व्हॉट इज अ ट्रु इंटेलिजन्स ?

हां तर प्रश्न अतिषय सरळ, साधा आणि सोपा आहे - व्हॉट इज अ ट्रु इंटेलिजन्स ? एक खरी बुध्दी म्हणजे काय ? (भाषांतर हा एक नाजुक प्रकार आहे . कारण वेगवेगळ्या भाषांमध्ये असलेल्या शब्द आणि अर्थ ह्यांचे मॅपिंग हे १:१ असेलच असे काही नाही. अर्थात कोणत्याही एका भाषेतील शब्द अन्य कोणत्याही भाषेत अनुवादित करता येतीलच असे नाही. अर्थात इंटेलिजन्सला बुध्दी असे अनुवादित करणे हे तितकेसे योग्य नाही. पण तुर्तास ते असो.) आता आपण आपल्या आजुबाजुला आर्टिफिशियल इंटेलिजन्स चा उदय उत्कर्ष पहात आहोत. चॅट जी.पी.टी. , ग्रोक , गुगल जेमेनाय , डीप सीक असे अनेक आहेत. सर्वांना चॅट बॉट्स आणि ळ्ळं अर्थात LLM , ण्ळ्प अर्थात नॅचल लँग्वेज प्रोसेसिंग हे किमान ऐकुन तरी माहीत आहे . तिकडे नंतर येऊयात. पण मुळात आधी प्रश्न आहे की इंटेलिजन्स म्हणजे नक्की काय ? आता आपण जेव्हा न्युरल नेटवर्क्स चा अभ्यास करायला घेतला तेव्हा सर्वात आधी हँड रिटन डिजिट रिकगनिशन चे न्युअरल नेटवर्क आधी लिहिले , आठवतंय ? कॅगल चे दिवस होते तेव्हा ! २०१२ किंवा २०१३ असेल. त्यातील ही इमेज आठवत आहे ? https://camo.githubusercontent.com/3fd04bc9dd158eef530dcf85f11670d88b71ad433bc0e1e84d1176a1dedc2398/68747470733a2f2f6d6c34612e6769746875622e696f2f696d616765732f666967757265732f6d6e6973742d696e7075742e706e67 थोडक्यात काय तर प्रत्येक ग्रिड मधील पिक्सेल डेटा आपण न्युरल नेटवर्कला देतोय , न्युरल नेटवक त्याच्या अनेक हिडन लेयर्समध्ये त्यातील पॅटर्न "आयडेंटिफाय करत आहे" , "शिकत" आहे , "लक्षात ठेवत" आहे , "पॅरामीटर कॅलिब्रेट" करत आहे. आणि मग फक्त नंबर्सच का , इन जनरल इमेज रिकगनिझन मध्ये न्युरल नेटवर्क तेच करत आहे , पिक्सेल लेव्हल डेटा मधील पॅटर्न्स "शिकत" आहे , आत्मसात करत आहे, https://iq.opengenus.org/content/images/2020/03/wfk.png ओके ? आणि मग इतकेच का थांबा , त्या नुरल नेटवर्क ने जसे पॅटर्न आयडेंटिफाय केले तसे पॅटर्न्स सिम्युलेशन्स द्वारे जनरेट करणेही अवघड नाही ! नवीन हँड रिटर्न नंबर्स , नवीन इमेजेसे जनरेट करणेही अवघड नाही , फक्त इमेजेस का , व्हिडीओ ही करा तयार . त्याला मग जनरेटीव्ह न्युरल नेटवर्क म्हणा , गॅन म्हणा , त्यातुन निर्माण केलेले डीप फेक व्हिडिओ आपण नक्कीच "एन्जोय" केले असतील. आणि मग फक्त चित्रांपुरते व्हिडिओपुरते का मर्यादित रहा , नॅचरल लँग्वेज मॉडेल्सची कल्पना करु समान धर्तीवर ! हां तर लार्ज लॅन्ग्वेज मॉडेल्स मध्ये आपण काय करत आहोत ? अगदी बेसिक लेव्हलला सिंपल नेक्स्ट वर्ड प्रेडिक्टर मॉडेल चा विचार करु : न्युरल नेटवर्कला अफाट डेटा देत आहोत , शब्द , संवाद, वाक्यरचना वगैरे. त्यातील प्रत्येक शब्दाला न्युरल नेटवर्क टोकन लावत आहे. आणि आपण दिलेल्या ट्रेनिंग डेटा वरुन कोणत्याही टोकन नंतर येऊ शकणार्‍या प्रत्येक टोकन ची अर्थात प्रत्येक शब्दाची प्रोबॅबिलिटी मोजत आहे आणि त्याला अनुसरुन पुढील शब्द सुचवत आहे. उदाहरणार्थ : तुम्ही तुमच्या व्होट्सॅप्प मध्ये जे बोलत आहात , जे लिहित वाचत आहात त्यावरुन तुमच्या गुगल इंडिक की बोर्ड ने प्रत्येक शब्दानंतर येणार्‍या शब्दाची प्रोबॅबिलिटी मोजुन ठेवली आहे. प्रत्येक शब्दाला वेट्स असाईन करत आहेत. परामीटर कॅलिब्रेट करत आहे. https://miro.medium.com/v2/resize:fit:1100/format:webp/0*GBsvsvDqtISLVRYd लार्ज लँग्वेज मॉडेल्स हेच फक्त अतिजास्त प्रमाणात करत आहेत. GPT-4 is estimated to have around 1.76 trillion parameters. १७६०,०००,०००,०००. लेट दॅट सिंक इन ! टेक युवर ओन टाईम ! न्युरल नेटवर्क आपली भाषा, नॅचरल लँग्वेज शिकत आहेत ! आणि भाषा म्हणण्यापेक्षा व्याकरण शिकत आहेत हे म्हणणे जास्त संयुक्तिक आहे. पण भाषा / व्याकरणच का ? कारण भाषा हा बुध्दीचा ज्ञानेद्रियांना गोचर होणारा पहिला आविष्कार आहे जो की शब्दात व्यक्त करुन ठेवता येणारा आहे. बोलायच्या आधीही बुध्दी काम करत आहे. पण ते इतकं अ‍ॅब्स्त्रॅक्ट आहे बहुतांश लोकांना त्याची जाणीवही नसते. तुम्हाला एखादा प्रश्न विचारला आणि तुम्ही उत्स्फुर्तपणे जरी उत्तर दिलेत तरी ही संपुर्ण प्रक्रिया इतकी सुक्ष्म अवस्थेवर होत असते, अर्थात बोललेल्या शब्दांच्या उच्चारांची फ्रिक्वेन्सी तुमच्या कानात असलेल्या ३ हाडांवर पडते त्याने ते व्हायब्रेट होतात आणि तुमचा मेंदु ती व्हायब्रेशन "शिकतो" , "समजतो " , त्याच्यावर "प्रक्रिया करतो" , "उत्तर शोधतो", ते उत्तर शास्त्रशुध्द , व्याकरण शुध्द स्ट्र्कचर मध्ये "बसवतो" आणि तुमच्या गळ्यातील व्होकल स्ट्रिंग्स ना सिग्नल देतो की त्या शब्दांच्या फ्रिक्वेन्सी तयार करुन ते आऊटपुट दे. हे सगळं होत आहे त्याला म्हणातात "लॅटंट स्पेस" ! तुर्तास ह्याला मध्यमा म्हणु ! हे सगळे इतके सुक्ष्म आहे , अ‍ॅब्स्त्रॅक्ट आहे की ते मॉडेल करायला आपल्याकडे केवळ गणित हे टूल आहे , पण लॅटंट स्पेस मधला डेटा कुठाय ? तो कोणी पाहिलाय ? तो कसा मॉडेल करणार ? तो नाहीच आहे . मग काय करु शकतो आपण तर सर्वात जवळाचा जो अ‍ॅप्रोक्षिमेट डेटा वापरु शकतो , जो की आहे - भाषा , व्याकरण ! पण परत मुळ मुद्द्याला फिरुन येत - खरी बुध्दी म्हणजे काय ? लॅटंट स्पेसच्या लेव्हलवर, मध्यमा लेव्हलवर काय होत आहे ते समजुन घेणे ? पण लॅटंट स्पेस मध्यमा लेव्हल वर आपण केवळ उत्तर तयार करत आहोत, उत्तर "समजणे" हे त्याच्याही एक लेव्हल खोलवर होत आहे ज्याला आपण "पश्यंती" म्हणतो. पश्यंती म्हणजे "पहाणे" पण फक्त पहाणे इतक्या संकुचित अर्थाने नव्हे तर "अनुभवणे " ह्या अर्थाने. पण पश्यंती लेव्हलला देखील आपण केवळ पहात आहोत , समजुन घेत आहोत , अर्थात "समजुन घेणारा मी" अशी काहीतरी अजुन खोलवर जाणीव आहेच ! तीच जाणीव म्हणजे परा ! दॅट इज ट्रु इंटेलिजन्स ! ही खरी बुध्दी आहे ! आता हे सगळं छोट्याश्या उदाहरणात द्यायचे म्हणले तर खालील विचारांची धारा पहा : १. विधान : १ > ० २. १ हे एक चिन्ह आहे , > हे एक चिन्ह आहे , ० हे एक चिन्ह आहे , अ‍ॅज अ चिन्ह म्हणुन त्यांना काही अर्थ नाही, तो अर्थ "आपण" लावत आहोत , आपली "बुध्दी" लावत आहे. ३. कोणत्याही संख्येत क्ष ही संख्या मिळवल्यावर तीच संख्या येत असेल तर क्ष ही अ‍ॅडिटिव्ह आयडेंटिटी आहे ह्याला क्ष ह्या चिन्हा ऐवजी ० हे चिन्ह असाईन करु. तसेच कोणत्याही संख्येला एखाद्या य संख्येने गुणल्यावर तीच संख्या हे उत्तर येत असेल तर य ही मल्टिप्लिकेटिव्ह आयडेंटिटी झाली , आता ह्याला य या चिन्हा ऐवजी १ हे चिन्ह असाईन करु. आणि हे १ हा ० पेक्षा "मोठ्ठा आहे" . ( आता मोठ्ठा आहे म्हणजे नक्की काय ? शिवाय ह्या विधानाचा पुरावा काय हे सगळं लिहिणं माझ्या आवाक्या पलीकडे आहे. ) ४. आणि हे १ > ० हे आपल्याला ही चिन्हे असाईन करायच्या आधीही माहीत आहेच की ! दॅट इज ट्रु इंटेलिजन्स ! आणि हे फक्त शब्दांच्या स्तरावर नाही तर सर्वच इंद्रियजन्य ज्ञानाच्या स्तरावर ! शब्द स्पर्ष रस रूप गंध ! सर्वच ! म्हणजे कसं की नुकतेच उगाळलेल्या चंदनाचा सुगंध . चकचकीत पळी पंचपात्र अन ताम्हणाचा ताम्रवर्ण . सर्वांगावरील भस्माचा जाणावणारा एक विशिष्ठ स्पर्ष. अर्घ्यासाठी ओंजळीत घेतलेल्या पाण्याचा ओलावा. नुकतेच उगवणार्‍या सुर्यप्रकाशाची जाणवणारी उब. ह्या सगळ्याच गोष्टी ज्या ज्या आपल्या अनुभवाला येत आहेत, ज्यांचे आपल्याला ज्ञान होत आहे , हे मेंदुच्या ज्या स्तरावर होत आहे , ती बुध्दी आहे , ते खरे इंटिलिजन्स आहे ! बुद्धिर्मनीषा धिषणा धीः प्रज्ञा शेमुषी मतिः । प्रेक्षोपलब्धिश्चित्संवित्प्रतिपत्ज्ञप्तिचेतना ॥ १.५.१ शी + क्वि = शेः, शी + मुष् = शेमुषी म्हणजे जी अज्ञानाचे , अंध:काराचे हरण करते , भ्रमाची चोरी करते , ती म्हणजे शेमुषी , ती म्हणजे बुध्दी ! असो. बास आता कंटाळा आला ! आपणया आपणपें । निरूपण काय ओपे ? । मा उगेपणे हरपे । ऐसे आहे ? ॥ इत्यलम् | ______________________________________________________________________________________________________________________ ।।एकश्लोकी।। किं ज्योतिस्तव भानुमानहनि मे रात्रौ प्रदीपादिकं स्यादेवं रविदीपदर्शनविधौ किं ज्योतिराख्याहि मे। चक्षुस्तस्य निमीलनादिसमये किं धीर्धियो दर्शने किं तत्राहमतो भवान्परमकं ज्योतिस्तदस्मि प्रभो।। इति श्रीमत्परमहंसपरिव्राजकाचार्यस्य श्रीगोविन्दभगवत्पूज्यपादशिष्यस्य श्रीमच्छंकरभगवतः कृतौ एकश्लोकी संपूर्णा।। आचार्य : वत्सा , तुझी "ज्योति:" काय आहे ? ज्योतते इति ज्योतिः , जी प्रकाशमान करते ती ज्योति , अशी तुझी ज्योति काय आहे ? शिष्य : भानु अर्थात सुर्य हा च ती ज्योति आहे , जो समस्त चराचराला प्रकाशमान करत आहे. आचार्य : आणि मग रात्री ? शिष्य : चंद्र , (दिवा , अग्नी ) वगैरे आचार्य : ठीक आहे , पण तुला सुर्य , चंद्र, दिवा ह्यांचे दर्शन , ह्याचे ज्ञान कशाच्या योगाने होते आहे ? सुर्यावर दुसर्‍या सुर्याचा प्रकाश पडल्यामुळे तुला सुर्य दिसतो का ? की चंद्र, दिवा आदी पहायला तुला दुसर्‍या कोणत्या प्रकाशाच्या स्त्रोताची गरज पडते ? तुझ्यासाठी ह्या गोष्टींना कोण प्रकाशमान करत आहे ? शिष्य : हम्म . डोळे . मला माझ्या नेत्रांच्या मुळे हे सारे ज्ञान होत आहे , माझे डोळे हेच ती ज्योति आहेत. आचार्य : पण डोळे मिटल्यावर देखील तुला गोष्टी दिसत नसतील पण ज्ञान तर होत असते च की . इतर ज्ञानेंद्रियांच्या तर्फे तुला प्रकाशमान करणारी ज्योति: कोण ? शिष्य : धी: अर्थात बुध्दी !! आचार्य : पण "मला बुध्दी आहे" हे दर्शन तुला कोणाच्या योगाने होते ? शिष्य : "मी" ! "मी आहे " ही बुध्दीत उमटत आहे असे भासणारी जाणीव , जी की बुध्दीच्याही अलिकडे आहे , ही खरी प्रकाशक आहे ! अर्थात ती ज्योति: "मी आहे !" ______________________/\_________________________ ||ॐ||