नोबेल पुरस्कार उपलब्धियों में निवेश – कृत्रिम न्यूरल नेटवर्क, एआई की बुनियाद

नोबेल पुरस्कार इतिहास

नोबेल पुरस्कार वैज्ञानिक दुनिया में सबसे प्रतिष्ठित पुरस्कार है। यह अल्फ्रेड नोबेल की इच्छा के अनुसार बनाया गया था ताकि भौतिकी, रसायन विज्ञान, शारीरिक विज्ञान या चिकित्सा, साहित्य और शांति में पिछले वर्ष में मानवता को सबसे बड़ा लाभ पहुँचाने वाले लोगों को पुरस्कार दिया जा सके।

बाद में स्वीडिश केंद्रीय बैंक द्वारा आर्थिक विज्ञान के लिए एक छठा पुरस्कार बनाया गया, जिसे आधिकारिक तौर पर आर्थिक विज्ञान में पुरस्कार कहा जाता है, और अक्सर इसे नोबेल आर्थिक पुरस्कार के रूप में जाना जाता है।

पुरस्कार किसे दिया जाए, यह निर्णय कई स्वीडिश शैक्षणिक संस्थानों के पास है।

विरासत संबंधी चिंताएँ

नोबेल पुरस्कार बनाने का निर्णय अल्फ्रेड नोबेल को तब आया जब उन्होंने अपनी ही मृत्यु सूचना पढ़ी, जो एक फ्रेंच समाचार पत्र की गलती के कारण हुआ था, जिसने उनके भाई की मृत्यु की खबर को गलत समझा। शीर्षक ‘डैथ का व्यापारी मर गया’ वाले फ्रेंच लेख ने नोबेल को उनके धुएँ रहित विस्फोटकों के आविष्कार के लिए आलोचना की, जिसमें डायनामाइट सबसे प्रसिद्ध था।

उनके आविष्कारों ने आधुनिक युद्ध को आकार देने में बहुत प्रभाव डाला, और नोबेल ने एक विशाल लोहे और इस्पात मिल खरीदी जिसे उन्होंने प्रमुख हथियार निर्माता में बदल दिया। चूंकि वह पहले रसायनज्ञ, इंजीनियर और आविष्कारक थे, नोबेल ने महसूस किया कि वह नहीं चाहते कि उनकी विरासत केवल युद्ध और दूसरों की मृत्यु से धन कमाने वाले व्यक्ति के रूप में याद रखी जाए।

नोबेल पुरस्कार

आजकल, नोबेल की संपत्ति एक फंड में रखी गई है जो आय उत्पन्न करने के लिए निवेशित है, जिससे नोबेल फाउंडेशन तथा सोने की परत वाला हरा सोने का पदक, डिप्लोमा और विजेताओं को दिया जाने वाला 11 मिलियन SEK (लगभग $1 मिलियन) का नकद पुरस्कार वित्त पोषित होता है।

स्रोत: Britannica

अक्सर, नोबेल पुरस्कार की धनराशि कई विजेताओं में बाँटी जाती है, विशेषकर वैज्ञानिक क्षेत्रों में जहाँ दो या तीन प्रमुख व्यक्तियों का साथ मिलकर या समानांतर में एक क्रांतिकारी खोज में योगदान देना आम है।

कम्प्यूटिंग में नोबेल पुरस्कार?

आमतौर पर, भौतिकी में नोबेल पुरस्कार ब्रह्मांड की मूल प्रकृति से संबंधित खोजों को दिया जाता है, जैसे ब्लैक होल (2020) या एक्सोप्लैनेट (2019)। यह सामग्री विज्ञान में महत्वपूर्ण प्रगति के लिए भी दिया जा सकता है, जैसे क्वांटम डॉट्स (2023), लेज़र (2018), या एलईडी (2014)।

लेकिन इस वर्ष के विजेता थोड़ा अधिक असामान्य हैं, डेटा विश्लेषण पर केंद्रित। विशेष रूप से, इसे जेफ़्री हिंटन और जॉन हॉफ़ील्ड को कृत्रिम न्यूरल नेटवर्क बनाने में उनके योगदान के लिए दिया गया।

स्रोत: Nobel Prize

यह एक अत्यंत नवीन नोबेल पुरस्कार है, जहाँ न्यूरल नेटवर्क मुख्य तकनीक है जो हाल के वर्षों में एआई में अधिकांश प्रगति के लिए जिम्मेदार है, जिसमें बड़े भाषा मॉडल (LLMs), मशीन विज़न (स्व-ड्राइविंग वाहनों सहित), और नई दवा खोज, सामग्री विज्ञान आदि में उपयोग होने वाले तकनीकी एआई शामिल हैं।

न्यूरल नेटवर्क क्या हैं?

चिप्स बनाम न्यूरॉन्स

जब कंप्यूटरों का आविष्कार हुआ, तो जल्दी ही आशा बढ़ी कि वे क्षमता में बढ़ते हुए मानव-समान बौद्धिक क्षमताएँ विकसित कर सकते हैं। लेकिन व्यावहारिक रूप से, जबकि कंप्यूटर गणना और फिर छवि निर्माण में अधिक प्रभावशाली होते गए, वे वास्तविक तर्क में ‘मूर्ख’ ही रहे।

मुख्यतः, इसका कारण यह है कि कंप्यूटर चिप मस्तिष्क के न्यूरॉन्स से बहुत अलग होती है। जबकि सिलिकॉन चिप बहुत तेज़ी से लाखों बाइनरी गणनाएँ (0 या 1) कर सकती है, न्यूरॉन्स अधिकतर एनालॉग संकेत होते हैं, जिसमें जटिलता और ‘शोर’ भरपूर होता है।

इसलिए कंप्यूटरों को गणना करने के लिए सटीक प्रोग्रामिंग की आवश्यकता होती है, वे वास्तव में कुछ सीख नहीं सकते और केवल कोडित निर्देशों का अक्षरशः पालन करते हैं।

न्यूरल नेटवर्क अलग होते हैं। वे उन समस्याओं को संभाल सकते हैं जो बहुत अस्पष्ट और जटिल होती हैं और चरण-दर-चरण निर्देशों से प्रबंधित नहीं हो पातीं। एक उदाहरण है चित्र की व्याख्या करके उसमें मौजूद वस्तुओं की पहचान करना, जिसे कंप्यूटर अक्सर बहुत खराब करते हैं, इसलिए कुछ वेब पृष्ठों पर ‘क्या आप मानव हैं’ परीक्षण दिखाया जाता है।

स्रोत: Google

न्यूरॉन्स कैसे काम करते हैं

अधिकांश मामलों में न्यूरॉन्स कड़ी पूर्व-निर्धारित प्रोग्रामिंग का पालन नहीं करते। इसके बजाय, वे कनेक्शन पैटर्न को सुदृढ़ करने वाले फीडबैक लूप के माध्यम से कार्य करते हैं।

यह इस प्रकार काम करता है कि जब न्यूरॉन्स साथ में काम करते हैं तो वे एक-दूसरे के साथ कनेक्शन को मजबूत करते हैं। यह विचार उत्पन्न करता है कि कंप्यूटर में कई आपस में जुड़े नोड्स के साथ न्यूरॉन्स के कार्य को सिमुलेट किया जाए।

इन नोड्स के बीच कनेक्शन को मजबूत या कमजोर किया जा सकता है, जिससे ‘ट्रेनिंग’ नामक प्रक्रिया बनती है, जो आज भी नवीनतम एआई बनाने के मूल में है।

स्रोत: Nobel Prize

यह विचार आशाजनक लगा, लेकिन कुछ समय तक आवश्यक कंप्यूटिंग शक्ति अत्यधिक उच्च लगती थी, विशेषकर 1960 और 1970 के तुलनात्मक रूप से primitive कंप्यूटरों के लिए।

मानव स्मृति कैसे काम करती है

जब हम कुछ याद करते या पहचानते हैं, तो हम किसी छवि के प्रत्येक पिक्सेल के रंग की गणितीय रूप से पूर्ण गणना नहीं करते। बल्कि, हम आंशिक डेटा से शुरू करते हैं, किसी ज्ञात चीज़ से संबंध बनाने की कोशिश करते हैं, और एक पहचान योग्य पैटर्न की पहचान करते हैं।

भौतिक विज्ञानी जॉन हॉफ़ील्ड ने 1982 में हॉफ़ील्ड नेटवर्क का आविष्कार किया, जो पैटर्न को संग्रहीत और पुनः निर्मित करने की विधि है।

भौतिकी से शुरू करना

उन्होंने देखा कि कई भौतिक प्रणालियों में सामूहिक गुण मॉडल विवरणों में बदलाव के प्रति मजबूत होते हैं। विशेष रूप से चुंबकीय पदार्थ अपनी विशिष्ट विशेषताएँ परमाणु स्पिन के कारण प्राप्त करते हैं – एक गुण जो प्रत्येक परमाणु को एक छोटा चुंबक बनाता है।

बड़े पदार्थ की विशेषता प्रत्येक परमाणु के स्पिन द्वारा आसपास के स्पिन को बदलने से आती है, जिससे सभी स्पिन एक ही दिशा में समाप्त होते हैं। उनका मॉडल इस घटना को विभिन्न नोड्स के माध्यम से दर्शाता है जो एक-दूसरे को प्रभावित करते हैं।

इसी प्रकार, एक छवि को नोड्स के ग्रिड के रूप में रिकॉर्ड किया जा सकता है, जहाँ प्रत्येक नोड का मान 0 या 1 (काला या सफेद) होता है।

यदि आप विकृत छवि की तुलना इस मूल ग्रिड से करते हैं, तो आप गणना कर सकते हैं कि विकृत छवि के प्रत्येक नोड में कितना अंतर है। लेकिन विकृत नोड को उस स्थान की ओर ‘धकेलकर’ जहाँ यह समझ में आता है, जैसे पूर्व-निर्धारित परिदृश्य में ढलान, आप अक्सर विकृतियों के बावजूद मूल छवि को पुनः बना सकते हैं।

इस प्रकार हॉफ़ील्ड ने एक मूलभूत, लेकिन त्रुटि सुधार या पैटर्न पूर्णता के लिए कार्यात्मक प्रणाली बनाई, जो कंप्यूटर सामान्यतः नहीं कर सकते, क्योंकि वे अपनी कड़ी प्रोग्रामिंग में फँसे होते हैं।

स्रोत: Nobel Prize

पर्याप्त कंप्यूटेशनल शक्ति के साथ, प्रत्येक नोड कोई भी मान संग्रहीत कर सकता है, न कि केवल काला और सफेद। उदाहरण के लिए, यह एक संख्या हो सकती है जो सटीक रंग को दर्शाती है, जैसे डिजिटल रूप से छवियों का निर्माण होता है।

यह केवल छवियों तक सीमित नहीं, सभी प्रकार के डेटा को भी प्रतिबिंबित कर सकता है, जिससे एक कार्यात्मक कृत्रिम संघात्मक स्मृति मॉडल बनता है।

समझ के लिए संघ का उपयोग

भले ही सरल जानवर या छोटे बच्चे भी पैटर्न पहचान में उन्नत कंप्यूटरों से अत्यधिक बेहतर प्रदर्शन कर सकते हैं, जैसे यह पहचानना कि कौन सी छवि में कुत्ता, बिल्ली या गिलहरी है। यह भी बिना किसी उच्च-स्तरीय अवधारणा जैसे जानवर, स्तनधारी या प्रजातियों की समझ के किया जाता है।

और शायद अधिक महत्वपूर्ण यह है कि इसे बहुत सीमित प्रारंभिक डेटा और अनुभव के साथ हासिल किया जा सकता है, न कि इन जानवरों की हर संभव मुद्रा, रंग, आकार या रूप को कवर करने वाले अरबों छवियों के कैटलॉग के साथ।

बाइनरी के बजाय एनालॉग

क्योंकि नोड्स कोई भी डेटा रख सकते हैं, उन्हें निरंतर डेटा, जैसे समय के साथ होने वाली घटनाओं के लिए उपयोग किया जा सकता है।

यह जटिल प्रणालियों के बीच अंतःक्रिया की कुशल गणना की अनुमति देता है, जहाँ उत्तेजना का उत्तर बाइनरी हाँ/ना की बजाय अधिक सांख्यिकीय होता है। यह इस प्रकार की समस्या के लिए पारंपरिक कंप्यूटिंग की तुलना में ऊर्जा खपत और गणना शक्ति दोनों को बचाता है।

और अधिक नोड्स जोड़ने से मॉडलों में क्रमशः अधिक जटिलता जोड़ी जा सकती है।

बोल्ट्ज़मन मशीन

जेफ़्री हिंटन, टेरेंस सेजनोव्स्की और अन्य सहयोगियों के साथ, हॉफ़ील्ड मॉडल की अवधारणा को सुधारने और विस्तारित करने पर काम किया।

हिंटन ने सांख्यिकीय भौतिकी के विचारों का उपयोग किया, जो गैसों या तरल पदार्थों जैसी कई तत्वों वाली चीज़ों का वर्णन करती है। क्योंकि व्यक्तिगत घटक बहुत अधिक होते हैं, उनके व्यवहार को मॉडल करने का एकमात्र तरीका उनके व्यवहार की सांख्यिकीय अपेक्षाओं का उपयोग करना है, न कि प्रत्येक अणु के तापमान, स्थान, गति आदि की ‘कठोर भौतिकी’ गणना।

हॉफ़ील्ड मॉडल में ऐसी क्षमता जोड़ने के लिए, उन्होंने दृश्यमान नोड्स के बीच एक अतिरिक्त ‘छिपी’ परत जोड़ी, जो पहले अकेले गणना करती थी। जबकि अदृश्य, छिपे नोड्स अन्य नोड्स और पूरे सिस्टम की ऊर्जा स्तरों में योगदान देते हैं।

स्रोत: Nobel Prize

उन्होंने इस अवधारणा को बोल्ट्ज़मन मशीन कहा, लुडविग बोल्ट्ज़मन, 19वीं सदी के भौतिक विज्ञानी, जो सांख्यिकीय यांत्रिकी (सांख्यिकीय भौतिकी की नींव) विकसित किए, के सम्मान में।

स्रोत: Wikipedia

प्रतिबंधित बोल्ट्ज़मन मशीन

अपने मूल डिजाइन में, बोल्ट्ज़मन मशीन बहुत जटिल थी और व्यावहारिक उपयोग के लिए उपयुक्त नहीं थी। एक सरल संस्करण विकसित किया गया, जहाँ समान परत के नोड्स के बीच कोई कनेक्शन नहीं होता।

स्रोत: Nobel Prize

इससे मशीन बहुत अधिक कुशल बन गई, जबकि अभी भी जटिल पैटर्न पहचान करने में सक्षम थी।

एक अतिरिक्त सुधार ‘प्री-ट्रेनिंग’ प्रक्रिया थी, जिसमें कई बोल्ट्ज़मन मशीनों को परतों में, एक के ऊपर एक, व्यवस्थित किया गया।

इससे न्यूरल नेटवर्क की शुरुआती बिंदु सुधरा, जिससे उसकी पैटर्न पहचान क्षमताएँ बढ़ीं।

आधुनिक न्यूरल नेटवर्क पर प्रभाव

हॉफ़ील्ड और हिंटन दोनों ने न्यूरल नेटवर्क के मूल विचार, साथ ही उन्हें उपयोग करने के लिए गणित और उपकरण विकसित किए हैं।

हालांकि, 2010 के दशक तक कंप्यूटिंग शक्ति पर्याप्त रूप से बढ़ी नहीं थी कि न्यूरल नेटवर्क मुख्यधारा में बड़ी पहचान प्राप्त कर सके।

क्योंकि आधुनिक बोल्ट्ज़मन मशीन में कई आपस में जुड़े परतें होती हैं, उन्हें ‘डीप’ न्यूरल नेटवर्क कहा जाता है। क्षेत्र के विकास का एक दृष्टिकोण देने के लिए, हॉफ़ील्ड ने 1982 के अपने प्रकाशन में 30-नोड मॉडल का उपयोग किया, जिससे 435 संभावित कनेक्शन बनते हैं। इससे लगभग 500 पैरामीटर ट्रैक करने पड़ते थे।

उस समय, कंप्यूटर 100-नोड मॉडल को संभाल नहीं सकते थे। आज के बड़े भाषा मॉडल (LLMs), जैसे चैटजीपीटी के आधार, एक ट्रिलियन पैरामीटर का उपयोग करते हैं और लगातार अपनी कंप्यूटिंग आवश्यकताओं को बढ़ा रहे हैं।

अनुप्रयोग

मूलभूत भौतिकी

कई अन्य भौतिकी के नोबेल पुरस्कारों की तरह, न्यूरल नेटवर्क एक ऐसी खोज है जो अन्य नई खोजों को बढ़ावा दे रही है। उदाहरण के लिए, उन्हें हिग्स कण की खोज के लिए आवश्यक विशाल डेटा को छानने और प्रोसेस करने में उपयोग किया गया (पीटर हिग्स को 2013 में भौतिकी में नोबेल पुरस्कार मिला)। उन्हें अन्य नोबेल पुरस्कार विजेताओं के शोध में भी उपयोग किया गया, जैसे टकराते ब्लैक होल से उत्पन्न गुरुत्वाकर्षण तरंगों की माप या एक्सोप्लैनेट की खोज।

अनुप्रयुक्त भौतिकी

वास्तविक सामग्री और घटनाएँ अक्सर बहुत जटिल होती हैं ताकि उन्हें केवल व्यक्तिगत कण स्तर पर कारण-प्रभाव मॉडल से मॉडल किया जा सके। इसके विपरीत, सांख्यिकीय भौतिकी में न्यूरल नेटवर्क आधारित मॉडल उन्हें अधिक लचीला बनाते हैं, और या तो सीधे सही उत्तर देते हैं या वैज्ञानिकों को सही दिशा में ‘संकेत’ देते हैं।

यह अब शीर्ष अनुसंधान संस्थानों द्वारा नियमित रूप से लागू किया जा रहा है, उदाहरण के लिए, प्रोटीन अणुओं की संरचना और कार्य को गणना करने के लिए, या यह निर्धारित करने के लिए कि कौन से नए सामग्री संस्करण अधिक कुशल सौर सेल या बैटरियों में उपयोग के लिए सबसे अच्छी विशेषताएँ रख सकते हैं।

बड़े भाषा मॉडल (LLMs)

बिल्कुल, न्यूरल नेटवर्क अनुप्रयोगों के बारे में चर्चा में LLMs का उल्लेख न करना अधूरा रहेगा, जो 2022 में चैटजीपीटी के रिलीज़ के बाद से एआई उन्माद का मुख्य केंद्र रहे हैं।

मुख्यतः, इसका कारण यह है कि मानव-समान भाषा उत्पन्न करना, ‘वास्तविक व्यक्ति जैसा महसूस होना’, लंबे समय से वह परीक्षण माना जाता रहा है जिसके आधार पर हम एआई को वास्तव में बुद्धिमान मान सकते हैं (ट्यूरिंग टेस्ट)।

LLMs की वास्तविक बुद्धिमत्ता पर तीव्र बहस चल रही है, जहाँ एआई उत्साही (या विनाशवादी) शीघ्र ही वास्तविक बुद्धिमत्ता और तकनीकी एकता की उम्मीद करते हैं, जबकि अन्य इसे केवल एक चाल मानते हैं जो उपयोगी परिणाम नहीं दे सकती।

फिर भी, उनके कई अनुप्रयोग हैं, विशेषकर जहाँ वे सस्ते कार्य कर सकते हैं जो अब अधिक महंगे मानवों को सौंपे जाते हैं। यह विशेष रूप से मौखिक कार्यों के लिए सत्य है, जैसे:

• चैटबॉट और ग्राहक सेवा।
• कोड विकास और सत्यापन।
• अनुवाद और स्थानीयकरण।
• बाजार अनुसंधान।
• खोज और प्रश्नों के उत्तर देना।
• बड़े दस्तावेज़ों और डेटासेट्स का विश्लेषण।
• शिक्षा

LLMs के साथ-साथ, छवि निर्माण भी हमारे डिजिटल युग में नई छवियों की बाढ़ ला सकता है, उपयोगी और संभावित दुष्ट उद्देश्यों (गलत सूचना, ब्लैकमेल आदि) दोनों के लिए।

मशीन और कंप्यूटर विज़न

हॉफ़ील्ड के समय से न्यूरल नेटवर्क के मूल अनुप्रयोग के रूप में, यह समझ में आता है कि छवि पहचान अब न्यूरल नेटवर्क का मुख्य संभावित अनुप्रयोग है।

कभी-कभी, मशीन विज़न का उपयोग अधिक नियंत्रित औद्योगिक सेटिंग में सीमित पहचान के लिए किया जाता है, जबकि कंप्यूटर विज़न अधिक मानव-समान दृष्टि का लक्ष्य रखता है।

स्रोत: Solomon

स्व-ड्राइविंग

इस क्षेत्र का एक प्रमुख उप-सेगमेंट स्व-ड्राइविंग वाहन हैं, क्योंकि अंततः, मानव चालक अपने दृश्य पैटर्न पहचान का उपयोग करके अपने कई टन वाले वाहनों को सुरक्षित रूप से चलाते हैं।

वर्तमान में, अधिकांश स्व-ड्राइविंग सिस्टम सुरक्षा के लिए कैमरों और अन्य सेंसर (जैसे रडार और लिडार) के मिश्रण पर निर्भर करते हैं, जबकि टेस्ला केवल मानव-समान मशीन विज़न पर केंद्रित है (टेस्ला कारों के बेड़े द्वारा प्रदान किए गए बड़े डेटासेट के कारण)।

पर्याप्त प्रशिक्षण डेटा, जटिल वास्तविक स्थितियों के लाखों मैन्युअल एनोटेशन, और उपभोग को कम करने और प्रतिक्रिया समय को तेज़ करने वाले कस्टम हार्डवेयर, संभवतः पहली कंपनी के लिए ट्रिलियन-डॉलर पुरस्कार जीतने का विजयी संयोजन होंगे, जो पहला वास्तविक स्तर 5 पूर्ण ड्राइविंग ऑटोमेशन विकसित करेगी।

चिकित्सा

चिकित्सा में कई निदान लैब परीक्षणों पर निर्भर नहीं होते बल्कि एक्स-रे मशीन, एमआरआई, स्कैनर आदि द्वारा उत्पन्न छवियों की प्रशिक्षित विशेषज्ञ द्वारा मैन्युअल व्याख्या पर निर्भर होते हैं।

इस कार्य में विशेषज्ञ को पूरी तरह निपुण बनने में वर्षों लग सकते हैं, जो विज्ञान जितना ही कला है। इसके बजाय, एआई सस्ते और लगातार मिलियन मेडिकल छवियों का विश्लेषण कर सकता है, पूर्वानुमानित परिणामों के साथ।

यह उन स्थितियों का निदान करने के लिए भी उपयोग किया जा सकता है, जिन्हें पहले स्कैन से पता नहीं चल सकता था, जैसे ADHD।

और शायद कम स्पष्ट, न्यूरल नेटवर्क का उपयोग करने वाला एआई सर्जनों की मदद भी कर सकता है, जैसे फ्रेंच Pixee Medical, जो ऑर्थोपेडिक सर्जरी के लिए स्मार्टफ़ोन या स्मार्ट ग्लासेज़ के साथ 3D ट्रैकिंग की अनुमति देता है।

एआई सर्जरी की रिकॉर्डिंग की महत्वपूर्ण प्रक्रिया को भी स्वचालित कर सकता है, विशेषकर दोहराव वाले और त्रुटिप्रवण कार्यों के लिए। जैसा कि अमेरिकी सर्जन प्रति वर्ष लगभग 1500 सर्जरी में उपकरण को रोगी के अंदर भूल जाते हैं, कंप्यूटर विज़न स्वचालित रूप से सर्जरी के दौरान उपयोग किए गए सभी चीज़ों को ट्रैक करके इस समस्या को पूरी तरह समाप्त कर सकता है।

बायो रिसर्च

दवा खोज से लेकर प्रोटीन फोल्डिंग की भविष्यवाणी तक, न्यूरल नेटवर्क चिकित्सा और जीवविज्ञान के शोधकर्ताओं के लिए शक्तिशाली उपकरण हैं।

पहले ही, यह नई थैरेपीज़ के विकास के तरीके को क्रांतिकारी बना रहा है, जैसा कि हमने ‘टॉप 5 एआई और डिजिटल बायोटेक कंपनियों’ में चर्चा की थी। यह अधिक सुसंगत डेटा में भी योगदान दे सकता है, जो अक्सर जैविक विज्ञान में समस्या होती है, जहाँ कई डेटा अभी भी मैन्युअल इनपुट (जैसे रक्त कोशिकाओं की गिनती) से बनते हैं।

यह एआई मशीन विज़न से हल किया जा सकता है, जैसे सिग्ट्यूपल का शोनिट, जो अब सभी प्रकार की रक्त कोशिकाओं की विश्वसनीय और मानकीकृत गिनती प्रदान कर सकता है।

स्रोत: Sigtuple

उद्योग और उत्पादन

गुणवत्ता नियंत्रण और घटक निरीक्षण से लेकर पूरी तरह स्वचालित असेंबली तक, मशीन/कंप्यूटर विज़न उत्पादन लाइन को अधिक लचीला और उत्पादन प्रक्रिया में किसी भी बदलाव के प्रति प्रतिक्रियाशील बना सकता है।

यह मानव इनपुट की आवश्यकता को कम करके लागत घटा सकता है, साथ ही गुणवत्ता और उत्पादन गति में सुधार कर सकता है।

रोबोटिक्स

जैसे ही रोबोटिक्स फैक्ट्री फ़्लोर से बाहर निकलकर अधिक जटिल दैनिक जीवन पर्यावरणों के साथ इंटरैक्ट करने लगे, उन्हें अपनी पैटर्न पहचान क्षमताओं को तेजी से बढ़ाना होगा।

रोबोडॉग्स से लेकर डिलीवरी रोबोट्स तक, और शायद जल्द ही मानवीय व्यक्तिगत सहायक, रोबोट्स न्यूरल नेटवर्क का उपयोग करके एआई के साथ अधिक से अधिक मिल रहे हैं, जिससे वे दैनिक कार्यों में हमारी मदद कर सकें।

कृषि

कृषि रोबोट्स मशीन विज़न का उपयोग करके खरपतवार या पके फल की पहचान कर रहे हैं और थकाऊ मैन्युअल श्रम या विनाशकारी बड़े पैमाने के मशीन टूल्स को बदल रहे हैं।

यह संभवतः केवल कृषि और हमारे खाद्य प्रणाली को ही नहीं, बल्कि पारिस्थितिक पुनर्स्थापन को भी प्रभावित करेगा, जिससे मिट्टी के स्वास्थ्य, नई कृषि प्रथाओं के उदय, और पुनर्वनीकरण तथा आक्रमणकारी प्रजातियों के प्रबंधन के लिए बेहतर उपकरणों पर मजबूत प्रभाव पड़ेगा।

सैन्य

इन जटिल नैतिक प्रश्नों के बावजूद, इतिहास का नियम है कि किसी भी नई तकनीक की संभावित सैन्य लाभ के लिए जांच की जाती है।

और क्योंकि हमेशा एक राष्ट्र ऐसा करता रहेगा, अन्य देशों को भी इसके साथ तालमेल रखना पड़ेगा।

एआई पहले से ही लक्ष्य पहचानने और युद्धक्षेत्र में डेटा विश्लेषण करने के लिए उपयोग किया जा रहा है, जिसमें यूक्रेन और गाज़ा जैसे चल रहे वास्तविक युद्ध शामिल हैं, जैसा कि हमने ‘टॉप 10 ड्रोन और ड्रोन युद्ध स्टॉक्स’ में चर्चा की थी।

हाल के सबसे चिंताजनक विकासों में से एक है रूसी लैंसेट का नवीनतम संस्करण, एक आत्मघाती ड्रोन/मिसाइल जो एआई मशीन विज़न का उपयोग करके अपने मार्ग के अंतिम भाग में शत्रु वाहनों की पहचान और लक्ष्य बनाता है।

हत्यात्मक निर्णय को स्वचालित प्रणाली को देना स्पष्ट रूप से बहुत खतरनाक कदम है, जो मानवीय विरोधी एआई बगावत से पहले विज्ञान कथा फिल्म की सामग्री जैसा लगता है।

इसलिए हम आशा कर सकते हैं कि वैश्विक सैन्य बल यह समझें कि कौन सी तकनीक का उपयोग किया जा सकता है और कौन सी नहीं, जैसे परमाणु हथियारों का प्रबंधन किया जाता है।

न्यूरल नेटवर्क जोखिम

यह उल्लेखनीय है कि इस वर्ष के नोबेल पुरस्कार विजेता जेफ़्री हिंटन एआई तकनीक में प्रगति को लेकर भी बहुत चिंतित हैं।

2018 में ट्यूरिंग पुरस्कार और 2024 में नोबेल पुरस्कार के बाद, संभवतः उनका चेतावनी पहले से अधिक सुनी जाएगी।

“मैंने अचानक अपने विचार बदल दिए हैं कि क्या ये चीज़ें हमसे अधिक बुद्धिमान होंगी।

मुझे लगता है कि वे अब बहुत करीब हैं और भविष्य में वे हमसे बहुत अधिक बुद्धिमान हो जाएँगी। हम इससे कैसे बचेंगे?”

Geoffrey Hinton

क्या हमारी एआई उत्सुकता हमें मैट्रिक्स या टर्मिनेटर फिल्मों जैसी भविष्य में ले जाएगी? शायद नहीं, लेकिन अत्यधिक जटिल न्यूरल नेटवर्क मूलतः एक ब्लैक बॉक्स हैं, और उनके निर्माताओं को पूरी तरह समझ नहीं आता कि एक खराब एआई द्वारा अपरिवर्तनीय नुकसान होने से पहले नैतिक और सुरक्षा नियमों की आवश्यकता है।

न्यूरल नेटवर्क में निवेश

न्यूरल नेटवर्क अब बड़े पैमाने पर एआई तकनीक के समानार्थी बन रहे हैं, क्योंकि इस क्षेत्र में विषयों का मिलन बढ़ रहा है।

क्योंकि न्यूरल नेटवर्क को प्री-ट्रेनिंग और प्रशिक्षण के लिए बड़े डेटासेट की आवश्यकता होती है, वे वर्तमान में बहुत बड़ी टेक कंपनियों या अत्यधिक वित्त पोषित स्टार्टअप्स के क्षेत्र में होते हैं।

आप कई ब्रोकरों के माध्यम से एआई-संबंधित कंपनियों में निवेश कर सकते हैं, और यहाँ, securities.io पर, हम USA, Canada, Australia, और UK में सर्वश्रेष्ठ ब्रोकरों की हमारी सिफ़ारिशें, साथ ही कई अन्य देशों के लिए, पा सकते हैं।

यदि आप विशिष्ट एआई-संबंधित कंपनियों को चुनने में रुचि नहीं रखते, तो आप ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), या WisdomTree (WT ) Artificial Intelligence and Innovation Fund (WTAI) जैसे ETFs पर भी विचार कर सकते हैं, जो एआई पर लाभ उठाने के लिए अधिक विविध एक्सपोज़र प्रदान करेंगे।

न्यूरल नेटवर्क कंपनियां

1. Microsoft

Microsoft (MSFT ) लगभग अपनी स्थापना से ही प्रौद्योगिकी उद्योग के केंद्र में रहा है, अपने अभी भी प्रमुख ऑपरेटिंग सिस्टम Windows के साथ।

MSFT मूल्य चार्ट

अब यह एंटरप्राइज़ सॉफ़्टवेयर (Office365, Teams, LinkedIn, Skype, GitHub), गेमिंग (Xbox और कई वीडियो गेम स्टूडियो अधिग्रहण), और क्लाउड (Azure) में भी एक नेता है।

हाल ही में, इसने एआई में अच्छी प्रगति की है। इसमें कुछ उपभोक्ता-स्तर के एआई जैसे Bing Image Creator और अधिक व्यावसायिक-उन्मुख पहलें, जैसे Microsoft 365 के लिए Copilot और Microsoft Research शामिल हैं। Copilot अब खुदरा और छोटे कंपनियों में भी लागू किया जा रहा है।

स्रोत: Constellation Research

Microsoft ने एंटरप्राइज़-केंद्रित टेक दिग्गज की प्रतिष्ठा हासिल की है, जो Apple (AAPL ) या Facebook जैसी अधिक उपभोक्ता-केंद्रित कंपनियों से तुलना में है। जैसे-जैसे एआई व्यापार मॉडल में अधिक महत्वपूर्ण हो रहा है, क्लाउड और एंटरप्राइज़ सेवाओं में Microsoft की पूर्वस्थिति उसे एआई को बड़े पैमाने पर लागू करने और ग्राहक अधिग्रहण में अग्रिम लाभ देगी।

OpenAI (ChatGPT की प्रसिद्धि) जैसे एआई विकास नेताओं के साथ सहयोग/अर्ध-स्वामित्व भी Microsoft की एआई शक्ति के रूप में स्थिति को मजबूत करेगा।

2. NVIDIA

NVIDIA (NVDA ) ने प्रारंभ में ग्राफ़िक्स कार्ड (GPU) बाजार में प्रमुख स्थिति हासिल की थी, जो मुख्यतः हाई-एंड गेमिंग और 3D मॉडलिंग के लिए उपयोग होते थे। GPU समानांतर में गणनाएँ चला सकते हैं और इस मायने में प्रोसेसर (CPU) से अलग होते हैं।

इसके हार्डवेयर की डिजाइन क्रिप्टोकरेंसी माइनिंग (विशेषकर बिटकॉइन) के लिए बहुत उपयुक्त साबित हुई, जिससे कंपनी में तेज़ वृद्धि हुई।

अब, यह एआई प्रशिक्षण के लिए भी समान रूप से शक्तिशाली दिखता है, जिससे NVIDIA का हार्डवेयर एआई क्रांति की रीढ़ बन गया है।

NVIDIA अब विभिन्न एआई अनुप्रयोगों के लिए कस्टम कंप्यूटिंग सिस्टम विकसित कर रहा है, जैसे स्व-ड्राइविंग कारें, स्पीच और संवादात्मक एआई, जेनरेटिव एआई, या साइबर सुरक्षा।

संभवतः NVIDIA ने अपने एआई हार्डवेयर के लिए नए उपयोग मामलों को अभी नहीं पाया है, जैसा कि Microsoft के PNNL के साथ शोध से पता चलता है। उदाहरण के लिए, NVIDIA अब दवा खोज के लिए विभिन्न समाधान विकसित कर रहा है, साथ ही एआई-संचालित मेडिकल डिवाइस और एआई-सहायता प्राप्त मेडिकल इमेजिंग।

स्रोत: NVidia

संभवतः बहुत लंबी अवधि में, NVIDIA के प्रतिस्पर्धी कंपनी की शुरुआती बढ़त को गंभीरता से चुनौती देना शुरू कर सकते हैं।

लेकिन निकट भविष्य में, एआई-समर्पित कंप्यूटिंग शक्ति की मांग में विस्फोट को देखते हुए, NVIDIA सभी नए एआई-प्रशिक्षण डेटा सेंटरों का प्रमुख आपूर्तिकर्ता बना रहेगा।

और यदि एआई एक नई तकनीकी गोल्ड रश है, तो निवेश की समझदारी यह है कि सोना खोजने पर दांव लगाने की बजाय पिक और शवल बेचने वालों को प्राथमिकता दें।

एआई दौड़ में, अभी के लिए पसंदीदा उपकरण NVIDIA एआई चिप्स हैं।