AI-ஐ அமைதியாக மாற்றும் தற்போதைய ஆராய்ச்சிப் போக்குகள் 2026

Brute Force யுகத்தின் முடிவு

AI மாடல்களைப் பெரிதாக்கிக்கொண்டே இருக்கும் காலம் முடிவுக்கு வருகிறது. பல ஆண்டுகளாக, அதிக டேட்டா மற்றும் அதிக சிப்கள் (chips) சிறந்த செயல்திறனைத் தரும் என்ற கணிப்பில் இந்தத் துறை இயங்கி வந்தது. ஆனால், இப்போது இந்த முறை அதன் எல்லையை எட்டிவிட்டது. 2026-ல், ஒரு மாடலுக்கு எவ்வளவு தெரியும் என்பதை விட, அது எவ்வளவு சிறப்பாகச் சிந்திக்கும் என்பதே முக்கியமானது. இது வெறும் மென்பொருள் அப்டேட் அல்ல; இது ஒரு அடிப்படை மாற்றம். பதிலைக் கொடுக்கும் முன் தனது சொந்த லாஜிக்கை மதிப்பீடு செய்யும் ‘Reasoning models’ நோக்கி நாம் நகர்கிறோம். இந்த மாற்றம் கோடிங் மற்றும் கணிதம் போன்ற சிக்கலான பணிகளுக்கு AI-ஐ மிகவும் நம்பகமானதாக மாற்றுகிறது. உடனடி, ஆனால் தவறான பதில்களைத் தரும் முறையிலிருந்து, மெதுவான, துல்லியமான பதில்களைத் தரும் முறைக்கு நாம் மாறுகிறோம். இது large language models வந்த பிறகு ஏற்பட்ட மிக முக்கியமான மாற்றமாகும். வேகத்தை விட சிந்தனையின் தரம் முக்கியத்துவம் பெறும் காலம் இது. தொழில்நுட்பத் துறையில் முன்னணியில் இருக்க இந்த மாற்றத்தைப் புரிந்துகொள்வது அவசியம்.

பேசுவதற்கு முன் சிந்திக்கும் முறை

இந்த மாற்றத்தின் மையத்தில் Inference-time compute என்ற கருத்து உள்ளது. பாரம்பரிய மாடல்கள், பயிற்சியின் போது கற்ற வடிவங்களின் அடிப்படையில் அடுத்த வார்த்தையை உடனே கணிக்கும். ஆனால், புதிய தலைமுறை மாடல்கள் அப்படிச் செய்வதில்லை. நீங்கள் ஒரு கேள்வியைக் கேட்டால், அது முதல் பதிலைக் கூறாமல், பலவிதமான காரணங்களை (reasoning) உள்வாங்குகிறது. பிழைகளைச் சரிபார்த்து, தவறான லாஜிக் பாதைகளை நிராகரிக்கிறது. பயனர் ஒரு வார்த்தையைப் பார்ப்பதற்கு முன்பே இந்தச் செயல்முறை திரைக்குப் பின்னால் நடக்கிறது. இது மனிதர்கள் பேசுவதற்கு முன் சிந்திப்பதற்கு இணையான ஒரு டிஜிட்டல் செயல்முறை. இது சிக்கலான இயற்பியல் கணக்குகளைத் தீர்க்கும் திறன் கொண்ட ஒரு ‘Logic engine’-ஆக AI-ஐ மாற்றுகிறது. இது வெறும் தகவல்களைச் சேமிக்கும் டேட்டாபேஸ் அல்ல. அதிக கம்ப்யூட்டிங் பவரைப் பயன்படுத்துவதன் மூலம், பயிற்சியின் போது கிடைத்த டேட்டாவை விடவும் புத்திசாலித்தனமாகச் செயல்படும் திறனை இவை பெறுகின்றன.

சிக்கலான லாஜிக்கிற்கான புதிய பொருளாதார இயந்திரம்

Reasoning models-ன் உலகளாவிய தாக்கம் மிகப்பெரியது. இதுவரை AI பொதுவான பணிகளுக்கு மட்டுமே பயன்பட்டது, ஆனால் இப்போது சிக்கலான பொறியியல் அல்லது சட்ட விவாதங்களிலும் இது சிறப்பாகச் செயல்படுகிறது. இது தொழிலாளர் சந்தையில் பெரிய மாற்றத்தை ஏற்படுத்தும். இது வெறும் எழுத்துப் பணிகளை மாற்றுவது மட்டுமல்ல, திறமையான நிபுணர்களின் வேலையை மேம்படுத்துவதாகும். வளரும் நாடுகளில், இந்தத் தொழில்நுட்பம் ஒரு பாலமாகச் செயல்படுகிறது; பொறியாளர்கள் அல்லது மருத்துவர்கள் பற்றாக்குறை உள்ள இடங்களில் இது உயர்தர தொழில்நுட்ப நிபுணத்துவத்தை வழங்குகிறது. அறிவியல் ஆராய்ச்சியில், AI தனது சொந்த லாஜிக்கைச் சரிபார்ப்பதன் மூலம் புதிய மருந்துகள் அல்லது பொருட்களைக் கண்டறியும் வேகத்தை அதிகரிக்கிறது. OpenAI மற்றும் Nature இதழில் வெளியான ஆய்வுகள், இந்த லாஜிக்-அடிப்படையிலான அமைப்புகள் முந்தைய மாடல்களை விடச் சிறப்பாகச் செயல்படுவதை உறுதிப்படுத்தியுள்ளன.

உலகளாவிய தொழில்நுட்பத் துறை தனது வளங்களை மாற்றியமைத்து வருகிறது. நிறுவனங்கள் இப்போது சிப்களை மட்டும் வாங்காமல், இந்த மாடல்களை எவ்வாறு திறமையாக இயக்குவது என்பதில் கவனம் செலுத்துகின்றன:

• AI லாஜிக் பிழைகளைக் கண்காணிக்கும் உயர்-துல்லிய உற்பத்தி.
• சந்தை சரிவைத் தடுக்க சந்தை முரண்பாடுகளை ஆராயும் உலகளாவிய நிதித்துறை.
• வேதியியல் வினைகளைத் துல்லியமாக உருவகப்படுத்தும் அறிவியல் ஆய்வகங்கள்.
• குறைந்த மனித மேற்பார்வையுடன் கோடிங் எழுதும் மென்பொருள் மேம்பாடு.

ஒரே நாளில் சாத்தியமற்றதைத் தீர்த்தல்

இதை ஒரு உதாரணத்துடன் பார்ப்போம். மார்கஸ் ஒரு மென்பொருள் வடிவமைப்பாளர். அவர் பல மணிநேரம் தேடி வந்த பிழைகளை (bugs), இப்போது ஒரு Reasoning model மூலம் சில நிமிடங்களில் தீர்க்கிறார். AI அவருக்கு உடனடி பதிலைக் கொடுக்காமல், இரண்டு நிமிடங்கள் எடுத்துக்கொண்டு, பல்வேறு சாத்தியக்கூறுகளை ஆராய்ந்து, பிழைக்கான காரணத்தையும் தீர்வுகளையும் வழங்குகிறது. இது மார்கஸின் நேரத்தை மிச்சப்படுத்துவதோடு, அவர் உயர்நிலை உத்திகளில் கவனம் செலுத்த உதவுகிறது. மாணவர்கள் கூட இப்போது ஒரு பாடத்தை மனப்பாடம் செய்யாமல், அதன் பின்னால் உள்ள லாஜிக்கைப் புரிந்துகொள்ள AI-ஐ ஒரு ஆசிரியராகப் பயன்படுத்தலாம். மக்கள் இன்னும் AI-ஐ ஒரு வேகமான தேடுபொறியாகவே பார்க்கிறார்கள். ஆனால், இந்தத் தாமதம் இயந்திரம் சிந்திப்பதற்கான அறிகுறியாகும். மக்கள் வேகமான AI-க்கு பழகிவிட்டார்கள், ஆனால் இப்போது வரும் மெதுவான, துல்லியமான AI-க்கு அவர்கள் தயாராக இல்லை.

இந்த மாற்றம் AI-ஐ மிகவும் நம்பகமானதாக மாற்றுகிறது. மனிதர்களின் உழைப்புக்கான தரம் உயர்கிறது, ஏனெனில் AI-ன் தரம் இப்போது லாஜிக்கல் முறையில் சரிபார்க்கப்படுகிறது. சமீபத்திய AI வெளியீட்டுப் போக்குகள், லாஜிக்கல் சரிபார்ப்பில் கவனம் செலுத்துவது தொடர்ந்து அதிகரிக்கும் என்பதைக் காட்டுகின்றன.

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

டிஜிட்டல் சிந்தனையின் விலை

இந்தச் சிந்திக்கும் இயந்திரங்களை நாம் ஏற்கும் போது, அதன் மறைமுகச் செலவுகள் குறித்துக் கேள்வி எழுப்ப வேண்டும். ஒரு கேள்விக்கு பதிலளிக்க பத்து மடங்கு அதிக கம்ப்யூட்டிங் பவர் தேவைப்பட்டால், அதன் சுற்றுச்சூழல் தாக்கம் என்ன? கார்பன் தடம் (carbon footprint) குறித்து நாம் விவாதிக்க வேண்டும். மேலும், தனியுரிமை (privacy) முக்கியமானது. ஒரு மாடல் சிந்திக்கும் போது, அந்தத் தரவு எங்கே சேமிக்கப்படுகிறது? அந்த லாஜிக் பாதை எதிர்கால மாடல்களைப் பயிற்றுவிக்கப் பயன்படுத்தப்படுகிறதா? இந்த அமைப்புகளுக்கு நாம் ஒரு தனிப்பட்ட சிந்தனை இடத்தைக் கொடுக்கிறோம். அது நமக்குத் தெரிய வேண்டுமா அல்லது செயல்திறனுக்காக அது ஒரு ‘Black box’-ஆக இருக்க வேண்டுமா? மேலும், லாஜிக் உண்மையானதா அல்லது அது வெறும் நம்பிக்கையூட்டும் ஒரு மாயையா (hallucination)? இவைதான் AI ஒழுங்குமுறையின் அடுத்த கட்டத்தைத் தீர்மானிக்கும் கேள்விகள்.

மறைக்கப்பட்ட லாஜிக்கின் கட்டமைப்பு

டெவலப்பர்களுக்கு, இந்த மாடல்கள் புதிய சவால்களைக் கொண்டு வருகின்றன. ‘Reasoning tokens’ மேலாண்மை இதில் முக்கியமானது. நீங்கள் இறுதிப் பதிலை மட்டும் பார்க்கிறீர்கள், ஆனால் அந்தச் சிந்தனைச் செயல்முறைக்கும் நீங்கள் பணம் செலுத்த வேண்டியிருக்கும். இது செலவை அதிகரிக்கலாம். இப்போது ‘Latency’ என்பது நேரத்திற்குப் பதில், லாஜிக்கல் முடிவை எட்டுவதற்கான நேரமாக மாறியுள்ளது. பயனர் இடைமுகங்களில் (UI) லோடிங் ஸ்பின்னர்களுக்குப் பதில் சிந்தனைக்கான முன்னேற்றப் பட்டைகள் (progress bars) தேவைப்படுகின்றன. உள்ளூர் சேமிப்பு மற்றும் வரிசைப்படுத்தலும் (deployment) மாறுகின்றன. பெரிய மாடல்களுக்குப் பெரிய சர்வர் பண்ணைகள் தேவைப்பட்டாலும், ஆராய்ச்சியாளர்கள் சிறிய மாடல்களிலும் இந்தத் திறனைக் கொண்டு வர முயல்கின்றனர். இதற்கான தொழில்நுட்பத் தேவைகள்:

• இன்ஃபெரன்ஸின் போது லாஜிக் பாதைகளை மாற்ற உயர்-அலைவரிசை மெமரி.
• சிந்தனைச் சங்கிலியை மேம்படுத்தும் சிறப்பு கர்னல்கள்.
• லாஜிக்கை நிகழ்நேரத்தில் கண்காணிக்க அனுமதிக்கும் API ஒருங்கிணைப்புகள்.
• முடிவற்ற சுழற்சியைத் தவிர்க்க கடுமையான டோக்கன் வரம்புகள்.

2026-ல், பயனர்கள் மாடலின் சிந்தனை ஆழத்தை மாற்றிக்கொள்ளும் கருவிகள் வரும் என்று எதிர்பார்க்கிறோம். இது வேகம் மற்றும் துல்லியத்திற்கு இடையே சமநிலையை ஏற்படுத்தும்.

ஸ்மார்ட் சிஸ்டம்களுக்கான எதிர்காலப் பாதை

Reasoning models நோக்கிய பயணம் இன்றைய AI-ன் மிக முக்கியமான போக்காகும். இது வேகமான, நம்பகமற்ற பதில்களின் காலத்தை முடித்து, லாஜிக்கல் ஆழம் கொண்ட காலத்தைத் தொடங்குகிறது. இது விஞ்ஞானிகள், பொறியாளர்கள் மற்றும் மாணவர்களுக்கு ஒரு சக்திவாய்ந்த கருவியாகும். அதே சமயம், ஆற்றல், தனியுரிமை மற்றும் சிக்கலான தன்மையில் புதிய சவால்களைக் கொண்டு வருகிறது. AI எவ்வளவு தகவல்களை வைத்திருக்கிறது என்பதை விட, அதை எவ்வளவு திறம்படப் பயன்படுத்தி உலகின் கடினமான சிக்கல்களைத் தீர்க்கிறது என்பதே முக்கியம். தொழில்நுட்பம் இப்போது வெறும் வார்த்தைகளை மட்டும் கணிக்கவில்லை, உலகைப் புரிந்துகொள்ள முயல்கிறது. இறுதியாக, இந்த மாடல்கள் தங்களைச் சரிபார்க்கும் திறன் பெற்றால், மனித மேற்பார்வை தேவையில்லாத நிலையை அவை எட்டிவிடுமா?

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.

ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.