சுயமாக உருவாக்கப்படும் தரவுகள் மூலம் ஏஐ பயிற்சி பெறுவதற்கான எதிர்காலத்தை சுட்டிக்காட்டும் இஸ்ரேலிய ஆய்வு

பெசாக் பென்சன் மற்றும் ஓமர் நோவோசெல்ஸ்கி • 5 நவம்பர் 2026

ஜெருசலேம், 5 நவம்பர், 2026 (TPS-IL) — உயர்தர பயிற்சித் தரவுகளின் பற்றாக்குறை தொடர்ந்து அதிகரித்து வரும் நிலையில், ஏஐ மேம்பாட்டிற்கு ஒரு புதிய பாதையைத் திறக்கும் வகையில், நிஜ உலகத் தரவுகளில் பயிற்சி பெறாமலேயே செயற்கை நுண்ணறிவு (ஏஐ) மாதிரிகள் பொதுவான கற்றல் திறன்களை வளர்த்துக்கொள்ள முடியும் என்பதை டெல் அவிவ் பல்கலைக்கழகம் மற்றும் ஸ்டான்போர்ட் பல்கலைக்கழகத்தைச் சேர்ந்த ஆய்வாளர்கள் நிரூபித்துள்ளனர்.

இந்தக் கண்டுபிடிப்புகள், இத்துறையின் மிகப்பெரிய தடைகளில் ஒன்றான மனிதர்களால் உருவாக்கப்படும் பயிற்சித் தரவுகளின் விநியோகப் பற்றாக்குறைக்குத் தீர்வுகாண உதவக்கூடும்.

“உண்மையான உரை, படங்கள், ஆடியோ, இசை, டிஎன்ஏ மற்றும் குறியீடுகள் எதிலும் ஒருபோதும் பயிற்சி பெறாமலேயே, அவற்றைத் துல்லியமாகக் கணிப்பதில் ஒரு மாடலால் தொடர்ந்து முன்னேற முடியும் என்பதை நாங்கள் காட்டுகிறோம்,” என்று டாக்டர் யோவ் லெவின் தி பிரஸ் சர்வீஸ் ஆஃப் இஸ்ரேல் (TPS-IL) இடம் கூறினார். ஆன்லைன் ஆய்வுத் தொகுப்பான arXiv-இல் ஒரு முன்வெளியீடாக (preprint) வெளியிடப்பட்டுள்ள இந்த ஆய்வு, இன்னும் சக ஆய்வாளர்களின் மதிப்பாய்வுக்கு (peer review) உட்படவில்லை.

டெல் அவிவ் பல்கலைக்கழகத்தின் கணினி அறிவியல் மற்றும் ஏஐ பள்ளியைச் சேர்ந்த லெவின் இந்த ஆய்வை மேற்பார்வையிட்டார்; மேலும் ஸ்டான்போர்ட் பல்கலைக்கழக ஆராய்ச்சியாளர்களுடன் இணைந்து, டாக்டர் கிஃபிர் டோலெவின் முனைவர் பட்ட மேற்படிப்புப் பணிகளின் (postdoctoral work) ஒரு பகுதியாக இது மேற்கொள்ளப்பட்டது.

புத்தகங்கள், இணையதளங்கள், படங்கள் மற்றும் ஒலிப்பதிவுகளின் பிரம்மாண்டமான தொகுப்புகளில் இருந்து கற்றுக்கொள்ளும் வழக்கமான ஏஐ அமைப்புகளைப் போல் அல்லாமல், இந்த புதிய அணுகுமுறை புதிதாகத் தொடங்கி ஒன்றாகக் கற்கும் இரண்டு நெட்வொர்க்குகளைப் பயன்படுத்துகிறது. ஒரு நெட்வொர்க் குறியீடுகளின் வரிசைகளை உருவாக்கும் சிறிய கணினி நிரல்களை உருவாக்குகிறது, மற்றொன்று அடுத்த குறியீட்டைக் கணிக்கக் கற்றுக்கொள்கிறது. முதல் நெட்வொர்க் அளிக்கும் பயிற்சிகள் இரண்டாவது நெட்வொர்க் முன்னேற எவ்வளவு உதவுகிறது என்பதன் அடிப்படையில் அதற்கு பின்னூட்டம் கிடைக்கிறது; இதன்மூலம் படிப்படியாக மிகவும் பயனுள்ள சவால்களை உருவாக்க அது கற்றுக்கொள்கிறது.

“ஏஐ-க்கு கம்ப்யூட் மற்றும் தரவு தேவை என்பதே வழக்கமான அனுமானம். ஆனால், தரவு ஏதுமின்றி, கம்ப்யூட்டை மட்டுமே அடிப்படையாக வைத்து உங்களால் எவ்வளவு தூரம் செல்ல முடியும் என்று நாங்கள் கேட்கிறோம்,” என்று லெவின் TPS-IL இடம் கூறினார்.

மனிதர்களின் ஆட்டங்களைப் படித்துப் பழகுவதற்குப் பதிலாக, சுய-ஆட்டத்தின் (self-play) மூலம் சதுரங்கம் மற்றும் ‘கோ’ (Go) விளையாட்டைக் கற்றுக்கொண்ட ஆல்ஃபாஜீரோவுடன் (AlphaZero) இந்த அணுகுமுறையை அவர் ஒப்பிட்டார். கற்கும் மாதிரியின் சொந்த முன்னேற்றமே வெற்றிக்கான அளவுகோலாகச் செயல்பட முடியும் என்பதையும், மற்ற நெட்வொர்க் மேலும் பயனுள்ள பயிற்சிகளை உருவாக்க அது வழிகாட்ட முடியும் என்பதையும் ஆய்வாளர்கள் கண்டறிந்தனர்.

செயற்கைப் பயிற்சியைத் தாண்டி இந்தத் திறன்கள் செயல்படுகின்றனவா என்பதைச் சோதிக்க, இந்த மாடல் இதற்கு முன்பு பார்த்திராத நிஜ உலகத் தரவுகளில் ஆய்வாளர்கள் அதை மதிப்பீடு செய்தனர். கூடுதல் கணினி வளங்கள் (computing resources) சேர்க்கப்பட்டபோது, பல துறைகளில் அதன் கணிக்கும் திறன்கள் மேம்பட்டன. கூடுதல் பயிற்சி ஏதுமின்றி, சோதனையின் போது வழங்கப்பட்ட உதாரணங்களில் இருந்தே விதிகளையும் அதனால் ஊகிக்க முடிந்தது.

பெருக்குத் தொடர்கள் (geometric sequences), ஃபைபோனாச்சி போன்ற வடிவங்கள், இருபடி மற்றும் முப்படி தொடர்கள் உள்ளிட்ட கணிதக் கட்டமைப்புகளை இந்த அமைப்பு தன்னிச்சையாக உருவாக்கியதையும் ஆராய்ச்சியாளர்கள் கண்டறிந்தனர். அதே பரப்பிலிருந்து சீரற்ற முறையில் எடுக்கப்பட்ட 164 மில்லியன் மாதிரிகளிலான நிரல்களில் எதுவுமே தோன்றவில்லை என்றும், தன்னுடன் கற்கும் இணை நெட்வொர்க் சிறந்த கணிப்புகளைச் செய்ய உதவியதன் காரணமாகவே இந்த அமைப்பு அவற்றைக் கண்டுபிடித்தது என்றும் லெவின் கூறினார்.

தரவுத் தடையைத் தாண்டி

தரவு அரிதாக உள்ள அல்லது தரவுகளைப் பெறுவதற்கு அதிக செலவாகும் துறைகளில் பயிற்சிப் பொருட்களுக்கான புதிய ஆதாரத்தை இந்த முறை வழங்கக்கூடும்.

“மனிதர்களால் உருவாக்கப்படும் உரை அல்லது குறியீடுகளுக்கு வரவிருக்கும் காலத்தில் ஏற்படும் என்று பலர் எதிர்பார்க்கும் நிலையிலும், தரவு அரிதாக அல்லது பெறுவதற்கு அதிக செலவாக இருக்கும் துறைகளிலும் உயர்தரத் தரவு ஒரு பெரும் தடையாக மாறும்போது இது முக்கியத்துவம் பெறுகிறது,” என்று லெவின் TPS-IL இடம் கூறினார்.

வழக்கமான ஏஐ பயிற்சிக்கு முந்தைய ஒரு ஆரம்பக்கட்டப் பயிற்சியாகவும் இது செயல்பட முடியும். தங்கள் சோதனைகளில், சுயமாக உருவாக்கப்பட்ட பயிற்சிகளுக்கு உட்படுத்தப்பட்ட மாதிரிகள், நிஜ உலகத் தரவுகள் வழங்கப்பட்டபோது மிக வேகமாக கற்றுக்கொண்டதை ஆராய்ச்சியாளர்கள் கண்டறிந்தனர்.

இருப்பினும், இதில் குறிப்பிடத்தக்க வரம்புகள் உள்ளன. இந்த சோதனைகளில் 25 மில்லியனுக்கும் குறைவான அளவுருக்கள் (parameters) கொண்ட மாதிரிகள் மட்டுமே பயன்படுத்தப்பட்டன; இது இன்றைய மிகப்பெரிய ஏஐ அமைப்புகளை விட 10,000 மடங்குக்கும் அதிகமான அளவு சிறியதாகும். அந்த பிரம்மாண்ட அளவிலும் இந்த முடிவுகள் நீடிக்குமா என்பது இன்னும் தெரியவில்லை. கணிசமான அளவு பெரிய மாதிரிகளுக்கும் இந்த அணுகுமுறையை விரிவுபடுத்த முடியுமா என்பதை ஆராய்ச்சியாளர்கள் இப்போது ஆராய்ந்து வருவதாக லெவின் கூறினார்.

சுயவழிக் கற்றலானது (self-directed learning) உலகம் பற்றிய உண்மைத் தகவல்களுக்கு மாற்றாக அமைய முடியாது. கணக்கீட்டின் மூலம் ஒரு அமைப்பால் கணித வடிவங்களைக் கண்டறிய முடியுமே தவிர, இயற்பியல் யதார்த்தத்தை உற்றுநோக்காமல் அதைப்பற்றிக் கற்றுக்கொள்ளவோ அல்லது வரலாற்று உண்மைகளைத் தன்னிச்சையாக உருவாக்கவோ முடியாது.

“சுய-ஆட்டமானது பொதுவான கட்டமைப்பையும், பல வகையான தரவுகளில் பரவலாகக் காணப்படும் வடிவங்களையும் கற்றுக்கொடுக்கிறதே தவிர, ‘ஹேம்லெட்டை’ எழுதியவர் யார் என்பது போன்ற நமது உலகம் பற்றிய உண்மைகளைக் கற்றுக்கொடுக்காது,” என்று லெவின் TPS-IL இடம் கூறினார். “அவை இன்னும் நிஜத் தரவுகளில் இருந்தே பெறப்பட வேண்டும்; எனவே இந்த அம்சங்களில் அது மனிதத் தரவுகளுக்கு மாற்றாக இல்லாமல், அவற்றிற்குத் துணையாகவே அமைகிறது.”

ஏஐ அமைப்புகள் தங்களின் சொந்தத் தவறுகளைத் திரும்பச் செய்து அவற்றைப் பெரிதாக்கும் அபாயம் குறித்தும் ஆய்வாளர்கள் பேசினர்.

“எங்கள் கற்கும் மாதிரி, நிரல்கள் உண்மையில் இயக்கப்படும்போது அவை வெளிப்படுத்தும் வெளியீடுகளின் (output) அடிப்படையிலேயே பயிற்சி பெறுகிறது. ஒவ்வொரு நிரலும் எதைக் கணக்கிடுகிறதோ அதுவே துல்லியமான தரவு என்பதால், இங்கே வலுப்பெறுவதற்கு எந்த மாயத்தோற்றங்களும் (hallucinations) இல்லை,” என்று லெவின் TPS-IL இடம் விளக்கினார். “நாங்கள் எதிர்கொள்ளும் அபாயங்கள் என்னவென்றால், நிரல் எழுதும் பகுதி ஒரு குறுகிய வட்டத்திற்குள் சிக்கிக்கொள்வது, முன்னர் கண்டுபிடித்ததை மறந்துவிடுவது, அல்லது அதன் வெகுமதிக்காக தவறான வழிகளில் செயல்படுவது ஆகியவைதான். உண்மையான கற்றல் முன்னேற்றத்திற்கு வெகுமதி அளிப்பதன் மூலமும், மாறுபட்ட நிரல்களின் காப்பகத்தைப் பராமரிப்பதன் மூலமும், முந்தைய நிரல்கள் மறக்கப்படாமல் இருக்க அவற்றை மீண்டும் இயக்குவதன் மூலமும், நிரல்களை உருவாக்கும் அமைப்பை எளிய தொடக்க விநியோக முறைக்கு நெருக்கமாக வைத்திருப்பதன் மூலமும் நாங்கள் இவற்றிலிருந்து பாதுகாக்கிறோம்.”

அடுத்த முக்கிய மைல்கல் என்பது பில்லியன் கணக்கான அளவுருக்களைக் கொண்ட மாதிரிகளில் இந்த அணுகுமுறை செயல்படுகிறது என்பதையும், வழக்கமான பயிற்சித் தரவுகளின் குறிப்பிட்ட அளவுக்குப் பதிலாக சுயமாக உருவாக்கப்படும் பயிற்சியை மாற்றீடு செய்ய முடியும் என்பதையும் நிரூபிப்பதே ஆகும் என்று லெவின் கூறினார். இறுதியில், ஒரு ஏஐ மாதிரியானது தனக்குக் கிடைக்கும் நிஜ உலகப் பயிற்சித் தரவுகள் அனைத்தும் தீர்ந்துபோன பிறகும் சுய-ஆட்டம் மூலம் தொடர்ந்து முன்னேற முடியுமா என்பதைத் தீர்மானிக்கவே ஆய்வாளர்கள் விரும்புகின்றனர்.