AI முகவர்களால் இன்னும் தன்னியல்பு ஆராய்ச்சி சாத்தியமில்லை: பிரின்ஸ்டன் ஆய்வு

AI அமைப்புகள் தாமே தங்களை மேம்படுத்திக்கொள்ளும் 'சுயமேம்பாடு' மனித மேற்பார்வை இல்லாமல் விரைவில் சாத்தியமாகும் என்ற AI துறையின் கணிப்பை சிக்கலாக்கும் வகையில், AI முகவர்களால் தங்கள் சொந்த வளர்ச்சியை பொருள்பொருந்தும் வகையில் துரிதப்படுத்தக்கூடிய, மனித தீர்மானம் தேவைப்படும் திறந்தநிலை ஆராய்ச்சியை இன்னும் மேற்கொள்ள முடியவில்லை என பிரின்ஸ்டன் பல்கலைக்கழகத்தின் பீட்டர் கிர்கிஸ், சயாஷ் கபூர் தலைமையிலான புதிய ஆய்வு கண்டறிந்துள்ளது.

தெளிவான பதில் இல்லாத ஒரு உயர்தர, வெளியிடப்படாத கல்விக் கட்டுரையிலிருந்து ஒரு ஆராய்ச்சி கேள்விக்கு AI முகவர் பதிலளிக்க முடியுமா என சோதிக்கும் 'நிழல் மதிப்பீடு' எனும் முறையை ஆராய்ச்சியாளர்கள் வடிவமைத்தனர்—இதனால் பதிலை மனனம் செய்யவோ இணையத்தில் தேடியோ கண்டறிய முடியாது. ஓபன்க்ளா எனும் திறந்த மூல மென்பொருளில் இயங்கும் ஆந்த்ரோபிக்கின் க்ளாட் ஓபஸ் 4.8-க்கு, NeurIPS 2026 இயந்திரக் கற்றல் மாநாட்டிற்கு சமர்ப்பிக்கப்பட்ட இரு கட்டுரைகளிலிருந்து கேள்விகளை ஆராய ஆறு நாட்கள், 3,000 டாலர் ஆந்த்ரோபிக் API கிரெடிட், GPU வளம், திறந்த இணைய அணுகல் ஆகியவை வழங்கப்பட்டன: ஒரு மொழி மாடலின் நடத்தை நிர்ணயிக்கும் 'ஆளுமைகளை' அதன் உள் எடைகளைத் திருத்துவதன் மூலம் கட்டுப்படுத்த முடியுமா, மற்றும் விரிதாள் தரவிலிருந்து கணிக்கும் மாடல் நம்பகத்தன்மையற்றதாக மாறியதை உணர்த்தும் கருவியை எப்படி வடிவமைப்பது என்பவை அந்த கேள்விகள்.

AI உருவாக்கிய இந்த வேலையை மாநாட்டு சமர்ப்பிப்பாகவே மதிப்பீடு செய்த இரு கட்டுரைகளின் அசல் ஆசிரியர்களும், இரண்டையும் நிராகரித்தனர். முகவர்கள் பொறியியல் பணியில்—இலக்கிய ஆய்வு, நூற்றுக்கணக்கான பரிசோதனைகள் நடத்துவது—திறமையாக இருந்தாலும், ஆராய்ச்சியிலேயே 'தெளிவாகவே மோசமாக' இருந்ததாக கபூர் தெரிவித்தார்: அவை சிறிய செயற்கை தரவுத்தொகுப்புகளில் விசித்திரமான பரிசோதனைகளை நடத்தின, தெளிவாக எழுத போராடின, துறைக்கு புதிய பங்களிப்பு எதுவும் அளிக்கவில்லை.

மனித ஆசிரியர்கள் தொடங்கிய கருதுகோள்களை ஒத்த கருதுகோள்களை முகவர்களும் உருவாக்கினர், ஆனால் மிகக் குறைந்த தரவின் அடிப்படையில் அவற்றைக் கைவிட்டன; தங்கள் அணுகுமுறையை முழுமையாக மறுபரிசீலனை செய்யாமல் சிறிய மாற்றங்களை மட்டுமே செய்ய முடிந்தது. துணை-முகவர்கள் அல்லது வெளிப்புற மதிப்பாய்வு கருவிகளின் கருத்துகளை பொருள்பொருந்தும் வகையில் இணைக்கத் தவறின; முறையை திருத்துவதற்குப் பதிலாக தங்கள் கூற்றுகளை சுருக்கி எச்சரிக்கைகளைச் சேர்த்தன. மாடல்கள் பயிற்சி பெறும் விதத்திலேயே இந்த இடைவெளி உள்ளது என கபூர் தெரிவித்தார்: சரிபார்க்கக்கூடிய பதில்கள் கொண்ட பணிகளில் வலுவூட்டல் கற்றல் சிறப்பாக செயல்படுகிறது, ஆனால் திறந்தநிலை ஆராய்ச்சிக்கு இதைப் பயன்படுத்துவது கடினம்.