணைப்புகளை உருவாக்குதல்: போல்ட்ஸ்மேன் மெஷின்கள் முதல் "மறைக்கப்பட்ட அடுக்குகள்" வரை

1970-களின் பிற்பகுதியில் கார்னகி மெல்லனில் நிலவிய சூழல் பரபரப்பாக இருந்தது, இங்கிலாந்தில் அவர் முன்னதாகப் பெற்ற அனுபவங்களுக்கு இது முற்றிலும் வேறுபட்டது. ஒரு சனிக்கிழமை இரவு 9 மணிக்கு ஆய்வகத்திற்குச் சென்றபோது, அது "கூட்டமாக இருந்தது... அனைத்து மாணவர்களும் அங்கு இருந்தனர், அவர்கள் அனைவரும் எதிர்காலத்திற்காக வேலை செய்து கொண்டிருந்ததால் அங்கே இருந்தனர்" என்று ஹிண்டன் நினைவு கூர்ந்தார். இந்த வளமான சூழல் முக்கியமான ஒத்துழைப்புகளை வளர்த்தது, குறிப்பாக டெர்ரி செஜ்னோவ்ஸ்கியுடன் போல்ட்ஸ்மேன் மெஷின்களில் அவர் பணிபுரிந்த காலம் - இதை ஹிண்டன் "நான் இதுவரை செய்த ஆராய்ச்சிகளில் மிகவும் உற்சாகமானது" என்று விவரிக்கிறார். போல்ட்ஸ்மேன் மெஷின்கள் "மூளை செயல்படும் முறை அல்ல" என்று அவர் இப்போது நம்பினாலும், கற்றல் அல்காரிதத்தின் கோட்பாட்டு நேர்த்தி அவருக்கு ஆழமான பெருமைக்குரிய விஷயமாகவே உள்ளது.

மற்றொரு முக்கிய தொடர்பு பீட்டர் பிரவுனுடன் ஏற்பட்டது, இவர் பேச்சு அறிதலில் பணிபுரியும் ஒரு புள்ளியியல் நிபுணர். பிரவுன் ஹிண்டனை ஹிடன் மார்கோவ் மாடல்களுக்கு (HMMs) அறிமுகப்படுத்தினார், இது ஒரு சரியான மொழியியல் உத்வேகத்தை வழங்கிய கருத்துரு. ஹிண்டன் ஏற்கனவே பல அடுக்கு நெட்வொர்க்குகளைப் பயன்படுத்திக் கொண்டிருந்தார், ஆனால் அதற்கு ஒரு பெயர் இல்லை, மேலும் HMMகளில் உள்ள "ஹிடன்" என்பது "அவற்றின் செயல்பாடு என்னவென்று உங்களுக்குத் தெரியாத மாறிகளுக்கு ஒரு சிறந்த பெயர்" என்று அவர் முடிவு செய்தார். இவ்வாறு, நியூரல் நெட்வொர்க்குகளில் பரவலாகப் பயன்படுத்தப்படும் "மறைக்கப்பட்ட அடுக்குகள்" உருவாயின. ஹிண்டன் தனது மாணவர்களுக்குப் பணிவுடன் பெருமை சேர்த்தார், "அவர் என்னிடமிருந்து கற்றுக்கொண்டதை விட நான் அவரிடமிருந்து அதிகமாகக் கற்றுக்கொண்டேன் என்று நினைக்கிறேன்" என்று குறிப்பிட்டார். அவர் வழிகாட்டியவர்களிடமிருந்து கற்றுக்கொள்ளும் இந்த மனப்பான்மை இலியா என்ற ஒரு குறிப்பிட்ட மாணவருடன் மிகவும் தெளிவாக வெளிப்பட்டது. ஒரு ஞாயிற்றுக்கிழமை, இலியா சுட்ஸ்கேவர் "அவசரமான தட்டுதலுடன்" ஹிண்டனின் அலுவலகத்திற்குள் நுழைந்து, கோடைகாலத்தில் "ஃப்ரைஸ் சமைப்பதை விட" ஆய்வகத்தில் இருக்க விரும்புவதாக அறிவித்தார். பேக்-ப்ராபகேஷன் குறித்த ஒரு ஆய்வுக் கட்டுரை வழங்கப்பட்ட பிறகு, இலியாவின் உடனடி, ஆழமான கருத்து என்னவென்றால், அவருக்குச் சங்கிலி விதி புரியவில்லை என்பதல்ல, மாறாக: "ஏன் நீங்கள் கிராடியன்ட்டை ஒரு புத்திசாலித்தனமான செயல்பாட்டு உகப்பாக்கிக்குக் கொடுக்கவில்லை என்று எனக்குப் புரியவில்லை." ஒரு ஆழமான, மிகவும் அடிப்படைக் கேள்விக்கு அவர் உடனடியாகத் தாவியது, சுட்ஸ்கேவரின் அசாதாரணமான "விஷயங்களைப் பற்றிய தூய உள்ளுணர்வு [அது] எப்போதும் மிகச் சிறப்பாக இருந்தது" என்பதை முன்னறிவித்தது.

முக்கிய நடைமுறைகள்:

• கூட்டு ஆராய்ச்சியைத் தழுவுவது, குறிப்பிடத்தக்க தூரங்களில் கூட, அறிவியல் கண்டுபிடிப்புகளுக்கு முக்கியமானதாக இருந்தது.
• மாணவர்களின் தனித்துவமான நுண்ணறிவு மற்றும் பங்களிப்புகளுக்காக அவர்களிடமிருந்து கற்றுக்கொள்வதும், அவர்களுக்குப் பெருமை சேர்ப்பதும் விலைமதிப்பற்றதாக நிரூபிக்கப்பட்டது.
• அடிப்படை AI கருத்துக்களுக்குப் பெயரிடுவது பெரும்பாலும் நடைமுறைத் தேவைகள் மற்றும் பல்துறை உத்வேகத்திலிருந்து உருவானது.
• ஒரு மாணவரின் உள்ளார்ந்த, தூய உள்ளுணர்வுக்கு மதிப்பளிப்பது, அது ஏற்கனவே நிறுவப்பட்ட கருத்துக்களைச் சவால் செய்தாலும், முன்னேற்றத்திற்கு அவசியம்.

அளவின் எதிர்பாராத சக்தி: அடுத்த வார்த்தை கணிப்புக்கு அப்பால்

ஹிண்டனின் பிற்கால வாழ்க்கையில் ஒரு தொடர்ச்சியான கருப்பொருள், அளவின் ஆழமான தாக்கம் ஆகும். இலியா சுட்ஸ்கேவரின் மந்திரமான – "நீங்கள் அதை பெரிதாக்கினால் அது சிறப்பாகச் செயல்படும்" – என்பதை ஹிண்டன் ஆரம்பத்தில் "ஒரு தப்பித்தல்" என்றும், "புதிய யோசனைகள் உதவும்" என்றும் நினைத்தாலும், இறுதியில் கணக்கீடு மற்றும் தரவின் மகத்தான சக்தியை அவர் ஒப்புக்கொண்டார். "நான் அடிப்படையில் சரியாக இருந்தேன் - ட்ரான்ஸ்ஃபார்மர்கள் போன்ற புதிய யோசனைகள் நிறைய உதவின, ஆனால் அது உண்மையில் தரவின் அளவு மற்றும் கணக்கீட்டின் அளவே." விக்கிபீடியாவில் எழுத்து அளவிலான கணிப்பைப் பயன்படுத்திய இலியா மற்றும் ஜேம்ஸ் மார்ட்டின்ஸ் எழுதிய 2011 ஆம் ஆண்டு ஆய்வுக் கட்டுரையை அவர் நினைவு கூர்ந்தார்: "அது எதையும் புரிந்துகொண்டது என்று எங்களால் ஒருபோதும் நம்ப முடியவில்லை, ஆனால் அது புரிந்துகொண்டது போல் தோன்றியது."

அடுத்த வார்த்தையைக் கணிப்பது ஒரு மேலோட்டமான பணி என்ற கருத்தை ஹிண்டன் கடுமையாக மறுக்கிறார். சிக்கலான சூழலில் அடுத்த குறியீட்டைக் கணிக்க இந்த மாடல்கள் கட்டாயப்படுத்தப்படுவதால் தான் அவை ஆழமான புரிதலை வளர்த்துக் கொள்கின்றன என்று அவர் வாதிடுகிறார். "அடுத்த குறியீட்டைக் கணிக்க, என்ன சொல்லப்பட்டுள்ளது என்பதை நீங்கள் புரிந்துகொள்ள வேண்டும். எனவே அடுத்த குறியீட்டைக் கணிக்கச் செய்வதன் மூலம் நீங்கள் அதை உணரத் தூண்டுகிறீர்கள் என்று நான் நினைக்கிறேன், மேலும் அது நாம் புரிந்துகொள்வது போன்றே புரிந்துகொள்கிறது என்று நினைக்கிறேன்." ஒரு கவர்ச்சிகரமான ஒப்புமையுடன் இதை அவர் விளக்குகிறார்: ஒரு உரம் குவியல் ஏன் ஒரு அணுகுண்டைப் போன்றது என்று GPT-4 இடம் கேட்பது. பெரும்பாலான மனிதர்கள் போராடும்போது, GPT-4 ஒரு "சங்கிலி எதிர்வினையின்" பொதுவான கட்டமைப்பைக் கண்டறிகிறது. வெளித்தோற்றத்தில் வேறுபட்ட கருத்துக்களுக்கு இடையில் ஒப்புமைகளைக் காணும் இந்தத் திறன்தான் "படைப்பாற்றல் எங்கிருந்து வருகிறது" என்று ஹிண்டன் நம்புகிறார். மேலும், இந்த மாடல்கள் தங்கள் பயிற்சித் தரவை விடவும் சிறப்பாகச் செயல்பட முடியும் என்று அவர் எடுத்துக்காட்டுகிறார், தவறான ஆலோசகரிடமிருந்து உண்மையைப் பிரித்தறியும் ஒரு புத்திசாலித்தனமான மாணவரைப் போலவே. 50% தவறான தரவில் பயிற்சி பெற்ற ஒரு நியூரல் நெட்வொர்க் 5% பிழையை மட்டுமே அடைந்த ஒரு பரிசோதனையை அவர் சுட்டிக்காட்டுகிறார். "அவை தங்கள் பயிற்சித் தரவை விட மிகச் சிறப்பாகச் செயல்பட முடியும், பெரும்பாலானவர்களுக்கு அது தெரிவதில்லை."

முக்கிய மாற்றங்கள்:

• புதிய அல்காரிதம்களை விடவும், தரவு மற்றும் கணக்கீட்டு அளவின் மகத்தான சக்தி குறித்த பார்வையில் ஒரு ஆழமான மாற்றம்.
• "அடுத்த குறியீட்டைக் கணிப்பது" என்ற ஒரு மேலோட்டமான பணியை, ஆழமான புரிதலை கட்டாயப்படுத்தும் ஒரு வழிமுறையாக மறுமதிப்பீடு செய்தல்.
• தெளிவான ஒப்புமைகளை அடையாளம் காணும் திறன் மூலம் பெரிய மாடல்களின் உருவாகும் படைப்பாற்றலை அங்கீகரித்தல்.
• AI அதன் பயிற்சித் தரவில் உள்ள பிழைகளைச் சரிசெய்து பொதுமைப்படுத்த முடியும் என்பதைப் புரிந்துகொள்வது, மனிதர்கள் வழங்கிய எடுத்துக்காட்டுகளை மிஞ்சும் திறன்.

நிலைத்தன்மையைப் பொறியியல் செய்தல்: பகுத்தறிவு, பன்முகத்தன்மை மற்றும் கணக்கீட்டின் எதிர்காலம்

எதிர்காலத்தைப் பார்க்கையில், மனித கற்றலுக்கு ஒத்த ஒரு செயல்முறை மூலம் AI பகுத்தறிவு முன்னேறும் என்று ஹிண்டன் கருதுகிறார்: ஆரம்ப உள்ளுணர்வுகளைச் சரிசெய்யப் பகுத்தறிவைப் பயன்படுத்துவது, ஆல்ஃபாகோ தனது மதிப்பீட்டுச் செயல்பாட்டை மான்டே கார்லோ ரோல்அவுட்கள் மூலம் செம்மைப்படுத்துவது போல. அவர் கூறுகிறார், "இந்த பெரிய மொழி மாடல்கள் அதைச் செய்யத் தொடங்க வேண்டும் என்று நான் நினைக்கிறேன்... மக்கள் செய்ததை வெறுமனே நகலெடுப்பதை விட அதிக பயிற்சித் தரவைப் பெறுதல்." பன்முகத் தரவு — படங்கள், வீடியோ, ஒலி — ஒருங்கிணைப்பு இதை வியத்தகு முறையில் மேம்படுத்தும், குறிப்பாக இடஞ்சார்ந்த பகுத்தறிவுக்கு. "நீங்கள் அதை பார்வை மற்றும் பொருட்களைப் பிடிப்பதன் மூலம் பயன்படுத்தினால், அது பொருட்களை மிகச் சிறப்பாகப் புரிந்துகொள்ளும்."

மொழி பற்றிய ஹிண்டனின் வளர்ந்து வரும் புரிதல் மிகவும் கவர்ச்சிகரமானது. பழைய குறியீட்டுப் பார்வையையும், முற்றிலும் திசையன் அடிப்படையிலான "எண்ண திசையன்" (thought vector) அணுகுமுறையையும் அவர் நிராகரிக்கிறார். அவரது தற்போதைய நம்பிக்கை என்னவென்றால், "இந்தக் குறியீடுகளை எடுத்து அவற்றை உட்பொதிவுகளாக மாற்றுகிறீர்கள்... இந்த மிகவும் வளமான உட்பொதிவுகள் ஆனால் உட்பொதிவுகள் இன்னும் குறியீடுகளுடன் தொடர்புடையவை... அதுதான் புரிதல்." இந்த கலவை மொழியின் மேற்பரப்பு அமைப்பைப் பராமரிக்கும் அதே வேளையில், ஆழமான, திசையன் அடிப்படையிலான அர்த்தத்தை அதற்குள் செலுத்துகிறது. இந்த உரையாடல் GPUs-க்கான அவரது ஆரம்பகால ஆதரவையும் தொடுகிறது, இது ரிக் ஸெலிஸ்கி, கேமிங் ஹார்டுவேர், ஒரு NIPS பேச்சு மற்றும் ஜென்சன் ஹுவாங்கிடமிருந்து தாமதமான ஒரு இலவச GPU ஆகியவற்றை உள்ளடக்கிய ஒரு கதை. இருப்பினும், இந்த டிஜிட்டல் வெற்றியை குறைந்த ஆற்றல் கொண்ட அனலாக் கணக்கீட்டைப் பின்தொடர்வதில் ஏற்பட்ட அவரது தோல்வியுடன் அவர் ஒப்பிடுகிறார். இது ஒரு ஆழமான உணர்வுக்கு வழிவகுத்தது: "டிஜிட்டல் அமைப்புகள் எடைகளைப் பகிர்ந்து கொள்ள முடியும், அது நம்பமுடியாத அளவிற்கு மிகவும் திறமையானது... எனவே அறிவைப் பகிர்வதில் அவை நம்மை விட மிக உயர்ந்தவை." டிஜிட்டல் எடைகளின் இந்த "நிலைத்தன்மை" முன்னோடியில்லாத கூட்டு கற்றலுக்கு வழிவகுக்கிறது.

முக்கிய நுண்ணறிவுகள்:

• AI-இன் பகுத்தறிவு திறன்கள் சுய-திருத்தம் மூலம் அதன் உள்ளுணர்வுகளை மீண்டும் மீண்டும் செம்மைப்படுத்துவதன் மூலம் ஆழமடையும், இது மனிதர்கள் உள்ளுணர்வைச் சரிபார்க்க பகுத்தறிவைப் பயன்படுத்துவதைப் பிரதிபலிக்கிறது.
• பன்முகக் கற்றல், குறிப்பாக உடல்ரீதியான தொடர்புகளை உள்ளடக்கியது, வலுவான இடஞ்சார்ந்த மற்றும் பொருள் புரிதலை வளர்ப்பதற்கு மிகவும் முக்கியமானது.
• AI-யில் (மற்றும் ஒருவேளை மனித மூளையிலும்) உண்மையான புரிதல், தூய குறியீட்டுத் தர்க்கம் அல்லது தனிமைப்படுத்தப்பட்ட "எண்ண திசையன்களை" விட, குறியீடுகளின் வளமான, சூழல் சார்ந்த உட்பொதிவுகளில் உள்ளது.
• டிஜிட்டல் AI அமைப்புகள் உள்ளார்ந்த "நிலைத்தன்மை" மற்றும் அறிவைப் பகிர்வதில் நிகரற்ற திறனைக் கொண்டுள்ளன, இது மாற்றக்கூடிய எடைகள் காரணமாகும், இது உயிரியல் மூளைகளை விட ஒரு அடிப்படை நன்மை.

ஆர்வமுள்ள மனம்: மூளையின் மர்மங்களை அவிழ்ப்பது மற்றும் ஆராய்ச்சியை வழிநடத்துவது

AI-இன் விரைவான முன்னேற்றங்கள் இருந்தபோதிலும், ஒரு பெரிய எல்லை இன்னும் உள்ளது என்று ஹிண்டன் நம்புகிறார்: "ஃபாஸ்ட் வெய்ட்ஸ்" - அதாவது, குறுகிய கால நினைவிற்காக மூளை பயன்படுத்தும் சினாப்டிக் வலிமைகளில் தற்காலிக, சூழல் சார்ந்த மாற்றங்களைச் சேர்ப்பது. "அது நாம் கற்றுக்கொள்ள வேண்டிய மிகப்பெரிய விஷயங்களில் ஒன்று." இந்தத் திறன் AI மாடல்களில் இதுவரை காணப்படாத முற்றிலும் புதிய நினைவகம் மற்றும் செயலாக்க வடிவங்களைத் திறக்கக்கூடும். அவரது பணி மூளை பற்றிய அவரது பார்வையிலும் ஆழமான தாக்கத்தை ஏற்படுத்தியுள்ளது, தரவுகளிலிருந்து சிக்கலான விஷயங்களைக் கற்றுக்கொள்ளும் ஒரு "பெரிய சீரற்ற நியூரல் நெட்வொர்க்" என்ற கருத்து "முற்றிலும் தவறானது" என்பதை நிரூபித்துள்ளது - இது சாம்ஸ்கியின் உள்ளார்ந்த மொழி அமைப்பு போன்ற கோட்பாடுகளுக்கு ஒரு நேரடி சவால்.

உணர்வு மற்றும் உணர்ச்சிகளின் தளத்திலும் ஹிண்டன் நுழைந்து, ஒரு தூண்டும் பார்வையை வழங்குகிறார். உணர்வுகளை "கட்டுப்பாடுகள் இல்லையென்றால் நாம் செய்யும் செயல்கள்" என்று புரிந்துகொள்ளலாம் என்று அவர் முன்மொழிகிறார். 1973 இல் எடின்பர்க்கில் இருந்த ஒரு ரோபோவை அவர் நினைவு கூர்ந்தார், அது சிதறிய குவியலிலிருந்து ஒரு பொம்மை காரை அசெம்பிள் செய்ய முடியாததால் விரக்தியடைந்து, "தன் கிரப்பரை ஓங்கி அடித்து, அவை சிதறடிக்கப்பட்டன, பின்னர் அதை ஒன்றாக இணைக்க முடிந்தது." ஹிண்டன் கவனித்தார், "ஒரு மனிதனிடம் அதைப் பார்த்தால், சூழ்நிலையுடன் அது முரண்பட்டது, ஏனென்றால் அது புரிந்துகொள்ளவில்லை, அதனால் அதை அழித்தது என்று நீங்கள் சொல்வீர்கள்." ஹிண்டனைப் பொறுத்தவரை, இது ஒரு ரோபோ ஒரு உணர்ச்சியைக் காட்டுவதற்கான ஒரு தெளிவான விளக்கமாகும். சிக்கல்களைத் தேர்ந்தெடுக்கும் விஷயத்தில், அவரது முறை புத்துணர்ச்சியூட்டும் வகையில் எளிமையானது: "எல்லோரும் ஒரு விஷயத்தில் உடன்பட்டிருக்கும் ஆனால் எனக்குத் தவறாகத் தோன்றும் ஒன்றைத் தேடுகிறேன்." பின்னர் அவர் "ஒரு சிறிய கணினி நிரலுடன் ஒரு சிறிய டெமோவை உருவாக்கி, அது நீங்கள் எதிர்பார்ப்பது போல் செயல்படவில்லை என்பதைக் காட்டுகிறார்." AI-யில் ஃபாஸ்ட் வெய்ட்ஸ் இல்லாதது தற்போது அவருக்கு "சந்தேகத்திற்குரிய" பகுதியாகும். இறுதியில், மூன்று தசாப்தங்களாக அவரை ஆட்கொண்டிருக்கும் கேள்வி தொடர்கிறது: "மூளை பேக்-ப்ராபகேஷன் செய்கிறதா?" இது அவரது நீடித்த ஆர்வத்திற்கு ஒரு சான்றாகும், AI-இன் மகத்தான நன்மைகளுடன் (சுகாதாரம் போன்ற துறைகளில்) அதன் சாத்தியமான தீங்குகளையும் அவர் ஒப்புக்கொள்கிறார். ஹிண்டனுக்கு, புரிதலைத் தேடுவது எப்போதும் முதன்மை ஊக்க சக்தியாகவே இருந்துள்ளது.

முக்கிய கற்றல்கள்:

• தற்காலிக நினைவகம் மற்றும் பல-காலஅளவு கற்றலுக்கான "ஃபாஸ்ட் வெய்ட்ஸ்"-ஐ ஒருங்கிணைப்பது AI-க்கான ஒரு முக்கியமான, வளர்ச்சியடையாத பகுதியாகும்.
• பெரிய நியூரல் நெட்வொர்க்குகளின் வெற்றி, கற்றலில், குறிப்பாக மொழிக்கான உள்ளார்ந்த அமைப்புகள் பற்றிய நீண்டகால நம்பிக்கைகளை அடிப்படையாக சவால் செய்துள்ளது.
• AI-யில் உள்ள உணர்வுகளைத் தடுக்கப்பட்ட செயல்களாகக் கருத்தலாம், இது ரோபோவின் "உணர்ச்சிகளைப்" புரிந்துகொள்வதற்கான ஒரு உறுதியான கட்டமைப்பை வழங்குகிறது.
• ஹிண்டனின் ஆராய்ச்சி உத்தி, உள்ளுணர்வாக "தவறாகத்" தோன்றும் பரவலாக ஏற்றுக்கொள்ளப்பட்ட கருத்துக்களை அடையாளம் கண்டு, பின்னர் அவற்றை எளிய செயல்விளக்கங்களுடன் நிரூபிப்பதாகும்.
• மூளை எவ்வாறு கிராடியன்ட் அடிப்படையிலான கற்றலை, குறிப்பாக பேக்-ப்ராபகேஷனை செயல்படுத்துகிறது என்பதைப் பற்றியே அவரது ஆழமான, தொடர்ச்சியான ஆர்வம் சுழல்கிறது.

"மூளை எப்படி விஷயங்களைக் கற்றுக்கொள்ள முடியும் என்பதைப் புரிந்துகொள்ளவே நான் விரும்பினேன், அதுதான் எனக்குத் தெரிந்துகொள்ள வேண்டியிருந்தது, நான் ஒருவகையில் தோல்வியுற்றேன், அந்த தோல்வியின் ஒரு பக்க விளைவாக எங்களுக்குச் சில நல்ல பொறியியல் கிடைத்தது, ஆனால் ஆம், அது உலகிற்கு ஒரு நல்ல, நல்ல, நல்ல தோல்வியாக இருந்தது" - Geoffrey Hinton