ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਦੇ ਖੋਜ ਸੰਸਥਾਨ ਨੇ ਇੱਕ ਵਿਆਪਕ ਲੇਖ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਹੈ ਜਿਸ ਵਿੱਚ ਦਲੀਲ ਦਿੱਤੀ ਗਈ ਹੈ ਕਿ AGI ਤੋਂ ਬਾਅਦ ਦਾ ਯੁੱਗ ਹੁਣ ਉਸੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਕਠੋਰਤਾ ਦਾ ਹੱਕਦਾਰ ਹੈ ਜੋ ਇੱਕ ਵਾਰ AGI ਲਈ ਰਾਖਵਾਂ ਸੀ। ਟੁਕੜਾ, "AGI ਤੋਂ ਬਾਅਦ ਕੀ ਆਉਂਦਾ ਹੈ? AGI ਤੋਂ ਸੁਪਰਇੰਟੈਲੀਜੈਂਸ ਤੱਕ," 19 ਨਵੰਬਰ, 2026 ਨੂੰ ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਦੇ ਖੋਜ ਵਿਗਿਆਨੀ ਟਿਮ ਜੇਨੇਵਿਨ ਦੁਆਰਾ ਡੀਪਮਾਈਂਡ ਇੰਸਟੀਚਿਊਟ ਦੇ ਲੇਖਾਂ ਦੇ ਪੋਰਟਲ 'ਤੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਦਾ ਮੁੱਖ ਦਾਅਵਾ: ਜਿਵੇਂ ਕਿ ਨਕਲੀ ਜਨਰਲ ਸੁਪਰਇੰਟੈਲੀਜੈਂਸ ਵੱਲ ਕਈ ਤਕਨੀਕੀ ਮਾਰਗ ਆਕਾਰ ਲੈਂਦੇ ਹਨ, ਏਜੀਆਈ ਤੋਂ ਪਰੇ ਸ਼ਾਸਨ "ਦਾਰਸ਼ਨਿਕ ਅਟਕਲਾਂ ਤੋਂ ਅਨੁਭਵੀ ਖੋਜ ਅਤੇ ਸ਼ਾਸਨ ਦੇ ਸਵਾਲਾਂ ਵੱਲ ਬਦਲ ਰਿਹਾ ਹੈ।"
ਇਹ ਲੇਖ ਮਹੀਨਿਆਂ ਵਿੱਚ AI ਖੋਜ ਖ਼ਬਰਾਂ ਦੇ ਸਭ ਤੋਂ ਵਿਅਸਤ ਹਿੱਸਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਦੌਰਾਨ ਆਇਆ, ਅਤੇ ਇਸਨੂੰ AGI ਤੋਂ ਬਾਅਦ ਦੀ ਬਹਿਸ ਨੂੰ ਇੱਕ ਠੋਸ ਤਕਨੀਕੀ ਸ਼ਬਦਾਵਲੀ ਦੇਣ ਦੀ ਇੱਕ ਜਾਣਬੁੱਝ ਕੇ ਕੋਸ਼ਿਸ਼ ਵਜੋਂ ਪੜ੍ਹਿਆ ਗਿਆ। ਨਵੀਨਤਮ AI ਵਿਕਾਸ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ, ਇਹ ਅਜੇ ਤੱਕ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਤਸਵੀਰ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਵਿਸ਼ਵ ਦੀਆਂ ਪ੍ਰਮੁੱਖ ਲੈਬਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮਨੁੱਖੀ-ਪੱਧਰ AI ਤੋਂ ਪਰੇ ਸੜਕ ਨੂੰ ਫਰੇਮ ਕਰਦੀ ਹੈ - ਇੱਕ ਲਾਗਤ ਪੂਰਵ ਅਨੁਮਾਨ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਜੇਕਰ ਸਹੀ ਹੈ, ਤਾਂ ਬੋਧਾਤਮਕ ਕੰਮ ਦੇ ਅਰਥ ਸ਼ਾਸਤਰ ਨੂੰ ਬਦਲ ਦੇਵੇਗਾ।
ਸੁਪਰ ਇੰਟੈਲੀਜੈਂਸ ਵਜੋਂ ਕੀ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ
Genewein ਇੱਕ ਨਿਰੰਤਰਤਾ 'ਤੇ ਆਮ ਬੁੱਧੀ ਨੂੰ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਮਨੁੱਖੀ-ਪੱਧਰ AGI ਦੇ ਨਾਲ ਇਸਦੇ ਨਾਲ ਸਿਰਫ਼ ਇੱਕ ਬਿੰਦੂ ਹੁੰਦਾ ਹੈ। ASI, ਲੇਖ ਦੀ ਪਰਿਭਾਸ਼ਾ ਵਿੱਚ, ਇੱਕ ਉੱਨਤ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਦੇ ਵੱਡੇ ਸਮੂਹਾਂ ਨੂੰ ਉਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਪਛਾੜਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਮਾਹਿਰਾਂ ਨੂੰ ਪੂਰੇ ਹੋਣ ਵਿੱਚ ਕਈ ਸਾਲ ਲੱਗ ਸਕਦੇ ਹਨ, ਘੱਟ ਸਰੋਤਾਂ ਅਤੇ ਘੱਟ ਸਮੇਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ — ਉਦਾਹਰਨ ਲਈ, ਸਮੇਂ ਦੇ ਇੱਕ ਹਿੱਸੇ ਵਿੱਚ ਇੱਕ ਪੂਰੇ ਖੋਜ ਖੇਤਰ ਦੇ ਵਿਗਿਆਨਕ ਆਉਟਪੁੱਟ ਦਾ ਮੇਲ ਕਰਨਾ, ਜਾਂ ਇੱਕ ਸਾਲ ਵਿੱਚ ਵੱਡੀ ਕੰਪਨੀ ਦੇ ਉਤਪਾਦਨ ਦੇ ਬਰਾਬਰ ਚਿੱਪ-ਡਿਜ਼ਾਈਨ ਦੀ ਤਰੱਕੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ। ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ, ਪੱਟੀ ਨੂੰ ਮਨੁੱਖੀ ਹਿੱਤ ਦੇ ਲਗਭਗ ਸਾਰੇ ਕਾਰਜਾਂ ਵਿੱਚ ਪੂਰਾ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਤੰਗ ਟੁਕੜਾ।
ਸੰਕੁਚਿਤ ਦਬਦਬਾ, ਲੇਖ ਨੋਟਸ, ਪਹਿਲਾਂ ਹੀ ਮੌਜੂਦ ਹੈ: AI ਪ੍ਰਣਾਲੀਆਂ ਅੱਜ ਕਿਸੇ ਵੀ ਮਨੁੱਖ ਨੂੰ ਸ਼ਤਰੰਜ ਅਤੇ ਗੋ 'ਤੇ ਹਰਾਉਂਦੀਆਂ ਹਨ, ਅਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮਾਂ ਤੋਂ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਦਹਾਕਿਆਂ ਤੋਂ ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਦਾ ਵਿਰੋਧ ਕਰਨ ਵਾਲੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਾਬਤ ਕਰਦਾ ਹੈ। ਜੋ ਅਸਲ ਵਿੱਚ ਅਣਜਾਣ ਰਹਿੰਦਾ ਹੈ ਉਹ ਹੈ ਮਨੁੱਖੀ-ਪੱਧਰ ਦੀ ਏਆਈ ਅਤੇ ਬੁੱਧੀ ਦੀਆਂ ਸਿਧਾਂਤਕ ਸੀਮਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਵਿਸ਼ਾਲ ਮੱਧ ਭੂਮੀ। ਜੇਨੇਵਿਨ ਦਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਾਲਾ ਬਿੰਦੂ: ਸ਼ਤਰੰਜ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੁਲਝਾਉਣ ਲਈ ਧਰਤੀ 'ਤੇ ਮੌਜੂਦ ਨਾਲੋਂ ਵਧੇਰੇ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਫਿਰ ਵੀ ਇੱਕ ਥੰਬਨੇਲ-ਆਕਾਰ ਦੀ ਚਿੱਪ ਪਹਿਲਾਂ ਹੀ ਕਿਸੇ ਵੀ ਮਨੁੱਖ ਨੂੰ ਹਰਾਉਣ ਲਈ ਕਾਫ਼ੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਖੇਡਦੀ ਹੈ।
ਬੋਧਾਤਮਕ ਉਦਯੋਗੀਕਰਨ ਅਤੇ ਢਹਿ-ਢੇਰੀ ਲਾਗਤਾਂ
ਲੇਖ ਦਾ ਮਾਤਰਾਤਮਕ ਕੋਰ "ਬੋਧਾਤਮਕ ਉਦਯੋਗੀਕਰਨ" ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ। Genewein ਪਿਛਲੇ ਦਹਾਕੇ ਤੋਂ ਤਿੰਨ ਮਿਸ਼ਰਿਤ ਰੁਝਾਨਾਂ ਨੂੰ ਗੁਣਾ ਕਰਦਾ ਹੈ। ਪਹਿਲਾ, ਹਾਰਡਵੇਅਰ: ਮੂਰ ਦੇ ਕਾਨੂੰਨ ਅਤੇ ਸੰਬੰਧਿਤ ਰੁਝਾਨਾਂ ਦੇ ਅਧੀਨ ਛੇ ਦਹਾਕਿਆਂ ਲਈ ਪ੍ਰਤੀ ਡਾਲਰ ਗਣਨਾ ਵਿੱਚ ਲਗਭਗ 1.5 ਗੁਣਾ ਪ੍ਰਤੀ ਸਾਲ ਸੁਧਾਰ ਹੋਇਆ ਹੈ। ਦੂਜਾ, ਐਲਗੋਰਿਦਮਿਕ ਕੁਸ਼ਲਤਾ: ਇੱਕ ਨਿਸ਼ਚਿਤ ਪ੍ਰਦਰਸ਼ਨ ਪੱਧਰ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਲੋੜੀਂਦਾ ਸਿਖਲਾਈ ਗਣਨਾ ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ ਲਗਭਗ 3-6 ਗੁਣਾ ਪ੍ਰਤੀ ਸਾਲ ਘਟੀ ਹੈ, ਅਨੁਮਾਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਪ੍ਰਤੀ ਸਾਲ ਲਗਭਗ 3 ਗੁਣਾ ਸੁਧਾਰ ਹੋਇਆ ਹੈ। ਤੀਜਾ, ਨਿਵੇਸ਼: AI ਹਾਰਡਵੇਅਰ 'ਤੇ ਖਰਚ ਪ੍ਰਤੀ ਸਾਲ ਲਗਭਗ 2.5 ਗੁਣਾ ਵਧਿਆ ਹੈ, ਅਤੇ ਸਭ ਤੋਂ ਵੱਡੇ ਫਰੰਟੀਅਰ ਦੌੜਾਂ ਦੀ ਸਿਖਲਾਈ ਗਣਨਾ ਪ੍ਰਤੀ ਸਾਲ 4 ਗੁਣਾ ਤੋਂ ਵੱਧ ਵਧਦੀ ਹੈ।
ਤਿੰਨਾਂ ਨੂੰ ਗੁਣਾ ਕਰੋ, ਅਤੇ ਲੇਖ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਗਲੋਬਲ ਪ੍ਰਭਾਵੀ ਗਣਨਾ ਪ੍ਰਤੀ ਸਾਲ ਘੱਟੋ-ਘੱਟ 10 ਗੁਣਾ ਵੱਧ ਰਹੀ ਹੈ - "ਦਸ ਸਾਲਾਂ ਵਿੱਚ 10 ਬਿਲੀਅਨ ਦਾ ਕਾਰਕ।" ਮੰਗ ਦੇ ਪੱਖ 'ਤੇ, ਹਾਰਡਵੇਅਰ ਅਤੇ ਸੌਫਟਵੇਅਰ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੀ ਇੱਕ ਨਿਸ਼ਚਿਤ AI ਵਰਕਲੋਡ ਨੂੰ ਪ੍ਰਤੀ ਸਾਲ ਲਗਭਗ 4x ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਗਣਨਾ ਨੂੰ ਘਟਾ ਦੇਣਗੇ। ਨਤੀਜਾ, ਜਿਵੇਂ ਕਿ Genewein ਕਹਿੰਦਾ ਹੈ: ਇੱਕ ਬੋਧਾਤਮਕ ਵਰਕਲੋਡ ਜੋ ਕਿ ਅੱਜ ਦੇ AI ਸਿਸਟਮਾਂ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਗਣਨਾ ਟੋਕਨਾਂ ਵਿੱਚ $1 ਬਿਲੀਅਨ ਖਰਚ ਕਰਦਾ ਹੈ, ਦਸ ਸਾਲਾਂ ਵਿੱਚ ਲਗਭਗ $1,000 ਦੀ ਲਾਗਤ ਆਵੇਗੀ।
ਇਹ ਇਕੱਲਾ ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਨਹੀਂ ਹੈ। ਲੇਖ ਵਿੱਚ ਹਾਲ ਹੀ ਦੇ ਇੱਕ Epoch ਅਧਿਐਨ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਹੈ ਕਿ 2023 ਤੋਂ ਲੈ ਕੇ ਮਾਪਦੰਡਾਂ ਦੇ ਇੱਕ ਸੈੱਟ 'ਤੇ ਇੱਕ ਨਿਸ਼ਚਤ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਖਪਤਕਾਰ ਕੀਮਤ 13 ਗੁਣਾ ਪ੍ਰਤੀ ਸਾਲ ਤੋਂ ਵੱਧ ਘਟੀ ਹੈ। ਇਹ ਇਹ ਵੀ ਪ੍ਰੋਜੈਕਟ ਕਰਦਾ ਹੈ ਕਿ AI ਏਜੰਟਾਂ ਦੀ ਪ੍ਰਭਾਵੀ ਆਬਾਦੀ 2030 ਤੱਕ ਇੱਕ ਹਜ਼ਾਰ ਗੁਣਾ ਤੋਂ ਵੱਧ ਸਕੇਲ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਅਰਬ ਤੋਂ ਵੱਧ - ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਦਸ ਸਾਲਾਂ ਦੇ ਅੰਦਰ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਕੰਪਿਊਟ ਬਿਲਡ-ਆਉਟ 'ਤੇ ਵਿਹਾਰਕ ਸੀਲਿੰਗ ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਕੁਸ਼ਲਤਾ 'ਤੇ ਹੋਰ ਸੱਟੇਬਾਜ਼ੀ ਵਾਲੀਆਂ ਛੱਤਾਂ ਦਖਲ ਦੇ ਸਕਦੀਆਂ ਹਨ।
ਏਜੀਆਈ ਤੋਂ ਏਐਸਆਈ ਤੱਕ ਦੇ ਚਾਰ ਮਾਰਗ
ਲੇਖ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਚਾਰ ਤਕਨੀਕੀ ਮਾਰਗਾਂ ਦਾ ਵਰਗੀਕਰਨ ਹੈ ਜੋ ਉਹਨਾਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਅਨਲੌਕ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਵੱਡੇ ਪੈਮਾਨੇ ਨਹੀਂ ਕਰ ਸਕਦੇ - ਕਿਉਂਕਿ, ਜਿਵੇਂ ਕਿ ਜੇਨੇਵਿਨ ਨੇ ਸੁੱਕੇ ਤੌਰ 'ਤੇ ਦੇਖਿਆ ਹੈ, "ਜਦੋਂ ਕਿ ਆਈਨਸਟਾਈਨ ਨੇ ਜਨਰਲ ਰਿਲੇਟੀਵਿਟੀ ਦਾ ਪਤਾ ਲਗਾਇਆ ਸੀ, ਤਾਂ ਇੱਕ ਲੱਖ ਟੋਲੇਮਿਕ ਖਗੋਲ ਵਿਗਿਆਨੀਆਂ ਦੀ ਇੱਕ ਕਾਨਫਰੰਸ ਸ਼ਾਇਦ ਨਹੀਂ ਹੋਵੇਗੀ।"
ਸਕੇਲਿੰਗ ਮਾਡਲ ਅਤੇ ਡੇਟਾ। ਮਾਡਲ, ਡੇਟਾ ਅਤੇ ਟੈਸਟ-ਟਾਈਮ-ਕੰਪਿਊਟ ਪੈਮਾਨੇ ਦੇ ਨਾਲ ਸਮਰੱਥਾ ਵਿੱਚ ਲਗਾਤਾਰ ਸੁਧਾਰ ਹੋਇਆ ਹੈ, ਪਰ ਲੇਖ ਤਿੰਨ ਰੁਕਾਵਟਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ: ਡਾਟਾ ਥਕਾਵਟ, ਕਿਉਂਕਿ ਉੱਚ-ਗੁਣਵੱਤਾ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਮੰਗ ਮਨੁੱਖਤਾ ਦੀ ਇਸਨੂੰ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪਛਾੜਦੀ ਹੈ; ਮਾਡਲ ਪੈਮਾਨੇ 'ਤੇ ਘੱਟਦੀ ਰਿਟਰਨ, ਜਿੱਥੇ ਸਮਰੱਥਾ ਦੇ ਹਰੇਕ ਲੀਨੀਅਰ ਪੜਾਅ ਲਈ ਗੁਣਾਤਮਕ ਗਣਨਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕਿ ਵੱਡੇ ਮਾਡਲ ਤਰਕ-ਸਮੇਂ ਦੀਆਂ ਵਿਧੀਆਂ ਨੂੰ ਹੌਲੀ ਕਰਦੇ ਹਨ; ਅਤੇ ਪਾਵਰ ਪਲਾਂਟਾਂ, ਇਲੈਕਟ੍ਰੀਕਲ ਗਰਿੱਡਾਂ, ਚਿੱਪ ਫੈਬਸ, ਅਤੇ ਘੱਟ-ਲੇਟੈਂਸੀ ਇੰਟਰਕਨੈਕਟਾਂ 'ਤੇ ਭੌਤਿਕ ਅਤੇ ਆਰਥਿਕ ਸੀਮਾਵਾਂ। ਤਕਨੀਕੀ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ। ਅੱਜ ਦਾ ਪੈਰਾਡਾਈਮ — ਅਗਲੇ ਟੋਕਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਟਰੇਨ ਟ੍ਰਾਂਸਫਾਰਮਰ, ਫਿਰ ਟੈਸਟ-ਟਾਈਮ ਕੰਪਿਊਟ ਨੂੰ ਰਿਫਾਈਨ ਅਤੇ ਜੋੜਨਾ — ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰੋਂਪਟਾਂ ਰਾਹੀਂ ਗੁੰਝਲਦਾਰ ਐਲਗੋਰਿਦਮ ਚਲਾਉਣ ਦੇ ਸਮਰੱਥ ਸਿਧਾਂਤ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਫਿਰ ਵੀ ਮਾਡਲ ਅਜੇ ਵੀ ਨਿਰੰਤਰ ਸਿੱਖਣ, ਵਿਸ਼ਵ ਮਾਡਲਿੰਗ ਦੇ ਕੁਝ ਰੂਪਾਂ, ਫੈਸਲੇ ਲੈਣ, ਨਮੂਨੇ ਦੀ ਕੁਸ਼ਲਤਾ, ਅਤੇ ਮੌਜੂਦਾ ਸੰਕਲਪਾਂ ਦੇ ਮੁੜ ਸੰਯੋਜਨ ਦੀ ਬਜਾਏ ਅਸਲ ਵਿੱਚ ਨਵੇਂ ਸੰਕਲਪਾਂ ਦੀ ਕਾਢ ਵਿੱਚ ਮਨੁੱਖਾਂ ਤੋਂ ਘੱਟ ਹਨ। ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇਸ ਗੱਲ 'ਤੇ ਵੰਡਿਆ ਗਿਆ ਹੈ ਕਿ ਕੀ ਅੱਜ ਦੇ ਪੈਰਾਡਾਈਮ ਦੇ ਵਿਸਤਾਰ ਉਨ੍ਹਾਂ ਅੰਤਰਾਂ ਨੂੰ ਬੰਦ ਕਰ ਸਕਦੇ ਹਨ ਜਾਂ ਕੀ ASI ਨੂੰ ਕੁਝ ਡੂੰਘਾਈ ਦੀ ਲੋੜ ਹੈ। ਏਜੰਟ ਤਾਲਮੇਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ। ਮਨੁੱਖੀ ਕਾਰਪੋਰੇਸ਼ਨਾਂ, ਬਜ਼ਾਰਾਂ, ਅਤੇ ਖੋਜ ਭਾਈਚਾਰੇ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ ਜੋ ਕੋਈ ਵਿਅਕਤੀ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਸੇ ਤਰ੍ਹਾਂ, ਹਜ਼ਾਰਾਂ ਜਾਂ ਲੱਖਾਂ ਏਜੀਆਈ ਉਦਾਹਰਨਾਂ ਨੂੰ "ਗਰੁੱਪ ਏਜੰਟ" ਜਾਂ ਵਰਚੁਅਲ ਏਜੰਟ ਅਰਥਵਿਵਸਥਾਵਾਂ ਵਿੱਚ ਤਾਲਮੇਲ ਕਰਨਾ ਸਮੂਹਿਕ ਸੁਪਰ ਇੰਟੈਲੀਜੈਂਸ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਲੇਖ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਖੇਤਰ ਨੂੰ "ਮਲਟੀ-ਏਜੰਟ ਸਕੇਲਿੰਗ ਕਾਨੂੰਨਾਂ" ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ - ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਕੁਝ ਕੰਮਾਂ 'ਤੇ ਸਪੱਸ਼ਟ ਲਾਭ ਲੱਭਦੀ ਹੈ, ਪਰ ਤਾਲਮੇਲ ਦੀ ਅਕੁਸ਼ਲਤਾ ਘੱਟਦੀ ਰਿਟਰਨ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਆਬਾਦੀ ਵਧਦੀ ਹੈ। ਵੱਡੇ ਸਮੂਹਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਸੰਸਥਾਗਤ ਡਿਜ਼ਾਈਨ ਦੀ ਵੀ ਲੋੜ ਹੋਵੇਗੀ, ਜਿਸ ਵਿੱਚ ਗਲਤ ਜਾਣਕਾਰੀ, ਹੇਰਾਫੇਰੀ ਅਤੇ ਮਿਲੀਭੁਗਤ ਤੋਂ ਬਚਾਅ ਸ਼ਾਮਲ ਹੈ; ਝੁੰਡ ਦੇ ਪ੍ਰਯੋਗ ਪਹਿਲਾਂ ਹੀ ਦਿਖਾ ਰਹੇ ਹਨ ਕਿ ਏਜੰਟ ਧੋਖਾ ਦੇਣਾ ਸਿੱਖ ਰਹੇ ਹਨ ਅਤੇ ਹੋਰ ਵਿਸਲਬਲੋਅਰ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਆਵਰਤੀ ਸਵੈ-ਸੁਧਾਰ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ I. ਜੇ. ਗੁੱਡ ਅਤੇ ਰੇ ਸੋਲੋਮੋਨੌਫ ਦੁਆਰਾ ਚਰਚਾ ਕੀਤੀ ਗਈ, RSI AI ਦੀਆਂ ਆਉਣ ਵਾਲੀਆਂ ਪੀੜ੍ਹੀਆਂ ਲਈ AI ਸਿਸਟਮਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਸੁਧਾਰਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਆਮ ਤਕਨੀਕਾਂ ਦੇ ਉਲਟ, AI ਵਿੱਚ ਸੁਧਾਰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਬਾਅਦ ਦੇ ਲਾਭਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ - ਪਰ ਖੋਜ ਦੀ ਪ੍ਰਗਤੀ ਵੀ ਸਮੇਂ ਦੇ ਨਾਲ ਲੱਭਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦੀ ਹੈ। ਕੀ RSI ਭਗੌੜਾ ਪ੍ਰਵੇਗ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਲੇਖ ਕਹਿੰਦਾ ਹੈ, "ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਇੱਕ ਅਨੁਭਵੀ ਸਵਾਲ ਹੈ," ਅਤੇ ਇਹ ਕੋਡ ਅਤੇ ਡਿਜ਼ਾਈਨ - ਆਰਕੀਟੈਕਚਰ, ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ, ਚਿੱਪ ਲੇਆਉਟ - ਦੇ ਨਾਲ ਨਾਲ ਡੇਟਾ ਦੁਆਰਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।ਫਰੇਮਿੰਗ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦੇ ਹਨ
ਲੇਖ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਤਿਆਰੀ ਦੀ ਦਲੀਲ ਹੈ: AGI ਤੋਂ ASI ਤੱਕ ਸੰਭਾਵਿਤ ਸੜਕਾਂ ਦੀ ਮੈਪਿੰਗ ਕਰਨਾ ਅਤੇ "ਪ੍ਰਗਤੀ ਨੂੰ ਟਰੈਕ ਕਰਨ ਦੇ ਸਖ਼ਤ, ਭਰੋਸੇਮੰਦ ਤਰੀਕੇ" ਬਣਾਉਣਾ, Genewein ਦੇ ਫਰੇਮਿੰਗ ਵਿੱਚ, ਪਰਿਵਰਤਨ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਨ ਲਈ ਪੂਰਵ ਸ਼ਰਤ ਹੈ। ਇਹ ਇੱਕ ਲੰਬੀ ਡੀਪਮਾਈਂਡ ਇੰਸਟੀਚਿਊਟ ਦੀ ਰਿਪੋਰਟ ਦੇ ਨਾਲ ਹੈ, "ਏਜੀਆਈ ਤੋਂ ਏਐਸਆਈ ਤੱਕ।"
ਰਿਸੈਪਸ਼ਨ ਤੁਰੰਤ ਸੀ. ਲੇਖ ਨੇ ਪ੍ਰਕਾਸ਼ਨ ਦੇ ਇੱਕ ਦਿਨ ਦੇ ਅੰਦਰ ਹੈਕਰ ਨਿਊਜ਼ 'ਤੇ 85 ਪੁਆਇੰਟ ਅਤੇ 160 ਤੋਂ ਵੱਧ ਟਿੱਪਣੀਆਂ ਕੀਤੀਆਂ, ਜਦੋਂ ਕਿ Unite.AI ਅਤੇ BigGo Finance ਸਮੇਤ ਵਪਾਰਕ ਪ੍ਰੈਸ ਨੇ ਚਾਰ-ਰੂਟ ਵਰਗੀਕਰਨ ਅਤੇ ਲੱਖ ਗੁਣਾ ਲਾਗਤ-ਟੱਕਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ। ਇਹ ਸੁਪਰ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਇਸ ਬਾਰੇ ਵਿਆਪਕ ਸੰਦੇਹਵਾਦ ਦੇ ਵਿਚਕਾਰ ਵੀ ਉਤਰਦਾ ਹੈ - ਆਈਈਈਈ ਸਪੈਕਟਰਮ ਨੇ ਇਸ ਹਫਤੇ ਇੱਕ ਟੁਕੜਾ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜਿਸਦਾ ਸਿਰਲੇਖ ਹੈ "ਏਆਈ ਸੁਪਰਇੰਟੈਲੀਜੈਂਸ ਬਹਿਸ ਹੈ ਗੰਭੀਰ ਖਾਮੀਆਂ।"
ਇਹ ਤਣਾਅ ਬਿੰਦੂ ਹੈ. DeepMind ਇੱਕ ਤਾਰੀਖ 'ਤੇ ASI ਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ; ਇਹ ਬਹਿਸ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਦ੍ਰਿਸ਼ ਸਪੇਸ ਨੂੰ ਹੁਣ ਵਾਈਬਸ ਦੀ ਬਜਾਏ ਸਬੂਤ ਨਾਲ ਮੈਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਬਹਿਸ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਭਾਵੇਂ ਅਰਬ-ਗੁਣਾ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਦੇ ਵਿਰੁੱਧ ਰੱਖਦੇ ਹਨ ਜਾਂ ਟੁੱਟਦੇ ਹਨ, ਲੇਖ ਇੱਕ ਤਬਦੀਲੀ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ: ਸਵਾਲ "ਏਜੀਆਈ ਤੋਂ ਬਾਅਦ ਕੀ ਆਉਂਦਾ ਹੈ?" ਫਿਲਾਸਫੀ ਸੈਮੀਨਾਰ ਤੋਂ ਧਰਤੀ 'ਤੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਲੈਬਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਖੋਜ ਏਜੰਡੇ ਵਿੱਚ ਚਲੇ ਗਏ ਹਨ।
---
AI ਤੋਂ ਅੱਗੇ ਰਹੋਨਵੀਨਤਮ AI ਖਬਰਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰੋ - ਸਭ ਇੱਕ ਥਾਂ 'ਤੇ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →