ट्युरिंग अवॉर्ड विजेते यान लेकन म्हणतात की आजच्या सर्वात प्रसिद्ध AI सिस्टीम खरोखर बुद्धिमान मशीन्सचा मार्ग नाही. त्याच्या पॅरिस-आधारित स्टार्टअपमध्ये, Advanced Machine Intelligence Labs (AMI लॅब्स), माजी मेटा प्रमुख AI शास्त्रज्ञ एक मूलतः वेगळ्या प्रकारचे मॉडेल तयार करत आहेत जे भौतिक जगाला उंदीर किंवा लहान मूल समजून घेण्यासाठी डिझाइन केलेले आहे.
पॅरिसमधील व्हिवाटेक कॉन्फरन्सच्या पार्श्वभूमीवर बीबीसीशी बोलताना लेकून यांनी असा युक्तिवाद केला की ChatGPT, क्लॉड आणि जेमिनी यांसारख्या मोठ्या भाषेच्या मॉडेल्सचा खरा उपयोग आहे पण कमाल मर्यादा आहे. AI उद्योग कव्हरेज या मर्यादांबद्दल संशोधक आणि गुंतवणूकदार कसे विचार करतात याबद्दल अधिक माहितीसाठी, LLM युगानंतर काय होते यावर व्यापक वादविवाद हा या क्षेत्रातील सर्वात परिणामकारक प्रश्न बनला आहे.
"आमच्याकडे रोबोट्स नाहीत जे उंदरासारखे भौतिक जग समजून घेण्याइतके चांगले आहेत," लेकुन म्हणाले. त्यांनी 2025 मध्ये Facebook-मालक मेटा सोडले आणि एका दशकानंतर मुख्य AI शास्त्रज्ञ म्हणून काम केले आणि पर्यायी आर्किटेक्चरचा पाठपुरावा करण्यासाठी AMI लॅबची स्थापना केली.
LeCun का म्हणते की LLM पुरेसे नाहीत
LeCun चे म्हणणे आहे की कोडिंग, गणितीय समस्या सोडवणे आणि मजकूर तयार करणे यांसारख्या चांगल्या-परिभाषित, अंदाज करण्यायोग्य कार्यांमध्ये LLM उत्कृष्ट आहेत. परंतु तो असा युक्तिवाद करतो की ही शक्ती एक सखोल मर्यादा अस्पष्ट करते: सिस्टीम वास्तविकतेच्या कारणाऐवजी सांख्यिकीय नमुन्यांमध्ये फेरफार करतात.
"ते मुळात फक्त ज्ञान जमा करतात," तो एलएलएमबद्दल म्हणाला. "ते काहीतरी रीगर्जिट करू शकतात, तुम्ही त्यांना रीगर्जिट करण्यासाठी प्रशिक्षित करता, परंतु ते विशेषतः हुशार नाहीत. त्यांच्याकडे अंतर्निहित समज नाही."
अंतर स्पष्ट करण्यासाठी, LeCun एक पेन त्याच्या टोकावर सरळ ठेवतो आणि जाऊ देतो. पेन कोसळेल हे अगदी लहान मुलालाही माहीत असते, पण तो नेमका कोणत्या दिशेने पडेल याचा अंदाज लावण्याचा कोणीही प्रयत्न करत नाही, कारण तो परिणाम खरोखरच अनिश्चित असतो. एक LLM, याउलट, त्याच्या प्रशिक्षण डेटामधील नमुन्यांवर आधारित एकल अंदाज निर्माण करण्याचा प्रयत्न करेल. तो अंदाज जवळजवळ नक्कीच चुकीचा असेल, कारण मॉडेल भौतिक परिस्थितीबद्दल तर्क करत नाही; ते सांख्यिकीयदृष्ट्या प्रशंसनीय दिसते ते निर्माण करत आहे.
"एलएलएम रोबोटिक्ससाठी मोठ्या प्रमाणात हताश आहेत," लेकुन स्पष्टपणे म्हणाले. "केवळ एलएलएम वाढवून, आम्ही सुपर ह्युमन इंटेलिजन्सपर्यंत पोहोचणार आहोत, असा दावा केला जात आहे, असे होणार नाही."
जेईपीए कसे कार्य करते
AMI लॅब्स विकसित होत असलेल्या आर्किटेक्चरला जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (JEPA) म्हणतात. पुढील शब्द किंवा पिक्सेलचा अंदाज लावण्याऐवजी, जेईपीए वास्तविक जगाचे अमूर्तीकरण तयार करते जे त्यास एखाद्या क्रियेच्या संभाव्य परिणामांचे वजन करू देते.
ती अमूर्तता तयार करताना जटिल गणिताचा समावेश होतो, परंतु तत्त्व सरळ आहे: मॉडेल निरुपयोगी तपशील फिल्टर करते, केवळ जगाचे उपयुक्त प्रतिनिधित्व सोडते. पेन उदाहरणामध्ये, जेईपीए-आधारित प्रणाली हे समजेल की पडण्याच्या अचूक दिशेचा अंदाज लावणे निरर्थक आहे आणि त्याऐवजी अमूर्ततेच्या स्तरावर परिस्थितीचे प्रतिनिधित्व करेल जी प्रत्यक्षात निर्णय घेण्यास महत्त्वाची आहे.
हा दृष्टिकोन एएमआय लॅबला तथाकथित जागतिक मॉडेल्सच्या वाढत्या हालचालीमध्ये ठेवतो, ज्याचा उद्देश एआय सिस्टमला वातावरण कसे वागतात याचे अंतर्गत सिम्युलेशन देणे आहे, जेणेकरून ते केवळ मजकूर तयार करण्याऐवजी योजना आणि कार्य करू शकतात.
स्पर्धात्मक क्षेत्र
गुंतवणूकदार पैज लावत आहेत की LeCun काहीतरी आहे. 2026 च्या सुरुवातीला, AMI लॅब्सने जाहीर केले की त्यांनी बियाणे फंडिंग फेरीत $1 बिलियन (£760 दशलक्ष) पेक्षा जास्त रक्कम जमा केली आहे, ज्यात US चिप दिग्गज Nvidia आणि Amazon संस्थापक जेफ बेझोस यांच्या खाजगी संपत्तीचे व्यवस्थापन करणाऱ्या निधीचा समावेश आहे. युरोपियन स्टार्टअप इतिहासातील ही सर्वात मोठी बीज फेरी होती.
एएमआय लॅब्स शर्यतीत एकट्यापासून दूर आहे. ऑक्सफर्ड युनिव्हर्सिटीमध्ये, प्रोफेसर इंगमार पोस्नर अप्लाइड एआय लॅबचे दिग्दर्शन करतात आणि सुमारे दहा लोकांच्या टीमचे नेतृत्व करत आहेत ज्याने पर्यायी दृष्टिकोनावर चार वर्षे घालवली आहेत, ज्याला ते "यांत्रिक जागतिक मॉडेल" म्हणतात, जे ज्ञानाची रचना करते जेणेकरून AI ते कार्यक्षमतेने लक्षात ठेवू शकेल, एकत्र करू शकेल आणि सुधारेल.
"माझे मत असे आहे की पुढचे दशक खरोखरच स्पष्ट करू शकतील अशा प्रणालींबद्दल असेल," पॉस्नर यांनी बीबीसीला सांगितले. "तुम्हाला असे मॉडेल हवे आहेत जे प्रश्नांची उत्तरे देऊ शकतील: काय महत्त्वाचे आहे? कशामुळे होते? मी दुसरे काही केले तर काय होईल?"
हा वंश डेव्हिड हा आणि जर्गेन श्मिझुबर यांच्या 2018 च्या एका प्रभावशाली पेपरमध्ये सापडतो, ज्याने असा युक्तिवाद केला की गणना आणि मशीन लर्निंगमधील प्रगती एआयला जगाच्या शिकलेल्या मानसिक सिम्युलेशनमधून पूर्णपणे कार्ये शिकू शकते. या कल्पनेने Google च्या ड्रीमर वर्ल्ड मॉडेलसह महत्त्वपूर्ण संशोधन उत्प्रेरित केले आहे, ज्याचा एक प्रकार भविष्यातील परिस्थितीची कल्पना करून Minecraft मध्ये हिरे गोळा करण्यास शिकवतो. Alphabet च्या DeepMind ने त्याच्या Genie मॉडेलसह काम सुरू ठेवले आहे, लंडन-आधारित Wayve कडे Gaia नावाची प्रणाली आहे आणि AI प्रणेते Fei-Fei Li ने 2023 मध्ये सॅन फ्रान्सिस्कोमध्ये समान उद्दिष्टे पूर्ण करण्यासाठी वर्ल्ड लॅबची स्थापना केली.
रोबोटिक्स अत्यावश्यक
जागतिक मॉडेल्सकडे झेप मोठ्या प्रमाणात रोबोटिक्स उद्योगाद्वारे चालविली जात आहे, ज्याने मानवीय रोबोट्समध्ये अब्जावधी डॉलर्स ओतले आहेत ज्यांचे शारीरिक पराक्रम दरवर्षी अधिक प्रभावी होतात. परंतु त्या मशीन्सना सुरक्षितपणे इस्त्री करणे किंवा डिशवॉशर लोड करणे यासारखी घरगुती कामे करण्यासाठी प्रशिक्षण देणे कठीण आणि महाग आहे आणि LeCun आग्रही आहे की सध्याची AI मॉडेल्स त्या वातावरणासाठी कधीही चांगली नसतील.
LeCun म्हणाले की AMI लॅब्स 2026 चा उर्वरित भाग त्याचे मॉडेल सुधारण्यासाठी खर्च करेल आणि 2027 मध्ये ते औद्योगिक सेटिंग्जमध्ये तैनात करण्यास सुरुवात करेल अशी आशा आहे. जर ते यशस्वी ठरले, तर महत्त्वाकांक्षा मोठ्या प्रमाणात वाढतील.
"अखेरीस आमच्याकडे सामान्य जेनेरिक इंटेलिजन्स सिस्टीम्स असतील ज्या कमीतकमी प्रशिक्षण किंवा उत्कृष्ट ट्यूनिंगसह जगातील कोणत्याही गोष्टीवर लागू केल्या जाऊ शकतात," तो म्हणाला.
त्या भविष्यात मानवाचे काय होईल याबद्दल, LeCun शुद्ध आहे. काय तयार करायचे आणि कोणते प्रश्न विचारायचे हे लोक अजूनही ठरवतील, ते म्हणाले, एआय सक्षम डेप्युटी म्हणून काम करते.
"भविष्यातील एआय प्रणालींशी आमचा संवाद, जरी ते आमच्यापेक्षा हुशार असले तरीही, उद्योगाच्या कर्णधार किंवा राजकीय नेत्यामधील त्यांच्या सहाय्यकांच्या कर्मचाऱ्यांशी झालेल्या संवादासारखा असेल, ज्यापैकी बरेच जण त्यांच्यापेक्षा हुशार आहेत."
AI च्या पुढे रहा
भाषा मॉडेल्सकडून जागतिक मॉडेल्समध्ये बदल केल्याने कृत्रिम बुद्धिमत्तेचा स्पर्धात्मक नकाशा पुन्हा तयार होऊ शकतो. एआय डेव्हलपमेंट्स जसजसे उलगडत जातील तसतसे त्यांचे अनुसरण करा.
अधिक एआय बातम्या वाचा →
