ಡೇಟಾ ಸೆಂಟರ್ ದಾಹಕ್ಕೆ ಕೃತಕ ಮಿದುಳುಕೋಶದ ಮಜ್ಜಿಗೆ

ಮಾನವನ ಮಿದುಳಿನ ಕಾರ್ಯವಿಧಾನವನ್ನು ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೊಮ್ಮೆ ಹೋಲಿಸಿ ನೋಡೋಣ. ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಮಿದುಳಿನ ಕಾರ್ಯವನ್ನು ಕಂಪ್ಯೂಟರಿನ ಸೆಂಟ್ರಲ್ ಪೊ›ಸೆಸಿಂಗ್ ಯುನಿಟ್ (ಸಿಪಿಯು) ನಿಭಾಯಿಸುತ್ತದೆ. ಅದೇ ಮಾನವನಲ್ಲಿ ಇಂದ್ರಿಯಗಳು ಗ್ರಹಿಸಿರುವ ಕ್ರಿಯೆಯನ್ನು ನ್ಯೂರಾನ್​ಗಳು ವಿದ್ಯುತ್ ಮತ್ತು ರಾಸಾಯನಿಕ ಸಂವೇದನೆಗಳನ್ನಾಗಿ ಬದಲಿಸಿ ಮಿದುಳಿಗೆ ಕಳಿಸುತ್ತವೆ. ವಿಷಯವನ್ನು ಗ್ರಹಿಸುವ ಮಿದುಳು ಅದಕ್ಕೆ ನೀಡುವ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮತ್ತೆ ನ್ಯೂರಾನ್ ಸಂಬಂಧಪಟ್ಟ ಸ್ನಾಯುಗಳಿಗೆ ತಲುಪಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ ನೀವು ಕುಳಿತುಕೊಂಡಿರುವ ಕೊಠಡಿಯಲ್ಲಿ ಸೆಕೆ ಹೆಚ್ಚಾಗಿರುವುದನ್ನು ನಿಮ್ಮ ಇಂದ್ರಿಯಗಳಲ್ಲೊಂದಾದ ಚರ್ಮವು ಗ್ರಹಿಸುತ್ತದೆ. ಈ ವಿಷಯವು ನ್ಯೂರಾನ್ ಮೂಲಕ ಮಿದುಳಿಗೆ ತಲುಪಿ ಅದಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ನೀವು ಎ.ಸಿ.ಯ ರಿಮೋಟ್ ಎತ್ತಿಕೊಂಡು ಬಟನ್ ಒತ್ತುತ್ತೀರಿ. ಇದನ್ನೇ ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ನೋಡುವುದಾದರೆ, ಪುಟ್ಟ ಸೆಂಟ್ರಲ್ ಪೊ›ಸೆಸಿಂಗ್ ಯುನಿಟ್ ಹೊಂದಿರುವ ಹವಾನಿಯಂತ್ರಕವು ಸಂವೇದಕಗಳ ಮೂಲಕ ತಾಪಮಾನವನ್ನು ಗ್ರಹಿಸಿ ಅದು ಪೂರ್ವನಿರ್ಧರಿತ ಮಿತಿಯನ್ನು ದಾಟಿದ ಕೂಡಲೇ ಎ.ಸಿ.ಯನ್ನು ಚಾಲೂ ಮಾಡಲು ಸಂದೇಶ ನೀಡುತ್ತದೆ. ಎಲ್ಲ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳೂ ಇಂಥದ್ದೊಂದು ವ್ಯವಸ್ಥೆಯ ವಿಸõತ ರೂಪಗಳು. ಇತ್ತೀಚೆಗೆ ಭಾರಿ ಸದ್ದು ಮಾಡುತ್ತಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಹ ಇದರದ್ದೇ ಮುಂದುವರಿದ ಹಾಗೂ ಸುಧಾರಿತ ರೂಪ. ತನ್ನ ಮೊದಲ ಹೆಜ್ಜೆಗಳನ್ನಿಡಲು ಕಲಿಯುತ್ತಿರುವ ಪುಟ್ಟ ಮಗುವೊಂದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಅದು ಅಮ್ಮ ಒಲೆ ಹಚ್ಚಿ ಎಸೆದ ಬೆಂಕಿಕಡ್ಡಿಯ ಕಿಡಿಯನ್ನು ಮುಟ್ಟಿ ಕೈಸುಟ್ಟುಕೊಂಡು ಅದರ ಬಿಸಿಯನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುತ್ತದೆ. ಅಪ್ಪ ಆಗ ತಾನೇ ತಂದು ನಿಲ್ಲಿಸಿದ ಬೈಕಿನ ಸೈಲೆನ್ಸರ್​ಗೆ ಕಾಲು ತಾಗಿಸಿಕೊಂಡು ಅಳುತ್ತದೆ. ಬಿಸಿಲಿಗೆ ಕಾದು ಬಾಣಲಿಯಂತಾದ ಮನೆಯ ಎದುರಿನ ಕಲ್ಲಿನ ಹಜಾರದ ಮೇಲೆ ಪಾದವಿಟ್ಟು ಕೆಂಪಗಾಗಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಈ ಎಲ್ಲ ಘಟನೆಗಳು ಆ ಮಗುವಿಗೆ ಜೀವನದ ಮೊದಲ ಪಾಠಗಳು. ಆ ತಪ್ಪುಗಳು ಮತ್ತೆಂದೂ ಅತ್ತ ತಲೆಹಾಕದ ರೀತಿಯ ಅನುಭವಗಳನ್ನು ಆ ಪುಟ್ಟ ಜೀವಕ್ಕೆ ಹೇಳಿಕೊಡುತ್ತವೆ. ಪಾಲಕರು ಅಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮಗುವನ್ನೆತ್ತಿಕೊಂಡು ಮಿಠಾಯಿ ನೀಡಿ ಸಂತೈಸುತ್ತ ಅಲ್ಲಿರುವ ಶಾಖದ ಕುರಿತು ತಿಳಿ ಹೇಳಿದಾಗಲಂತೂ ಆ ಪಾಠವು ಮಗುವಿನ ಮಸ್ತಕದಲ್ಲಿ ಎಂದೂ ಅಳಿಸದ ರೀತಿ ಅಚ್ಚೊತ್ತುತ್ತದೆ.

ಈಗ ಮತ್ತೊಂದು ಉದಾಹರಣೆಯನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಕೋನದಿಂದ ನೋಡೋಣ. ಅದೊಂದು ರೋಬಾಟ್. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅಳವಡಿಸಿ ಅದನ್ನು ರೂಪಿಸಿರುವ ಜನಕನು ರೋಬಾಟ್​ಗೆ ಮನೆಯ ಅಟ್ಟಣಿಗೆಯಲ್ಲಿ ಹಪ್ಪಳ ಒಣಗಿಸಿ ಅಲ್ಲೇ ಕುಳಿತುಕೊಂಡು ಸಾಯಂಕಾಲ ಐದು ಗಂಟೆಗೆ ಅವೆಲ್ಲವನ್ನೂ ಎತ್ತಿಕೊಂಡು ಅವೆಲ್ಲಿದ್ದವೋ ಅಲ್ಲಿಯೇ ಇಡುವಂತೆ ತಂತ್ರಾಂಶ ಅರ್ಥಾತ್ ಕೋಡ್ ಬರೆದು ಸೂಚಿಸಿರುತ್ತಾನೆ. ಅದರಂತೇ ಲಟ್ಟಿಸಿಟ್ಟಿರುವ ಹಪ್ಪಳವನ್ನು ಗುರುತಿಸಿ ಅದನ್ನೆತ್ತಿಕೊಂಡು ಅಟ್ಟಣಿಗೆ ಹತ್ತುವ ರೋಬಾಟ್ ಅವುಗಳನ್ನು ಹಾಸಿನ ಮೇಲೆ ಒಣಗಿಸುತ್ತದೆ. ಆಣತಿಯಂತೆ ಐದು ಗಂಟೆಯಾಗಲು ಅಲ್ಲೇ ಕುಳಿತು ಕಾಯುತ್ತಿರುವಾಗ ಅಲ್ಲೊಂದು ಕಾಗೆ ಬಂದು ಹಪ್ಪಳವನ್ನೆತ್ತಿಕೊಳ್ಳುತ್ತದೆ. ಆದರೆ ಅಲ್ಲಿದ್ದ ರೋಬಾಟ್ ಕಾಗೆಯನ್ನು ನೋಡಿ ಯಾವುದೇ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವುದಿಲ್ಲ. ಏಕೆಂದರೆ ರೋಬಾಟನ್ನು ರೂಪಿಸಿರುವ ವಿನ್ಯಾಸಕಾರ ಕಾಗೆ ಬಂದರೆ ಏನು ಮಾಡಬೇಕೆಂದು ಅದಕ್ಕೆ ಹೇಳಿ ಕೊಟ್ಟಿರುವುದಿಲ್ಲ. ಈ ತೊಂದರೆ ಅರ್ಥಾತ್ ಬಗ್ ಗಮನಿಸಿದ ವಿನ್ಯಾಸಕಾರ ಈ ಬಾರಿ ಅದಕ್ಕೆ ಕಾಗೆಯ ಚಿತ್ರ ತೋರಿಸಿ ಅದನ್ನು ನೋಡಿದರೆ ಕೋಲು ತೋರಿಸಿ ಓಡಿಸಬೇಕೆಂದು ಆತನ ಕೋಡಿಂಗ್​ನಲ್ಲಿ ಆಣತಿ ನೀಡುತ್ತಾನೆ. ಮಾರನೇ ದಿನ ರೋಬಾಟ್, ಹಪ್ಪಳ ತಿನ್ನಲು ಬಂದ ಕಾಗೆಯನ್ನು ಕಂಡೊಡನೆಯೇ ಕೋಲೆತ್ತಿ ಓಡಿಸುತ್ತದೆ. ಇದಾದ ಸ್ವಲ್ಪ ಹೊತ್ತಿನಲ್ಲಿ ಅಲ್ಲಿ ನಾಯಿಯೊಂದು ಬಂದು ಹಪ್ಪಳವನ್ನು ಎತ್ತಿಕೊಳ್ಳುತ್ತದೆ. ಇದನ್ನು ಕಂಡ ರೋಬಾಟ್ ಮತ್ತೆ ತಟಸ್ಥ. ಕಾರಣ ಸ್ಪಷ್ಟ. ಕಾಗೆಯ ಬಗ್ಗೆ ಹೇಳಿದ್ದ ವಿನ್ಯಾಸಕಾರ ನಾಯಿಯ ಕುರಿತು ಏನನ್ನೂ ಹೇಳಿರುವುದಿಲ್ಲ. ಇದೀಗ ಮತ್ತೊಮ್ಮೆ ವಿನ್ಯಾಸಕಾರ ಕೋಡಿಂಗ್ ಮಾರ್ಪಡಿಸಿ ರೋಬಾಟ್​ಗೆ ನಾಯಿಯ ಬಗ್ಗೆ ತಿಳಿಹೇಳಬೇಕು. ಹೀಗೆ ತಪ್ಪು ಮಾಡುತ್ತಲೇ ಹೆಚ್ಚೆಚ್ಚು ಕಲಿಯುತ್ತ ಅಪ್ಡೇಟ್ ಆಗುವ ರೋಬಾಟ್​ನ ಕಲಿಯುವಿಕೆಯ ಪದ್ಧತಿಯನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.

ರೀಇನ್​ಫೋರ್ಸ್​ವೆುಂಟ್ ಲರ್ನಿಂಗ್ ವಿತ್ ಹ್ಯೂಮನ್ ಫೀಡ್​ಬ್ಯಾಕ್ (ಆರ್​ಎಲ್​ಎಚ್​ಎಫ್) ಎಂದು ಹೇಳಲಾಗುವ ಈ ವಿಧಾನದ ಮೂಲಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾಡೆಲ್ಲೊಂದು ತನ್ನನ್ನು ತಾನೇ ತಿದ್ದಿಕೊಳ್ಳುತ್ತ ಪರಿಪೂರ್ಣತೆಯತ್ತ ಸಾಗುತ್ತದೆ. ನೀವು ಚಾಟ್​ಜಿಪಿಟಿ ಅಥವಾ ಜೆಮಿನಿ ಎಐ ಬಳಕೆದಾರರಾಗಿದ್ದಲ್ಲಿ ನೀವು ಕೊಟ್ಟ ಪ್ರಶ್ನೆಗೆ ಅದು ಉತ್ತರ ನೀಡಿದ ನಂತರ ಕೆಳಗೆ ಮೂಡುವ ಥಂಬ್ಸ್ ಅಪ್ ಮತ್ತು ಥಂಬ್ಸ್ ಡೌನ್ ಐಕಾನ್​ಗಳನ್ನು ನೋಡಿರುತ್ತೀರಿ. ಉತ್ತರ ಓದಿದ ನೀವು ಅವುಗಳಲ್ಲಿ ಯಾವುದನ್ನು ಒತ್ತುತ್ತೀರೆಂಬುದು ಆ ಮಾಡೆಲ್​ಗೆ ಅತ್ಯಮೂಲ್ಯ ಮಾಹಿತಿ. ಅದರ ಆಧಾರದ ಮೇಲೆ ಚಾಟ್​ಜಿಪಿಟಿ ಅಥವಾ ಜೆಮಿನಿ ಎಐ ತನ್ನ ಬೆನ್ನನ್ನು ತಾನೇ ತಟ್ಟಿಕೊಳ್ಳುತ್ತ ಅಥವಾ ಮತ್ತಷ್ಟು ತಿದ್ದಿಕೊಳ್ಳುವ ನಿಟ್ಟಿನಲ್ಲಿ ಕಾರ್ಯೋನ್ಮುಖವಾಗುತ್ತದೆ. ಒಂದಂತೂ ದಿಟ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾಡೆಲ್ಲುಗಳು ಪ್ರತಿಯೊಂದು ಉತ್ತರ ಅಥವಾ ಕ್ರಿಯೆಗೂ ತನ್ನಲ್ಲಿರುವ ಮಾಹಿತಿಯ ಭಂಡಾರವನ್ನೇ ಬಗೆದು ಹುಡುಕಿ ನಿರ್ಧಾರಕ್ಕೆ ಬರುತ್ತವೆ. ಇಷ್ಟೊಂದು ಮಾಹಿತಿಗಳ ಖಜಾನೆಗೆ ತನ್ನ ಪ್ರತಿಯೊಂದು ಕಾರ್ಯದ ನಂತರ ಸ್ವವಿಮರ್ಶೆ ಮಾಡಿಕೊಳ್ಳುತ್ತ ಮತ್ತಷ್ಟು ಸೇರಿಸಿಕೊಳ್ಳುತ್ತ ಹೋಗುವ ಈ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮಾಡೆಲ್ಲುಗಳು ಕೊನೆಗೆ ಇವನ್ನೆಲ್ಲ ಎಲ್ಲಿ ಸಂಗ್ರಹಿಸಿಟ್ಟಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬ ಪ್ರಶ್ನೆ ಮೂಡುವುದು ಸಹಜ. ಅದಕ್ಕುತ್ತರವೇ ‘ಡೇಟಾ ಸೆಂಟರ್’.

ಕಳೆದ ಒಂದೆರಡು ವರ್ಷಗಳಲ್ಲಿ ಪ್ರವರ್ಧಮಾನಕ್ಕೆ ಬಂದಿರುವ, ಇದೀಗ ಎಲ್ಲೆಡೆ ಆವರಿಸಿಕೊಂಡಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮುಂಬರುವ ದಿನಗಳಲ್ಲಿ ಹಲವರ ಕೆಲಸಗಳನ್ನು, ಕುಲಕಸುಬುಗಳನ್ನು ಕಿತ್ತುಕೊಂಡು ಅವರನ್ನೆಲ್ಲ ಬೀದಿಗೆ ತರಲಿದೆ ಎಂಬ ಕೂಗಿನ ನಡುವೆ ಅದರ ಮತ್ತೊಂದು ಕರಾಳ ಮುಖವು ಮುನ್ನೆಲೆಗೆ ಬರುತ್ತಿದೆ. ಎಐಗೆ ನೀವು ಪ್ರಶ್ನೆಯೊಂದನ್ನು ಕೇಳಿದಾಗ ಅದನ್ನದು ಡೇಟಾ ಸೆಂಟರ್​ನಲ್ಲಿರುವ ಸರ್ವರ್​ಗಳಿಗೆ ತಲುಪಿಸುತ್ತದೆ. ಈ ಸರ್ವರ್​ಗಳ ಹಿಂದಿರುವ ಸಾವಿರಾರು ಮೈಕ್ರೋಪೊ›ಸೆಸರ್ ಚಿಪ್​ಗಳು ಆ ಪ್ರಶ್ನೆಗೆ ತಮ್ಮಲ್ಲಿರುವ ಸಂಕೀರ್ಣ ಲೆಕ್ಕಾಚಾರಗಳ ಮೂಲಕ ಉತ್ತರವನ್ನು ಹುಡುಕುತ್ತವೆ. ಈ ಪೂರ್ತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸರ್ವರ್ ಮತ್ತದರ ಬಾಲಬಡುಕರು ಬಹಳಷ್ಟು ವಿದ್ಯುತ್ ಬಳಸುವ ಜತೆಗೆ ಶಾಖೋತ್ಪತ್ತಿಯಾಗಿ ಚಿಪ್ ಬಿಸಿಯಾಗುವ ಕಾರಣ ಅವುಗಳನ್ನು ತಣ್ಣಗಿಡಲು ಸಾಕಷ್ಟು ನೀರಿನ ವ್ಯವಸ್ಥೆಯೂ ಅತ್ಯವಶ್ಯಕವಾಗಿರುತ್ತದೆ. ಹೀಗಾಗಿ ಡೇಟಾ ಸೆಂಟರ್​ಗಳು ಸಿಕ್ಕಾಪಟ್ಟೆ ನೀರು ಮತ್ತು ವಿದ್ಯುತ್ತನ್ನು ಬೇಡುತ್ತಿವೆ. ಇಂದಿನ ಜಾಗತಿಕ ವಿದ್ಯುತ್ ಬೇಡಿಕೆಯ ಟ್ರೆಂಡ್ ಗಮನಿಸಿದರೆ ಡೇಟಾ ಸೆಂಟರ್​ಗಳ ವಿದ್ಯುತ್ ಬೇಡಿಕೆ ಬೇರೆಲ್ಲ ಕ್ಷೇತ್ರಕ್ಕಿಂತ ನಾಲ್ಕು ಪಟ್ಟು ವೇಗದಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತಿದೆ. ಅಂದಾಜಿನಂತೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ನಾವು ಕೇಳುವ ನೂರು ಶಬ್ದಗಳ ಪ್ರಶ್ನೆಯೊಂದಕ್ಕೆ ಡೇಟಾ ಸೆಂಟರ್ ಒಂದು ಲೀಟರ್ ನೀರನ್ನು ವ್ಯಯಿಸುತ್ತದೆ. ಪ್ರತಿದಿನ ಲಕ್ಷಾಂತರ ಜನರು ಇದನ್ನು ಬಳಸುವಾಗ ಅದೆಷ್ಟು ನೀರು ಬೇಕಾಗಬಹುದು ಊಹಿಸಿ. ಪರಿಸರ ಮತ್ತು ಶಕ್ತಿ ಅಧ್ಯಯನ ಕೇಂದ್ರ (ಇಇಎಸ್​ಐ) ನಡೆಸಿದ ಅಧ್ಯಯನದಲ್ಲಿ ಕಂಡುಕೊಂಡಂತೆ ಮಧ್ಯಮ ಗಾತ್ರದ ಡೇಟಾ ಸೆಂಟರ್​ಗೆ ಒಂದು ವರ್ಷಕ್ಕೆ 110 ಮಿಲಿಯನ್ ಗ್ಯಾಲನ್ ಶುದ್ಧನೀರಿನ ಅಗತ್ಯವಿದೆ. ಇದು ಒಂದು ಸಾವಿರ ಕುಟುಂಬಗಳ ವಾರ್ಷಿಕ ನೀರಿನ ಅವಶ್ಯಕತೆಗೆ ಸಮ. ದೊಡ್ಡ ಡೇಟಾ ಸೆಂಟರ್ ಸುಮಾರು 10ರಿಂದ 50 ಸಾವಿರ ಕುಟುಂಬಗಳ, ಅಂದರೆ ಕಾರವಾರ, ತಿಪಟೂರು ಅಥವಾ ಹಾವೇರಿಯಂತಹ ಊರುಗಳ ಒಂದು ವರ್ಷದ ನೀರಿನ ಬೇಡಿಕೆಯನ್ನು ತಾನೇ ಗುಟಕಾಯಿಸುತ್ತದೆ. ಪುಟ್ಟಮಗುವಿಗೆ ಅ,ಆ,ಇ ಹೇಳಿಕೊಡುವುದರಿಂದ ಹಿಡಿದು ಯುದ್ಧ ಗೆಲ್ಲುವವರೆಗೂ ಎಐ ಬಳಸಲಾಗುತ್ತಿರುವ ಇಂದಿನ ದಿನಗಳಲ್ಲಿ ರೇಸಿನಲ್ಲಿ ತಾವು ಹಿಂದುಳಿಯಬಹುದೆಂಬ ಭಯದಿಂದ ಟೆಕ್ ಕಂಪನಿಗಳು ಹಿಗ್ಗಾಮುಗ್ಗಾ ಡೇಟಾ ಸೆಂಟರ್​ಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತಿವೆ. ಇದು ಸ್ಥಳೀಯವಾಗಿ ಉದ್ಯೋಗವನ್ನು ಸೃಷ್ಟಿಸುತ್ತಿದೆ ನಿಜ, ಪ್ರತಿಯಾಗಿ ಸಂಪನ್ಮೂಲಗಳ ಮೇಲೆ ಬೀಳುತ್ತಿರುವ ಒತ್ತಡದ ವಿಷಯವನ್ನರಿತ ಹಲವು ದೇಶಗಳು ಡೇಟಾ ಸೆಂಟರ್​ಗಳಿಗೆ ಬಾಗಿಲು ಮುಚ್ಚುತ್ತಿವೆ. ಹೀಗಾಗಿ ಟೆಕ್ ಕಂಪನಿಗಳು ಹೆಚ್ಚು ನೀರಿರುವ, ತಂಪು ಹವಾಮಾನದ ಪ್ರದೇಶಗಳಲ್ಲಿ ಸೆಂಟರ್​ಗಳನ್ನು ಸ್ಥಾಪಿಸುವ, ಕಡಿಮೆ ಶಾಖೋತ್ಪತ್ತಿ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಸುವ ಚಿಪ್​ಗಳನ್ನು ಉಪ ಯೋಗಿಸುವಂತಹ ಉಪಾಯಗಳಿಗೆ ಮೊರೆಹೋಗುತ್ತಿದ್ದರೂ ಅದರಿಂದ ಹೆಚ್ಚು ಫರಕು ಬೀಳುತ್ತಿಲ್ಲ. ಹೀಗಾಗಿ ಈ ಮೈಕ್ರೋಚಿಪ್ ಹೊರತಾದ ಆಯ್ಕೆಯನ್ನು ವಿಜ್ಞಾನಿಗಳು ಹುಡುಕುತ್ತಿರುವಾಗಲೇ ಈ ಕೃತಕ ಮಿದುಳುಕೋಶಗಳು ಫೀಲ್ಡಿಗೆ ಎಂಟ್ರಿ ಕೊಟ್ಟಿವೆ.

ಅಮೆರಿಕ ಮತ್ತು ಆಸ್ಟ್ರೇಲಿಯಾದ ವಿಜ್ಞಾನಿಗಳು ಸೃಷ್ಟಿಸಿರುವ ಕೃತಕ ಮಿದುಳುಕೋಶಗಳನ್ನು ಥೇಟು ಈ ಹಿಂದೆ ನಾವು ಗಮನಿಸಿದ ಮಗುವಿನ ಉದಾಹರಣೆಯ ರೀತಿಯಲ್ಲೇ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಕ್ಯಾಮೆರಾವೊಂದನ್ನು ವಿಡಿಯೋ ಗೇಮ್ ಪರದೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿ ಅದು ನೀಡುವ ಸಂದೇಶವನ್ನು ನ್ಯೂರಾನ್ ಸಂವೇದನೆಯನ್ನಾಗಿ ಬದಲಿಸಿ ಮಿದುಳಿಗೆ ಕಳಿಸಲಾಗುತ್ತದೆ. ಅದಕ್ಕನುಸಾರವಾಗಿ ಮಿದುಳುಕೋಶಗಳು ತಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನ್ಯೂರಾನ್ ಸಂವೇದನೆ ಮೂಲಕ ಹರಿಬಿಟ್ಟಾಗ ಅದನ್ನು ಡಿಜಿಟಲ್ ಸಂದೇಶವನ್ನಾಗಿ ಪರಿವರ್ತಿಸಿ ಸೂಕ್ತ ರೀತಿಯಲ್ಲಿ ವಿಡಿಯೋ ಗೇಮ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನಾಗಿ ಮಾರ್ಪಡಿಸಲಾಗುತ್ತದೆ. ಇನ್ನು ಮಿದುಳುಕೋಶಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ವಿಷಯ. ಮಾನವನ ರಕ್ತದ ಸ್ಯಾಂಪಲ್ ಪಡೆದು ಅವುಗಳಿಂದ ಬಿಳಿ ರಕ್ತಕಣಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ, ಸಂಸ್ಕರಿಸಿ ಮಿದುಳಿನ ಕೋಶಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ವಿಡಿಯೋ ಗೇಮ್ ಕುರಿತು ತರಬೇತಿ ನೀಡುವಾಗ ಈ ಕೋಶಗಳು ಮಾಡುವ ಪ್ರತಿ ತಪ್ಪು ನಡೆಗೆ ಋಣಾತ್ಮಕ ಮತ್ತು ಸರಿಯಾದ ನಡೆಗೆ ಧನಾತ್ಮಕ ಪ್ರತಿ ಸಂದೇಶಗಳನ್ನು ಕೋಶಗಳಿಗೆ ತಲುಪಿಸುವ ಮೂಲಕ ಅವುಗಳಿಗೆ ಎಐ ಮಾದರಿಯಲ್ಲಿಯೇ ತರಬೇತಿ ನೀಡಲಾಗಿದೆ.

ಡೇಟಾ ಸೆಂಟರ್​ಗಳಲ್ಲಿ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಚಿಪ್​ಗಳನ್ನು ಬಳಸಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನುಂಗಿ ನೀರು ಕುಡಿಯುವ ಸದ್ಯದ ತಂತ್ರಜ್ಞಾನ ಹೆಚ್ಚು ದಿನ ನಡೆಯಲಾರದೆಂಬ ಸತ್ಯ ಅದರ ಮಾಲೀಕರಿಗೆ ಚೆನ್ನಾಗಿ ಗೊತ್ತಿದೆ. ಹೀಗಾಗಿ ಆ ಚಿಪ್ ಮತ್ತು ನಂತರದ ಸಂಕೀರ್ಣ ಗಣಿತದ ಬದಲಿಗೆ ಅಲ್ಲಿ ಕೃತಕ ಮಿದುಳುಕೋಶಗಳನ್ನು ಬಳಸಿ ಅವುಗಳಿಂದಲೇ ತಮ್ಮ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರ ಕಂಡುಕೊಳ್ಳುವತ್ತ ಅವರೆಲ್ಲರ ಚಿತ್ತ ನೆಟ್ಟಿದೆ. ಕೃತಕ ಮಿದುಳುಕೋಶಗಳ ತಂತ್ರಜ್ಞಾನ ಇನ್ನೂ ಶೈಶವಾವಸ್ಥೆಯಲ್ಲಿದೆ. ಆದರೆ ಖಂಡಿತ ಇದು ಮುಂಬರುವ ದಿನಗಳಲ್ಲಿ ಮುನ್ನೆಲೆಗೆ ಬರಲಿದೆ. ಆಗ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬರಿದಾಗಿಸುವ ಬದಲು ನೈತಿಕತೆಯ ಪ್ರಶ್ನೆಯನ್ನು ಹುಟ್ಟು ಹಾಕಬಹುದು. ನಮ್ಮ ರಕ್ತದಿಂದಲೇ ತಯಾರಾಗುವ, ಕೃತಕವಾದರೂ ಜೀವಂತ ಮಿದುಳು ಒಂದು ಜೀವಿಯೇ ಅಲ್ಲವೇ? ಮಿದುಳು ನಿಷ್ಕ್ರಿಯಗೊಂಡ ಜೀವಿಗೆ ದಯಾಮರಣವನ್ನು ನೀಡಲೂ ಕಟ್ಟಳೆಗಳನ್ನು ಹಾಕಿಕೊಂಡಿರುವ ನಾವು ಜೀವವುಳ್ಳ ಮಿದುಳಿಗೆ ಯಾವ ಬೇಲಿ ಹಾಕಬಹುದು? ಉತ್ತರ ನನಗಂತೂ ಗೊತ್ತಿಲ್ಲ. ಎಐಗೊಮ್ಮೆ ಕೇಳಿ ನೋಡಿ.

(ಲೇಖಕರು ವಿಜ್ಞಾನ, ತಂತ್ರಜ್ಞಾನ ಬರಹಗಾರರು)