આર્ટિફિશિયલ ઇન્ટેલિજન્સને સમજવામાં માટેની સરળ માર્ગદર્શિકા

ચેટબોટ એટલે મશીનનો પોપટ એમ સમજો. પોપટ શબ્દોની નકલ કરી જાણે છે અને સાંભળેલા શબ્દોને બોલી સંભળાવે. આવા શબ્દોના સંદર્ભોની થોડી સમજ હોય ખરી, પણ શબ્દોના અર્થોની સંપૂર્ણ સમજનો અભાવ હોય છે.

ચેટબોટ્સ પોપટની જેમ નકલચીનું કામ કરે છે - પણ જરાક સૉફિસ્ટિકેટેડ રીતે. આવું કરીને લેખિત શબ્દો સાથેના આપણા સંબંધોને તે નવું રૂપ આપી રહ્યા છે.

સવાલ એ છે કે આ ચેટબોટ્સ કેવી રીતે લખવાનું શીખી જાય છે?

લખાણ તૈયાર કરનારા ચેટબોટ્સ લાર્જ લૅંગ્વેજ મૉડલ (LLMs) તરીકે ઓળખાય છે. બહુ મોટા પ્રમાણમાં લખાણ ફીડ કરીને મશીન લર્નિંગ થયું હોય છે.

LLM છુટ્ટા શબ્દો જ નહીં પરંતુ સંપૂર્ણ વાક્યને ધ્યાને લે છે. તેની સરખામણી વિશાળ ડેટામાં ઉદાહરણો તરીકે રહેલા વાક્યો અને ફકરાઓ સાથે કરવામાં આવે છે.

આવી રીતે અબજોની સંખ્યામાં શબ્દો અને વાક્યોની સરખામણી થાય છે અને તેના આધારે પ્રશ્નને સમજી લેવામાં આવે છે અને તેનો જવાબ જનરેટ કરવામાં આવે છે. તમે ફોનમાં ટાઇપ કરો ત્યારે કયો શબ્દ ઇચ્છો છો તેનું અનુમાન લગાવીને સજેસ્ટ કરે છે તે પ્રીડિક્ટિવ ટેક્સ્ટ જેવી આ પદ્ધતિ છે, પરંતુ આ પદ્ધતિ વ્યાપક સ્તરે કામ કરે છે એટલે એક શબ્દ સૂચવવાના બદલે આખું લખાણ તૈયાર થઈ જાય.

ભાષા પર કામ કરનારા આવા કાર્યક્રમની વિશેષતા એ છે કે તેને ભાષાના નમૂનાઓને કારણે વ્યાકરણની ગતાગમ આવી જાય છે અને આપમેળે જ શબ્દનો અર્થ કે અર્થો શું હશે તે ધારી લે છે.

શું A.I. સાથે વાતચીત થઈ શકે?

એલેક્સા, સિરી અથવા એ પ્રકારની વૉઇસ રેકગ્નિશન સિસ્ટમનો ઉપયોગ તમે કરી રહ્યા હો તો તમે અગાઉથી જ A.I.નો ઉપયોગ કરી રહ્યા છો.

મોટા કાનવાળા સસલાની કલ્પના કરો, જે જરાક અમથો અવાજ થાય તો પણ કાન સરવા કરીને સાંભળી લે.

તમે બોલો તેને A.I. રેકૉર્ડ કરી લે છે, બૅકગ્રાઉન્ડમાં રહેલો ઘોંઘાટ દૂર કરી દે છે અને દરેક સાઉન્ડ કે ઉચ્ચારણને જુદા જુદા એકમોમાં વહેંચી નાખે છે. આ પછી દરેક સાઉન્ડની સરખામણી લાઇબ્રેરીમાં સ્ટોર કરીને રખાયેલા ગંજાવર સાઉન્ડના નમૂનાઓ સાથે કરવામાં આવે છે.

હવે તમે બોલ્યા હો તે ટેક્સ્ટમાં ફેરવાય જાય છે. તેને લખાણ તરીકે દર્શાવાય છે જેથી ઉચ્ચારણને કારણે કે ધ્વનિ રેકૉર્ડ કરવામાં કોઈ ભૂલ થઈ હોય અને ખોટો શબ્દ ટાઇપ થયો હોય તો તેને સુધારી શકાય.

આ પ્રકારના આર્ટિફિશિયલ ઇન્ટેલિજન્સને નેચરલ લૅંગ્વેજ પ્રોસેસિંગ તરીકે ઓળખવામાં આવે છે.

તમે ફોન-બૅંકિંગથી ટ્રાન્ઝેક્શન કન્ફર્મ કરવા માટે 'યસ' એવું બોલો ત્યારે તેને ઓળખવા માટે આનો ઉપયોગ થાય છે. ત્યાંથી માંડીને તમે જે શહેરના પ્રવાસે જવાનો છો, તેનું હવામાન કેવું હશે તેની માહિતી મોબાઇલ ફોનમાં માગો અને માહિતી મળે ત્યાં સુધીની બાબતમાં આ ટેકનિકનો ઉપયોગ થાય છે.

શું A.I. તસવીરોને સમજી શકે?

તમે મોબાઈલથી ફોટા પાડો અને તમારો ફોન તેને આપોઆપ "બીચ પર" અથવા "નાઇટ આઉટ" એવાં નામો સાથેના ફોલ્ડરમાં મૂકી દે છે?

જો હા તો તમે સહજપણે A.I.નો ઉપયોગ કરી રહ્યા છો. A.I.નું અલ્ગોરિધમ તમારા ફોટાને જોઈને પૅટર્ન શોધી કાઢે છે અને તેને જુદાં જુદાં ગ્રૂપ પ્રમાણે ગોઠવી દે છે.

ઢગલાબંધ તસવીરો હોય તેમાંથી અલગ અલગ કેવા પ્રકારની તસવીરો છે તેને જુદી તારવવાનું કામ આ પ્રોગ્રામનું હોય છે. દરેક પ્રકારની તસવીરો માટે એક સરળ લૅબલ તૈયાર કરી લેવાયેલું હોય છે.

દાખલા તરીકે તમે "સાઇકલ" એવું લખીને ઘણી બધી તસવીરો સ્ટોર કરો અને A.I. પ્રોગ્રામને તે આપો એટલે તેના આધારે કેવા આકાર તસવીરમાં હોય તો તે સાયકલ હોય તે સમજવા લાગે છે. બોટ કે કાર કરતાં તેનો આકાર કેવી રીતે જુદો છે તેની પૅટર્ન પ્રોગ્રામ તૈયાર કરી લે છે.

આવી જ રીતે એક સરખી લાગતી તસવીરોમાં પણ નાના નાના કેવા તફાવતો હોય છે તેને પારખવા માટેની ટ્રેનિંગ A.I. પ્રોગ્રામને આપવામાં આવે છે.

તેના આધારે જ ચહેરાની ઓળખ એટલે કે ફેસિયલ રેક્ગનિશન શક્ય બને છે. તમારા ચહેરા પરનાં ફીચર અંગે નાની નાની બાબતોને ઓળખી લઈને તેને યાદ રાખે છે અને તે પછી દુનિયાના બાકીના ચહેરા કરતાં તે જુદો પડે છે તે પારખી લે છે.

આ જ અલ્ગોરિધમ એવી રીતે તૈયાર કરાય છે કે દર્દીના એક્સરે વગેરે લેવાયા હોય તેમાં ગાંઠ આવી હોય તેને પારખી શકાય. કેવા આકારની ગાંઠ જોખમી હોય તે પણ પ્રોગ્રામ પારખી લે છે. ગાંઠ માટે સ્કેનિંગ થયું હોય તેના હજારો રિપોર્ટને મશીન ફટાફટ પારખી લે, જ્યારે ડૉક્ટરે દરેક સ્કેન કે એક્સરે જોવો પડે.

A.I. નવી તસવીર કેવી રીતે બનાવે છે?

ઇમેજ રેકગ્નિશનને હાલના સમયમાં A.I. મૉડેલમાં બહુ સારી રીતે વણી લેવાયું છે અને તે રંગો તથા ભાતને એટલે કે પૅટર્નને કાચિંડાની જેમ સારી રીતે પારખી શકે છે.

જટિલ લાગતી ચિત્રાત્મક પૅટર્નને A.I. એવી રીતે સમજી લે છે કે પછી તેના આધારે નવી જ તસવીર બનાવી નાખે છે. લાખો ફોટોગ્રાફ અને ડ્રૉઇંગને ચકાસીને તેની વિઝ્યુઅલ પૅટર્નને પામી લેવામાં આવી હોય છે.

વાસ્તવમાં ના બન્યું હોય તેવું કે સંભવ ના લાગે તેવી તસવીર બનાવવા માટે A.I.ને તમે કહી શકો છો. ઉદાહરણ તરીકે, મંગળની સપાટી પર ચાલતી વ્યક્તિનો ફોટો.

તમે ક્રિએટિવ તસવીર પણ તૈયાર કરાવી શકો છો: "પિકાસોની શૈલીમાં ઇંગ્લૅન્ડના ફૂટબૉલ મૅનેજરનું પોટ્રેટ બનાવો."

આધુનિક A.I. સિસ્ટમ અલગઅલગ જગ્યાએથી પસંદ કરેલા રંગોના પિક્સેલને એક બીજા સાથે જોડીને નવી ઇમેજ તૈયાર કરી નાખે છે.

ટ્રેનિંગ દરમિયાન પૅટર્ન પારખવાનું જણાવાયું હોય એટલે અમુક હિન્ટ મળે તેને મળતા આવતા ડોટ્સને તે શોધી કાઢે છે. તે ડોટ્સને જોડીને જુદા જુદા આકાર બનાવી લેવામાં આવે છે.

એક પૅટર્ન તૈયાર થવા લાગે એટલે લાગતાવળગતા વધારે ડોટ્સ એટલે કે રંગોનાં ટપકાં ઉમેરવામાં આવે. તે રીતે એક પૅટર્ન બનવા લાગે અને તેમાં બંધબેસતા લાગે તે રંગનાં ટપકાં રાખવાનાં અને બિનજરૂરીને હઠાવી દેવાનાં. તે રીતે આખરે જોઈતી તસવીર બની જાય છે.

"મંગળની સપાટી", "અવકાશયાત્રી" અને "વૉકિંગ" એવા શબ્દો પકડીને એ પ્રકારનાં ચિત્રો બને અને તેને એક બીજા સાથે જોડવાનાં એટલે એક નવી તસવીર તૈયાર થાય.

રેન્ડમ પિક્સેલ્સ પસંદ કરીને તેના લેયર્સથી આકાર બન્યો હોય એટલે તે તદ્દન નવો બને. પરંતુ મૂળ તો અબજો આવી તસવીરોમાંથી પૅટર્ન અલગ અલગ તારવવાની જે ટ્રેનિંગ મળી હોય તેના આધારે જ તસવીર તૈયાર થઈ હોય છે.

ચિત્રકાર, ડિઝાઇનર અને તસવીરકારે મહેનત કરી હોય તેના અબજો નમૂનાને આધારે પ્રોગ્રામ તૈયાર થયો હોય અને પછી તેનાથી નવી કૃતિ બને તેની સામે સવાલો પણ થવાના. આમાં કૉપીરાઈટ કેવી રીતે ગણવા અને બીજાની મહેનતના આધારે તસવીર આપોઆપ તૈયાર કરી નાખવી તે કેટલું નૈતિક તેના સવાલો પણ સમાજ સામે આવવા લાગ્યા છે.

સેલ્ફ ડ્રાઇવિંગ કાર

ડ્રાઇવરની જરૂર ના પડે અને કાર પોતાની મેળે દોડવા લાગે તે માટેના પ્રયાસો દાયકાઓથી થતા રહ્યા છે. આ પ્રકારનું A.I. તૈયાર કરવા વિજ્ઞાન મથી રહ્યું છે અને આવી સેલ્ફ ડ્રાઇવિંગ વાહનોની વાર્તાઓએ લોકોને કલ્પના કરતા કરી દીધા છે.

સ્વ-ડ્રાઇવિંગ A.I.ને ઓટોનોમસ ડ્રાઇવિંગ તરીકે ઓળખવામાં આવે છે. તેમાં કારને કૅમેરા, રડાર અને રેન્જ-સેન્સિંગ લેસરથી સજ્જ કરવામાં આવે છે.

ડ્રેગનફ્લાયની કલ્પના કરો, જે ચારે તરફ 360-ડિગ્રી જોઈ શકે અને તેની પાંખ પર સેન્સર હોય જેનાથી ઉડ્ડયનમાં તે સતત ફેરફાર કરતી રહે.

એ જ પ્રમાણે A.I. મૉડલ સેન્સરોમાંથી મળતા ડેટાનો ઉપયોગ કરીને આસપાસ કશુંક છે કે નહીં તે પારખે અને તે સ્થિર છે કે ગતિમાન છે તે પારખે છે. ગતિ કરી રહેલી તે વસ્તુ કાર છે, સાઇકલ છે, રાહદારી છે કે બીજું કશુંક છે તે જુએ છે.

સારી રીતે ડ્રાઇવિંગ કેવી રીતે થઈ શકે તેની હજારો કલાકની ટ્રેનિંગ A.I.ને આપવામાં આવી હોય એટલે આસપાસ શું છે તે જોઈને નિર્ણય કરી શકે અને કાં તો આગળ વધે કાં તો બ્રેક મારે. તે રીતે અથડાવાનું ટાળી શકે છે.

ડ્રાઇવરો અણધારી રીતે કંઈક કરે તેને કેવી રીતે સમજવું તે પ્રીડિક્ટિવ અલ્ગોરિધમથી સમજવું મુશ્કેલ રહ્યું છે. આમ છતાં વર્ષોની મહેનત પછી અને રસ્તા પર ખરેખર કાર દોડાવીને લાખો માઈલનો ડેટા એકત્રિત કરીને ડ્રાઇવર વિનાની કારને હકીકત બનાવી શકાય છે. સાન ફ્રાન્સિસ્કોમાં ડ્રાઇવર વિનાની ટૅક્સીઓ પણ ચાલવા લાગી છે.

ઓટોનોમસ ડ્રાઇવિંગ એવી ટેકનૉલૉજી છે જેમાં માત્ર ટેકનિકલ બાબતો નહીં, પણ બીજી પણ ઘણી બાબતોના અવરોધોને દૂર કરવાના હોય છે તેનું ઉદાહરણ છે.

આવો અવરોધ એટલે સરકાર તરફથી ડ્રાઇવર વિનાનાં વાહનો મંજૂરી મળે કે નહીં તેની છે. વાહનનું નિયંત્રણ મશીનને સોંપી દેવામાં આવે તો સલામતીનું શું તેની પણ ચિંતા રહેતી હોય છે તે બધા અવરોધો પણ સ્વચાલિત વાહનો સામે રહેવાના છે.

A.I. મારા વિશે શું જાણે છે?

કેટલાક A.I. માત્ર આંકડાનું કામકાજ કરે છે. વિશાળ પ્રમાણમાં આંકડાકીય માહિતી એકત્ર કરે છે અને તેને વૉલ્યુમમાં ગોઠવે છે અને તે રીતે તૈયાર થતો માહિતી સંપુટ બહુ મૂલ્યવાન હોઈ શકે છે.

નાણાકીય બાબતો અને સામાજિક પ્રવૃતિના આધારે તમારી એકથી વધારે પ્રોફાઇલ બની ગઈ હશે. મોટા ભાગે ઑનલાઈન પ્રોફાઇલ બનેલી હશે, જેનો ઉપયોગ કરીને તમારા વર્તન વિશે ધારણાઓ બાંધી શકાય છે.

સુપરમાર્કેટ તમને લોયલ્ટી કાર્ડ આપે છે અને તમે તેના આધારે દર અઠવાડિયે શું શું ખરીદો છો તેની માહિતી એકઠી કરે છે. તેના આધારે તમારો ટેસ્ટ અને ટેવ તે જાણતું રહે છે. ક્રેડિટ એજન્સીઓ તમારું બૅન્ક બૅલેન્સ કેટલું છે અને તમારા ક્રેડિટ કાર્ડ પર કેટલી ઉધારી છે તેને ટ્રેક કરતી હોય છે.

નેટફ્લિક્સ અને એમેઝોન નોંધ રાખે છે કે ગઈ રાત્રે કેટલા કલાક તમે સ્ટ્રીમિંગ કરીને શું જોયું. આજે કેટલા વીડિયો પર તમે કમેન્ટ્સ કરી છે તે તમારા સોશિયલ મીડિયા એકાઉન્ટ્સને ખબર છે.

માત્ર તમને જ ટ્રેક કરવામાં આવે છે એવું નથી. દરેક માટે આ પ્રકારની માહિતી એકઠી કરવામાં આવે છે. તે બધી માહિતીને ચકાસીને A.I. મૉડલ સામાજિક પ્રવાહોને સમજી શકે છે.

આ પ્રકારનાં A.I. મૉડલ તમારી જીવનશૈલીને પ્રભાવિત કરવા લાગ્યાં છે. તમને લોન મળશે અથવા મોર્ગેજ ક્યાંથી મળશે તે શોધવામાં મદદરૂપ થાય છે. તમે શું ખરીદશો તેના પર પ્રભાવ પાડી શકે છે, કેમ કે તમને કેવી ઑનલાઇન જાહેરખબરો જોવા મળશે તે પણ આવા પ્રોગ્રામ નક્કી કરતા હોય છે.

શું A.I. બધા કામ કરવા લાગશે?

શું આ પ્રકારની જુદી જુદી ક્ષમતા હોય તેને એકઠી કરીને એક જ હાઇબ્રિડ A.I. મૉડલ બનાવવું શક્ય છે?

એવું જ થયું છે અને હાલના સમયમાં A.I.માં સૌથી મોટી પ્રગતિ એ દિશામાં જ થઈ છે.

તેને મલ્ટિમૉડલ A.I. કહેવામાં આવે છે, જે વિવિધ પ્રકારના ડેટાને સમજી શકે છે, જેમ કે તસવીરો, ટેક્સ્ટ, ઑડિયો અથવા વિડિયો બધું સમજી શકે તેવો એક જ પ્રોગ્રામ હોય છે અને આ બધા પ્રકારના ડેટા વચ્ચે શું કડી છે અથવા પૅટર્ન છે તેને શોધી કાઢે છે.

આ મલ્ટિમૉડલ પદ્ધતિને કારણે જ ચેટજીપીટી3 અને ચેટજીપીટી4 વચ્ચે બહુ જ પ્રગતિ થઈ ગઈ છે. ચેટજીપીટી3 માત્ર ટેક્સ્ટ એટલે કે શબ્દો અને વાક્યોને સમજવા માટેનું હતું, જ્યારે ચેટજીપીટી4 તસવીરોને પણ સમજવા માટે તૈયાર કરાયું છે.

એક જ A.I. મૉડલ હોય, જે ગમે તે પ્રકારના ડેટાને પ્રોસેસ કરી શકે અને તેથી વિવિધ પ્રકારની કામગીરી કરી શકે તેને આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સ તરીકે ઓળખવામાં આવે છે. આવા પ્રોગ્રામ અનુવાદ કરવાથી માંડીને નવી દવા બનાવવાની ફૉર્મ્યુલા પણ તૈયાર કરવા સુધીનું કામ કરી શકે છે.

કેટલાકને લાગે છે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સના સંશોધન ક્ષેત્રમાં અંતિમ લક્ષ્ય આ જ પ્રકારની સર્વવ્યાપક ક્ષમતા હાંસલ કરવાનું હોય છે. કેટલાકને લાગે છે કે વિજ્ઞાનની કલ્પના કથાઓમાં આપણે જે ભયસ્થાનો જોયાં છે તે પ્રમાણે આવું સર્વવ્યાપક ઇન્ટેલિજન્ટ મૉડલ બનશે તે પછી તેને આપણે કાબૂમાં નહીં કરી શકીએ.

A.I.ને કેવી રીતે તાલીમ અપાય છે?

હમણાં સુધી મોટાભાગના A.I. પ્રોગ્રામને તાલીમ આપવા માટે "સુપરવાઇઝ્ડ લર્નિંગ" - દેખરેખ સાથે તાલીમ તરીકે ઓળખાતી પદ્ધતિ ચાલતી આવી છે.

ટ્રેનિંગ માટે વિશાળ સંખ્યામાં ડેટા એકઠો થયો હોય તેને માણસો દ્વારા લૅબલ આપવામાં આવે અને તેમાં કઈ પૅટર્ન છે તે તારવવાનું કામ A.I. દ્વારા કરવામાં આવે.

આ રીતે પૅટર્નની ઓળખ થઈ જાય પછી તે પછી A.I. પ્રોગ્રામને નવો ડેટા આપવામાં આવે અને પૅટર્ન પ્રમાણે તે માહિતી કેટલી સચોટ છે તે શોધવાનું પ્રોગ્રામને કહેવામાં આવે છે.

દાખલા તરીકે, A.I.ને એક ડઝન ફોટા આપવામાં આવે - તેમાં છને "કાર" અને છને "વાન" એવું લૅબલ આપવામાં આવ્યું હોય.

હવે A.I.ને એવી વિઝ્યુઅલ પૅટર્ન તૈયાર કરવાનું કહો, જેથી કાર અને વાન બંનેને બે અલગ જૂથોમાં વહેંચી નાખે.

તે પછી હવે આવી એક તસવીર આપવામાં આવે અને તેને કૅટેગરીમાં મૂકી દેવાનું કહેવામાં આવે તો શું થશે?

કમનસીબે, આ તસવીરને A.I. વાન જેવી પૅટર્ન સાથેની ગણી લેશે - એટલે કે ખાસ કંઈ બુદ્ધિ તેનામાં દેખાણી નહીં.

હવે તમે આ બીજી તસવીર બતાવો.

પ્રોગ્રામ જણાવશે કે આ એક કાર છે.

અહીં પ્રોગ્રામમાં શું ખામી રહી ગઈ છે તે હવે સ્પષ્ટ થઈ જશે.

મર્યાદિત સંખ્યામાં એટલે કે માત્ર છ છ તસવીરો આપીને પૅટર્ન પારખવા માટે જણાવાયું હતું તેના કારણે A.I.એ એવું તારણ કાઢી લીધું કે રંગને આધારે કાર અને વાન અલગ પડશે.

આવી ગફલત છતાં મજાની વાત એ છે કે A.I. પ્રોગ્રામ પોતાની રીતે એક નિર્ણય લઈ શકે છે. આપણું કામ તેને વધારે તાર્કિક રીતે નિર્ણય કરતા શીખવવાનું છે.

આપણે પ્રોગ્રામને કહી શકીએ કે બે નવા ફોટાને ઓળખવામાં ભૂલ થઈ છે - એટલે પ્રોગ્રામ હવે રંગ સિવાયની કોઈ નવી પૅટર્ન શોધવા માટે પ્રયત્ન કરશે.

મહત્ત્વની વાત એ છે કે, આપણે ટ્રેનિંગ માટે વધારે ડેટા ફીડ કરીને ભૂલ સુધારી શકીએ છીએ અને વિવિધ પ્રકારની ઘણી બધી તસવીરો આપી શકીએ જેથી પૅટર્ન સારી રીતે તૈયાર થઈ શકે.

આ બે સરળ રીતથી મોટા ભાગની A.I. સિસ્ટમને જટિલ નિર્ણયો લેવા માટે તૈયાર કરી શકાય છે.

A.I. આપોઆપ કઈ રીતે શીખી જાય છે?

A.I.ના ક્ષેત્રમાં તાજેતરમાં મળેલી ઘણી સફળતાના મૂળમાં ડીપ લર્નિંગ - ખૂબ ઊંડો અભ્યાસ રહેલો છે

સરળ શબ્દોમાં જટિલ અલ્ગોરિધમ અને ગંજાવર ડેટાસેટ્સનો ઉપયોગ કરીને એવી રીતે પ્રોગ્રામ તૈયાર થઈ શકે કે માણસની - કોઈ કર્મચારીની દેખરેખ વિના પણ તે શીખી શકે છે.

આનું સૌથી જાણીતું ઉદાહરણ ચેટજીપીટી બન્યું છે.

ઇન્ટરનેટ પર જંગી પ્રમાણમાં લખાણો અને ડિજિટલ સ્વરૂપમાં લાખો પુસ્તકો મૂકી દેવાયેલાં છે. તે બધાનો મહિનાઓ સુધી ચેટજીપીટી અભ્યાસ કરતું રહ્યું. તેમાંથી એવી રીતે પૅટર્ન પકડવા લાગ્યું કે અર્થપૂર્ણ રીતે શબ્દોને એક બીજા સાથે જોડીને વાક્યો અને લખાણ કેવી રીતે જોડવા તે શીખી લીધું.

કલ્પના કરો કે તમારી પાસે વિદેશી ભાષાનાં પુસ્તકોનો મોટો સંગ્રહ છે, જેમાંથી કેટલાંક પુસ્તકોમાં તસવીરો પણ હશે.

આ તસવીરો અને તે પેજ પરના લખાણને જોતા રહો તો આખરે તમે એટલું તારણ કાઢી શકશો કે પાના પર જ્યારે પણ વૃક્ષનું ચિત્ર અથવા તસવીર હોય ત્યારે એક શબ્દ હોય છે. એ જ રીતે મકાનનો ફોટો હોય ત્યારે બીજો એક શબ્દ અવશ્ય હોય છે.

આ બંને શબ્દોની આગળ પણ અમુક શબ્દ આવતો રહે છે તે તમે જોઈ શકશો - આવો પૂર્વગ "a" હોઈ શકે અથવા કદાચ "the" જોવા મળતો રહે છે.

ચેટજીપીટી શબ્દો વચ્ચેના સંબંધોને આધારે વિશ્લેષણ કરીને એક મોટું આંકડાકીય મૉડલ બનાવ્યું જેનો તે પૂર્વાનુમામન અને નવા વાક્યો બનાવવા માટે ઉપયોગ કરી શકે છે.

આવી રીતે વિશાળ માહિતીને સમજવા માટે કમ્પ્યૂટિંગ પાવર પણ જબરદસ્ત જોઈએ. તેના આધારે A.I. લાખો શબ્દોને યાદ રાખી શકે છે. શબ્દોને એક એક છુટ્ટા યાદ રાખી શકે, બે કે ત્રણ શબ્દોના જૂથમાં આવતા શબ્દોને અથવા વાક્યો કે પાના પર આવતા શબ્દોને અલગ અલગ રીતે યાદ રાખી શકે છે. આ શબ્દો કેવી રીતે ઉપયોગમાં આવ્યા છે તે જાણી શકે છે અને જુદાં જુદાં લખાણો અને પુસ્તકોમાં કેવી રીતે વપરાયા છે તે પણ સમજી લે છે. આટલું મોટું કામકાજ કમ્પ્યૂટિંગની ક્ષમતાને કારણે સેકન્ડના પણ નાના ભાગમાં તે કરી લે છે.

છેલ્લા એક વર્ષમાં ડીપ લર્નિંગ મૉડલમાં બહુ ઝડપી પ્રગતિ થઈ છે અને તેના કારણે આર્ટિફિશિયલ ઇન્ટેલિજન્સની સંભાવના માટેનો ઉત્સાહ વધ્યો છે, સાથોસાથ ચિંતાની નવી લહેર પણ ઊભી થઈ છે. આ ઉત્સાહ અને ચિંતા ધીમા થવાના કોઈ સંકેત દેખાતા નથી.

વિજ્ઞાન કથામાં અપાર શક્યતાઓ વ્યક્ત થતી હતી અને જોખમો અને ચેતવણીઓ આવતાં હતાં તે કલ્પના લાગતું હતું, પણ તે અચાનક વાસ્તવિક લાગવા લાગ્યું છે. માનવીય શક્યતાને પાર એવી ક્ષમતાઓ A.I. દેખાડવા લાગ્યું હોય તેવી દુનિયામાં આપણે જીવવા લાગ્યા છીએ તે સ્પષ્ટ થવા લાગ્યું છે.