हम बिल्कुल पास नहीं हैं, और न ही हमारे पास कोई विचार है कि हम वर्तमान में इन फिल्मों के बीच की खाई को कैसे पाट सकते हैं और क्या दर्शाया गया है।
डीएल दृष्टिकोण के लिए मौजूदा रुझान (मुख्यधारा के अनुशासन के रूप में डेटा विज्ञान के उद्भव के साथ युग्मित) ने एआई में बहुत लोकप्रिय रुचि पैदा की है।
हालाँकि, शोधकर्ता और चिकित्सक 'एआई विंटर' के पाठों को सीखने के लिए अच्छा प्रदर्शन करेंगे और न ही हबीबों में संलग्न होंगे और न ही बहुत अधिक सफलताओं में पढ़ेंगे।
उदाहरण के लिए:
- स्थानांतरण सीखने में सफलता बहुत सीमित है।
- 'कठिन समस्या' (यानी 'कच्चे, अनचाहे वातावरण' को मशीन के सामने पेश करने और इसे खरोंच से हल करने के बाद) को डीएल द्वारा उस सीमा तक संबोधित नहीं किया जा रहा है, जो लोकप्रिय रूप से चित्रित किया गया है: विशेषज्ञ मानव ज्ञान अभी भी आवश्यक है यह तय करने में मदद करने के लिए कि इनपुट कैसे तैयार किया जाना चाहिए, ट्यून पैरामीटर, आउटपुट की व्याख्या आदि।
कोई व्यक्ति जो एजीआई के लिए उत्साह रखता है, वह उम्मीद जताएगा कि 'कठिन समस्या' वास्तव में केवल वही है जो मायने रखता है। कुछ साल पहले, एक प्रसिद्ध संज्ञानात्मक वैज्ञानिक ने कहा "हमें अभी तक सफलतापूर्वक एक कंप्यूटर पर एक भी अवधारणा का प्रतिनिधित्व करना है"।
मेरी राय में, हाल के शोध रुझानों ने इसे बदलने के लिए बहुत कम किया है।
यह सब शायद निराशावादी लगता है - यह करने का इरादा नहीं है। हममें से कोई भी दूसरा AI विंटर नहीं चाहता है, इसलिए हमें उन्हें मिथ करने के बजाय अपनी वर्तमान तकनीकों की सीमाओं को चुनौती (और ईमानदार होना चाहिए) चाहिए।