The 75-year journey of AI began with an imaginary philosophical question, “Can machines think?”

The 75-year journey of AI began with an imaginary philosophical question. In 1950, Alan Turing asked, “Can machines think?” Today, Turing’s “Imitation Game” has become a real-world reality. Modern AI has evolved from conceptual theory into autonomous agents, medical breakthroughs, and conversational systems that regularly pass rigorous Turing tests. [1, 2, 3, 4, 5]

1. The Imaginary Era: 1950 – 1956 [1, 2]

1950 (The Turing Test): Alan Turing published “Computing Machinery and Intelligence,” posing his famous question and establishing a practical benchmark to evaluate if a machine could successfully imitate human conversation. [1]
1956 (Birth of the Term): John McCarthy officially coined the term “Artificial Intelligence” at the Dartmouth Summer Research Project, convincing researchers that every feature of learning could be simulated by a machine. [1, 2]

2. The Era of Ambition and Disappointment: 1970 – 1990s

The AI Winters: Early researchers were overly optimistic, predicting human-level AI within a generation. However, the unpredictable, messy context of the real world exposed the limitations of rigid, rule-based systems. [1, 2]
The Focus on Logic: The era primarily relied on “Good Old-Fashioned AI” (GOFAI) and narrow expert systems, which struggled to adapt to new scenarios and suffered from a massive drop in public funding. [1, 2, 3]

3. The Real-World Awakening: 2000s – 2020s

Computational Power & Neural Networks: Progress accelerated as computing power grew. Breakthroughs transitioned from games (IBM Deep Blue in 1997) to the deep learning revolution, allowing machines to learn patterns directly from massive datasets. [1, 2, 3]
Generative AI: The 2020s brought large language models that transformed AI from a backend data tool into mainstream, everyday consumer and workplace technology. [1, 2]

4. Today: The Immersive Reality

AI is now deeply integrated into the fabric of society. Landmark studies (such as rigorous testing with models like GPT-4.5) show that modern AI systems frequently convince human judges they are real people in conversation. Moving beyond simple chat, AI is now utilized for complex, real-world tasks like autonomous driving and drug discovery. [1, 2, 3]

Eric’s thoughts

AI ၏ ၇၅ နှစ်တာ ခရီးစဉ် – စိတ်ကူးယဉ်မေးခွန်းတစ်ခုမှ လက်တွေ့ကမ္ဘာသို့

၁၉၅၀ ခုနှစ်မှာ အလန် ကျူးရင်း (Alan Turing) ဆိုတဲ့ ဗြိတိန်အမျိုးသားတစ်ယောက်ဟာ သာမန်လူတွေအတွက် စိတ်ကူးယဉ်ဆန်လွန်းတဲ့ မေးခွန်းတစ်ခုကို စတင်မေးခွန်းထုတ်ခဲ့ပါတယ်။

“စက်တွေ တွေးခေါ်နိုင်သလား؟”

အဲဒီခေတ်က ဒီမေးခွန်းဟာ ဒဿနိကဗေဒ ကျောင်းသားတစ်ယောက်ရဲ့ စာတမ်းခေါင်းစဉ်တစ်ခုလို အရမ်းကို စိတ္တဇဆန်လွန်းနေခဲ့ပါတယ်။ ဒါပေမယ့် ကျူးရင်းရဲ့ ဉာဏ်ကောင်းတဲ့အချက်က “တွေးခေါ်တယ်ဆိုတာ ဘာလဲ” ဆိုတဲ့ စကားလုံးအဓိပ္ပာယ်ကို လိုက်ငြင်းခုန်မနေဘဲ၊ ဒီဒဿနဆန်တဲ့ မေးခွန်းကို လက်တွေ့ကျတဲ့ အင်ဂျင်နီယာပိုင်းဆိုင်ရာ စမ်းသပ်မှုတစ်ခုအဖြစ် ပြောင်းလဲပစ်ခဲ့တာပါပဲ။

သူက “တစ်နေ့နေ့မှာ စက်တစ်လုံးဟာ သင့်ကို မျက်နှာပြင်တစ်ခုရဲ့အနောက်ကနေ စကားလာပြောမယ်၊ အဲဒီလိုပြောတဲ့အခါ တစ်ဖက်ကစကားပြောနေတာ လူလား၊ စက်လားဆိုတာကို သင်လုံးဝ ခွဲခြားလို့မရတော့ဘူးဆိုရင် အဲဒီစက်ဟာ တွေးခေါ်နိုင်တယ်လို့ သတ်မှတ်လို့ရမလား” ဆိုပြီး မေးခွန်းထုတ်ခဲ့ပါတယ်။ ဒါဟာ နောင်တစ်ချိန်မှာ နာမည်ကြီးလာမယ့် Turing Test ရဲ့ အစပါပဲ။ ဒီခြေလှမ်းဟာ အရမ်းကို အရေးကြီးပါတယ်။ သူဟာ ဒဿနပြဿနာတစ်ခုကို လက်တွေ့ကျတဲ့ ထုတ်ကုန်ပြဿနာ (Product Problem) အဖြစ် အတင်းဆွဲပြောင်းလိုက်တာပါ။ “ကျွန်တော်တို့ လိုချင်တာ ဝိညာဉ်မဟုတ်ဘူး၊ လက်တွေ့ စွမ်းဆောင်ရည် (Performance) ပဲ” ဆိုတဲ့ AI ဘာသာရပ်ရဲ့ အခြေခံ DNA ဟာ ဒီအချိန်ကတည်းက သန္ဓေတည်ခဲ့တာ ဖြစ်ပါတယ်။

အမည်နာမတစ်ခု ရရှိခြင်းနှင့် ပထမဆုံး ဆောင်းရာသီ

ကျူးရင်း လမ်းစဖောက်ပေးခဲ့ပြီးတဲ့နောက် တုတ်ကမ်းပြေးပွဲကို ဆက်လက်သယ်ဆောင်မယ့်သူတွေ ပေါ်လာပါတယ်။ ၁၉၅၆ ခုနှစ် နွေရာသီမှာ အမေရိကန်ပြည်ထောင်စု Dartmouth ကောလိပ်မှာ သိပ္ပံပညာရှင်လူငယ်တစ်စုဟာ ကမ္ဘာကြီးကို ပြောင်းလဲစေမယ့် အစည်းအဝေးတစ်ခုကို ကျင်းပခဲ့ပါတယ်။ အဲဒီမှာ ဂျွန် မက်ကာသီ (John McCarthy) ဆိုသူက ဒီပညာရပ်ကို “Artificial Intelligence” (ဉာဏ်ရည်တု – AI) လို့ တရားဝင် အမည်ပေးခဲ့ပါတယ်။

အဲဒီအချိန်က ပညာရှင်တွေဟာ ဉာဏ်ကောင်းရုံတင်မကဘဲ အရမ်းလည်း ယုံကြည်မှုလွန်ကဲနေခဲ့ကြပါတယ်။ “ငါတို့ကို နွေရာသီကျောင်းပိတ်ရက် တစ်ရက်ပေး၊ ရန်ပုံငွေ နည်းနည်းချပေး၊ AI ကို အပြီးသတ် ဖန်တီးပြမယ်” လို့တောင် ကြုံးဝါးခဲ့ကြပါတယ်။ ဒါဟာ “Hello World” လောက်ပဲ ရေးတတ်သေးတဲ့ ပရိုဂရမ်မာလေးတစ်ယောက်က နောက်လကျရင် AGI (Artificial General Intelligence) ကို အစအဆုံး ရေးပြမယ်လို့ ပြောနေသလိုပါပဲ။ ရည်မှန်းချက်ကြီးသလို၊ အရမ်းလည်း ရိုးအလွန်းနေခဲ့ပါတယ်။

တကယ်တော့ AI ဟာ အစပိုင်းမှာကတည်းက လမ်းကြောင်းနှစ်ခု ကွဲသွားခဲ့ပါတယ်။

* ပထမလမ်းကြောင်းက Symbolism (သင်္ကေတဝါဒ) ပါ။ ဒါက လူတွေက စက်ကို “ဒါက ကြောင်၊ ဒါက ခွေး၊ ဘယ်လိုအခြေအနေဆိုရင် အဆုတ်ရောင်ရောဂါ ဖြစ်တယ်၊ ဘယ်လိုအခြေအနေဆိုရင် စတော့ရှယ်ယာ ရောင်းထုတ်သင့်တယ်” စသဖြင့် အတိအကျ သင်ပေးတဲ့နည်းပါ။ စည်းမျဉ်းတွေ အားလုံးကို ကုဒ်တွေနဲ့ ရေးသွင်းထားတာပါ။ အားသာချက်က ရှင်းလင်းပြီး ခြေရာခံလို့ရပါတယ်။ ဒါပေမယ့် အားနည်းချက်ကတော့ လူသားတွေရဲ့ နေ့စဉ်အသိဉာဏ် (Common Sense) တွေက အရမ်းများလွန်းလို့ တစ်သက်လုံး ရေးသွင်းရင်တောင် ကုန်နိုင်မှာ မဟုတ်ပါဘူး။

* ဒုတိယလမ်းကြောင်းကတော့ Connectionism (ချိတ်ဆက်မှုဝါဒ) ခေါ် Neural Networks (အာရုံကြောကွန်ရက်) ဖြစ်ပါတယ်။ ၁၉၅၈ ခုနှစ်မှာ Frank Rosenblatt က Perceptron ဆိုတဲ့ အရာတစ်ခုကို ဖန်တီးခဲ့ပါတယ်။ လူတွေက သင်ပေးစရာမလိုဘဲ စက်က ဒေတာတွေထဲကနေ သူ့ဘာသာသူ သင်ယူမယ်ဆိုတဲ့ သဘောတရားပါ။ ဒါဟာ ဒီနေ့ခေတ် Deep Learning ရဲ့ ဘိုးဘေးပါပဲ။

ဒါပေမယ့် ပြဿနာက အဲဒီခေတ်မှာ ဒေတာလည်းမရှိ၊ ကွန်ပျူတာ တွက်ချက်နိုင်စွမ်း (Computing Power) လည်းမရှိ၊ အယ်လဂိုရီသမ်ကလည်း မပြည့်စုံသေးပါဘူး။ ၁၉၆၉ ခုနှစ်မှာ ပညာရှင်ကြီးနှစ်ဦးဖြစ်တဲ့ Marvin Minsky နဲ့ Seymour Papert တို့က စာအုပ်တစ်အုပ်ရေးပြီး ဒီနည်းလမ်းရဲ့ အားနည်းချက်တွေကို ထောက်ပြလိုက်တဲ့အခါ ပညာရှင်အသိုင်းအဝိုင်းတစ်ခုလုံးက “Neural Network လမ်းကြောင်းက အလုပ်မဖြစ်ဘူး” လို့ ကောက်ချက်ချလိုက်ကြပါတယ်။ အကျိုးဆက်အနေနဲ့ ရန်ပုံငွေတွေ ပြတ်တောက်၊ ပရောဂျက်တွေ ရပ်ဆိုင်းသွားခဲ့ပြီး AI ရဲ့ ပထမဆုံး ဆောင်းရာသီ (First AI Winter) ရောက်လာခဲ့ပါတယ်။

၁၉၈၀ ပြည့်လွန်နှစ်တွေမှာ AI ပြန်ခေတ်စားလာပါတယ်။ ဒီတစ်ခါတော့ Expert Systems တွေကြောင့်ပါ။ နယ်ပယ်အသီးသီးက ကျွမ်းကျင်သူတွေရဲ့ အတွေ့အကြုံတွေကို ကွန်ပျူတာထဲ ထည့်သွင်းပြီး ဆေးဘက်ဆိုင်ရာ ရောဂါရှာဖွေတာ၊ စက်ပစ္စည်း ပြုပြင်တာ၊ ငွေကြေးဆိုင်ရာ ဆုံးဖြတ်ချက်ချတာတွေ လုပ်ကြတာပါ။ စီးပွားရေးလုပ်ငန်းတွေကလည်း အကျိုးအမြတ်ရနိုင်တယ်ဆိုပြီး ငွေတွေ အလုံးအရင်း ရင်းနှီးမြှုပ်နှံခဲ့ကြပါတယ်။ ဒါပေမယ့် များမကြာခင်မှာပဲ စည်းမျဉ်းတွေ များလာလေလေ၊ ထိန်းသိမ်းရ ခက်လာလေလေ ဖြစ်လာပြီး ကမ္ဘာကြီးရဲ့ အပြောင်းအလဲ နည်းနည်းလေးမှာတင် စနစ်တွေ ချို့ယွင်းလာပါတော့တယ်။ ဒါကြောင့် ၁၉၈၀ နှောင်းပိုင်းနဲ့ ၁၉၉၀ အစောပိုင်းမှာ AI ရဲ့ ဒုတိယမြောက် ဆောင်းရာသီ ထပ်ရောက်လာပြန်ပါတယ်။

AI ရဲ့ ပထမတစ်ဝက် သမိုင်းကြောင်းဟာ စတော့ရှယ်ယာဈေးကွက်လိုပါပဲ။ တစ်ခါတလေ ဈေးထိုးတက်သွားလိုက်၊ တစ်ခါတလေ ဈေးထိုးကျသွားလိုက်နဲ့ ကြားထဲမှာ ငွေကြေးဆုံးရှုံးနစ်နာသူတွေချည်းပဲ အဖတ်တင်ခဲ့ပါတယ်။

AI ကို အသက်ပြန်ရှင်စေခဲ့တဲ့ မဏ္ဍိုင်သုံးရပ်

ဒီလိုနဲ့ သေလုမြောပါး ဖြစ်နေတဲ့ AI ကို ဘယ်အရာက ပြန်လည်အသက်သွင်းပေးခဲ့တာလဲ။ အဓိက သော့ချက်ကတော့ အယ်လဂိုရီသမ် (Algorithm)၊ ဒေတာ (Data) နဲ့ တွက်ချက်နိုင်စွမ်း (Computing Power) ဆိုတဲ့ အရာသုံးခု အချိုးညီညီ ပေါင်းစပ်မိသွားခြင်းပါပဲ။ တစ်ခုကင်းကွာရင်တောင် အလုပ်မဖြစ်ပါဘူး။

၁။ အယ်လဂိုရီသမ် (Algorithm)

၁၉၈၆ ခုနှစ်မှာ Geoffrey Hinton, David Rumelhart နဲ့ Ronald Williams တို့သုံးဦးဟာ Backpropagation လို့ခေါ်တဲ့ လေ့ကျင့်ရေးနည်းလမ်းတစ်ခုကို အောင်မြင်စွာ မိတ်ဆက်နိုင်ခဲ့ပါတယ်။ ဒါဟာ စက်တွေအနေနဲ့ အမှားလုပ်မိတဲ့အခါ “ငါ ဘယ်နေရာမှာ မှားသွားတာလဲ၊ ဘယ်လို ပြင်ရမလဲ” ဆိုတာကို ပထမဆုံးအကြိမ် ပြန်လည်သုံးသပ် (Review) လုပ်နိုင်သွားတာပါ။ (Geoffrey Hinton ဆိုတဲ့ နာမည်ကို သေချာမှတ်ထားပါ။ သူ့ကို နောက်ပိုင်းမှာ “Deep Learning ရဲ့ ဖခင်ကြီး” လို့ ကမ္ဘာက တင်စားခေါ်ဝေါ်ကြပြီး ဒီပုံပြင်ထဲမှာ သူ ထပ်ခါတလဲလဲ ပါဝင်လာဦးမှာပါ။)

နောက်ထပ် ပညာရှင်တစ်ဦးကတော့ Yann LeCun ပါ။ သူဟာ ၈၀ ပြည့်လွန်နှစ်တွေကနေ ၉၀ ပြည့်လွန်နှစ်တွေအထိ Convolutional Neural Network (CNN) လမ်းကြောင်းကို ဇွဲကုတ်ကြိုးစားခဲ့ပြီး LeNet-5 မော်ဒယ်ကို ဖန်တီးခဲ့ပါတယ်။ ဒီမော်ဒယ်ဟာ လက်ရေးဂဏန်းတွေကို ဖတ်နိုင်စွမ်းရှိလို့ ဘဏ်တွေနဲ့ စာတိုက်တွေမှာ တကယ် လက်တွေ့ အသုံးပြုခဲ့ကြပါတယ်။ ဒါဟာ သေးငယ်ပေမယ့် အလွန်အရေးပါတဲ့ မှတ်တိုင်တစ်ခုပါ။ Neural Network ဟာ စာတမ်းတွေထဲက သီအိုရီသက်သက် မဟုတ်တော့ဘဲ လက်တွေ့ကမ္ဘာမှာ တကယ် အလုပ်လုပ်နိုင်ပြီဆိုတာကို သက်သေပြလိုက်တာပါပဲ။

၂။ ဒေတာ (Data)

ဒီနေရာမှာ တရုတ်-အမေရိကန် သိပ္ပံပညာရှင် အမျိုးသမီး ဖေဖေလီ (Fei-Fei Li) ရဲ့ အခန်းကဏ္ဍက အရမ်းအရေးပါလာပါတယ်။ သူမလုပ်ခဲ့တဲ့အရာက ရိုးရှင်းပေမယ့် အရမ်းကို ကြီးကျယ်ခမ်းနားပါတယ်။ သူမဟာ AI လောကရဲ့ အခြေခံအကျဆုံး ပြဿနာဖြစ်တဲ့ “လေ့ကျင့်သင်ကြားဖို့ အရည်အသွေးပြည့်ဝတဲ့ ဒေတာအလုံအလောက် မရှိခြင်း” ကို ဖြေရှင်းပေးခဲ့တာပါ။ ၂၀၀၉ ခုနှစ်မှာ သူမဟာ ImageNet လို့ခေါ်တဲ့ ဧရာမ ပုံရိပ်ဒေတာဘေ့စ်ကြီး တစ်ခုကို ဖန်တီးခဲ့ပါတယ်။ အမျိုးအစားပေါင်း သောင်းချီပါဝင်တဲ့ ပုံရိပ်ပေါင်း သန်းနဲ့ချီ စုဆောင်းပေးခဲ့တာပါ။

ဒီအရာကို လွယ်လွယ်လေးလို့ မထင်လိုက်ပါနဲ့။ အရင်က သုတေသီတွေရဲ့ အနေအထားဟာ ရွာထိပ်က ရေအိုင်လေးထဲမှာ ရေကူးလေ့ကျင့်နေရသလို ဖြစ်နေခဲ့တာပါ။ ImageNet လည်း ထွက်လာရော သူတို့ကို ပစိဖိတ်သမုဒ္ဒရာကြီးထဲ တိုက်ရိုက် ခေါ်သွားသလို ဖြစ်သွားခဲ့ပါတယ်။ ဒီလို လေ့ကျင့်ရေးကွင်းကြီးသာ မရှိခဲ့ရင် နောက်ဆက်တွဲ ဇာတ်လမ်းတွေ တစ်ခုမှ ဖြစ်လာစရာ အကြောင်းမရှိပါဘူး။

၃။ တွက်ချက်နိုင်စွမ်း (Computing Power)

ဒီအချိန်မှာတော့ Nvidia အကြောင်း ပြောရပါတော့မယ်။ Nvidia ဟာ မူလက ဂိမ်းဆော့ဖို့နဲ့ ရုပ်ထွက်အထူးပြုလုပ်ချက် (Visual Effects) တွေအတွက် ဂရပ်ဖစ်ကတ် (Graphics Card) တွေ ထုတ်လုပ်တဲ့ ကုမ္ပဏီတစ်ခုပါ။ AI နဲ့ ဘာမှမဆိုင်ခဲ့ပါဘူး။ ဒါပေမယ့် သူတို့ရဲ့ GPU ချစ်ပ်တွေမှာ ထူးခြားတဲ့ စွမ်းရည်တစ်ခုရှိနေတာက ပြိုင်တိုင်တွက်ချက်မှု (Parallel Computing) တွေကို အလွန်ကျွမ်းကျင်တာပါပဲ။ တိုက်တိုက်ဆိုင်ဆိုင်ပဲ Neural Network တွေ အဓိက လိုအပ်နေတာကလည်း အဲဒီ Parallel Computing ဖြစ်နေပါတယ်။

၂၀၀၆ ခုနှစ်မှာ Nvidia က CUDA ကို မိတ်ဆက်ခဲ့ပါတယ်။ အပေါ်ယံကြည့်ရင်တော့ GPU အတွက် ပရိုဂရမ်ရေးတဲ့ Interface တစ်ခု ဖွင့်ပေးလိုက်တာပါ။ ဒါပေမယ့် လက်တွေ့မှာတော့ “ဂိမ်းရုပ်ထွက်တွေ ဖန်တီးတဲ့ ဒီကတ်တွေကို သင်္ချာမက်ထရစ် (Matrix) တွက်ချက်မှုတွေအတွက်လည်း အကြမ်းပတမ်း သုံးလို့ရတယ်” လို့ ကမ္ဘာကြီးကို ကြေညာလိုက်တာပါပဲ။ အဲဒီအချိန်ကစပြီး GPU နဲ့ AI ရဲ့ ကံကြမ္မာဟာ ခွဲခြားလို့မရအောင် ချိတ်ဆက်သွားပါတော့တယ်။ ဒီနေ့ခေတ် ကမ္ဘာ့နည်းပညာကုမ္ပဏီကြီးတွေ အားလုံးက Nvidia ရဲ့ ကတ်တွေကို ဘာလို့ အလုအယက် ဝယ်နေကြရသလဲ၊ အမေရိကန်အစိုးရကိုယ်တိုင် ဝင်ရောက်ထိန်းချုပ်ရတဲ့အထိ ဘာလို့ အရေးပါနေသလဲဆိုတဲ့ အမြစ်ဟာ ဒီနေရာမှာ စတင်ခဲ့တာပါ။

၂၀၁၂ ခုနှစ် – သမိုင်းကို ပြောင်းလဲစေခဲ့သော အချိုးအကွေ့

AI သမိုင်းတစ်လျှောက်လုံးမှာ အရေးအကြီးဆုံးနှစ်ကို ရွေးပါဆိုရင် ၂၀၁၂ ခုနှစ် ကိုပဲ ရွေးရပါလိမ့်မယ်။

ဒီနှစ်မှာကျင်းပတဲ့ ImageNet ပြိုင်ပွဲမှာ ဆရာတစ်ယောက်နဲ့ တပည့်နှစ်ယောက် ပေါင်းပြီး AlexNet ဆိုတဲ့ မော်ဒယ်တစ်ခုကို ဝင်ပြိုင်ခဲ့ပါတယ်။ အဲဒီဆရာကတော့ အစောပိုင်းမှာ ပြောခဲ့တဲ့ Geoffrey Hinton ဖြစ်ပြီး တပည့်နှစ်ယောက်ကတော့ Alex Krizhevsky နဲ့ Ilya Sutskever (နောက်ပိုင်း OpenAI ရဲ့ Chief Scientist ဖြစ်လာသူ) တို့ပါပဲ။

သူတို့လုပ်ခဲ့တာက ပုံရိပ်တွေကို ခွဲခြားသတ်မှတ်တာဖြစ်လို့ သာမန်ရိုးကျလို့ ထင်ရပေမယ့်၊ ရလဒ်ကတော့ လုံးဝကို မသာမန်ခဲ့ပါဘူး။ သူတို့ဟာ ပြိုင်ဘက်တွေကို နည်းနည်းလေး အနိုင်ရခဲ့တာ မဟုတ်ဘဲ၊ ရိုးရာနည်းလမ်းတွေသုံးထားတဲ့ ပြိုင်ဘက်အားလုံးကို ပြတ်ပြတ်သားသား အပြတ်အသတ် အနိုင်ယူသွားခဲ့တာပါ။ ဒီမော်ဒယ်ကို Nvidia GPU တွေပေါ်မှာ လေ့ကျင့်ထားတာ ဖြစ်ပါတယ်။

ဒီအောင်ပွဲက အချက်သုံးချက်ကို တစ်ပြိုင်နက်တည်း သက်သေပြလိုက်ပါတယ်။

၁။ Neural Network တွေ အလုပ်မဖြစ်တာ မဟုတ်ဘူး၊ အရင်က အခြေအနေ မပေးခဲ့လို့ပါ။

၂။ ဧရာမ ဒေတာအစုအဝေးကြီးဖြစ်တဲ့ ImageNet က တကယ်ကို အသုံးဝင်ပါတယ်။

၃။ GPU တွေဟာ AI ခေတ်ရဲ့ အဓိက မောင်းနှင်အား (Engine) ဖြစ်ပါတယ်။

ဒီနှစ်ကစပြီး တစ်ကမ္ဘာလုံးက AI နယ်ပယ်တစ်ခုလုံးဟာ Deep Learning (နက်ရှိုင်းစွာ သင်ယူခြင်း) ဘက်ကို လုံးဝလှည့်ပြောင်းသွားခဲ့ပါတယ်။

AlphaGo နှင့် သမိုင်းဝင် ‘Move 37’

Deep Learning ခေတ်စားလာပြီးနောက်ပိုင်း AI ဟာ ပုံရိပ်နဲ့ အသံပိုင်းဆိုင်ရာ နယ်ပယ်တွေမှာ အောင်ပွဲတွေ ဆက်တိုက်ရလာပါတယ်။ ဒါပေမယ့် သာမန်လူတွေအားလုံး “တစ်ခုခုတော့ ထူးခြားနေပြီ” လို့ တကယ်တမ်း ခံစားလိုက်ရတာကတော့ AlphaGo ပေါ်လာချိန်မှာပါ။

ဇာတ်ကောင်ကတော့ ၂၀၁၀ မှာ လန်ဒန်မှာ တည်ထောင်ခဲ့ပြီး ၂၀၁၄ မှာ Google က ဝယ်ယူခဲ့တဲ့ DeepMind ကုမ္ပဏီပါ။ ၂၀၁၆ ခုနှစ် မတ်လမှာ AlphaGo ဟာ ကမ္ဘာ့ထိပ်တန်း ဂိုး (Go) ကစားသမား လီဆယ်ဒယ် (Lee Sedol) ကို ၄-၁ နဲ့ အနိုင်ယူလိုက်ပါတယ်။ သာမန်ကြည့်ရင်တော့ ဂိမ်းဆော့တာပဲလို့ ထင်စရာရှိပါတယ်။ ဒါပေမယ့် AI လောကအတွက်တော့ ဂိုး (Go) ကစားနည်းဟာ အလွန်ခက်ခဲတဲ့ စိန်ခေါ်မှုကြီးပါ။ ဘာကြောင့်လဲဆိုတော့ ဂိုး ကစားနည်းရဲ့ ဖြစ်နိုင်ခြေ ရွှေ့ကွက်တွေဟာ စကြာဝဠာထဲက အက်တမ် အရေအတွက်ထက်တောင် ပိုများနေလို့ပါ။ အကြမ်းပတမ်း တွက်ချက်မှု (Brute Force) သက်သက်နဲ့ အနိုင်ယူဖို့ လုံးဝ မဖြစ်နိုင်ပါဘူး။ ဒါကြောင့် AlphaGo မတိုင်ခင်ကဆိုရင် AI ဟာ ကမ္ဘာ့အဆင့် ကစားသမားကို နိုင်ဖို့ဆိုတာ အနည်းဆုံး နောက်ထပ် ဆယ်နှစ်လောက် ကြာဦးမယ်လို့ ခန့်မှန်းထားခဲ့ကြတာပါ။

ဒါပေမယ့် AlphaGo က Deep Neural Network, Search Algorithm နဲ့ Reinforcement Learning ဆိုတဲ့ လက်နက်သုံးခုကို ပေါင်းစပ်ပြီး တစ်နှစ်တောင်မကြာခင်မှာ လူသားတွေကို အပြတ်အသတ် အနိုင်ယူသွားခဲ့ပါတယ်။

အကြောက်စရာအကောင်းဆုံးကတော့ နာမည်ကြီး Move 37 (အကွက် ၃၇) ပါပဲ။ ဒီအကွက်ကို ရွှေ့လိုက်တဲ့အချိန်မှာ တစ်ကမ္ဘာလုံးက ဂိုး ကျွမ်းကျင်သူတွေ အားလုံး မှင်သက်သွားကြပါတယ်။ နှစ်ထောင်ပေါင်းများစွာရှိတဲ့ လူသားတွေရဲ့ အတွေ့အကြုံအရ ဒီနေရာမှာ ဘယ်တော့မှ မရွှေ့ရဘူးလို့ သတ်မှတ်ထားတာပါ။ ဒါပေမယ့် ပွဲအပြီး ပြန်လည်သုံးသပ်ကြည့်တဲ့အခါ အဲဒီအကွက်ဟာ အလွန်ပါရမီပါတဲ့ “နတ်ဘုရားတစ်ပါးရဲ့ အကွက် (God’s move)” ဖြစ်နေခဲ့ပါတယ်။ အဲဒီအချိန်မှာ လူအတော်များများက “AI ဟာ လူသားတွေကို အတုခိုးနေတာ သက်သက်မဟုတ်တော့ဘူး။ လူသားတွေ တစ်ခါမှ မလျှောက်ဖူးတဲ့ လမ်းကြောင်းသစ်တစ်ခုကို သူကိုယ်တိုင် ဖောက်နေပြီ” ဆိုတာကို ပထမဆုံးအကြိမ် အသည်းခိုက်အောင် ခံစားလိုက်ကြရပါတယ်။

Transformer နှင့် ChatGPT ခေတ်

AlphaGo က လူတွေကို အံ့ဩသွားစေခဲ့ပေမယ့် AI ကို သာမန်လူတွေရဲ့ နေ့စဉ်ဘဝထဲ တကယ်ရောက်လာစေဖို့ နောက်ဆုံး ပဟေဋ္ဌိအပိုင်းအစလေး တစ်ခု လိုနေပါသေးတယ်။ အဲဒါကတော့ Transformer ပါပဲ။

၂၀၁၇ ခုနှစ်မှာ Google က စာတမ်းတစ်စောင်ကို ထုတ်ပြန်ခဲ့ပါတယ်။ ခေါင်းစဉ်က အရမ်းကို ယုံကြည်မှုရှိလွန်းလှပါတယ်။ “Attention is all you need” (သင်လိုအပ်သမျှမှာ အာရုံစိုက်မှုသာလျှင်ဖြစ်သည်) တဲ့။ ဒီစာတမ်းကနေ Transformer ဆိုတဲ့ ဗိသုကာအသစ်တစ်ခုကို မိတ်ဆက်ပေးခဲ့ပါတယ်။ နည်းပညာအသေးစိတ်ကို မပြောတော့ပါဘူး၊ ဒါပေမယ့် သင်မှတ်ထားရမယ့် အချက်က ဒီနေ့ခေတ် သင်သုံးနေတဲ့ ChatGPT, Claude, Gemini, LLaMA, Grok, DeepSeek, Kimi စတဲ့ Large Language Models (LLM) တွေ အားလုံးရဲ့ အခြေခံအုတ်မြစ်ဟာ အဲဒီ Transformer ပါပဲ။

ဘာလို့ Transformer က အဲဒီလောက် စွမ်းနေရတာလဲ။ ဘာလို့လဲဆိုတော့ သူက ပြိုင်တိုင်လေ့ကျင့်မှု (Parallel Training) လုပ်ဖို့ အရမ်းသင့်တော်ပြီး ဧရာမ ဒေတာပမာဏကြီးကို အလွယ်တကူ စုပ်ယူနိုင်လို့ပါ။ နောက်ပြီး လူတွေရဲ့ ထင်မြင်ယူဆချက်နဲ့ ပြောင်းပြန်ဖြစ်နေတဲ့ ထူးခြားချက်တစ်ခုရှိပါတယ်၊ အဲဒါကတော့ မော်ဒယ် ပိုကြီးလေ၊ ဒေတာ ပိုများလေ၊ သူ့ရဲ့ စွမ်းဆောင်ရည်က ပိုပြီး အံ့မခန်း ဖြစ်လာလေ ဆိုတာပါပဲ။ ဒါဟာ နောက်ပိုင်းမှာ နာမည်ကြီးလာတဲ့ “အင်အားသုံးလေ ရလဒ်ကောင်းလေ (Scaling Laws / Brute force creates miracles)” ဆိုတဲ့ အယူအဆအတွက် လမ်းခင်းပေးလိုက်တာပါပဲ။

ဒါပေမယ့် Transformer ကို တကယ်တမ်း အစွမ်းကုန် အသုံးချခဲ့တာက Google မဟုတ်ဘဲ၊ အဲဒီအချိန်က လူသိပ်မသိသေးတဲ့ OpenAI ဆိုတဲ့ ကုမ္ပဏီငယ်လေးပါ။

၂၀၁၈ မှာ GPT-1၊ ၂၀၁၉ မှာ GPT-2၊ ၂၀၂၀ မှာ GPT-3 တွေကို ဆက်တိုက် ထုတ်ပြခဲ့ပါတယ်။ (GPT ဆိုတာ Generative Pre-trained Transformer ကို ဆိုလိုတာပါ။ ရိုးရိုးရှင်းရှင်းပြောရရင် ဧရာမ စာသားဒေတာတွေကို အရင်ကျွေးပြီး ဘာသာစကားရဲ့ သဘောသဘာဝကို နားလည်အောင် သင်ပေးထားတယ်၊ ပြီးမှ လိုချင်တဲ့ အလုပ်တွေကို ခိုင်းတာပါ။)

အရင်ကဆိုရင် စာရင်းကိုင်၊ ဘာသာပြန်၊ Customer Service၊ ကျောင်းဆရာ စတဲ့ အလုပ် ၄ ခုအတွက် AI ၄ မျိုး သီးသန့်လေ့ကျင့်ပေးရပါတယ်။ ဒါပေမယ့် GPT ရဲ့ သဘောတရားကတော့ “အရမ်းတော်တဲ့ လူစွမ်းကောင်း တစ်ယောက်ကို အရင်မွေးထုတ်မယ်၊ ပြီးမှ သူ့ကို နေရာအမျိုးမျိုးမှာ တာဝန်ချပေးမယ်” ဆိုတာပါပဲ။ ဒီလမ်းကြောင်းကို အစပိုင်းမှာ ဘယ်သူမှ မယုံကြည်ခဲ့ပါဘူး။ OpenAI ကိုယ်တိုင်တောင် နယ်ပယ်ထဲကလူတွေရဲ့ လှောင်ပြောင်မှုကို နှစ်နဲ့ချီ ခံခဲ့ရပါတယ်။

ဒါပေမယ့် ၂၀၂၂ ခုနှစ် နိုဝင်ဘာလ ၃၀ ရက်နေ့ ကတော့ လူသားတွေနဲ့ AI ကြား ဆက်ဆံရေးရဲ့ အကြီးမားဆုံး ရေလဲကုန်းတစ်ခု ဖြစ်ခဲ့ပါတယ်။ ဒီနေ့မှာ OpenAI ဟာ GPT-3.5 ကို Chatbox လေးတစ်ခုအနေနဲ့ ပုံဖော်ပြီး အင်တာနက်ပေါ် တင်ပေးလိုက်ပါတယ်။ နာမည်ကတော့ ChatGPT ပါ။

ရလဒ်ကတော့ ၅ ရက်အတွင်း အသုံးပြုသူ ၁ သန်း၊ ၂ လအတွင်း အသုံးပြုသူ သန်း ၁၀၀ ပြည့်သွားပြီး သမိုင်းတစ်လျှောက် အမြန်ဆုံး ကြီးထွားလာတဲ့ သုံးစွဲသူထုတ်ကုန် (Consumer Product) ဖြစ်လာခဲ့ပါတယ်။ ဖုန်းဖွင့်ပြီး စာတစ်ကြောင်း ရိုက်ထည့်လိုက်တာနဲ့ အဓိပ္ပာယ်ပြည့်ဝတဲ့ စာပိုဒ်ကြီးတစ်ခုကို ချက်ချင်း ပြန်ဖြေပေးတဲ့ ခံစားချက်ဟာ၊ ဂြိုဟ်သားတွေဆီကနေ စာပြန်ရသလိုမျိုး လူတွေကို အံ့သြမှင်သက်သွားစေခဲ့ပါတယ်။

ChatGPT လည်း ထွက်လာရော တစ်ကမ္ဘာလုံးက နည်းပညာကုမ္ပဏီကြီးတွေ ချက်ချင်းပဲ လက်နက်ပြိုင်ဆိုင်မှု (Arms Race) လုပ်လာကြပါတော့တယ်။ ကွန်ပျူတာ (PC) နဲ့ မိုဘိုင်းအင်တာနက်က အရင်ခေတ်ကို လွှမ်းမိုးခဲ့သလို၊ အခု Large Language Models တွေက နောက်ထပ်ခေတ်ကို လွှမ်းမိုးတော့မယ်ဆိုတာ အားလုံး သဘောပေါက်သွားကြပါပြီ။ ဒီနေရာမှာ နောက်ကျကျန်ခဲ့ရင် လောကကြီးထဲကနေ ဖယ်ထုတ်ခံရဖို့ပဲ ရှိပါတော့တယ်။

* Google က Gemini ကို အမြန်ဆုံးထုတ်လာတယ်။

* OpenAI က ထွက်သွားတဲ့သူတွေ စုပြီး Anthropic ကို တည်ထောင်ကာ Claude ကို ထုတ်လာတယ်။

* Meta က Yann LeCun ဦးဆောင်ပြီး Open-source လမ်းကြောင်းကို ရွေးကာ LLaMA ကို ထုတ်တယ်။

* Elon Musk ကလည်း xAI ကို ထောင်ပြီး Grok ကို ထုတ်တယ်။

* တရုတ်နိုင်ငံဘက်မှာလည်း Baidu, Alibaba, ByteDance, Tencent စတဲ့ ကုမ္ပဏီတွေက သူတို့ရဲ့ မော်ဒယ်တွေကို ထုတ်ကြတယ်။

* ၂၀၂၅ အစောပိုင်းမှာဆိုရင် ကုန်ကျစရိတ် အလွန်သက်သာစွာနဲ့ တစ်ကမ္ဘာလုံးက AI လောကကို အံ့အားသင့်စေခဲ့ပြီး Nvidia ရဲ့ စတော့ရှယ်ယာဈေးကိုတောင် ထိုးကျသွားစေခဲ့တဲ့ DeepSeek ဆိုတာ ပေါ်လာခဲ့တယ်။

အဲဒီကာလတွေမှာဆိုရင် သုံးလေးရက်နေတိုင်း ကုမ္ပဏီတစ်ခုက ထွက်လာပြီး “ငါတို့ မော်ဒယ်က အကောင်းဆုံးပဲ” ဆိုပြီး Benchmark ရလဒ်တွေ ထုတ်ပြနေကြတာ တွေ့ရမှာပါ။

Agent များ၊ နေရာလပ်ဆိုင်ရာ ဉာဏ်ရည် (Spatial Intelligence) နှင့် စက်ရုပ်များ (Embodied AI)

ဒါပေမယ့် AI ဟာ စကားပြောတတ်ရုံနဲ့ မရပ်တန့်သွားပါဘူး။ များမကြာမီမှာပဲ သူဟာ မျက်စိ၊ နား၊ နှာခေါင်း စတဲ့ အာရုံခံစားမှုတွေ ရရှိလာပါတယ်။ (Multimodality လို့ ခေါ်ပါတယ်)။ GPT, Gemini, Claude တွေက ပုံတွေကို မြင်လာနိုင်တယ်။ Sora, Kling တို့လို မော်ဒယ်တွေက စာသားကနေ ရုပ်ရှင်အဆင့်မီ ဗီဒီယိုတွေ ဖန်တီးပေးနိုင်တယ်။ Midjourney တို့က လူတိုင်းကို ပန်းချီဆရာ ဖြစ်စေခဲ့တယ်။ အသံမော်ဒယ်တွေက ခံစားချက် အပြည့်အဝပါတဲ့ အသံတွေကို ဖန်တီးပေးလာနိုင်တယ်။ အရင်က စာရိုက်တတ်တဲ့ ဦးနှောက်တစ်ခုသာသာ AI ကနေ အခုတော့ မျက်စိ၊ နား၊ ပါးစပ်နဲ့ လက်တွေပါ ပါလာပါပြီ။

၂၀၂၄၊ ၂၀၂၅ ခုနှစ်တွေမှာတော့ အားလုံးရဲ့ အာရုံစိုက်မှုဟာ Agent (ကိုယ်စားလှယ်စနစ်) တွေဆီ ရောက်သွားပါတယ်။ အရင်က ChatGPT ကို သုံးရင် မေးခွန်းတစ်ခုမေး၊ အဖြေတစ်ခုရတဲ့ ပုံစံပါ။ ဒါပေမယ့် Agent တွေကကျတော့ သင်က ရည်မှန်းချက်တစ်ခု ပေးလိုက်တာနဲ့ သူကိုယ်တိုင် အလုပ်တွေကို ခွဲခြမ်းစိတ်ဖြာတယ်၊ ဘရောက်ဇာဖွင့်ပြီး သတင်းအချက်အလက် ရှာတယ်၊ ကုဒ်တွေ ရေးတယ်၊ Tools တွေ သုံးပြီး နောက်ဆုံး ပြီးမြောက်သွားတဲ့ ရလဒ်ကို သင့်ဆီ ယူလာပေးတာပါ။

ဥပမာ- လေယာဉ်လက်မှတ် ဝယ်ခိုင်းရင် အရင်က AI က လေယာဉ်ခရီးစဉ်တွေပဲ အကြံပြုပါလိမ့်မယ်။ အခု Agent တွေက သူ့ဘာသာသူ ဝက်ဘ်ဆိုက်ထဲဝင်မယ်၊ ဈေးနှုန်းနှိုင်းယှဉ်မယ်၊ မဝယ်ခင် သင့်ကို အတည်ပြုခိုင်းမယ်၊ ပြီးရင် သူ့ဘာသာသူ ငွေပေးချေပြီး သင့်ဆီ အီးမေးလ် ပို့ပေးပါလိမ့်မယ်။ သင့်ရဲ့ အခန်းကဏ္ဍက “အသုံးပြုသူ” ကနေ “သူဌေး” အဖြစ် ပြောင်းလဲသွားပါပြီ။

AI က ဘာသာစကားမော်ဒယ်တွေနဲ့ပဲ အပြိုင်အဆိုင် လုပ်နေချိန်မှာ သိပ္ပံပညာရှင် ဖေဖေလီ (Fei-Fei Li) က နောက်ထပ် လမ်းကြောင်းသစ်တစ်ခုကို ဦးတည်သွားပါတယ်။ ၂၀၂၅ ခုနှစ်မှာ သူမဟာ World Labs ဆိုတဲ့ ကုမ္ပဏီအသစ်ကို တည်ထောင်ပြီး Spatial Intelligence (နေရာလပ်ဆိုင်ရာ ဉာဏ်ရည်) ဆိုတဲ့ အယူအဆကို မိတ်ဆက်ခဲ့ပါတယ်။

သူမ ပြောခဲ့တဲ့ စကားတစ်ခွန်းက အရမ်းထိမိပါတယ်။ “ဘာသာစကားဆိုတာ လူသားတွေရဲ့ တီထွင်မှုဖြစ်ပေမယ့်၊ နေရာလပ် (Space) ဆိုတာကတော့ တီထွင်မှု မဟုတ်ဘူး။”

လက်ရှိ ဘာသာစကား မော်ဒယ်တွေက အရမ်းတော်ပေမယ့် သူတို့ဟာ စာသားတွေထဲမှာပဲ ရှင်သန်နေတာပါ။ “ကြောင်လေး စားပွဲပေါ်မှာ ထိုင်နေတယ်” ဆိုတာကို သူတို့နားလည်တာက စာသားတွေရဲ့ စာရင်းအင်းဆိုင်ရာ ဖြစ်နိုင်ခြေ (Statistical Rules) တွေကြောင့်ပါ။ ဒါပေမယ့် တကယ့် လက်တွေ့ကမ္ဘာကြီးက စာသားတွေမဟုတ်ဘဲ 3D ဖြစ်နေပါတယ်။ ဆွဲငင်အားရှိတယ်၊ ရူပဗေဒ နိယာမတွေရှိတယ်၊ အကြောင်းအကျိုး ဆက်စပ်မှုတွေ ရှိပါတယ်။ ဒါကြောင့် AI က တကယ်လို့ လက်တွေ့ကမ္ဘာကြီးနဲ့ ထိတွေ့ဆက်ဆံပြီး ကားမောင်းချင်တယ်၊ ခွဲစိတ်မှု လုပ်ချင်တယ်၊ ပစ္စည်းတွေ သယ်ချင်တယ်၊ သက်ကြီးရွယ်အိုတွေကို ပြုစုချင်တယ်ဆိုရင် နေရာလပ် (Space) ကို အရင်ဆုံး နားလည်ဖို့ လိုပါတယ်။ ဒါကြောင့် Spatial Intelligence ဆိုတာ AI ကို ကလေးငယ်တစ်ယောက်လို သုံးဖက်မြင် ကမ္ဘာကြီးကို တကယ် ခံစားနားလည်စေတာ ဖြစ်ပြီး ဒါဟာ နောက်ထပ် ရင်ဆိုင်ရမယ့် စိန်ခေါ်မှုကြီးပါပဲ။

Spatial Intelligence ကနေ ရှေ့တစ်လှမ်း ထပ်တိုးလိုက်ရင် Embodied AI (ရုပ်လုံးပေါ် ဉာဏ်ရည် / ကိုယ်ထည်ရှိသော AI) ကို ရောက်သွားပါပြီ။ ရှင်းရှင်းပြောရရင် AI ကို စက်ရုပ်ရဲ့ ကိုယ်ထည်ထဲ ထည့်သွင်းလိုက်တာပါ။ Tesla ရဲ့ Optimus, Figure AI ရဲ့ Figure 01 တို့လို လူသားပုံစံ စက်ရုပ် (Humanoid Robot) ပြိုင်ပွဲဟာ ညတွင်းချင်းဆိုသလို စွမ်းအင်သုံး ကားသစ်တွေ ခေတ်ထက်တောင် ပိုပြီး အပြိုင်အဆိုင် ပြင်းထန်လာပါတော့တယ်။

ဘာလို့ လူတိုင်းက စက်ရုပ်တွေကို ရုတ်တရက် အပြိုင်လုပ်လာကြတာလဲ။ ဘာလို့လဲဆိုတော့ Large Model တွေက ဦးနှောက်ပြဿနာကို ဖြေရှင်းပေးလိုက်ပြီမို့လို့ပါ။ အခု အလိုအပ်ဆုံးအရာက လက်တွေ့လှုပ်ရှားနိုင်မယ့် “ခန္ဓာကိုယ်” ပါပဲ။

စဉ်းစားကြည့်ပါ။ စက်ရုပ်တစ်ရုပ်က သင်ပြောတာတွေကို နားလည်တယ်၊ ပတ်ဝန်းကျင်ကို မြင်နိုင်တယ်၊ တာဝန်တွေကို သူ့ဘာသာသူ ခွဲခြမ်းစိတ်ဖြာနိုင်တယ်၊ သူ့လက်နဲ့ အလုပ်တွေ လုပ်နိုင်တယ်ဆိုရင်… ဒါဟာ ၁၉၅၀ ခုနှစ်က အလန် ကျူးရင်း မေးခဲ့တဲ့ မေးခွန်းရဲ့ အမြင့်ဆုံး အဖြေ (Ultimate Form) မဟုတ်ဘူးလား။

နိဂုံးချုပ် – ၇၅ နှစ်တာ လက်ဆင့်ကမ်း ပြေးပွဲ

ဒီသမိုင်းကြောင်းကို ပြန်ကြည့်ရင် AI ဆိုတာ ၇၅ နှစ်တာ ကြာမြင့်ခဲ့တဲ့ လက်ဆင့်ကမ်း ပြေးပွဲကြီး တစ်ခုပါ။

* ကျူးရင်းက “စက်တွေ တွေးခေါ်နိုင်သလား” ဆိုတဲ့ မေးခွန်းနဲ့ စတင်ခဲ့တယ်။

* မက်ကာသီက ဒီပညာရပ်ကို နာမည်ပေးခဲ့တယ်။

* ပထမ မျိုးဆက် နှစ်ဆက်က ဆောင်းရာသီ နှစ်ခုကို ဖြတ်သန်းရင်း ဘယ်လမ်းကြောင်းက အလုပ်မဖြစ်ဘူးလဲဆိုတာ သက်သေပြခဲ့တယ်။

* ဟင်တန် (Hinton) က Deep Learning ဆိုတဲ့ လမ်းကြောင်းကို အမှိုက်ပုံထဲကနေ ဆွဲထုတ်ခဲ့တယ်။

* ယန်လက်ကွန်း (LeCun) က Neural Network ကို လက်တွေ့ကမ္ဘာထဲ ရောက်လာစေခဲ့တယ်။

* ဖေဖေလီ (Fei-Fei Li) က ImageNet နဲ့ တစ်ကမ္ဘာလုံးအတွက် လေ့ကျင့်ရေးကွင်းကြီး တည်ဆောက်ပေးခဲ့တယ်။

* Nvidia က GPU နဲ့ CUDA ကိုသုံးပြီး AI ခေတ်အတွက် လျှပ်စစ်မီးနဲ့ မီးရထားလမ်းတွေကို ဖန်တီးပေးခဲ့တယ်။

* DeepMind ရဲ့ AlphaGo က AI ဆိုတာ ကစားစရာ မဟုတ်တော့ဘူးဆိုတာ ကမ္ဘာကို ပြသခဲ့တယ်။

* Google ရဲ့ Transformer က Large Model တွေအတွက် အုတ်မြစ်ချပေးခဲ့တယ်။

* OpenAI ရဲ့ GPT နဲ့ ChatGPT က AI ကို နတ်ဘုရားစင်ပေါ်ကနေ ဆွဲချပြီး လူတိုင်းရဲ့ လက်ကိုင်ဖုန်းထဲ ထည့်ပေးလိုက်တယ်။

အခုအချိန်မှာတော့ နည်းပညာ ကုမ္ပဏီကြီးတွေရဲ့ အပြိုင်အဆိုင် ကြိုးပမ်းမှုတွေကြောင့် AI ဟာ အခြေခံအဆောက်အအုံ (Infrastructure) အသစ်တစ်ခု ဖြစ်လာနေပါပြီ။ Agent တွေက AI ကို လက်နဲ့ ခြေထောက်တွေ တပ်ဆင်ပေးလိုက်ပြီး၊ Spatial Intelligence နဲ့ Embodied AI တွေက AI ကို လက်တွေ့ ရူပကမ္ဘာကြီးထဲကို ဝင်ရောက်လာစေပါပြီ။

၁၉၅၀ ခုနှစ်က ကျူးရင်း မေးခဲ့တဲ့ “စက်တွေ တွေးခေါ်နိုင်သလား” ဆိုတဲ့ မေးခွန်းကို ဒီနေ့အထိ ကျွန်တော်တို့ ဖြေနေကြဆဲပါ။ ဒါပေမယ့် အခု မေးခွန်းက “စက်တွေ စကားပြောစမ်းသပ်မှုကို အောင်မြင်နိုင်မလား” ဆိုတာ မဟုတ်တော့ပါဘူး။

ဒီနေ့ခေတ် မေးခွန်းတွေက “သူ ကမ္ဘာကြီးကို မြင်ပြီး နားလည်နိုင်ပြီလား၊ သူ ကျွန်တော်တို့ကိုယ်စား ဆုံးဖြတ်ချက်တွေ ချပေးနိုင်ပြီလား၊ သူ လက်တွေ့ကမ္ဘာကြီးထဲ ဝင်ရောက်လာနိုင်ပြီလား၊ တကယ်လို့ သူက ကျွန်တော်တို့ထက် ပိုတော်နေခဲ့ရင် ကျွန်တော်တို့ ဘာဆက်လုပ်ကြမလဲ” ဆိုတာတွေ ဖြစ်လာပါပြီ။

လွန်ခဲ့တဲ့ ၇၅ နှစ်က ဒီမေးခွန်းတွေဟာ စာတမ်းတွေထဲက စိတ်ကူးယဉ် အငြင်းပွားမှုတွေ သက်သက်ပါ။ ဒီနေ့မှာတော့ ဒါတွေဟာ လူတိုင်းရဲ့ ဖုန်း၊ ကွန်ပျူတာနဲ့ လုပ်ငန်းခွင်တိုင်းမှာ ဖြစ်ပျက်နေတဲ့ လက်တွေ့ဘဝတွေ ဖြစ်နေပါပြီ။ AI ဆိုတာ လူသားတစ်ရပ်လုံးက ၇၅ နှစ်ကြာ အချိန်ယူပြီး မျက်စိ၊ နား၊ ပါးစပ်၊ ဦးနှောက်နဲ့ ခန္ဓာကိုယ် အပြည့်အစုံကို တည်ဆောက်ပေးထားတဲ့ အရာတစ်ခုပါ။

ကျွန်တော်တို့ဟာ အခုအချိန်မှာ သူ မျက်လုံးစပွင့်လာတဲ့ အခိုက်အတန့်လေးမှာ အတိအကျ ရပ်နေကြတာပါ။ နောက်လာမယ့် ၁၀ နှစ်ဟာ လူသားသမိုင်းမှာ အထူးဆန်းဆုံး၊ စိတ်လှုပ်ရှားစရာ အကောင်းဆုံးနဲ့ အစောင့်ကြည့်သင့်ဆုံး ဆယ်စုနှစ်တစ်ခု ဖြစ်လာမှာ အသေအချာပါပဲ။

“စက်တွေ တွေးခေါ်နိုင်သလား” ဆိုတာကို ကျွန်တော်တို့ ဆက်မေးနေစရာ မလိုတော့ပါဘူး။ ဘာလို့လဲဆိုတော့ မေးခွန်းက အခုလို ပြောင်းသွားခဲ့ပြီမို့လို့ပါပဲ –

“ကျွန်တော်တို့ ကိုယ်စား ဘယ်အရာတွေကို သူ့ကို တွေးခေါ်ခိုင်းချင်တာလဲ။”

Share This Post