అభియాని అన్ని బుద్ధివంత జీవులు ఏవి భాగస్వామ్యం చేస్తున్నారు?యాన్ లెకూన్, మెటా యొక్క ముఖ్య AI శాస్త్రవేత్త ప్రకారం, నాలుగు కీలక లక్షణాలు ఉన్నాయి. ఈ సంవత్సరం ప్రారంభంలో పారిస్‌లో జరిగిన AI కార్యాచరణ శిఖరాగ్రంలో, రాజకీయ నేతలు మరియు AI నిపుణులు AI అభివృద్ధિ గురించి చర్చించేందుకు సమావేశమయ్యారు. ఈ కార్యక్రమంలో, లెకూన్ తన మౌళిక నిర్వచనాన్ని IBM యొక్క AI నాయకుడు, ఆంథోని అన్నుజియేటాఅందులకు వివరించారు. “ప్రతి జీవిని—లేదా కొంత తెలివివంత జీవిని—మరియు ఖచ్చితంగా మనుషులందరూ కలిగి ఉండే నాలుగు మూల లక్షణాలున్నాయి, ” ఆయన వివరిస్తూ, “ఇవి భౌతిక ప్రపంచాన్ని అర్థం చేసుకోవడం, సుదీర్ఘ గుర్తుకుంచడం, తార్కికతను మనుగడ చేసుకోవడం, మరియు ప్రత్యేకంగా సంకీర్ణ కార్యాచరణలను హైరార్కికల్ ప్లానింగ్ ద్వారా ప్రణాళికించటానికి సామర్ధ్యం” అని అన్నారు. లెకూన్ సూచించారు कि AI, ముఖ్యంగా పెద్ద భాషా నమూనాలు, ఇంకా ఈ స్థాయిని చేరలేదు. ఈ సామర్థ్యాలు సమీకృతం చేయడం తాలుక ఇది శిక్షణ పద్ధతుల్లో మార్పును అవసరం పడుతుంది. దీని వల్లే ఇప్పటి వరకు పరిశ్రమలోని చాలా ముందు తరగతి టెక్నికల్ కంపెనీలు కొత్త సామర్థ్యాలను ప్రస్తుత నమూనాలపై జోడిస్తున్నాయి, AI రంగంలో ముందుగానే ఉండటానికి బడుగుపోగొందుట. “భౌతిక ప్రపంచం అర్థం చేసుకోవటానికి, మీరు వేరు దృష్టి వ్యవస్థను శిక్షణ ఇచ్చి, తర్వాత దాన్ని పెద్ద భాషా నమూనాతో జోడిస్తారు. గుర్తింపు కోసం, మీరు రిట్రీవల్ ఆక్యుమెంటెడ్ జనరేషన్ (RAG) ఉపయోగిస్తారు, కొంత సంబంధించిన గుర్తుబంధ ప్రణాళికను జోడించండి, లేదా నమూనాను పెద్దది చేయండి, ” అన్నాడు. (RAG అనేది Meta ద్వారా అభివృద్ధి చేసిన ఒక సాంకేతిక విజ్ఞాన వననం, ఇది బాహ్య జ్ఞాన సోర్స్‌లను కలుపుకోగా పెద్ద భాషా నమూనాలను మెరుగుపరిచేందుకు ఉపయోగపడుతుంది. ) అయినా, లెకూన్ భావించేవారు ఆ త్రొట్లు అనేవి “హ్యాక్స్” మాత్రమే అని. అతను బహుళ దృష్టికోణాలు ఇవ్వడంలో ఆసక్తి చూపాడు, ఇది ప్రపంచ-ఆధారిత నమూనాలను అనే ప్రత్యేక విధానాన్ని గురించి చర్చించాడు.

ఇవి వాస్తవ ప్రపంచ దృశ్యాలపై శిక్షణ పొందినవి, సాధారణ పాఠ్య గుర్తింపుని మించి ఉన్న ఉన్నత సూత్రాలను ప్రదర్శిస్తాయి. అన్నుజియేటాతో మాట్లాడినప్పుడు, ఆయన ఈ అభిప్రాయాన్ని వివరించారు. “మీరు ఒక నిర్దిష్ట సమయ Tలో ప్రపంచ స్థితి యొక్క ఆలోచనతో ప్రారంభిస్తారు, ఒక చర్యని ఊహిస్తారు, తదనుగుణంగా ప్రపంచ మోడల్ ఎలా మారుతుందో అంచనా వేస్తుంది, ” తెలిపారు. కానీ, ప్రపంచం అనేక అవనత అవకాశం మార్గాలలో మారుతున్నందువల్ల, ఇలాంటి నమూనాలను శిక్షణ పొందించడం అనేది abstraction అనే దాంతోనే సాధ్యమవుతుంది. మెటా ఇప్పటికే ఈ భావనను V-JEPA పేరుతో పరిశోధన చేస్తోంది, ఇది ఫిబ్రవరిలో జన publicsగా విడుదలైంది. ఇది వీడియోలలో గాయట అయినా భాగాలను భావించి, ఈ మోడల్ మురికిని లేక మాస్క్ చేసిన భాగాలను ముందుగానే అంచనా వేయడం ద్వారా నేర్చుకుంటుంది. “ముఖ్యమైన ఆలోచన म्हणजे మీరు పిక్సెల్ స్థాయిలో ప్రత్యక్షంగా అంచనా వేయకూడదు. బదులుగా, మీరు వీడియో యొక్క ఒక సంక్షిప్త ప్రాతినిధ్యంపై ఆధారపడే విధంగా వ్యవస్థను శిక్షణ ఇస్తారు, ఇది అంచనాలను ఆ సూచనలలో చేసే అవకాశం ఇస్తుంది. ఆ ప్రతినిధ్యం అనుకోకుండా ఉండగల మరొక వివిధ వివరాలను తొలగిస్తుంది, ” అన్నాడు లెకూన్. ఈ విధానం ఎలాగంటే, రసాయన శాస్త్రవేత్తలు దేమదానానికి దృష్టి సారించి, ఆధారంగా భౌతిక కణాల యొక్క తొలిఅవయవలను స్థాపించారు. “మేము abstractions సృష్టించాం: అదనపు అణువులు, వాటిపై అణువులు, తరువాత అయనాలు, తగినప్పుడు మెటీరియల్స్, ” అతను అన్నాడు. “ప్రతి వరస యే దశలు అవసరంలేదు, నిమిత్తం కోసమే తక్కువ వివరణల్ని తొలగిస్తుంది, ఆ పని ఏది నడపాలో ఆధారపడి. ” అంతంగా చెప్పుకుంటే, ఇది మనకు భౌతిక ప్రపంచాన్ని hierarchies నిర్మించకుండా అర్థం చేసుకోవడం బుద్ధిమత్తు యొక్క మూలం.