AI သည် ပညာရေးကို အစားထိုးနိုင်မည်မဟုတ်—ကျွန်ုပ်တို့ခွင့်ပြုမှသာလျှင်

(SeaPRwire) –   ဘွဲ့နှင်းသဘင် အခမ်းအနားများက မျိုးဆက်သစ် ဘွဲ့ရများအတွက် အလားအလာများကို ဂုဏ်ပြုနေချိန်တွင် မေးခွန်းတစ်ခု ပေါ်ထွက်လာသည်- AI သည် သူတို့၏ ပညာရေးကို အဓိပ္ပာယ်မဲ့စေမည်လား။

CEO အတော်များများက ထိုသို့ထင်ကြသည်။ ၎င်းတို့က AI သည် အင်ဂျင်နီယာများ၊ ဆရာဝန်များနှင့် ဆရာများနေရာတွင် အစားထိုးလာမည့် အနာဂတ်ကို ဖော်ပြကြသည်။ Meta CEO က AI သည် ကုမ္ပဏီ၏ကွန်ပျူတာကုဒ်ကိုရေးသားသော အလယ်အလတ်အင်ဂျင်နီယာများကို အစားထိုးလိမ့်မည်ဟု မကြာသေးမီက ခန့်မှန်းခဲ့သည်။ NVIDIA’s က ကုဒ်ရေးခြင်းကိုယ်တိုင်ပင် ခေတ်မမီတော့ဟုပင် ကြေညာခဲ့သည်။

Bill Gates က AI ဖွံ့ဖြိုးတိုးတက်မှု၏ အရှိန်အဟုန်သည် “ အလွန်နက်နဲပြီး အနည်းငယ် ကြောက်စရာပင်ကောင်းသည်” ဟု ဝန်ခံသော်လည်း ၎င်းသည် ထူးချွန်သည့် အသိပညာကို လူတိုင်းလက်လှမ်းမီစေနိုင်ပုံကို သူက ချီးကျူးသည်။ သူကလည်း AI သည် ကုဒ်ရေးသူများ၊ ဆရာဝန်များနှင့် ဆရာများနေရာတွင် အစားထိုးကာ အရည်အသွေးမြင့် ဆေးဘက်ဆိုင်ရာ အကြံဉာဏ်များနှင့် ကျူရှင်များကို အခမဲ့ပေးသည့် ကမ္ဘာကြီးကို မြင်ယောင်နေသည်။

ဆူညံသံများကြားမှပင် AI သည် လူသားမပါဘဲ သူ့ဘာသာသူ “ တွေး” နိုင်ခြင်း သို့မဟုတ် လုပ်ဆောင်နိုင်ခြင်း မရှိသေးပါ။ အမှန်စင်စစ် AI သည် သင်ယူမှုကို မြှင့်တင်ပေးမည်လား သို့မဟုတ် နားလည်မှုကို ထိခိုက်စေမည်လားသည် အရေးကြီးသော ဆုံးဖြတ်ချက်အပေါ် မူတည်သည်- AI အား ပုံစံများကို ခန့်မှန်းခွင့်ပြုမည်လား။ သို့မဟုတ် ၎င်းကို ရှင်းပြရန်၊ အကြောင်းပြရန်နှင့် ကျွန်ုပ်တို့ကမ္ဘာ၏ နိယာမများနှင့်အညီ တည်ရှိရန် လိုအပ်မည်လား။

AI သည် ၎င်း၏ အထွက်ကို ကြီးကြပ်ရန်သာမက လမ်းညွှန်မှု၊ အခြေခံအုတ်မြစ်နှင့် အဓိပ္ပါယ်ဖွင့်ဆိုနိုင်စွမ်းကို ပေးစွမ်းနိုင်သော သိပ္ပံဆိုင်ရာ ကာကွယ်မှုများကို ထည့်သွင်းရန်အတွက်လည်း လူသားတို့၏ ဆုံးဖြတ်ချက် လိုအပ်သည်။ 

မကြာသေးမီက AI chatbot များကို ပါးစပ်စာမေးပွဲဖြေဆိုနေသည့် အသင့်အတင့်ကောင်းမွန်သော ကျောင်းသားတစ်ဦးနှင့် နှိုင်းယှဉ်ခဲ့သည်။ “ ၎င်းတို့က အဖြေကိုသိသောအခါ သင့်ကိုပြောလိမ့်မည်၊ ၎င်းတို့က အဖြေကိုမသိသောအခါ လေလုံးထွားရာတွင် တော်တော်လေးကောင်းသည်” ဟု ပင်ဆယ်ဗေးနီးယားတက္ကသိုလ်၌ ပြုလုပ်သောပွဲတစ်ခုတွင် သူက ပြောကြားခဲ့သည်။ ထို့ကြောင့် အသုံးပြုသူတစ်ဦးသည် အကြောင်းအရာတစ်ခုခုနှင့်ပတ်သက်၍ များစွာမသိပါက Sokal ၏အဆိုအရ လေလုံးထွားနေသည့် chatbot ကို ဖမ်းမိနိုင်မည်မဟုတ်ပေ။ ကျွန်ုပ်အတွက် ထိုအချက်သည် AI ၏ “ အသိပညာ” ဟုခေါ်ဆိုသောအရာကို အတိအကျ ဖမ်းယူနိုင်ခြင်းဖြစ်သည်။ ၎င်းသည် စကားလုံးအစီအစဉ်များကို ခန့်မှန်းခြင်းဖြင့် နားလည်မှုကို အတုယူသော်လည်း အယူအဆဆိုင်ရာ အခြေခံအုတ်မြစ် ကင်းမဲ့နေသည်။

ထိုအချက်ကြောင့် “ တီထွင်ဖန်တီးနိုင်စွမ်းရှိသော” AI စနစ်များနှင့် ကြီးမားသော ဘာသာစကားပုံစံများသည် ယဉ်ကျေးမှုအနုစိတ်ကို အမှန်တကယ်နားလည်သဘောပေါက်ခြင်း ရှိမရှိနှင့်ပတ်သက်၍ အငြင်းပွားမှုများ ဖြစ်ပေါ်စေသည်။ ဆရာများက AI ကျူရှင်ဆရာများသည် ကျောင်းသားများ၏ ဝေဖန်ပိုင်းခြားနိုင်စွမ်းကို ဟန့်တားနိုင်သည်ဟု ယူဆသောအခါ သို့မဟုတ် ဆရာဝန်များက algorithm များ၏ မှားယွင်းသောရောဂါရှာဖွေမှုကို ယူဆသောအခါ ၎င်းတို့သည် တူညီသော ချို့ယွင်းချက်ကို ဖော်ထုတ်နေခြင်းဖြစ်သည်- စက်သင်ယူမှုသည် ပုံစံအသိအမှတ်ပြုရာတွင် အလွန်ကောင်းမွန်သော်လည်း စနစ်တကျ၊ စုဆောင်းထားသော လူသားတို့၏ အတွေ့အကြုံနှင့် သိပ္ပံနည်းကျနည်းလမ်းတို့မှ မွေးဖွားလာသော နက်ရှိုင်းသည့် အသိပညာ ကင်းမဲ့နေသည်။

ထိုအချက်သည် လမ်းကြောင်းတစ်ခုကို ပေးစွမ်းနိုင်သော နည်းလမ်းတစ်ခုဖြစ်သည်။ ၎င်းသည် စက်များ မည်သို့ သင်ယူသည်နှင့်ပတ်သက်၍ လူသားတို့၏ အသိပညာကို တိုက်ရိုက်ထည့်သွင်းခြင်းအပေါ် အာရုံစိုက်သည်။ PINNs (Physics-Informed Neural Networks) နှင့် MINNs (Mechanistically Informed Neural Networks) တို့သည် ဥပမာများဖြစ်သည်။ အမည်များသည် နည်းပညာဆန်သည်ဟု ထင်ရသော်လည်း အကြံဉာဏ်မှာ ရိုးရှင်းသည်- AI သည် စည်းမျဉ်းများကို လိုက်နာသောအခါ ပိုမိုကောင်းမွန်လာသည်၊ ၎င်းတို့သည် ရူပဗေဒနိယာမများ၊ ဇီဝဗေဒစနစ်များ သို့မဟုတ် လူမှုရေးဆိုင်ရာ ရွေ့လျားမှုများဖြစ်စေသည်။ ဆိုလိုသည်မှာ ကျွန်ုပ်တို့တွင် လူသားများက အသိပညာကို အသုံးပြုရန်သာမက ဖန်တီးရန်အတွက်ပါ လိုအပ်နေသေးသည်။ AI သည် ကျွန်ုပ်တို့ထံမှ သင်ယူသောအခါ အကောင်းဆုံး လုပ်ဆောင်နိုင်သည်။

MINNs များနှင့်အတူ ကျွန်ုပ်၏ကိုယ်ပိုင်လုပ်ငန်းတွင် ဤအရာကို ကျွန်ုပ်မြင်တွေ့ရသည်။ algorithm တစ်ခုကို ယခင်ဒေတာအပေါ်အခြေခံ၍ ဘာကအလုပ်ဖြစ်သည်ကို ခန့်မှန်းခွင့်ပြုမည့်အစား တည်ထောင်ထားသော သိပ္ပံဆိုင်ရာ အခြေခံမူများကို လိုက်နာရန် ၎င်းကို ကျွန်ုပ်တို့ ပရိုဂရမ်ပြုလုပ်သည်။ ဒေသတွင်း စိုက်ခင်းတစ်ခုကို ဥပမာထားကြည့်ပါ။ ဤလုပ်ငန်းမျိုးအတွက် ပွင့်ချိန်သည် အရာအားလုံးဖြစ်သည်။ စောလွန်းခြင်း သို့မဟုတ် နောက်ကျလွန်းခြင်းသည် မရှိမဖြစ်လိုအပ်သော ဆီပါဝင်မှုကို လျော့နည်းစေပြီး အရည်အသွေးနှင့် အမြတ်အစွန်းကို ထိခိုက်စေသည်။ AI တစ်ခုသည် မသက်ဆိုင်သော ပုံစံများကို လိုက်ရှာရာတွင် အချိန်ကုန်နိုင်သည်။ သို့သော် MINN တစ်ခုသည် အပင်ဇီဝဗေဒဖြင့် စတင်သည်။ ၎င်းသည် အပူ၊ အလင်း၊ နှင်းခဲနှင့် ရေကို ပွင့်ချိန်နှင့် ချိတ်ဆက်သည့် ညီမျှခြင်းများကို အချိန်မီ သင့်တင့်လျောက်ပတ်ပြီး ငွေကြေးအရ အဓိပ္ပာယ်ရှိသော ခန့်မှန်းချက်များပြုလုပ်ရန် အသုံးပြုသည်။ သို့သော် ၎င်းသည် ရုပ်ပိုင်းဆိုင်ရာ၊ ဓာတုဗေဒနှင့် ဇီဝဗေဒကမ္ဘာ မည်သို့အလုပ်လုပ်သည်ကို သိသောအခါမှသာ အလုပ်လုပ်နိုင်သည်။ ထိုအသိပညာသည် လူသားများတီထွင်သော သိပ္ပံပညာမှ ရရှိသည်။ 

ဤချဉ်းကပ်မှုကို ကင်ဆာရှာဖွေရာတွင် အသုံးပြုနေသည်ဟု မြင်ယောင်ကြည့်ပါ- ရင်သားကင်ဆာအကျိတ်များသည် သွေးစီးဆင်းမှုနှင့် ဇီဝြဖစ်ပျက်မှု တိုးလာခြင်းမှ အပူကိုထုတ်လွှတ်ပြီး ခန့်မှန်းနိုင်သော AI သည် ဒေတာပုံစံများပေါ်တွင်သာ အခြေခံ၍ အကျိတ်များကို ခွဲခြားသတ်မှတ်ရန်အတွက် အပူပုံရိပ်ထောင်ပေါင်းများစွာကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။ သို့သော် မကြာသေးမီက တီထွင်ခဲ့သော MINN ကဲ့သို့တစ်ခုသည် ခန္ဓာကိုယ်မျက်နှာပြင်အပူချိန်ဒေတာကို အသုံးပြုပြီး bioheat လွှဲပြောင်းမှုနိယာမများကို ပုံစံထဲသို့ တိုက်ရိုက်ထည့်သွင်းသည်။ ဆိုလိုသည်မှာ ခန့်မှန်းမည့်အစား အပူသည် ခန္ဓာကိုယ်အတွင်း မည်သို့ရွေ့လျားသည်ကို နားလည်သဘောပေါက်သောကြောင့် အဘယ်အရာမှားယွင်းနေသည်၊ ဘာကအကြောင်းရင်းဖြစ်သည်၊ အဘယ်ကြောင့်နှင့် အသားစိုင်တစ်ရှူးများမှတစ်ဆင့် အပူစီးဆင်းမှု၏ ရူပဗေဒကိုအသုံးပြုခြင်းဖြင့် မည်သည့်နေရာအတိအကျတွင်ရှိသည်ကို ခွဲခြားသတ်မှတ်ရန် ခွင့်ပြုပေးသည်။ ကိစ္စတစ်ခုတွင် MINN သည် အကျိတ်တည်နေရာနှင့် အရွယ်အစားကို မီလီမီတာအနည်းငယ်အတွင်း ခန့်မှန်းထားပြီး ကင်ဆာသည် ခန္ဓာကိုယ်၏ အပူချိန် လက္ခဏာကို မည်သို့အနှောက်အယှက်ပေးသည်အပေါ် အခြေခံထားသည်။

ရရှိသော သင်ခန်းစာမှာ ရိုးရှင်းသည်- လူသားများသည် မရှိမဖြစ်လိုအပ်နေသေးသည်။ AI သည် ခေတ်မီလာသည်နှင့်အမျှ ကျွန်ုပ်တို့၏အခန်းကဏ္ဍသည် ပျောက်ကွယ်မသွားပါ။ ၎င်းသည် ပြောင်းလဲနေခြင်းဖြစ်သည်။ algorithm တစ်ခုသည် ထူးဆန်းသော၊ ဘက်လိုက်သော သို့မဟုတ် မှားယွင်းသောအရာတစ်ခုကို ထုတ်လုပ်သောအခါ လူသားများသည် “ လေလုံးကို ဖမ်း” ရန်လိုအပ်သည်။ ထိုအချက်သည် AI ၏ အားနည်းချက်တစ်ခုတည်းမဟုတ်ပါ။ ၎င်းသည် လူသားတို့၏ အကြီးမားဆုံးအားသာချက်ဖြစ်သည်။ ဆိုလိုသည်မှာ ကျွန်ုပ်တို့၏ အသိပညာသည် နည်းပညာကို လမ်းညွှန်နိုင်ရန်၊ ထိန်းချုပ်နိုင်ရန်၊ ကျွန်ုပ်တို့ထင်သည့်အတိုင်း လုပ်ဆောင်ကြောင်း သေချာစေရန်နှင့် လုပ်ငန်းစဉ်တွင် လူများကို ကူညီနိုင်ရန်အတွက်လည်း ကြီးထွားရန် လိုအပ်သည်။

အစစ်အမှန် ခြိမ်းခြောက်မှုမှာ AI ပိုမိုစမတ်ကျလာခြင်းမဟုတ်ပါ။ ကျွန်ုပ်တို့၏ ဉာဏ်ရည်ဉာဏ်သွေးကို အသုံးမပြုတော့မှာကိုသာ စိုးရိမ်ရခြင်းဖြစ်သည်။ ကျွန်ုပ်တို့က AI ကို ဗေဒင်ဟောသူတစ်ဦးအဖြစ် ဆက်ဆံပါက မေးခွန်းထုတ်နည်း၊ ကျိုးကြောင်းဆင်ခြင်နည်းနှင့် အဓိပ္ပာယ်မရှိသည့်အရာကို အသိအမှတ်ပြုနည်းကို မေ့လျော့သွားနိုင်သည့်အန္တရာယ်ရှိသည်။ ကံကောင်းစွာဖြင့် အနာဂတ်သည် ဤကဲ့သို့ ဖြစ်ရန်မလိုပေ။ 

သိပ္ပံ၊ ကျင့်ဝတ်များနှင့် ယဉ်ကျေးမှု၏ စုဆောင်းထားသော လူသားတို့၏ အသိပညာအပေါ်အခြေခံ၍ ပွင့်လင်းမြင်သာပြီး အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော စနစ်များကို ကျွန်ုပ်တို့တည်ဆောက်နိုင်သည်။ မူဝါဒချမှတ်သူများသည် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော AI သို့ သုတေသနအတွက် ရန်ပုံငွေထောက်ပံ့နိုင်သည်။ တက္ကသိုလ်များသည် နယ်ပယ်ဆိုင်ရာ အသိပညာကို နည်းပညာဆိုင်ရာစွမ်းရည်များနှင့် ပေါင်းစပ်ထားသည့် ကျောင်းသားများကို လေ့ကျင့်သင်ကြားပေးနိုင်သည်။ ဆော့ဖ်ဝဲရေးဆွဲသူများသည် ပုံစံများကို အမှန်တရားအတိုင်းတည်ရှိရန် လိုအပ်သော MINNs နှင့် PINNs ကဲ့သို့သော မူဘောင်များကို လက်ခံကျင့်သုံးနိုင်သည်။ ကျွန်ုပ်တို့အားလုံး—အသုံးပြုသူများ၊ မဲဆန္ဒရှင်များ၊ နိုင်ငံသားများ—AI သည် သိပ္ပံနှင့် ရည်ရွယ်ချက်ရှိသော အမှန်တရားကို ဆောင်ရွက်ရန်သာမက ဆက်စပ်မှုများကိုပါ ဆောင်ရွက်ရန် တောင်းဆိုနိုင်သည်။

တက္ကသိုလ်အဆင့်စာရင်းအင်းများနှင့် သိပ္ပံဆိုင်ရာပုံစံပြုခြင်းကို ဆယ်စုနှစ်တစ်ခုကျော် သင်ကြားပြီးနောက် ယခုအခါ ကျောင်းသားများသည် algorithm များသည် မည်သို့အလုပ်လုပ်သည်ကို နားလည်နိုင်ရန်အပေါ် အာရုံစိုက်နေပြီး ၎င်းတို့ကို အလွတ်ကျက်သုံးမည့်အစား စနစ်များကိုယ်တိုင်ကို သင်ယူခြင်းဖြင့် ကူညီပေးနေပါသည်။ ရည်ရွယ်ချက်မှာ သင်္ချာ၊ သိပ္ပံနှင့် ကုဒ်ရေးခြင်း၏ အပြန်အလှန်ချိတ်ဆက်ထားသော ဘာသာစကားများကို တတ်မြောက်မှု မြှင့်တင်ပေးရန်ဖြစ်သည်။ 

ဤချဉ်းကပ်မှုသည် ယနေ့တွင် မရှိမဖြစ်လိုအပ်ပါသည်။ ကျွန်ုပ်တို့သည် black-box ပုံစံများတွင် “ ထုတ်လုပ်ရန်” ကိုနှိပ်မည့် အသုံးပြုသူများကို ပိုမိုမလိုအပ်ပါ။ AI ၏ယုတ္တိဗေဒ၊ ကုဒ်နှင့် သင်္ချာကို နားလည်သဘောပေါက်ပြီး ၎င်း၏ “ လေလုံး” ကို ဖမ်းနိုင်မည့်သူများ လိုအပ်သည်။ 

AI သည် ပညာရေးကို အဓိပ္ပာယ်မဲ့ဖြစ်စေခြင်း သို့မဟုတ် လူသားများကို အစားထိုးခြင်း မပြုလုပ်နိုင်ပါ။ သို့သော် လွတ်လွတ်လပ်လပ် တွေးခေါ်နည်းနှင့် သိပ္ပံပညာနှင့် နက်နက်ရှိုင်းရှိုင်း နားလည်ခြင်းတို့သည် အရေးပါကြောင်းကို ကျွန်ုပ်တို့မေ့လျော့ပါက ကျွန်ုပ်တို့ကိုယ်တိုင် အစားထိုးခံရနိုင်ပါသည်။

ရွေးချယ်မှုသည် AI ကို ငြင်းပယ်ရန် သို့မဟုတ် လက်ခံရန်မဟုတ်ပါ။ ၎င်းကို လမ်းညွှန်ရန် လုံလောက်သည့်အသိပညာနှင့် စမတ်ရှိရှိရှိနေမည်လားဟူ၍သာ ဖြစ်သည်။

“ `