ဉာဏ်ရည်တုနည်းပညာ သို့မဟုတ် အေအိုင် ဖွံ့ဖြိုးတိုးတက်လာခြင်း(၈)

အေအိုင်ဖွံ့ဖြိုးတိုးတက်လာမှုအကြောင်း ဆွေးနွေးလာခဲ့သည်မှာ တော်တော်လေးခရီးရောက်လာပြီဖြစ်၍ ယခုတစ်ပတ်တွင်  လက်ရှိအေအိုင် ဖွံ့ဖြိုးတိုးတက်မှုနောက်ကွယ်မှ ထူးခြားသည့် နိယာမတစ်ခုအကြောင်းကို ဆွေးနွေးလိုပါသည်။ Scaling Laws ဟု နာမည်ပေးထားသည့် နိယာမ ဖြစ်သည်။

ဉာဏ်ရည်တုနည်းပညာ၏ အစောပိုင်းကာလများတွင် တိုးတက်မှုဆိုသည်မှာ များသောအားဖြင့် ကြိုတင်ခန့်မှန်းနိုင်စရာမရှိဟု သုတေသီများ ခံစားခဲ့ကြရသည်။ သုတေသီတို့က မိုဒယ်အသစ်တစ်ခု ကို ဒီဇိုင်းဆွဲသည်။ လေ့ကျင့်သည်။ တိုးတက်လာရန် မျှော်လင့်သည်။ တစ်ခါတစ်ရံ  အလုပ်ဖြစ်သည်။ တစ်ခါတစ်ရံ အလုပ်မဖြစ်။ ရှင်းလင်းသည့် စည်းမျဉ်းသတ်မှတ်ချက်ဟူ၍မရှိ။ ထိုးထွင်းသိမြင်မှု၊ လက်တွေ့လေ့လာစမ်းသပ်မှုနှင့် ကံကောင်းမှု အတိုင်းအတာတစ်ခုတို့ ပေါင်းစည်းထားခြင်းမျှသာ။

ထိုအဖြစ်တို့သည် ၂၀၁၀ ပြည့်လွန်နှစ် နှောင်းပိုင်းကာလများတွင်  စတင်ပြောင်းလဲသွားသည်။ ထရန်စဖော်မာအခြေပြု မိုဒယ်များကိုလေ့လာနေကြသည့် သုတေသီတို့သည် ထူးခြားသည့်တစ်စုံ တစ်ရာကို သတိပြုမိခဲ့ကြ၏။ သူတို့ မိုဒယ်များ၏ ပမာဏကို ကြီးအောင်လုပ်လိုက်လျှင် စွမ်းဆောင် ရည်သည် ကြုံရာကျပန်း ပရမ်းပတာတိုးတက်သွားခြင်းမျိုးမဟုတ်၊   ချောချောမွေ့မွေ့ဖြင့်   ကြိုတင်ခန့်မှန်းနိုင်သည့် လမ်းကြောင်းအတိုင်း တိုးတက်လာသည်ဆိုသည့်အချက်ဖြစ်သည်။

မိုဒယ်များ၏ ပမာဏကို ကြီးအောင်လုပ်ခြင်းဆိုသည်တွင်   အဓိကအချက်  သုံးချက်ပါဝင်သည်။ မိုဒယ်၏ အရွယ်အစား။ ယင်းမှာ   တိုင်းတာမှု ပါရာမီတာ ဘယ်လောက်ထည့်ထားလဲဆိုသည်ကို ဆိုလိုသည်။ ပါရာမီတာ များများထည့်သွင်းပေးလေလေ မိုဒယ်ပိုကြီးလာလေလေဖြစ်သည်။ နောက် တစ်ခုမှာ လေ့ကျင့်ပေးသည့် အချက်အလက်ပမာဏ။ ထည့်သွင်းပေးသည့် အချက်အလက်များ ပိုများလေလေ (သန့်စင်ပြီး အချက်အလက်များဟု ဆိုလျှင် ပိုမှန်မည်) မိုဒယ်မှာ ပိုအစွမ်းထက်လေလေ ဖြစ်မည်မှာ ပင်ကိုသိစိတ်ဖြင့်ပင် နားလည်နိုင်သည့်ကိစ္စဖြစ်သည်။ နောက်ဆုံးတစ်ချက်မှာ အသုံးပြုသည့် ကွန်ပျူတာတို့၏ တွက်ချက်နိုင်စွမ်း။ တွက်ချက်နိုင်စွမ်းမြင့်လေလေ မိုဒယ်၏ စွမ်းအားပိုကောင်းလေလေဖြစ်သည်။

ထိုအချက်သုံးချက်လုံးကို ကြည့်လိုက်လျှင် ထိုအချက်များ ပိုကောင်းလာခြင်းကြောင့် မိုဒယ်ပိုပြီး အစွမ်းထက်လာသည်မှာ အံ့ဩစရာမရှိ။ သို့သော် အံ့ဩစရာရှိသည်မှာ တိုးတက်မှုနှုန်းဖြစ်သည်။ တိုးတက်မှုသည် ပရမ်းပတာဖြစ်မနေ အဆင်အကွက်တစ်ခုအတိုင်းရှိနေသည်။ ဆိုလိုသည်မှာ ပါရာ မီတာ ဘယ်လောက်ထည့်လိုက်လျှင် ဘယ်လောက်တိုးတက်မည်၊ အချက်အလက် ဘယ်လောက်များများထပ်ဖြည့်လျှင် ဘယ်လောက်တိုးတက်မည်၊ တွက်ချက်မှုစွမ်းရည် ဘယ်လောက်တိုးလိုက်လျှင် ဘယ်လောက်တိုးတက်မည်ဆိုသည်ကို ကြိုတင်တွက်ချက်နိုင်ခြင်းဖြစ်သည်။

ယင်းကို Scaling Laws ဟု ခေါ်ခြင်းဖြစ်သည်။ ထိုသို့ နိယာမကို တွေ့ရခြင်းမှာလည်း နိယာမတစ်ခုကို တွေ့အောင်ရှာခဲ့ကြ၍ဖြစ်သည်။ OpenAI လို လုပ်ငန်းများမှ သုတေသီတို့သည် ဉာဏ်ရည်တု တိုးတက်မှုနှင့်ပတ်သက်၍ နိယာမတစ်ခုခု ရှိနေမလားဆိုသည်ကို အမှန်တကယ် ရှာဖွေခဲ့ကြသည်။ သူတို့ တကယ်တမ်းတွေ့ရှိခဲ့သည်ကတော့ အေအိုင်၏ အမှားလုပ်နှုန်းတွင်ဖြစ်နေသည်။ သူတို့က အေအိုင်မိုဒယ်တစ်ခု အမှားဘယ်လောက်လုပ်လဲ ဆိုသည်ကို ဇယားပေါ်တွင်  ချရေးသည်။ အထက်ဖော်ပြပါနည်းသုံးနည်းဖြင့် တိုးတက်အောင်လုပ်ပြီး ထပ်တိုင်းသည်။ ထိုသို့ ထပ်ကာထပ်ကာလုပ်ပြီး နောက် အမှားများသည် ကြုံရာကျပန်းဖြစ်မနေ သင်္ချာအဆင်အကွက် ပုံစံတစ်ခုဆောင်နေသည်ကို အံ့ဩဖွယ်တွေ့ခဲ့ကြခြင်းဖြစ်သည်။

လက်တွေ့ကမ္ဘာတွင် အရာရာတိုင်းသည် ကြီးထွားလာတိုင်း၊ ဆိုပါစို့ စကေးမြင့်လာတိုင်း ပိုမိုရှုပ်ထွေးလာလေ့ရှိသည်။ မျှော်လင့်မထားသော အပိတ်အဆို့အကျပ်အတည်းနှင့် ရင်ဆိုင်ရတတ်သည်။ စွမ်းဆောင်ရည်တိုးတက်မှု တန်းသွားခြင်းမျိုး ကြုံရသည်။ အဆင့်မြှင့်လိုက်သည့်တိုင် စွမ်းဆောင်ရည်တက်မလာခြင်းမျိုးကို ဆိုလိုသည်။ ထိုက်တန်သော အကျိုးအမြတ်မရဘဲ ကုန်ကျစရိတ်ပေါက်ကွဲသွားတတ်သည်။

သို့သော် အေအိုင်ဖွံ့ဖြိုးတိုးတက်မှုတွင်မူ ထိုသဘောနှင့် ဆန့်ကျင်ဘက်မြင်တွေ့နေရသည်။ ဖြည်းဖြည်းမှန်မှန်၊ ကြိုတင်ခန့်မှန်း၍ ရနိုင်အောင် ရှေ့ကဇယားများနှင့်အညီ တိုးတက်သည်။ ထို့ကြောင့်လည်း သုတေသီတို့က အေအိုင်ဖွံ့ဖြိုးတိုးတက်မှု နောက်ကွယ်မှ နိယာမဟု ခေါ်ကြခြင်းဖြစ်သည်။ အကျိုးရလဒ်လည်း ကြီးမားသည်။ သုတေသီတို့အနေဖြင့် တိုးတက်မှုကို ခန့်မှန်းနေစရာမလိုတော့။ မည်သည့်အပိုင်းကို မည်မျှမြှင့်ပေးလိုက်လျှင် တိုးတက်မှုဘယ်လောက်ရှိမလဲဆိုသည်ကို မိုဒယ်အား လေ့ကျင့်မပေးခင်ကတည်းက ကြိုတင်ခန့်မှန်းထားနိုင်ပြီဖြစ်သည်။

မည်သည့်အရာမဆို အကောင်းချည်းသက်သက်တော့မဟုတ်ပါ။ အယူရှိလျှင် အပေးရှိရသည်။ အေအိုင်ဖွံ့ဖြိုးတိုးတက်မှုနောက်ကွယ်မှ နိယာမတွင် ပေးဆပ်ရသည်မှာ ကုန်ကျစရိတ်။ Scaling Laws ကို အသုံးချလိုလျှင် ကုန်ကျစရိတ်များများခံနိုင်ရမည်။ ပမာဏကြီးကြီးထည့်သွင်းသည့်တိုင် တိုးတက်မှုနည်းနည်းပဲရသည်။ ဆိုလိုသည်မှာ အစပိုင်းတွင် တိုးတက်မှုများသော်လည်း နောက်ပိုင်းတွင် နည်းသွားသည်။ ထို့ကြောင့် စရိတ်ချွေတာရသည့် လုပ်ငန်းငယ်များသည် Scaling Laws ကို အသုံးမချနိုင်။ အခြားသော စရိတ်သက်သာသည့် မိုဒယ်များဖြင့်သာ တစ်နည်းတစ်လမ်း ရှာကြံကြရ သည်။ ရှေ့ကအတိုင်း  ဒီဇိုင်းဆွဲ၊ လက်တွေ့စမ်း၊  ကံကောင်းဖို့မျှော်လင့် ပုံစံမျိုးကို ဆက်သုံးရ သည်။

ယင်းမှာ စီးပွားရေးနှင့်ပတ်သက်ပြီး အခက်ကြုံရသည့်အပိုင်း။ အတွေးအခေါ်ပိုင်းတွင် ပိုမိုနက်ရှိုင်းသော မေးခွန်းတစ်ခုပေါ်လာသည်။ ဆင်ခြင်တုံ တရား၊ သဘောပေါက်နားလည်မှု၊ တီထွင်ဖန်တီးနိုင်စွမ်းတို့နှင့် ဖွဲ့စည်းထားသော ဉာဏ်ရည်တုသည် ဘာကြောင့် ရိုးရှင်းသောသင်္ချာဆိုင်ရာ အဆင် အကွက်အတိုင်း လိုက်နာကျင့်ကြံရပါသနည်း။ သို့ဆိုလျှင် ကျွန်တော်တို့၏ ဉာဏ်ရည်သည်လည်း ကြီးမားသောပမာဏရှိသည့် အဆင်အကွက်များကို သဘာဝအတိုင်း  လေ့ကျင့်သင်ယူရင်း  ဖြစ်တည်လာခဲ့ပါသလား။ အချို့သောသုတေသီတို့က ထိုအတိုင်းဖြစ်မည်ဟု အဆိုပြုကြသည်။ သို့သော် အချို့ သုတေသီတို့ကတော့ ကျွန်တော်တို့၏ သိမြင်နားလည်မှုမပြည့်စုံသေး၍ဖြစ်မည်ဟု အဆိုပြုသည်။ ယခုမြင်နေရသည်မှာ ရှုခင်းကြီးတစ်ခုလုံး၏ တစ်စိတ်တစ်ပိုင်းသာဟု သူတို့က ဆိုကြသည်။ တစ်ချိန်ချိန်တွင် ရှုခင်းကို ပိုမိုမြင်လာရလျှင် လက်ရှိသဘောတရားအပေါ် လွှမ်းမိုးသွားမည့် သဘော တရားတို့ ထပ်မံပေါ်ထွက်လာမည်ဟု ငြင်းချက်ထုတ်သည်။

မည်သို့ပင်ဆိုစေ လက်ရှိအချိန်၌ Scaling Laws ကို သုံးနိုင်သူက အေအိုင်လောကတွင် စိုးမိုးမှုတစ်ခု ရယူထားနိုင်သည်။   Scaling Laws က ပင်လျှင် ယနေ့ခေတ်၏ အေအိုင်လောကကို စိုးမိုးထားသည်။ ဘာသာစကား မိုဒယ်ဖြစ်ဖြစ်၊ ရုပ်ပုံထုတ်လုပ်သည့် မိုဒယ်ဖြစ်ဖြစ်၊ ဗီဒီယိုထုတ်လုပ်သည့် မိုဒယ် ဖြစ်ဖြစ် Scaling Laws  ၏  သက်ရောက်မှုကိုခံရသည်။ မိုဒယ်ကို ပမာဏကြီးအောင် လုပ်နိုင်လေလေ စွမ်းဆောင်ရည်ပိုကောင်းလေလေသာဖြစ်မည်။ ဤနေရာတွင် မိုဒယ်ကြီးများ၏ မျှော်လင့်မထားသည့် စွမ်းဆောင်ရည်အသစ်များ ရလာနိုင်စွမ်းကိုပါထည့်ပြီး မျှော်လင့်ထားနိုင်သေးသည်။   ယင်းမှာ လေ့ကျင့်စဉ်မသိရဘဲ လူအများလက်ထဲရောက်ပြီးမှ သိနိုင်သည့်ကိစ္စမျိုးဖြစ်သည်။ ယခုလောက်ဆိုလျှင် အေအိုင်တို့၏နောက်ကွယ်မှ နိယာမအကြောင်းကို ရိပ်ဖမ်းသံဖမ်းသိလောက်မည်ဟု  ထင်ပါသည်။

MDN