कृत्रिम बुद्धिमत्ता की दुनिया में, हम हमेशा इस बात की खोज कर रहे हैं कि मशीनों को मानव की तरह सोचने के लिए कैसे बनाया जाए। अब, जॉर्जिया टेक के शोधकर्ताओं ने एक बड़ा कदम उठाया है, जिन्होंने पहला न्यूरल नेटवर्क - RTNet विकसित किया है, जो मानव संवेदनाओं और निर्णय प्रक्रियाओं का अनुकरण कर सकता है।
RTNet का जन्म यह दर्शाता है कि हम मानव मस्तिष्क के कार्य करने के तरीके को समझने और अनुकरण करने में महत्वपूर्ण प्रगति कर रहे हैं। यह नया न्यूरल नेटवर्क न केवल यादृच्छिक निर्णय उत्पन्न कर सकता है, बल्कि मानव प्रतिक्रिया समय वितरण का अनुकरण भी कर सकता है, जो पहले के एआई मॉडल में देखना मुश्किल था।
पारंपरिक न्यूरल नेटवर्क के विपरीत, RTNet कार्यों को संसाधित करते समय कार्य की कठिनाई के आधार पर अपनी "सोचने" का समय समायोजित करता है। जैसे हम सरल प्रश्नों का तुरंत उत्तर दे सकते हैं, जबकि जटिल प्रश्नों का सामना करते समय हमें अधिक समय लगता है।
छवि स्रोत नोट: चित्र AI द्वारा उत्पन्न, चित्र अधिकार सेवा प्रदाता Midjourney
RTNet की आंतरिक संरचना में दो चरण शामिल हैं। पहला चरण Alexnet आर्किटेक्चर का उपयोग करता है, लेकिन वजन पैरामीटर बेयसियन न्यूरल नेटवर्क (BNN) के रूप में होते हैं, जो यादृच्छिकता को शामिल करते हैं। दूसरा चरण एक संचयी प्रक्रिया है, जो एक निश्चित सीमा निर्धारित करता है, जब तक कि एक वर्ग उस सीमा तक नहीं पहुँच जाता, तब तक निष्पादन बंद होता है।
शोधकर्ताओं ने व्यापक परीक्षणों के माध्यम से यह दिखाया है कि RTNet मानव की सटीकता, प्रतिक्रिया समय और आत्मविश्वास के सभी मूल लक्षणों को पुन: उत्पन्न कर सकता है, और अन्य मौजूदा मॉडलों की तुलना में बेहतर प्रदर्शन करता है।
प्रयोग में, 60 प्रतिभागियों ने संख्याओं की पहचान कार्य किया और अपने निर्णय आत्मविश्वास का मूल्यांकन किया। इसी बीच, RTNet और अन्य कुछ उन्नत न्यूरल नेटवर्क के साथ तुलना परीक्षण किए गए।
प्रयोग के परिणामों ने दिखाया कि RTNet मानव निर्णय की यादृच्छिकता का अनुकरण करने में उत्कृष्टता प्रदर्शित करता है, और कार्य की कठिनाई के अनुसार प्रतिक्रिया समय को समायोजित कर सकता है। इसके विपरीत, अन्य न्यूरल नेटवर्क का निर्णय प्रक्रिया पूरी तरह से निश्चित होती है।
RTNet की सफलता न केवल तकनीकी दृष्टि से महत्वपूर्ण है, बल्कि यह मानव मस्तिष्क के कार्य तंत्र को समझने के लिए एक नया दृष्टिकोण प्रदान करती है। इसका सिद्धांत और संज्ञानात्मक मॉडल में जाति मॉडल के समान है, लेकिन चित्र गणनीयता और चयन के बीच संबंध को पकड़ने में यह बेहतर है।