क्यों वीडियो गेम और बोर्ड गेम्स एआई क्षमताओं का सबसे अच्छा संकेतक नहीं हैं (कैरस के निर्माता के साथ साक्षात्कार)

एआई का स्तर निर्धारित करना सबसे कठिन है, लेकिन कंप्यूटर विज्ञान के क्षेत्र में सबसे महत्वपूर्ण मुद्दों में से एक है। यदि आप यह सुनिश्चित करने के लिए नहीं कह सकते हैं कि क्या आज बनाई गई मशीन कल बनाई गई मशीन से अधिक स्मार्ट है, तो आप यह कैसे निर्धारित कर सकते हैं कि आप प्रगति कर रहे हैं?

पहली नज़र में, ऐसा लग सकता है कि यह कोई समस्या नहीं है। "बेशक, ऐ होशियार हो रही है," समस्या पर विचारों में से एक है। “बस इस पैसे और प्रतिभाशाली लोगों को देखें जिन्होंने उद्योग में भाग लिया। उपलब्धियों को देखें, जैसे कि GO में लोगों को हराना, और सभी प्रकार के कार्य जिन्हें 10 साल पहले हल नहीं किया जा सकता था, लेकिन आज वे आम हो गए हैं, जैसे कि छवि पहचान। क्या यह वास्तव में प्रगति नहीं है?

एक और दृष्टिकोण यह है कि ये उपलब्धियाँ बुद्धि का अच्छा संकेतक नहीं हैं। हां, शतरंज और गो में लोगों की हार प्रभावशाली है, लेकिन क्या फर्क पड़ता है, भले ही बच्चा या चूहे के लिए सामान्य समस्याओं को हल करते समय सबसे स्मार्ट कंप्यूटर खो जाए?

यह आलोचना कृत्रिम बुद्धिमत्ता शोधकर्ता फ्रांस्वा चोलेट, एक Google सॉफ्टवेयर इंजीनियर और मशीन सीखने वाले समुदाय में एक प्रसिद्ध व्यक्ति से आती है। चॉलेट, केरस का निर्माता है, जो तंत्रिका नेटवर्क बनाने के लिए बहुत लोकप्रिय पुस्तकालय है। उन्होंने कई मशीन लर्निंग ट्यूटोरियल भी लिखे हैं और विभिन्न उद्योग घटनाओं पर टिप्पणी करते हुए एक लोकप्रिय ट्विटर अकाउंट बनाए हुए हैं।

हाल के एक लेख में, " इंटेलिजेंस को मापने पर, " चॉलेट का यह भी तर्क है कि एआई दुनिया को यह तय करना होगा कि खुफिया क्या है और क्या नहीं है। चॉलेट के अनुसार, यदि शोधकर्ता सार्वभौमिक कृत्रिम बुद्धिमत्ता बनाने में प्रगति करना चाहते हैं, तो उन्हें लोकप्रिय बेंचमार्क जैसे वीडियो गेम या बोर्ड गेम को देखना बंद कर देना चाहिए, और आपको उन कौशलों के बारे में सोचना शुरू करना चाहिए जो वास्तव में लोगों को होशियार बनाते हैं, जैसे कि हमारी सामान्य करने की क्षमता और अनुकूलन।

लगभग लिया इलेक्ट्रॉनिक द वर्ज पर एक साक्षात्कार में, चॉलेट ने इस विषय पर अपने विचारों को स्पष्ट करते हुए बताया कि वह क्यों मानते हैं कि एआई के क्षेत्र में वर्तमान उपलब्धियां "विकृत" हो गई हैं, हम भविष्य में खुफिया कैसे माप सकते हैं, और सुपर-बुद्धिमान एआई की डरावनी कहानियां क्यों जो एलोन मस्क और अन्य लोगों द्वारा बताए गए हैं, जनता की कल्पना में अनुचित रूप से बड़ी मात्रा में ध्यान आकर्षित करते हैं।

साक्षात्कार स्पष्टता के लिए थोड़ा संपादित किया गया है।

अपने लेख में, आप खुफिया के दो अलग-अलग अवधारणाओं का वर्णन करते हैं जिन्होंने एआई के क्षेत्र को प्रभावित किया है। पहला बुद्धिमत्ता को विभिन्न प्रकार के कार्यों में सफल होने की क्षमता के रूप में वर्णित करता है, जबकि दूसरा अनुकूलनशीलता और सामान्यीकरण को प्राथमिकता देता है, अर्थात नई चुनौतियों का जवाब देने की एआई की क्षमता। अब कौन सी अवधारणा अधिक प्रभावशाली है, और इसके परिणाम क्या हैं?

उद्योग के इतिहास के पहले 30 वर्षों में, पहली अवधारणा सबसे लोकप्रिय थी: स्थैतिक कार्यक्रमों और स्पष्ट ज्ञान के ठिकानों के एक समूह के रूप में खुफिया। अभी, पेंडुलम बहुत ही विपरीत दिशा में घूम गया है: खुफिया "क्लीन स्लेट" के रूप में प्रस्तुत किया गया है या, एक अधिक उपयुक्त रूपक, एक "प्रारंभिक प्रारंभिक गहरे तंत्रिका नेटवर्क" का उपयोग करने के लिए। दुर्भाग्य से, इस अवधारणा को लगभग प्रश्न में नहीं बुलाया गया है और इसकी बड़े पैमाने पर जांच नहीं की गई है। वैज्ञानिक समुदाय में इन मुद्दों पर लंबे समय से चर्चा की गई है - शाब्दिक रूप से दशकों से - लेकिन अब मुझे गहन शिक्षा में शामिल लोगों में जागरूकता नहीं दिखती है, शायद इसलिए कि उनमें से ज्यादातर 2016 के बाद इस क्षेत्र में आए।

सिर्फ एक दृष्टिकोण के बौद्धिक एकाधिकार कभी अच्छे नहीं होते हैं, विशेष रूप से वैज्ञानिक प्रश्नों के खराब उत्तर के रूप में। यह पूछे जाने वाले प्रश्नों के सेट को सीमित करता है। यह उन विचारों की संख्या को सीमित करता है जो लोग पूछ सकते हैं। मुझे लगता है कि शोधकर्ता अब इस तथ्य से अवगत हो रहे हैं।

अपने लेख में, आप यह भी तर्क देते हैं कि एआई में सुधार के लिए बुद्धि की अधिक सटीक परिभाषा की आवश्यकता है। आप दावा करते हैं कि शोधकर्ता अब बेंचमार्क और सांख्यिकीय परीक्षणों पर ध्यान केंद्रित कर रहे हैं, जैसे वीडियो गेम और बोर्ड गेम जीतना। आपको यह आईक्यू क्यों याद आ रहा है?

तथ्य यह है कि इस तरह के एक उपाय को चुनना, आप इसे प्राप्त करने के लिए सभी उपलब्ध कमियां (शॉर्टकट, छोटे रास्ते) का उपयोग करेंगे। उदाहरण के लिए, यदि आप बुद्धि के एक उपाय के रूप में शतरंज का खेल चुनते हैं (यह 1970 से 1990 के दशक तक था), तो आप एक प्रणाली के साथ समाप्त होते हैं जो शतरंज खेलती है और कुछ नहीं। यह मानने का कोई कारण नहीं है कि यह प्रणाली किसी और चीज के लिए अच्छी होगी। नतीजतन, आपको एक खोज पेड़ और मिनिमैक्स मिलता है, यह मानव बुद्धि के बारे में कुछ नहीं कहता है। आज, डोटा या स्टारक्राफ्ट जैसे वीडियो गेम में निपुणता का पीछा एक ही बौद्धिक जाल में गिर जाता है।

शायद यह स्पष्ट नहीं है, क्योंकि मनुष्यों में कौशल और बुद्धिमत्ता का गहरा संबंध है। मानव मन अपनी सार्वभौमिक बुद्धि का उपयोग कार्य के लिए विशेष कौशल में महारत हासिल करने के लिए कर सकता है। जो लोग वास्तव में शतरंज में अच्छे हैं, उन्हें काफी स्मार्ट माना जा सकता है, क्योंकि, परोक्ष रूप से, हम जानते हैं कि वे खरोंच से शुरू हुए थे और शतरंज खेलने के तरीके सीखने के लिए अपनी सार्वभौमिक बुद्धि का उपयोग करना पड़ा था। उन्हें शतरंज खेलने के लिए नहीं बनाया गया था। इसलिए, हम जानते हैं कि वे अपनी सार्वभौमिक बुद्धि को अन्य कार्यों के लिए निर्देशित कर सकते हैं और सीख सकते हैं कि इन कार्यों को समान तरीके से कैसे किया जाए। यही बहुमुखी प्रतिभा है।

लेकिन कारों के साथ थोड़ा अलग है। शतरंज खेलने के लिए एक मशीन तैयार की जा सकती है। इस प्रकार, हम लोगों के बारे में जो निष्कर्ष निकालते हैं - "शतरंज खेल सकते हैं, इसलिए, चतुर होना चाहिए" - पतन। और हमारी मानववादी मान्यताओं को अब लागू नहीं किया जा सकता है। सार्वभौमिक बुद्धिमत्ता कार्य-विशिष्ट कौशल में महारत हासिल कर सकती है, लेकिन कार्य-विशिष्ट कौशल से सार्वभौमिक बुद्धिमत्ता में कोई मोड़ नहीं है। निश्चित रूप से। इस प्रकार, कारों में, कौशल और बुद्धि दो पूरी तरह से अलग चीजें हैं। यदि आप किसी कार्य के बारे में अनंत राशि एकत्र कर सकते हैं (या इंजीनियरिंग संसाधनों की अनंत राशि खर्च कर सकते हैं) तो आप मनमाने कार्यों में मनमाना कौशल प्राप्त कर सकते हैं। और यह अभी भी आपको सार्वभौमिक बुद्धि के करीब एक इंच भी नहीं लाता है।

यहाँ मुख्य बात यह है कि इसमें कोई समस्या नहीं है, एक उच्च कौशल प्राप्त करना बुद्धिमत्ता का संकेत होगा। केवल अगर कार्य वास्तव में एक मेटा-कार्य नहीं है, और इसे हल करने के लिए पहले अज्ञात समस्याओं की एक विस्तृत श्रृंखला में नए कौशल प्राप्त करना आवश्यक होगा। यह कि मैं बुद्धि को मापने का प्रस्ताव कैसे देता हूं।



यदि वर्तमान परीक्षण हमें एआई को अधिक सार्वभौमिक और लचीली बुद्धि के साथ विकसित करने में मदद नहीं करते हैं, तो वे इतने लोकप्रिय क्यों हैं?

इसमें कोई संदेह नहीं है कि प्रसिद्ध वीडियो गेम में चैंपियन लोगों को हराने के प्रयास मुख्य रूप से इस तथ्य के कारण हैं कि इस तरह की परियोजनाएं बहुत सारे मीडिया का ध्यान आकर्षित कर सकती हैं। यदि जनता को इन हड़ताली "उपलब्धियों" में दिलचस्पी नहीं थी, जो कि इतनी आसानी से कल्पना की जा सकती है कि अलौकिक एआई को प्राप्त करने में प्रगति के रूप में, शोधकर्ता कुछ और करेंगे।

यह मुझे थोड़ा दुखी करता है, क्योंकि अनुसंधान को खुले वैज्ञानिक सवालों का जवाब देना चाहिए, और पीआर में संलग्न नहीं होना चाहिए। अगर मैं गहरी ट्रेनिंग का उपयोग करते हुए, एक अलौकिक स्तर पर Warcraft 3 को "हल" करने का इरादा रखता हूं, तो आप पूरी तरह से सुनिश्चित हो सकते हैं कि सब कुछ काम करेगा, बशर्ते कि हमारे पास विकास और पर्याप्त कंप्यूटिंग शक्ति (जो इस तरह की समस्या को हल करने के लिए लाखों डॉलर खर्च होंगे)। लेकिन ऐसा करने के बाद, मैं बुद्धिमत्ता या बहुमुखी प्रतिभा के बारे में क्या सीखता हूँ? कोई बात नहीं। सबसे अच्छी स्थिति में, मैं गहन ज्ञान प्राप्त करने के लिए इंजीनियरिंग ज्ञान प्राप्त करूंगा। इसलिए, मैं इसे वैज्ञानिक अध्ययन नहीं मानता, क्योंकि यह वह नहीं सिखाता जो हम अभी तक नहीं जानते थे। हम एक भी खुले प्रश्न का उत्तर नहीं देते हैं। यदि प्रश्न था: "क्या हम एक्स को एक अलौकिक स्तर पर खेल सकते हैं?", इसका उत्तर अप्रतिम है: "हां, यदि आप बहुत सारी प्रशिक्षण स्थितियों को उत्पन्न कर सकते हैं और उन्हें गहन सीखने के बजाय अभिव्यंजक मॉडल में प्रस्तुत कर सकते हैं।" हम इसे पिछले कुछ समय से जानते हैं। ( दरअसल, मैंने यह कहा था कि एआई ने डोटा 2 और स्टारक्राफ्ट में चैंपियन स्तर पर पहुंचने से पहले )

आपकी राय में, इन परियोजनाओं की वास्तविक उपलब्धियां क्या हैं? उनके परिणाम किस हद तक गलत या विकृत हैं?

एक गंभीर विकृति जो मुझे दिखाई देती है कि ये उच्च-स्तरीय गेमिंग सिस्टम "AI सिस्टम और वास्तविक दुनिया की जटिलता और अनिश्चितता से निपटने की उनकी क्षमता" की दिशा में वास्तविक प्रगति का प्रतिनिधित्व करते हैं [] यह OpenAI स्टेटमेंट से एक प्रेस विज्ञप्ति में उनके OpenAI Five के लिए है बॉट डोटा 2 खेल रहा है]। लेकिन वे नहीं कर सकते यदि ऐसा था, तो ये बहुत उपयोगी अध्ययन होंगे, लेकिन यह केवल सच नहीं है। उदाहरण के लिए, OpenAI Five को लें: वह Dota 2 की जटिलता का सामना नहीं कर सका, क्योंकि उसे 16 पात्रों पर प्रशिक्षित किया गया था, और वह पूरे खेल के लिए ज्ञान नहीं फैला सका, जिसमें 100 से अधिक वर्ण हैं। इसे प्रशिक्षित करने के लिए 45,000 साल के गेमप्ले में लग गए - फिर से, ध्यान दें कि प्रशिक्षण डेटा की आवश्यकताएं कार्य की जटिलता के साथ कैसे बढ़ती हैं - हालांकि, परिणामस्वरूप मॉडल बहुत नाजुक हो गया: गैर-चैंपियन खिलाड़ी बॉट को हराने के लिए रणनीति पा सकते हैं। एआई जनता के लिए उपलब्ध होने के कुछ दिनों बाद।

यदि आप कभी सीखना चाहते हैं कि वास्तविक दुनिया की जटिलता और अनिश्चितता से कैसे निपटें, तो आपको ऐसे प्रश्न पूछना शुरू करना चाहिए जैसे: बुद्धि की सार्वभौमिकता क्या है? हम अपने शिक्षण प्रणालियों में बहुमुखी प्रतिभा को कैसे मापते और बढ़ाते हैं? और यह बिल्कुल भी नहीं है कि हम अब क्या कर रहे हैं, जब हम एक बड़े तंत्रिका नेटवर्क में 10 गुना अधिक डेटा छोड़ते हैं ताकि यह कई प्रतिशत तक अपने कौशल में सुधार करे।

फिर, बुद्धि का कौन सा उपाय उद्योग के लिए सबसे अच्छा है?

संक्षेप में, हमें शतरंज, डोटा या स्टारक्राफ्ट जैसे पूर्व-ज्ञात कार्यों में कौशल का मूल्यांकन बंद कर देना चाहिए, और इसके बजाय कौशल प्राप्त करने के लिए सिस्टम की क्षमता का मूल्यांकन करना शुरू करना चाहिए। इसका मतलब है कि हमें केवल नए कार्यों का उपयोग करना चाहिए जो पहले सिस्टम को नहीं जानते थे, उस कार्य के प्रारंभिक ज्ञान को मापते हैं जिसके साथ सिस्टम शुरू हुआ था, और सिस्टम की प्रभावशीलता को मापता है (कार्य को पूरा करने के लिए सीखने के लिए कितना डेटा आवश्यक है)। कम जानकारी (पूर्व ज्ञान और अनुभव) आपको एक निश्चित स्तर के कौशल को प्राप्त करने की आवश्यकता है, जो आप हैं। उपरोक्त को देखते हुए, वास्तव में, कृत्रिम बुद्धि के आधुनिक सिस्टम बहुत स्मार्ट नहीं हैं।

इसके अलावा, बुद्धिमत्ता के ऐसे उपाय के साथ, मशीनें लोगों को अधिक पसंद आएंगी क्योंकि विभिन्न प्रकार की बुद्धि हो सकती है, और मानव बुद्धि वह है जिसका हम परोक्ष रूप से मतलब रखते हैं जब हम सार्वभौमिक बुद्धि के बारे में बात करते हैं। और इसमें यह समझने का प्रयास भी शामिल है कि दुनिया में कौन से लोग ज्ञान के समूह में पैदा हुए हैं। लोग अविश्वसनीय रूप से प्रभावी ढंग से सीखते हैं - उन्हें नए कौशल हासिल करने के लिए बहुत कम अनुभव की आवश्यकता होती है - लेकिन वे इसे खरोंच से नहीं करते हैं। वे सहज ज्ञान का उपयोग करते हैं, कौशल और ज्ञान के अलावा जीवन भर।

मेरे हालिया लेख में, मैं एक नए मूल्यांकन डेटासेट, एआरसी का प्रस्ताव करता हूं, जो आईक्यू टेस्ट के समान है। एआरसी मानसिक कार्यों का एक समूह है जिसमें प्रत्येक कार्य को डेमो के एक छोटे से क्रम में समझाया जाता है, आमतौर पर तीन, और आपको सीखना होगा कि इन कुछ डेमो से कार्य को कैसे पूरा किया जाए। एआरसी के पीछे विचार यह है कि आपके कार्य का मूल्यांकन करने वाला प्रत्येक कार्य पूरी तरह से नया होना चाहिए और इसमें केवल वही ज्ञान शामिल होना चाहिए जो मानव जन्मजात ज्ञान के अनुरूप हो। उदाहरण के लिए, ऐसे कार्यों में मानव भाषा का उपयोग नहीं किया जा सकता है। वर्तमान में, लोग किसी भी मौखिक स्पष्टीकरण या प्रारंभिक तैयारी के बिना एआरसी को हल कर सकते हैं, लेकिन वर्तमान में ज्ञात एआई सिस्टम में से कोई भी इसे हल नहीं कर सकता है। यह एक महत्वपूर्ण मार्कर है जिसे हमें नए विचारों की आवश्यकता है।



क्या आपको लगता है कि AI दुनिया समस्याओं को हल करने के लिए कंप्यूटिंग शक्ति बढ़ाकर अपनी प्रगति जारी रख पाएगी? कुछ का तर्क है कि पिछले कुछ वर्षों में, यह उत्पादकता बढ़ाने का सबसे प्रभावी तरीका है। जब अन्य लोग सुझाव देते हैं कि यदि हम इस मार्ग का अनुसरण करते हैं, तो परिणाम और विकास दर बिगड़ने लगेंगे।

यह बिल्कुल सच है अगर आप किसी विशिष्ट कार्य पर काम कर रहे हैं। किसी कार्य के लिए अधिक प्रशिक्षण डेटा और अधिक कंप्यूटिंग शक्ति का उपयोग करने से इस कार्य की उत्पादकता में वृद्धि होगी। लेकिन यह आपको कृत्रिम बुद्धिमत्ता में बहुमुखी प्रतिभा को प्राप्त करने के बारे में व्यावहारिक रूप से शून्य समझ देगा।

यदि आपके पास गहन प्रशिक्षण का एक बड़ा मॉडल है और कार्य के लिए एक अच्छा नमूना है, तो यह सीखेगा कि इस समस्या को कैसे हल किया जाए, चाहे वह डोटा हो या स्टारक्राफ्ट, कुछ भी हो। और यह अत्यंत मूल्यवान है। यह मशीन धारणा से संबंधित कार्यों की लगभग अनंत संख्या में उपयोग किया जा सकता है। एकमात्र समस्या यह है कि आपके द्वारा आवश्यक डेटा की मात्रा कार्य की जटिलता के सापेक्ष एक दहनशील कार्य है, इसलिए थोड़ा जटिल कार्य भी महंगा हो सकता है।

उदाहरण के लिए ऑटोपायलट कारों को लें। लाखों प्रशिक्षण स्थितियों में केवल सुरक्षित रूप से ड्राइव करने के लिए सीखने के लिए गहन प्रशिक्षण का उपयोग करने वाले मॉडल के लिए पर्याप्त नहीं होगा। यही कारण है कि हमारे पास अभी तक 5 वें स्तर का ऑटोपायलट नहीं है। और सबसे उन्नत ऑटोपायलट सिस्टम में, गहरी सीखने का उपयोग मुख्य रूप से सेंसर डेटा और मैन्युअल रूप से बनाए गए मॉडल को जोड़ने के लिए किया जाता है। और अगर हमारे पास सार्वभौमिक गहन शिक्षा थी, तो हमारे पास 2016 में एक बड़े तंत्रिका नेटवर्क के रूप में एक स्तर 5 ऑटोपायलट होगा।

और अंत में, यह देखते हुए कि आप आधुनिक एआई की सीमाओं के बारे में बात कर रहे हैं, यह मुझे इस डर के बारे में पूछने के लायक लगता है कि एक अत्यंत शक्तिशाली एआई निकट भविष्य में मानवता को नुकसान पहुंचा सकता है। क्या आपको लगता है कि ये अच्छी तरह से स्थापित भय हैं?

नहीं, मैं इस विचार की वैधता में विश्वास नहीं करता। हमने कभी स्टैंडअलोन एआई नहीं बनाया। और इस बात के कोई संकेत नहीं हैं कि हम इसे भविष्य में बनाने में सक्षम होंगे। (एआई उद्योग अब इस दिशा में आगे नहीं बढ़ रहा है।) और हम इसकी कल्पना भी नहीं कर सकते हैं कि इसकी विशेषताएं क्या हो सकती हैं यदि हम अंततः इसे विकृत भविष्य में बनाते हैं। यदि आप एक सादृश्य चाहते हैं, तो यह 1600 में पूछने जैसा है: “बैलिस्टिक काफी तेजी से विकसित हो रहा है! लेकिन क्या होगा अगर हमारे पास एक बार एक बंदूक है जो एक पूरे शहर को नष्ट कर सकती है। हम कैसे यकीन कर सकते हैं कि वह केवल बुरे लोगों को मार डालेगी? ” यह एक बल्कि खराब तैयार किया गया प्रश्न है, और इस भविष्य एआई के बारे में किसी भी सटीक ज्ञान की अनुपस्थिति में इसकी चर्चा, सबसे अच्छा एक दार्शनिक तर्क के लिए नीचे आती है।

और फिर भी इन खुफिया सूचनाओं के बारे में अन्य क्षेत्रों से ध्यान भटकता है जिसमें एआई आज बहुत खतरनाक हो सकता है। एआई का उपयोग करने के कुछ तरीके सुपर इंटेलिजेंस के बिना खतरनाक हैं। मैंने लिखा कि एआई को एल्गोरिथम प्रचार प्रणालियों के लिए कैसे इस्तेमाल किया जा सकता है। बहुत पहले से ही हथियार प्रणालियों में एआई का उपयोग करने की बढ़ती प्रवृत्ति या एआई के बारे में अधिनायकवादी नियंत्रण के उपकरण के रूप में लिखा गया है।

1453 में कॉन्स्टेंटिनोपल की घेराबंदी के बारे में एक कहानी है। जब शहर ओटोमन सेना से लड़ रहा था, उसके विद्वानों और शासकों ने चर्चा की कि किस प्रकार के स्वर्गदूत लिंग के हो सकते हैं। और अधिक ऊर्जा और ध्यान हम स्वर्गदूतों के लिंग के बारे में बहस करने या उन मूल्यों पर सोचने के लिए समर्पित करते हैं जो एक सुपर-बुद्धिमान एआई के पास होना चाहिए, जितना कम हम दबाने और वास्तविक समस्याओं को हल करने पर ध्यान देते हैं। आईटी में एक प्रसिद्ध नेता हैं, जो मानवता के लिए मुख्य खतरे के रूप में सुपरिन्टेन्डेन्ट एआई के बारे में बात करना पसंद करते हैं। ठीक है, जबकि ये विचार सभी सुर्खियों में हैं, आप इस बात पर चर्चा नहीं कर रहे हैं कि क्या हमारी सड़कों पर अपर्याप्त सटीक ऑटोपायलट वाली कारों का उत्पादन करना नैतिक है, जो दुर्घटनाओं और मौतों की ओर जाता है।

यदि आप इस आलोचना को स्वीकार करते हैं - कि फिलहाल इन आशंकाओं का कोई तकनीकी आधार नहीं है - क्यों, आपकी राय में, क्या वे इतने लोकप्रिय हैं?

मुझे लगता है कि यह सिर्फ एक सुंदर कहानी है, और लोग इसे पसंद करते हैं। यह कोई संयोग नहीं है कि दुनिया के अंत के बारे में सब कुछ धार्मिक कहानियों की इतनी याद दिलाता है, क्योंकि इस तरह की कहानियां लंबे समय से लोगों के बीच फैली हुई हैं और प्रतिध्वनित होती हैं। इसी कारण से, इस डर का उपयोग अक्सर विज्ञान कथा फिल्मों और उपन्यासों में किया जाता है। ऐसा इसलिए क्योंकि यह एक खूबसूरत कहानी है। और लोगों को दुनिया को समझने के लिए कहानियों की जरूरत है। और इस तरह की कहानियाँ खुफिया की प्रकृति को समझने या तकनीकी प्रगति को चलाने के लिए समझने की तुलना में बहुत अधिक हैं।

टेलीग्राम चैनल में और भी दिलचस्प अंश हैं ।