From Vectors of Mind - images at original.
ब्रायन कुलिस बोस्टन विश्वविद्यालय में मशीन लर्निंग के प्रोफेसर हैं (और मेरे पूर्व सलाहकार भी)। उन्होंने उद्योग में भी काम किया है, अमेज़न के “वेक” शब्द के लिए जिम्मेदार टीम में। हम AI के इतिहास, अनुसंधान में उद्योग बनाम अकादमिक भूमिका, और AI सुरक्षा पर चर्चा करते हैं। उन्होंने अपने क्षेत्र को कुत्तों और बिल्लियों की छवियों को वर्गीकृत करने में असफल रहने वाले गणित के शौकीनों के एक छोटे समूह से ग्रह पर सबसे गर्म तकनीक (जो हमें सभी को मार सकती है) में बदलते देखा है। एक ग्रेजुएट छात्र के रूप में, मैंने AI के विनाश पर साइंस फिक्शन चर्चाएँ पढ़ीं, और कभी-कभी उन्हें ब्रायन और अन्य प्रोफेसरों के साथ साझा किया (मैं पार्टियों में मजेदार था)। अब, उन परिदृश्यों को येशुआ बेंगियो जैसे लोग गंभीरता से लेते हैं।
हम ज्यादातर AI सुरक्षा के बारे में एक मुखर अल्पसंख्यक से सुनते हैं जिनके पास इस विषय पर अच्छी तरह से विकसित विचार हैं। लोग जिन्होंने इसके बारे में एक राय रखना उन चीजों में से एक बना लिया है जिनके बारे में वे सार्वजनिक रूप से बहस करने को तैयार हैं। लेकिन वे, बड़े पैमाने पर, वे लोग नहीं हैं जो AGI और इसके परिणामों के बारे में व्यापक रूप से उद्धृत सर्वेक्षणों का उत्तर देते हैं। यह एक मूल्यवान झलक है कि एक ऐसा स्थायी एमएल शोधकर्ता इसके बारे में कैसे सोचता है।
लेकिन मैं इसे p(doom) पर एक घंटे की बातचीत के रूप में बेचना नहीं चाहता; हम ज्यादातर समय कम शानदार मामलों पर बिताते हैं। बातचीत का ChatGPT का सारांश:
बीयू में कंप्यूटिंग और डेटा साइंस की फैकल्टी : कुलिस ने बीयू में इस नई इकाई की स्थापना के बारे में बात की, जो कंप्यूटिंग और डेटा साइंस पर केंद्रित है। यह इकाई विभिन्न विभागों से क्रॉस-डिसिप्लिनरी सहयोग और छात्र भर्ती की सुविधा प्रदान करती है।
मशीन लर्निंग का विकास : 1940 के दशक में मैककुलोच और पिट्स के न्यूरॉन्स के लिए गणितीय मॉडल से शुरू होने वाले मशीन लर्निंग के इतिहास पर चर्चा की गई। कुलिस ने शुरुआती मॉडलों से लेकर वर्तमान डीप लर्निंग वेव तक की प्रगति की व्याख्या की, दशकों में एमएल प्रतिमानों में बदलाव को उजागर किया।
विशेषज्ञ प्रणालियों से वर्तमान एमएल मॉडलों में संक्रमण : कुलिस ने 70 और 80 के दशक में प्रचलित विशेषज्ञ प्रणालियों से वर्तमान मशीन लर्निंग मॉडलों में संक्रमण का वर्णन किया। उन्होंने बताया कि कैसे शुरुआती विशेषज्ञ प्रणालियाँ सीमित और नाजुक थीं, जिससे वे वास्तविक दुनिया के अनुप्रयोगों के लिए अनुपयुक्त हो गईं।
मशीन लर्निंग अनुसंधान और उद्योग : बातचीत में अकादमिक और उद्योग के बीच एआई और एमएल प्रतिभाओं की आवाजाही पर चर्चा की गई। कुलिस ने एआई फैकल्टी को बनाए रखने में अकादमिक के सामने आने वाली चुनौतियों के बारे में बात की, जिन्हें अक्सर उद्योग की भूमिकाओं की ओर आकर्षित किया जाता है।
सांख्यिकीय एआई और कर्नेल विधियाँ : साक्षात्कार में सांख्यिकीय एआई पर चर्चा की गई, इसके इतिहास में मशीन लर्निंग में इसकी भूमिका पर जोर दिया गया। कुलिस ने सांख्यिकीय एआई में प्रायिकता मॉडल की अवधारणा और अनसुपरवाइज्ड लर्निंग में इसकी ताकत की व्याख्या की।
एमएल अनुसंधान में अकादमिक की भूमिका : कुलिस ने मशीन लर्निंग अनुसंधान के वर्तमान परिदृश्य में अकादमिक की भूमिका पर विचार किया। उन्होंने अकादमिक के सामने आने वाली चुनौतियों के बारे में बात की, जैसे संसाधन बाधाओं के कारण बड़े मॉडलों को प्रशिक्षित करने में असमर्थता, और अनुसंधान में दीर्घकालिक सोच का महत्व।
एआई के अस्तित्वगत जोखिम : चर्चा में एआई और अस्तित्वगत जोखिमों के विषय को भी शामिल किया गया, जिसमें एमएल समुदाय के भीतर बहस और राय का संदर्भ दिया गया, जिसमें हिन्टन और लेकुन जैसी उल्लेखनीय हस्तियाँ शामिल हैं।
मशीन लर्निंग का भविष्य : कुलिस ने मशीन लर्निंग के विभिन्न पहलुओं पर अपने विचार व्यक्त किए, जिसमें बड़े भाषा मॉडल, सुदृढीकरण लर्निंग, एजीआई, और व्यक्तिगत चिकित्सा शामिल हैं। उन्होंने इस क्षेत्र में क्या अधिक मूल्यांकित या कम मूल्यांकित है, इस पर अपनी राय दी।