कृत्रिम बुद्धिमत्ता (AI) ही संगणकशास्त्राची एक शाखा आहे, जिचा उद्देश अशी यंत्रे तयार करणे आहे जी सामान्यतः मानवी बुद्धिमत्तेची आवश्यकता असलेली कार्ये करण्यास सक्षम असतील. AI यंत्रांना शिकणे, समस्या सोडवणे, निर्णय घेणे आणि आकलन करणे यांसारख्या मानवी क्षमतांचे अनुकरण करण्यास सक्षम करते.
एआयच्या सामान्य उपयोगांमध्ये भाषण ओळख, प्रतिमा ओळख , सामग्री निर्मिती, शिफारस प्रणाली , स्वयंचलित गाड्या आणि एआय एजंट यांचा समावेश होतो .
कृत्रिम बुद्धिमत्ता म्हणजे काय? | Artificial intelligence Explianed in Marathi
कृत्रिम बुद्धिमत्ता म्हणजे अशा संगणक प्रणाली, ज्या पारंपरिकरित्या मानवी बुद्धिमत्तेशी संबंधित असलेली कार्ये करण्यास सक्षम असतात — जसे की अंदाज लावणे , वस्तू ओळखणे, भाषणाचा अर्थ लावणे आणि नैसर्गिक भाषा तयार करणे . एआय प्रणाली प्रचंड प्रमाणात डेटावर प्रक्रिया करून आणि स्वतःच्या निर्णयप्रक्रियेत आदर्श म्हणून वापरण्यासाठी नमुने शोधून हे कसे करायचे हे शिकतात. बऱ्याच प्रकरणांमध्ये, मानव एआयच्या शिकण्याच्या प्रक्रियेवर देखरेख ठेवतात, चांगल्या निर्णयांना प्रोत्साहन देतात आणि वाईट निर्णयांना परावृत्त करतात, परंतु काही एआय प्रणाली देखरेखीशिवाय शिकण्यासाठी तयार केलेल्या असतात.
कालांतराने, एआय प्रणाली विशिष्ट कामांमधील त्यांच्या कामगिरीत सुधारणा करतात, ज्यामुळे त्या नवीन माहितीशी जुळवून घेऊ शकतात आणि तसे करण्यासाठी स्पष्टपणे प्रोग्राम न करताही निर्णय घेऊ शकतात. थोडक्यात, कृत्रिम बुद्धिमत्ता म्हणजे यंत्रांना माणसांप्रमाणे विचार करायला आणि शिकायला शिकवणे, ज्याचा उद्देश काम स्वयंचलित करणे आणि समस्या अधिक कार्यक्षमतेने सोडवणे हा आहे.
कृत्रिम बुद्धिमत्ताचा इतिहास(AI चा इतिहास)
कृत्रिम बुद्धिमत्ता ही संकल्पना १९५० च्या दशकात उदयास येऊ लागली, जेव्हा संगणक शास्त्रज्ञ ॲलन ट्युरिंग यांनी ' कंप्युटिंग मशिनरी अँड इंटेलिजन्स ' हा शोधनिबंध प्रसिद्ध केला. या शोधनिबंधात त्यांनी यंत्रे विचार करू शकतात का आणि यंत्राच्या बुद्धिमत्तेची चाचणी कशी करावी, यावर प्रश्न उपस्थित केले होते. या शोधनिबंधाने एआय संशोधन आणि विकासासाठी पाया घातला, आणि यंत्राच्या बुद्धिमत्तेचे मूल्यांकन करण्यासाठी वापरल्या जाणाऱ्या 'ट्युरिंग चाचणी ' या पद्धतीचा हा पहिला प्रस्ताव होता. 'कृत्रिम बुद्धिमत्ता' ही संज्ञा १९५६ मध्ये डार्टमाउथ कॉलेजमधील एका शैक्षणिक परिषदेत संगणक शास्त्रज्ञ जॉन मॅकार्थी, मार्विन मिन्स्की, नॅथॅनियल रॉचेस्टर आणि क्लॉड ई. शॅनन यांनी तयार केली .
डार्टमाउथ कॉलेज परिषदेनंतर आणि १९७० च्या दशकात, शैक्षणिक संस्था आणि अमेरिकी सरकारच्या निधीमुळे एआय (AI) संशोधनात रस वाढला. संगणकीय क्षेत्रातील नवनवीन शोधांमुळे या काळात एआयचे अनेक पायाभूत घटक स्थापित होऊ शकले, ज्यात मशीन लर्निंग, न्यूरल नेटवर्क्स आणि नैसर्गिक भाषा प्रक्रिया यांचा समावेश आहे.
प्रगती होऊनही, एआय तंत्रज्ञानाचा विस्तार करणे अखेरीस अपेक्षेपेक्षा अधिक कठीण झाले आणि त्यातील रस व निधी कमी झाला, परिणामी १९८० च्या दशकापर्यंत पहिला 'एआय हिवाळा' आला.
१९८० च्या दशकाच्या मध्यात, संगणक अधिक शक्तिशाली झाल्यामुळे, डीप लर्निंग लोकप्रिय झाल्यामुळे आणि एआय-शक्तीवर चालणाऱ्या “तज्ञ प्रणाली” सादर केल्यामुळे एआयमधील रस पुन्हा जागृत झाला. तथापि, नवीन प्रणालींची गुंतागुंत आणि विद्यमान तंत्रज्ञानाची गती राखण्याची असमर्थता यामुळे, दुसरा एआय हिवाळा आला आणि तो १९९० च्या दशकाच्या मध्यापर्यंत टिकला.
२००० च्या दशकाच्या मध्यापर्यंत, प्रोसेसिंग पॉवर, बिग डेटा आणि प्रगत डीप लर्निंग तंत्रज्ञानातील नवकल्पनांनी एआयच्या मार्गातील पूर्वीचे अडथळे दूर केले, ज्यामुळे एआयमध्ये पुढील प्रगतीला वाव मिळाला. २०१० च्या दशकात व्हर्च्युअल असिस्टंट, चालकविरहित गाड्या आणि जनरेटिव्ह एआय यांसारखी आधुनिक एआय तंत्रज्ञानं मुख्य प्रवाहात येऊ लागली, ज्यामुळे एआयला आजचे स्वरूप प्राप्त झाले.
२०१० च्या दशकापासून एआयमधील उल्लेखनीय घडामोडी
२०१० च्या दशकाच्या सुरुवातीपासून, डीप लर्निंग, जनरेटिव्ह मॉडेल्स आणि लार्ज-स्केल कम्प्युटिंगमधील प्रगतीने कृत्रिम बुद्धिमत्तेमध्ये काही सर्वात परिवर्तनकारी शोध घडवून आणले आहेत, ज्यामुळे उद्योगांचे स्वरूप बदलले आहे आणि अधिक सामान्य एआय प्रणालींच्या दिशेने प्रगतीला गती मिळाली आहे.
२०१० च्या दशकापासून एआयमधील काही सर्वात उल्लेखनीय घडामोडी खालीलप्रमाणे आहेत:
जीपीटी-५.४ प्रकाशन (मार्च २०२६)
ओपनएआयने (OpenAI) आपल्या GPT-5 मॉडेल मालिकेची अद्ययावत आवृत्ती, GPT-5.4 , प्रसिद्ध केली आहे. तर्काची विश्वसनीयता आणि बहुविध कार्यक्षमता सुधारण्यासाठी ही आवृत्ती तयार करण्यात आली आहे. या मॉडेलमध्ये दीर्घ-संदर्भ आकलन, कोडिंगची अचूकता आणि एजेंटिक कार्य अंमलबजावणीमध्ये सुधारणा करण्यात आल्या आहेत, ज्यामुळे एआय प्रणालींना अधिक जटिल बहु-टप्प्यांचे कार्यप्रवाह पूर्ण करणे शक्य होते. ओपनएआयने पूर्वीच्या आवृत्त्यांच्या तुलनेत या मॉडेलमधील सुधारित तथ्यात्मक आधार आणि कमी झालेल्या भ्रमांवरही भर दिला आहे.
जीपीटी-५.३ त्वरित प्रकाशन (मार्च २०२६)
ओपनएआयने (OpenAI) GPT-5.3 इन्स्टंट (GPT-5.3 Instant) प्रसिद्ध केले आहे , जे दैनंदिन संभाषणाची कार्यक्षमता सुधारण्यासाठी तयार केलेल्या त्यांच्या सर्वाधिक वापरल्या जाणाऱ्या GPT-5 मॉडेलची अद्ययावत आवृत्ती आहे. या अपडेटमध्ये प्रतिसाद अधिक अचूक, थेट आणि संदर्भाशी सुसंगत बनवण्यावर लक्ष केंद्रित केले आहे, तसेच संभाषणाचा ओघ खंडित करू शकणारे अनावश्यक नकार आणि अति-बचावात्मक शब्दप्रयोग कमी केले आहेत. GPT-5.3 इन्स्टंटने मॉडेलच्या अंतर्गत ज्ञानासह वेब शोध परिणामांना एकत्रित करण्याच्या पद्धतीतही सुधारणा केली आहे, ज्यामुळे अधिक उपयुक्त आणि संदर्भाशी सुसंगत उत्तरे मिळतात.
पेंटागॉनने अँथ्रोपिकला काळ्या यादीत टाकले (फेब्रुवारी २०२६)
वाटाघाटी अयशस्वी झाल्यानंतर आणि संरक्षण विभागाच्या अमर्याद प्रवेशाच्या आदेशाचे पालन करण्यास अँथ्रोपिकने नकार दिल्याने , पेंटागॉनने अँथ्रोपिकला “पुरवठा साखळीतील धोका” म्हणून घोषित केले. अमेरिकन नागरिकांवर मोठ्या प्रमाणावर पाळत ठेवण्यासाठी किंवा स्वायत्त प्राणघातक शस्त्रांसाठी आपल्या एआय प्रणालींचा वापर करण्यास परवानगी देण्यास या एआय कंपनीने नकार दिल्यानंतर हा वाद सुरू झाला. पेंटागॉनच्या या उपाययोजनेमुळे संरक्षण विभागासोबतचा अँथ्रोपिकचा करार संपुष्टात आणला गेला आणि संरक्षण विभाग व पेंटागॉनसोबत काम करणाऱ्या इतर सर्व कंत्राटदारांना क्लॉडचा वापर करण्यापासून किंवा अँथ्रोपिकसोबत व्यवसाय करण्यापासून परावृत्त राहणे बंधनकारक केले गेले.
ओपनक्लॉची लोकप्रियता वाढत आहे (फेब्रुवारी २०२६)
नोव्हेंबर २०२५ मध्ये रिलीज झाले असले तरी, ओपनक्लॉ (पूर्वीचे क्लॉडबॉट आणि मोल्टबॉट) २०२६ च्या सुरुवातीला प्रचंड लोकप्रिय झाले. ओपनक्लॉ हा पीटर स्टेनबर्गर यांनी तयार केलेला एक ओपन-सोर्स एआय एजंट आहे, जो स्वतंत्रपणे काम करू शकतो आणि इंटरनेट व वापरकर्त्याच्या संपूर्ण संगणकामध्ये थेट प्रवेश करून कार्ये पार पाडू शकतो. एआय समुदायामध्ये या प्रकल्पाला विकसकांकडून मोठ्या प्रमाणात स्वीकारले गेले, परंतु तो सुरक्षेच्या धोक्यांस बळी पडत राहिला.
क्लॉड सॉनेट ४.६ प्रकाशन (फेब्रुवारी २०२६)
अँथ्रोपिकने क्लॉड सॉनेट ४.६ प्रसिद्ध केले , ज्यामुळे त्यांच्या मोठ्या प्रमाणावर वापरल्या जाणाऱ्या मिड-टिअर क्लॉड मॉडेलच्या क्षमतांचा विस्तार झाला. या अपडेटमुळे कोडिंगची कार्यक्षमता, साधनांचा वापर आणि दीर्घ-संदर्भ तर्कशास्त्रात सुधारणा झाली, ज्यामुळे बहु-टप्प्यांच्या कार्यप्रवाहांची आणि डेव्हलपरच्या कार्यांची अधिक विश्वसनीय अंमलबजावणी शक्य झाली. अँथ्रोपिकने अधिक कार्यक्षमतेवरही भर दिला, ज्यामुळे संस्थांना फ्रंटिअर-स्केल मॉडेल्सच्या तुलनेत कमी खर्चात प्रगत क्षमता तैनात करणे शक्य झाले.
चॅटजीपीटीकडून जाहिरातींची चाचणी सुरू (फेब्रुवारी २०२६)
ओपनएआयने चॅटजीपीटीमध्ये जाहिरातींची चाचणी सुरू केली , ज्यामुळे जनरेटिव्ह एआय प्लॅटफॉर्मसाठी नवीन कमाईच्या धोरणांकडे एक बदल सूचित झाला. या चॅटबॉटने संवादात्मक इंटरफेसमध्ये प्रायोजित प्रतिसाद आणि ब्रँड प्लेसमेंट प्रदर्शित केले, तसेच जाहिराती आणि मॉडेल आउटपुटमध्ये स्पष्ट लेबलिंग राखण्याचा प्रयत्न केला. या उपक्रमातून एआय उत्पादनांची वाढती व्याप्ती दिसून आली, ज्यांना सबस्क्रिप्शन आणि एंटरप्राइझ करारांच्या पलीकडे शाश्वत महसूल मॉडेलची आवश्यकता आहे. या निर्णयामुळे जनरेटिव्ह एआय उत्पादनांवर जाहिरातींचा होणारा प्रभाव आणि वापरकर्त्यांच्या विश्वासाविषयी वादविवादही सुरू झाला.
जीपीटी-५.२ प्रकाशन (डिसेंबर २०२५)
ओपनएआयने GPT-5.2 हे अपडेट प्रसिद्ध केले, ज्यामध्ये दैनंदिन वापराच्या विविध परिस्थितींमध्ये मॉडेलची स्थिरता आणि सुसंगतता सुधारण्यावर लक्ष केंद्रित करण्यात आले होते. या रिलीझमुळे सूचनांचे पालन, संभाषणातील सुसंगतता आणि कोडिंगची विश्वसनीयता यामध्ये सुधारणा करण्यात आल्या, ज्यामुळे दीर्घ संवाद आणि गुंतागुंतीच्या सूचनांमधील त्रुटी कमी झाल्या. ओपनएआयने मॉडेलची कार्यक्षमता देखील सुधारली, ज्यामुळे डेव्हलपर्सना कमी संगणकीय खर्चात अधिक सक्षम एआय सिस्टीम चालवणे शक्य झाले.
चॅटजीपीटीकडून जाहिरातींची चाचणी सुरू (फेब्रुवारी २०२६)
ओपनएआयने चॅटजीपीटीमध्ये जाहिरातींची चाचणी सुरू केली , ज्यामुळे जनरेटिव्ह एआय प्लॅटफॉर्मसाठी नवीन कमाईच्या धोरणांकडे एक बदल सूचित झाला. या चॅटबॉटने संवादात्मक इंटरफेसमध्ये प्रायोजित प्रतिसाद आणि ब्रँड प्लेसमेंट प्रदर्शित केले, तसेच जाहिराती आणि मॉडेल आउटपुटमध्ये स्पष्ट लेबलिंग राखण्याचा प्रयत्न केला. या उपक्रमातून एआय उत्पादनांची वाढती व्याप्ती दिसून आली, ज्यांना सबस्क्रिप्शन आणि एंटरप्राइझ करारांच्या पलीकडे शाश्वत महसूल मॉडेलची आवश्यकता आहे. या निर्णयामुळे जनरेटिव्ह एआय उत्पादनांवर जाहिरातींचा होणारा प्रभाव आणि वापरकर्त्यांच्या विश्वासाविषयी वादविवादही सुरू झाला.
जीपीटी-५.२ प्रकाशन (डिसेंबर २०२५)
ओपनएआयने GPT-5.2 हे अपडेट प्रसिद्ध केले, ज्यामध्ये दैनंदिन वापराच्या विविध परिस्थितींमध्ये मॉडेलची स्थिरता आणि सुसंगतता सुधारण्यावर लक्ष केंद्रित करण्यात आले होते. या रिलीझमुळे सूचनांचे पालन, संभाषणातील सुसंगतता आणि कोडिंगची विश्वसनीयता यामध्ये सुधारणा करण्यात आल्या, ज्यामुळे दीर्घ संवाद आणि गुंतागुंतीच्या सूचनांमधील त्रुटी कमी झाल्या. ओपनएआयने मॉडेलची कार्यक्षमता देखील सुधारली, ज्यामुळे डेव्हलपर्सना कमी संगणकीय खर्चात अधिक सक्षम एआय सिस्टीम चालवणे शक्य झाले.
क्लॉड ओपस ४.५ प्रकाशन (नोव्हेंबर २०२५)
नोव्हेंबर २०२५ मध्ये, अँथ्रोपिकने क्लॉड ओपस ४.५ प्रसिद्ध केले , जे त्यावेळचे त्यांचे सर्वात प्रगत मॉडेल होते. ओपस ४.५ मुळे लाँग-कॉन्टेक्स्ट रिझनिंग कोडिंगची कार्यक्षमता आणि मेमरी हाताळणीमध्ये सुधारणा झाली, ज्यामुळे अधिक चांगल्या प्रकारे बहु-टप्प्यांची समस्या सोडवणे आणि एजेंटिक कार्ये करणे शक्य झाले. या प्रकाशनासोबतच, अँथ्रोपिकने आपल्या एजेंटिक टूल्स, क्लॉड फॉर क्रोम आणि क्लॉड फॉर एक्सेल एक्सटेंशन्सचा वापरही वाढवला, जे वर्कफ्लो स्वयंचलित करण्यासाठी क्लॉडचा वापर करतात.
जेमिनी ३ प्रकाशन (नोव्हेंबर २०२५)
जेमिनी ३ च्या लॉन्चमुळे मल्टीमोडल रिझनिंग, पर्सिस्टंट मेमरी टूल्स आणि एजंट-स्टाईल टास्क एक्झिक्युशनमध्ये सुधारणा झाली. या मॉडेलने प्लॅनिंग, कोड जनरेशन आणि मल्टीमोडल कोहेरन्समध्येही सुधारणा केली, ज्यामुळे ते आघाडीच्या मॉडेल्ससाठी अधिक थेट स्पर्धक बनले.
एनव्हिडियाने १०० अब्ज डॉलर्सचा पायाभूत सुविधा प्रकल्प सुरू केला (सप्टेंबर २०२५)
एनव्हिडियाने ओपनएआय आणि इतर भागीदारांच्या सहकार्याने १० गिगावॅट संगणकीय शक्ती तैनात करण्यासाठी १०० अब्ज डॉलर्सची गुंतवणूक करून एका मोठ्या पायाभूत सुविधा प्रकल्पाची घोषणा केली आहे . हा प्रकल्प आतापर्यंत हाती घेतलेल्या सर्वात मोठ्या डेटा सेंटर विस्तारांपैकी एक असून, एआयच्या पुढील पिढीला आणि एजेंटिक मॉडेल विकासाला चालना देणे हे त्याचे उद्दिष्ट आहे.
जीपीटी-५ प्रकाशन (ऑगस्ट २०२५)
ओपनएआयने ऑगस्ट २०२५ मध्ये जीपीटी-५ (GPT-5) हे एआय मॉडेल प्रसिद्ध केले, जे “ तज्ञ-स्तरीय प्रतिसाद ” देण्यासाठी मागील जीपीटी मॉडेल्समध्ये सुधारणा करते . हे मॉडेल दीर्घ आणि गुंतागुंतीच्या संभाषणांना हाताळण्यासाठी जलद तर्कशक्ती आणि व्यापक बहुविध इनपुट क्षमता प्रदान करते, ज्यात सहयोगी लेखन आणि आरोग्य-संबंधित प्रश्नांसाठी विशेष सुधारणा आहेत.
ट्रम्प प्रशासनाने अमेरिकेची एआय कृती योजना जाहीर केली (जुलै २०२५)
जुलै २०२५ मध्ये, ट्रम्प प्रशासनाने आपली एआय कृती योजना जाहीर केली , ज्यामध्ये अमेरिकेतील कृत्रिम बुद्धिमत्तेच्या विकासासाठी धोरणात्मक प्राधान्यक्रमांची रूपरेषा मांडण्यात आली. या योजनेत एआयवरील नियामक निर्बंध शिथिल करणे, शासकीय कामकाजात एआयचा अवलंब गतीमान करणे, तसेच अमेरिकेतील डेटा सेंटर्सच्या उभारणीला आणि अमेरिकन एआय तंत्रज्ञानाच्या निर्यातीला प्रोत्साहन देण्यावर भर देण्यात आला.
जीपीटी-४ प्रकाशन (मार्च २०२३)
ओपनएआयने २०२३ मध्ये जीपीटी-४ सादर केले . या मोठ्या मल्टीमोडल मॉडेलने मजकूर आणि प्रतिमा दोन्ही इनपुट स्वीकारले आणि शैक्षणिक व व्यावसायिक मानकांवर आपल्या आधीच्या मॉडेल्सच्या तुलनेत लक्षणीय प्रगती साधली. जीपीटी-४ ने प्रगत एआयसाठी एक नवीन मापदंड स्थापित केला, ज्यामुळे विविध माध्यमांमधून अधिक सखोल आकलन करणे शक्य झाले आणि मायक्रोसॉफ्ट कोपायलट व चॅटजीपीटी इंटरफेसेससारख्या साधनांमध्ये त्याच्या व्यापक एकीकरणाचा पाया घातला गेला.
चॅटजीपीटीचा प्रारंभ (नोव्हेंबर २०२२)
२०२२ मध्ये, ओपनएआयने चॅटजीपीटी (ChatGPT) नावाचा एक इंटरॅक्टिव्ह चॅटबॉट सादर केला, जो सुरुवातीला जीपीटी-३.५ (GPT-3.5) वर तयार करण्यात आला होता. तो जवळजवळ तात्काळ व्हायरल झाला, पहिल्या दोन महिन्यांतच त्याचे १० कोटी वापरकर्ते झाले आणि तो इतिहासातील सर्वात वेगाने वाढणारा ग्राहक सॉफ्टवेअर ॲप्लिकेशन बनला. चॅटजीपीटीच्या सर्वसामान्यांपर्यंत सहज पोहोचण्याच्या क्षमतेमुळे जनरेटिव्ह एआय (Generative AI) लोकांच्या मनात रुजला — ज्यामुळे वापरकर्ते, व्यवसाय आणि संस्था एआयशी ज्या प्रकारे संवाद साधतात, त्यात परिवर्तन घडले.
एआयचे ४ प्रकार | Types of Artificial intelligence (AI)
प्रतिक्रियाशील यंत्रे त्यांच्या समोरील जग समजून घेतात आणि त्यानुसार प्रतिक्रिया देतात. ती विशिष्ट आदेश आणि विनंत्या पार पाडू शकतात, परंतु ती स्मृती साठवू शकत नाहीत किंवा प्रत्यक्ष वेळेत निर्णय घेण्यासाठी भूतकाळातील अनुभवांवर अवलंबून राहू शकत नाहीत. यामुळे प्रतिक्रियाशील यंत्रे मर्यादित संख्येतील विशेष कर्तव्ये पूर्ण करण्यासाठी उपयुक्त ठरतात. नेटफ्लिक्सचे शिफारस प्रणाली (recommendation engine) आणि आयबीएमचे डीप ब्लू (बुद्धिबळ खेळण्यासाठी वापरले जाते) ही त्याची उदाहरणे आहेत.
मर्यादित स्मृती असलेल्या एआयमध्ये माहिती गोळा करताना आणि निर्णय घेताना मागील डेटा आणि भाकिते साठवून ठेवण्याची क्षमता असते. थोडक्यात, पुढे काय घडू शकते याचा अंदाज घेण्यासाठी ते भूतकाळातील संकेतांचा शोध घेते. मर्यादित स्मृती असलेले एआय तेव्हा तयार होते, जेव्हा एखादी टीम नवीन डेटाचे विश्लेषण आणि उपयोग कसा करायचा यासाठी मॉडेलला सतत प्रशिक्षित करते, किंवा असे एआय वातावरण तयार केले जाते की मॉडेल्सना स्वयंचलितपणे प्रशिक्षित आणि अद्ययावत केले जाऊ शकते. चॅटजीपीटी (ChatGPT) आणि स्वयंचलित गाड्या ही याची उदाहरणे आहेत.
थिअरी ऑफ माइंड हा एआयचा एक प्रकार आहे जो अद्याप प्रत्यक्षात अस्तित्वात नाही, परंतु तो अशा एआय प्रणालीची कल्पना मांडतो जी मानवी भावना ओळखू आणि समजू शकते , आणि नंतर त्या माहितीचा वापर करून भविष्यातील कृतींचा अंदाज लावू शकते व स्वतःहून निर्णय घेऊ शकते.
स्व-जागरूक एआय म्हणजे अशी कृत्रिम बुद्धिमत्ता जिला स्वतःची जाणीव असते . या प्रकारची एआय सध्या अस्तित्वात नाही. तथापि, सैद्धांतिकदृष्ट्या, स्व-जागरूक एआयमध्ये मानवासारखी चेतना असते आणि ती जगातील स्वतःचे अस्तित्व, तसेच इतरांची भावनिक स्थिती समजून घेते.
ए आयचे फायदे | Benefits of Using AI
पुनरावृत्ती होणारी कामे स्वयंचलित करणे
डेटा एन्ट्री आणि फॅक्टरीतील काम यांसारखी पुनरावृत्तीची कामे , तसेच ग्राहक सेवेतील संभाषणे, ही सर्व एआय तंत्रज्ञानाचा वापर करून स्वयंचलित केली जाऊ शकतात. यामुळे माणसांना इतर महत्त्वाच्या कामांवर लक्ष केंद्रित करता येते.
जटिल समस्या सोडवणे
एकाच वेळी मोठ्या प्रमाणात डेटावर प्रक्रिया करण्याच्या एआयच्या क्षमतेमुळे, ते मानवांसाठी खूप कठीण असू शकणाऱ्या गोष्टी, जसे की आर्थिक दृष्टिकोनाचा अंदाज लावणे किंवा ऊर्जा उपायांना अनुकूल बनवणे, यांमधील नमुने पटकन शोधू शकते आणि गुंतागुंतीच्या समस्या सोडवू शकते.
ग्राहक अनुभव सुधारणे
एआयचा वापर युझर पर्सनलायझेशन, चॅटबॉट्स आणि ऑटोमेटेड सेल्फ-सर्व्हिस तंत्रज्ञानाच्या माध्यमातून केला जाऊ शकतो, ज्यामुळे ग्राहकांचा अनुभव अधिक सुलभ होतो आणि व्यवसायांसाठी ग्राहक टिकवून ठेवण्याचे प्रमाण वाढते.
मानवी चुका कमी करणे
डेटामधील संबंध पटकन ओळखण्याच्या क्षमतेमुळे, प्रचंड डिजिटल माहितीमधील चुका किंवा विसंगती शोधण्यासाठी एआय प्रभावी ठरते, ज्यामुळे एकूणच मानवी चुका कमी होतात आणि अचूकता सुनिश्चित होते.
एआयचे तोटे | Disadvantages of AI
नोकरी विस्थापन
एआयच्या प्रक्रिया स्वयंचलित करण्याच्या, वेगाने सामग्री तयार करण्याच्या आणि दीर्घकाळ काम करण्याच्या क्षमतांमुळे मानवी कामगारांच्या नोकऱ्या जाऊ शकतात.
पूर्वग्रह आणि भेदभाव
एआय मॉडेल्सना पक्षपाती मानवी निर्णयांचे प्रतिबिंब असलेल्या डेटावर प्रशिक्षित केले जाऊ शकते, ज्यामुळे विशिष्ट लोकसमूहांविरुद्ध पक्षपाती किंवा भेदभावपूर्ण निष्कर्ष मिळू शकतात.
भ्रम
अपुऱ्या किंवा पक्षपाती डेटावर प्रशिक्षित केल्यावर, एआय प्रणाली नकळतपणे ‘भ्रम’ निर्माण करू शकतात किंवा चुकीचे निष्कर्ष देऊ शकतात, ज्यामुळे खोटी माहिती निर्माण होते.
गोपनीयतेच्या चिंता
एआय प्रणालींद्वारे गोळा केलेला आणि संग्रहित केलेला डेटा वापरकर्त्याच्या संमतीशिवाय किंवा माहितीशिवाय केला जाऊ शकतो आणि डेटा चोरीच्या घटनेत अनधिकृत व्यक्तींद्वारे तो मिळवलाही जाऊ शकतो .
स्पष्टीकरणाचा अभाव
एआय प्रणाली अशा पद्धतीने विकसित केल्या जाऊ शकतात ज्या पारदर्शक किंवा सर्वसमावेशक नाहीत , ज्यामुळे एआयच्या संभाव्य हानिकारक निर्णयांबद्दल स्पष्टीकरणाचा अभाव निर्माण होतो , तसेच वापरकर्ते आणि व्यवसायांवर नकारात्मक परिणाम होतो.
पर्यावरणीय खर्च
मोठ्या प्रमाणातील एआय प्रणालींना चालवण्यासाठी आणि डेटावर प्रक्रिया करण्यासाठी मोठ्या प्रमाणात ऊर्जेची आवश्यकता असू शकते, ज्यामुळे कार्बन उत्सर्जन आणि पाण्याचा वापर वाढतो .
कृत्रिम बुद्धिमत्तेचे भविष्य | Future of AI
भविष्याचा विचार करता, कृत्रिम बुद्धिमत्तेपुढील एक मोठे पाऊल म्हणजे कमकुवत किंवा मर्यादित एआयच्या पलीकडे जाऊन कृत्रिम सर्वसाधारण बुद्धिमत्ता (AGI) — आणि अखेरीस महाबुद्धिमत्ता — साध्य करणे हे आहे. एजीआयमुळे, यंत्रे माणसांप्रमाणेच विचार करू शकतील, शिकू शकतील आणि कृती करू शकतील, ज्यामुळे सेंद्रिय आणि यंत्र बुद्धिमत्तेमधील सीमारेषा पुसट होईल. यामुळे वैद्यकीय, उत्पादन, वाहतूक आणि इतर अनेक क्षेत्रांमध्ये वाढीव स्वचालन आणि समस्या-निवारण क्षमतांसाठी मार्ग मोकळा होऊ शकतो — तसेच भविष्यात भावनाशील एआयसाठीही मार्ग मोकळा होऊ शकतो.
तंत्रज्ञानाच्या संभाव्यतेबद्दलच्या २०२४ च्या एका निबंधात, अँथ्रोपिकचे सीईओ डारियो अमोडेई यांनी असा अंदाज व्यक्त केला आहे की, शक्तिशाली एआयमुळे एकाच वेळी मोठ्या संख्येने प्रयोग करणे शक्य होईल आणि नवीन शोध व त्या शोधांवर आधारित पुढील संशोधन यांमधील अंतर कमी होऊन, जैविक विज्ञानातील नवोपक्रमाला दहा पटींपर्यंत गती मिळू शकेल.
दुसरीकडे, एआयच्या वाढत्या अत्याधुनिकतेमुळे नोकऱ्या जाण्याचे वाढते प्रमाण, चुकीच्या माहितीचा व्यापक प्रसार आणि गोपनीयतेचा भंग याबद्दलही चिंता निर्माण होते. तसेच, एआय मानवी आकलनशक्ती आणि बुद्धिमत्तेला मागे टाकू शकते या क्षमतेबद्दलही प्रश्न कायम आहेत — या घटनेला 'टेक्नोलॉजिकल सिंग्युलॅरिटी' म्हणून ओळखले जाते , ज्यामुळे अनपेक्षित धोके आणि संभाव्य नैतिक पेचप्रसंग निर्माण होऊ शकतात.
सध्या तरी, या तंत्रज्ञानाच्या भविष्याला दिशा देण्यासाठी समाज मोठ्या प्रमाणावर शासकीय आणि व्यावसायिक स्तरावरील एआय नियमांकडे पाहत आहे.
-लेखिका: अभिलाषा देशपांडे
डोंबिवली ,मुंबई
भ्रमण ध्वनी-७७१५८६१८५९
परिचय
नमस्कार माझे नाव अभिलाषा देशपांडे आहे. मी एक गृहिणी असून ही माझा लिखाणाचा छंद जोपासते. मी ग्रो इंडिया वेबसाइट करिता आरोग्यवर्धक लेख लिहिते. मी चाणक्य न्युज इंडिया मध्ये मुख्य पत्रकार मराठी करिता कार्यरत आहे. माझे कविता व लेख तसेच कथा पण अनेक पुस्तकात प्रसिद्ध आहे.