முந்தைய பகுதி:
பெருமூளைப்புறணியிடம் (Neocortex) நுண்ணறிவுள்ள எந்திரங்கள் (intelligent machines) கற்றுக் கொள்ள வேண்டியன யாவை ?
வேலை, விளையாட்டு, போக்குவரத்து, மருத்துவம், பொழுதுபோக்கு போன்ற பல துறைகளும் கணினிகளின் வருகையால் உருமாறி நிற்கின்றன. இருப்பினும் பேராற்றல் கொண்ட கணினி எந்திரங்களுக்கு, பச்சிளங் குழந்தைகளைப் போல அறிமுகமில்லாத அறையில் வலம்வருதல், பென்சிலை வைத்து கிறுக்குவதல் போன்ற எளிய செயல்களும் இயலாத காரியமாகத்தான் இன்றுவரை இருந்துவருகின்றன.
அதற்கும் தீர்வு கைக்கெட்டும் தூரத்தில் வந்துவிட்டது. கீழ்க்கண்ட இரு தீவிர அறிவியல் நாட்டங்களின் சந்திப்பில் அது உதயமாகப்போகிறது.
முதலாவது, மூளையின் மீள்நோக்குப் பொறியியல் (reverse engineering of the brain). மூளையின் நுட்பங்களைக் கற்று, அதன் வழியில் அதனினும் மேம்பட்ட நுண்ணறிவுள்ள எந்திரம் உருவாக்கும் முயற்சி. மற்றையது, வெகுவேகமாக வளர்ந்து வரும் செயற்கை நுண்ணறிவுத் துறை. அடுத்த இருபது ஆண்டுகளில் இவ்விரு நாட்டங்களும் இணைந்து நுண்ணறிவு எந்திர சகாப்த வருகைக்குக் கட்டியம் கூறும்.
மூளை எப்படி பணி புரிகிறது என்றறிந்தவர்களால்தான் நுண்ணறிவுள்ள எந்திரங்களை உருவாக்க முடியுமா? ஏன்? பொறி கற்றல் (Machine Learning) உத்திகளில் ஒன்றான ஆழ்-நரம்பணுவியல் வலைத்தடங்கள் (Deep Neural Networks) என்ற தொழில் நுட்பம், குறிப்பிடத்தக்க வகையில் முன்னேறியிருக்கும் இன்றைய நிலையிலும், அது மெய்யான நுண்ணறிவை நோக்கிப் பயணிக்காமல் வெகு தொலைவிலேயே நிலை கொண்டிருக்கிறது. நம்மைப்போல் அதனால் புரிந்து கொள்ளவோ, இந்த உலகில் செயல்படவோ முடிவதில்லை. சுயமாக உலகைக் கற்றறிந்து, திட்டமிட்டுச் செயலாற்றும் மூளையே இன்றுள்ள மெய்யான நுண்ணறிவு எந்திரத்தின் ஒரே உதாரணம். எனவே நாம் மனித நுண்ணறிவின் அடிப்படைக் கொள்கைகளை அறிந்து கொண்டு, அவற்றையே மெய்யான நுண்ணறிவுள்ள எந்திர வளர் ஆக்கத்தின் (development) வழிகாட்டியாகப் பயன்படுத்திக் கொள்ளவேண்டும்.
கலிஃபோர்னியா மாகாணத்தின் ரெட் உட் சிடியில் உள்ள Numenta என்னும் என்னுடைய நிறுவனத்தில், நாங்கள் மூளையின் தனிப்பெரும் பாகமும், நுண்ணறிவின் முக்கிய காரணியுமான, பெருமூளைப் புறணியைப் (Neocotex) பயின்று வருகிறோம். அது எவ்வாறு பணியாற்றுகிறது என்றும் மனித அறிவின் அடிப்படைக் கொள்கைகள் யாவை என்றும் அறிவதே எங்கள் நோக்கம். சமீபத்திய ஆண்டுகளில் எங்கள் வேலைகளில் கணிசமான முன்னேற்றம் அடைந்திருக்கிறோம். வரப்போகும் சிந்திக்கும் எந்திரங்களில் ஒருங்கிணைக்க வேண்டியவையாக நாங்கள் கருதுகிற உயிரிய நுண்ணறிவின் (Biological Intelligence) பல்வேறு சிறப்புக் கூறுகளையும் அடையாளம் கண்டிருக்கிறோம்.
நாம் அடிப்படை உயிரியலிலிருந்து தொடங்கினால்தான், மேலே குறிப்பிட்டுள்ள கோட்பாடுகளைத் தெளிவாகப் புரிந்துகொள்ள முடியும். மனித மூளை ஊர்வனவற்றின் மூளைகளைப் போன்றே வடிவமைக்கப்பட்டுள்ளது. இரு இனத்திற்கும் அனிச்சை செயல்களைக் கட்டுப்படுத்தும் தண்டு வடம் உள்ளது; சுவாசம், இதயத்துடிப்பு போன்ற தன்னியக்கச் செயல்பாடுகளைக் கண்காணிக்கும் மூளைத்தண்டு உள்ளது; அத்துடன் உணர்ச்சிகளையும், ஆதார நடத்தைகளையும் கட்டுப்படுத்தும் நடு மூளையும் உள்ளது. ஆனால் நியோகார்டெக்ஸ் (neocortex) எனப்படும் பெருமூளைப் புறணி ஊர்வனவற்றின் மூளையில் அமைக்கப்படவில்லை. ஆனால் மனித இனம் உள்ளிட்ட எல்லாப் பாலூட்டிகளின் மூளையிலும் பெருமூளைப் புறணி அமைக்கப்பட்டுள்ளது.
பெருமூளைப்புறணி என்பது பெருமூளையின் வெளிஅடுக்கு அல்லது மேற்பரப்பு. 2 மில்லி மீட்டர் தடிமன் உள்ள ஆழமாக மடிக்கப்பட்ட விரிப்பு போன்றது. சமதரையில் விரித்தால், ஒரு பெரிய டின்னர் நாப்கின் அளவில் இருக்கும். இது மனித மூளையின் பருமனில் 75% இடத்தை நிரப்பியுள்ளது. நம்மைச் சூட்டிகையாக்குவது (smart) பெருமூளைப் புறணியே.
பிறந்த கணத்தில், பெருமூளைப் புறணியில் மிகச் சொற்ப அறிவே இருக்கும். பின்னர் அது சுயஅனுபவங்கள் மூலமாக அறிவை வளர்த்துக்கொள்கிறது. கார் ஓட்டுதல், காபி மெஷினை இயக்குதல் மற்றும் நாம் அன்றாடம் ஈடுபடும் ஆயிரக் கணக்கான இதர விஷயங்களின் மூலம் உலகைப் பற்றி அறிந்து கொண்டவை அனைத்தும் பெருமூளைப் புறணியில் சேமிக்கப் படுகின்றன. இந்த வஸ்துக்கள் யாவை, அவை உலகின் எவ்விடத்தில் இருக்கின்றன, எப்படி நடந்து கொள்கின்றன என்றெல்லாம் தொகுக்கப்பட்ட அறிவுதான் அந்த சேமிப்பின் விவரங்கள். நீங்கள் சமையல் செய்வதென்றாலும், மென்பொருள் எழுதுவதென்றாலும், தகுந்த இயக்க ஆணைகளைப் பிறப்பித்து உங்கள் நடத்தையைக் கண்காணிப்பது பெருமூளைப் புறணியே. மொழியறிவு உருவாவதும், மொழிப் புரிதல் சாத்தியமாவதும் அதனாலேயே.
மூளையும் நரம்பு மண்டலமும், நியூரான் எனப்படும் நரம்பு செல்களின் தொகுப்புகளாய் இருப்பது போன்றே, பெருமூளைப் புறணியும் நியூரான்களாலானது. எனவே, மூளை எவ்வாறு செயல்படுகிறது என்றறிய நியூரானிலிருந்து தொடங்க வேண்டும். பெருமூளைப் புறணியில் 30பில்லியன் (3000 கோடி) நியூரான்கள் உள்ளன. பொதுவாக நியூரானில், ஆக்ஸான் (Axon) எனப்படும் நீண்ட ஒற்றை வால் போன்ற அமைப்பும், டென்ட்ரைட்ஸ் (dendrites) எனப்படும் மரம் போன்ற நீட்சிகள் பலவும் காணப்படும். நியூரான் ஒரு வகை சைகை அமைப்பு (signaling system) என்று கொண்டால், ஆக்ஸான் அனுப்பும் கருவியாகும் (transmitter). டெண்ட்ரைட்ஸ் பெறும் கருவிகளாகும் (receivers). டெண்ட்ரைட்ஸின் கிளைகள் அருகே, தோராயமாக 5000-10000 ஸினாப்ஸெஸ்கள் (synapses) அமைந்துள்ளன. (இது தகவல் பரிமாறும் இடம். நியூரான்கள் ஒவ்வொன்றும் மற்ற நியூரோன்களைத் தொடுவதில்லை. விலகியிருக்கின்றன). ஒவ்வொரு ஸினாப்ஸும் ஆயிரக்கணக்கான பிற நியூரான்களின் ஸினாப்ஸிஸ்களுடன் தகவல் பரிமாற்றத்துக்காக இணைகின்றன. இவ்வாறாக மூளையில் 100 டிரில்லியனுக்கும் (ஒரு கோடி கோடி) அதிகமான ஸினாப்ஸ் இணைப்புகள் உண்டாகின்றன
நண்பரின் முகத்தை அடையாளம் காணுதல், சில நொடிகளுக்கு இசையை அனுபவித்தல், கையில் சோப்புக் கட்டியைப் பிடித்திருத்தல் போன்ற செயல்கள் அளிக்கும் எதார்த்த அனுபவம், அந்த நேரத்தில் கண்களாலும், காதுகளாலும், மற்ற உணர்வு உறுப்புகளாலும் நீங்கள் உணர்ந்தவற்றின் தகவல் உள்ளீடுகள் (inputs), பெருமூளைப் புறணியை அடைந்து அங்கே உள்ள சில நியூரான் குழுக்களை முடுக்கியதின் விளைவுதான். ஒரு நியூரான் ஊக்கமுறும்போது, அது அனுப்பும் ஒரு மின் வேதியியல் துள்ளல் (electro chemical spike), நீண்ட வால் போன்ற ஆக்ஸானில் பயணித்து ஸினாப்ஸைக் கடந்து பிற நியூரான்களுக்குள் நுழைகிறது. போதுமான உள்ளீடுகளைப் பெறும் நியூரான், அவற்றிற்குப் பதில் அளிக்கும் விதமாகத் தானும் ஊக்கமுற்று மற்ற நியூரான்களையும் முடுக்கும். எந்த நொடியிலும், புறணியில் உள்ள 3000 கோடி நியூரான்களில், ஒன்று அல்லது இரண்டு விழுக்காடு தூண்டப்பட்ட நிலையிலிருக்கும். அதாவது அத்தனை மில்லியன் நியூரான்கள் எக்கணமும் ஊக்கமுற்ற நிலையில் இருக்கும். உங்கள் வெளியுலக நடமாட்டம் மற்றும் இடைவினைகளுக்கேற்ப (interaction), தூண்டப்படும் நியூரான்களின் தொகுப்பும் மாறிக்கொண்டே இருக்கும். இவ்வாறு இடையறாது மாறிக் கொண்டிருக்கும் தூண்டப்பட்ட நியூரான் தொகுப்புகள் தரும் தோற்றவிதங்களே (patterns), சுயஉணர்வு (conscious) அனுபவமாகக் கருதப்படும் வெளியுலகு பற்றிய புலனுணர்வை வரையறுக்கின்றன.
பெருமூளைப் புறணி பெரும்பாலும் புதிதாக உருவாகும் ஸினாப்ஸ்களில் தோற்றவிதங்களைச் சேமித்து வைக்கிறது. ஏற்கனவே பார்த்த முகங்களையும் இடங்களையும் மறுபடியும் பார்க்கும்போதும் அல்லது நினைவுகூரும்போதும், அடையாளம் காட்டுவது இந்தச் சேமிப்பே. உதாரணமாக, உங்கள் நண்பரின் முகத்தை நினைவுகூர்கையில், பெருமூளைப் புறணியில் உருவாகும் நியூரான் முடுக்கல்களின் தோற்றவிதம், முன்பொருநாள் நீங்கள் அவர் முகத்தை நேரில் பார்க்கும்போது மூளையில் உருவான நியூரான் முடுக்கல்களின் தோற்றவிதத்தை ஒத்திருக்கும்.
ஒரே நேரத்தில் எளிமையானதாகவும் சிக்கலானதாகவும் இருப்பதுவே பெருமூளைப் புறணியின் தனிச் சிறப்பு. ஏன் சிக்கலானது என்கிறோமென்றால், ஒவ்வொரு அறிவாற்றல் காரியங்களுக்கும் தனித்தனிப் பகுதி என்ற முறையில், புறணி டஜன் கணக்கில் பிளவுண்டு கிடக்கிறது; ஒவ்வொரு பகுதியிலும் பல அடுக்கு (layers) நியூரான்கள் இருக்கின்றன; அந்த நியூரான்களின் வகைகளும் டஜன் கணக்கில் வேறுபடுகின்றன. மேலும் அவை நுட்பமான விதங்களில் இணைக்கப்பட்டிருக்கின்றன.
பெருமூளைப் புறணி எளிமையானது என்றும் குறிப்பிடலாம். ஏனெனில் அதன் எல்லாப் பகுதிகளின் விவரங்களும் கிட்டத்தட்ட ஒத்திருக்கின்றன. பரிணாமம் (evolution) மூலம் பெருமூளைப்புறணியின் அனைத்துச் செயல்பாடுகளுக்கும் பொருந்துகிற ஒற்றை நெறிமுறை (algorithm) உருவாகி இருப்பது தெளிவாகிறது. அத்தகைய பொது நெறிமுறையின் இருப்பே, நமக்கு உற்சாகமளிக்கிறது. ஏனெனில் அதைக் கண்டுபிடிக்க முடிந்தால், நுண்ணறிவுள்ளமையின் அர்த்தம் என்ன என்று விளங்கிக்கொள்ளலாம். நுண்ணறிவு பற்றி அறிந்தவற்றைத் திரட்டி வருங்கால எந்திரங்களை உருவாக்கலாம்.
ஆனால் இதைத்தானே செயற்கை நுண்ணறிவுத்துறை முன்பிருந்தே செய்துகொண்டிருக்கிறது? செயற்கை நுண்ணறிவு தரும் நியூரல் நெட்ஒர்க்ஸின் பெரும்பகுதி நியூரான்களை ஒத்த உபகரணங்கள் அல்லவா? உண்மை அதுவல்ல. இன்றைய செயற்கை நுண்ணறிவுத் தொழில் நுட்பக்கூறுகள் அனைத்தும் நியூரோசயின்ஸ் அளித்தவை என்றாலும், அதில் மிக எளிமைப்படுத்தப்பட்ட நியூரான் மாடல்தான் பயன்படுத்தப்படுகிறது. மெய்யான நியூரான்களின் மிக முக்கியமான சிறப்புக் கூறுகள் அந்த மாடலில் விடுபட்டிருக்கின்றன. மூளையின் சிக்கலான கட்டமைப்பின் உண்மை நிலவரத்தைப் பிரதிபலிக்காத எளிய விதங்களில் நியூரான்கள் இணைக்கப் படுகின்றன. இது போன்ற பல வேற்றுமைகள் உள்ளன. அவை மிகுந்த முக்கியத்துவம் உடையவை. இன்றைய செயற்கை நுண்ணறிவு, பிம்பங்களை லேபிள் இடுவதிலும் (labeling images), பேசிய வார்த்தைகளைக் கேட்டறிவதிலும், அடையாளம் காட்டுவதிலும் திறம்படச் செயல்பட்டாலும், மேற்குறிப்பிட்ட போதாமை காரணமாக ஆக்கத் திறனுடன் பகுத்தறிந்து, திட்டமிட்டுச் செயல்படும் நிலையை இன்னும் எட்டவில்லை
பெருமூளைப் புறணி எவ்விதம் பணியாற்றுகிறது என்று அறிவதில் நாங்கள் அடைந்துள்ள முன்னேற்றங்களின் பயனாக, எங்களுக்கு வருங்காலத்தின் சிந்திக்கும் எந்திரங்கள் எவ்வாறு செயல்பட வேண்டும் என்பது பற்றிய பல உள்ளொளிகள் (insights) கிடைத்திருக்கின்றன. இன்றைய செயற்கை நுண்ணறிவில் பெரும்பாலும் காணப்படாததும், உயிரியல் நுண்ணறிவுக்கு இன்றியமையாததுமான மூன்று அம்சங்களை இங்கே விவரிக்கப் போகிறேன். அவையாவன: மறு வயரிங் மூலம் கற்றல் (Learning by rewiring), சிக்கனமான உருவகிப்புகள் (Sparse representations), மூர்த்திகரிப்பு (embodiment)- அசைவுகளின் மூலம் உலகைப் புரிந்து கொள்வதை இது குறிக்கிறது
மறு வயரிங் மூலம் கற்றல்: மூளை சில குறிப்பிடத்தக்க கற்கும் குணங்களைக் கொண்டிருக்கிறது. முதலாவது, நாம் விரைவாகக் கற்கிறோம். பல நேரங்களில் புதிய ஒன்றை அறிந்துகொள்வதற்கு, சில மேலோட்டமான பார்வைகள் அல்லது விரல்களின் சில தொடுதல்கள் மட்டுமே போதும். இரண்டாவது, கற்றுக்கொள்ளல் என்பதே, படிப்படியாக நிகழ்கிறது. புதிதாக சிலவற்றைக் கற்குமுன், மூளையை மறு பயிற்சிக்கு உட்படுத்த வேண்டிய அவசியமோ அல்லது முன்பு கற்றதை மறக்கவேண்டிய நிர்ப்பந்தமோ இல்லை. மூன்றாவது, மூளைகள் தொடர்ந்து கற்றுக்கொள்கின்றன. திட்டமிட்டும், செயலாற்றியும் உலகில் நடமாடி வரும் வேளைகளில் கூட, நாம் கற்பதை ஒருபோதும் நிறுத்துவது இல்லை. மாறும் உலகிற்கேற்ப மதிநுட்ப அமைப்புகள் (intelligent systems) இயங்க வேண்டுமானால், விரைவு, படிப்படியான உயர்வு, எல்லையற்ற நீட்சி ஆகிய மேற்குறிப்பிட்ட சிறப்பியல்புகள் கொண்ட கற்றல் அவசியம். நம் கற்றலுக்கு உறுதுணையாக இருப்பது நியூரான்; மெய்யான நியூரான்களின் நுட்பமான செயல்பாடுகள் அவற்றைச் சக்தி மிக்க கற்கும் எந்திரங்களாக்குகின்றன.
அண்மைய ஆண்டுகளில், நரம்பியல் விஞ்ஞானிகள் டென்ட்ரைட் பற்றிய சில குறிப்பிடத்தக்க விஷயங்களைக் கற்றறிந்திருக்கிறார்கள். அவற்றில் ஒன்று, டென்ட்ரைட்டின் கிளைகள் ஒவ்வொன்றும் உருவகை உணரிகளின் (pattern detectors) தொகுப்பாகச் செயல்படுவது பற்றியது. அதனால் பெரும் எண்ணிக்கை கொண்ட நியூரான்களின் உருவகை ஏற்புச் (pattern recognition) செயல்களுக்கு, ஒரு கிளையின் 15 – 20 முடுக்கப்பட்ட ஸினாப்ஸ்களே போதும் என்பது தெளிவாகி இருக்கிறது. எனவே, நூற்றுக்கணக்கான தனித்த உருவகைகளை ஒரேயொரு நியூரான் அடையாளம் காண முடியும். அடையாளம் காணப்பட்டவற்றுள் சில உருவகைகள், அந்த நியூரானை முடுக்குகின்றன; பிற உருவகைகள் நியூரானின் நிகழ்நிலையை வருவதுரைக்கும் யூக நிலைக்கு மாற்றுகின்றன.
ஸினாப்ஸுக்கு வந்து சேர்ந்த ஒரு தரவு காரணமாக செல் அநேகமாக முடுக்கப்படும் அல்லது அநேகமாக முடுக்கப்படாது என்ற இரு நிலைகளில் ஏதோ ஒன்று கட்டாயம் நிகழும் வகையில், பயனிலுள்ள ஸினாப்ஸ்களின் செயல்திறனை மாற்றும் வகையில் கற்றல் நிகழ்கிறது என்று நரம்பியல் விஞ்ஞானிகள் நம்பியிருந்தார்கள். ஆனால் செல்களுக்கு இடையே புதிதாக முளைக்கும் ஸினாப்ஸ்கள் மூலமாகவே அதிக அளவில் கற்றல் நடக்கிறது (இதை மூளையின் மறு வயரிங் என்கிறார்கள்) என்று இப்போது கண்டுபிடித்திருக்கிறோம். ஒவ்வொரு நாளும் நியூரானில் தற்போதுள்ள ஸினாப்ஸ்களில் 40% விலக்கிக் கொள்ளப்பட்டு, அவற்றிற்கு பதிலாக சம எண்ணிக்கையில் புது ஸினாப்ஸ்கள் சேர்க்கப்படுகின்றன. புது ஸினாப்ஸ்கள் நியூரான்களுக்கிடையே புதிய இணைப்புகளை உருவாக்குகின்றன; அவையே புது நினைவுகளாகின்றன. டென்ட்ரைட்டின் கிளைகள் பெரும்பாலும் சுயேச்சையாகச் செயல்படுபவை. ஆகையால் ஒரு நியூரான் தன்னுடைய ஏதாவது ஒரு டென்ட்ரைட்டில் புது உருவகையை இனங்கண்டு கற்கும்போது, தன் மற்ற டென்ட்ரைட்கள் மூலம் அது முன்பே கற்றிருந்தவைக்கு இடையூறு ஏதும் நேர்வதில்லை.
அதனாலேயே, நாம் பழைய நினைவுகளை அழிக்காமல் புதியன கற்க முடிகிறது; மேலும் புதியன கற்கும் போதெல்லாம் மூளைக்கு மறு பயிற்சியளிக்க வேண்டிய அவசியமும் இல்லாமல் போகிறது. மேலே சொல்லப்பட்ட உயர் பண்புகள் எதுவுமே இன்றைய நரம்பியல் நெட்ஒர்க்கில் உண்டாக்கப் படவில்லை.
உயிரிய (biological) நியூரான்களின் கடும் நுட்பங்கள் அனைத்தையும் மாடல்களாக நுண்ணறிவு எந்திரங்கள் ஏற்க வேண்டிய கட்டாயம் கிடையாது. ஆனால் டென்ட்ரைட்களால் செயல்படுத்த முடிகிற திறன்களும், மறு வயரிங் மூலம் கற்றலும் மிக முக்கியமானவை. வருங்கால செயற்கை நுண்ணறிவு அமைப்புகள் கட்டாயம் இத்திறன்களைப் பெற்றிருக்க வேண்டும்.
சிக்கனமான உருவகிப்புகள் (Sparse representations): மூளையும், கணினியும் முற்றிலும் வேறுபட்ட வழிகளில் தகவலை உருவகிக்கின்றன. கணினியின் மெமரியில், ஒன்றுகளும் (1’s) பூஜ்யங்களும் (0’s) கொண்ட எல்லா சேர்வுகளும் ஏற்கத்தக்கவை. எனவே ஒரு பிட் (bit) மாறினாலும், அதன் அர்த்தம் மாறிவிடும்.
Fire என்ற வார்த்தையில் ‘i ‘க்கு பதிலாக ‘a’ போட்டால் Fare என்றாகி சம்பந்தமில்லாத வேறு வார்த்தை வந்துவிடுவது போல. அத்தகைய உருவகிப்புகள் எளிதில் தகர்ந்துவிடும் (brittle) இயல்புடையவையாகக் கருதப்படும்.
மாறாக, மூளைகளில் சிக்கனமான பரம்பிய உருவகிப்புகள் (sparse distributed representations or SDR s) உபயோகத்தில் உள்ளன. எந்த கொடுக்கப்பட்ட நொடியிலும் ஒப்பளவில் மிகக் குறைவான நியூரான்களே முடுக்கப்பட்ட நிலையில் இருப்பதால் ‘சிக்கனமான’ என அழைக்கிறோம். நீங்கள் நகரும் போதும், சிந்திக்கும்போதும் அதனால் தூண்டப்படும் நியூரான்கள் நொடிக்கு நொடி மாறிக்கொண்டே இருந்தாலும், அவற்றின் விழுக்காடு சிறிதாகவே இருக்கும். ஒவ்வொரு நியூரானும் ஒரு பிட் (bit) எனக் கொண்டால், ஒரு துண்டுத் தகவலுக்கு ஆயிரக்கணக்கான பிட்களைப் பயன்படுத்த வேண்டியிருக்கும். (கணினிகள் 8முதல் 64 பிட்கள் வரை பயன்படுத்துகின்றன). அவற்றுள் மிகக் குறைவான விழுக்காடு மட்டுமே ‘1’ஆக இருக்கும், பிறவனைத்தும் ‘0’ ஆக இருக்கும்.
உதாரணமாக SDR முறையில்‘பூனை’ என்கிற கருத்துப் படிவம் உருவாக்க விரும்புகிறீர்கள் எனக் கொள்வோம். நீங்கள் இதற்காக 10000 நியூரான்களை ஒதுக்கி அவற்றில் 100 நியூரான்கள் ‘பூனைக்காக’ ஊக்கமுற ஏற்பாடு செய்யலாம். ஊக்கமுறும் நியூரான்கள் ஒவ்வொன்றும், “செல்லப் பிராணி”, “நகங்கள் கொண்டது”, “மென்மயிர் போர்வை” போன்ற பூனையின் ஒவ்வொரு சிறப்பம்சத்தைக் குறிக்கும். அவற்றில் ஒரு சில நியூரான்கள் இறந்தாலும், கூடுதல் நியூரான்கள் சில ஊக்கமுற்றாலும், மொத்தத்தில் ஊக்கமுறும் நியூரான்கள் பெரும்பாலும் மாறாது. எனவே மாறிய உருவகிப்பும், பூனையின் சிறந்த வர்ணிப்பாகவே நீடிக்கும். இவ்வாறாக, SDR நொறுங்கும் இயல்பில்லாமலும் பிழை (error), மேலும் இரைச்சல்களை (noise) எதிர்கொள்ளும் வலிவுள்ளவையாகவும் இருக்கும். பின்னாளில் மூளையின் சிலிக்கான் வடிவங்கள் உருவாகும்போது, அவை இயற்கையாகவே பிழைபொறுப்பனவையாக விளங்கும்.
SDR இன் இரு சிறப்பியல்புகளை இங்கே குறிப்பிட விரும்புகிறேன்.
மேற்பொருந்து தன்மை (overlap property): உதாரணமாக, பூனையின் SDR மற்றும் பறவையின் SDR களில் “செல்லப்பிராணி”, “நகங்கள் கொண்டது” என்பனவற்றைக் குறிக்கும் ஊக்கமுறு நியூரான்கள் பொதுவானவையாக இருந்தாலும், “மென்மயிர் போர்வை”யைக் (furry) குறிக்கும் ஊக்கமுறு நியூரான் அவற்றை வேறுபடுத்துகிறது. இது மிகவும் எளிதாக்கப்பட்ட உதாரணம். இருப்பினும் மேற்பொருந்து தன்மை முக்கியத்துவம் வாய்ந்தது. ஏனெனில் அதன் மூலம் இந்த இரு விலங்குகளும் எந்த அம்சங்களில் ஒன்றுபட்டும், எந்த அம்சங்களில் வேறுபட்டும் இருக்கின்றன என்று மூளையால் சட்டென்று அறிந்துகொள்ள முடிகிறது. மூளைக்கு இது தரும் பொதுமைப்படுத்தும் திறன், கணினிக்குக் கிடைப்பதில்லை.
ஐக்கியத் தன்மை (union property): இதன் மூலம், மூளையால் பற்பல கருத்துக்களை ஒரே நேரத்தில் பிரதித்துவப்படுத்த முடிகிறது. உதாரணமாக, எனக்குப் புதரில் நடமாடும் விலங்கின் க்ஷணத்தோற்றம் கண்ணில் பட்டால், எதைப் பார்த்தேன் என்று உறுதியாகக் கூற முடியாது. அது பூனையோ, நாயோ அல்லது குரங்காகவோ இருக்கலாம். SDR சிக்கனமானவை என்பதால், குழப்பம் வருவது தவிர்க்கப்பட்டுத் தூண்டலுறும் நியூரான்களின் எண்ணிக்கை ஒரே நேரத்தில் இந்த மூன்று SDR-களைக் குறிக்க முடிகிறது. ஏனெனில் SDR -கள் தமக்குள் தலையிட்டுக் கொள்வதில்லை. எப்போதும் SDR -களின் ஐக்கியங்களை உருவாக்கும் திறன் நியூரான்களுக்கு இருப்பதால், அவை நிச்சயமின்மையைச் சிறப்பாகக் கையாள்கின்றன. SDR இன் மேற்சொன்ன பண்புகளே, மூளையில் நிகழும் அறிதல், சிந்தித்தல் மற்றும் திட்டமிடல்களுக்கு அடிப்படையாக இருப்பவை. SDR-களைத் தழுவியே நாம் நுண்ணறிவு எந்திரங்களை உருவாக்க முடியும்.
மூர்த்திகரிப்பு (Embodiment) : பெருமூளைப்புறணி புலன் சார்ந்த உறுப்புகளில் இருந்து தரவுகளைப் பெறுகிறது. நம் கண்கள், கைகால்கள் அல்லது உடல் நகரும் போதெல்லாம் புலனுணர்வு சார்ந்த தரவுகள் மாறுகின்றன. தொடர்ந்து மாறிக்கொண்டிருக்கும் தரவுகளை முதன்மைப் பொறிநுட்பமாக ஏற்று, மூளை அதன் மூலம் உலகைப் பற்றிக் கற்றுக்கொள்கிறது. நீங்கள் முன்னர் பார்த்திராத ஒரு பொருளை நான் உங்களுக்குப் பரிசளிக்கிறேன் என்று கற்பனை செய்து கொள்ளுங்கள். இந்த விவாதத்திற்காக, பரிசளிக்கப்பட்ட பொருள் ஒரு ஸ்டேப்ளர் என்று வைத்துக்கொள்வோம். நீங்கள் எவ்வாறு புதிய பொருள் குறித்துக் கற்றறிகிறீர்கள்? நீங்கள் ஸ்டேப்ளரைச் சுற்றி நடந்து அதைப் பல கோணங்களில் பார்க்கலாம். கையில் எடுத்து அதன் மேல் விரல்களை ஓட்டியும் கைகளில் உருட்டியும் பார்க்கலாம். தள்ளியும், இழுத்தும் எவ்வாறு இயங்குகிறது எனப் பார்க்கலாம். இந்த ஊடாட்டச் (interactive) செயல்முறையின் மூலமாக, ஸ்டேப்ளரின் வடிவம் என்ன, எப்படி இயங்குகிறது, என்ன தோற்றம் தருகிறது, அது கையில் வைத்திருக்கும்போது என்ன உணர்கிறீர்கள் என்றெல்லாம் கற்கிறீர்கள். ஒரு அசைவு உண்டாக்குகிறீர்கள்; தரவுகள் எவ்விதம் மாறுகின்றன என்று பார்க்கிறீர்கள்; மற்றொரு அசைவு உண்டாக்குகிறீர்கள்; தரவுகள் மாறுவதை மறுபடியும் பார்க்கிறீர்கள். அசைவுகளின் மூலம் கற்பதே மூளையின் முதன்மையான கற்கும் முறை. எல்லா நுண்ணறிவுள்ள அமைப்புகளிலும் இது முக்கிய அம்சமாக இருக்கும்.
இதனால் நுண்ணறிவு எந்திரங்களுக்கு ஸ்தூல உடல் தேவை என்றெல்லாம் சொல்வதாக நினைக்க வேண்டாம், அது எதைப் புலப்படுத்திக் கொள்கிறது என்பதை அசைவதன் மூலம் மாறிக்கொள்ள முடியும் என்று மட்டுமே பொருட்படுகிறது. ஒரு மெய்நிகர் (virtual) செயற்கை நுண்ணறிவு எந்திரம், சுட்டிகளைப் பின்பற்றி கோப்புகளைத் திறக்க இணையத்தில் செய்யும் இடப்பெயர்ச்சியும் அசைவுக்கான உதாரணமாகும். மெய்நிகர் நகர்வுகளால் மெய்நிகர் உலகில் பயணிக்கும்போது மெய்நிகர் உலகின் கட்டமைப்பை அறிவது, ஒரு கட்டடத்தின் உட்புறம் நடந்து செல்கையில் நமக்கு நேர்வதை ஒத்ததுதான்.
(கட்டுரையின் எஞ்சிய பகுதிகளின் சாரம் சுருக்கமாகக் கீழே தரப்படுகிறது.)
சென்சாரி மோட்டர் ஒருமைப்பாடு (sensorimotor integration): இது இடப்பெயர்வையும் புலன் உணர்வு மாற்றங்களையும் ஒருமிக்க ஏற்பதாகும்.. சென்சாரி மோட்டர் ஒருமை பெருமூளைப் புறணியின் ஒவ்வொரு பகுதியிலும் நிகழ்கிறது. தனித்த நடவடிக்கையாக அல்ல. புலன்சார் நடவடிக்கைகளின் தொகுப்பாக. இவ்வாறாக, நுண்ணறிவு நெறிமுறையின் (intelligence algorithm) முக்கிய அங்கமாக சென்சாரி மோட்டர் ஒருமைப்பாடு திகழ்கிறது.
CAD (Computer Aided Design) ப்ரோக்ராமின் செயற்பாட்டைப் போல, புறணியும் பருப்பொருட்களை அவற்றின் முப்பரிமாண மாடல்களாகவே அறிகிறது. நீங்கள் நகரும்போது, குறிப்புச் சட்டகத்தில்(reference frame), அப்போதைய இயக்க ஆணைகளுக்கேற்ப (motor commands), வஸ்துவின் இருப்பிடத்தை மாற்றி அத்துடன் புலன்சார் தரவுகளை இணைத்து அவற்றை உலகின் முப்பரிமாண மாடல்களாகப் புறணி பதிவு செய்கிறது. நுண்ணறிவு அமைப்புகளும் (intelligent system) இவ்வாறு பற்பரிமாண (multi dimensional) மாடல்களாகக் கற்க வேண்டியது அவசியம்.
மேலே சொல்லப்பட்ட மறு வயரிங் மூலம் கற்றல், சிக்கனமான பறம்பிய உருவகிப்புகள், சென்சாரிமோட்டர் ஒருமைப்பாடு என்னும் மூன்று அடிப்படைப் பண்புக் கூறுகளும் எந்திர நுண்ணறிவின் அடித்தளமாக அமையவேண்டும்.
வருங்கால சிந்திக்கும் எந்திரங்கள் உயிரியலின் எத்தனை அம்சங்களை வேண்டுமானாலும் உதாசீனம் செய்துகொள்ளலாம். ஆனால் மேற்சொன்ன மூன்றும் தவிர்க்க முடியாதவை. மேலும் வருங்கால நரம்புஉயிரியல் கண்டுபிடிப்புகள் வெளியிடப்போகும் அறிதலின் பிற அம்சங்களையும் இந்த எந்திரங்களில் சேர்க்க வேண்டியிருக்கும் என்பதில் ஐயத்துக்கு இடமில்லை. அவற்றிற்குக் காத்திராமல் இன்று நாம் அறிந்தவற்றைக் கொண்டு ஆக்கப் பணிகளைத் தொடங்கலாம்.
***
தொடர்புள்ள பதிவு:
(மூலம்: IEEE spectrum 2 ஜூன் 2017 by Jeff Hawkins. தமிழில் : கோரா)
மூலக் கட்டுரைக்கான சுட்டி: