एआई की नई गट इंस्टिंक्ट: स्मार्टर सोचना अधिक मायने रखता है लंबे समय तक सोचने से

आर्टिफ़िशियल इंटेलिजेंस (एआई) में प्रगति लंबे समय से इस विश्वास पर आधारित रही है कि डेटा और गणना शक्ति में वृद्धि प्रदर्शन में सुधार कर सकती है। इस “ब्रूट फोर्स” दृष्टिकोण ने प्रभावशाली एआई प्रणालियों को जन्म दिया है, जैसे कि जीपीटी-3, जिन्होंने वर्षों से उल्लेखनीय रूप से प्रदर्शन किया है। हालांकि, यह परिदृश्य अपनी सीमाओं तक पहुंच रहा है। जैसे ही एआई समस्याएं अधिक जटिल होती जाती हैं, यह स्पष्ट हो जाता है कि केवल अधिक प्रसंस्करण शक्ति जोड़ना दीर्घकालिक प्रगति के लिए एक टिकाऊ या प्रभावी समाधान नहीं होगा। इस समझ ने शोधकर्ताओं को एआई विकास के अपने दृष्टिकोण पर पुनः विचार करने के लिए प्रेरित किया है। इस संदर्भ में, डीप कोगिटो के कोगिटो वी2 मॉडल एक नई दृष्टि प्रस्तुत करता है जो एआई विकास के भविष्य को बदल सकती है। इसके बजाय अधिक प्रसंस्करण शक्ति या विस्तारित तर्क पर निर्भर रहने के, कोगिटो वी2 आंतरिक “गट इंस्टिंक्ट” विकसित करता है जो मॉडल को सही मार्गों की पहचान करने के लिए मार्गदर्शन करता है, यहां तक कि खोज शुरू करने से पहले भी। यह एआई के विकास के तरीके में एक परिवर्तन है, जो बेहतर सोचने पर ध्यान केंद्रित करता है, न कि लंबे समय तक सोचने पर।

एआई विकास में एक परिवर्तन

कई वर्षों से, एआई प्रगति के पीछे की शक्ति यह विचार रहा है कि “अधिक बेहतर है“। इस दृष्टिकोण ने एआई मॉडलों को जन्म दिया है जो जटिल समस्याओं को हल करने के लिए व्यापक तर्क श्रृंखला उत्पन्न करते हैं। ओपनएआई के मॉडल, जैसे कि जीपीटी-3, इस दृष्टिकोण का एक उदाहरण है, जहां लंबे तर्क श्रृंखलाओं ने कठिन कार्यों पर उल्लेखनीय परिणाम दिए हैं। जबकि इस विधि ने उल्लेखनीय परिणाम दिए हैं, इसके साथ महत्वपूर्ण कमियां भी हैं। लंबे तर्क श्रृंखलाएं अधिक गणना संसाधनों की आवश्यकता होती है, जिसके परिणामस्वरूप धीमी अनुमान समय और उच्च परिचालन लागत होती है। इसके अलावा, शोध से पता चलता है कि इन विस्तारित प्रक्रियाओं के परिणामस्वरूप अक्सर कमी की वापसी होती है, जहां लंबे तर्क के परिणामस्वरूप अधिक पूर्वाग्रह और कम दक्षता होती है। मूल समस्या यह है कि लंबे तर्क श्रृंखलाओं और बढ़ती गणना शक्ति पर निर्भर रहना अब जटिल एआई समस्याओं का समाधान करने के लिए एक प्रभावी समाधान नहीं है। ये दृष्टिकोण अपने विशाल प्रसंस्करण समय और स्मृति आवश्यकताओं से सीमित हैं।

एआई के लिए ‘गट इंस्टिंक्ट’ क्यों महत्वपूर्ण है

वर्तमान एआई प्रणालियों के विपरीत जो विस्तारित तर्क पर निर्भर करती हैं, मानव अक्सर समस्याओं को हल करने के लिए “गट इंस्टिंक्ट” (एक प्रकार की त्वरित, सहज निर्णय लेने की क्षमता) पर निर्भर करते हैं। जबकि गट इंस्टिंक्ट एक अमूर्त अवधारणा प्रतीत हो सकती है, यह अक्सर वर्षों के अनुभव, सीखने और संदर्भ प्रसंस्करण का परिणाम होती है जो मानवों को पूरी तरह से विश्लेषण किए बिना त्वरित निर्णय लेने में सक्षम बनाती है। यह वह प्रकार की सहजता है जो कच्ची गणना को मानवीय तर्क से अलग करती है। मानव इस ‘गट इंस्टिंक्ट’ का निर्माण पैटर्न पहचान और संचित अनुभव के माध्यम से करते हैं और यह उन्हें हर संभावित विकल्प का पूरी तरह से अन्वेषण किए बिना निर्णय लेने में सक्षम बनाता है। एआई का नया “गट इंस्टिंक्ट” इस प्रक्रिया को दोहराने का लक्ष्य रखता है।

यह विचार, जिसे “बुद्धिमत्ता प्राथमिकता” के रूप में भी जाना जाता है, एआई प्रणालियों को मानवीय तर्क के साथ सशक्त बनाने और उन्हें अधिक कुशल बनाने की कुंजी हो सकता है। मजबूत बुद्धिमत्ता प्राथमिकता वाले एआई मॉडल उन समाधानों की भविष्यवाणी कर सकते हैं जो संभवतः सफल होंगे बिना व्यापक गणना के। विस्तारित खोज विधियों पर निर्भर रहने के बजाय, गट इंस्टिंक्ट एआई प्रणालियों को पिछले ज्ञान का लाभ उठाने और समाधान के सबसे प्रभावी मार्गों पर ध्यान केंद्रित करने में सक्षम बनाता है।

कोगिटो वी2 ने ‘गट इंस्टिंक्ट’ को कैसे एकीकृत किया

कोगिटो ने ‘गट इंस्टिंक्ट’ (अधिक तकनीकी रूप से, बुद्धिमत्ता प्राथमिकता) की अवधारणा को अपने हाल ही में जारी मॉडल कोगिटो वी2 में एकीकृत किया है। उन्होंने इस विचार को इटरेटेड डिस्टिलेशन और एम्प्लिफिकेशन (आईडीए) नामक एक तंत्र का उपयोग करके एकीकृत किया। यह तंत्र मॉडल को अपनी तर्क प्रक्रिया से सीखने और समय के साथ अपनी समस्या-समाधान कौशल को परिष्कृत करने में सक्षम बनाता है। स्थिर प्रॉम्प्ट या निश्चित शिक्षकों पर निर्भर रहने के बजाय, आईडीए एआई को सफल तर्क मार्गों को अपने मूल मॉडल पैरामीटर में वापस डिस्टिल करने में सक्षम बनाता है। यह आत्म-सुधार प्रक्रिया मॉडल की तर्क क्षमता को समय के साथ परिष्कृत करती है, न केवल सटीक उत्तरों के लिए अनुकूलन करती है, बल्कि सोच के सबसे कुशल तरीकों के लिए भी।

• इटरेटेड डिस्टिलेशन और एम्प्लिफिकेशन (आईडीए)

आईडीए को समझने के लिए, हम द्वि-प्रक्रिया सिद्धांत को देख सकते हैं, जो मानव विचार को दो प्रणालियों में विभाजित करता है: सिस्टम 1 और सिस्टम 2। सिस्टम 1 त्वरित, सहज निर्णय लेने को संदर्भित करता है, जबकि सिस्टम 2 धीमी और अधिक जानबूझकर तर्क को संदर्भित करता है। सिद्धांत सुझाव देता है कि मानव अधिकांश कार्यों के लिए सिस्टम 1 पर निर्भर करते हैं लेकिन जटिल निर्णयों का सामना करने पर सिस्टम 2 में स्विच करते हैं।

आईडीए एक दो-चरण चक्र है: एम्प्लिफिकेशन और डिस्टिलेशन। एम्प्लिफिकेशन चरण में, मॉडल उच्च-गुणवत्ता वाले समाधान या तर्क ट्रेस उत्पन्न करने के लिए तीव्र गणना विधियों का उपयोग करता है। यह सिस्टम 2 सोच की तरह है, जहां एआई सावधानी से संभावित समाधानों का मूल्यांकन करता है। डिस्टिलेशन चरण में, मॉडल तब एम्प्लिफिकेशन चरण से अंतर्दृष्टि को आंतरिक करता है, तर्क प्रक्रिया को सिस्टम 2 से सिस्टम 1 में परिवर्तित करता है। जैसे एक मानव चालक अनुभव प्राप्त करने के बाद अधिक सहज हो जाता है, एक आईडीए के साथ एआई मॉडल तेजी से और अधिक कुशलता से निर्णय ले सकता है।

आईडीए के पीछे का मुख्य विचार यह है कि एम्प्लिफिकेशन चरण में गणनात्मक रूप से तीव्र तर्क का उपयोग करना और फिर डिस्टिलेशन चरण में सुधारित तर्क को मॉडल के पैरामीटर में वापस डिस्टिल करना। यह प्रक्रिया मॉडल को प्रभावी तर्क रणनीतियों को आंतरिक करने में सक्षम बनाती है जो समस्या-समाधान क्षमता का निर्माण करती है। इस चक्र को दोहराने से, एआई प्रणाली लगातार अपनी निर्णय लेने की क्षमता में सुधार करती है, कम गणना संसाधनों की आवश्यकता होती है।

एआई में ‘गट इंस्टिंक्ट’ को एकीकृत करने के लाभ

एआई के गट इंस्टिंक्ट का एक मुख्य लाभ इसकी दक्षता है। कोगिटो वी2 जैसे मॉडल प्रतिस्पर्धी मॉडलों की तुलना में 60% छोटी तर्क श्रृंखलाएं प्रदर्शित करते हैं। इसका अर्थ है कि वे कम आंतरिक चरणों के साथ उत्तर प्राप्त कर सकते हैं, जिससे अनुमान के लिए आवश्यक समय और संसाधन कम हो जाते हैं। उदाहरण के लिए, एक समस्या जिसे डीपसीक आर1 को 200 टोकन लेने में लगते हैं, कोगिटो वी2 उसे 100 टोकन से कम में पूरा कर सकता है।

इसके अलावा, कोगिटो वी2 को प्रशिक्षित करने की लागत पारंपरिक एआई मॉडल की तुलना में काफी कम है। कोगिटो वी2 की पूरी प्रशिक्षण प्रक्रिया, जिसमें व्यापक पैरामीटर शामिल हैं, 3.5 मिलियन डॉलर से कम में आयोजित की गई, जो बड़े पैमाने पर मॉडल जैसे जीपीटी-4 से जुड़े खर्च से काफी कम है।

कोगिटो वी2 ने उन क्षेत्रों में भी उभरी हुई क्षमता प्रदर्शित की है जहां इसका प्रशिक्षण नहीं हुआ था। उदाहरण के लिए, मुख्य रूप से पाठ पर प्रशिक्षित होने के बावजूद, कोगिटो वी2 छवियों के बारे में तर्क दे सकता है, छवि संरचना और आवास के बारे में अंतर्दृष्टि प्राप्त कर सकता है। यह क्रॉस-मॉडल तर्क क्षमता सामान्यीकृत बुद्धिमत्ता की दिशा में एक महत्वपूर्ण कदम है, जो आर्टिफ़िशियल जनरल इंटेलिजेंस (एजीआई) के लिए एक महत्वपूर्ण मील का पत्थर है।

एआई विकास को पुनः सोचना

बुद्धिमत्ता प्राथमिकता की सफलता सुझाव देती है कि एआई विकास रणनीतियों को मूल रूप से बदलने की आवश्यकता है। मॉडल के आकार को बढ़ाने या गणना संसाधनों में वृद्धि करने के बजाय, एआई विकास को उन प्रणालियों का निर्माण करने पर ध्यान केंद्रित करना चाहिए जो अपनी स्वयं की संज्ञानात्मक रणनीतियों को विकसित और परिष्कृत कर सकती हैं। यह परिवर्तन मानव संज्ञानात्मक विकास की नकल करता है, जहां बुद्धिमत्ता एक बड़े मस्तिष्क या अधिक सोच समय का परिणाम नहीं है, बल्कि बेहतर मानसिक मॉडल और तर्क रणनीतियों का परिणाम है। यह दृष्टिकोण परिवर्तन दीर्घकालिक परिणाम हो सकता है। स्मार्टर तर्क पर ध्यान केंद्रित करके, एआई अधिक बहुमुखी, अनुकूलनीय और नए चुनौतियों का सामना करने में सक्षम हो सकता है। यह परिवर्तन स्वास्थ्य सेवा, साइबर सुरक्षा और स्वायत्त परिवहन जैसे उद्योगों में एआई के अनुप्रयोगों को तेज कर सकता है, एआई प्रणालियों को अधिक कुशल, लागत प्रभावी और प्रभावी बना सकता है।

नीचे की पंक्ति

कोगिटो वी2 की सफलता दर्शाती है कि एआई का भविष्य मॉडल को बढ़ाने या गणना शक्ति में वृद्धि करने में नहीं है, बल्कि तर्क वास्तुकला को परिष्कृत करने और स्मार्टर समस्या-समाधान के लिए अनुकूलन करने में है। यह परिवर्तन एक अधिक टिकाऊ और सुलभ भविष्य का वादा करता है जहां प्रणालियां कम गणना संसाधनों पर निर्भर हुए बिना निरंतर सुधार और अनुकूलन कर सकती हैं। ब्रूट-फोर्स गणना के बजाय बुद्धिमान तर्क पर ध्यान केंद्रित करके, एआई जटिल, वास्तविक दुनिया की समस्याओं का सामना करने में अधिक सक्षम हो सकता है।