कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंग तंत्रांवर अवलंबून राहताना, माहितीची कमतरता अथवा चुकीची माहिती हे सर्वात मोठे आव्हान असणार आहे.
कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटिलिजन्स) हा नागरी आणि लष्करी या दोन्ही संदर्भातील तंत्रज्ञानात एक परवलीचा शब्द बनला आहे. विलक्षण आश्वासने, भन्नाट अनुमान आणि कल्पनारम्यता या सगळ्या गोष्टींमधील स्वारस्यात आमूलाग्र वाढ होत आहे. त्यामुळे आजवर असाध्य वाटणाऱ्या गोष्टी प्रत्यक्षात साध्य करण्याचा प्रयत्न केला जात आहे.
कृत्रिम बुद्धिमत्ता तंत्रज्ञानाबाबत असे औत्सुक्य असतानाही, या तंत्रज्ञानाला अनेक अडथळ्यांना पार करणे गरजेचे आहे. हे तंत्रज्ञान महाग आहे, हे तंत्रज्ञान माहितीच्या विषबाधेला आणि अपायकारक योजनेला संवेदनक्षम आहे. याचाच अर्थ असा की, या तंत्रज्ञानावर प्रतिकूल हल्ला होऊन, वाईट उद्देशाने माहितीत फेरफार करण्याचे प्रयत्न केले जाऊ शकतात.
सामान्य मानवाला हे तंत्रज्ञान उमजणे कठीण आहे आणि केवळ विशिष्ट समस्यांसाठी म्हणून हे तंत्रज्ञान तयार केले आहे. कितीही पैसे ओतले तरीही ही आव्हाने मिटलेली नाहीत, तरीही कंपन्या आणि सरकारे शक्य तिथे घाईघाईने कृत्रिम बुद्धिमत्ता विकसित करण्याचा आणि अवलंब करण्याचा प्रयत्न करत आहेत. कृत्रिम बुद्धिमत्ता व्यवस्था उपयोजित करण्याची योजना कोण आखत आहे अथवा त्यासंबंधीचे नियोजन कोण करत आहे, हे तपासून कृत्रिम बुद्धिमत्तेच्या ‘शर्यतीत’ कोण ‘पुढे’ आहे, हे ठरविण्याची अहमअहमिका निर्माण होते. पण तंत्रज्ञान म्हणून कृत्रिम बुद्धिमत्तेला अनेक समस्यांचा सामना करावा लागत असल्याने, तंत्रज्ञानाच्या रूपात ते वापरताना कृत्रिम बुद्धिमत्तेच्या गुणवत्तेच्या सुस्पष्टतेचा अंदाज येत नाही. ते केवळ उपयोजकाच्या संस्कृतीचे आणि जगाबद्दलच्या दृष्टिकोनाचे छायाचित्र बनून राहते. त्याऐवजी, कृत्रिम बुद्धिमत्ता शर्यतीचे परिमाण मोजताना कृत्रिम बुद्धिमत्तेचे उपयोजन न पाहता, भविष्यात निर्माण करता येईल, अशा मूलगामी वैज्ञानिक क्षमतेचा विस्तृत दृष्टिकोन बाळगायला हवा.
कृत्रिम बुद्धिमत्ता ही एक भविष्यकालीन कल्पनारम्यता तसेच आधुनिक जीवनाचा सर्वव्यापी पैलू आहे. कृत्रिम बुद्धिमत्ता ही एक विस्तृत संज्ञा आहे, जिच्यात मानवी बुद्धिमत्तेची नक्कल करणाऱ्या कोणत्याही गोष्टीचा व्यापक समावेश होतो. बुद्धिबळ खेळण्याचा प्रोग्राम, ई-मेल स्पॅम फिल्टर्स, रूमबास- ज्यातील सेन्सर्सचा संच घराच्या फरशीचे क्षेत्र नेव्हिगेट करण्यास आणि स्वच्छ करण्यास सक्षम करतो, अशा विशिष्ट समस्येवर लक्ष केंद्रित करणाऱ्या कृत्रिम बुद्धिमत्तांचा आपल्या दैनंदिन जगण्यात आधीपासूनच समावेश आहे.
यात अगदी लहानशा प्रमाणातील कृत्रिम बुद्धिमत्तेपासून विज्ञान कल्पित सर्वसामान्य कृत्रिम बुद्धिमत्तांपर्यंतच्या विषयाचा समावेश होतो. (ब्लेड रनर मधील रेचेल, स्टार वॉर्समधील आर-टु, डी-टु आणि २००१: अ स्पेस ओडिसी मधील हॅल ९०००). आपण कृत्रिम बुद्धिमत्तेचा वापर सध्या अतिशय मर्यादित प्रमाणात जरी करत असलो आणि त्यात सतत सुधारणा होत असली तरीही, निर्णय घेण्याचा वेळ कमी करून, वारंवारितेची कामे स्वयंचलित करून, भल्यामोठ्या प्रमाणातील माहितीचे वर्गीकरण करून आणि मानवी वर्तनाच्या सर्वोत्तम शक्यतांचा वापर करीत होणारे काम जगावर महत्त्वपूर्ण परिणाम करू शकते.
सर्वसामान्य कृत्रिम बुद्धिमत्तेचे स्वप्न अनेक दिवसांपासून लांबणीवर पडले आहे आणि अशक्य नसले तरीही मायावी राहण्याची शक्यता आहे आणि बहुतांश प्रगती ही केवळ मर्यादित वापरातील कृत्रिम बुद्धिमत्तेत उरते.
१९५० च्या दशकातील संशोधकांनी विचार करणाऱ्या यंत्रांची (थिंकिंग मशीन्स) संकल्पना आखत होतो आणि व्हिडिओ गेम्समध्ये संगणक प्रतिस्पर्धी यासारख्या ‘सुलभ’ दैनंदिन उपक्रमामध्ये त्यातील प्राथमिक आवृत्ती विकसित करण्यात आल्या. त्यामागोमाग मशीन लर्निंग त्वरेने रुजू झाले, मात्र २१व्या शतकाच्या सुरूवातीच्या काळात नवनिर्मिती होऊन मशीन लर्निंग ही कृत्रिम बुद्धिमत्ता प्रोग्राम विकसित करण्याची सर्वसामान्य पद्धत बनली, इतक्या प्रमाणात की, मशीन लर्निंग हा आता कृत्रिम बुद्धिमत्तेचा जवळपास समानार्थी शब्दच बनला आहे.
मशीन लर्निंग अल्गोरिदम तयार करते, मोठ्या प्रमाणात माहिती वापरून आणि पूर्वानुभवाचा वापर करून सद्य आणि भविष्यकालीन कृतींसाठी संगणकाला मार्गदर्शन करण्याची मुभा देते. हे पर्यवेक्षी शिक्षणाद्वारे करता येऊ शकते, जिथे मनुष्य संगणक शिकविण्यासाठी योग्य उत्तरे देतो; अपर्यवेक्षी शिक्षणात, मशीनला स्वतःचे नमुने शोधण्यासाठी लेबल नसलेली माहिती पुरवली जाते; आणि ठोस शिक्षणात, चुका करीत संबंधित प्रोग्राममधील समस्यांचे निराकरण करण्याचा प्रयत्न करतो आणि त्या निर्णयाच्या आधारे पुरस्कृत केले जाते अथवा चुकीकरता दंड होतो.
मशीन लर्निंगने मागील दशकात कृत्रिम बुद्धिमत्तेमध्ये अनेक बाबतीत आश्चर्यजनक प्रगती घडवून आणली- उदाहरणार्थ चेहऱ्याची ओळख पटवणे आणि स्वयंचलित गाडीत झालेल्या महत्त्वाच्या सुधारणा. मशीन लर्निंगने गहन शिक्षणपद्धतीस जन्म दिला आहे- मेंदूसारखी माहितीवर प्रक्रिया करणारी प्रणाली तयार करण्यासाठी जीवशास्त्रातील पाठांचा उपयोग करण्याचा प्रयत्न करणारी एक पद्धत जन्मली आहे. हे कृत्रिम मज्जासंस्थेच्या जाळ्याने बनलेले आहे, ज्यात माहितीचे भाग ‘कृत्रिम मज्जासंस्थे’द्वारे तपासले जातात, हे जाळे स्वतंत्रपणे विशिष्ट प्रश्न हाताळते (उदा. चित्रातील एखादी वस्तू लाल आहे अथवा नाही?) आणि त्या संबंधीचे मूल्यांकन किती विश्वासार्ह आहे याचे वर्णन करते. हे जाळे अंतिम मूल्यांकनासाठी या उत्तरांचे संकलन करते. मात्र, मशीन लर्निंगमध्ये नवनिर्मिती होऊन कृत्रिम बुद्धिमत्तेने कितीही प्रगती केली आणि त्याचे अमर्याद सैद्धांतिक उपयोजन केल्यानंतरही कृत्रिम बुद्धिमत्ता अपारदर्शक, नाजूक आणि विकसित होण्यास कठीण आहे.
कृत्रिम बुद्धिमत्ता व्यवस्था ज्या पद्धतीने विकसित होत आहे, ते पाहता चाचणी न केलेल्या वातावरणात ही व्यवस्था सुरळीत काम करू शकेल का, अशी तिच्या क्षमतेविषयी साशंकता निर्माण होते. उदाहरणार्थ- मोठ्या प्रमाणात संगणकाला माहिती पुरविण्याची आवश्यकता असते, ही व्यवस्था परिपूर्ण असण्याची आवश्यकता असते आणि त्याच्या निर्मात्यांच्या पूर्वकल्पित कल्पनांचे परिणाम होऊ शकतात. सर्वप्रथम, विशेषत: मशीन लर्निंग तंत्रांवर अवलंबून असताना, माहितीची कमतरता अथवा चुकीची माहिती हे सर्वात मोठे आव्हान आहे.
संगणकाला पक्षी ओळखायला शिकवण्यासाठी, त्याला पक्ष्यांच्या विशिष्ट वैशिष्ट्यांच्या ‘अध्ययनाकरता’ हजारो चित्रे द्यायला हवी. यामुळे नैसर्गिकरित्या थोड्या उदाहरणे उपलब्ध असलेल्या क्षेत्रात हे तंत्रज्ञान वापरण्यावर मर्यादा येते. या व्यतिरिक्त, जर माहितीचा अगदी लहान हिस्साही चुकीचा असेल (अगदी ३ टक्के इतका कमी), तर व्यवस्था चुकीची धारणा विकसित करू शकेल अथवा व्यवस्थेच्या कार्यक्षमतेत तीव्र घट होईल. अंतिमत:, व्यवस्था गृहितकांची आणि वर्णद्वेष, लैंगिकतावादी, उच्चवर्णीय अशा आणखी काही- अस्तित्वात असलेल्या माहितीच्या पूर्वग्रहांची पुनर्निर्मिती करू शकते, ज्यात मूळातच पूर्वग्रह असतात. उदाहरणार्थ- व्यक्तिगत माहितीचा संग्रह (रेझ्युमे अर्काइव्हज्) अथवा पोलिस नोंदी. प्रोग्रामर्सकडून नकळत त्यांच्या आकलनविषयक पक्षपातीपणाने, रचना करत असलेल्या मशीन लर्निंगच्या अल्गोरिदमचे कोड बनवले जाऊ शकतात.
खोलवर रुतून बसलेल्या निर्णय घेण्याच्या समस्यांकडे बघण्याची ही प्रवृत्ती, विकासानंतरच स्पष्ट होईल, ज्यांना कृत्रिम बुद्धिमत्तेवर अधिक अवलंबून राहायचे आहे, त्यांच्यासमोर प्रामुख्याने- राष्ट्रीय सुरक्षेच्या मुद्द्यांबाबत काही प्रश्न उभे ठाकतील. चाचणी न झालेल्या मशीन्सकडे महत्त्वाची कामे सोपविण्यात असलेल्या अंतर्भूत धोक्यामुळे, कृत्रिम बुद्धिमत्ता प्रोग्राम्स वापरण्याच्या योजनेकडे त्यांच्या स्वत:च्या गुणवत्तेच्या प्रतिबिंब पडले आहे, अशा दृष्टिकोनातून पाहिले जाऊ नये, तर संस्थेची संस्कृती, जोखीम स्वीकारण्याची क्षमता आणि ध्येय म्हणून पाहायला हवे.
काही प्रमाणात अनिश्चितता राहील, ही स्वीकारार्हतादेखील मानवी निरीक्षकांसह कृत्रिम बुद्धिमत्ता एकात्मिक करण्यातील अडचणी वाढवते. एक पर्याय म्हणजे, ह्यूमन-इन-दि-लूप (एचआयटीएल) एक प्रारूप म्हणून परिभाषित करण्यात आली आहे, या परिभाषित करण्यात आलेल्या प्रारूपात मानवी निरीक्षक संपूर्ण निर्णय प्रक्रियेमध्ये समाविष्ट असतात. आणखी एक ह्यूमन-ऑन-दि-लूप व्यवस्था असते, जिथे कृत्रिम बुद्धिमत्ता केवळ किरकोळ मानवी निरीक्षणासह जवळपास स्वायत्त राहाते. दुसऱ्या शब्दांत सांगायचे तर, मशीनची अधिक उत्तम संभाव्य निर्णयक्षमता मानवाला प्रदान करायची का, ते संस्थांनी निश्चित करायला हवे. मानवी पर्यवेक्षण हा पर्याय मनांना स्पष्ट जाणवणाऱ्या आपत्तींना प्रतिबंधित करतो. स्वाभाविकच, निवड भागधारकांवर अवलंबून असेल: सैन्यदले क्षेपणास्त्रविरोधी संरक्षण यंत्रणेऐवजी मशीनला मानवी मार्गदर्शनाशिवायचे सुट्टीचे वेळापत्रक नियंत्रित करण्याची परवानगी देण्यास अनुकूलता दर्शवतील.
पुन्हा एकदा, निर्णयाच्या नैतिक तत्त्वांच्या पालनाबद्दल जी साशंकता व्यक्त केली जाते, त्याबाबत म्हणायचे झाल्यास, संस्था जशा प्रकारे कृत्रिम बुद्धिमत्तेला निर्णयप्रक्रियेत समाविष्ट करते, ते आपल्याला बरेच काही सांगून जाते. ह्युमन-इन-द-लूप सिस्टीममधून असे संकेत मिळतात की, एखाद्या संस्थेला बहुतांश मान्य असलेल्या प्रणालीची कार्यक्षमता सुधारायला आवडते. ह्युमन- इन- द- लूप सिस्टीममधून जोखमीसंदर्भातील सहनशीलतेचा संकेत मिळतो, मात्र या क्षेत्रातील कलामर्यादा पार करण्यासाठी अथवा पुढे जाण्यासाठी अधिक प्रयत्न करण्याची इच्छाही दर्शवते.
संशोधन आणि विकास निधी हा आधुनिक जगातील वैज्ञानिक प्रगतीचा एक महत्त्वाचा घटक आहे आणि कृत्रिम बुद्धिमत्तेमध्ये प्रगतीच्या तक्त्याचे मोजमाप बव्हंशी यांवर अवलंबून असते. ही जोडणी अनेकदा वरपांगी वेगळी आणि प्रत्यक्षात वेगळी अशी आहे, मात्र; वैज्ञानिक प्रक्रिया बहुतेकदा पुढे न जाता ठप्प होते, गृहितके उद्ध्वस्त होतात आणि ही प्रक्रिया कोणतेही व्यापक महत्त्व नसलेल्या विशिष्ट संशोधनविषयक प्रश्नांनी खच्चून भरलेली असते.
हा शेवटचा मुद्दा कृत्रिम बुद्धिमत्तेसाठी म्हणून खास महत्त्वाचा आहे, याचे कारण वैशिष्ट्यपूर्ण कृत्रिम बुद्धिमत्तेच्या उपयोजनाच्या तयार केलेल्या स्वरूपामुळे, प्रत्येक समस्या सोडविण्यासाठी भिन्न रचना आवश्यक असते. कृत्रिम बुद्धिमत्ता दिशा निर्देशित करते, उदाहरणार्थ, कार चालवणे पूर्णपणे व्यर्थ आहे. विशेषत: आव्हानात्मक प्रश्नांसाठी- (उदाहरणार्थ- आण्विक रणनीतीचे नियोजन), विकास ही परिणामांचे कोणतेही आश्वासन न देणारी, मुक्त वचनबद्ध आर्थिक बांधिलकी असते.
म्हणूनच प्रगती साध्य करण्यासाठी म्हणून एखाद्या प्रकल्पावर खर्च केलेली रक्कम लक्षात घेत यशाचे अचूक मूल्यांकन करणे अवघड ठरते. कदाचित पुढे ठप्प होतील अशा प्रकल्पांवर, चुकीच्या गृहितकांवर पैसे खर्च करणे किंवा प्रगती साधली जात आहे असे भासवत इतरांना मूर्ख बनवणे अयोग्य आहे. त्याऐवजी आपण पैशाकडे- खर्च करणाऱ्याच्या मूल्यांचे प्रतिबिंब म्हणून पाहायला हवे. प्रकल्प खर्च हा कृत्रिम बुद्धिमत्तेचा विकास वृद्धिंगत होत असल्याचे प्रभावी मापक नाही. मात्र, संशोधनाचा प्रश्न किती महत्त्वाचा आहे, हे लक्षात घ्यायला हवे.
परंतु, ते महत्त्व विश्लेषणाला महत्त्व प्रदान करते, कृत्रिम बुद्धिमत्ता शर्यतीचे मोजमाप करण्याच्या अक्षमतेकडे दुर्लक्ष करून: निर्णयप्रक्रिया वापरणाऱ्यांचे प्राधान्यक्रम, संस्कृती, जोखीम स्वीकारण्याची वृत्ती आणि दृष्टी याविषयी सांगते. गंमत अशी की, कृत्रिम बुद्धिमत्ता ज्या पद्धतीने वापरली जाते, त्यातून तंत्रज्ञान क्षमता अथवा परिपक्वता यापेक्षा हे तंत्रज्ञान वापरणाऱ्या गटाच्या राजकीय, आर्थिक आणि सामाजिक स्वरूपाबद्दल बरेच काही स्पष्ट होते. अशा प्रकारे, उपयोजन योजना इतरांना उपयुक्त माहिती देतात. विशेषत: सरकारी योजनांचे निरीक्षण करताना हे वैध ठरते. योजनांच्या परिक्षणामुळे अंतर्दृष्टी येते. उदाहरणार्थ- स्वत:च्या माहिती-तंत्रज्ञान अर्थव्यवस्थेत जिथे त्यांना कमकुवतपणा दिसतो, तिथे चिनी कृत्रिम बुद्धिमत्ताविषयीचा दस्तावेज वापरला जातो. बँका त्यांच्या ग्राहकांच्या सोयीसाठी चॅटबोट्सच्या वापराला जास्त महत्त्व देतात अथवा कृत्रिम बुद्धिमत्तेच्या विकासासाठी युरोपीय दस्तावेज कृत्रिम बुद्धिमत्ता शैली आणि गुणधर्म अशा दोन्ही प्रकारे विकसित करण्याचा प्रयत्न करतात. हे लक्षात घेतले, तर कृत्रिम बुद्धिमत्तेचा प्रत्यक्ष वापर करण्याच्या योजनेचे परीक्षण केल्यानंतर त्याचे वास्तव मूल्य कळते.
कृत्रिम बुद्धिमत्तेतील प्रगतीच्या मोजमापाचे अनेक उत्तम मार्ग आहेत. तंत्रज्ञान वेगाने बदलत असताना, वैज्ञानिक क्षमतेची पारंपारिक मापके कृत्रिम बुद्धिमत्तेच्या मापनासाठी अजिबात उपयोगी ठरत नाहीत आणि त्यात फेरफार करणे कठीण असते, त्यामुळे कृत्रिम बुद्धिमत्ताविषयीच्या प्रकल्पांच्या हाती आलेल्या परिणामांचे मोजमाप करताना, पारंपरिक मापके अधिक प्रभावी ठरतात. लोकसंख्येच्या प्रमाणात वैज्ञानिकांची संख्या, प्रबंध निर्मिती आणि उद्धरणांची संख्या, संशोधन आणि विकासावर होणारा खर्च (विशिष्ट प्रकल्पांवर लक्ष केंद्रित करण्याऐवजी) आणि विद्यापीठे व विज्ञान, तंत्रज्ञान, अभियांत्रिकी आणि गणिताच्या विद्यार्थ्यांना हे अधिक लागू आहे.
संशोधन ठप्प होण्याच्या संभाव्यतेमुळे कोणत्याही वैज्ञानिक प्रक्रियेचे मोजमाप करण्यात नैसर्गिकरित्या जोखीम असते, परंतु हे मापक व्यापकपणे ध्यानात घेतले गेले, तर कृत्रिम बुद्धिमत्ता तंत्रज्ञानाच्या नाविन्यपूर्णतेबाबतचे राज्याच्या अथवा संस्थेच्या क्षमतेचे बरेच उत्तम चित्र समोर येते. एकाहून अधिक मापके नेहमीच वापरायला हवी; विशिष्ट मापनावर विशेष लक्ष दिल्याने (उदा. संशोधन खर्च) केवळ कृत्रिम बुद्धिमत्ताच्या वापरावर अवलंबून असलेल्या व्यवस्थेलाच तेवढी सुलभ करते. अशा प्रकारच्या विशिष्ट बाबींवर लक्ष केंद्रित केल्यामुळे, कृत्रिम बुद्धिमत्तेच्या चित्राचा विपर्यास होताना दिसून येतो. उदाहरणार्थ, प्रतिभा, प्रबंध लेखन आणि विद्यापीठांची गुणवत्ता या बाबतीत सतत नेतृत्वस्थितीत असूनही अमेरिकेला आपल्या स्थानाबाबत सतत तीव्र असुरक्षिततेचा सामना करावा लागतो.
अमेरिकेच्या राष्ट्रीय सुरक्षा आयोगाच्या कृत्रिम बुद्धिमत्ता मसुद्याच्या अहवालात नमूद करण्यात आले आहे की, “जगाचे नेतृत्त्वाचे करण्यासाठी सर्वाधिक लवचिक आणि उत्पादक आर्थिक पाया असणाऱ्या देशाची स्थिती सर्वोत्तम असेल.” हे विधान कृत्रिम बुद्धिमत्तेच्या शर्यतीचे स्वरूप आणि नैसर्गिकरित्या त्याचे मोजमाप स्पष्ट करते. जर एखाद्या सरकारची अथवा कंपनीची या शर्यतीत नेतृत्वाची भूमिका बजावण्याची इच्छा असल्यास, आपले उद्दिष्ट पायाभूत आधार भक्कम करणारे असायला हवे.
केवळ एखाद्या विशिष्ट प्रकल्पाचा, विभागणीचा अथवा उद्दिष्टाचा सक्रिय प्रचार करू नये. यांत विज्ञान, तंत्रज्ञान, अभियांत्रिकी, गणित शिक्षणास प्रोत्साहन देणे, नव्या संशोधकांना अंतर्गत प्रशिक्षण देणे, परदेशी प्रतिभेला उत्तेजन देऊन आकर्षित करणे, संशोधन आणि विकासासाठी वित्तपुरवठा करणे (विशेषत: जर ते संगणकाची सुरक्षा किंवा लवचिकता यांसारख्या भविष्यकालीन कामासाठी आधारभूत असेल), यांसारख्या प्रयत्नशील आणि वास्तव (परंतु दुर्लक्षित) धोरणांचा समावेश असायला हवा तसेच आवश्यक उत्पादन आणि खरेदी प्रक्रियेद्वारे संशोधकांना आवश्यक असलेल्या माहिती-तंत्रज्ञान हार्डवेअरमध्ये प्रवेश मिळायला हवा.
शिक्षण धोरण (जे विद्यापीठांवर परिणाम करते), कायमचे वास्तव्य करण्यासाठी परदेशातून येण्यासंदर्भातील धोरण (जे परदेशी प्रतिभेच्या आकर्षणावर परिणाम करते) आणि आर्थिक धोरण (जे उत्पादन आणि खरेदीवर परिणाम करते) यांसारख्या स्थानिक प्राधान्यक्रमासंदर्भात खेळल्या जाणाऱ्या तीव्र राजकारणामुळे या सूचनांकडे अमेरिकेत अनेकदा दुर्लक्ष केले जाते. त्याच वेळी, हे केवळ अधिक निधी प्रदान करण्याबाबत नाही तर वैज्ञानिक क्षमता सक्षम करणार्‍या प्रक्रिया सुलभ करण्यासाठीही आहे.
उदाहरणार्थ, निधीसंदर्भातील जबाबदारी पेलण्यासाठी एकाचवेळी अनेक सरकारी संस्थांचे तंगडे एकमेकांत अडकवले असल्याने वैज्ञानिक संशोधनविषयक अनुदान संपादन करण्याची प्रणाली जटिल, वेळखाऊ आणि घुसमटून टाकणारी आहे. अनुदानासाठी अर्ज करणे केवळ सोपे नाही, तर त्याद्वारे व्यापक वैज्ञानिक चौकशीला चालना मिळते, हे सुनिश्चित करण्यासाठी प्रयत्न व्हायला हवे. यांसारख्या समस्या सोडवल्या तर कृत्रिम बुद्धिमत्ता शर्यतीत विजयी होणाऱ्या घटकांमध्ये नेत्यांनी गुंतवणूक केल्यासारखे होईल. आता आणि नजिकच्या भविष्यकाळात याबाबत पुढाकार घेण्यासाठी कोण प्रयत्न करत आहे, हे निरीक्षक ठरवू शकतील.
माहिती युगात, नव्या तंत्रज्ञानाचे उपयोजन आणि त्यांच्या प्रगतीचा स्तर हा त्यांची शक्ती आणि प्रभावीपणा मोजण्याचे एक महत्त्वाचे मापक आहे, परंतु ही मापके अनेकदा सदोष असतात. विशेषत: कृत्रिम बुद्धिमत्ता प्रकल्पांसाठी, संशोधनाकरता पैशाचे मांडलेले अंदाजपत्रक, नेमून दिलेली कामे आणि मानवांशी संबंधित असलेल्या भूमिका याद्वारे तंत्रज्ञानाच्या स्थितीची खूप कमी कल्पना येते. कृत्रिम बुद्धिमत्ता वापरात आणण्याच्या अनेक मूलभूत अडचणी लक्षात घेतल्यास, संस्था जोखीम उचलण्याची सहनशीलता आणि डावपेच संस्कृती कशी निभावते हे महत्त्वाचे ठरते.
एखादी संस्था जितकी जास्त धोका पत्करते आणि प्रतिस्पर्ध्यांद्वारे त्यांना जितके आव्हान जाणवते, तितकी अधिक ती संस्था महत्त्वपूर्ण कार्यांसाठी कृत्रिम बुद्धिमत्तेचा वापर करेल. कोणता देश किंवा संस्था ‘आघाडीवर’ आहे, याचे मूल्यांकन करताना कृत्रिम बुद्धिमत्तेच्या उपयोजन योजनांचा अभ्यास करण्याऐवजी, आपण त्यांचा जागतिक दृष्टिकोन आणि धोरणात्मक दृष्टिकोन अभ्यासायला हवा. त्याऐवजी कृत्रिम बुद्धिमत्ता शर्यतीतील ध्रुवपद निश्चित करण्यासाठी आपण एकूणच वैज्ञानिक क्षमतेवर अवलंबून असायला हवे.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
Michael Depp is Program Coordinator with the Cyberspace Cooperation Initiative at the Observer Research Foundation America.
Read More +
PREV
