ಹಿಂದಿನ ಲೇಖನದಲ್ಲಿ ನಾವು 'ಕಂಪ್ಯೂಟರ್ ವಿಷನ್' ಮೂಲಕ AI ಗೆ ಕಣ್ಣು ಬರುವುದರ ಬಗ್ಗೆ ನೋಡಿದೆವು. ಆದರೆ, ಕೇವಲ ಕಣ್ಣಿದ್ದರೆ ಸಾಕೆ?

ನೀವು ರಸ್ತೆಯಲ್ಲಿ ನಡೆಯುತ್ತಿರುವಾಗ ಎದುರಿಗೆ ಬರುವ ವಾಹನವನ್ನು ಕಣ್ಣು ನೋಡುತ್ತದೆ, ಹಿಂದಿನಿಂದ ಬರುವ ಹಾರ್ನ್ ಶಬ್ದವನ್ನು ಕಿವಿ ಕೇಳುತ್ತದೆ, ಮತ್ತು ಪಕ್ಕದಲ್ಲಿರುವ ಬೋರ್ಡ್ ಮೇಲಿನ ಅಕ್ಷರಗಳನ್ನು ನಿಮ್ಮ ಮೆದುಳು ಓದುತ್ತದೆ. ಮನುಷ್ಯರಾದ ನಾವು ಈ ಎಲ್ಲವನ್ನೂ ಏಕಕಾಲದಲ್ಲಿ ಗ್ರಹಿಸಿ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ.

ಹಾಗಾದರೆ, ನಾವು ಸೃಷ್ಟಿಸುತ್ತಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ (AI) ಕೇವಲ ಪಠ್ಯ (Text) ಅಥವಾ ಕೇವಲ ಚಿತ್ರವನ್ನು (Image) ಮಾತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮಿತಿಯೇಕೆ ಇರಬೇಕು? ಇದೇ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರವಾಗಿ ಹುಟ್ಟಿಕೊಂಡಿರುವ, ತಂತ್ರಜ್ಞಾನ ಜಗತ್ತಿನ ಇಂದಿನ ಅತಿ ದೊಡ್ಡ ಕ್ರಾಂತಿಯೇ ಬಹುಮುಖಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (Multimodal AI).

ಹಳೆಯ "ಪ್ಯಾಚ್-ವರ್ಕ್" ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ಇಂದಿನ 'ಸಹಜ' ಬಹುಮುಖಿ AI

ಹಿಂದೆ AI ಗೆ ಒಂದು ಚಿತ್ರವನ್ನು ವಿವರಿಸಲು ಹೇಳಿದರೆ, ಅದು ಚಿತ್ರವನ್ನು ನೋಡಲು 'ಕಂಪ್ಯೂಟರ್ ವಿಷನ್' ಬಳಸುತ್ತಿತ್ತು, ಆಮೇಲೆ ಅದನ್ನು ಅಕ್ಷರಗಳಿಗೆ ಪರಿವರ್ತಿಸಲು ಇನ್ನೊಂದು ಸಾಫ್ಟ್‌ವೇರ್ ಬಳಸುತ್ತಿತ್ತು. ಇದು ಮೂರು ಬೇರೆ ಬೇರೆ ಯಂತ್ರಗಳನ್ನು ವೈರ್ ಮೂಲಕ ಜೋಡಿಸಿದಂತೆ ಇತ್ತು. ಇದರಿಂದ ಸ್ಪೀಡ್ ಕಡಿಮೆಯಾಗುತ್ತಿತ್ತು.

ಆದರೆ, ಇಂದಿನ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು 'ಸಹಜ ಬಹುಮುಖಿ' (Native Multimodal) ಆಗಿವೆ. ಅಂದರೆ, ಇವುಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗಲೇ (Training) ಪಠ್ಯ, ಚಿತ್ರ, ವಿಡಿಯೋ, ಮತ್ತು ಧ್ವನಿಯನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಇದರಿಂದ ಇವುಗಳ ಮೆದುಳಿಗೆ ಅಕ್ಷರವೂ ಒಂದೇ, ವಿಡಿಯೋ ದೃಶ್ಯವೂ ಒಂದೇ! ಇದು ಎಷ್ಟರಮಟ್ಟಿಗೆ ಮುಂದುವರಿದಿದೆ ಎಂದರೆ, ಇವು ನೈಜ ಸಮಯದಲ್ಲಿ (Real-time) ನಿಮ್ಮ ಜೊತೆಗಿದ್ದು ಮನುಷ್ಯರಂತೆಯೇ ಪ್ರತಿಕ್ರಿಯಿಸಬಲ್ಲವು.

೨೦೨೬ರ ಭವಿಷ್ಯದ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಇದು ಹೇಗೆ ಮ್ಯಾಜಿಕ್ ಮಾಡುತ್ತಿದೆ?

ಈ ಮಲ್ಟಿಮೋಡಲ್ AI ಕೇವಲ ಲ್ಯಾಪ್‌ಟಾಪ್‌ನ ಒಳಗಿಲ್ಲ, ನಮ್ಮ ಭೌತಿಕ ಜಗತ್ತಿಗೆ ಕಾಲಿಟ್ಟಿದೆ. ಇದರ ರೋಚಕ ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:

೧. ಲೈವ್ ವಿಡಿಯೋ ಅಸಿಸ್ಟೆಂಟ್ (ನಿಮ್ಮ ಪಕ್ಕದಲ್ಲೇ ಇರುವ ತಜ್ಞ!)

ನೀವು ಹೊಸದಾಗಿ ತಂದಿರುವ ಹೋಮ್ ಥಿಯೇಟರ್ ಅನ್ನು ಟಿವಿಗೆ ಕನೆಕ್ಟ್ ಮಾಡುತ್ತಿದ್ದೀರಿ, ಆದರೆ ಯಾವ ವೈರ್ ಎಲ್ಲಿಗೆ ಹಾಕಬೇಕು ಎಂದು ಗೊತ್ತಾಗುತ್ತಿಲ್ಲ ಅಂದುಕೊಳ್ಳಿ. ನಿಮ್ಮ ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಕ್ಯಾಮೆರಾ ಆನ್ ಮಾಡಿ, AI ಗೆ ವಿಡಿಯೋ ಕಾಲ್ ಮಾಡಿ, ಕನೆಕ್ಟರ್‌ಗಳನ್ನು ತೋರಿಸುತ್ತಾ "ಯಾವ ವೈರ್ ಎಲ್ಲಿಗೆ ಸೇರಿಸಬೇಕು?" ಎಂದು ಧ್ವನಿಯಲ್ಲಿ ಕೇಳಬಹುದು. AI ಲೈವ್ ಆಗಿ ನಿಮ್ಮ ಕ್ಯಾಮೆರಾ ದೃಶ್ಯವನ್ನು ನೋಡಿ, "ನಿಮ್ಮ ಎಡಗೈಯಲ್ಲಿರುವ ಕೆಂಪು ವೈರ್ ಅನ್ನು ಟಿವಿಯ ಎರಡನೇ ಪೋರ್ಟ್‌ಗೆ ಹಾಕಿ" ಎಂದು ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ!

೨. ಸ್ಮಾರ್ಟ್ ಗ್ಲಾಸ್‌ಗಳ ಕ್ರಾಂತಿ (Smart Glasses & AR)

ಇಂದು ಮಾರುಕಟ್ಟೆಗೆ ಬರುತ್ತಿರುವ 'ಮೆಟಾ ಓರಿಯನ್' (Meta Orion) ನಂತಹ ಸ್ಮಾರ್ಟ್ ಕನ್ನಡಕಗಳ ಹಿಂದಿನ ಶಕ್ತಿಯೇ ಈ ಮಲ್ಟಿಮೋಡಲ್ AI. ನೀವು ಈ ಕನ್ನಡಕ ಹಾಕಿಕೊಂಡು ಸೂಪರ್‌ಮಾರ್ಕೆಟ್‌ನಲ್ಲಿ ನಡೆಯುವಾಗ, ಕಪಾಟಿನಲ್ಲಿರುವ ಒಂದು ಪ್ರೋಟೀನ್ ಪೌಡರ್ ಡಬ್ಬವನ್ನು ನೋಡುತ್ತೀರಿ. ಕನ್ನಡಕದ ಒಳಗಿರುವ AI ಆ ಡಬ್ಬವನ್ನು ನೋಡಿ, ಅದರ ಮೇಲಿರುವ ಪದಾರ್ಥಗಳನ್ನು ಓದಿಕೊಂಡು, "ಇದರಲ್ಲಿ ಸಕ್ಕರೆ ಅಂಶ ಹೆಚ್ಚಿದೆ, ಇದು ನಿಮ್ಮ ಡಯಟ್‌ಗೆ ಸೂಕ್ತವಲ್ಲ" ಎಂದು ನಿಮ್ಮ ಕಿವಿಯಲ್ಲಿ ಪಿಸುಗುಟ್ಟುತ್ತದೆ!

೩. ಹ್ಯೂಮನಾಯ್ಡ್ ರೋಬೋಟ್‌ಗಳು (Humanoid Robots)

ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಲೇಖನದಲ್ಲಿ ನಾವು ರೋಬೋಟ್‌ಗಳಿಗೆ ದೃಷ್ಟಿ ಬರುವುದರ ಬಗ್ಗೆ ಮಾತನಾಡಿದೆವು. ಆದರೆ ಫಿಗರ್-೦೧ (Figure-01) ಅಥವಾ ಟೆಸ್ಲಾ ಆಪ್ಟಿಮಸ್ (Tesla Optimus) ನಂತಹ ಅತ್ಯಾಧುನಿಕ ರೋಬೋಟ್‌ಗಳು ಕೆಲಸ ಮಾಡುವುದು ಇದೇ ಮಲ್ಟಿಮೋಡಲ್ AI ನಿಂದ. ನೀವು ರೋಬೋಟ್‌ಗೆ "ನನಗೆ ಹಸಿವಾಗುತ್ತಿದೆ" (ಧ್ವನಿ) ಎಂದು ಹೇಳಿದಾಗ, ಅದು ಟೇಬಲ್ ಮೇಲಿರುವ ಸೇಬನ್ನು ಕಣ್ಣಾರೆ ನೋಡಿ (ವಿಷನ್), ತನ್ನ ಕೈಗಳಿಂದ ಅದನ್ನು ಎತ್ತಿಕೊಡುತ್ತದೆ.

ಮಲ್ಟಿಮೋಡಲ್ AI ಎಂದರೆ ಕೇವಲ ಟೈಪ್ ಮಾಡಿ ಉತ್ತರ ಪಡೆಯುವ ಯಂತ್ರವಲ್ಲ. ದೃಶ್ಯ, ಶಬ್ದ, ಮತ್ತು ಭಾಷೆಯನ್ನು ಏಕಕಾಲದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿ, ನಮ್ಮಂತೆಯೇ ಐದೂ ಇಂದ್ರಿಯಗಳನ್ನು ಬಳಸಿ ಜಗತ್ತನ್ನು ಅರ್ಥೈಸಿ, ಕೆಲಸ ಮಾಡುವ ಭವಿಷ್ಯದ ತಂತ್ರಜ್ಞಾನ!