<p>ಕೇಂದ್ರ ಸರ್ಕಾರದ ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಒಂದಾದ ಐಐಟಿ ದೆಹಲಿ, ಜರ್ಮನಿಯ ಜೆನಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಹಯೋಗದೊಂದಿಗೆ ಒಂದು ಪ್ರಮುಖ ಸಂಶೋಧನೆಯನ್ನು ನಡೆಸಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ವಿಜ್ಞಾನದ ನಡುವಿನ ಸಂಬಂಧದ ಬಗ್ಗೆ ಬೆಳಕು ಚೆಲ್ಲಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವಿಜ್ಞಾನಕ್ಷೇತ್ರಕ್ಕೆ ಪ್ರವೇಶಿಸಲು ಸಜ್ಜಾಗಿದೆಯೇ, ನಿಜವಾಗಿಯೂ ವಿಜ್ಞಾನಿಯಂತೆ ಯೋಚಿಸಬಲ್ಲದೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದಾರೆ.</p>.<p>ತಂತ್ರಜ್ಞಾನದ ಪ್ರಗತಿಯಿಂದಾಗಿ, ಇಂದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವೈಜ್ಞಾನಿಕ ಪ್ರಪಂಚವನ್ನು ವೇಗವಾಗಿ ಬದಲಾಯಿಸುತ್ತಿದೆ. ಇದು ಹೊಸ ಆವಿಷ್ಕಾರಗಳಿಗೆ ನಾಂದಿ ಹಾಡಲಿದೆ ಎಂದು ಹೇಳಲಾಗುತ್ತಿದೆ. ಇದಕ್ಕೆ ಪೂರಕವಾಗಿ, ಎಐ ತಂತ್ರಜ್ಞಾನಗಳು ವಿಜ್ಞಾನಿಗಳಿಗೆ ಲಕ್ಷಾಂತರ ಸಂಶೋಧನ ಪ್ರಬಂಧಗಳನ್ನು ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಪ್ರಯೋಗಗಳನ್ನು ರೂಪಿಸಲು, ಕ್ಲಿಷ್ಟಕರವಾದ ಅಂಕಿ-ಅಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು, ಮತ್ತು ಪ್ರಯೋಗಾಲಯಗಳ ಸಿದ್ಧತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಕವಾಗಿವೆ. ಆದರೆ ಈ ಕ್ರಾಂತಿಯು ಸಂಪೂರ್ಣವಾಗಿ ಯಶಸ್ವಿಯಾಗಬೇಕೆಂದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನಿಜವಾದ ವಿಜ್ಞಾನಿಯಂತೆ ಯೋಚಿಸಬೇಕು. ಅಂದರೆ, ಅದು ಕೇವಲ ಅಂಕಿ-ಅಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮಾತ್ರವಲ್ಲದೆ, ದೃಶ್ಯಮಾಹಿತಿಗಳು, ಅಳತೆ-ಪ್ರಮಾಣಗಳನ್ನು, ಮತ್ತು ಸೈದ್ಧಾಂತಿಕ ಚೌಕಟ್ಟುಗಳನ್ನು ಸಮಗ್ರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರಬೇಕು.</p>.<p>ಅದರ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅಳೆಯಲು ವಿಜ್ಞಾನಿಗಳು ‘ಮ್ಯಾಕ್ಬೆಂಚ್’ (MaCBench) ಎಂಬ ಹೊಸ ಮಾನದಂಡವನ್ನು ಸಿದ್ಧಪಡಿಸಿದ್ದಾರೆ. ‘ಮಲ್ಟಿಮೋಡಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಸ್’ ಎಂಬ ಸುಧಾರಿತ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾದರಿಗಳನ್ನು ರಸಾಯನಶಾಸ್ತ್ರ ಮತ್ತು ವಸ್ತುವಿಜ್ಞಾನದ ಸಂದರ್ಭದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲು ಈ ಮಾನದಂಡವನ್ನು ಬಳಸಲಾಗಿದೆ. ಈ ಸಂಶೋಧನೆಯಲ್ಲಿ ಗಮನಕ್ಕೆ ಬಂದ ಮುಖ್ಯ ಅಂಶವೆಂದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೆಲವು ಮೂಲಭೂತ ಕಾರ್ಯಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೂ, ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ತಾರ್ಕಿಕತೆಗೆ ಬಂದಾಗ ಹಿನ್ನಡೆ ಅನುಭವಿಸುತ್ತದೆ.</p>.<p>ಸಂಶೋಧಕರು, ನೈಜ ವೈಜ್ಞಾನಿಕ ಕೆಲಸದ ಹಂತಗಳನ್ನು ಅನುಕರಿಸುವ ರೀತಿಯಲ್ಲಿ ಈ ‘ಮ್ಯಾಕ್ಬೆಂಚ್’ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದಾರೆ. ಈ ಮಾನದಂಡವು ಮೂರು ಮುಖ್ಯ ವಿಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ವೈಜ್ಞಾನಿಕ ಬರಹಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವುದು, ಪ್ರಯೋಗಾಲಯದ ಕೆಲಸಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ಮತ್ತು ಪ್ರಯೋಗಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪರೀಕ್ಷೆಗಳ ಸಮಯದಲ್ಲಿ ಅದರ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿತು. ಉದಾಹರಣೆಗೆ, ಪ್ರಯೋಗಾಲಯದ ಉಪಕರಣಗಳನ್ನು ಗುರುತಿಸುವುದು, ಸರಳ ಮಾಹಿತಿಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಕೈಯಿಂದ ರಚಿಸಿದ ಅಣುಗಳ ಚಿತ್ರಗಳಿಗೆ ಅವುಗಳ ಸರಳೀಕೃತ ಪಠ್ಯರೂಪಗಳನ್ನು (SMILES ಸ್ಟ್ರಿಂಗ್ಸ್) ಹೊಂದಿಸುವುದು – ಈ ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಅದು ಬಹುತೇಕ ಸಂಪೂರ್ಣ ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಿದೆ.</p>.<p>ಆದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕ್ಲಿಷ್ಟಕರ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಿದಾಗ ಅದರ ಸಾಮರ್ಥ್ಯ ಕುಸಿಯಿತು. ಜಾಗರೂಕ ವಿಶ್ಲೇಷಣೆ(spatial reasoning)ಯಲ್ಲಿ ಅದು ತೊಂದರೆಗಳನ್ನು ಎದುರಿಸಿತು. ಉದಾಹರಣೆಗೆ, ಅಣುವಿನ ವಿವಿಧ ಭಾಗಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ವಿವರಿಸುವುದು ಅಥವಾ ಒಂದು ವಸ್ತುವಿನ ಆಂತರಿಕ ರಚನೆಯನ್ನು ಗುರುತಿಸುವುದು ಅದರ ಮಿತಿಯನ್ನು ಮೀರಿತು. ಅಲ್ಲದೇ, ಎನ್. ಎಂ. ಆರ್. ಸ್ಪೆಕ್ಟ್ರೋಸ್ಕೋಪಿ (NMR spectroscopy) ಅಥವಾ ಅಣು ಭಾರಮಾಪನ (mass spectrometry) ದಂತಹ ಜಟಿಲ ಪ್ರಯೋಗಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಎಐ ಬಹಳ ಕಷ್ಟಪಟ್ಟಿದೆ. ಇದು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಅನುದ್ದಿಷ್ಟ (random) ಊಹೆಗಳಿಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು.</p>.<p>ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಎದ್ದುಕಾಣುವ ಮತ್ತೊಂದು ಅಂಶವೆಂದರೆ, ಬಹು ಹಂತದ ತಾರ್ಕಿಕ ಚಿಂತನೆ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆ ತೀರಾ ಕಳಪೆಯಾಗಿತ್ತು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಎಕ್ಸ್-ರೇ ಡಿಫ್ರಾಕ್ಷನ್ ಮಾದರಿಯಲ್ಲಿರುವ ಕೆಲವು ನಿರ್ದಿಷ್ಟ ಸ್ಥಳಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲದಾಗಿದ್ದರೂ, ಅವುಗಳನ್ನು ಕ್ರಮವಾಗಿ ಜೋಡಿಸುವಲ್ಲಿ ವಿಫಲವಾಯಿತು. ಈ ಸಂಶೋಧನೆಯಿಂದ ಒಂದು ಪ್ರಮುಖ ವಿಷಯ ಹೊರಬಂದಿದೆ: ಇಂದಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳು ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ತಿಳಿವಳಿಕೆಯನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳುವುದಕ್ಕಿಂತ, ತಮ್ಮ ತರಬೇತಿಯ ದತ್ತಾಂಶದಲ್ಲಿರುವ ನಮೂನೆಗಳನ್ನು (patterns) ಗುರುತಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿವೆ. ಎಂದರೆ, ಅದು ಕಲಿತ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಉತ್ತರಗಳನ್ನು ನೀಡುತ್ತದೆಯೆ ವಿನಾ ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸುವುದಿಲ್ಲ.</p>.<p>ಈ ಅಧ್ಯಯನವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಫಲವಾಗಿರುವುದನ್ನು ತೋರಿಸುವುದರ ಬದಲಿಗೆ, ಅದು ಎಲ್ಲಿ ಸುಧಾರಣೆಗೊಳ್ಳಬೇಕು ಎಂಬುದನ್ನು ತಿಳಿಸುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಗುರುತಿಸಲಾದ ಮಿತಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ, ಭವಿಷ್ಯದಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಬುದ್ಧಿವಂತ ಎಐ -ಆಧಾರಿತ ವೈಜ್ಞಾನಿಕ ಸಹಾಯಕಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಒಂದು ಮಾರ್ಗಸೂಚಿ ಲಭ್ಯವಾಗಿದೆ. ಈ ಹೊಸ ಎಐ ಮಾದರಿಗಳು ಕೇವಲ ಹೆಚ್ಚಿನ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸುವ ಬದಲು, ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ತಾರ್ಕಿಕತೆ ಮತ್ತು ವಿವಿಧ ಬಗೆಯ ಮಾಹಿತಿಯನ್ನು ಒಗ್ಗೂಡಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಬೇಕು ಎಂದು ಈ ಅಧ್ಯಯನ ತಿಳಿಸುತ್ತದೆ.</p>.<p>ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೇವಲ ಒಂದು ಸಂಕೀರ್ಣವಾದ ತಂತ್ರಜ್ಞಾನವಾಗಿ ಉಳಿಯದೆ, ನಿಜವಾದ ಜ್ಞಾನಯುತ ಸಹಭಾಗಿತ್ವದ ಸಾಧನವಾಗಿ ಬದಲಾಗುವ ನಿಟ್ಟಿನಲ್ಲಿ ಇದು ಒಂದು ಪ್ರಮುಖ ಹೆಜ್ಜೆಯಾಗಿದೆ. ಈ ಸಂಶೋಧನೆಯು ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನದ ಭವಿಷ್ಯದ ಬಗ್ಗೆ ಭರವಸೆಯನ್ನು ಮೂಡಿಸಿದ್ದು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎಲ್ಲ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಮತ್ತು ಸಂಶೋಧಕರಿಗೆ ಒಂದು ಅಮೂಲ್ಯ ಸಾಧನವಾಗಲಿದೆ.</p>.<div><p><strong>ಪ್ರಜಾವಾಣಿ ಆ್ಯಪ್ ಇಲ್ಲಿದೆ: <a href="https://play.google.com/store/apps/details?id=com.tpml.pv">ಆಂಡ್ರಾಯ್ಡ್ </a>| <a href="https://apps.apple.com/in/app/prajavani-kannada-news-app/id1535764933">ಐಒಎಸ್</a> | <a href="https://whatsapp.com/channel/0029Va94OfB1dAw2Z4q5mK40">ವಾಟ್ಸ್ಆ್ಯಪ್</a>, <a href="https://www.twitter.com/prajavani">ಎಕ್ಸ್</a>, <a href="https://www.fb.com/prajavani.net">ಫೇಸ್ಬುಕ್</a> ಮತ್ತು <a href="https://www.instagram.com/prajavani">ಇನ್ಸ್ಟಾಗ್ರಾಂ</a>ನಲ್ಲಿ ಪ್ರಜಾವಾಣಿ ಫಾಲೋ ಮಾಡಿ.</strong></p></div>
<p>ಕೇಂದ್ರ ಸರ್ಕಾರದ ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಒಂದಾದ ಐಐಟಿ ದೆಹಲಿ, ಜರ್ಮನಿಯ ಜೆನಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಹಯೋಗದೊಂದಿಗೆ ಒಂದು ಪ್ರಮುಖ ಸಂಶೋಧನೆಯನ್ನು ನಡೆಸಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ವಿಜ್ಞಾನದ ನಡುವಿನ ಸಂಬಂಧದ ಬಗ್ಗೆ ಬೆಳಕು ಚೆಲ್ಲಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವಿಜ್ಞಾನಕ್ಷೇತ್ರಕ್ಕೆ ಪ್ರವೇಶಿಸಲು ಸಜ್ಜಾಗಿದೆಯೇ, ನಿಜವಾಗಿಯೂ ವಿಜ್ಞಾನಿಯಂತೆ ಯೋಚಿಸಬಲ್ಲದೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದಾರೆ.</p>.<p>ತಂತ್ರಜ್ಞಾನದ ಪ್ರಗತಿಯಿಂದಾಗಿ, ಇಂದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವೈಜ್ಞಾನಿಕ ಪ್ರಪಂಚವನ್ನು ವೇಗವಾಗಿ ಬದಲಾಯಿಸುತ್ತಿದೆ. ಇದು ಹೊಸ ಆವಿಷ್ಕಾರಗಳಿಗೆ ನಾಂದಿ ಹಾಡಲಿದೆ ಎಂದು ಹೇಳಲಾಗುತ್ತಿದೆ. ಇದಕ್ಕೆ ಪೂರಕವಾಗಿ, ಎಐ ತಂತ್ರಜ್ಞಾನಗಳು ವಿಜ್ಞಾನಿಗಳಿಗೆ ಲಕ್ಷಾಂತರ ಸಂಶೋಧನ ಪ್ರಬಂಧಗಳನ್ನು ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಪ್ರಯೋಗಗಳನ್ನು ರೂಪಿಸಲು, ಕ್ಲಿಷ್ಟಕರವಾದ ಅಂಕಿ-ಅಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು, ಮತ್ತು ಪ್ರಯೋಗಾಲಯಗಳ ಸಿದ್ಧತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಕವಾಗಿವೆ. ಆದರೆ ಈ ಕ್ರಾಂತಿಯು ಸಂಪೂರ್ಣವಾಗಿ ಯಶಸ್ವಿಯಾಗಬೇಕೆಂದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನಿಜವಾದ ವಿಜ್ಞಾನಿಯಂತೆ ಯೋಚಿಸಬೇಕು. ಅಂದರೆ, ಅದು ಕೇವಲ ಅಂಕಿ-ಅಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮಾತ್ರವಲ್ಲದೆ, ದೃಶ್ಯಮಾಹಿತಿಗಳು, ಅಳತೆ-ಪ್ರಮಾಣಗಳನ್ನು, ಮತ್ತು ಸೈದ್ಧಾಂತಿಕ ಚೌಕಟ್ಟುಗಳನ್ನು ಸಮಗ್ರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರಬೇಕು.</p>.<p>ಅದರ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅಳೆಯಲು ವಿಜ್ಞಾನಿಗಳು ‘ಮ್ಯಾಕ್ಬೆಂಚ್’ (MaCBench) ಎಂಬ ಹೊಸ ಮಾನದಂಡವನ್ನು ಸಿದ್ಧಪಡಿಸಿದ್ದಾರೆ. ‘ಮಲ್ಟಿಮೋಡಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಸ್’ ಎಂಬ ಸುಧಾರಿತ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾದರಿಗಳನ್ನು ರಸಾಯನಶಾಸ್ತ್ರ ಮತ್ತು ವಸ್ತುವಿಜ್ಞಾನದ ಸಂದರ್ಭದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲು ಈ ಮಾನದಂಡವನ್ನು ಬಳಸಲಾಗಿದೆ. ಈ ಸಂಶೋಧನೆಯಲ್ಲಿ ಗಮನಕ್ಕೆ ಬಂದ ಮುಖ್ಯ ಅಂಶವೆಂದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೆಲವು ಮೂಲಭೂತ ಕಾರ್ಯಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೂ, ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ತಾರ್ಕಿಕತೆಗೆ ಬಂದಾಗ ಹಿನ್ನಡೆ ಅನುಭವಿಸುತ್ತದೆ.</p>.<p>ಸಂಶೋಧಕರು, ನೈಜ ವೈಜ್ಞಾನಿಕ ಕೆಲಸದ ಹಂತಗಳನ್ನು ಅನುಕರಿಸುವ ರೀತಿಯಲ್ಲಿ ಈ ‘ಮ್ಯಾಕ್ಬೆಂಚ್’ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದಾರೆ. ಈ ಮಾನದಂಡವು ಮೂರು ಮುಖ್ಯ ವಿಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ವೈಜ್ಞಾನಿಕ ಬರಹಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವುದು, ಪ್ರಯೋಗಾಲಯದ ಕೆಲಸಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, ಮತ್ತು ಪ್ರಯೋಗಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪರೀಕ್ಷೆಗಳ ಸಮಯದಲ್ಲಿ ಅದರ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿತು. ಉದಾಹರಣೆಗೆ, ಪ್ರಯೋಗಾಲಯದ ಉಪಕರಣಗಳನ್ನು ಗುರುತಿಸುವುದು, ಸರಳ ಮಾಹಿತಿಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಕೈಯಿಂದ ರಚಿಸಿದ ಅಣುಗಳ ಚಿತ್ರಗಳಿಗೆ ಅವುಗಳ ಸರಳೀಕೃತ ಪಠ್ಯರೂಪಗಳನ್ನು (SMILES ಸ್ಟ್ರಿಂಗ್ಸ್) ಹೊಂದಿಸುವುದು – ಈ ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಅದು ಬಹುತೇಕ ಸಂಪೂರ್ಣ ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಿದೆ.</p>.<p>ಆದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕ್ಲಿಷ್ಟಕರ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಿದಾಗ ಅದರ ಸಾಮರ್ಥ್ಯ ಕುಸಿಯಿತು. ಜಾಗರೂಕ ವಿಶ್ಲೇಷಣೆ(spatial reasoning)ಯಲ್ಲಿ ಅದು ತೊಂದರೆಗಳನ್ನು ಎದುರಿಸಿತು. ಉದಾಹರಣೆಗೆ, ಅಣುವಿನ ವಿವಿಧ ಭಾಗಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ವಿವರಿಸುವುದು ಅಥವಾ ಒಂದು ವಸ್ತುವಿನ ಆಂತರಿಕ ರಚನೆಯನ್ನು ಗುರುತಿಸುವುದು ಅದರ ಮಿತಿಯನ್ನು ಮೀರಿತು. ಅಲ್ಲದೇ, ಎನ್. ಎಂ. ಆರ್. ಸ್ಪೆಕ್ಟ್ರೋಸ್ಕೋಪಿ (NMR spectroscopy) ಅಥವಾ ಅಣು ಭಾರಮಾಪನ (mass spectrometry) ದಂತಹ ಜಟಿಲ ಪ್ರಯೋಗಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಎಐ ಬಹಳ ಕಷ್ಟಪಟ್ಟಿದೆ. ಇದು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಅನುದ್ದಿಷ್ಟ (random) ಊಹೆಗಳಿಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು.</p>.<p>ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಎದ್ದುಕಾಣುವ ಮತ್ತೊಂದು ಅಂಶವೆಂದರೆ, ಬಹು ಹಂತದ ತಾರ್ಕಿಕ ಚಿಂತನೆ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಅದರ ಕಾರ್ಯಕ್ಷಮತೆ ತೀರಾ ಕಳಪೆಯಾಗಿತ್ತು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಎಕ್ಸ್-ರೇ ಡಿಫ್ರಾಕ್ಷನ್ ಮಾದರಿಯಲ್ಲಿರುವ ಕೆಲವು ನಿರ್ದಿಷ್ಟ ಸ್ಥಳಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲದಾಗಿದ್ದರೂ, ಅವುಗಳನ್ನು ಕ್ರಮವಾಗಿ ಜೋಡಿಸುವಲ್ಲಿ ವಿಫಲವಾಯಿತು. ಈ ಸಂಶೋಧನೆಯಿಂದ ಒಂದು ಪ್ರಮುಖ ವಿಷಯ ಹೊರಬಂದಿದೆ: ಇಂದಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳು ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ತಿಳಿವಳಿಕೆಯನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳುವುದಕ್ಕಿಂತ, ತಮ್ಮ ತರಬೇತಿಯ ದತ್ತಾಂಶದಲ್ಲಿರುವ ನಮೂನೆಗಳನ್ನು (patterns) ಗುರುತಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿವೆ. ಎಂದರೆ, ಅದು ಕಲಿತ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ ಉತ್ತರಗಳನ್ನು ನೀಡುತ್ತದೆಯೆ ವಿನಾ ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸುವುದಿಲ್ಲ.</p>.<p>ಈ ಅಧ್ಯಯನವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಫಲವಾಗಿರುವುದನ್ನು ತೋರಿಸುವುದರ ಬದಲಿಗೆ, ಅದು ಎಲ್ಲಿ ಸುಧಾರಣೆಗೊಳ್ಳಬೇಕು ಎಂಬುದನ್ನು ತಿಳಿಸುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಗುರುತಿಸಲಾದ ಮಿತಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ, ಭವಿಷ್ಯದಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಬುದ್ಧಿವಂತ ಎಐ -ಆಧಾರಿತ ವೈಜ್ಞಾನಿಕ ಸಹಾಯಕಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಒಂದು ಮಾರ್ಗಸೂಚಿ ಲಭ್ಯವಾಗಿದೆ. ಈ ಹೊಸ ಎಐ ಮಾದರಿಗಳು ಕೇವಲ ಹೆಚ್ಚಿನ ದತ್ತಾಂಶವನ್ನು ಆಧರಿಸುವ ಬದಲು, ನಿಜವಾದ ವೈಜ್ಞಾನಿಕ ತಾರ್ಕಿಕತೆ ಮತ್ತು ವಿವಿಧ ಬಗೆಯ ಮಾಹಿತಿಯನ್ನು ಒಗ್ಗೂಡಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳಬೇಕು ಎಂದು ಈ ಅಧ್ಯಯನ ತಿಳಿಸುತ್ತದೆ.</p>.<p>ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೇವಲ ಒಂದು ಸಂಕೀರ್ಣವಾದ ತಂತ್ರಜ್ಞಾನವಾಗಿ ಉಳಿಯದೆ, ನಿಜವಾದ ಜ್ಞಾನಯುತ ಸಹಭಾಗಿತ್ವದ ಸಾಧನವಾಗಿ ಬದಲಾಗುವ ನಿಟ್ಟಿನಲ್ಲಿ ಇದು ಒಂದು ಪ್ರಮುಖ ಹೆಜ್ಜೆಯಾಗಿದೆ. ಈ ಸಂಶೋಧನೆಯು ವಿಜ್ಞಾನ ಮತ್ತು ತಂತ್ರಜ್ಞಾನದ ಭವಿಷ್ಯದ ಬಗ್ಗೆ ಭರವಸೆಯನ್ನು ಮೂಡಿಸಿದ್ದು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎಲ್ಲ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಮತ್ತು ಸಂಶೋಧಕರಿಗೆ ಒಂದು ಅಮೂಲ್ಯ ಸಾಧನವಾಗಲಿದೆ.</p>.<div><p><strong>ಪ್ರಜಾವಾಣಿ ಆ್ಯಪ್ ಇಲ್ಲಿದೆ: <a href="https://play.google.com/store/apps/details?id=com.tpml.pv">ಆಂಡ್ರಾಯ್ಡ್ </a>| <a href="https://apps.apple.com/in/app/prajavani-kannada-news-app/id1535764933">ಐಒಎಸ್</a> | <a href="https://whatsapp.com/channel/0029Va94OfB1dAw2Z4q5mK40">ವಾಟ್ಸ್ಆ್ಯಪ್</a>, <a href="https://www.twitter.com/prajavani">ಎಕ್ಸ್</a>, <a href="https://www.fb.com/prajavani.net">ಫೇಸ್ಬುಕ್</a> ಮತ್ತು <a href="https://www.instagram.com/prajavani">ಇನ್ಸ್ಟಾಗ್ರಾಂ</a>ನಲ್ಲಿ ಪ್ರಜಾವಾಣಿ ಫಾಲೋ ಮಾಡಿ.</strong></p></div>