Ray Kurzweil ਦੀਆਂ ਲੰਬੀ-ਅਵਧੀ AGI ਪੇਸ਼ਗੋਈਆਂ ਦਾ ਅਧਿਐਨ ਕਰੋ: ਉਹਨਾਂ ਦੀਆਂ ਟਾਇਮਲਾਈਨ, ਫੋਰਕਾਸਟਿੰਗ ਪদ্ধਤੀ, ਸਹੀ/ਗਲਤ ਕਾਲ, ਆਲੋਚਨਾਵਾਂ, ਅਤੇ ਅੱਗੇ ਦੇਖਣ ਵਾਲੇ ਸੰਕੇਤ।

Ray Kurzweil ਲੰਬੇ ਸਮੇਂ ਦੀ ਤਕਨਾਲੋਜੀ ਭਵਿੱਖਬਾਣੀ ਦਾ ਇੱਕ ਮੋਹਰੀ ਆਵਾਜ਼ ਹੈ—ਖਾਸ ਕਰਕੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਅਤੇ technological singularity ਦੇ ਸੰਦਰਭ ਵਿੱਚ। ਜਦੋਂ ਉਹ ਕੋਈ ਨਿਰਧਾਰਤ AGI ਭਵਿੱਖਬਾਣੀ ਦਿੰਦਾ ਹੈ (ਅਕਸਰ ਇੱਕ ਤਾਰੀਖ ਦੇ ਰੂਪ ਵਿੱਚ, ਨਾਂ ਕਿ ਧੁੰਦਲਾ “ਕਦੇ” ਬੋਲ ਕੇ), ਇਹ ਵਿਆਪਕ ਪ੍ਰਭਾਵ ਛੱਡਦੀ ਹੈ: ਨਿਵੇਸ਼ਕ ਇਸਨੂੰ ਗਿਣਦੇ ਹਨ, ਪੱਤਰਕਾਰ ਇਸ 'ਤੇ ਵਿਵਾਦ ਕਰਦੇ ਹਨ, ਅਤੇ ਖੋਜਕਰਤਾ ਨੂੰ ਜਵਾਬ ਦੇਣ ਲਈ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ।
ਕੁਰਜ਼ਵੈਲ ਦਾ ਪ੍ਰਭਾਵ ਸਿਰਫ਼ ਆਸ਼ਾਵਾਦ ਹੀ ਨਹੀਂ। ਇਹ ਇਸ ਗੱਲ ਵਿੱਚ ਹੈ ਕਿ ਉਹ ਪ੍ਰਗਟੀ ਲਈ ਇੱਕ ਦੁਹਰਾਏ ਜਾ ਸਕਣ ਵਾਲਾ ਕਹਾਣੀ-ਖਾਕਾ ਦਿੰਦਾ ਹੈ—ਅਕਸਰ ਕੰਪਿਊਟਿੰਗ ਦੇ ਘਣਾਤਮਿਕ ਵਾਧੇ ਨਾਲ ਜੋੜ ਕੇ ਅਤੇ ਇਸ ਵਿਚਾਰ ਨਾਲ ਕਿ ਹਰ ਪੀੜ੍ਹੀ ਦੇ ਟੂਲ ਅਗਲੀ ਪੀੜ੍ਹੀ ਬਣਾਉਣ ਵਿਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਸਹਿਮਤ ਹੋਵੋ ਜਾਂ ਨਾ, ਉਹ AGI ਟਾਇਮਲਾਈਨ ਬਾਰੇ ਗੱਲ ਕਰਨ ਲਈ ਇੱਕ ਸੰਰਚਿਤ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਵਿਗਿਆਨ-ਕਲਪਨਾ ਵਜੋਂ।
ਇੱਕ ਦਸ਼ਕ-ਆਧਾਰਿਤ ਅਨੁਮਾਨ ਕਿਸੇ ਤਾਰੀਖ ਦਾ ਅਨੁਮਾਨ ਲਾਉਣ ਤੋਂ ਘੱਟ ਅਤੇ ਕਿਸੇ ਰੁਝਾਨਾਂ ਦੇ ਗਠੇ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਬਾਰੇ ਵੱਧ ਹੁੰਦਾ ਹੈ: ਕੰਪਿਊਟ, ਲਾਗਤ, ਡੇਟਾ, ਅਲੱਗੋਰੀਥਮ, ਅਤੇ ਉਹ ਪ੍ਰਯੋਗਾਤਮਕ ਸਮਰੱਥਾ ਜੋ ਜਨਰਲਾਈਜ਼ ਕਰ ਸਕਦੀ ਹੈ। ਦਾਵਾ ਇਹ ਹੈ ਕਿ ਇਹ ਕਰਵਾਂ ਚੱਲਦੀਆਂ ਰਹਿਣਗੀਆਂ—ਅਤੇ ਅੱਜ ਦੇ “ਗੁੰਮ ਹੋਏ ਹਿੱਸੇ” ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜੋ ਜਿਵੇਂ ਇਨਪੁੱਟ ਸੁਧਰਦੇ ਹਨ ਘੱਟ ਹੋ ਜਾਂਦੇ ਹਨ।
ਇਹ ਲੇਖ ਤੋੜਦਾ ਹੈ:
ਗੰਭੀਰ ਵਿਸ਼ੇਸ਼ਗਿਆਨੀਆਂ ਵਿੱਚ ਵੀ AGI ਟਾਇਮਲਾਈਨ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੁੰਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਉਹ ਧਾਰਨਾਵਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ: “AGI” ਦਾ ਕੀ ਮਤਲਬ ਹੈ, ਕਿਹੜੇ ਬਾਟਲਨੇਕ ਸਭ ਤੋਂ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਅਤੇ ਸਫਲਤਾਵਾਂ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਭਰੋਸੇਯੋਗ ਉਤਪਾਦਾਂ ਵਿੱਚ ਤਬਦੀਲ ਹੋਦੀਆਂ ਹਨ। ਕੁਰਜ਼ਵੈਲ ਦੀਆਂ ਟਾਇਮਲਾਈਨ ਇਸ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ ਕਿ ਉਹ ਪ੍ਰਾਈਖਣਯੋਗ ਹੁੰਦੀਆਂ ਹਨ—ਅਤੇ ਇਨਕਾਰ ਕਰਨਾ ਔਖਾ ਹੁੰਦਾ ਹੈ।
Ray Kurzweil ਇੱਕ ਅਮਰੀਕੀ ਖੋਜਕਰਤਾ, ਲੇਖਕ ਅਤੇ futurist ਹਨ, ਜੋ ਲੰਬੇ ਸਮੇਂ ਵਾਲੀਆਂ ਤਕਨਾਲੋਜੀ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ—ਅਤੇ ਉਹਨਾਂ ਨੇ ਚਾਰਟਾਂ, ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਤੇ ਨਿਰਣਾ ਕਰਨ ਵਾਲੇ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਨਾਲ ਆਪਣੇ ਦਾਅਵਿਆਂ ਨੂੰ ਸਮਰਥਨ ਦਿੱਤਾ ਹੈ।
ਕੁਰਜ਼ਵੈਲ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਵਾਕ-ਅਤੇ ਲਿਖਤ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਵਿਹੰਗਮ ਅਵਿਸਕਾਰਾਂ ਰਾਹੀਂ ਜਾਣੇ ਗਏ। ਉਨ੍ਹਾਂ ਨੇ optical character recognition (OCR), text-to-speech ਅਤੇ ਮਿਊਜ਼ਿਕ ਟੂਲਾਂ 'ਤੇ ਕੰਮ ਕੀਤਾ ਅਤੇ ਉਹਨਾਂ ਨੇ ਦਹਾਕਿਆਂ ਤੱਕ ਅਸਲ ਉਤਪਾਦੀ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝਿਆ: ਡੇਟਾ ਗੁਣਵੱਤਾ, ਹਾਰਡਵੇਅਰ ਲਾਗਤ ਅਤੇ ਉਪਭੋਗਤਾ ਅਪਨਾਉਣ। ਇਹ ਬਿਲਡਰ ਮਨੋਵਿਰਤੀ ਉਹਨਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਰੂਪ ਦਿੰਦੀ ਹੈ—ਉਹ ਅਕਸਰ ਤਰੱਕੀ ਨੂੰ ਕੁਝ ਐਸਾ ਮੰਨਦੇ ਹਨ ਜੋ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਸਕੇਲ ਕਿਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਉਹ ਵੱਡੀਆਂ ਤਕਨਾਲੋਜੀ ਸੰਸਥਾਵਾਂ (ਜਿਵੇਂ Google) ਦੇ ਅੰਦਰ ਵੀ ਕੰਮ ਕਰ ਚੁੱਕੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਦੇ ਵਿਚਾਰ ਨੂੰ ਮਜ਼ਬੂਤੀ ਮਿਲੀ ਕਿ ਵੱਡੇ ਉੱਚੇ ਕਦਮ ਆਮ ਤੌਰ 'ਤੇ ਲਗਾਤਾਰ ਨਿਵੇਸ਼, ਬਿਹਤਰ ਟੂਲਿੰਗ ਅਤੇ ਕੰਪਾਉਂਡਿੰਗ ਸੁਧਾਰਾਂ ਤੋਂ ਆਉਂਦੇ ਹਨ—ਸਿਰਫ਼ ਇਕੱਲੇ ਬ੍ਰੇਕਥਰੂ ਤੋਂ ਨਹੀਂ।
ਕੁਰਜ਼ਵੈਲ ਦੀ AGI ਟਾਇਮਲਾਈਨ ਆਮ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਦੀਆਂ ਪ੍ਰਸਿੱਧ ਪੁਸਤਕਾਂ ਰਾਹੀਂ ਚਰਚਿਤ ਹੁੰਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ The Age of Spiritual Machines (1999) ਅਤੇ The Singularity Is Near (2005)। ਇਹ ਕਿਰਿਆਵਾਂ ਇਹ ਦਲੀਲ ਕਰਦੀਆਂ ਹਨ ਕਿ ਜਾਣਕਾਰੀ ਤਕਨਾਲੋਜੀ ਜ਼ਿਆਦਾ ਤੇਜ਼ੀ ਨਾਲ, ਕੰਪਾਉਂਡਿੰਗ ਢੰਗ ਨਾਲ ਸੁਧਰਦੀ ਹੈ—ਅਤੇ ਇਹ ਤੇਜ਼ੀ ਆਖ਼ਿਰਕਾਰ ਮਨੁੱਖੀ-ਸਤਰ (ਅਤੇ ਫਿਰ ਮਨੁੱਖ ਤੋਂ ਅੱਗੇ) ਸਮਰੱਥਾਵਾਂ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਪੈਦਾ ਕਰੇਗੀ।
ਸਹਿਮਤ ਹੋਯਾ ਜਾਂ ਨਾ, ਉਹਨਾਂ ਦੀ ਲਿਖਤ ਨੇ ਸਰਵਜਨਿਕ ਗੱਲਬਾਤ ਦੀ ਸ਼ਰਤਾਂ ਸੈੱਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ: AI ਪ੍ਰਗਟੀ ਨੂੰ ਮਾਪਯੋਗ, ਰੁਝਾਨ-ਚਲਿਤ ਅਤੇ (ਕਮ-ਵਹ ਫ਼ਰਮੁਲੇਬਲ) ਪਹਿਲਾਂ ਦੀ ਤਰ੍ਹਾਂ ਭਵਿੱਖਬਾਣੀਯੋਗ बनਾਉਣਾ।
AGI (Artificial General Intelligence): ਇੱਕ ਐਸਾ AI ਸਿਸਟਮ ਜੋ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਕੰਮ ਸਿੱਖ ਅਤੇ ਕਰ ਸਕੇ, ਮਨੁੱਖੀ ਪੱਧਰ ਦੇ ਆਸ-ਪਾਸ, ਨਵੇਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਬਿਨਾਂ ਖਾਸ ਤੌਰ 'ਤੇ ਡਿਜ਼ਾਇਨ ਕੀਤੇ ਅਨੁਕੂਲ ਹੋ ਸਕੇ।
Singularity: ਕੁਰਜ਼ਵੈਲ ਦਾ ਸ਼ਬਦ ਉਸ ਸਮੇਂ ਲਈ ਜਦੋਂ ਤਕਨਾਲੋਜੀ ਦੀ ਤਰੱਕੀ ਇੰਨੀ ਤੇਜ਼ ਹੋ ਜਾਏ ਕਿ ਸਮਾਜਿਕ ਬਦਲਾਅ ਅਣਪ੍ਰਡਿਕਟੇਬਲ ਅਤੇ ਔਖੇ ਮਾਡਲ ਕਰਨ ਯੋਗ ਬਣ ਜਾਵੇ।
Timeline: ਇੱਕ ਅਜਿਹਾ ਅਨੁਮਾਨ ਜਿਸ ਵਿੱਚ ਤਾਰੀਖਾਂ ਅਤੇ ਮਾਇਲਸਟੋਨ ਸ਼ਾਮਿਲ ਹੁੰਦੇ ਹਨ (ਉਦਾਹਰਣ ਲਈ, “ਸਾਲ X ਤੱਕ ਮਨੁੱਖ-ਸਤਰ AGI”), ਨਾ ਕਿ ਸਿਰਫ਼ ਇਹਦਾਂ ਦਾ ਵਾਅਦਾ ਕਿ ਤਰੱਕੀ ਜਾਰੀ ਰਹੇਗੀ।
ਕੁਰਜ਼ਵੈਲ ਨੇ ਮੁੜ-ਮੁੜ ਦਲੀਲ ਕੀਤੀ ਹੈ ਕਿ ਮਨੁੱਖੀ-ਪੱਧਰ AGI ਸੰਭਵ ਹੈ ਪਹਿਲੇ ਅੱਧ 21ਵੀਂ ਸਦੀ ਦੇ ਅੰਦਰ—ਸਾਰਥਕ ਤੌਰ 'ਤੇ ਉਹ ਅਕਸਰ ਜਨਤਕ ਗੱਲਬਾਤ ਵਿੱਚ ਦੇਰ 2020s ਤੋਂ 2030s ਦੇ ਆਸ-ਪਾਸ ਲਗਦੇ ਹਨ। ਉਹ ਹਮੇਸ਼ਾਂ ਇੱਕ ਇੱਕਸ ਨੇ ਸਾਲ 'ਤੇ ਕਡ਼ਕ ਨਹੀਂ ਹਨ, ਪਰ ਕੇਂਦਰੀ ਦਾਅਵਾ ਇਹ ਹੈ ਕਿ ਜਦੋਂ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ, ਡੇਟਾ ਅਤੇ ਅਲੱਗੋਰੀਥਮ ਕੁਝ ਥਰੈਸ਼ੋਲਡ ਪਾਰ ਕਰ ਲੈਂਦੇ ਹਨ, ਸਿਸਟਮ ਮਨੁੱਖੀ ਸੋਚ ਦੀ ਵਿਆਪਕਤਾ ਅਤੇ ਅਨੁਕੂਲਤਾ ਨੂੰ ਮਿਲਾ ਲੈਂਦੇ ਹਨ।
ਕੁਰਜ਼ਵੈਲ ਦੇ ਫਰਮੇ ਵਿੱਚ, AGI ਖਤਮ-ਬਿੰਦੂ ਨਹੀਂ—ਇਹ ਇੱਕ ਟ੍ਰਿਗਰ ਹੈ। ਜਦ ਮਸ਼ੀਨਾਂ ਮਨੁੱਖੀ-ਸਤਰ ਦੀ ਸਾਮਰਥਤਾ ਪਾ ਲੈਂਦੀਆਂ ਹਨ (ਅਤੇ ਫਿਰ ਆਗੇ), ਤਰੱਕੀ ਕੰਪਾਨ ਕਰਦੀ ਹੈ: ਸਿਆਣੇ ਸਿਸਟਮ ਹੋਰ ਸਿਆਣੇ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ, ਵਿਗਿਆਨਕ ਖੋਜ ਤੇਜ਼ ਹੁੰਦੀ ਹੈ, ਆਟੋਮੇਸ਼ਨ ਵਧਦੀ ਹੈ ਅਤੇ ਮਨੁੱਖੀ-ਮਸ਼ੀਨ ਇੰਟਗਰੇਸ਼ਨ ਹੋਵੇਗੀ। ਇਹ ਕੰਪਾਉਂਡਿੰਗ ਗਤੀ ਉਹੀ ਹੈ ਜਿਸਨੂੰ ਉਹ ਵੱਡੀ “technological singularity” ਨਾਲ ਜੋੜਦੇ ਹਨ: ਇੱਕ ਅਜਿਹਾ ਸਮਾਂ ਜਿਥੇ ਬਦਲਾਅ ਇੰਨਾ ਤੇਜ਼ ਹੋ ਜਾਵੇ ਕਿ ਰੋਜ਼ਮਰਾ ਦੀ ਸੋਚ ਭਰੋਸੇਯੋਗ ਰਹਿਣ ਛੱਡ ਦੇਵੇ।
ਉਹਨਾਂ ਦੀਆਂ ਟਾਇਮਲਾਈਨ ਦਾਅਵਿਆਂ ਵਿੱਚ ਇੱਕ ਅਹਮ ਨਿਊਆਂਸ AGI ਦੀ ਪਰਿਭਾਸ਼ਾ ਹੈ। ਅੱਜ ਦੇ ਆਗੂ ਮਾਡਲ ਕਈ ਕੰਮਾਂ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਅਕਸਰ ਹਨ:
ਕੁਰਜ਼ਵੈਲ ਦੀ “AGI” ਉਹ ਸਿਸਟਮ ਹੈ ਜੋ ਕਿਸੇ ਇਕ ਖੇਤਰ ਤੱਕ ਸੀਮਤ ਨਹੀਂ—ਉਹ ਸਿਖਦਾ, ਡੋਮੇਨਾਂ ਵਿਚ ਟ੍ਰਾਂਸਫਰ ਕਰਦਾ, ਨਵੇਂ ਹਾਲਾਤਾਂ 'ਚ ਲਕੜੀ-ਉਦੇਸ਼ ਬਣਾਉਂਦਾ ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਦੀ ਵਿਵਿਧਤਾ ਨਾਲ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਨਿਬਟਦਾ ਹੈ—ਸਿਰਫ਼ ਬੈਂਚਮਾਰਕਜ਼ 'ਤੇ ਚੰਗੀ ਦਰਸਤੀ ਨਹੀਂ।
ਇੱਕ ਕੈਲੇਂਡਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਆਸਾਨੀ ਨਾਲ ਵਿਵਾਦਯੋਗ ਅਤੇ ਵਰਤੋਂ ਲਈ ਔਖੀ ਹੁੰਦੀ ਹੈ। ਮਾਇਲਸਟੋਨ ਵੱਧ ਪ੍ਰੈਕਟਿਕਲ ਹਨ: ਲਗਾਤਾਰ ਸਵੈਚਾਲਿਤ ਸਿੱਖਿਆ, ਭਰੋਸੇਯੋਗ ਟੂਲ ਉਪਯੋਗ ਅਤੇ ਯੋਜਨਾ, ਅਸਲ-ਦੁਨੀਆ ਵਿੱਚ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ, ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਨੌਕਰੀਆਂ 'ਤੇ ਸਪੱਸ਼ਟ ਆਰਥਿਕ ਬਦਲੀ। ਜੇਕਰ ਤੁਸੀਂ ਉਹਨਾਂ ਦੇ ਠੀਕ ਸਮੇਂ ਨਾਲ ਸਹਿਮਤ ਨਾ ਵੀ ਹੋ, ਇਹ ਚੈਕਪੌਇੰਟ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਟੈਸਟਯੋਗ ਅਤੇ ਹੇਡਲਾਈਨ ਸਾਲ ਦੀ ਤੁਲਨਾਤਮਕ ਤੌਰ 'ਤੇ ਜ਼ਿਆਦਾ ਲਾਭਦਾਇਕ ਬਣਾਉਂਦੇ ਹਨ।
ਕੁਰਜ਼ਵੈਲ ਨੂੰ ਅਕਸਰ “serial predictor” ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ख਼ੁਬੀ ਹੀ ਉਸ ਦੀ AGI ਟਾਇਮਲਾਈਨ ਨੂੰ ਧਿਆਨ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ। ਪਰ ਉਸਦਾ ਰਿਕਾਰਡ ਮਿਲਾਜੁਲਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਿਖਣ ਯੋਗ ਪਾਠ ਹਨ: ਕੁਝ ਕਾਲਾਂ ਬਹੁਤ ਨਿਰਧਾਰਤ ਅਤੇ ਮਾਪਯੋਗ ਸਨ, ਦੂਜੇ ਦਿਸ਼ਾਤਮਕ ਸਹੀ ਪਰ ਧੁੰਦਲੇ, ਅਤੇ ਕੁਝ ਅਹਿਮ ਸੀਮਾਵਾਂ ਨੂੰ ਅਣਡਿੱਕ੍ਹਿਆ ਛੱਡ ਦਿਤਾ ਗਿਆ।
ਉਹਨਾਂ ਦੀਆਂ ਕਿਤਾਬਾਂ ਅਤੇ ਬੋਲੀਆਂ ਵਿੱਚ ਅਕਸਰ ਦਾਅਵੇ ਸ਼ਾਮਿਲ ਹਨ:
ਸਪੱਸ਼ਟ, ਚੈੱਕਯੋਗ ਦਾਅਵੇ ਕਿਸੇ ਤਾਰੀਖ ਅਤੇ ਮਾਪਯੋਗ ਨਤੀਜੇ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ: “ਸਾਲ X ਤੱਕ Y ਤਕਨੀਕ Z ਦਰਜੇ ਤੱਕ ਪਹੁੰਚ ਜਾਵੇਗੀ,” ਜਾਂ “ਜ਼ਿਆਦਾਤਰ ਡਿਵਾਈਸਾਂ ਵਿੱਚ ਫੀਚਰ F ਹੋਵੇਗਾ।” ਇਹਨਾਂ ਨੂੰ ਸਰਵਜਨਿਕ ਬੈਂਚਮਾਰਕ (ਅਕੁਰਸੀ, ਵਿਕਰੀ/ਅਪਨਾਉਣ) ਨਾਲ ਟੈਸਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਧੁੰਦਲੇ ਦਾਅਵੇ ਮਨੁੱਖ-ਭਾਵਨਾਤਮਕ ਤੌਰ 'ਤੇ ਸਮਝਦਾਰ ਲੱਗਦੇ ਹਨ ਪਰ ਫਾਲਸਿਫਾਇ ਕਰਨਾ ਔਖਾ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ “ਕੰਪਿਊਟਰ ਹਰ ਜਗ੍ਹਾ ਹੋਣਗੇ,” “AI ਸਮਾਜ ਬਦਲ ਦੇਵੇਗਾ,” ਜਾਂ “ਮਨੁੱਖ ਤਕਨਾਲੋਜੀ ਨਾਲ ਮਿਲ ਜਾਏਗਾ।” ਇਹਨੂੰ ਭਾਵਨਾਤਮਕ ਸਚ ਮਹਿਸੂਸ ਹੋ ਸਕਦਾ ਹੈ ਚਾਹੇ ਵੇਰਵੇ, ਸਮਾਂ ਜਾਂ ਤਰੀਕੇ ਵਿੱਚ ਫ਼ਰਕ ਹੋਵੇ।
ਇੱਕ ਵਿਆਵਹਾਰਕ ਤਰੀਕਾ ਕਿਸੇ ਵੀ ਫੋਰਕਾਸਟਰ ਨੂੰ ਅੰਕਲਨ ਕਰਨ ਲਈ ਹੈ direction, timing ਅਤੇ specificity ਨੂੰ ਵੱਖ-ਵੱਖ ਕਰਨਾ।
ਨੁਕਤਾ ਇਹ ਨਹੀਂ ਕਿ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ “ਚੰਗਾ” ਜਾਂ “ਮੰਦਾ” ਲੇਬਲ ਕੀਤਾ ਜਾਵੇ; ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਡੇਟਾ-ਚਲਿਤ ਦਾਅਵੇ ਕਿਵੇਂ ਲੁਕੀ ਧਾਰਣਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਹੁੰਦੇ ਹਨ—ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਸਮਾਜਿਕ ਅਪਨਾਉਣ ਸ਼ਾਮਿਲ ਹੋ।
ਕੁਰਜ਼ਵੈਲ ਦੀ “Law of Accelerating Returns” ਇਹ ਵਿਚਾਰ ਹੈ ਕਿ ਜਦੋਂ ਕੋਈ ਤਕਨਾਲੋਜੀ ਸੁਧਾਰਦੀ ਹੈ, ਉਹ ਸੁਧਾਰ ਅਕਸਰ अगले ਸੁਧਾਰਾਂ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਨਾਲ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਦਾ ਹੈ ਜਿਸ ਨਾਲ ਪ੍ਰਗਟੀ ਸਮੇਂ-ਦੇ ਨਾਲ ਤੇਜ਼ ਹੋ ਜਾਂਦੀ ਹੈ।
ਇੱਕ ਸਿੱਧੀ ਲਕੀਰ (linear) ਰੁਝਾਨ ਹਰ ਸਾਲ ਇਕੋ ਜਿਹੀ ਰਕਮ ਜੋੜਨ ਵਰਗੀ ਹੈ: 1, 2, 3, 4.
ਇੱਕ exponential ਰੁਝਾਨ ਗੁਣਾ ਕਰਨ ਵਰਗਾ ਹੈ: 1, 2, 4, 8. ਸ਼ੁਰੂ ਵਿੱਚ ਇਹ ਹੌਲੀ ਲੱਗਦਾ ਹੈ—ਫਿਰ ਅਚਾਨਕ ਸਭ ਕੁਝ ਇੱਕੱਠਾ ਤੇਜ਼ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਕੁਰਜ਼ਵੈਲ ਦਲੀਲ ਕਰਦਾ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਤਕਨਾਲੋਜੀਆਂ (ਖਾਸ ਕਰਕੇ ਜਾਣਕਾਰੀ ਤਕਨਾਲੋਜੀਆਂ) ਇਸ ਪੈਟਰਨ ਨੂੰ ਫਾਲੋ ਕਰਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਹਰ ਪੀੜ੍ਹੀ ਦੇ ਟੂਲ ਅਗਲੀ ਪੀੜ੍ਹੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
ਕੁਰਜ਼ਵੈਲ ਸਿਰਫ਼ ਇਹ ਨਹੀਂ ਪੁੱਛਦੇ “ਕੀ ਅਸੀਂ X ਕਰ ਸਕਦੇ ਹਾਂ?” ਉਹ ਪੁੱਛਦੇ ਹਨ “ਅਸੀਂ X ਕਿੰਨੀ ਸਸਤੀ ਤਰੀਕੇ ਨਾਲ ਕਰ ਸਕਦੇ ਹਾਂ?” ਕੰਪਿਊਟਿੰਗ ਵਿੱਚ ਆਮ ਤਰੀਕਾ ਇਹ ਹੈ: ਪਰਫਾਰਮੈਂਸ ਵਧਦੀ ਹੈ ਜਦੋਂ ਲਾਗਤ ਘਟਦੀ ਹੈ। ਜਦੋਂ ਕਿਸੇ ਲਾਜ਼ਮੀ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਦੀ ਲਾਗਤ ਘੱਟ ਹੁੰਦੀ ਹੈ, ਹੋਰ ਲੋਕ ਪਰਯੋਗ ਕਰ ਸਕਦੇ ਹਨ, ਉਤਪਾਦ ਨਿਕਲ ਸਕਦੇ ਹਨ, ਅਤੇ ਅਗਲੇ ਚਰਨ ਲਈ ਫੰਡ ਮਿਲ ਸਕਦਾ ਹੈ—ਇਸ ਨਾਲ ਪ੍ਰਗਟੀ ਤੇਜ਼ ਹੁੰਦੀ ਹੈ।
ਇਸ ਲਈ ਉਹ ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਕਰਵਾਂ ਜਿਵੇਂ "computations per dollar" 'ਤੇ ਧਿਆਨ ਦਿੰਦੇ ਹਨ, ਸਿਰਫ਼ ਸਿਰਲੇਖੀ ਡੈਮੋਜ਼ 'ਤੇ ਨਹੀਂ।
Moore’s law ਇਕ ਕਲਾਸਿਕ ਉਦਾਹਰਨ ਹੈ: ਦਹਾਕਿਆਂ ਤੱਕ, ਚਿਪਾਂ 'ਤੇ ਟ੍ਰਾਂਜ਼ਿਸਟਰ ਦੀ ਗਿਣਤੀ ਨਿਯਮਤ ਤੌਰ 'ਤੇ ਡਬਲ ਹੁੰਦੀ ਰਹੀ, ਜਿਸ ਨਾਲ ਕੰਪਿਊਟਰ ਤੇਜ਼ ਅਤੇ ਸਸਤੇ ਹੁੰਦੇ ਗਏ।
ਕੁਰਜ਼ਵੈਲ ਦਾ ਦਲੀਲ ਇਹ ਨਹੀਂ ਕਿ "Moore’s law ਹਮੇਸ਼ਾ ਚੱਲਦੀ ਰਹੇਗੀ"। ਇਹ ਵਿਆਪਕ ਹੈ: ਜੇਕਰ ਇੱਕ ਹਾਰਡਵੇਅਰ ਪਹੁੰਚ ਧੀਮੀ ਪੈਂਦੀ ਹੈ, ਹੋਰ ਤਰੀਕੇ (ਬਿਹਤਰ ਚਿਪ, GPUs/TPUs, ਪੈਰੈਲਲਿਜ਼ਮ, ਨਵੀਂ ਆਰਕੀਟੈਕਚਰ, ਸੌਫਟਵੇਅਰ ਦੱਖਲ) ਕੁੱਲ ਮਿਲਾ ਕੇ ਲਾਗਤ/ਪਰਫਾਰਮੈਂਸ ਰੁਝਾਨ ਨੂੰ ਬਣਾਈ ਰੱਖ ਸਕਦੇ ਹਨ।
ਲੋਕ ਅਕਸਰ ਭਵਿੱਖ ਦੀਆਂ ਪੇਸ਼ਕਸ਼ਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹਾਲੀਆ ਤਬਦੀਲੀ ਨੂੰ ਇੱਕੋ ਹੀ ਰਫਤਾਰ 'ਤੇ ਅੱਗੇ ਵਧਾ ਕੇ ਕਰਦੇ ਹਨ। ਇਸ ਨਾਲ ਕੁਮਾਂ ਦੀ ਗਣਨਾ ਮਿਲਦੀ ਹੈ। ਇਸ ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਤਬਦੀਲੀ ਮੰਦ ਲੱਗ ਸਕਦੀ ਹੈ—ਅਤੇ ਬਾਅਦ ਦੀ ਤਬਦੀਲੀ “ਅਚਾਨਕ” ਮਹਿਸੂਸ ਹੋ ਸਕਦੀ ਹੈ, ਜਦ ਕਿ ਉਹ ਸਾਲਾਂ ਤੋਂ ਇੱਕ ਕਰਵ 'ਤੇ ਸੰਭਵਤ: ਬਣ ਰਹੀ ਸੀ।
ਇਸ तरह ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਆਮ ਤੌਰ 'ਤੇ ਮਾਪਯੋਗ ਰੁਝਾਨਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀਆਂ ਹਨ—ਉਹ ਚੀਜ਼ਾਂ ਜੋ ਤੁਸੀਂ ਚਾਰਟ 'ਤੇ ਰੱਖ ਸਕਦੇ ਹੋ। ਇਹ ਇਕ ਮਜ਼ਬੂਤੀ ਹੈ: ਤੁਸੀਂ ਇਨਪੁੱਟਸ ਬਾਰੇ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰ ਸਕਦੇ ਹੋ ਬਜਾਏ ਸਿਰਫ਼ ਅਨੁਭਵ 'ਤੇ। ਇਹੀ ਥਾਂ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਸੀਮਾਵਾਂ ਵੀ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ।
ਟੈਕਨਾਲੋਜੀ ਫੋਰਕਾਸਟਰ ਆਮ ਤੌਰ 'ਤੇ ਟਰੈਕ ਕਰਦੇ ਹਨ:
ਇਹ ਕਰਵ ਲੰਮੇ ਸਮੇਂ ਦੌਰਾਨ ਪ੍ਰਵਰਤਨਸ਼ੀਲ ਅਤੇ ਅਕਸਰ ਅਪਡੇਟ ਹੋਣ ਵਾਲੇ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ ਜੇ AGI ਦੀ ਤੁਸੀਂ ਵਿਆਖਿਆ "ਕਾਫੀ ਹਾਰਡਵੇਅਰ ਤੇ ਸਹੀ ਸੌਫਟਵੇਅਰ" ਹੈ, ਤਾਂ ਇਹ ਡੇਟਾਸੈਟ ਮਜ਼ਬੂਤ ਨੀਵ ਮਹਿਸੂਸ ਹੁੰਦੀ ਹੈ।
ਮੁੱਖ ਫ਼ਾਰਕ ਇਹ ਹੈ: ਵੱਧ ਹਾਰਡਵੇਅਰ ਆਪਣੇ ਆਪ ਵਿੱਚ ਹੋਰ ਸਿਆਣੇ ਸਿਸਟਮ ਨਹੀਂ ਪੈਦਾ ਕਰਦਾ। AI ਯੋਗਤਾ ਅਲੱਗੋਰੀਥਮ, ਡੇਟਾ ਗੁਣਵੱਤਾ, ਟ੍ਰੇਨਿੰਗ ਰੈਸਪੀ, ਟੂਲਿੰਗ ਅਤੇ ਮਨੁੱਖੀ ਫੀਡਬੈਕ 'ਤੇ ਨਿਰਭਰ ਹੁੰਦੀ ਹੈ—ਸਿਰਫ਼ FLOPs ਨਹੀਂ।
ਇੱਕ ਉਪਯੋਗੀ ਸੋਚ ਇਹ ਹੈ: ਹਾਰਡਵੇਅਰ ਇੱਕ ਬਜਟ ਹੈ, ਯੋਗਤਾ ਇੱਕ ਨਤੀਜਾ। ਦੋਹਾਂ ਵਿਚਕਾਰ ਸੰਬੰਧ ਹੈ, ਪਰ ਇਹ ਨਿਰਧਾਰਤ ਨਹੀਂ। ਕਈ ਵਾਰੀ ਇੱਕ ਛੋਟੀ ਅਲੱਗੋਰੀਥਮਿਕ ਬਦਲਾਅ ਵੱਡੇ ਫ਼ਾਇਦੇ ਖੋਲ੍ਹ ਸਕਦਾ ਹੈ; ਕਈ ਵਾਰੀ ਸਕੇਲਿੰਗ ਘਟਦੀ ਲਭਾਉਂਦੀ ਹੈ।
“Inputs” (ਕੰਪਿਊਟ, ਪੈਸਾ) ਨੂੰ “outputs” (ਮਾਡਲ ਕੀ ਕਰ ਸਕਦੇ ਹਨ) ਨਾਲ ਜੋੜਨ ਲਈ ਫੋਰਕਾਸਟਰਾਂ ਨੂੰ:
ਬੈਂਚਮਾਰਕ ਗੇਮ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਸਭ ਤੋਂ ਮਨਦੇ ਸੰਕੇਤ ਟੈਸਟ-ਸਕੋਰਾਂ ਨੂੰ ਟਿਕਾਊ ਉਪਯੋਗਿਤਾ ਦੇ ਸਬੂਤ ਨਾਲ ਮਿਲਾਉਂਦੇ ਹਨ।
ਦੋ ਆਮ ਗਲਤੀਆਂ ਹਨ ਚੈਰੀ-ਪਿਕਿੰਗ ਕਰਵਾਂ (ਉਹ ਸਮਾਂ-ਵਿੰਡੋ ਚੁਣਨਾ ਜੋ ਸਭ ਤੋਂ exponential ਲੱਗਦੀ ਹੈ) ਅਤੇ ਬਾਟਲਨੇਕਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਜਿਵੇਂ ਊਰਜਾ ਸੀਮਾਵਾਂ, ਡੇਟਾ ਸੀਮਤਤਾ, ਲੈਟੈਂਸੀ, ਨਿਯਮ, ਜਾਂ ਇਸ ਗੱਲ ਦੀ ਮੁਸ਼ਕਲ ਕਿ ਨੈਰੋਲ ਨੈੱਟਵਰਕਜ਼ ਦੀ ਘੱਟ-ਵਿਆਪਕ ਸਮਰੱਥਾ ਨੂੰ ਜਨਰਲ ਸਮਰੱਥਾ ਵਿੱਚ ਕਿਵੇਂ ਤਬਦੀਲ ਕੀਤਾ ਜਾਵੇ। ਇਹ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦੇ—ਪਰ ਗਲਤੀ ਦੀਆਂ ਹੱਦਾਂ ਵੱਡੀਆਂ ਕਰ देते ਹਨ।
ਲੰਬੇ ਸਮੇਂ ਵਾਲੀਆਂ AGI ਟਾਇਮਲਾਈਨਾਂ—ਕੁਰਜ਼ਵੈਲ ਦੀਆਂ ਸਮੇਤ—ਜ਼ਿਆਦਾ ਤਰ ਇੱਕ ਇਕੱਲੇ “ਬ੍ਰੇਕਥਰੂ” ਤੇ ਨਹੀਂ ਨਿਰਭਰ ਕਰਦੀਆਂ, ਪਰ ਧਾਰਾਂ ਦੀ ਇੱਕ ਢੇਰੀ 'ਤੇ ਜੋ ਸਾਰਥਕ ਤੌਰ 'ਤੇ ਚੱਲਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਜੇਕਰ ਕੋਈ ਪਰਤ ਕਿਸੇ ਕਾਰਨ ਕਮਜ਼ੋਰ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਰੀਖ ਝੁਕ ਸਕਦੀ ਹੈ ਭਾਵੇਂ ਤਰੱਕੀ ਜਾਰੀ ਰਹੇ।
ਅਧਿਕਤਮ ਦਸ਼ਕ-ਆਧਾਰਿਤ ਅਨੁਮਾਨ ਇਹ ਮੰਨਦੇ ਹਨ ਕਿ ਤਿੰਨ ਕਰਵ ਇਕੱਠੇ ਚੜ੍ਹਦੇ ਰਹਿਣ:
ਇੱਕ ਗੁਪਤ ਧਾਰਣਾ: ਇਹ ਤਿੰਨ ਡਾਈਵਰਜ਼ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਇਕੇ-ਦੂਜੇ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈ ਸਕਦੇ। ਜੇ ਡੇਟਾ ਕੁਆਲਿਟੀ ਰੁਕੀ ਰਹਿ ਜਾਂਦੀ ਹੈ, “ਸਿਰਫ਼ ਫ਼ਲੌਪੁਜ਼ ਵਧਾਓ” ਘੱਟ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ।
ਭਵਿੱਖਬਾਣੀਆਂ ਅਕਸਰ ਕੰਪਿਊਟ ਨੂੰ ਇੱਕ ਸਮਤਲ ਕਰਵ ਵਜੋਂ ਲੈਂਦੀਆਂ ਹਨ, ਪਰ ਹਕੀਕਤ ਫੈਕਟਰੀਆਂ ਅਤੇ ਪਾਵਰ ਗ੍ਰਿਡਾਂ ਰਾਹੀਂ ਚਲਦੀ ਹੈ।
ਊਰਜਾ ਲਾਗਤ, ਚਿਪ ਮੈਨੂਫੈਕਚਰਿੰਗ ਸਮਰੱਥਾ, ਨਿਰਯਾਤ ਨਿਯੰਤਰਣ, ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ, ਨੈਟਵਰਕਿੰਗ ਗੀਅਰ ਅਤੇ ਸਪਲਾਈ-ਚੇਨ ਸਟ੍ਰਾਕਸ ਸਾਰਿਆਂ ਨੇ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਡਿਪਲੋਇਮੈਂਟ ਨੂੰ ਸੀਮਤ ਕਰ ਸਕਦਾ ਹੈ। ਭਾਵੇਂ ਥਿਊਰੀ ਕਹੇ "10× ਵੱਧ ਕੰਪਿਊਟ", ਰਸਤਾ ਔਖਾ ਅਤੇ ਮਹਿੰਗਾ ਹੋ ਸਕਦਾ ਹੈ।
ਦੇਸ਼ਕ-ਆਧਾਰਿਤ ਪੇਸ਼ਗੋਈ ਇਹ ਵੀ ਮੰਨਦੀਆਂ ਹਨ ਕਿ ਸਮਾਜ ਲਾਗੂ ਕਰਨ ਨੂੰ ਜ਼ਿਆਦਾ ਰੋਕ ਨਹੀਂ ਦਿੰਦਾ:
ਨਿਯਮ, ਜ਼ਿੰਮੇਵਾਰੀ, ਲੋਕ-ਭਰੋਸਾ, ਕਾਰਜ-ਸਥਾਨ ਦੀ ਏਕੀਕਰਨ ਅਤੇ ROI ਇਹ ਸਭ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ ਕਿ ਉੱਚ-ਸਤਰ ਦੇ ਸਿਸਟਮਾਂ ਨੂੰ ਕਿਸ ਤੇਜ਼ੀ ਨਾਲ ਟ੍ਰੇਨ ਅਤੇ ਵਿਆਪਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ—ਜਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਘੱਟ-ਪ੍ਰਯੋਗਾਤਮਕ ਹੱਦਾਂ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
ਸਭ ਤੋਂ ਵੱਡੀ ਧਾਰਣਾ ਇਹ ਹੈ ਕਿ ਸਕੇਲਿੰਗ ਤੋਂ ਮਿਲਣ ਵਾਲੇ ਯੋਗਤਾ ਸੁਧਾਰ (ਬਿਹਤਰ ਤਰਕਸ਼ੀਲਤਾ, ਯੋਜਨਾ, ਟੂਲ ਉਪਯੋਗ) ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ ਵੱਲ ਮਿਲਦੇ ਹਨ।
"ਵੱਧ ਕੰਪਿਊਟ" ਮਾਡਲਾਂ ਨੂੰ ਵੱਧ ਬਹਾਲ ਅਤੇ ਉਪਯੋਗੀ ਬਣਾ ਸਕਦਾ ਹੈ, ਪਰ ਆਪਣੇ ਆਪ ਵਿੱਚ ਉਹ ਜਨਰਲ ਨਹੀਂ ਬਣਾਉਂਦਾ—ਜਿਸਦਾ ਮਤਲਬ ਡੋਮੇਨ-ਅੰਤਰ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਸੁਚੇਤ ਯੋਜਨਾ, ਜਾਂ ਥੰਮ-ਦਿਸ਼ਾ ਵਾਲੀਆਂ ਲਕੜੀਆਂ ਹੋਣ ਦੀ ਦਿਕਤ ਵੀ ਹੋ ਸਕਦੀ ਹੈ। ਲੰਬੇ-ਟਾਈਮ ਲੇਖੀ ਅਕਸਰ ਮੰਨਦੇ ਹਨ ਕਿ ਇਹ ਗੈਪ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੱਸਿਆਵਾਂ ਹਨ—ਮੂਲ-ਬਾਧਾਂ ਨਹੀਂ।
ਭਾਵੇਂ ਕੰਪਿਊਟ ਵਿੱਚ ਵਾਧਾ ਜਾਰੀ ਰਹੇ, AGI ਫਿਰ ਵੀ ਪੇਸ਼ਗੀ ਤੋਂ ਬਾਅਦ ਆ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਕੁਝ ਬਾਟਲਨੇਕ "ਅਸੀਂ ਕੀ ਬਣਾ ਰਹੇ ਹਾਂ" ਅਤੇ "ਅਸੀਂ ਕਿਵੇਂ ਮਾਪਦੇ ਹਾਂ" ਨਾਲ ਜੁੜੇ ਹਨ।
“AGI” ਇੱਕ ਇਕੱਲੀ ਫੀਚਰ ਨਹੀਂ ਜਿਸਨੂੰ ਓਨ/ਆਫ ਕੀਤਾ ਜਾ ਸਕੇ। ਇੱਕ ਪ੍ਰਯੋਜਨਯੋਗ ਪਰਿਭਾਸ਼ਾ ਆਮ ਤੌਰ 'ਤੇ ਮੰਗਦੀ ਹੈ ਕਿ ਇੱਕ ਏਜੰਟ:
ਜੇ ਟਾਰਗੇਟ ਲਗਾਤਾਰ ਬਦਲਦਾ ਰਹੇ—ਚੈਟ-ਅਸਿਸਟੈਂਟ ਵਜੋਂ, ਸਵੈਚਾਲਕ ਵਰਕਰ ਵਜੋਂ, ਜਾਂ ਵਿਗਿਆਨ-ਪੱਧਰ ਰੀਜ਼ਨਰ ਵਜੋਂ—ਤਾਂ ਪ੍ਰਗਟੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲੱਗ ਸਕਦੀ ਹੈ ਪਰ ਅਹੰਕਾਰਕ ਯੋਗਤਾਵਾਂ ਲਈ ਘੱਟ ਹੋ ਸਕਦੀ ਹੈ।
ਬੈਂਚਮਾਰਕ ਗੇਮ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਓਵਰਫਿਟ ਹੋ ਸਕਦੇ ਹਨ ਜਾਂ ਪੁਰਾਣੇ ਹੋ ਸਕਦੇ ਹਨ। ਸਕੈਪਟਿਕਸ ਆਮ ਤੌਰ 'ਤੇ ਚਾਹੁੰਦੇ ਹਨ ਕਿ AI ਅਣਦੇਖੇ ਟਾਸਕ 'ਤੇ ਕਾਮਯਾਬ ਹੋਵੇ, ਨਵੇਂ ਸੀਮਾਵਾਂ ਵਿੱਚ, ਘੱਟ ਗਲਤੀ ਦਰ ਤੇ ਅਤੇ ਪੁਨਰਾਵਰਤੀ ਨਤੀਜੇ ਦੇ ਸਕੇ।
ਜੇ ਫੀਲਡ ਉਹਨਾਂ ਟੈਸਟਾਂ 'ਤੇ ਸਹਿਮਤ ਨਹੀਂ ਹੋ ਸਕਦੀ ਜੋ “ਉਤਕ੍ਰਿਸ਼ਟ ਪੈਟਰਨ ਮੁਕੰਮਲਤਾ” ਨੂੰ “ਜਨਰਲ ਕੰਪੀਟੈਂਸ” ਤੋਂ ਵੱਖ ਕਰਕੇ ਵੇਖਾਉਂਦੇ ਹਨ, ਤਾਂ ਟਾਇਮਲਾਈਨਾਂ ਅਨੁਮਾਨ-ਭਰਪੂਰ ਹੋ ਜਾਂਦੀਆਂ ਹਨ—ਅਤੇ ਸਾਵਧਾਨੀ ਡਿਪਲੋਇਮੈਂਟ ਨੂੰ ਰੋਕ ਸਕਦੀ ਹੈ।
ਯੋਗਤਾ ਜ਼ਿਆਦਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਸਕਦੀ ਹੈ ਪਰ ਨਿਯੰਤਰਣਤਾ ਨਹੀਂ। ਜੇ ਸਿਸਟਮ ਹੋਰ ਏਜੰਟਿਕ ਹੋ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਧੋਖਾਧੜੀ, ਲਕੜੀ-ਉਦੇਸ਼ਾਂ ਦਾ ਘਟਣਾ, ਅਤੇ ਨੁਕਸਾਨਦਾਇਕ ਪਾਸੇ ਪ੍ਰਭਾਵ ਰੋਕਣ ਲਈ ਬਾਰ ਵਧਦਾ ਹੈ।
ਨਿਯਮ, ਆਡਿਟ ਅਤੇ ਸੁਰੱਖਿਆ ਇੰਜੀਨੀਅਰਿੰਗ ਸਮੇਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ ਭਾਵੇਂ ਅਧਾਰਭੂਤ ਮਾਡਲ ਤੇਜ਼ ਬਣ ਰਹੇ ਹੋਣ। ਖਾਸ ਕਰਕੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਉਪਯੋਗਾਂ ਲਈ ਇਹ ਸਚ ਹੈ।
ਕਈ AGI ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਮੰਨਦੀਆਂ ਹਨ: ਚੀਜ਼ਾਂ ਹਿਲਾਉਣਾ, ਪ੍ਰਯੋਗ ਕਰਨਾ, ਟੂਲਾਂ ਚਲਾਉਣਾ, ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਫੀਡਬੈਕ 'ਤੇ ਅਨੁਕੂਲ ਹੋਣਾ।
ਜੇ ਅਸਲ-ਦੁਨੀਆ ਸਿੱਖਣਾ ਡੇਟਾ-ਭੁੱਖਾ, ਹੌਲੀ ਜਾਂ ਜੋਖਮ-ਭਰਿਆ ਸਾਬਤ ਹੁੰਦਾ ਹੈ, ਤਾਂ AGI “ਸਕ੍ਰੀਨ-ਬ੍ਰਿਲਿਏਂਟ” ਤੇ ਟਿਕਿਆ ਰਹਿ ਸਕਦਾ ਹੈ—ਜਦ ਕਿ ਪ੍ਰਯੋਗਾਤਮਕ ਜਨਰਲਟੀ ਨੂੰ ਰੋਬੋਟਿਕਸ, ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਟ੍ਰੇਨਿੰਗ ਤਰੀਕਿਆਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
ਕੁਰਜ਼ਵੈਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਇਸ ਲਈ ਹਨ ਕਿ ਉਹ ਸਪਸ਼ਟ ਅਤੇ ਗਣਿਤ-ਅਧਾਰਤ ਹਨ—ਪਰ ਇਹੀ ਸਪਸ਼ਟਤਾ ਤੇਜ ਆਲੋਚਨਾ ਨੂੰ ਖਿੱਚਦੀ ਹੈ।
ਆਮ ਵਿਰੋਧ ਇਹ ਹੈ ਕਿ კੁਰਜ਼ਵੈਲ ਇਤਿਹਾਸਕ ਕਰਵਾਂ (ਕੰਪਿਊਟ, ਸਟੋਰੇਜ, ਬੈਂਡਵਿਡ੍ਥ) ਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਤੌਰ ਤੇ ਲੰਬਾ ਖਿੱਚ ਕੇ ਦਿਖਾਉਂਦੇ ਹਨ। ਆਲੋਚਕ ਕਹਿੰਦੇ ਹਨ ਕਿ ਤਕਨਾਲੋਜੀ ਹਮੇਸ਼ਾਂ ਸੁਚੱਜੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਵਧਦੀ: ਚਿਪ ਪ੍ਰਗਟੀ ਧੀਮੀ ਹੋ ਸਕਦੀ ਹੈ, ਊਰਜਾ ਲਾਗਤ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਆਰਥਿਕ ਪ੍ਰੇਰਣਾ ਬਦਲ ਸਕਦੀ ਹੈ। ਭਾਵੇਂ ਲੰਬੇ ਸਮੇਂ ਦੀ ਦਿਸ਼ਾ ਉੱਚੀ ਰਹੇ, ਦਰ ਬਦਲ ਸਕਦੀ ਹੈ ਜਿਸ ਨਾਲ ਨਿਰਧਾਰਤ ਤਾਰੀਖਾਂ ਅਨਵਰਤ ਹੋ ਸਕਦੀਆਂ ਹਨ।
AGI ਸਿਰਫ਼ ਤੇਜ਼ ਹਾਰਡਵੇਅਰ ਮਾਮਲਾ ਨਹੀਂ। ਇਹ ਇਕ ਜਟਿਲ ਪ੍ਰਣਾਲੀ ਸਮੱਸਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਅਲੱਗੋਰੀਥਮ, ਡੇਟਾ, ਟ੍ਰੇਨਿੰਗ ਮੈਥਡ, ਮੁਲਾਂਕਣ, ਸੁਰੱਖਿਆ ਪਾਬੰਦੀਆਂ, ਅਤੇ ਮਨੁੱਖੀ ਅਪਨਾਉਣ ਸ਼ਾਮਿਲ ਹਨ। ਬ੍ਰੇਕਥਰੂ ਕਿਸੇ ਇਕ ਗੁੰਦੇ ਵਿਚਕਾਰ ਇਕ ਬੰਦ ਦਰਵਾਜ਼ਾ ਹੋ ਸਕਦਾ ਹੈ—ਇਹ ਕੁਝ ਐਸਾ ਹੈ ਜੋ ਤੁਸੀਂ ਨਿਯਤ ਤੌਰ 'ਤੇ “ਕੈਲੰਡਰ” ਵਿੱਚ ਨਹੀਂ ਰੱਖ ਸਕਦੇ। ਸਕੈਪਟਿਕ ਕਹਿੰਦੇ ਹਨ ਕਿ ਵਿਗਿਆਨ ਅਕਸਰ ਅਸਮਾਨੇ ਕਦਮਾਂ ਰਾਹੀਂ ਅੱਗੇ ਵਧਦਾ ਹੈ: ਲੰਬੇ ਚਪੇ followed by abrupt leaps.
ਹੋਰ ਇੱਕ ਆਲੋਚਨਾਤਮਕ ਨੁਕਤਾ ਮਨੋਵਿਗਿਆਨਕ ਹੈ: ਅਸੀਂ ਨਿਰਣਾ ਲੈਣ ਵਾਲੀਆਂ ਗੰਭੀਰ ਸਹੀ ਕਾਲਾਂ ਨੂ ਯਾਦ ਰੱਖਦੇ ਹਾਂ, ਪਰ ਚੁੱਪ-ਰਹੇ ਮਿਸ ਅਤੇ ਨਜ਼ਦੀਕੀ-ਮਿਸ ਨੂੰ ਘੱਟ ਯਾਦ ਰੱਖਦੇ ਹਾਂ। ਜੇ ਕੋਈ ਬਹੁਤ ਸਾਰੇ ਬੋਲਡ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਦਾ ਹੈ, ਤਾਂ ਕੁਝ ਯਾਦਗਾਰ ਸਹੀ ਕਾਲ ਪੁਬਲਿਕ ਧਾਰਣਾ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ। ਇਹ ਮੁਲਾਂਕਣ ਨੂੰ ਜ਼ਿਆਦਾ ਸੁਨਿਸ਼ਚਿਤ ਨਹੀਂ ਕਰਦਾ ਪਰ ਲੋਕੀ ਧਾਰਣਾ 'ਤੇ ਅਸਰ ਕਰਦਾ ਹੈ।
ਉਚਿਤ ਅਤੇ ਸਕੈਪਟਿਕ ਦੋਹਾਂ ਵਿਦਿਆਨ AGI ਦੇ ਤੇਜ਼ ਪ੍ਰਗਟੀ ਨੂੰ ਮੰਨ ਸਕਦੇ ਹਨ ਪਰ ਉਹ ਅਕਸਰ ਇਹ ਵਿੱਚ ਅਸਹਿਮਤ ਹੁੰਦੇ ਹਨ ਕਿ “AGI” ਕਿੰਨੀ ਲਕੜੀ-ਉਦੇਸ਼ ਅਤੇ ਜਿੰਨੀ ਸਖਤੀ ਨਾਲ ਕਾਰਜ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਛੋਟੀ ਪਰਿਭਾਸ਼ਾ ਦੇ ਫਰਕ (ਟਾਸਕ ਬਰੇਡਥ, ਆਟੋਨੋਮੀ, ਭਰੋਸੇਯੋਗਤਾ, ਅਸਲ-ਦੁਨੀਆ ਸਿੱਖਣ) ਟਾਇਮਲਾਈਨਾਂ ਵਿੱਚ ਦਸ਼ਕਾਂ ਤੱਕ ਦੇ ਫ਼ਰਕ ਲਿਆ ਸਕਦੇ ਹਨ—ਬਿਨਾਂ ਕਿਸੇ ਨੇ ਆਪਣੇ ਮੂਲ ਦਰਸ਼ਨ ਨੂੰ ਬਦਲਿਆ ਵੀ ਹੋਵੇ।
ਕੁਰਜ਼ਵੈਲ ਇੱਕ ਉੱਚ ਸੁਰ ਵਾਲਾ ਕਿਰਦਾਰ ਹੈ, ਪਰ AGI ਟਾਇਮਲਾਈਨ ਚਰਚਾ ਭਰਪੂਰ ਹੈ। ਇੱਕ ਉਪਯੋਗੀ ਨਕਸ਼ਾ ਇਹ ਹੈ: ਨਜਦੀਕੀ-ਟਾਈਮ ਕੈਂਪ (AGI ਸਾਲਾਂ ਤੋਂ ਕੁਝ ਦਹਾਕਿਆਂ ਦੇ ਅੰਦਰ) ਵਿਰੁੱਧ ਲੰਬੇ-ਟਾਈਮ ਕੈਂਪ (ਕਈ ਦਹਾਕੇ ਜਾਂ “ਇਸ ਸਦੀ ਨਹੀਂ”)। ਦੋਹਾਂ ਵੱਖ-ਵੱਖ ਰੁਝਾਨ ਨੂੰ ਦੇਖਦੇ ਹਨ ਪਰ ਜੋ ਗੁੰਝਲਦਾਰ ਗੁੱਟ ਰਹਿ ਗਿਆ ਹੈ ਉਹ ਹਨ: ਨਜਦੀਕੀ-ਸ਼ੁਭਚਿੰਤਕ ਤੇਜ਼ ਸਕੇਲਿੰਗ ਅਤੇ ਉਭਰਦੀ ਯੋਗਤਾਵਾਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦੇ ਹਨ; ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਲੋੜੀਂਦੇ ਮੁੱਦੇ ਜਿਵੇਂ ਭਰੋਸੇਯੋਗ ਤਰਕ, ਆਟੋਨੋਮੀ, ਅਤੇ ਅਸਲ-ਦੁਨੀਆ ਰੋਬਸਟਨੈੱਸ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ।
Expert surveys: ਖੋਜਕਰਤਿਆਂ ਅਤੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਦੀਆਂ ਰਾਏ ਇਕੱਠਾ ਕਰਦੀ ਹੈ (ਉਦਾਹਰਣ ਲਈ, poll ਜਿਸ ਵਿਚ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ਕਿ “50% ਚਾਂਸ੨ ਕਿ ਮਨੁੱਖੀ-ਸਤਰ AI ਕਦੋਂ” ਆਏਗੀ)। ਇਹ ਟਾਈਮ-ਰੁਝਾਨ ਵਿੱਚ ਬਦਲਾਅ ਦਿਖਾਉਂਦੇ ਹਨ ਪਰ ਇਹ ਵੀ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਲੋਕਾਂ ਨੂੰ survey ਕੀਤਾ ਗਿਆ।
Scenario planning: ਇੱਕ ਹੀ ਤਾਰੀਖ ਚੁਣਨ ਦੀ ਥਾਂ, ਇਹ ਕਈ ਸੰਭਾਵੀ ਭਵਿੱਖਾਂ ਦੀ ਰੇਖਾ ਬਣਾਉਂਦਾ ਹੈ (ਤੇਜ਼ ਪ੍ਰਗਟੀ, ਹੌਲੀ ਪ੍ਰਗਟੀ, ਨਿਯਮਕ ਰੁਕਾਵਟਾਂ, ਹਾਰਡਵੇਅਰ ਸੀਮਾਵਾਂ) ਅਤੇ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਸੰਕੇਤ ਹਰ ਰਾਹ ਨੂੰ ਦਰਸਾਉਂਦੇ।
Benchmark- ਅਤੇ capability-based forecasting: ਵਿਅਕਤੀਗਤ ਮਾਇਲਸਟੋਨ (ਕੋਡਿੰਗ ਟਾਸਕ, ਵਿਗਿਆਨਕ ਤਰਕ, ਏਜੰਟ ਭਰੋਸੇਯੋਗਤਾ) ਨੂੰ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਵਿਆਪਕ ਯੋਗਤਾ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਕਿਹੜੀ ਦਰ ਦੀ ਸੁਧਾਰ ਲੋੜੀਦੀ ਹੈ।
“AGI” ਦਾ ਮਤਲਬ ਵਿਆਪਕ ਤੇਜ਼-ਸੰਸਥਿਤ ਟੈਸਟ ਸੂਟ ਪਾਸ ਕਰਨਾ, ਜ਼ਿਆਦਾਤਰ ਨੌਕਰੀਆਂ ਕਰਨਾ, ਸਵੈਚਾਲਕ ਏਜੰਟ ਵਜੋਂ ਕੰਮ ਕਰਨਾ ਜਾਂ ਘੱਟ-ਨਿਗਰਾਨੀ ਨਾਲ ਮਨੁੱਖਾਂ ਵਰਗਾ ਹੋਣਾ ਹੋ ਸਕਦਾ ਹੈ। ਥੋੜ੍ਹੀ ਕਠੋਰ ਪਰਿਭਾਸ਼ਾ ਆਮ ਤੌਰ 'ਤੇ ਟਾਇਮਲਾਈਨ ਨੂੰ ਪਿੱਛੇ ਧੱਕਦੀ ਹੈ, ਅਤੇ ਇਹ ਅਸਹਿਮਤੀ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ ਜੋ ਫੈਲਾਵ ਵਿੱਚ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।
ਚਾਹੇ ਉਤਸ਼ਾਹੀ ਅਤੇ ਸਕੈਪਟਿਕ ਮਾਹਿਰ ਹੋਣ, ਉਨ੍ਹਾਂ ਨੇ ਇੱਕ گل 'ਤੇ ਅਕਸਰ ਸਹਿਮਤ ਹਨ: ਟਾਇਮਲਾਈਨਾਂ ਬਹੁਤ ਅਨਿਸ਼ਚਿਤ ਹਨ, ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਰੇਂਜਾਂ ਅਤੇ ਧਾਰਣਾਵਾਂ ਦੇ ਨਾਲ ਤreated ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ—ਸਿੱਧੀਆਂ ਕੈਲੇਂਡਰ-ਕਮਿਟਮੈਂਟਾਂ ਵਜੋਂ ਨਹੀਂ।
AGI ਬਾਰੇ ਭਵਿੱਖਬਾਣੀਆਂ ਅਕਸਰ ਧੁੰਦਲੀਆਂ ਲੱਗਦੀਆਂ ਹਨ, ਇਸ ਲਈ ਉਹਨਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਠੋਸ ਸੰਕੇਤਾਂ 'ਤੇ ਧਿਆਨ ਦੇਣਾ ਸਹਾਇਕ ਹੁੰਦਾ ਹੈ। ਜੇ ਕੁਰਜ਼ਵੈਲ-ਸ਼ੈਲੀ ਟਾਇਮਲਾਈਨ ਦਿਸ਼ਾ-ਰੂਪ ਵਿੱਚ ਸਹੀ ਹਨ, ਆਉਂਦੇ ਦਹਾਕੇ ਵਿੱਚ ਯੋਗਤਾ, ਭਰੋਸੇਯੋਗਤਾ, ਅਰਥਸ਼ਾਸਤਰ ਅਤੇ ਸ਼ਾਸਨ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਸੁਧਾਰ ਦੇ ਨਿਸ਼ਾਨੇ ਮਿਲਣੇ ਚਾਹੀਦੇ ਹਨ।
ਉਹ ਮਾਡਲ ਦੇਖੋ ਜੋ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਕਈ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਕਰਦੇ ਹਨ, ਯੋਜਨਾਂ ਫਿਰ ਸਫਲ ਨਾ ਹੋਣ 'ਤੇ ਅਨੁਕੂਲ ਹੋ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਟੂਲ ਵਰਤਦੇ ਹਨ (ਕੋਡ, ਬ੍ਰਾੁਜ਼ਰ, ਡੇਟਾ ਐਪ) ਬਿਨਾਂ ਲਗਾਤਾਰ ਮਨੁੱਖੀ ਮਦਦ ਦੇ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕੇਤ flashy ਡੈਮੋ ਨਹੀਂ—ਇਹ ਸਪੱਸ਼ਟ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਸਵੈਚਾਲਿਤਤਾ ਹੈ: ਏਜੰਟ ਜੋ ਘੰਟਿਆਂ ਲੰਮੇ ਟਾਸਕ ਪੂਰੇ ਕਰ ਸਕਦੇ ਹਨ, ਸਪਸ਼ਟੀਕਰਨ ਪ੍ਰਸ਼ਨ ਪੁੱਛਦੇ ਹਨ, ਅਤੇ ਅਣਿਸ਼ਚਿਤ ਹੋਣ 'ਤੇ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਸੌਂਪ ਦਿੰਦੇ ਹਨ।
ਪ੍ਰਗਟੀ ਇਸ ਤਰ੍ਹਾਂ ਦਿਸੇਗੀ ਕਿ ਅਸਲੀ ਵਰਕਫਲੋ ਵਿੱਚ ਗਲਤੀ ਦਰ ਘੱਟ ਹੋ ਰਹੀ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਬੈਂਚਮਾਰਕ ਸਕੋਰ ਵੱਧ ਰਹੇ ਹਨ। ਵੇਖੋ ਕਿ ਕੀ “hallucinations” ਘਟਦੇ ਹਨ ਜਦੋਂ ਸਿਸਟਮਾਂ ਨੂੰ ਸਰੋਤ ਦਰਸਾਉਣ, ਚੈੱਕ ਚਲਾਉਣ, ਜਾਂ ਸਵੈ-ਪ੍ਰਮਾਣਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਮੁੱਖ ਮਾਇਲਸਟੋਨ: ਆਡਿਟ ਹਾਲਤਾਂ ਹੇਠਾਂ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ—ਉਹੀ ਟਾਸਕ, ਕਈ ਦੌੜਾਂ, ਲਗਾਤਾਰ ਨਤੀਜੇ।
ਨਿਰਧਾਰਿਤ ਰੋਲਾਂ (ਸਪੋਰਟ, ਵਿਸ਼ਲੇਸ਼ਣ, ਸੋਫਟਵੇਅਰ, ਓਪਰੇਸ਼ਨ) ਵਿੱਚ ਟਿਕਾਊ ਉਤਪਾਦਕਤਾ ਲਾਭ ਅਤੇ AI ਦੇ ਇੰਟੇਗਰੇਸ਼ਨ ਦੇ ਨਾਲ ਬਣ ਰਹੇ ਨਵੇਂ ਨੌਕਰੀ ਵਰਗੀ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਨੋਟਿਸ ਲੋ। ਲਾਗਤ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਜੇ ਉੱਚ-ਮਿਆਰੀ ਨਤੀਜਾ ਹਰੇਕ ਟਾਸਕ ਜਾਂ ਘੰਟੇ ਦੇ ਮੁਕਾਬਲੇ ਸਸਤਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਸੁਵਿਕਾਰ ਤੇਜ਼ੀ ਨਾਲ ਤੇਜ਼ ਹੋਵੇਗਾ—ਖਾਸ ਕਰਕੇ ਛੋਟੀ ਟੀਮਾਂ ਲਈ।
ਜੇ ਯੋਗਤਾ ਵਧਦੀ ਹੈ, ਤਾਂ ਸ਼ਾਸਨ ਨੀਤੀਆਂ siddhant ਤੋਂ ਅਮਲ ਵੱਲ ਵਧਣੀ ਚਾਹੀਦੀ ਹੈ: ਮਿਆਰ, ਤੀਜੀ-ਪੱਖ ਆਡਿਟ, ਘਟਨਾ ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਨਿਯਮ ਜੋ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਾਫ਼ ਕਰਦੇ ਹਨ। ਨਾਲ ਹੀ ਕੰਪਿਊਟ ਮਾਨੀਟਰੀਂਗ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਨਿਯਮਾਂ ਨੂੰ ਦੇਖੋ—ਇਹ ਸੰਕੇਤ ਹਨ ਕਿ ਸਰਕਾਰਾਂ ਅਤੇ ਉਦਯੋਗ ਵੱਧ ਰਹੀ ਸਕੇਲਿੰਗ ਨੂੰ ਟਰੈਕ ਕਰਨ ਯੋਗ ਅਤੇ ਨਿਯੰਤਰਿਤ ਲੈ ਰਹੇ ਹਨ।
ਜੇ ਤੁਸੀਂ ਇਹ ਸੰਕੇਤ ਬਿਨਾਂ ਹੜਤਾਲੀ ਸਿਰਲੇਖਾਂ 'ਤੇ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ blog/ai-progress-indicators ਨੂੰ ਵੇਖੋ।
AGI ਟਾਇਮਲਾਈਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਲੰਬੇ ਸਮੇਂ ਦੀਆਂ ਮੌਸਮ-ਪੇਸ਼ਗੋਈਆਂ ਵਜੋਂ ਵਰਤੋ: ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਲਾਭਦਾਇਕ, ਤੇ ਗਾਰੰਟੀ ਲਈ ਭਰੋਸੇਯੋਗ ਨਹੀਂ। ਕੁਰਜ਼ਵੈਲ-ਸ਼ੈਲੀ ਦੀਆਂ ਪੇਸ਼ਗੋਈਆਂ ਤੁਹਾਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੇ ਰੁਝਾਨਾਂ ਨੂੰ ਨੋਟਿਸ ਕਰਨ ਅਤੇ ਫੈਸਲਿਆਂ ਨੂੰ ਟੈਸਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਤੁਹਾਡੇ ਰਣਨੀਤੀ ਦਾ ਇਕੱਲਾ ਆਧਾਰ ਨਹੀਂ ਬਣਾਉ।
ਪੇਸ਼ਗੋਈਆਂ ਨੂੰ ਵਰਤੋ ਤਾਂਕਿ ਤੁਸੀਂ ਰੇਂਜਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਜਾਂਚ ਕਰੋ, ਨਾ ਕਿ ਇੱਕੋ ਸਾਲ। ਜੇ ਕੋਈ ਕਹਿੰਦਾ ਹੈ “203X ਤੱਕ AGI,” ਇਸ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਤਬਦੀਲ ਕਰੋ: “ਉਸਦੇ ਸੱਚ ਹੋਣ ਦੇ ਲਈ ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ—ਅਤੇ ਜੇ ਉਹ ਨਹੀਂ ਹੋਈਆਂ ਤਾਂ ਕੀ?” ਫਿਰ ਕਈ ਨਤੀਜਿਆਂ ਲਈ ਯੋਜਨਾ ਬਣਾਓ।
ਵਿਅਕਤੀਆਂ ਲਈ: ਤਕਦੀਰੀ ਹੁਨਰਾਂ ਬਣਾਓ (ਸਮੱਸਿਆ ਫਰੇਮਿੰਗ, ਖੇਤਰ ਗਿਆਨ, ਸੰਚਾਰ) ਅਤੇ ਨੈੱਤਿਕ ਤੌਰ 'ਤੇ ਨਵੇਂ ਟੂਲ ਸਿੱਖਦੇ ਰਹੋ।
ਕੰਪਨੀਆਂ ਲਈ: AI ਲਿਟਰੇਸੀ, ਡੇਟਾ ਗੁਣਵੱਤਾ, ਅਤੇ ਪਰਿਭਾਸ਼ਿਤ ROI ਵਾਲੇ ਪਾਇਲਟ ਪ੍ਰਾਜੈਕਟਾਂ 'ਚ ਨਿਵੇਸ਼ ਕਰੋ—ਜਦੋਂ AGI ਦੇ ਆਉਣ ਦਾ ਸਮਾਂ ਦੁੱਧ ਹੋਵੇ ਤਾਂ ਵੀ ਇੱਕ “no regrets” ਯੋਜਨਾ ਰੱਖੋ ਜੋ ਦੇਰ ਹੋਣ ਦੇ ਹਾਲਾਤ 'ਚ ਵੀ ਕੰਮ ਕਰੇ।
ਇੱਕ ਪਰਯੋਗਿਕ ਤਰੀਕਾ “ਸਿਗਨਲਾਂ ਨੂੰ ਵੇਖੋ ਅਤੇ ਦੌਰ-ਚੱਕਰ ਘੱਟ ਕਰੋ” ਨੂੰ ਓਪਰੇਸ਼ਨਲ ਬਣਾਉਣਾ ਹੈ: ਪ੍ਰੋਟੋਟਾਈਪ ਵਰਕਫਲੋਜ਼, ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਟੈਸਟ ਅਤੇ ਉਤਪਾਦਕਤਾ ਲਾਭਾਂ ਨੂੰ ਮਿਆਰੀਕਰਨ ਕਰੋ ਪਹਿਲਾਂ ਕਿ ਵੱਡੀਆਂ ਬੇਟਾਂ ਲਗਾਈਆਂ ਜਾਣ। Koder.ai ਵਰਗੇ ਪਲੇਟਫਾਰਮ ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਫਿੱਟ ਕਰਦੇ ਹਨ—ਜੋ ਟੀਮਾਂ ਨੂੰ ਇੱਕ ਚੈਟ ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਵੈਬ, ਬੈਕਐਂਡ, ਅਤੇ ਮੋਬਾਈਲ ਐਪ ਬਣਾਉਣ ਦਿੰਦੇ ਹਨ (planning mode, snapshots, rollback ਨਾਲ), ਤਾਂ ਜੋ ਤੁਸੀਂ ਏਜੰਟ-ਸਹਾਇਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅਜ਼ਮਾਈਆਂ, ਸੋਰਸ ਕੋਡ ਨਿਰਯਾਤ ਕਰ ਸਕੋ ਜਦ ਲੋੜ ਹੋਵੇ, ਅਤੇ ਆਪਣੀ ਰਣਨੀਤੀ ਨੂੰ ਇੱਕ ਇਕੱਲੀ ਪੇਸ਼ਗੋਈ 'ਤੇ ਲੌਕ ਨਾ ਕਰੋ।
ਸੰਤੁਲਿਤ ਨਤੀਜਾ: ਟਾਇਮਲਾਈਨ ਤਿਆਰੀ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਗਾਰੰਟੀ ਨਹੀਂ। ਉਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰਾਇਕਟਿਕ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਅਹੰਕਾਰ ਨਾਲ ਤਰਜੀਹ ਦੇਣ ਅਤੇ ਨਵੇਂ ਸਬੂਤ ਆਉਣ 'ਤੇ ਆਪਣੀਆਂ ਧਾਰਣਾਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਦੇਖਣ ਲਈ ਵਰਤੋ।
ਕੁਰਜ਼ਵੈਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਇਸ ਲਈ ਮੱਤਵਪੂਰਨ ਹਨ ਕਿਉਂਕਿ ਉਹ ਕਾਫੀ ਵਿਸ਼ੇਸ਼ ਹੁੰਦੀਆਂ ਹਨ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਪੜਤਾਲ ਕੀਤੀ ਜਾ ਸਕੇ ਅਤੇ ਇਹ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਦਰਸਾਈ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ AGI ਟਾਇਮਲਾਈਨ ਬਾਰੇ ਗੱਲ-ਬਾਤ ਬਨੀ ਰਹਿੰਦੀ ਹੈ।
ਵਿਵਹਾਰਕ ਤੌਰ 'ਤੇ, ਇਹ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀਆਂ ਹਨ:
ਜਦੋਂਕਿ ਤਰੀਖਾਂ ਗਲਤ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਉਹ ਜੋ ਮਾਇਲਸਟੋਨ ਅਤੇ ਧਾਰਣਾਵਾਂ ਉੱਠਾਉਂਦੇ ਹਨ ਉਹ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੀਆਂ ਹਨ।
AGI ਇਸ ਸੰਦਰਭ ਵਿਚ ਉਹ AI ਹੈ ਜੋ ਲਗਭਗ ਮਨੁੱਖੀ ਪੱਧਰ 'ਤੇ ਵਿਆਪਕ ਕਾਰਜ ਸਿੱਖ ਅਤੇ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਬਿਨਾਂ ਨਿਰਧਾਰਤ ਕਰਨ ਦੇ ਅਨੁਕੂਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇ।
ਲੇਖ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਪ੍ਰਭਾਵੀ ਚੈੱਕਲਿਸਟ ਸ਼ਾਮਿਲ ਹੈ:
ਕੁਰਜ਼ਵੈਲ ਦੀ ਸਭ ਤੋਂ ਵਿਚਰਚਿਤ ਜਨਤਕ ਰਾਏ ਮਨੁੱਖੀ-ਸਤਰ AGI ਲਈ ਦੇਰ 2020s ਤੋਂ 2030s ਦੇ ਆਸ-ਪਾਸ ਰਹਿੰਦੀ ਹੈ, ਜਿਸਨੂੰ ਉਹ ਇੱਕ ਸੰਭਾਵੀ ਵਿੰਡੋ ਵਜੋਂ ਦੇਖਦੇ ਹਨ ਨਾ ਕਿ ਇੱਕ ਗਾਰੰਟੀਡ ਸਾਲ।
ਇਸਨੂੰ ਕਾਰਗਰ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਇੱਕ ਦ੍ਰਿਸ਼ ਵਜੋਂ ਸਮਝੋ: ਕੀ ਲੋੜੀਂਦੇ ਰੁਝਾਨ (ਕੰਪਿਊਟ ਕਿਸ਼ਤ, ਅਲੱਗੋਰੀਥਮ, ਡਿਪਲੋਇਮੈਂਟ) ਉਸ ਰਾਹ ਵਿੱਚ ਚੱਲਦੇ ਹਨ ਜਾਂ ਨਹੀਂ।
ਉਹ ਇਹ ਦਲੀਲ ਕਰਦੇ ਹਨ ਕਿ ਜਦੋਂ ਕਿਸੇ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਉਹ ਅੱਗੇ ਦੇ ਸੁਧਾਰਾਂ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ—ਇੱਕ ਘਣਾਤਮਿਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਦਾ ਹੈ।
ਅਮਲੀ ਤੌਰ 'ਤੇ ਉਹ ਨੋਟ ਕਰਦੇ ਹਨ:
ਮੁੱਖ ਦਾਅਵਾ ਇਹ ਨਹੀਂ ਕਿ “ਇੱਕ ਕਾਨੂੰਨ ਸਭ ਕੁਝ ਸਮਝਾਉਂਦਾ ਹੈ,” ਬਲਕਿ ਇਹ ਕਿ ਘਣਾ ਹੋਣਾ ਹੁਣੇ-ਹੁਣੇ ਵੱਡੀ ਤੇਜ਼ੀ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।
ਕੰਪਿਊਟ ਮਹੱਤਵਪੂਰਨ ਇਨਪੁੱਟ ਹੈ, ਪਰ ਲੇਖ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ ਹਾਰਡਵੇਅਰ ਪ੍ਰਗਟੀ = ਯੋਗਤਾ ਪ੍ਰਗਟੀ ਨਹੀਂ।
ਵੱਧ ਕੰਪਿਊਟ ਤਦ ਹੀ ਲਾਭਕਾਰੀ ਹੈ ਜਦੋਂ ਇਹਨਾਂ ਨਾਲ ਮਿਲ ਕੇ:
ਇੱਕ ਚੰਗੀ ਸੋਚ ਇਹ ਹੈ: ਹਾਰਡਵੇਅਰ ਬਜਟ ਹੈ; ਯੋਗਤਾ ਨਤੀਜਾ ਹੈ—ਉਨ੍ਹਾਂ ਦੇ ਵਿਚਕਾਰ ਦਾ ਨਕਸ਼ਾ ਬਦਲ ਸਕਦਾ ਹੈ।
ਸ਼ੁੱਧ-ਮੌਲਿਕ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਵਾਲੇ ਕਰਵ:
ਮੁੱਖ ਸੀਮਾਵਾਂ:
ਲੇਖ ਵਿਚ ਦਰਸਾਏ ਮੁੱਖ ਧਾਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹਨ:
ਜੇ ਕੋਈ ਪਰਤ ਕਮਜ਼ੋਰ ਹੋਵੇ, ਤਾਂ ਤਰੀਖ ਪਿੱਛੇ ਹੋ ਸਕਦੀ ਹੈ, ਭਾਵੇਂ ਪ੍ਰਗਟੀ ਜਾਰੀ ਰਹੇ।
ਕਈ ਰੋਕ-ਟੋਕ ਹਨ ਜੋ AGI ਨੂੰ ਵਿਚਕਾਰ ਲੈਟ ਕਰ ਸਕਦੇ ਹਨ, ਭਾਵੇਂ ਰੁਝਾਨ ਚੱਲ ਰਹੇ ਹੋਣ:
ਇਹ ਸਮੱਸਿਆਵਾਂ ਮਾਡਲਾਂ ਦੇ ਕਾਗਜ਼ 'ਤੇ ਚਮਕਣ ਦੇ ਬਾਵਜੂਦ ਅਸਲ AGI ਨੂੰ ਦੂਰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ।
ਲੇਖ ਵਿਚ ਚਾਰ ਅਹਮ ਆਲੋਚਨਾਤਮਕ ਨੁਕਤੇ ਹਨ:
ਵਿਵਹਾਰਕ ਨਤੀਜਾ: ਸਖਤ ਤਰੀਖਾਂ ਨੂੰ ਇੱਕ ਉੱਚ-ਅਨਿਸ਼ਚਿਤਤਾ ਵਾਲੇ ਨਤੀਜੇ ਵਜੋਂ ਲਓ, ਗਾਰੰਟੀ ਵਜੋਂ ਨਹੀਂ।
ਅਗਲੇ 5–10 ਸਾਲਾਂ ਵਿੱਚ ਦਿਖਣ ਵਾਲੇ ਸੰਕੇਤ ਜੋ ਮਹੱਤਵਪੂਰਕ ਹੋਣਗੇ:
ਇਹ ਸੰਕੇਤ ਤੁਹਾਨੂੰ ਚਮਕਦਾਰ ਡੈਮੋਜ਼ ਦੇ ਬਿਨਾਂ ਵੀ ਭਰੋਸੇਯੋਗ ਅੱਪਡੇਟ ਦੇਣਗੇ।