मशीन लर्निंग के लिए मशीन लर्निंग में प्रगति
मशीन लर्निंग का उपयोग अब तेजी से स्वयं को optimize करने के लिए किया जा रहा है—ऐसे compilers से जो हार्डवेयर बैकएंड्स पर tensor graphs को auto-tune करते हैं, लेकर FunSearch जैसी प्रणालियों तक जो बेहतर algorithms खोजने के लिए models का उपयोग करती हैं। टिप्पणीकार बहस करते हैं कि ये प्रगतियाँ कितनी परिवर्तनकारी होंगी: कुछ इन्हें औद्योगिकीकरण के अगले चरण के रूप में देखते हैं जो programming jobs, drug and materials discovery, और software tooling को बदल देगा, जबकि अन्य का तर्क है कि GPT‑4 और Gemini जैसे वर्तमान मॉडल अब भी महंगे, नाज़ुक, और मानव-परिभाषित लक्ष्यों तथा clinical trials जैसी वास्तविक-world बाधाओं से सीमित हैं। इस बात पर व्यापक सहमति है कि AI-driven optimization throughput और accessibility को काफ़ी बढ़ाएगा, लेकिन इस पर संदेह है कि यह जल्दी ही expert humans की जगह ले लेगा या transformer-based LLMs बिना नई architectures के अनंत तक scale कर पाएँगे।
प्रोग्रामिंग और नौकरियों का भविष्य
- बहुत से लोग उम्मीद करते हैं कि प्रोग्रामिंग प्रैक्टिस और अधिकांश सॉफ़्टवेयर नौकरियाँ अगले 2–5 वर्षों में बहुत तेज़ी से बदल जाएँगी, और “AI jobs” सामान्य हो जाएँगी तथा वेतन घटेंगे।
- अन्य लोग संशय में हैं, क्योंकि वे लेगसी सिस्टम्स, धीमी-गति वाले उद्योगों, और ChatGPT को एक बेहतर सर्च इंजन तथा Copilot को उन्नत ऑटोकम्प्लीट मानते हैं, न कि परिदृश्य-परिवर्तनकारी बदलाव।
- इस पर बहस है कि AI प्रोग्रामरों की जगह लेगा या सिर्फ़ उन्हें बढ़ाएगा। कुछ लोग नोट करते हैं कि AI का उपयोग करके गैर-प्रोग्रामरों द्वारा कोड लिखना पहले से ही गैर-कलाकारों द्वारा इमेज मॉडल्स का उपयोग करने जैसा है।
- एक बार-बार उठने वाली चिंता: लोग फिर भी प्रोग्रामिंग का आनंद ले सकते हैं, लेकिन इसके लिए भुगतान पाने वाले लोग बहुत कम होंगे, ठीक वैसे ही जैसे तकनीक से विस्थापित अन्य शिल्पों में हुआ।
AI क्षमताएँ, सिंगुलैरिटी, और बदले हुए लक्ष्य
- कुछ लोग FunSearch और ML-for-ML जैसे कार्यों को इस संकेत के रूप में देखते हैं कि “सिंगुलैरिटी” या AGI-जैसा चरण उम्मीद से पहले आ सकता है।
- अन्य लोगों का तर्क है कि AI अभी भी उच्च-स्तरीय निर्णय-निर्माण, अस्पष्ट आवश्यकताओं से समस्याओं को गढ़ने, और अव्यवस्थित मानवीय संगठनों से निपटने में विफल रहता है।
- कई टिप्पणियाँ नोट करती हैं कि जिन मील के पत्थरों को कभी “AI” की परिभाषा माना जाता था (जैसे मज़बूत वार्तालाप क्षमता / ट्यूरिंग टेस्ट), उन्हें अब कम महत्व दिया जाता है, और वे “moving goalposts” की शिकायत करती हैं; जबकि अन्य कहते हैं कि क्षमताएँ बेहतर होने पर लक्ष्यों को पुनर्परिभाषित करना स्वाभाविक है।
वास्तविक दुनिया पर प्रभाव: विज्ञान, चिकित्सा, और सामग्री
- इस पर चर्चा हुई कि क्या सुरक्षित दवाएँ डिज़ाइन करने के लिए AI को मनुष्यों का पूर्ण सिमुलेशन करना ज़रूरी है; थ्रेड में आम सहमति यह है कि यह अधिक संभावना से उम्मीदवार सुझाएगा, जिन्हें मनुष्य और परीक्षण छाँटेंगे।
- कुछ का तर्क है कि AI पहले से ही फ़ार्मा और सामग्री R&D के कुछ हिस्सों को काफ़ी तेज़ कर रहा है (जैसे प्रोटीन फ़ोल्डिंग, क्रिस्टल संरचनाएँ), भले ही क्लिनिकल ट्रायल्स अभी भी बाधा बने रहें।
- अन्य लोग तब तक प्रभावित नहीं होते जब तक AI स्पष्ट रूप से कठिन बीमारियों को “cure” न करे या पीड़ा को स्पष्ट तरीक़ों से कम न करे।
मॉडल प्रतिस्पर्धा: GPT‑4, Gemini, और डेटा
- GPT‑4 को Llama, Claude, Gemini आदि जैसे अन्य बड़े मॉडलों से लगातार आगे माना जाता है।
- सुझाए गए कारण: first-mover advantage, बेहतर डेटा और डेटा क्लीनिंग, मानव annotation/RLHF का भारी उपयोग, और संभवतः hyperparameter “lottery।”
- Gemini Pro को GPT‑3.5 के क़रीब माना जाता है; Gemini Ultra (जिसे GPT‑4-श्रेणी का कहा गया) इस चर्चा के समय अभी उपलब्ध नहीं था।
- कुछ लोग मानते हैं कि transformer LLMs वास्तुशिल्प शिखर के क़रीब हो सकते हैं, और भविष्य के लाभ ज़्यादातर क्रमिक होंगे तथा दक्षता पर केंद्रित होंगे।
ML कंपाइलर्स और प्रदर्शन पूर्वानुमान
- “ML compilers” (जैसे
torch.compile, XLA, JAX, IREE, OpenXLA) intermediate representations के माध्यम से CUDA, AMD, TPUs, CPUs जैसी हार्डवेयर पर computation graphs को optimize करने का लक्ष्य रखते हैं। - निकट-अवधि की संभावना: स्वचालित speedups (जैसे PyTorch 2.0 benchmarks में लगभग 20–50%) और बिना custom vendor support के portability।
- एक विस्तृत सारांश में Google के उस काम का उल्लेख है जो graph neural networks और XLA graphs के बड़े datasets का उपयोग करके TPUs पर बड़े tensor graphs के run-time performance की भविष्यवाणी करता है; वर्तमान में ध्यान prediction पर है, automatic graph rewriting पर नहीं।
- संशयवादी तर्क देते हैं कि ML compilers को बढ़ा-चढ़ाकर प्रस्तुत किया जा रहा है: विशेषज्ञ मानव अभी भी core kernels पर उनसे बेहतर हैं, compilers “efficient garbage” बना सकते हैं, और वे अभी तक उच्च-स्तरीय algorithmic insights को वापस फ़ीड नहीं करते।
- समर्थक जवाब देते हैं कि यह पारंपरिक compilers के समान ही trade-off है—विशाल throughput और पर्याप्त अच्छा performance—और उम्मीद करते हैं कि ML-driven optimizers (neural-evaluated chess engines के समान) का महत्व बढ़ेगा।
पहुँच, शिक्षा, और समाज
- कुछ लोग अनुमान लगाते हैं कि AI प्रोग्रामिंग की बाधा को बहुत कम कर देगा, जिससे अधिक गैर-विशेषज्ञ सॉफ़्टवेयर बनाएँगे और स्कूल अंततः पारंपरिक coding के साथ-साथ “models का उपयोग कैसे करें” सिखाएँगे।
- अन्य लोग AI को web, mobile, और cloud जैसी एक और परिवर्तनकारी “gold rush” के रूप में देखते हैं—कई फर्मों के लिए अत्यधिक प्रचारित, लेकिन संरचनात्मक रूप से महत्वपूर्ण और संभवतः स्थायी।