न्यूरोमॉर्फिक चिप्स: एका हुशार भविष्यासाठी मेंदू-प्रेरित संगणन

दशकांपासून, संगणन मोठ्या प्रमाणावर वॉन न्यूमन आर्किटेक्चरवर अवलंबून आहे, एक डिझाइन जे प्रक्रिया आणि मेमरी वेगळे करते. अत्यंत यशस्वी असले तरी, या आर्किटेक्चरला काही मर्यादा आहेत, विशेषतः जेव्हा क्लिष्ट, वास्तविक-जगातील समस्या हाताळल्या जातात. इथेच न्यूरोमॉर्फिक संगणन उदयास येते, जे मानवी मेंदूच्या संरचनेतून आणि कार्यातून प्रेरित एक क्रांतिकारी प्रारूप आहे.

न्यूरोमॉर्फिक चिप्स म्हणजे काय?

न्यूरोमॉर्फिक चिप्स हे जैविक मेंदूमध्ये आढळणाऱ्या न्यूरल नेटवर्कची नक्कल करण्यासाठी डिझाइन केलेले इंटिग्रेटेड सर्किट्स आहेत. पारंपारिक प्रोसेसरच्या विपरीत जे सूचना क्रमाने कार्यान्वित करतात, न्यूरोमॉर्फिक चिप्स माहितीवर समांतर आणि वितरित पद्धतीने प्रक्रिया करतात, न्यूरॉन्स आणि सिनॅप्सच्या वर्तनाचे अनुकरण करण्यासाठी अॅनालॉग आणि मिश्र-सिग्नल सर्किट्सचा फायदा घेतात. हा मेंदू-प्रेरित दृष्टिकोन ऊर्जा कार्यक्षमता आणि कार्यक्षमतेत लक्षणीय सुधारणा करण्याची क्षमता देतो, विशेषतः नमुना ओळख (पॅटर्न रेकग्निशन), संवेदी प्रक्रिया (सेन्सरी प्रोसेसिंग) आणि अनुकूली शिक्षण (अडॅप्टिव्ह लर्निंग) यांसारख्या कार्यांसाठी.

न्यूरोमॉर्फिक चिप्सची प्रमुख वैशिष्ट्ये:

• समांतर प्रक्रिया (Parallel Processing): मेंदूच्या समांतर आर्किटेक्चरची नक्कल करून, न्यूरोमॉर्फिक चिप्स एकाच वेळी अनेक प्रोसेसिंग युनिट्सवर माहितीची प्रक्रिया करतात, ज्यामुळे क्लिष्ट कार्यांची गणना जलद आणि अधिक कार्यक्षमतेने करता येते.
• घटना-चालित गणना (Event-Driven Computation): पारंपारिक क्लॉक केलेल्या सिस्टम्सच्या विपरीत, न्यूरोमॉर्फिक चिप्स अनेकदा घटना-चालित किंवा असिंक्रोनस गणनेचा वापर करतात. याचा अर्थ असा की गणना केवळ तेव्हाच होते जेव्हा इनपुट सिग्नलमध्ये महत्त्वपूर्ण बदल होतो, ज्यामुळे मोठ्या प्रमाणात ऊर्जेची बचत होते.
• इन-मेमरी संगणन (In-Memory Computing): न्यूरोमॉर्फिक आर्किटेक्चर्स अनेकदा मेमरी आणि प्रोसेसिंग युनिट्सना जवळून एकत्रित करतात, ज्यामुळे वेगळ्या मेमरी आणि प्रोसेसिंग स्थानांमध्ये डेटा हस्तांतरित करण्याची गरज दूर होते. यामुळे लेटन्सी आणि वीज वापर कमी होतो, ज्यामुळे जलद आणि अधिक ऊर्जा-कार्यक्षम गणना शक्य होते.
• स्पाइकिंग न्यूरल नेटवर्क्स (SNNs): अनेक न्यूरोमॉर्फिक चिप्स स्पाइकिंग न्यूरल नेटवर्क्स लागू करतात, जे जैविक दृष्ट्या वास्तववादी न्यूरल नेटवर्क्स आहेत जे विद्युत क्रियांच्या वेगळ्या स्पाइक्सचा वापर करून संवाद साधतात. SNNs विशेषतः तात्पुरत्या डेटावर प्रक्रिया करण्यासाठी आणि क्लिष्ट संज्ञानात्मक कार्ये लागू करण्यासाठी योग्य आहेत.
• अनुकूलता आणि शिकणे (Adaptability and Learning): न्यूरोमॉर्फिक चिप्स डेटापासून शिकण्यासाठी आणि जुळवून घेण्यासाठी डिझाइन केलेले आहेत, जसे मेंदू शिकतो. यामुळे त्यांना अशी कार्ये करण्यास मदत होते जी पारंपारिक संगणकांसाठी कठीण किंवा अशक्य आहेत, जसे की गोंगाटयुक्त डेटामधील नमुने ओळखणे किंवा बदलत्या वातावरणाशी जुळवून घेणे.

न्यूरोमॉर्फिक संगणन का महत्त्वाचे आहे: पारंपारिक आर्किटेक्चरच्या मर्यादांवर मात करणे

पारंपारिक वॉन न्यूमन आर्किटेक्चर, शक्तिशाली असूनही, विशिष्ट प्रकारच्या कार्यांसाठी संघर्ष करते. या मर्यादा अधिकाधिक स्पष्ट होत आहेत कारण आपण कृत्रिम बुद्धिमत्तेच्या सीमा ओलांडत आहोत आणि मोठ्या डेटासेट्सवर प्रक्रिया करण्याचा प्रयत्न करत आहोत. न्यूरोमॉर्फिक संगणनाला का गती मिळत आहे याची कारणे येथे आहेत:

• ऊर्जा कार्यक्षमता: पारंपारिक प्रोसेसर मोठ्या प्रमाणात वीज वापरतात, विशेषतः क्लिष्ट AI अल्गोरिदम चालवताना. न्यूरोमॉर्फिक चिप्स, त्यांच्या मेंदू-प्रेरित आर्किटेक्चरसह, ऊर्जा वापरात लक्षणीय घट करण्याची क्षमता देतात. अभ्यासांनी दर्शविले आहे की न्यूरोमॉर्फिक सिस्टम्स विशिष्ट अनुप्रयोगांसाठी पारंपारिक सिस्टम्सपेक्षा अनेक पटीने अधिक ऊर्जा-कार्यक्षम असू शकतात. हे विशेषतः बॅटरीवर चालणाऱ्या उपकरणांसाठी आणि एज कॉम्प्युटिंग अनुप्रयोगांसाठी महत्त्वाचे आहे.
• वेग आणि कार्यक्षमता: न्यूरोमॉर्फिक चिप्सची समांतर प्रक्रिया क्षमता त्यांना विशिष्ट कार्ये पारंपारिक प्रोसेसरपेक्षा खूप वेगाने करण्यास अनुमती देते. हे विशेषतः नमुना ओळख, संवेदी प्रक्रिया आणि रिअल-टाइम निर्णय घेण्यासारख्या कार्यांसाठी खरे आहे.
• असंरचित डेटा हाताळणे: न्यूरोमॉर्फिक चिप्स प्रतिमा, ऑडिओ आणि व्हिडिओ यांसारख्या असंरचित डेटावर प्रक्रिया करण्यासाठी योग्य आहेत. क्लिष्ट डेटा प्रवाहातून संबंधित वैशिष्ट्ये काढण्याची त्यांची क्षमता त्यांना संगणक दृष्टी (कॉम्प्युटर व्हिजन) आणि नैसर्गिक भाषा प्रक्रिया (नॅचरल लँग्वेज प्रोसेसिंग) यासारख्या अनुप्रयोगांसाठी आदर्श बनवते.
• रिअल-टाइम प्रक्रिया: न्यूरोमॉर्फिक चिप्सची कमी लेटन्सी आणि उच्च थ्रुपुट त्यांना रोबोटिक्स, स्वायत्त वाहने आणि औद्योगिक ऑटोमेशनसारख्या रिअल-टाइम प्रक्रिया अनुप्रयोगांसाठी आदर्श बनवते.
• दोष सहनशीलता (Fault Tolerance): न्यूरोमॉर्फिक सिस्टम्स, मेंदूप्रमाणे, अंगभूत दोष सहनशीलता दर्शवतात. आर्किटेक्चरच्या वितरित स्वरूपामुळे, काही घटक अयशस्वी झाल्यासही सिस्टम कार्य करणे सुरू ठेवू शकते.

न्यूरोमॉर्फिक चिप्सचे अनुप्रयोग: भविष्यात एक झलक

न्यूरोमॉर्फिक संगणन विविध उद्योगांमध्ये क्रांती घडवून आणण्यासाठी सज्ज आहे. येथे काही प्रमुख अनुप्रयोग क्षेत्रे आहेत:

कृत्रिम बुद्धिमत्ता (AI) आणि मशीन लर्निंग (ML)

न्यूरोमॉर्फिक चिप्स AI आणि ML कार्यांना लक्षणीय गती देऊ शकतात, विशेषतः ज्यांमध्ये खालील गोष्टींचा समावेश आहे:

• प्रतिमा ओळख (Image Recognition): प्रतिमांमधील वस्तू आणि नमुने अधिक गतीने आणि अचूकतेने ओळखणे. सुरक्षेसाठी किंवा वैयक्तिकृत आरोग्यसेवेसाठी जलद आणि अधिक विश्वसनीय चेहऱ्याची ओळख प्रणालीची कल्पना करा.
• भाषण ओळख (Speech Recognition): बोलल्या गेलेल्या भाषेवर अधिक कार्यक्षमतेने प्रक्रिया करणे आणि समजून घेणे, ज्यामुळे सुधारित व्हॉइस असिस्टंट आणि स्वयंचलित लिप्यंतरण सेवा शक्य होतात.
• नैसर्गिक भाषा प्रक्रिया (NLP): मशीन्सना मानवी भाषा अधिक नैसर्गिक आणि सूक्ष्म पद्धतीने समजून घेण्यास आणि प्रतिसाद देण्यास सक्षम करणे, ज्यामुळे चॅटबॉट्स, मशीन भाषांतर आणि सामग्री निर्मितीसाठी नवीन शक्यता उघडतात.
• विसंगती शोध (Anomaly Detection): डेटा प्रवाहांमधील असामान्य नमुने आणि घटना ओळखणे, ज्याचा उपयोग फसवणूक शोधण्यासाठी, उपकरणांमधील बिघाडाचा अंदाज लावण्यासाठी आणि सायबर सुरक्षा सुधारण्यासाठी केला जाऊ शकतो. उदाहरणार्थ, एक न्यूरोमॉर्फिक प्रणाली आर्थिक व्यवहारांचे रिअल-टाइममध्ये विश्लेषण करून पारंपारिक पद्धतींपेक्षा अधिक अचूकतेने फसव्या क्रियाकलाप शोधू शकते.

रोबोटिक्स

न्यूरोमॉर्फिक चिप्स अनेक प्रकारे रोबोट्सची क्षमता वाढवू शकतात:

• संवेदी प्रक्रिया (Sensory Processing): रोबोट्सना संवेदी माहिती (दृष्टी, श्रवण, स्पर्श) अधिक कार्यक्षमतेने प्रक्रिया करण्यास सक्षम करणे, ज्यामुळे ते त्यांच्या वातावरणात अधिक प्रभावीपणे नेव्हिगेट करू शकतात आणि संवाद साधू शकतात. अशा एका रोबोटिक हाताची कल्पना करा जो गोंधळलेल्या वातावरणातही वेगवेगळ्या आकाराच्या आणि प्रकारच्या वस्तू पटकन आणि अचूकपणे पकडू शकतो.
• रिअल-टाइम नियंत्रण: रोबोट्सना त्यांच्या वातावरणातील बदलांवर रिअल-टाइममध्ये प्रतिक्रिया देण्याची क्षमता प्रदान करणे, ज्यामुळे ते स्वायत्तपणे क्लिष्ट कार्ये पार पाडू शकतात.
• अनुकूली शिक्षण (Adaptive Learning): रोबोट्सना त्यांच्या अनुभवांमधून शिकण्याची आणि नवीन परिस्थितींशी जुळवून घेण्याची परवानगी देणे, ज्यामुळे ते अधिक मजबूत आणि बहुमुखी बनतात. उदाहरणार्थ, एक रोबोट नवीन वातावरणात अन्वेषण करून आणि त्याच्या सेन्सर्सकडून मिळालेल्या प्रतिसादाच्या आधारे हालचाली समायोजित करून नेव्हिगेट करायला शिकू शकतो.

एज कॉम्प्युटिंग आणि IoT

न्यूरोमॉर्फिक चिप्सचा कमी वीज वापर आणि उच्च कार्यक्षमता त्यांना एज कॉम्प्युटिंग अनुप्रयोगांसाठी आदर्श बनवते, जिथे डेटा क्लाउडवर पाठवण्याऐवजी स्थानिक पातळीवर उपकरणांवर प्रक्रिया केली जाते:

• स्मार्ट सेन्सर्स: सेन्सर्सना स्थानिक पातळीवर डेटावर प्रक्रिया करण्यास आणि केवळ संबंधित माहिती प्रसारित करण्यास सक्षम करणे, ज्यामुळे बँडविड्थची आवश्यकता कमी होते आणि ऊर्जा कार्यक्षमता सुधारते. शहरातील हवेच्या गुणवत्तेवर देखरेख करणाऱ्या स्मार्ट सेन्सर्सच्या नेटवर्कची कल्पना करा, जे स्थानिक पातळीवर डेटावर प्रक्रिया करतात आणि केवळ प्रदूषण पातळी एका विशिष्ट मर्यादेपेक्षा जास्त झाल्यास अलर्ट पाठवतात.
• परिधान करण्यायोग्य उपकरणे (Wearable Devices): परिधान करण्यायोग्य उपकरणांना प्रगत AI क्षमतांसह सक्षम करणे, जसे की आरोग्य देखरेख आणि क्रियाकलाप ट्रॅकिंग, बॅटरीच्या आयुष्यावर लक्षणीय परिणाम न करता.
• स्वायत्त वाहने: स्वायत्त वाहनांना सेन्सर डेटावर प्रक्रिया करण्याची आणि क्लाउडशी सतत कनेक्शनवर अवलंबून न राहता रिअल-टाइम निर्णय घेण्याची क्षमता प्रदान करणे.

आरोग्यसेवा

न्यूरोमॉर्फिक संगणन आरोग्यसेवा अनुप्रयोगांसाठी रोमांचक शक्यता प्रदान करते:

• वैद्यकीय प्रतिमा विश्लेषण: रोग आणि विकृती अधिक जलद आणि अचूकपणे शोधण्यासाठी वैद्यकीय प्रतिमांच्या (एक्स-रे, एमआरआय, सीटी स्कॅन) विश्लेषणाला गती देणे. उदाहरणार्थ, न्यूरोमॉर्फिक प्रणालीचा वापर मॅमोग्रामचे विश्लेषण करण्यासाठी आणि स्तनाच्या कर्करोगाच्या संभाव्य लक्षणांना अधिक अचूकतेने ओळखण्यासाठी केला जाऊ शकतो.
• औषध शोध: औषध शोध प्रक्रियेला गती देण्यासाठी औषधे आणि जैविक प्रणालींमधील परस्परसंवादाचे अनुकरण करणे.
• वैयक्तिकृत औषधोपचार: रुग्णांच्या अनुवांशिक संरचना आणि इतर घटकांवर आधारित त्यांच्यासाठी वैयक्तिक उपचार तयार करणे.

सायबर सुरक्षा

न्यूरोमॉर्फिक चिप्सचा वापर अनेक प्रकारे सायबर सुरक्षा सुधारण्यासाठी केला जाऊ शकतो:

• घुसखोरी शोध (Intrusion Detection): नेटवर्कमधील घुसखोरी रिअल-टाइममध्ये ओळखणे आणि त्याला प्रतिसाद देणे. एक न्यूरोमॉर्फिक प्रणाली नेटवर्क ट्रॅफिकचे विश्लेषण करू शकते आणि दुर्भावनापूर्ण क्रियाकलापांचे सूचक नमुने शोधू शकते.
• मालवेअर विश्लेषण: मालवेअरच्या नमुन्यांचे विश्लेषण करून त्यांचे वर्तन ओळखणे आणि प्रभावी प्रतिबंधात्मक उपाय विकसित करणे.
• बायोमेट्रिक प्रमाणीकरण: बायोमेट्रिक प्रमाणीकरण प्रणालींना स्पूफिंग हल्ल्यांपासून अधिक प्रतिरोधक बनवून त्यांना वर्धित करणे.

न्यूरोमॉर्फिक संगणनातील आव्हाने आणि संधी

न्यूरोमॉर्फिक संगणनात प्रचंड क्षमता असली तरी, ते मोठ्या प्रमाणावर स्वीकारण्यापूर्वी अनेक आव्हानांना सामोरे जाण्याची गरज आहे:

• हार्डवेअर विकास: शक्तिशाली आणि ऊर्जा-कार्यक्षम अशा दोन्ही न्यूरोमॉर्फिक चिप्सची रचना आणि निर्मिती करणे हे एक जटिल अभियांत्रिकी आव्हान आहे. नवीन सामग्री आणि निर्मिती तंत्रांचा विकास न्यूरोमॉर्फिक हार्डवेअरला पुढे नेण्यासाठी महत्त्वपूर्ण आहे.
• सॉफ्टवेअर विकास: न्यूरोमॉर्फिक आर्किटेक्चरसाठी योग्य सॉफ्टवेअर साधने आणि प्रोग्रामिंग भाषा विकसित करणे हे न्यूरोमॉर्फिक संगणन व्यापक विकासकांसाठी सुलभ करण्यासाठी आवश्यक आहे. यामध्ये स्पाइकिंग न्यूरल नेटवर्कला प्रशिक्षित करण्यासाठी आणि न्यूरोमॉर्फिक हार्डवेअरवर अल्गोरिदम मॅप करण्यासाठी साधने तयार करणे समाविष्ट आहे.
• अल्गोरिदम विकास: न्यूरोमॉर्फिक आर्किटेक्चरसाठी ऑप्टिमाइझ केलेले नवीन अल्गोरिदम विकसित करणे त्यांच्या पूर्ण क्षमतेचा वापर करण्यासाठी महत्त्वपूर्ण आहे. यासाठी पारंपारिक अल्गोरिदमपासून मेंदू-प्रेरित अल्गोरिदमकडे विचारांमध्ये बदल आवश्यक आहे.
• मानकीकरण: न्यूरोमॉर्फिक हार्डवेअर आणि सॉफ्टवेअरसाठी मानके स्थापित करणे आंतरकार्यक्षमता (interoperability) सुनिश्चित करण्यासाठी आणि न्यूरोमॉर्फिक संगणनाचा अवलंब सुलभ करण्यासाठी महत्त्वाचे आहे.
• शिक्षण आणि प्रशिक्षण: कुशल मनुष्यबळ तयार करण्यासाठी अभियंते आणि शास्त्रज्ञांना न्यूरोमॉर्फिक संगणनाच्या तत्त्वे आणि तंत्रांमध्ये प्रशिक्षित करणे आवश्यक आहे.

या आव्हानांना न जुमानता, न्यूरोमॉर्फिक संगणनातील संधी प्रचंड आहेत. जसजसे संशोधक आणि अभियंते हार्डवेअर, सॉफ्टवेअर आणि अल्गोरिदम विकासात प्रगती करत राहतील, तसतसे न्यूरोमॉर्फिक चिप्स विविध उद्योगांमध्ये परिवर्तन घडवून आणतील आणि एक हुशार, अधिक कार्यक्षम भविष्य निर्माण करतील.

मार्गदर्शक: न्यूरोमॉर्फिक संगणनातील प्रमुख खेळाडू आणि उपक्रम

न्यूरोमॉर्फिक संगणनाचे क्षेत्र वेगाने विकसित होत आहे, ज्यात शिक्षण आणि उद्योग या दोन्ही क्षेत्रांतून लक्षणीय गुंतवणूक होत आहे. या क्षेत्राला आकार देणारे काही प्रमुख खेळाडू आणि उपक्रम येथे आहेत:

• इंटेल (Intel): इंटेलने लोइही (Loihi) नावाचा एक न्यूरोमॉर्फिक संशोधन चिप विकसित केला आहे, जो रोबोटिक्स, नमुना ओळख आणि ऑप्टिमायझेशन समस्यांसारख्या विविध अनुप्रयोगांमध्ये वापरला गेला आहे. इंटेल एज AI आणि इतर अनुप्रयोगांसाठी न्यूरोमॉर्फिक संगणनाची क्षमता सक्रियपणे शोधत आहे.
• आयबीएम (IBM): आयबीएमने ट्रूनॉर्थ (TrueNorth) नावाचा एक न्यूरोमॉर्फिक चिप विकसित केला आहे, जो प्रतिमा ओळखण्यापासून ते रिअल-टाइम ऑब्जेक्ट डिटेक्शनपर्यंतच्या प्रकल्पांमध्ये वापरला गेला आहे. आयबीएम नवीन न्यूरोमॉर्फिक आर्किटेक्चर आणि अल्गोरिदमवर संशोधन आणि विकास सुरू ठेवत आहे.
• स्पिनॅकर (SpiNNaker): यूकेमधील मँचेस्टर विद्यापीठातील स्पिनॅकर (स्पाइकिंग न्यूरल नेटवर्क आर्किटेक्चर) प्रकल्प ही एक प्रचंड समांतर न्यूरोमॉर्फिक संगणक प्रणाली आहे जी मोठ्या प्रमाणात स्पाइकिंग न्यूरल नेटवर्कचे रिअल-टाइममध्ये अनुकरण करण्यासाठी डिझाइन केलेली आहे.
• ब्रेनस्केल्स (BrainScaleS): जर्मनीमधील हायडेलबर्ग विद्यापीठातील ब्रेनस्केल्स प्रकल्पाने एक न्यूरोमॉर्फिक प्रणाली विकसित केली आहे जी न्यूरॉन्स आणि सिनॅप्सच्या वर्तनाचे अनुकरण करण्यासाठी अॅनालॉग सर्किट्सचा वापर करते.
• इनिव्हेशन (iniVation): इनिव्हेशन, एक स्विस कंपनी, डायनॅमिक व्हिजन सेन्सर्स (DVS) विकसित करते जे मानवी डोळ्याची नक्कल करतात आणि अनेकदा न्यूरोमॉर्फिक चिप्सच्या संयोगाने वापरले जातात.
• ग्रॅएआय मॅटर लॅब्स (GrAI Matter Labs): ग्रॅएआय मॅटर लॅब्स (GML) ही एक फ्रेंच AI चिप कंपनी आहे जी एजवर सेन्सर अॅनालिटिक्स आणि मशीन लर्निंगसाठी मेंदू-प्रेरित संगणन उपायांवर लक्ष केंद्रित करते.
• जगभरातील संशोधन संस्था: जगभरातील अनेक विद्यापीठे आणि संशोधन संस्था न्यूरोमॉर्फिक संगणन संशोधनात सक्रियपणे गुंतलेली आहेत, हार्डवेअर, सॉफ्टवेअर आणि अल्गोरिदममधील प्रगतीसाठी योगदान देत आहेत. या संस्था जगभरात पसरलेल्या आहेत, ज्यात स्टॅनफोर्ड युनिव्हर्सिटी (यूएसए), एमआयटी (यूएसए), ईटीएच झुरिच (स्वित्झर्लंड), नॅशनल युनिव्हर्सिटी ऑफ सिंगापूर आणि टोकियो इन्स्टिट्यूट ऑफ टेक्नॉलॉजी (जपान) यांचा समावेश आहे, परंतु त्या मर्यादित नाहीत.

संगणनाचे भविष्य: एक मेंदू-प्रेरित क्रांती

न्यूरोमॉर्फिक संगणन हे आपण संगणनाकडे कसे पाहतो यामधील एक मोठे स्थित्यंतर दर्शवते. मेंदूतून प्रेरणा घेऊन, न्यूरोमॉर्फिक चिप्स पारंपारिक आर्किटेक्चरच्या मर्यादांवर मात करण्याची आणि कृत्रिम बुद्धिमत्ता, रोबोटिक्स आणि त्यापलीकडील नवीन शक्यता उघड करण्याची क्षमता देतात. आव्हाने कायम असली तरी, हार्डवेअर, सॉफ्टवेअर आणि अल्गोरिदम विकासात होणारी प्रगती एका मेंदू-प्रेरित क्रांतीचा मार्ग मोकळा करत आहे जी संगणनाच्या भविष्यात परिवर्तन घडवेल.

जसजसे जग डेटा आणि बुद्धिमान प्रणालींवर अधिकाधिक अवलंबून होत आहे, तसतसे कार्यक्षम आणि शक्तिशाली संगणन उपायांची गरज वाढतच जाईल. न्यूरोमॉर्फिक संगणन ही गरज पूर्ण करण्यासाठी अद्वितीय स्थितीत आहे, जे एक हुशार, अधिक शाश्वत आणि अधिक बुद्धिमान भविष्याकडे जाणारा मार्ग देते.