आर्टिफिशिअल इंटेलिजन्स - भाग 1 ते ३

खूप दिवसांपासून या विषयावर लिहायचं मनात होतं पण विचारांत सुसूत्रता नव्हती. शेवटी आज लिहायचंच असं ठरवलं. लिखाणातील विस्कळीतपणा माफ कराल अशी आशा आहे. नवीन भाग फार लहान होत असल्याने अश्विनी यांच्या सूचनेनुसार मी पुढचे भाग इथेच वाढवत आहे.

लेखाची सुरुवात एका गोष्टीने करतो.
असं म्हणतात की बुद्धिबळाचा शोध भारतात लागला. जेव्हा शोधकर्त्याने हा खेळ तेव्हाच्या राजाला दाखवला तेव्हा राजा खूप खुश झाला आणि त्याने शोधकर्त्याला बक्षीस मागायला सांगितले. त्याने पटाच्या पहिल्या चौकोनासाठी 1 तांदळाचा दाणा, दुसऱ्यासाठी 2, तिसऱ्यासाठी 4, चौथ्यासाठी 8 दाणे असे 64 चौकोनांसाठी दाणे मागितले. राजा हसायला लागला. म्हणाला काही जहागिरी वगैरे मागायचं सोडून हे काय 4-8 दाणे मागतोस? पण जेव्हा 2 चा 64 वा घात हा नंबर मोजायचा प्रयत्न केला गेला तेव्हा त्याचा अगम्यपणा लक्षात आला. सुरुवातीला 2, 4, 8, 16, 32 अशा लहान संख्या बुद्धिबळाच्या पटाच्या निम्म्या (3२:) चौकोनापर्यंत अब्जांमध्ये पोचतात. आणि तरीही त्यापुढे प्रत्येक चौकोनात दुप्पट होत रहातात. सर्वसामान्यांच्या आकलनाच्या बाहेर जातात.
आता तुम्ही म्हणाल याचा आर्टिफिशिअल इंटेलिजन्स शी काय संबंध? तर त्यासाठी आपल्याला मूरचा नियम (Moore's law) पहावा लागेल. 1965 साली लिहिलेल्या एका प्रबंधात मूरने असे निरीक्षण नोंदवले की चिप वरच्या ट्रांसिस्टर ची संख्या दर 18 महिन्यात दुप्पट होते. म्हणजेच दर दीड वर्षांनी चिप ची काम करण्याची क्षमता दुप्पट होते. मूरच्या अंदाजानुसार हे निरीक्षण 1975 पर्यंत लागू होणार होते. पण आश्चर्यकारकदृष्ट्या हे निरीक्षण अजूनही लागू आहे. माझ्या पहिल्या कम्प्युटरची रॅम 4 MB होती तर ज्या मोबाईलवर मी हे लिहितोय त्याची रॅम 6GB आहे. म्हणजे साधारण 1500 पट जास्त. दुसरं एक उदाहरण म्हणजे 80 च्या दशकात शीतयुद्धाच्या वेळी अमेरिकेने आपल्याला सुपरकम्प्युटर दिला नाही आणि आपण आपला स्वतःचा परम सुपरकम्प्युटर बनवला. तर अमेरिकाचा त्या क्रे सुपरकम्प्युटरपेक्षा लेटेस्ट आयफोन जास्त शक्तिशाली आहे. नुसती कार्यक्षमताच नाही तर आकार, विजेचा वापर या बाबतीतही हजारो पटींनी सुधारणा झाली आहे. बुद्धिबळाच्या पटाच्या संदर्भात बोलायचं तर आपण निम्मा पट केव्हाच ओलांडून पुढे आलो आहोत. यापुढची प्रगती भल्याभल्यांच्या कल्पनेपलिकडली असणार आहे.

भाग २:

आर्टिफिशिअल इंटेलिजन्सला अधिकृत मराठी प्रतिशब्द मला माहित नाही. शब्दशः भाषांतर "कृत्रिम बुद्धिमत्ता" असं होऊ शकतं. इंग्रजीत याचं लघुरुप AI असंही केलं जातं. ढोबळमानाने जिथे मशिन्स मानवी हस्तक्षेपाशिवाय काम करतात तेव्हा या कृत्रिम बुद्धिमत्तेचा प्रत्यय येतो. अगदी फोन मधला कॅल्क्युलेटर ते चालकरहित कार ही सगळी AI ची उदाहरणे आहेत.

या लेखाच्या सोयीसाठी आपण AI चे खालील 3 प्रकारात वर्गीकरण करू.
1. Super-human AI
2. Par-human AI
3. Sub-human AI

1. Super-human AI
या प्रकारात मशिन्सची कृत्रिम बुद्धिमत्ता सर्वसामान्य माणसांपेक्षा जास्त प्रगत असते. उदा. बुद्धिबळाच्या खेळामध्ये अगदी सर्वोत्तम मानवी खेळाडूही कंप्युटरबरोबर खेळताना जिंकू शकत नाही.

2. Par-human AI
या प्रकारात ai ची क्षमता जवळपास सर्वसामान्य माणसांइतकीच प्रगत असते. उदा. Optical Character Recognition (OCR) अर्थात छापील कागदावरची मुळाक्षरे ओळखणे

3. Sub-human AI
या प्रकारात कृत्रिम बुद्धिमत्ता सर्वसामान्य माणसांपेक्षा कमी प्रगत असते. उदा भाषांतर करणे.

या प्रत्येक प्रकारची अजून बरीच उदाहरणे देता येऊ शकतात. आता बुद्धिबळ खेळणारा प्रोग्रॅम जरी सुपरह्युमन क्षमतेचा असला तरी तो फुल्ली-गोळा नाही खेळू शकणार. म्हणजेच सध्याची कृत्रिम बुद्धिमत्ता एका वेळी फक्त एकाच (किंवा फार कमी) कामात पारंगत असते. याला संकुचित बुद्धिमत्ता (Artificial narrow intelligence - ANI) म्हटले जाते. याउलट सर्वसामान्य माणसे मात्र भाषा, गणित, चालताना किंवा सायकल चालवतानाचे संतुलन (balance), दृकश्राव्य क्षमता अशा विविध गोष्टीत पारंगत असतात. ज्यावेळी AI एकाच वेळी सर्वच बाबतीत माणसांच्या बरोबरीला पोचतील तेव्हा त्याला Artificial general intelligence - AGI असे संबोधले जाईल. त्याच्या पुढची पायरी म्हणजे Artificial super intelligence - ASI. संकुचित बुद्धिमत्तेची मशिन्स माणसे सांगतील तेच काम करतात. आपल्या भवताली सध्या अशा ANI ची अनेक उदाहरणे सापडतील. आपल्या हातातील मोबाईलमध्येच आपण कित्येक ऍप्स रोज वापरतो. मॅप्स, ऑनलाईन शॉपिंग, सिरी, फेसबुक इत्यादी सगळी ऍप्स AI वापरतात. विमानतळावर, कारखान्यांमध्ये, सैन्यामध्ये, संशोधनक्षेत्रात सगळीकडेच ANI कित्येक वर्षांपासून वापरले जाते.
पण जर AI कित्येक वर्षांपासून सर्वत्र आहे आणि बऱ्याच क्षेत्रात मनुष्य क्षमतेच्या पुढे आहे तर मग चित्रपटांमध्ये दाखवतात तसं आपल्याला खरंच भीती आहे का? पाहूया पुढच्या भागात
क्रमशः

भाग ३:
AI म्हणजे नक्की काय यावर तज्ञांचे मतभेद आहेत हे तुम्हाला भाग २ वर आलेल्या प्रतिसादांवरुन कळलेच असेल . हुशारी दखवणारी कुठलीही मशीन (उदा. कॅल्क्युलेटर) माझ्या AI च्या सर्वसमावेशक व्याख्येत बसते तर अगदी बुद्धीबळासारखा अवघड खेळ खेळणारी मशीनदेखील राज यांच्या व्याख्येत बसत नाही. आणि खरं सांगायचं तर हे मतभेद इथे मायबोली पुरते मर्यादीत नाहीत. आपल्या अंगवळणी पडलेल्या रोजच्या वापरातल्या मशीन्स AI नाहीत हा आक्षेप इतका कॉमन आहे की त्याला AI इफेक्ट म्हणुन ओळखले जाते. (The AI effect occurs when onlookers discount the behavior of an artificial intelligence program by arguing that it is not real intelligence.)
असो. तर या मतभेदांची नोंद घेउन आपण पुढे सरकुया.
थोडा विचार केला तर एक मजेशीर बाब आपल्या लक्षात येईल. माणसांसाठी कठीण असलेल्या गोष्टी कंप्युटरला सोप्या वाटतात तर आपल्याला सोप्या वाटणार्‍या गोष्टी मशीन्ससाठी बर्‍यापैकी अवघड जातात. उदा. दोन १० आकडी संख्यांचा गुणाकार आपल्याला फार कठीण वाटेल. पण कंप्युटर क्षणार्धात उत्तर देईल. पण रस्त्यावरचा काळसर डाग हा खड्डा आहे की दगड आहे की चुरगळुन फेकलेला कागदाचा बोळा आहे हे ठरवणे कंप्युटरसाठी फार कठीण आहे. दुसर्‍या शब्दात सांगायचं तर ज्या गोष्टींसाठी माणसांना विचार करावा लागतो त्या कंप्युटरला सोप्या वाटतात पण आपण विचार न करता ज्या गोष्टी सहज करुन जातो त्यांनी कंप्युटरला घाम फुटतो. खरंतर आपल्याला सोप्या वाटणार्‍या (विचार न कराव्या लागणार्‍या) गोष्टी देखिल खुप क्लिष्ट आहेत, पण लाखो-करोडो वर्षांच्या उत्क्रांतीमुळे आपला मेंदु त्यात तरबेज झाला आहे. टेबलावर घरंगळणारा शेंगदाणा उचलणे ही डोळे, खांदा, कोपर, मनगट, बोटं, स्नायु यांचा समावेश असलेली एक गुंतागुंतीची क्रिया आहे. खास विकसित झालेला आपला मेंदु आणि शरीर ही क्रिया लिलया पार पाडते. पण हेच साध्य करायला मशीनला खुप अवघड जातं.
भाग २ मधे उल्लेख केल्याप्रमाणे आपले जग ANI (Artificial narrow intelligence) ने भरलेले आहे. पण बर्‍याचदा हे ANI त्या त्या कामासाठी खास प्रोग्राम केलेले असतात. Artificial general intelligence - AGI साठी कंप्युटरने माणसांसारखे स्वतः शिकणे गरजेचे आहे. गेल्या काही वर्षांमधे "न्युरल नेटवर्क" नावाच्या पद्धतीचा वापर खुप वाढला आहे. न्युरल नेटवर्क हे मेंदुमधले न्युरॉन्स जसे एकमेकांना जोडलेले असतात तसे एकमेकांशी जोडलेल्या नोड्स चा वापर करतात. यामुळे कंप्युटरला स्वतःच गोष्टी शोधुन काढायची, शिकायची क्षमता प्राप्त होते. पण यासाठी प्रचंड कंप्युटेशन कपॅसिटी लागते. भाग १ मधे सांगितलेल्या मूरच्या नियमामुळे ही कंप्युटेशन कपॅसिटी सध्या अधिकाधिक प्रमाणात उपलब्ध होत आहे. पुढची काही वर्ष दुप्पट होत रहाणारी रॉ कंप्युटेशन कपॅसिटी लक्षात घेता येत्या १०-१५ वर्षांमधे या क्षेत्रात प्रचंड प्रगती होणार यात मला तरी काहीच शंका नाही. किंबहुना अशा कित्येक बाबी आहेत ज्या पारडं मशीन्सच्या बाजुने झुकवतात. उदा.
१) वेग : आपल्या मेंदुच्या पेशी एका सेकंदात १००० नर्व इम्पल्स पाठवू शकतात (१़ KHz) पण कंप्युटरच्या चिपचा वेग २ GHz पेक्षा जास्त असु शकतो. म्हणजे मेंदुपेक्षा १ लाख पट जास्त. मेंदु कडुन निघणारे संकेत १ ते ४०० kmph च्या वेगाने शरीराच्या इतर अवयवांकडे पाठवले जातात. पण हा वेगदेखिल ऑप्टिकल केबल मधुन प्रकाशाच्या वेगाने जाणार्‍या सिग्नल्स पेक्षा फारच कमी आहे.
२) आकारः आपल्या मेंदुला डोक्याच्या कवटीच्या आकाराची मर्यादा आहे. कंप्युटरला अशी काहीच मर्यादा नाही
३) विश्वासार्हता: पेशी थकतात, मरतात, त्यांना विश्रांतीची गरज पडते. कंप्युटरला अशा काहीच मर्यादा नाहीत
४) उत्क्रांती वि क्रांती (Evolution vs Revolution): मेंदु कित्येक सहस्त्रकांमधे हळुहळु उत्क्रांत होतो तर कंप्युटर फक्त काही वर्षांमधे प्रगत होत जातो.
५) सामुहिक ज्ञान : मनुष्य जरी सामुहिक ज्ञानामधे बाकी प्राण्यांपेक्षा प्रगत असला तरी एकत्र जोडल्या गेलेल्या कंप्युटरशी स्पर्धा करु शकत नाही.

आधिक बारकाईने विचार केल्यास लक्षात येईल की ANI --> AGI --> ASI असा प्रवास न होता सरळ ANI ते सरळ ASI हा प्रवास होण्याची शक्यता जास्त आहे. माझ्या मते मशीन्सना ASI ची पातळी गाठता येईल की नाही हा प्रश्नच उद्भवत नाही. ही पातळी कधी गाठली जाईल हा खरा प्रश्न आहे. पुन्हा एकदा तज्ञांची मते या मुद्द्यावर विभागलेली आहेत. तरीही साधारण २०४० च्या आसपास हे साध्य होईल असा अंदाज आहे.