તમામ બુધ્ધિમાન પ્રાણીઓને શું શેર કરે છે?યાન લેકૂન, મેતા માટેના મુખ્ય એઆઈ વૈજ્ઞાનિકનાં અનુસાર, ચાર મુખ્ય લક્ષણો છે. પેરિસમાં આ વર્ષે શરૂઆતમાં એપીઆઈ એક્શન સુમિટ પર, રાજનૈતિક નેતાઓ અને એઆઈ નિષ્ણાતોએ એઆઈ વિકાસ વિશે ચર્ચા કરવા માટે સંકલિત થયા હતા. આ ઇવેન્ટ દરમિયાન, લેક્ચૂએ પોતાના મૂળભૂત બુદ્ધિ વ્યાખ્યા IBM ના એઆઈ નેતા, એન્થોની એનઝીયા સાથે વહેંચી. “બુદ્ધિશાળી વર્તનના ચાર મહત્વપૂર્ણ લક્ષણો છે કે જે દરેક જંતુ—અથવા તુલનાત્મક રીતે બુદ્ધિશાળી પ્રાણી—અને નિશ્ચિત રીતે માનવને ધરાવે છે, ” તેમણે જણાવ્યું. “આ છે ભૌતિક વિશ્વની સમજણા, સતત યાદશક્તિ, તર્કગીરી કરવાની ક્ષમતા, અને આયોજન કરવાની ક્ષમતા, ખાસ કરીને જટિલ ક્રિયાઓ હયારાર્કિકલ પ્લાનિંગથી. ” લેકૂન એમ કહે છે કે એઆઈ, વિશેષ કરીને મોટા ભાષા મોડેલ, હજુ સુધી આ સ્તર સુધી પહોંચ્યા નથી અને આ શકિતોને જોડવા માટે તેમનાં તાલીમ પદ્ધતિઓમાં ફેરફાર આવવું પડશે. આ કારણ છે કે ڪيترા પ્રખ્યાત ટેક કંપનીઓ હાલમાં નવા ક્ષમતા જોડવા માટે જુના મોડેલો પર કામ કરી રહી છે, કારણ કે તેઓ એઆઈ ક્ષેત્રમાં આગેવાની લેવાની કોશિશ કરી રહ્યા છે. “ભૌતિક વિશ્વની સમજણ માટે, તમે એક અલગ દૃષ્ટિ પ્રણાલી ટ્રેન કરો અને પછી તેને મોટા ભાષા મોડેલ સાથે જોડો. યાદશક્તિ માટે, તમે રીટ્રીવલ ઓગમેન્ટેડ જનરેશન (RAG) નો ઉપયોગ કરો, કેટલાક સહાયકો યાદશક્તિ ઉમેરો અથવા સીધું મોડેલને સ્કેલ કરો, ” તેમણે જણાવ્યું.

(RAG એ Meta દ્વારા વિકસિત એક તકનીક છે, જે મોટી ભાષા મોડલોને બાહ્ય જ્ઞાન સ્ત્રોતોનો સમાવેશ કરીને સુધારે. ) તેમ છતાં, લેક્ચૂન માનીએ છે કે તે બધા પ્રયત્નો ફક્ત “હેક્સ” છે. તેણે વારતીક મોડલો (world-based models) નામનો એક વિકલ્પ દીધો છે, જે વાસ્તવિક દુનિયાની દ્રષ્ટિથી ટ્રેન થાય છે અને ફક્ત પેટર્ન ઓળખવા કરતાં વધુ ઊંચી જ્ઞાનક્ષમતા Demonstrates કરે છે. તેમના અંજીયા સાથે સંવાદમાં, તેમણે આ ખ્યાલ વિશદ રીતે સમજાવ્યો. “તમે કોઈ ચોક્કસ સમયે T પર વિશ્વની સ્થિતિનું વિચાર કરો, એક ક્રિયા કલ્પના કરો, અને પછી વિશ્વ મોડેલ ભવિષ્યમાં તે ક્રિયાનું પ્રતિક્રિયા કરીને કેવી રીતે બદલાશે તેનું અનુમાન લગાવે, ” તેમણે સમજાવ્યું. પરંતુ, કારણ કે વિશ્વ અનિચ્છનીય સંભાવનાઓથી સતત બદલાતું રહે છે, આવા મોડેલોનું તાલીમ અપાવવા માટે માત્ર અભિપ્રેત્ર અનુકૂળ છે. મેતા ইতમેથી આ ખ્યાલને V-JEPA ના નામની મૉડલ સાથે શોધી રહી છે, જે ફેબ્રુઆરીમાં જાહેરમાં રિલીઝ થઈ હતી. તે વર્ણવવામાં આવી છે કે કોઇ જનરેટિવ મોડલ નથી, જે વિડિયોમાં ખૂટવા અથવા માર્ચ સંવેદનશીલ સેગમેન્ટ્સને અનુમાન લગાવી સાથે શીખે છે. “મૂળ વિચાર એ છે કે તમે પિક્સેલ સ્તરે સીધું અનુમાન લગાવશો નહીં. તેના બદલે, તમે એક પ્રણાલીને વિડીયોની અભિપ્રેત્રીય પર્દા પર કામ કરવા માટે તાલીમ આપો, જેમાં તે તે રીતે પૂર્વાનુમાન લગાડી શકે. યોગ્ય રીતે, આ પ્રત્યેક રજૂઆત અનિચ્છનીય વિગતોને ફિલ્ટર કરે છે, ” લેક્ચૂન કહ્યું. આ દૃષ્ટિકોણ રસાયણવિદોએ તત્વોની ભારેમુખ જમીન રચનામાં સ્થાપિત hierarchy ની જેમ છે. “અમે અભિપ્રેત્રતાઓ બનાવીએ: કણો, જેમાં પરમાણુઓ, તે પછી અણુઓ, અને અંતે વસ્તુઓ, ” તેમણે જણાવ્યું. “દરેક પદાર્થ ઉપરનું સ્તર નીચેના સ્તરોમાંથી અગત્યનું માહિતી ફિલ્ટર કરે છે, જે કાર્ય પર આધારિત છે. ” મૂળભૂત રીતે, આનો અર્થ એ છે કે અમે ભૌતિક દુનિયાનું સમજનું હાયરાર્કીઓ બનાવવાની સાથે છે, જે બુદ્ધિ માટે મૂળભૂત સમર્થ છે.