Expert Systems முதல் ChatGPT வரை: 2026-க்கான அதிவேகப் பயணம்

செயற்கை நுண்ணறிவின் (AI) வளர்ச்சி ஒரு திடீர் வெடிப்பு போலத் தோன்றினாலும், 2026-க்கான பாதை பல தசாப்தங்களுக்கு முன்பே அமைக்கப்பட்டது. நாம் இப்போது நிலையான மென்பொருள் (static software) காலத்திலிருந்து, நிகழ்தகவு (probability) நமது டிஜிட்டல் தொடர்புகளைத் தீர்மானிக்கும் காலத்திற்கு மாறிக் கொண்டிருக்கிறோம். இந்த மாற்றம் கணினிகள் மனித நோக்கத்தை எவ்வாறு கையாள்கின்றன என்பதில் ஒரு அடிப்படை மாற்றத்தைக் குறிக்கிறது. ஆரம்பகால அமைப்புகள் ஒவ்வொரு விதியையும் மனித நிபுணர்கள் மூலம் குறியீடாக (hard-code) மாற்றுவதை நம்பியிருந்தன, இது மெதுவான மற்றும் பலவீனமான செயல்முறையாக இருந்தது. இன்று, நாம் பெரிய மொழி மாதிரிகளைப் (large language models) பயன்படுத்துகிறோம், அவை பரந்த தரவுத்தொகுப்புகளிலிருந்து வடிவங்களைக் கற்றுக்கொள்கின்றன, இது முன்பு சாத்தியமில்லாத நெகிழ்வுத்தன்மையை வழங்குகிறது. இந்த மாற்றம் வெறும் புத்திசாலித்தனமான சாட்பாட்களைப் பற்றியது மட்டுமல்ல. இது உலகளாவிய உற்பத்தித்திறன் கட்டமைப்பின் முழுமையான மாற்றத்தைப் பற்றியது. அடுத்த இரண்டு ஆண்டுகளைப் பார்க்கும்போது, எளிய உரை உருவாக்கத்திலிருந்து சிக்கலான **agentic workflows** நோக்கி கவனம் மாறுகிறது. இந்த அமைப்புகள் கேள்விகளுக்குப் பதிலளிப்பது மட்டுமல்லாமல், பல்வேறு தளங்களில் பல-படி பணிகளைச் செய்யும். இந்தத் துறையில் வெற்றி பெறுபவர்கள் சிறந்த கணிதத்தைக் கொண்டவர்கள் மட்டுமல்ல, சிறந்த விநியோகம் மற்றும் பயனர் நம்பிக்கையைக் கொண்டவர்கள். இந்த பரிணாமத்தைப் புரிந்துகொள்வது, அடுத்த தொழில்நுட்ப மாற்றத்தைக் கணிக்க முயற்சிக்கும் எவருக்கும் அவசியம்.

இயந்திர தர்க்கத்தின் நீண்ட பயணம்

நாம் எங்கு செல்கிறோம் என்பதைப் புரிந்துகொள்ள, நிபுணர் அமைப்புகளிலிருந்து (expert systems) நியூரல் நெட்வொர்க்குகளுக்கு (neural networks) மாறியதை நாம் பார்க்க வேண்டும். 1980-களில், AI என்றால் “நிபுணர் அமைப்புகள்” என்று பொருள். இவை “if-then” அறிக்கைகளின் பிரம்மாண்டமான தரவுத்தளங்களாக இருந்தன. ஒரு நோயாளிக்கு காய்ச்சல் மற்றும் இருமல் இருந்தால், ஒரு குறிப்பிட்ட தொற்றுநோயைச் சரிபார்க்கவும். தர்க்கரீதியாக இருந்தாலும், இந்த அமைப்புகளால் நுணுக்கங்களைக் கையாளவோ அல்லது அவற்றின் முன் வரையறுக்கப்பட்ட விதிகளுக்கு வெளியே உள்ள தரவைச் சமாளிக்கவோ முடியவில்லை. அவை உடையக்கூடியவை. உலகம் மாறினால், குறியீட்டை கையால் மீண்டும் எழுத வேண்டியிருந்தது. இது தொழில்நுட்பம் அதன் சொந்த எதிர்பார்ப்புகளைப் பூர்த்தி செய்ய முடியாத தேக்க நிலைக்கு வழிவகுத்தது. நாம் இப்போது மிகவும் திரவ மாதிரிகளுக்கு மாறினாலும், அந்த காலத்தின் தர்க்கம் கணினி நம்பகத்தன்மையை நாம் எவ்வாறு சிந்திக்கிறோம் என்பதில் இன்றும் தாக்கத்தை ஏற்படுத்துகிறது.

நவீன காலம் டிரான்ஸ்ஃபார்மர் ஆர்க்கிடெக்சரால் (transformer architecture) வரையறுக்கப்படுகிறது, இது 2017-ஆம் ஆண்டு ஆய்வறிக்கையில் அறிமுகப்படுத்தப்பட்ட ஒரு கருத்தாகும். இது கணினிக்கு விதிகளைக் கற்பிப்பதிலிருந்து, ஒரு வரிசையின் அடுத்த பகுதியை கணிக்கக் கற்பிக்கும் இலக்கை மாற்றியது. நாற்காலி என்றால் என்ன என்று சொல்வதற்குப் பதிலாக, மாதிரி மில்லியன் கணக்கான படங்கள் மற்றும் நாற்காலிகளின் விளக்கங்களைப் பார்த்து, ஒரு நாற்காலியின் புள்ளிவிவர சாராம்சத்தைப் புரிந்துகொள்கிறது. இதுவே ChatGPT மற்றும் அதன் போட்டியாளர்களின் மையப்பகுதியாகும். இந்த மாதிரிகள் மனிதர்களைப் போல உண்மைகளை “அறியாது”. முந்தைய சொற்களின் சூழலின் அடிப்படையில் அடுத்த மிகவும் சாத்தியமான சொல்லை அவை கணக்கிடுகின்றன. இந்த வேறுபாடு முக்கியமானது. ஒரு மாதிரி அழகான கவிதையை எழுத முடிந்தாலும், ஒரு எளிய கணிதச் சிக்கலில் ஏன் தோல்வியடைகிறது என்பதை இது விளக்குகிறது. ஒன்று மொழியின் வடிவம், மற்றொன்று இந்த மாதிரிகள் வேலை செய்ய நாம் உண்மையில் நீக்கிய கடுமையான தர்க்கம் தேவைப்படுகிறது. தற்போதைய காலம் பிரம்மாண்டமான கணினி சக்தி மற்றும் பிரம்மாண்டமான தரவுகளின் திருமணமாகும், இது மனிதனைப் போன்ற ஆனால் தூய கணிதத்தில் இயங்கும் ஒரு கருவியை உருவாக்குகிறது.

உலகளாவிய ஆதிக்கத்தின் உள்கட்டமைப்பு

இந்த தொழில்நுட்பத்தின் உலகளாவிய தாக்கம் நேரடியாக விநியோகத்துடன் பிணைக்கப்பட்டுள்ளது. ஒரு பில்லியன் அலுவலகத் தொகுப்புகளில் ஒருங்கிணைக்கப்பட்ட சற்று மோசமான மாதிரியுடன் ஒப்பிடும்போது, வெற்றிடத்தில் உருவாக்கப்பட்ட ஒரு சிறந்த மாதிரிக்கு குறைந்த மதிப்பே உள்ளது. இதனால்தான் மைக்ரோசாப்ட் மற்றும் OpenAI இடையேயான கூட்டணி தொழில்துறையை இவ்வளவு விரைவாக மாற்றியது. உலகம் ஏற்கனவே பயன்படுத்தும் மென்பொருளில் AI கருவிகளை நேரடியாக வைப்பதன் மூலம், பயனர்கள் புதிய பழக்கங்களைக் கற்றுக்கொள்ள வேண்டிய அவசியத்தைத் தவிர்த்தனர். இந்த விநியோக நன்மை ஒரு பின்னூட்ட வளையத்தை (feedback loop) உருவாக்குகிறது. அதிக பயனர்கள் அதிக தரவை வழங்குகிறார்கள், இது சிறந்த சுத்திகரிப்பு மற்றும் அதிக தயாரிப்பு பரிச்சயத்திற்கு வழிவகுக்கிறது. நடுப்பகுதிக்குள், ஒருங்கிணைந்த AI நோக்கிய மாற்றம் அனைத்து முக்கிய மென்பொருள் தளங்களிலும் கிட்டத்தட்ட உலகளாவியதாக இருக்கும்.

இந்த ஆதிக்கம் உலகளாவிய தொழிலாளர் சந்தைகளில் குறிப்பிடத்தக்க தாக்கங்களைக் கொண்டுள்ளது. டிஜிட்டல் பணிகளின் “நடுத்தர மேலாண்மை” தானியக்கமாக்கப்படுவதை நாம் காண்கிறோம். வெளிநாட்டு தொழில்நுட்ப ஆதரவு அல்லது அடிப்படை குறியீட்டு முறையை பெரிதும் நம்பியிருக்கும் நாடுகளில், மதிப்புச் சங்கிலியில் மேலே செல்வதற்கான அழுத்தம் தீவிரமாக உள்ளது. ஆனால் இது வேலை இழப்பு பற்றிய ஒருதலைப்பட்சமான கதை அல்ல. இது உயர்மட்ட திறன்களின் ஜனநாயகமயமாக்கல் பற்றியது. பைத்தானில் (Python) முறையான பயிற்சி இல்லாத ஒரு நபர் இப்போது உள்ளூர் வணிகத் தரவை பகுப்பாய்வு செய்ய செயல்பாட்டு ஸ்கிரிப்ட்களை உருவாக்க முடியும். ஒரு விரிவான செயற்கை நுண்ணறிவு பகுப்பாய்வு, இது முன்பு ஒரு பிரத்யேக தரவு அறிவியல் குழுவை வாங்க முடியாத வளரும் பொருளாதாரங்களில் உள்ள சிறு நிறுவனங்களுக்கு சமமான வாய்ப்பை வழங்குகிறது என்பதை காட்டுகிறது. இந்த மாதிரிகளை இயக்கத் தேவையான வன்பொருளுக்காக நாடுகள் போட்டியிடுவதால் புவிசார் அரசியல் பங்குகள் உயர்கின்றன. Stanford HAI-ன் படி, உயர்தர சிப்களைக் கட்டுப்படுத்துவது எரிசக்தி வளங்களைக் கட்டுப்படுத்துவது போலவே முக்கியமானது. இந்த போட்டி அடுத்த தசாப்தத்தின் பொருளாதார எல்லைகளை வரையறுக்கும்.

புதிய நுண்ணறிவுடன் வாழ்தல்

2026-ல் ஒரு திட்ட ஒருங்கிணைப்பாளரின் வாழ்க்கையில் ஒரு நாளைக் கவனியுங்கள். அவரது காலை நூறு தனித்தனி மின்னஞ்சல்களைச் சரிபார்ப்பதில் தொடங்காது. அதற்கு பதிலாக, ஒரு AI ஏஜென்ட் ஏற்கனவே மூன்று வெவ்வேறு நேர மண்டலங்களிலிருந்து இரவு நேரத் தகவல்களைச் சுருக்கமாகக் கூறியுள்ளது. இது சிங்கப்பூரில் ஒரு கப்பல் தாமதத்தைக் கொடியிட்டு, முந்தைய ஒப்பந்த விதிமுறைகளின் அடிப்படையில் மூன்று சாத்தியமான தீர்வுகளை வரைவு செய்துள்ளது. அவர் தட்டச்சு செய்வதில் நேரத்தை செலவிடுவதில்லை. அதற்கு பதிலாக, அவர் சிஸ்டம் எடுத்த தேர்வுகளை மறுபரிசீலனை செய்து அங்கீகரிப்பதில் நேரத்தை செலவிடுகிறார். இது ஒரு படைப்பாளராக இருப்பதிலிருந்து ஒரு எடிட்டராக மாறுவதாகும். இதற்கான திருப்புமுனை, AI என்பது ஒரு இலக்கு இணையதளமாக இருக்கக்கூடாது, மாறாக ஒரு பின்னணி சேவையாக இருக்க வேண்டும் என்ற உணர்தல் ஆகும். இது இப்போது ஒரு குறிப்பிட்ட உள்நுழைவு அல்லது தனி தாவல் தேவைப்படாமல் அன்றாட வேலையின் கட்டமைப்பில் பிணைக்கப்பட்டுள்ளது.

படைப்பாற்றல் துறைகளில், தாக்கம் இன்னும் தெளிவாகத் தெரிகிறது. ஒரு மார்க்கெட்டிங் குழு இப்போது வாரங்களுக்குப் பதிலாக மணிநேரங்களில் உயர்தர வீடியோ பிரச்சாரத்தை உருவாக்க முடியும். அவர்கள் ஸ்கிரிப்டை உருவாக்க ஒரு மாதிரியையும், குரல்வழியை உருவாக்க மற்றொன்றையும், காட்சிகளை அனிமேஷன் செய்ய மூன்றாவதையும் பயன்படுத்துகின்றனர். தோல்வியின் செலவு கிட்டத்தட்ட பூஜ்ஜியமாகக் குறைந்துவிட்டது, இது நிலையான பரிசோதனைக்கு அனுமதிக்கிறது. ஆனால் இது ஒரு புதிய சிக்கலை உருவாக்குகிறது: உள்ளடக்கத்தின் பெருக்கம். அனைவரும் “சரியான” பொருளை உருவாக்க முடியும் போது, அந்த பொருளின் மதிப்பு குறைகிறது. நிஜ உலக தாக்கம் நம்பகத்தன்மை மற்றும் மனிதனால் சரிபார்க்கப்பட்ட தகவல்களை நோக்கிய மாற்றமாகும். Nature-ன் ஆராய்ச்சி, மனிதன் சம்பந்தப்பட்டிருப்பதைக் குறிக்கும் குறைபாடுகளை மக்கள் ஏங்கத் தொடங்கியுள்ளனர் என்று கூறுகிறது. செயற்கை உள்ளடக்கம் இயல்புநிலையாக மாறும்போது, இந்த “மனிதத் தொடுதல்” மீதான ஆசை ஒரு பிரீமியம் சந்தைப் பிரிவாக மாறும்.

இந்த மாதிரிகள் “சிந்திக்கின்றன” அல்லது “காரணம் காட்டுகின்றன” என்று ஒரு பொதுவான குழப்பம் உள்ளது. உண்மையில், அவை அதிவேக மீட்டெடுப்பு மற்றும் தொகுப்பைச் செய்கின்றன. ஒரு பயனர் பயணத் திட்டத்தைத் திட்டமிட ஒரு மாதிரியைக் கேட்கும்போது, மாதிரி வரைபடத்தைப் பார்ப்பதில்லை. பயணத் திட்டங்கள் பொதுவாக எவ்வாறு கட்டமைக்கப்படுகின்றன என்பதன் வடிவங்களை அது நினைவுபடுத்துகிறது. விஷயங்கள் தவறாக நடக்கும்போது இந்த வேறுபாடு முக்கியமானது. மாதிரி இல்லாத ஒரு விமானத்தைப் பரிந்துரைத்தால், அது பொய் சொல்லவில்லை. அது வெறுமனே புள்ளிவிவரப்படி சாத்தியமான ஆனால் உண்மையாக தவறான எழுத்துக்களின் சரத்தை வழங்குகிறது. பொதுக் கருத்துக்கும் உண்மைக்கும் இடையிலான இந்த விலகல் தான் பெரும்பாலான கார்ப்பரேட் அபாயங்கள் வாழும் இடமாகும். மனித மேற்பார்வை இல்லாமல் சட்ட அல்லது மருத்துவத் தரவைக் கையாள இந்த அமைப்புகளை நம்பும் நிறுவனங்கள், “மாயத்தோற்றம்” (hallucination) சிக்கல் எளிதில் சரிசெய்யக்கூடிய பிழை அல்ல என்பதைக் கண்டறிகின்றன. இது தொழில்நுட்பம் எவ்வாறு செயல்படுகிறது என்பதன் அடிப்படைப் பகுதியாகும்.

செயற்கை எதிர்காலத்திற்கான கடினமான கேள்விகள்

இந்த அமைப்புகளை நமது வாழ்க்கையில் ஆழமாக ஒருங்கிணைக்கும்போது, நாம் கேட்க வேண்டும்: இந்த வசதியின் மறைமுக செலவுகள் என்ன? ஒரு பெரிய மாதிரிக்கு அனுப்பப்படும் ஒவ்வொரு வினவலுக்கும் தரவு மையங்களை குளிர்விக்க கணிசமான அளவு மின்சாரம் மற்றும் தண்ணீர் தேவைப்படுகிறது. ஒரு எளிய தேடல் வினவல் ஐந்து ஆண்டுகளுக்கு முன்பு இருந்ததை விட இப்போது பத்து மடங்கு ஆற்றலை நுகர்ந்தால், பதிலில் கிடைக்கும் ஓரளவு முன்னேற்றம் சுற்றுச்சூழல் பாதிப்பிற்கு மதிப்புள்ளதா? பயிற்சிக்காகப் பயன்படுத்தப்படும் தரவின் தனியுரிமையையும் நாம் கருத்தில் கொள்ள வேண்டும். நாம் இன்று பயன்படுத்தும் பெரும்பாலான மாதிரிகள் படைப்பாளர்களின் வெளிப்படையான அனுமதியின்றி திறந்த இணையத்தை ஸ்கிராப்பிங் செய்வதன் மூலம் உருவாக்கப்பட்டன. ஒரு சக்திவாய்ந்த AI-ன் பொது நன்மை, அதன் சாத்தியமான கலைஞர்கள் மற்றும் எழுத்தாளர்களின் தனிப்பட்ட உரிமைகளை விட அதிகமாக உள்ளதா?

மற்றொரு கடினமான கேள்வி நியூரல் நெட்வொர்க்குகளின் “பிளாக் பாக்ஸ்” தன்மையை உள்ளடக்கியது. ஒரு AI கடன் அல்லது மருத்துவ சிகிச்சையை மறுக்க முடிவு எடுத்தால், மற்றும் டெவலப்பர்களே அந்த மாதிரி ஏன் அந்த முடிவை எட்டியது என்பதை விளக்க முடியாவிட்டால், நாம் அந்த அமைப்பை உண்மையிலேயே நியாயமானது என்று அழைக்க முடியுமா? நாம் செயல்திறனுக்காக வெளிப்படைத்தன்மையை வர்த்தகம் செய்கிறோம். நமது சட்ட மற்றும் நீதித்துறை அமைப்புகளில் நாம் செய்யத் தயாராக இருக்கும் வர்த்தகம் இதுதானா? அதிகாரத்தின் மையப்படுத்தலையும் நாம் பார்க்க வேண்டும். இந்த மாதிரிகளைப் பயிற்றுவிக்கத் தேவையான பில்லியன் கணக்கான டாலர்களை ஒரு சில நிறுவனங்களால் மட்டுமே செலவிட முடிந்தால், சுதந்திரமான மற்றும் திறந்த இணையம் என்ற கருத்துக்கு என்னவாகும்? “உண்மை” என்பது மிகவும் சக்திவாய்ந்த மாதிரி சொல்வது எதுவாக இருந்தாலும் அதுதான் என்ற எதிர்காலத்தை நோக்கி நாம் நகர்கிறோம். இவை அதிக குறியீட்டுடன் தீர்க்கப்பட வேண்டிய தொழில்நுட்ப சிக்கல்கள் அல்ல. இவை மனித தலையீடு தேவைப்படும் தத்துவ மற்றும் சமூக சவால்கள். MIT Technology Review குறிப்பிட்டபடி, நாம் இப்போது எடுக்கும் கொள்கை முடிவுகள் அடுத்த ஐம்பது ஆண்டுகளின் அதிகார சமநிலையைத் தீர்மானிக்கும்.

நவீன கட்டமைப்பின் உட்புறம்

பவர் பயனர்களுக்கு, கவனம் சாட் இடைமுகத்தைத் தாண்டி, உள்ளூர் செயலாக்கம் மற்றும் API ஆர்கெஸ்ட்ரேஷன் பகுதிக்கு நகர்ந்துள்ளது. கிளவுட்-அடிப்படையிலான மாதிரிகள் மிகவும் மூல சக்தியை வழங்கினாலும், உள்ளூர் சேமிப்பு மற்றும் செயலாக்கத்தின் எழுச்சி 2026-க்கான உண்மையான கதையாகும். Ollama மற்றும் Llama.cpp போன்ற கருவிகள் பயனர்கள் தங்கள் சொந்த வன்பொருளில் சிறிய, மிகவும் திறமையான மாதிரிகளை இயக்க அனுமதிக்கின்றன. இது தனியுரிமை சிக்கலைத் தீர்க்கிறது மற்றும் சர்வர் பயணத்தின் தாமதத்தை நீக்குகிறது. சந்தையின் கீக் பிரிவு தற்போது **quantization** என்பதில் ஆவேசமாக உள்ளது, இது ஒரு மாதிரியைச் சுருக்குவதற்கான செயல்முறையாகும், இதனால் அது அதிக புத்திசாலித்தனத்தை இழக்காமல் நிலையான நுகர்வோர் GPU-வில் பொருந்தும்.

பணிப்பாய்வு ஒருங்கிணைப்பு இப்போது அதிநவீன RAG (Retrieval-Augmented Generation) பைப்லைன்கள் மூலம் கையாளப்படுகிறது. உங்கள் எல்லா தரவையும் மாதிரிக்கு அனுப்புவதற்குப் பதிலாக, உங்கள் ஆவணங்களை ஒரு வெக்டர் தரவுத்தளத்தில் சேமிக்கிறீர்கள். நீங்கள் ஒரு கேள்வியைக் கேட்கும்போது, சிஸ்டம் உங்கள் தரவின் தொடர்புடைய துணுக்குகளைக் கண்டறிந்து, அவற்றை மட்டும் சூழலாக மாதிரிக்கு வழங்குகிறது. இது பல அமைப்புகளை பாதிக்கும் கடுமையான சூழல் சாளர வரம்புகளைத் தவிர்க்கிறது. API வரம்புகள் அதிக அளவு பயன்பாடுகளுக்கு ஒரு தடையாகவே உள்ளன, இது பல டெவலப்பர்களை “மாடல் ரூட்டிங்” செயல்படுத்த வழிவகுக்கிறது. இது ஒரு மலிவான, வேகமான மாதிரி எளிதான வினவல்களைக் கையாளும் ஒரு உத்தியாகும், மேலும் கடினமான கேள்விகள் மட்டுமே விலையுயர்ந்த, உயர்தர மாதிரிகளுக்கு அனுப்பப்படுகின்றன. இந்த அணுகுமுறை செலவுகளைக் குறைக்கிறது மற்றும் ஒரே வழங்குநரை நம்புவதை விட தாமதத்தை மிகவும் திறம்பட நிர்வகிக்கிறது. முழு இணையத்திற்கும் பதிலாக குறிப்பிட்ட, உயர்தர தரவுத்தொகுப்புகளில் பயிற்சியளிக்கப்பட்ட “சிறிய மொழி மாதிரிகளை” (small language models) நோக்கிய நகர்வையும் நாம் காண்கிறோம். இந்த மாதிரிகள் பெரும்பாலும் குறியீட்டு முறை அல்லது சட்ட பகுப்பாய்வு போன்ற சிறப்புப் பணிகளில் அவற்றின் பெரிய உறவினர்களை விட சிறப்பாக செயல்படுகின்றன, அதே நேரத்தில் கணினி சக்தியில் ஒரு பகுதியை மட்டுமே கோருகின்றன. இந்த மாதிரிகளை ஒரு பணிப்பாய்வுக்குள் மாற்றும் திறன் நவீன மென்பொருள் கட்டமைப்பிற்கான ஒரு நிலையான தேவையாக மாறி வருகிறது.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

அடுத்த அடிவானம்

2026-க்கான பாதை நேர்க்கோட்டு முன்னேற்றம் அல்ல, ஆனால் தொடர்ச்சியான வர்த்தக பரிமாற்றங்கள். வெளிப்படைத்தன்மை மற்றும் கணிக்கக்கூடிய தன்மையின் இழப்பில் நாம் நம்பமுடியாத வேகம் மற்றும் நெகிழ்வுத்தன்மையைப் பெற்றுள்ளோம். தொழில்நுட்ப ஜாம்பவான்களின் விநியோக நன்மை AI-ஐ அன்றாட வாழ்க்கையின் ஒரு அங்கமாக மாற்றியுள்ளது, இருப்பினும் இந்த மாதிரிகள் எவ்வாறு செயல்படுகின்றன என்பதன் அடிப்படை உண்மை பொதுமக்களால் தவறாகப் புரிந்துகொள்ளப்படுகிறது. எதிர்காலத்தைப் பார்க்கும்போது, மாதிரிகளைப் பெரியதாக்குவதை விட அவற்றை மிகவும் திறமையாகவும் சுயமாகவும் மாற்றுவதில் கவனம் மாறும். மிகவும் வெற்றிகரமான நபர்கள் மற்றும் நிறுவனங்கள் AI-ஐ எல்லாம் அறிந்த ஒரு தீர்க்கதரிசியாக அல்லாமல், சக்திவாய்ந்த ஆனால் தவறு செய்யக்கூடிய பங்காளியாகக் கருதுபவர்களாக இருப்பார்கள். பழைய நிபுணர் அமைப்புகளின் தர்க்கம் மற்றும் நவீன நியூரல் நெட்வொர்க்குகளின் மொழியியல் திரவம் ஆகியவற்றைக் கொண்ட ஒரு அமைப்பை நம்மால் உருவாக்க முடியுமா என்பதுதான் எஞ்சியிருக்கும் நேரடி கேள்வி. அதுவரை, லூப்பில் இருக்கும் மனிதனே சமன்பாட்டின் மிக முக்கியமான பகுதியாக இருப்பான்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.