Yann LeCun on the Path to True AI: Beyond Current Limitations

Yann LeCun on the Path to True AI: Beyond Current Limitations

Yann LeCun on the Path to True AI: Beyond Current Limitations

At a recent AI summit in Paris, Yann LeCun, Meta's head of artificial intelligence, offered a critical perspective on the current state of AI development. 

While many companies focus on advancing language models and generative tools, LeCun contends that these systems fundamentally lack the intuitive understanding possessed by even basic animal intelligence. 

He highlighted four core abilities crucial for genuine intelligence: comprehending physical surroundings, forming lasting memories, logical problem-solving, and hierarchical planning. 

These, he argued, are not abstract concepts but essential tools for navigating the real world.

LeCun observed that modern AI systems largely fail to demonstrate these foundational abilities. 

Instead of developing models that inherently grasp how the world operates, companies often resort to piecemeal solutions, adding separate modules for vision or pulling facts from databases to simulate memory. 

He cautioned that merely stacking components onto text-based systems will not replicate the holistic function of a thinking mind. 

This approach, he asserted, masks inherent weaknesses rather than addressing them, leading to systems that are more patched together than truly intelligent.

The true breakthrough, LeCun believes, will not come from incremental upgrades but from a fundamental shift in direction. 

He advocates for building systems that inherently understand cause and effect. 

This involves creating a loop where machines observe their current state, imagine taking an action, and then forecast the potential consequences of that action. 

This "observe, act, predict" cycle is how living organisms learn and adapt to dynamic environments, offering a more robust and adaptive learning paradigm than current supervised learning methods.

Furthermore, LeCun emphasized the need for AI to learn abstraction, mirroring how humans simplify complex information. 

Just as chemistry became manageable by thinking in layers (particles, atoms, molecules, materials), AI needs to filter out irrelevant details and focus on essential patterns. 

Rather than attempting to predict every minute detail in an unpredictable world, AI should be trained to organize information into usable, hierarchical layers. 

This allows for a more efficient and scalable understanding of the world, much like human cognition.

Meta's research model, V-JEPA, exemplifies this new direction. Unlike systems that try to predict every pixel or frame, V-JEPA focuses on identifying underlying patterns by recognizing what's missing and inferring what should be present, without being bogged down by inconsequential details. 

The overarching ambition is to enable machines to develop an internal logic and a comprehensive map of the world, allowing them to reason and plan independently, much like human intelligence.

 While this goal remains distant, Meta is actively working on building the missing components to bridge the gap between current AI capabilities and true intelligence.

यान लेकन सच्चे AI के मार्ग पर: वर्तमान सीमाओं से परे

पेरिस में हाल ही में AI शिखर सम्मेलन में, मेटा के कृत्रिम बुद्धिमत्ता प्रमुख यान लेकन ने AI विकास की वर्तमान स्थिति पर एक महत्वपूर्ण दृष्टिकोण प्रस्तुत किया।

जबकि कई कंपनियाँ भाषा मॉडल और जनरेटिव टूल को आगे बढ़ाने पर ध्यान केंद्रित करती हैं, लेकन का तर्क है कि इन प्रणालियों में मूल रूप से सहज ज्ञान की कमी है जो बुनियादी पशु बुद्धि के पास भी होती है।

उन्होंने वास्तविक बुद्धिमत्ता के लिए महत्वपूर्ण चार मुख्य क्षमताओं पर प्रकाश डाला: भौतिक परिवेश को समझना, स्थायी यादें बनाना, तार्किक समस्या-समाधान और पदानुक्रमित योजना बनाना।

उन्होंने तर्क दिया कि ये अमूर्त अवधारणाएँ नहीं हैं, बल्कि वास्तविक दुनिया में नेविगेट करने के लिए आवश्यक उपकरण हैं।

लेकन ने देखा कि आधुनिक AI सिस्टम इन मूलभूत क्षमताओं को प्रदर्शित करने में काफी हद तक विफल हैं।

ऐसे मॉडल विकसित करने के बजाय जो स्वाभाविक रूप से समझते हैं कि दुनिया कैसे संचालित होती है, कंपनियाँ अक्सर टुकड़ों में समाधान का सहारा लेती हैं, दृष्टि के लिए अलग-अलग मॉड्यूल जोड़ती हैं या स्मृति का अनुकरण करने के लिए डेटाबेस से तथ्य खींचती हैं।

उन्होंने चेतावनी दी कि केवल टेक्स्ट-आधारित सिस्टम पर घटकों को स्टैक करना एक सोचने वाले दिमाग के समग्र कार्य को दोहराना नहीं होगा। 

उन्होंने जोर देकर कहा कि यह दृष्टिकोण अंतर्निहित कमज़ोरियों को संबोधित करने के बजाय उन्हें छुपाता है, जिससे ऐसी प्रणालियाँ बनती हैं जो वास्तव में बुद्धिमान होने के बजाय एक साथ अधिक पैच की गई होती हैं।

लेकुन का मानना है कि वास्तविक सफलता वृद्धिशील उन्नयन से नहीं बल्कि दिशा में एक मौलिक बदलाव से आएगी।

वह ऐसी प्रणालियाँ बनाने की वकालत करते हैं जो स्वाभाविक रूप से कारण और प्रभाव को समझती हैं।

इसमें एक लूप बनाना शामिल है जहाँ मशीनें अपनी वर्तमान स्थिति का निरीक्षण करती हैं, कोई कार्रवाई करने की कल्पना करती हैं, और फिर उस कार्रवाई के संभावित परिणामों का पूर्वानुमान लगाती हैं।

यह "निरीक्षण, कार्य, भविष्यवाणी" चक्र है जिससे जीवित जीव गतिशील वातावरण में सीखते और अनुकूलित होते हैं, जो वर्तमान पर्यवेक्षित शिक्षण विधियों की तुलना में अधिक मजबूत और अनुकूली शिक्षण प्रतिमान प्रदान करता है।

इसके अलावा, लेकुन ने अमूर्तता सीखने के लिए एआई की आवश्यकता पर जोर दिया, यह दर्शाता है कि मनुष्य जटिल जानकारी को कैसे सरल बनाते हैं।

जिस तरह से रसायन विज्ञान परतों (कण, परमाणु, अणु, पदार्थ) में सोचकर प्रबंधनीय हो गया, उसी तरह एआई को अप्रासंगिक विवरणों को फ़िल्टर करने और आवश्यक पैटर्न पर ध्यान केंद्रित करने की आवश्यकता है।

 अप्रत्याशित दुनिया में हर छोटी-छोटी बात का पूर्वानुमान लगाने की कोशिश करने के बजाय, AI को जानकारी को उपयोगी, पदानुक्रमित परतों में व्यवस्थित करने के लिए प्रशिक्षित किया जाना चाहिए।

यह दुनिया की अधिक कुशल और मापनीय समझ की अनुमति देता है, बहुत कुछ मानव संज्ञान की तरह।

मेटा का शोध मॉडल, V-JEPA, इस नई दिशा का उदाहरण है। हर पिक्सेल या फ़्रेम का पूर्वानुमान लगाने की कोशिश करने वाली प्रणालियों के विपरीत, V-JEPA अंतर्निहित पैटर्न की पहचान करने पर ध्यान केंद्रित करता है, जो कि क्या गायब है और क्या मौजूद होना चाहिए, यह पहचान कर, महत्वहीन विवरणों से उलझे बिना।

व्यापक महत्वाकांक्षा मशीनों को एक आंतरिक तर्क और दुनिया का एक व्यापक मानचित्र विकसित करने में सक्षम बनाना है, जिससे वे मानव बुद्धि की तरह स्वतंत्र रूप से तर्क और योजना बना सकें।

जबकि यह लक्ष्य दूर है, मेटा वर्तमान AI क्षमताओं और सच्ची बुद्धिमत्ता के बीच की खाई को पाटने के लिए लापता घटकों के निर्माण पर सक्रिय रूप से काम कर रहा है।

నిజమైన AI వైపు యాన్ లెకన్: ప్రస్తుత పరిమితులకు మించి

ఇటీవల పారిస్‌లో జరిగిన AI శిఖరాగ్ర సమావేశంలో, మెటా యొక్క కృత్రిమ మేధస్సు అధిపతి యాన్ లెకన్, AI అభివృద్ధి యొక్క ప్రస్తుత స్థితిపై ఒక క్లిష్టమైన దృక్పథాన్ని అందించారు. 

చాలా కంపెనీలు భాషా నమూనాలు మరియు ఉత్పాదక సాధనాలను అభివృద్ధి చేయడంపై దృష్టి సారించినప్పటికీ, ఈ వ్యవస్థలు ప్రాథమికంగా ప్రాథమిక జంతు మేధస్సుకు కూడా ఉన్న సహజమైన అవగాహనను కలిగి లేవని లెకన్ వాదిస్తుంది. 

నిజమైన మేధస్సుకు కీలకమైన నాలుగు ప్రధాన సామర్థ్యాలను ఆయన హైలైట్ చేశారు: భౌతిక పరిసరాలను అర్థం చేసుకోవడం, శాశ్వత జ్ఞాపకాలను ఏర్పరచడం, తార్కిక సమస్య పరిష్కారం మరియు క్రమానుగత ప్రణాళిక. 

ఇవి నైరూప్య భావనలు కావు, వాస్తవ ప్రపంచాన్ని నావిగేట్ చేయడానికి అవసరమైన సాధనాలు అని ఆయన వాదించారు.

ఆధునిక AI వ్యవస్థలు ఈ ప్రాథమిక సామర్థ్యాలను ప్రదర్శించడంలో ఎక్కువగా విఫలమవుతాయని లెకన్ గమనించాడు. 

ప్రపంచం ఎలా పనిచేస్తుందో స్వాభావికంగా గ్రహించే నమూనాలను అభివృద్ధి చేయడానికి బదులుగా, కంపెనీలు తరచుగా ముక్కలుగా చేసే పరిష్కారాలను ఆశ్రయిస్తాయి, దృష్టి కోసం ప్రత్యేక మాడ్యూల్‌లను జోడించడం లేదా జ్ఞాపకశక్తిని అనుకరించడానికి డేటాబేస్‌ల నుండి వాస్తవాలను లాగడం. 

టెక్స్ట్-ఆధారిత వ్యవస్థలపై భాగాలను పేర్చడం వల్ల ఆలోచనా మనస్సు యొక్క సమగ్ర పనితీరును ప్రతిబింబించదని ఆయన హెచ్చరించారు. 

 ఈ విధానం, అతను నొక్కిచెప్పిన దాని ప్రకారం, అంతర్లీన బలహీనతలను పరిష్కరించడం కంటే వాటిని కప్పివేస్తుంది, ఇది నిజంగా తెలివైన వాటి కంటే ఎక్కువగా కలిసి ఉన్న వ్యవస్థలకు దారితీస్తుంది.

నిజమైన పురోగతి, LeCun విశ్వసిస్తుంది, పెరుగుతున్న అప్‌గ్రేడ్‌ల నుండి కాదు, దిశలో ప్రాథమిక మార్పు నుండి వస్తుంది. 

కారణం మరియు ప్రభావాన్ని అంతర్లీనంగా అర్థం చేసుకునే వ్యవస్థలను నిర్మించాలని అతను వాదిస్తాడు. 

యంత్రాలు వాటి ప్రస్తుత స్థితిని గమనించి, చర్య తీసుకుంటున్నట్లు ఊహించుకుని, ఆ చర్య యొక్క సంభావ్య పరిణామాలను అంచనా వేసే లూప్‌ను సృష్టించడం ఇందులో ఉంటుంది. 

ఈ "గమనించండి, చర్య తీసుకోండి, అంచనా వేయండి" చక్రం జీవులు డైనమిక్ వాతావరణాలను ఎలా నేర్చుకుంటాయి మరియు వాటికి అనుగుణంగా ఉంటాయి, ప్రస్తుత పర్యవేక్షించబడిన అభ్యాస పద్ధతుల కంటే మరింత బలమైన మరియు అనుకూల అభ్యాస నమూనాను అందిస్తాయి.

ఇంకా, LeCun AI సంగ్రహణను నేర్చుకోవాల్సిన అవసరాన్ని నొక్కి చెప్పింది, మానవులు సంక్లిష్ట సమాచారాన్ని ఎలా సరళీకృతం చేస్తారో ప్రతిబింబిస్తుంది. 

పొరలలో (కణాలు, అణువులు, అణువులు, పదార్థాలు) ఆలోచించడం ద్వారా రసాయన శాస్త్రం నిర్వహించదగినదిగా మారినట్లే, AI అసంబద్ధమైన వివరాలను ఫిల్టర్ చేసి అవసరమైన నమూనాలపై దృష్టి పెట్టాలి. 

అనూహ్య ప్రపంచంలో ప్రతి నిమిషం వివరాలను అంచనా వేయడానికి ప్రయత్నించే బదులు, సమాచారాన్ని ఉపయోగించదగిన, క్రమానుగత పొరలుగా నిర్వహించడానికి AIకి శిక్షణ ఇవ్వాలి. 

 ఇది మానవ జ్ఞానం లాగానే ప్రపంచాన్ని మరింత సమర్థవంతంగా మరియు స్కేలబుల్‌గా అర్థం చేసుకోవడానికి వీలు కల్పిస్తుంది.

మెటా పరిశోధన నమూనా, V-JEPA, ఈ కొత్త దిశను ఉదాహరణగా చూపుతుంది. ప్రతి పిక్సెల్ లేదా ఫ్రేమ్‌ను అంచనా వేయడానికి ప్రయత్నించే వ్యవస్థల మాదిరిగా కాకుండా, V-JEPA అసంభవమైన వివరాలతో చిక్కుకోకుండా, ఏమి లేదు మరియు ఏమి ఉండాలో ఊహించడం ద్వారా అంతర్లీన నమూనాలను గుర్తించడంపై దృష్టి పెడుతుంది. 

యంత్రాలు అంతర్గత తర్కాన్ని మరియు ప్రపంచ సమగ్ర పటాన్ని అభివృద్ధి చేయడానికి వీలు కల్పించడం, మానవ మేధస్సు వలె స్వతంత్రంగా తర్కించడానికి మరియు ప్రణాళిక చేయడానికి వీలు కల్పించడం దీని ప్రధాన ఆశయం.

ఈ లక్ష్యం దూరంగా ఉన్నప్పటికీ, ప్రస్తుత AI సామర్థ్యాలు మరియు నిజమైన మేధస్సు మధ్య అంతరాన్ని తగ్గించడానికి మెటా తప్పిపోయిన భాగాలను నిర్మించడంలో చురుకుగా పనిచేస్తోంది.