Yann LeCun ၏ AMI Labs သည် ကြီးမားသောဘာသာစကားမော်ဒယ်များထက် AI ကို တွန်းအားပေးရန်အတွက် JEPA World Model ကိုတည်ဆောက်ခဲ့သည်။

Turing Award ဆုရှင် Yann LeCun က ယနေ့ခေတ်တွင် အကျော်ကြားဆုံး AI စနစ်များသည် အမှန်တကယ် ဉာဏ်ရည်ထက်မြက်သော စက်များဆီသို့ လမ်းကြောင်းမဟုတ်ကြောင်း ပြောကြားခဲ့သည်။ ပါရီအခြေစိုက် လုပ်ငန်းစတင်ချိန်တွင် Advanced Machine Intelligence Labs (AMI Labs) တွင် Meta အကြီးအကဲ AI သိပ္ပံပညာရှင်ဟောင်းသည် ကြွက် သို့မဟုတ် ကြွက်ကလေးငယ်များ၏ ရုပ်ပိုင်းဆိုင်ရာလောကကို နားလည်ရန် ဒီဇိုင်းထုတ်ထားသည့် အခြေခံကွဲပြားသော ပုံစံတစ်မျိုးကို တည်ဆောက်နေသည်။

ပါရီမြို့ရှိ VivaTech ကွန်ဖရင့်၏ဘေးနားတွင် BBC နှင့် စကားပြောရာတွင် LeCun က ChatGPT၊ Claude နှင့် Gemini ကဲ့သို့သော ဘာသာစကားမော်ဒယ်ကြီးများတွင် အမှန်တကယ်အသုံးပြုမှုများရှိသော်လည်း ခက်ခဲသောမျက်နှာကျက်ဖြစ်ကြောင်း ပြောဆိုခဲ့သည်။ AI လုပ်ငန်းလွှမ်းခြုံမှု တွင် သုတေသီများနှင့် ရင်းနှီးမြှုပ်နှံသူများ ဤကန့်သတ်ချက်များကို မည်ကဲ့သို့ တွေးတောပုံဖေါ်ခြင်းအတွက်၊ LLM ခေတ်ပြီးနောက် ထွက်ပေါ်လာသည်နှင့် ပတ်သက်၍ ပိုမိုကျယ်ပြန့်သော ဆွေးနွေးငြင်းခုံမှုသည် နယ်ပယ်တွင် အကျိုးဆက်ဆုံးမေးခွန်းများထဲမှ တစ်ခုဖြစ်လာပါသည်။

"ကျွန်တော်တို့မှာ ကြွက်တစ်ကောင်လို ရုပ်ပိုင်းဆိုင်ရာ ကမ္ဘာကြီးကို နားလည်သလောက် ကောင်းကောင်းနားလည်နိုင်တဲ့ စက်ရုပ်တွေ မရှိဘူး" လို့ LeCun က ဆိုပါတယ်။ Facebook ပိုင်ရှင် Meta သည် ၎င်း၏ AI သိပ္ပံပညာရှင်အဖြစ် ဆယ်စုနှစ်တစ်ခုကြာပြီးနောက် 2025 ခုနှစ်တွင် ထွက်ခွာခဲ့ပြီး အခြားရွေးချယ်စရာဗိသုကာတစ်ခုကို ဆက်လက်လုပ်ဆောင်ရန် AMI Labs ကို တည်ထောင်ခဲ့သည်။

LeCun က LLM တွေ မလုံလောက်ဘူးလို့ ဘာကြောင့်ပြောတာလဲ။

LeCun သည် LLM များသည် ကုဒ်ရေးခြင်း၊ သင်္ချာပုစ္ဆာများကို ဖြေရှင်းခြင်းနှင့် စာသားဖန်တီးခြင်းကဲ့သို့သော ကောင်းစွာသတ်မှတ်ထားသော၊ ကြိုတင်မှန်းဆနိုင်သော အလုပ်များတွင် ထူးချွန်သည်ဟု အခိုင်အမာဆိုသည်။ သို့သော် အဆိုပါ အားသာချက်များသည် နက်နဲသော ကန့်သတ်ချက်ကို ဖုံးကွယ်ထားသည်ဟု စောဒကတက်သည်- စနစ်များသည် လက်တွေ့ဘဝအတွက် အကြောင်းပြချက်ထက် ကိန်းဂဏန်းပုံစံများကို ကြိုးကိုင်ခြယ်လှယ်သည်။

"သူတို့က အခြေခံအားဖြင့် အသိပညာတွေ စုဆောင်းထားတယ်၊ "သူတို့က တစ်ခုခုကို ဝမ်းလျှောအောင် လုပ်နိုင်တယ်၊ သူတို့ကို ဝမ်းလျှောအောင် လေ့ကျင့်ပေးတယ်၊ ဒါပေမယ့် သူတို့က အထူးစမတ်မကျဘူး။ သူတို့မှာ အရင်းခံနားလည်မှု မရှိဘူး။"

ကွာဟချက်ကို သရုပ်ဖော်ရန်အတွက် LeCun သည် ၎င်း၏အစွန်အဖျားတွင် ဘောပင်ကို တည့်မတ်စွာချိန်ညှိကာ လွှတ်လိုက်ပါ။ ဘောပင်ပြိုကျမည်ကို ကလေးငယ်တစ်ဦးမှပင် သိရှိသော်လည်း ယင်းရလဒ်သည် အမှန်တကယ်မသေချာသောကြောင့် ၎င်းကျဆင်းမည့်လမ်းကြောင်းကို အတိအကျခန့်မှန်းရန် လူသားတစ်ဦးမျှ ကြိုးစားမည်မဟုတ်ကြောင်း ၎င်းက မှတ်ချက်ပြုသည်။ ဆန့်ကျင်ဘက်အားဖြင့် LLM တစ်ခုသည် ၎င်း၏လေ့ကျင့်ရေးဒေတာရှိ ပုံစံများအပေါ်အခြေခံ၍ တစ်ခုတည်းသော ခန့်မှန်းချက်တစ်ခုကို ဖန်တီးရန် ကြိုးပမ်းမည်ဖြစ်သည်။ မော်ဒယ်သည် ရုပ်ပိုင်းဆိုင်ရာအခြေအနေနှင့် ပတ်သက်၍ ကျိုးကြောင်းဆင်ခြင်ခြင်းမရှိသောကြောင့် ထိုခန့်မှန်းချက်သည် မှားမည်မှာ သေချာပါသည်။ ၎င်းသည် ကိန်းဂဏန်းအရ ဖြစ်နိုင်ခြေရှိသော အရာများကို ထုတ်လုပ်နေသည်။

" LLM များသည် စက်ရုပ်များအတွက် အလွန်မျှော်လင့်ချက်မရှိပါ" ဟု LeCun က ပြတ်ပြတ်သားသားပြောသည်။ "LLMs တွေကို တစ်နည်းနည်းနဲ့ ချဲ့ထွင်လိုက်ရုံနဲ့ ကျွန်တော်တို့ဟာ လူသားတွေရဲ့ ဉာဏ်ရည်ဉာဏ်သွေးကို ရရှိနိုင်တော့မှာ ဖြစ်ပါတယ်၊ ဒါက ရိုးရိုးရှင်းရှင်း ဖြစ်သွားမှာ မဟုတ်ပါဘူး။"

JEPA အလုပ်လုပ်ပုံ

AMI Labs ဗိသုကာပညာကို တီထွင်ဖန်တီးနေခြင်းကို Joint Embedding Predictive Architecture (JEPA) ဟုခေါ်သည်။ နောက်စကားလုံး သို့မဟုတ် pixel ကို ခန့်မှန်းမည့်အစား၊ JEPA သည် လုပ်ဆောင်ချက်တစ်ခု၏ ဖြစ်နိုင်ချေရလဒ်များကို ချိန်ဆနိုင်စေမည့် လက်တွေ့ကမ္ဘာ၏ စိတ်ကူးစိတ်သန်းများကို ဖန်တီးပေးပါသည်။

အဆိုပါ abstraction များကိုတည်ဆောက်ခြင်းတွင် ရှုပ်ထွေးသောသင်္ချာပညာရပ်များပါဝင်သော်လည်း နိယာမသည် ရိုးရှင်းပါသည်- မော်ဒယ်သည် အသုံးမဝင်သောအသေးစိတ်များကို စစ်ထုတ်ကာ ကမ္ဘာကြီး၏အသုံးဝင်ပုံများကိုသာ ချန်ထားခဲ့သည်။ ဘောပင်နမူနာတွင်၊ ကျဆုံးခြင်း၏တိကျသောဦးတည်ချက်ကို ခန့်မှန်းခြင်းသည် အဓိပ္ပါယ်မဲ့ကြောင်းနှင့် ဆုံးဖြတ်ချက်ချရန်အတွက် အမှန်တကယ်အရေးကြီးသည့် abstraction အဆင့်ရှိ အခြေအနေအား ကိုယ်စားပြုသည်ဟု ဘောပင်ဥပမာတွင် JEPA-based စနစ်တစ်ခု နားလည်လိမ့်မည်။

ချဉ်းကပ်မှုသည် AMI Labs ဟုခေါ်သော ကမ္ဘာ့မော်ဒယ်များ ဝန်းကျင်တွင် ကြီးထွားလာနေသော လှုပ်ရှားမှုတစ်ခုအတွင်း AI စနစ်များကို ပတ်ဝန်းကျင်၏ ပြုမူပုံခြင်းဆိုင်ရာ အတွင်းပိုင်း သရုပ်ဖော်မှုတစ်ခု ပေးစွမ်းနိုင်သောကြောင့် ၎င်းတို့သည် စာသားများကို ဖန်တီးခြင်းထက် အစီအစဉ်ဆွဲကာ လုပ်ဆောင်နိုင်သည်။

အပြိုင်အဆိုင်နယ်ပယ်

ရင်းနှီးမြုပ်နှံသူများသည် LeCun သည် တစ်စုံတစ်ခုအပေါ် လောင်းကြေးထပ်နေကြသည်။ 2026 အစောပိုင်းတွင် AMI Labs သည် မျိုးစေ့ရန်ပုံငွေပွဲ၌ US chip ဧရာမ Nvidia နှင့် Amazon တည်ထောင်သူ Jeff Bezos ၏ ကိုယ်ပိုင်ကြွယ်ဝမှုကို စီမံခန့်ခွဲသည့် ရန်ပုံငွေအပါအဝင် ကျောထောက်နောက်ခံပေးသူများနှင့်အတူ မျိုးစေ့ရန်ပုံငွေဝိုင်းတွင် ကန်ဒေါ်လာ 1 ဘီလီယံ (ပေါင် 760 သန်း) ကျော် စုဆောင်းထားကြောင်း ကြေညာခဲ့သည်။ ၎င်းသည် ဥရောပစတင်တည်ထောင်မှုသမိုင်းတွင် အကြီးမားဆုံးသော မျိုးစေ့ဝိုင်းများထဲမှ တစ်ခုဖြစ်သည်။

AMI Labs သည် ပြိုင်ပွဲတွင် တစ်ဦးတည်းနှင့် ဝေးသည်။ Oxford University တွင် ပရော်ဖက်ဆာ Ingmar Posner သည် Applied AI Lab ကို ညွှန်ကြားပြီး 4 နှစ်ကြာ အစားထိုးချဉ်းကပ်မှုတွင် "စက်မှုလောကပုံစံ" ဟုခေါ်သော အကြမ်းဖျင်းလူဆယ်ယောက်အဖွဲ့ကို ဦးဆောင်ကာ AI သည် အသိပညာကို ပြန်လည်သိမ်းဆည်းနိုင်၊ ပေါင်းစပ်နိုင်ပြီး ထိရောက်စွာ ပြင်ဆင်နိုင်မည်ဖြစ်သည်။

“ကျနော့်အမြင်ကတော့ နောက်ဆယ်စုနှစ်အတွင်းမှာ ရှင်းပြနိုင်တဲ့ စနစ်တွေ တကယ်ဖြစ်လာလိမ့်မယ်” ဟု Posner မှ BBC သို့ ပြောကြားခဲ့သည်။ "ဘာကိစ္စလဲ၊ ဘာအကြောင်းကြောင့်လဲ၊ တခြားတစ်ခုခုလုပ်ရင် ဘာဖြစ်သွားမလဲ။"

ထိုမျိုးရိုးသည် David Ha နှင့် Jürgen Schmidhuber တို့၏ ဩဇာလွှမ်းမိုးမှုရှိသော 2018 စာတမ်းကို ပြန်လည်ခြေရာခံပြီး ကွန်ပျူတာနှင့် စက်သင်ယူမှုတွင် AI သည် ကမ္ဘာကြီး၏ သင်ယူထားသော စိတ်ပိုင်းဆိုင်ရာ သရုပ်ဖော်မှုမှ လုပ်ဆောင်ချက်များကို သက်သက်သင်ယူနိုင်စေသည်ဟု စောဒကတက်ခဲ့သည်။ ယင်းအကြံအစည်သည် နောက်ပိုင်းတွင် အနာဂတ်အခြေအနေများကို စိတ်ကူးပုံဖော်ခြင်းဖြင့် Minecraft တွင် စိန်များစုဆောင်းရန် သင်ကြားပေးသည့် မူကွဲတစ်ခုဖြစ်သည့် Google ၏ Dreamer world မော်ဒယ်အပါအဝင် သိသာထင်ရှားသောသုတေသနကို လှုံ့ဆော်ပေးခဲ့သည်။ Alphabet ၏ DeepMind သည် ၎င်း၏ Genie မော်ဒယ်ဖြင့် ဆက်လက်လုပ်ဆောင်နေပြီး လန်ဒန်အခြေစိုက် Wayve တွင် Gaia ဟုခေါ်သော စနစ်ပါရှိကာ အလားတူ ရည်မှန်းချက်များကို အကောင်အထည်ဖော်ရန်အတွက် AI ရှေ့ဆောင် Fei-Fei Li သည် ဆန်ဖရန်စစ္စကိုတွင် ကမ္ဘာ့ဓာတ်ခွဲခန်းများကို 2023 ခုနှစ်တွင် တည်ထောင်ခဲ့သည်။

စက်ရုပ်များ မရှိမဖြစ်

ကမ္ဘာ့မော်ဒယ်များဆီသို့ တွန်းအားပေးမှုသည် တစ်နှစ်ထက်တစ်နှစ် ပိုမို အထင်ကြီးလောက်စရာ ရုပ်ပိုင်းဆိုင်ရာ စွမ်းဆောင်နိုင်မှု အားကောင်းသည့် လူသားဆန်သော စက်ရုပ်များထဲသို့ ဒေါ်လာဘီလီယံပေါင်းများစွာ မြှုပ်နှံထားသည့် စက်ရုပ်လုပ်ငန်းက ကြီးမားသော အစိတ်အပိုင်းကို တွန်းအားပေးလျက်ရှိသည်။ သို့သော် မီးပူတိုက်ခြင်း သို့မဟုတ် ပန်းကန်ဆေးစက်တင်ခြင်းကဲ့သို့သော အိမ်မှုကိစ္စများကို ဘေးကင်းစွာလုပ်ဆောင်ရန် အဆိုပါစက်များကို လေ့ကျင့်သင်ကြားပေးခြင်းသည် ခက်ခဲပြီး စျေးကြီးပြီး လက်ရှိ AI မော်ဒယ်များသည် ထိုပတ်ဝန်းကျင်အတွက် မည်သည့်အခါမျှ ကောင်းမွန်မည်မဟုတ်ကြောင်း LeCun က ပြောကြားခဲ့သည်။

LeCun က AMI Labs သည် ၎င်း၏ မော်ဒယ်ကို သန့်စင်ရန်အတွက် 2026 ခုနှစ်၏ ကျန်ရှိနေသော သုံးစွဲမှုကို သုံးစွဲမည်ဖြစ်ပြီး 2027 ခုနှစ်တွင် စက်မှုလုပ်ငန်းခွင်များတွင် စတင်အသုံးပြုရန် မျှော်လင့်ထားကြောင်း ပြောကြားခဲ့သည်။ ၎င်းသည် အောင်မြင်ကြောင်း သက်သေပြပါက ရည်မှန်းချက်များသည် သိသိသာသာ ကျယ်ပြန့်လာမည်ဖြစ်သည်။

"နောက်ဆုံးတော့ ကျွန်တော်တို့မှာ လေ့ကျင့်မှုအနည်းဆုံး ဒါမှမဟုတ် ချိန်ညှိမှုနည်းနည်းနဲ့ ကမ္ဘာပေါ်က ဘယ်အရာမဆို အသုံးချနိုင်တဲ့ ယေဘုယျ အထွေထွေ ထောက်လှမ်းရေးစနစ်မျိုး ရှိမှာပါ" ဟု ၎င်းက ပြောကြားခဲ့သည်။

ထိုအနာဂတ်တွင် လူသားများ မည်သို့ဖြစ်လာမည်ဆိုပါက LeCun သည် အသွေးအသားဖြစ်သည်။ AI သည် စွမ်းရည်ရှိသော လက်ထောက်တစ်ဦးအဖြစ် လုပ်ဆောင်နေချိန်တွင် လူအများက မည်သည့်အရာကို တည်ဆောက်ရမည်နှင့် မည်သည့်မေးခွန်းများကို မေးရန် ဆုံးဖြတ်ဆဲဖြစ်ကြောင်း ၎င်းက ပြောကြားခဲ့သည်။

"အနာဂတ် AI စနစ်များနှင့် ကျွန်ုပ်တို့၏ အပြန်အလှန်ဆက်ဆံမှုသည် ကျွန်ုပ်တို့ထက် စမတ်ကျနေသော်လည်း၊ ၎င်းတို့သည် စက်မှုလုပ်ငန်းမှူး သို့မဟုတ် နိုင်ငံရေးခေါင်းဆောင်တစ်ဦးနှင့် ၎င်းတို့၏ လက်ထောက်ဝန်ထမ်းများကြား အပြန်အလှန်ဆက်ဆံရေးကဲ့သို့ ဖြစ်လိမ့်မည်၊

AI ထက်သာလွန်နေပါစေ။

ဘာသာစကားမော်ဒယ်များမှ ကမ္ဘာ့မော်ဒယ်များဆီသို့ ကူးပြောင်းခြင်းသည် ဥာဏ်ရည်တု၏ ပြိုင်ဆိုင်မှုမြေပုံကို ပြန်လည်ရေးဆွဲနိုင်သည်။ နောက်ဆုံးပေါ် AI တိုးတက်မှုများ ကို လိုက်လုပ်ကြည့်ပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →