അനുഭവം ഗുരു; റിച്ചാർഡ് സട്ടന്റെ പുതിയ സംരംഭം: അനുഭവങ്ങളിൽ നിന്ന് പഠിക്കുന്ന എ.ഐ വികസിപ്പിക്കാൻ 'ഓക്ക് ലാബ്'
text_fieldsഓക്ക് ലാബ് വികസിപ്പിക്കാൻ ഉദ്ദേശിക്കുന്ന എ.ഐ സംവിധാനങ്ങൾ, ഡേറ്റ സംഭരിക്കുകയോ വീണ്ടും പ്ലേ ചെയ്യുകയോ ചെയ്യാതെ തന്നെ തത്സമയം പഠിക്കാൻ കഴിവുള്ളവയായിരിക്കും
നിർമിത ബുന്ധി രംഗത്തെ പ്രമുഖ ഗവേഷകനും 2024ലെ ട്യൂറിങ് അവാർഡ് ജേതാവുമായ റിച്ചാർഡ് സട്ടൻ പുതിയൊരു എ.ഐ ഗവേഷണ സ്ഥാപനം തുടങ്ങിയിരിക്കുന്നു. പേര് ഓക്ക് ലാബ് (Oak Lab). സാധാരണ ലാർജ് ലാംഗ്വേജ് മോഡലുകളെ (എൽ.എൽ.എം) ആശ്രയിക്കുന്ന നിലവിലെ സമീപനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, പരിസരങ്ങളുമായി ഇടപഴകി തുടർച്ചയായി പഠിക്കുകയും സ്വയം മെച്ചപ്പെടുകയും ചെയ്യുന്ന എ.ഐ ഏജന്റുമാരെ വികസിപ്പിക്കുകയാണ് പുതിയ സംരംഭത്തിന്റെ ലക്ഷ്യം.
കാനഡയിലെ ടൊറന്റോ ആസ്ഥാനമായാണ് ഓക്ക് ലാബ് പ്രവർത്തിക്കുക. സട്ടന്റെ മുൻ ഗവേഷണ വിദ്യാർഥിയായ ഖുറം ജാവേദാണ് സഹസ്ഥാപകൻ. സട്ടന്റെ അഭിപ്രായത്തിൽ, നിർമിത ബുദ്ധിയുടെ അടുത്ത വലിയ മുന്നേറ്റം റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ് (Reinforcement Learning) അടിസ്ഥാനമാക്കിയാകും. നിലവിലെ എൽ.എൽ.എമ്മുകൾ വലിയ അളവിലുള്ള സ്ഥിര ഡേറ്റയിൽ പരിശീലനം നേടുന്നവയാണെങ്കിലും, യഥാർഥ ബുദ്ധിശേഷി അനുഭവങ്ങളിൽനിന്ന് തുടർച്ചയായി പഠിക്കുന്ന സംവിധാനങ്ങളിലൂടെയാണെന്ന് അദ്ദേഹം വാദിക്കുന്നു. നിലവിലെ ഡീപ് ലേണിങ് രീതികൾ ‘ദുർബലവും കാര്യക്ഷമമല്ലാത്തതുമാണ്’ എന്ന നിലപാടും അദ്ദേഹം ആവർത്തിച്ചു.
ഓക്ക് ലാബ് വികസിപ്പിക്കാൻ ഉദ്ദേശിക്കുന്ന എ.ഐ സംവിധാനങ്ങൾ ഡേറ്റ സംഭരിക്കുകയോ വീണ്ടും പ്ലേ ചെയ്യുകയോ ചെയ്യാതെ തന്നെ തത്സമയം പഠിക്കാൻ കഴിവുള്ളവയായിരിക്കും. കുറഞ്ഞ കമ്പ്യൂട്ടിങ് ശേഷി ഉപയോഗിച്ച് തുടർച്ചയായി സ്വയം മെച്ചപ്പെടുന്ന അൽഗോരിതങ്ങളാണ് ലക്ഷ്യമിടുന്നത്. മാത്രമല്ല, അനുഭവങ്ങളുടെ വെളിച്ചത്തിൽ ഈ എ.ഐ ഏജന്റ് അനുദിനം വികസിച്ചുകൊണ്ടിരിക്കുകയും ചെയ്യും.
ചാറ്റ് ജി.പി.ടി പോലുള്ള എ.ഐ മോഡലുകളെ കൂടുതൽ ഫലപ്രദമാക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതികവിദ്യകളിൽ റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ് നിർണായക പങ്കുവഹിക്കുന്നു. 2024-ൽ ആൻഡ്രൂ ബാർട്ടോയോടൊപ്പം ഈ മേഖലയിലെ സംഭാവനകൾക്കാണ് സട്ടൻ കമ്പ്യൂട്ടിങ്ങിലെ പരമോന്നത ബഹുമതിയായ ട്യൂറിങ് അവാർഡ് നേടിയത്.

