အArtificial Intelligence ထိုးထြင်းတိုးတက်မှုများနှင့် လူ့အဆင့်ဂိမ်းအာရုံမြင့်မားမှုအချက်အချာများ
Brief news summary
နည်းပညာအာရုံအကြီးအကျယ် (AI) သည်ဂိမ်းအတွင်းအမှတ်တမှတ်ရရှိခဲ့ပြီး IBM ၏ Deep Blue သည် Garry Kasparov ကိုကိုးကားခဲ့ပြီး Google ၏ AlphaGo သည် Go ကိုအနိုင်ယူခဲ့သည်။ ထိုအခါတွင် ပြန်လည်သင်ယူမှု (Reinforcement learning) သည် Atari ဂိမ်းများနှင့် Dota 2, Starcraft II ကဲ့သို့သော စနစ်အပေါ်အထောက်အပံ့ပြုခဲ့သည်။ သို့သော်၊ AI ၏အကောင်းဆုံးစွမ်းရည်သည် လူ့အာရုံခံယူမှုနှင့်အတွေ့အကြုံများသုံးပြီးပွဲအနည်းငယ်မပဲအပျင်းအယှက်အချိန်များတွင်အလျင်အမြန်ပြင်ဆင်နိုင်မှုကိုန်းသက်မှုပြုရန်။ လူများသည် သင်ယူနိုင်စွမ်းများနှင့်ဖော်ထုတ်ထားသောစနစ်အသစ်များကိုနားလည်နိုင်စွမ်းအလန်းစားရှိပြီး AI ပဲအခုလောက်ဘေးနားလည်ရန်ခက်ခဲနေသည်။ NYU ၏ကြော်ကြားသည့်ပညာရှင် Julian Togelius သည် ဗွီဒီယိုဂိမ်းများကို ချိတ်ဆက်နိုင်သော စနစ်အချို့ရှိသော ဂုဏ်သတ္တိအမျိုးမျိုးဖြင့် ပျမ်းမျှအချင်းချင်းဂိမ်းများကို ကစားနိုင်ခြင်းဟာအဓိကစိန်ခေါ်မှုတစ်ခုဖြစ်ကြောင်းဆက်ပြောသည်။ Google DeepMind ၏ SIMA 2 နှင့်အခန်းကဏ္ဍအသစ်များဖြစ်သော သီးခြားမော်ဒယ်များနှင့်အတူပြုပြင်ထားသောအခန်းကဏ္ဍတွင် AI ၏နားလည်မှုကိုတိုးတက်စေမည့်ဆန်းသစ်မှုများလည်းကိုအလားအလာပြုထားသည်။ လူ့အဆင့်အကွာအဝေးရှိ AI ကိုရောက်ရှိရန် သာမန်ဖန်တီးမှု၊ စီမံကိန်းများနှင့်အကြံဉာဏ်စွမ်းရည်များတွင်အောင်မြင်မှုများဖြစ်လာရမည်၊ ဤသစ်ပွားစိုက်မှုအသစ်သည် ဂိမ်းသိပညာရပ်၏အခက်အခဲအသစ်ဖြစ်လာမည်။နေပြည်သူ သိပ္ပံ နေ့စဉ်သတင်းထုတ်စာစောင်ကို အကြီးအကျယ်ရရှိနိုင်ရန် Subscribe လုပ်ပါ၊ ရှာဖွေခြင်းများ၊ ရှာဖွေတွေ့ရှိမှုများနှင့် DIY အကြံဉာဏ်များကို တပတ်ခြား ခြောက်ရက်တစ်ပတ်မပြတ် ပေးပို့ပါသည်။ အတုလူသားဘောင်အင်အား (AI) မော်ဒယ်များ၏တိုးတက်မှုကို သူတို့၏ဂိမ်းကျွမ်းကျင်မှုဖြင့် မကြာမီပြသကြသည်။ IBM ၏ Deep Blue သည် ၁၉၉၇ ခုနှစ်တွင် ချက်ခြင်းအကြီးဆုံးကစားသူ Garry Kasparov ကိုအနိုင်ရမည့်အပြင်၊ ၂၀ နှစ်အနည်းငယ်အကြာတွင် Google ၏ AlphaGo သည် လူ့ချန်ပီယံတစ်ယောက်ကို Go တွင်အနိုင်ယူခဲ့သည်—မအောင်မြင်နိုင်ဘူးဟု ယူဆထားသောအခါ။ ထိုအချိန်အပြီးမှ AI သည် မိန်းမများကျွမ်းကျင်မှုကို အသက်အရွယ်ပိုင်းကစားနည်းများမှစပြီး ဗေါ်ဒီယိုဂိမ်းများသို့တိုးတက်လာပြီး reinforcement learning ကိုအသုံးပြုသည်၊ ၎င်းသည် ChatGPT ကဲ့သို့သော chatbot များကိုလည်းမိုက်ခွံသည့်နည်းလမ်းဖြစ်ပြီး Atari ဂိမ်းများနှင့် Dota 2 နှင့် Starcraft II လိုအချက်အချုပ်အကြံဉာဏ်များကိုပါက ပညာတတ်စေနိုင်သည်။ သို့သော်လည်း AI သည် ထိုဘဲတော့မကောင်းဘဲ ပိုမိုပွင့်လင်းသော ဂိမ်းအမျိုးအစားများကို မျှတစွာလေ့ကျင့်နိုင်ရာတွင် ရုပ်ရှင်။ စွမ်းအားမြင့်မားသောလူ့များ အလွန်အမင်းတုံ့ပြန်နိုင်ကြသည်။ မစ်မစ်အသစ်တခုအပါအဝင့္ မိတ်မစ်ားကြ မြန်မြန်မြင်မိအောင်၊ AI မော်ဒယ်များအခက်အခဲများကြုံရသည်။ ယူနီဗားစစ်တက္ကသိုလ် ဂဏန်းဗေဒ ပါမောက္ခ Julian Togelius နှင့် သူ၏အဖွဲ့အသင်းများက ထုတ်ပြန်ထားသော သမတမ်းတစ်စိတ်တစ်ပိုင်းအရ၊ အခက်အခဲမှာ လူ့ဗဟိုမူအတွေးအခေါ်နှင့် AI ၏ လက်ရှိနိုင်ပိုင်မှုကြားအကြားအကွာအဝေးကိုပြထားသည်။ ၎င်းအခွင့်အလမ်းကာလသည် AI သည် လူ့အသိပညာအဆင့်ကိုရောက်ရှိရန် မရှိမဖြစ်လိုအပ်နေပါသေးသည်ဆိုသည်မှာ ဖော်ပြထားပါသည်။ ဂိမ်းများသည် AI များအတွက် စမ်းသပ်မှုပြုလို့ကောင်းသော အကြောင်းအရာဖြစ်ပြီး၊ မိမိတို့၏ဖြစ်စဉ်များ၊ ရည်ရွယ်ချက်များ၊ ပုံစံများနှင့် မ်ားစြာသောစည်းကမ်းများသည် reinforcement learning ၏အခန်းကဏ္ဍနှင့်အတူကောင်းစွာကျအောင်အကောင်အထည်ဖော်ထားသည်။ များသောအားဖြင့် DeepMind ၏ ၂၀၁၅ ခုနှစ် Atari ဂိမ်းများကို အနိုင်ရမည့်အောင်နှင့် ယနေ့ခေတ်ကျော်လူကြီးမော်ဒယ်များအပေါ်အကျိုးစံပြကြသည်။ သို့သော်၊ မော်ဒယ်များသာလျှင် မည်သည့်တာဝန်အတွက်အကျိုးအမြတ်ရှိသည်ဆိုသည်မှာ၊ ဂိမ်းဒီဇိုင်းတွင်မူတည်သောပုံစံများအနည်းငယ်ပြောင်းလဲသောအခါ AI ၏စွမ်းအားကိုပျက်စီးစေခြင်း၊ ပိုမိုနည်းပါးသောစွမ်းရည်ကို ပြသပေးနေသည်။ လူ့အရည်အချင်းအလားအလာအရ AI သည် ဂိမ်းတစ်ခုအတွင်း ပိုမိုမြင့်မားသောကျွမ်းကျင်မှုရရှိနိုင်သော်လည်း၊ အမူအနှုန်းစွမ်းရည်အရမပိုင်နိုင်ပါ။ ဤကန့်သတ်ချက်ကို ပိုမိုမြင်သာလာသည်မှာ ခေတ်မီဂိမ်းများမှာ ပိုမိုပွင့်လင်းလာပြီး၊ များစွာသောဂိမ်းများမှာ ထိုက်ခိုင်ခြင်းနှင့်အတူ တိုက်တိုက်ချင်းချင်း မေးခွန်းများကနေ ပိုမိုရှုပ်ထွေးလာနေကြခြင်း ဖြစ်သည်။ ချက်ခြင်းကဲ့သို့သော ခဲယမ်းအရပ်ဂိမ်းများနှင့် မတူဘဲ “Red Dead Redemption” အစရှိသောအဖွဲ့ကမ္ဘာအကွာအဝေးရှိတဲ့ဂိမ်းများသည် အကျိုးအဆုံးအပေါ် မူတည်သည့်ရည်ရွယ်ချက်များများရှိခဲ့ပေ။ လူ့များသည် ထိုအနိမ့်အညာများကို သဘာဝအဖြစ်အပျက်၊ များသောအားဖြင့်သိမြားနေကြပေသည်။ မော်ဒယ်များမှာ မသိနိုင်ခြင်း မရှိသလောက် မသိနိုင်သည့်အရာများကို မဝင်ကြည့်နိုင်ပါ။ Minecraft ဂိမ်းကဲ့သို့သော sandbox ဂိမ်းများတွင် AI သည် အခြေခံလုပ်ဆောင်ချက်များ၊ ဥပမာ Jump ခလောက်များလေ့ကျင့်နိုင်သော်လည်း ၎င်း၏အခေါင်းဖြစ်ရာအကြောင်းအရာကို မမှန်းနိုင်ပါ။ အဆိုပါစာရေးသူများက ထောက်ပြထားသောအဓိကအချက်မှာ သေချာပြီးကောင်းမွန်သော ဂိမ်းများသည် လူ့မေတ္တာ၊ သာမန်အယူအဆနှင့် အသက်အကြာကြာအလုပ်လုပ်ခဲ့သည့်အတွေ့အကြုံများနှင့် မျှတတိုင်တန်းစပ်နေကြောင်း ဖြစ်သည်။ ဥပမာအားဖြင့်၊ မွေးမြူခံရသောကလေးများအနေနှင့် ၁၈ နှစ်မှ ၂၄ လအတွင်း ပစ္စည်းများကို အတွေ့အကြုံဖြင့် သတိရကြသည်။ ဂိမ်းတွင် တစ်ယောက်တည်းအမွားအယှက်ကို လေ့လာနိုင်ပါသည်။ ထိုအတိုင်း၊ AI များမဖြစ်နိုင်သောပုံစံများနှင့်အတူနေရာတစ်ခုအတွင်းတစ်လို့လေ့လာနိုင်ရိုက် မကျေနပ်သော ရှုပ်ထွေးမှုများကို ပိုမိုမြန်မြန်ရှာဖွေသည်။ ယအခုစွမ်းရည်များထဲမှာ မူတည်၍ AI တွင် ဂိမ်းများအားလုံးကို မိမိပိုင်စွမ်းရည်ရှိစွာကစားနိုင်ခြင်း၊ ရှင်သန်နိုင်ခြင်းရှိစေမည်ဖြစ်သည်။ ၂၀၂၃ ခုနှစ်တွင် Google DeepMind သည် SIMA 2 ကို မိတ်ဆက်လုပ်ခဲ့ပြီး၊ ယင်းသည် AI ၏ သဘောထားအသုံးချဖြစ်သော Gemini အကြီးအကျယ်စာပေ မော်ဒယ်မှ စဉ်ဆက်မပြတ် ပိုမိုနားလည်နိုင်စွမ်းနှင့် 3D ဂိမ်းများအတွက် ကောင်းမွန်စေခြင်း၊ လူမဲ့ထား သူ့တင်လို့မရသော ဂိမ်းများအပေါ်မူတည်၍ ပိုမိုကောင်းမွန်စွာအောင်စွမ်းဆောင်နိုင်စေသည်။ သို့သော် Togelius နှင့် သူ၏အဖွဲ့များကပင် သတိပေးထားသည်မှာ AI သည် လူ့အသက်အင်အားနှင့် တူညီမှုအပေါ် မရောက်ရှိသေးပါ။ သူတို့ကပြောကြားနေသည်မှာ၊ Steam သို့မဟုတော် iOS App Store ၏ ထိပ်တန်း ၁၀၀ ဂိမ်းကို မိမိတို့မတိုင်မီ မပညာရှင်များမသောအခါမှသာ ကစားနိုင်အောင် စမ်းသပ်ရန်အတွက် မော်ဒယ်တစ်ခုရဲ႔ပုံစံများကို မထောက်လှမ်းနိုင်ပါ။ ဤအချိန်မှာတော့၊ ယခု AI များမည်သည့်အတိုင်း မျိုးစုံစွာသောကစားနည်းများ ပြုလုပ်နိုင်မည်ဆိုထားသူမရှိပါ။ ဤအထိမ်းအမှတ် ရရှိလာရန် AI သည် တစ်ပုဒ်တည်းနိုင်ငံစီမံခန့်ခွဲမှု၊ အစွန်းအထင်းစဉ်းစားနိုင်မှုနှင့် ဉာဏ်ကြီးပုံစံများကို ထုတ်ဖော်နိုင်ရန် လိုအပ်ပါသည်။ မျှော်မည်မှာ AI သည် “လူ့အဆင့်” သို့ရောက်ရှိမည်ဆိုပါက သူ့စွမ်းရည်ကို ကျကျ မှုပြုနိုင်စွမ်း၊ ရှေ့မူအကြံဉာဏ်များနှင့် အနည်းငယ် နားလည်မှုများကို တောက်လျှောက်ပြသနိုင်ရန် ဖြစ်လာမည်ဖြစ်သည်။ ထိုအမှုအရာကြီးသည် ဗဟိုအာရုံကိုရယူချင်သော AI သည် “အပြစ်ကင်းစ” ဗီဒီယိုကားများသရုပ်ဖော်ခြင်း မူတည်ပြီး လက်နက်တစ်ခုတည်း မှမဟုတ်ပါ။ ၎င်း၏အဆုံးရည်မှာ လူ့လူသားအတိုင်းအတာအောင် အားလုံးမျိုးစုံသော ဂိမ်းများကို သင်ကြားပြီး မြန်မြန် နားလည်နိုင်စွမ်း ရရှိခြင်း ဖြစ်မည်ဟု ယူဆရသည်။
Watch video about
အArtificial Intelligence ထိုးထြင်းတိုးတက်မှုများနှင့် လူ့အဆင့်ဂိမ်းအာရုံမြင့်မားမှုအချက်အချာများ
Try our premium solution and start getting clients — at no cost to you
