कृत्रिम बुद्धिमत्ता
क्या यह प्रचार उचित है? क्यों सभी की नज़र एआई पर है
Securities.io को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एआई और 2024 के नोबेल पुरस्कार
2024 के नोबेल पुरस्कारों ने कृत्रिम बुद्धिमत्ता की ओर ध्यान खींचा। जॉन हॉपफील्ड और जेफ्री हिंटन को कृत्रिम न्यूरल नेटवर्क के माध्यम से मशीन लर्निंग को संभव बनाने वाली बुनियादी खोजों और आविष्कारों के लिए भौतिकी पुरस्कार मिला। उनके काम में सांख्यिकीय भौतिकी के विचारों की महत्वपूर्ण भूमिका थी। इन शुरुआती नेटवर्क पर हमने पहले चर्चा की है: “नोबेल पुरस्कार से सम्मानित उपलब्धियाँ: एआई की नींव रखने वाले कृत्रिम न्यूरल नेटवर्क”।
रसायन विज्ञान पुरस्कार ने भी गणना आधारित शोध को मान्यता दी। आधा पुरस्कार डेविड बेकर को कम्प्यूटेशनल प्रोटीन डिजाइन के लिए मिला। बाकी आधा डेमिस हैसाबिस और जॉन जंपर को AlphaFold के माध्यम से प्रोटीन संरचना का पूर्वानुमान लगाने के लिए संयुक्त रूप से दिया गया।
इस प्रकार भौतिकी और रसायन विज्ञान, दोनों पुरस्कारों में एआई से जुड़े शोध की प्रमुख भूमिका रही। हालांकि एआई का कोई अलग नोबेल पुरस्कार नहीं है, और बेकर का प्रोटीन डिजाइन तथा AlphaFold का संरचना पूर्वानुमान अलग योगदान हैं।
कई शोधकर्ताओं ने पुरस्कारों का स्वागत किया, लेकिन इससे यह बहस भी उठी कि कंप्यूटर विज्ञान और एआई को भौतिकी पुरस्कार के दायरे में कैसे रखा जाए।
नोबेल पुरस्कारों को क्या पुरस्कृत करना चाहिए?
यह बहस इस पुराने प्रश्न से जुड़ी है कि वैज्ञानिक पुरस्कार किस उपलब्धि को प्राथमिकता दें। कुछ लोग नई सैद्धांतिक समझ को सबसे अधिक महत्व देते हैं, जबकि अन्य किसी विधि के व्यावहारिक प्रभाव को भी महत्वपूर्ण मानते हैं। विभिन्न विषयों की सीमाएँ हमेशा स्पष्ट नहीं होतीं।
इम्पीरियल कॉलेज लंदन के खगोलभौतिक विज्ञानी जोनाथन प्रिचर्ड ने इसे भौतिकी की खोज मानने पर संदेह जताया और सवाल उठाया कि कहीं एआई को लेकर उत्साह ने चयन को प्रभावित तो नहीं किया।
दूसरा दृष्टिकोण यह है कि विज्ञान के समाज पर प्रभाव को भी मान्यता मिलनी चाहिए। अल्फ्रेड नोबेल की वसीयत में “मानवता को सबसे अधिक लाभ” पहुँचाने वालों को पुरस्कार देने की बात थी। इसमें भौतिकी, रसायन विज्ञान, शरीर क्रिया विज्ञान या चिकित्सा, साहित्य और शांति के क्षेत्र शामिल थे। इस दृष्टि से न्यूरल नेटवर्क के व्यापक उपयोग उनके बुनियादी विकास को सम्मानित करने का आधार हो सकते हैं।
क्या कंप्यूटिंग भौतिकी है?
2024 के भौतिकी पुरस्कार का भौतिकी से वास्तविक संबंध था। हॉपफील्ड और हिंटन ने अनेक परस्पर जुड़े तत्वों वाले नेटवर्क को समझाने में सांख्यिकीय भौतिकी की अवधारणाओं का इस्तेमाल किया।
हॉपफील्ड के मॉडल ने चुंबकीय प्रणालियों से भी प्रेरणा ली। नेटवर्क की सामूहिक अवस्था को ऊर्जा फलन से व्यक्त किया जा सकता है, हालांकि गणनात्मक नेटवर्क स्वयं कोई भौतिक चुंबक नहीं है।
हॉपफील्ड नेटवर्क और बोल्ट्ज़मान मशीन, दोनों में ऊर्जा आधारित वर्णन का उपयोग होता है। इसलिए सांख्यिकीय भौतिकी से उनका संबंध केवल उपमा नहीं है, भले ही ये मॉडल कंप्यूटर विज्ञान और मशीन लर्निंग का भी हिस्सा हों।
असहमति विषयों की सीमाओं और इस बात को लेकर है कि भौतिकी पुरस्कार किस शोध को केंद्र में रखे। आलोचना का अर्थ आवश्यक रूप से एआई को शोध उपकरण मानने का विरोध नहीं है।
भौतिक विज्ञानी सबीने होसेनफेल्डर ने कहा कि उनकी दृष्टि में यह काम कंप्यूटर विज्ञान के अंतर्गत आता है।
उन्होंने इस बात पर भी जोर दिया कि वार्षिक पुरस्कार भौतिकी की ओर सार्वजनिक ध्यान आकर्षित करने का दुर्लभ अवसर होता है।
उनकी आपत्ति शोध के वर्गीकरण और भौतिकी की सार्वजनिक दृश्यता, दोनों से संबंधित थी।
एआई में भौतिकी का योगदान
मशीन लर्निंग मॉडल कैसे सीखते और नए उदाहरणों पर काम करते हैं, इसे समझने में भौतिकी के विचार आज भी उपयोगी हैं। यह एक व्यापक शोध प्रवृत्ति है; पुरस्कार का आधार हॉपफील्ड और हिंटन के विशिष्ट बुनियादी योगदान थे।
सांख्यिकीय भौतिकी की शोधकर्ता लेंका ज़्देबोरोवा ने मशीन लर्निंग के अध्ययन में भौतिकी की सोच का महत्व बताया है।
वे स्विट्जरलैंड के École polytechnique fédérale de Lausanne से जुड़ी हैं।
शुरुआती न्यूरल नेटवर्क का विकास कई विषयों के मेल से हुआ। इसमें गणित, भौतिकी, कंप्यूटर विज्ञान और तंत्रिका जीवविज्ञान के विचार शामिल थे। हालांकि ऐसे मॉडल जैविक न्यूरॉन की सभी विशेषताओं को पुनः निर्मित नहीं करते।
रोम के Sapienza विश्वविद्यालय के भौतिक विज्ञानी जॉर्जियो पारिज़ी ने तर्क दिया कि विषय के विस्तार के साथ भौतिकी पुरस्कार अधिक क्षेत्रों को समेट सकता है।
पारिज़ी ने 2021 का भौतिकी नोबेल पुरस्कार साझा किया था।
हॉपफील्ड और हिंटन का सम्मान इस प्रकार भौतिकी और कंप्यूटर विज्ञान के संबंध की मान्यता के रूप में समझा जा सकता है। पुरस्कार की यह सीमा सबसे उपयुक्त है या नहीं, इस पर मतभेद बने रह सकते हैं।
रसायन विज्ञान पुरस्कार पर भी बहस
रसायन विज्ञान पुरस्कार का भी गणना आधारित शोध को मिलना एआई और विषयगत सीमाओं की चर्चा को और प्रमुख बना गया।
यहाँ एक मुख्य प्रश्न नई गणनात्मक विधियों और उन्हें संभव बनाने वाले दशकों के प्रयोगात्मक शोध के बीच संबंध का था।
AlphaFold का प्रशिक्षण और मूल्यांकन पहले के बड़े शोध संग्रह पर निर्भर करता है। 2024 में Protein Data Bank में जैविक बड़े अणुओं की दो लाख से अधिक प्रयोगात्मक रूप से निर्धारित संरचनाएँ थीं। प्रविष्टियों की संख्या अलग-अलग प्रोटीनों की संख्या के समान नहीं है।
हजारों वैज्ञानिकों ने एक्स-रे क्रिस्टलोग्राफी और क्रायो-इलेक्ट्रॉन माइक्रोस्कोपी जैसी विधियों से इस ज्ञान में योगदान दिया। संरचना पूर्वानुमान हर परिस्थिति में प्रयोग का स्थान नहीं लेता।
यूनिवर्सिटी कॉलेज लंदन के जैवसूचना वैज्ञानिक डेविड जोन्स ने मौजूदा वैज्ञानिक विचारों की भूमिका पर जोर दिया।
उनका तर्क था कि AlphaFold की ताकत विभिन्न योगदानों को एक प्रभावी विधि में संयोजित करने में भी है।
जोन्स ने AlphaFold के पहले संस्करण पर DeepMind के साथ काम किया था।
AlphaFold कितना प्रभावशाली है?
पहले के शोध पर आधारित होना किसी उपलब्धि को अपने आप कम महत्वपूर्ण नहीं बनाता। विज्ञान में नई विधियाँ अक्सर मौजूदा ज्ञान और डेटा को नए तरीके से जोड़ने से विकसित होती हैं।
इसलिए महत्वपूर्ण प्रश्न यह है कि मॉडल किन उपयोगी शोध कार्यों को संभव या आसान बनाता है।
परिणाम आशाजनक हैं, लेकिन उनकी सही व्याख्या आवश्यक है:
चुने गए यौगिकों की उस जांच में सिग्मा-2 रिसेप्टर के लिए लगभग 50% और 5-HT2A रिसेप्टर के लिए लगभग 20% यौगिक सक्रिय पाए गए। ये चुनकर परीक्षण किए गए उम्मीदवारों की हिट दरें हैं; किसी भी यादृच्छिक अणु के स्वीकृत दवा बन जाने की संभावना नहीं।
संरचना आधारित स्क्रीनिंग प्रयोगों के लिए उम्मीदवार चुनने में मदद कर सकती है। सक्रिय यौगिक की प्रभावशीलता, चयनात्मकता, सुरक्षा और दवा के रूप में उपयुक्तता की आगे जांच जरूरी है। इसलिए यह तैयार दवाएँ विकसित करने की 50% सफलता दर नहीं है। शोध का मूल्य नोबेल के “मानवता को लाभ पहुँचाने” के उद्देश्य के संदर्भ में भी देखा जा सकता है।
विषयगत सीमाओं और महत्व पर चर्चा
एआई के सामान्य शोध उपकरण बनते जाने पर स्वयं विधि के विकास और केवल उसका उपयोग करने वाले शोध के बीच अंतर करना जरूरी है। 2024 के पुरस्कारों की बहस इन विधियों के प्रभाव और वैज्ञानिक सम्मान बाँटने के तरीकों पर असहमति, दोनों को दर्शाती है।
एआई वास्तव में क्या कर सकता है?
एआई कई क्षेत्रों में महत्वपूर्ण भूमिका निभा सकता है और पिछले बड़े तकनीकी परिवर्तनों की तरह इतिहास में एक महत्वपूर्ण पड़ाव बन सकता है। हालांकि इसका पैमाना और गति अनिश्चित है। संभावित और विकसित हो रहे उपयोगों में शामिल हैं:
- दवा खोज और जैविक डेटा विश्लेषण।
- आवश्यक सुरक्षा मानकों और मंजूरी के तहत निदान, उपचार योजना और कुछ शल्य चिकित्सा प्रणालियों में सहायता।
- घरेलू सहायक प्रणालियों से लेकर स्वचालित उत्पादन तक रोबोटिक्स।
- स्वयं चलने वाली कारें और लॉजिस्टिक्स।
- व्यक्ति की जरूरत के अनुसार शिक्षा और ज्ञान का प्रसार।
- ऊर्जा और नैनोप्रौद्योगिकी सहित विभिन्न क्षेत्रों के लिए नई सामग्रियों की खोज।
- फोटॉनिक्स और क्वांटम तकनीक सहित गणनात्मक प्रणालियों के विकास तथा नियंत्रण में शोध।
- अंतरिक्ष अनुसंधान और मिशन के लिए स्वायत्त प्रणालियाँ; अन्य ग्रहों पर बस्तियाँ और क्षुद्रग्रहों का खनन अधिक दूरगामी संभावनाएँ हैं।
ये संभावनाएँ एआई में व्यापक रुचि का कारण समझाती हैं। इसका अर्थ यह नहीं कि हर दावा या हर उपयोग समान रूप से प्रमाणित है।
आशाजनक शोध को भरोसेमंद, किफायती और सुरक्षित उपयोग में बदलने में समय लग सकता है। अन्य तकनीकों की तरह एआई का विकास भी असमान हो सकता है: कुछ उपयोग जल्दी व्यावहारिक होंगे, जबकि अन्य को अधिक शोध और परीक्षण की जरूरत पड़ेगी।
