एआई का अगला स्केलिंग लॉ: अधिक डेटा नहीं, बल्कि बेहतर वर्ल्ड मॉडल

वर्षों से, कृत्रिम बुद्धिमत्ता उद्योग ने एक सरल, क्रूर नियम का पालन किया है: बड़ा बेहतर है। हमने बड़े डेटासेट पर मॉडल को प्रशिक्षित किया, पैरामीटर की संख्या बढ़ाई, और समस्या को हल करने के लिए भारी गणनात्मक शक्ति का उपयोग किया। यह सूत्र अधिकांश समय के लिए काम किया। जीपीटी-3 से लेकर जीपीटी-4 तक, और कच्चे चैटबॉट से लेकर तर्क इंजन तक, “स्केलिंग लॉ” सुझाव दिया कि यदि हम केवल मशीन को अधिक पाठ पढ़ाते रहें, तो यह अंततः बुद्धिमान हो जाएगी।

लेकिन हम अब एक दीवार से टकरा रहे हैं। इंटरनेट सीमित है। उच्च गुणवत्ता वाला सार्वजनिक डेटा समाप्त हो रहा है, और बड़े मॉडल बनाने के परिणामस्वरूप रिटर्न कम हो रहे हैं। प्रमुख एआई शोधकर्ता तर्क देते हैं कि एआई में अगला बड़ा कदम केवल अधिक पाठ पढ़ने से नहीं आएगा। यह वास्तविकता के पीछे की समझ से आएगा। यह विश्वास एआई के फोकस में एक मूलभूत परिवर्तन का संकेत देता है, जो वर्ल्ड मॉडल के युग की शुरुआत को चिह्नित करता है।

नेक्स्ट-टोकन प्रेडिक्शन की सीमाएं

इस नए दृष्टिकोण को समझने के लिए, हमें पहले देखना होगा कि वर्तमान एआई सिस्टम वास्तव में क्या करते हैं। उनकी प्रभावशाली क्षमताओं के बावजूद, चैटजीपीटी या क्लाउड जैसे मॉडल मूल रूप से सांख्यिकीय इंजन हैं। वे पिछले शब्द की संभावना के आधार पर एक क्रम में अगले शब्द का अनुमान लगाते हैं। वे यह नहीं समझते कि एक गिरा हुआ ग्लास टूट जाएगा; वे केवल जानते हैं कि लाखों कहानियों में, “टूटना” अक्सर “गिरा हुआ ग्लास” वाक्यांश के बाद आता है।

इस दृष्टिकोण, जिसे ऑटोरेग्रेसिव मॉडलिंग के रूप में जाना जाता है, में एक महत्वपूर्ण दोष है। यह पूरी तरह से संबंध पर निर्भर करता है, कारण पर नहीं। यदि आप एक एलएलएम को एक हजार कार दुर्घटना के विवरण पर प्रशिक्षित करते हैं, तो यह दुर्घटना की भाषा सीखता है। लेकिन यह कभी भी गति, घर्षण या भंगुरता के भौतिकी को नहीं सीखता। यह एक दर्शक है, एक भागीदार नहीं है।

यह सीमा “डेटा वॉल” बन रही है। हमने लगभग पूरे सार्वजनिक इंटरनेट को खंगाल लिया है। यदि हम वर्तमान तरीके से आगे बढ़ना चाहते हैं, तो हमें अस्तित्व से अधिक डेटा की आवश्यकता होगी। सिंथेटिक डेटा (यानी, एआई द्वारा उत्पन्न पाठ) एक अस्थायी समाधान प्रदान करता है, लेकिन यह अक्सर “मॉडल कोलैप्स” की ओर ले जाता है, जहां सिस्टम अपने स्वयं के पूर्वाग्रहों और त्रुटियों को बढ़ाता है। हम केवल पाठ का उपयोग करके कृत्रिम सामान्य बुद्धिमत्ता (एजीआई) की ओर नहीं बढ़ सकते हैं क्योंकि पाठ वास्तविकता का एक कम-बैंडविथ संपीड़न है। यह वास्तविकता का वर्णन करता है, लेकिन यह स्वयं वास्तविकता नहीं है।

वर्ल्ड मॉडल क्यों महत्वपूर्ण हैं

एआई नेताओं जैसे यान लेकुन ने लंबे समय से तर्क दिया है कि वर्तमान एआई सिस्टम मानव संज्ञान का एक मूलभूत पहलू缺 है जो छोटे बच्चों को स्वाभाविक रूप से आता है। यह हमारी क्षमता है एक आंतरिक मॉडल बनाए रखने की कि दुनिया कैसे काम करती है, जिसे वे आमतौर पर वर्ल्ड मॉडल के रूप में संदर्भित करते हैं। एक वर्ल्ड मॉडल केवल अगले शब्द का अनुमान नहीं लगाता है; यह भौतिक वातावरण के संचालन का एक आंतरिक मानसिक मानचित्र बनाता है। जब हम एक गेंद को सोफे के पीछे देखते हैं, तो हम जानते हैं कि यह अभी भी वहां है। हम जानते हैं कि यह दूसरी तरफ दिखाई देगा, जब तक कि यह रोका नहीं जाता। हमें इसके लिए एक पाठ्यपुस्तक पढ़ने की आवश्यकता नहीं है; हम अपने आंतरिक “वर्ल्ड मॉडल” के आधार पर एक मानसिक सिमुलेशन चलाते हैं जो भौतिकी और वस्तु स्थायित्व को समझता है।

एआई को आगे बढ़ाने के लिए, इसे सांख्यिकीय अनुकरण से इस प्रकार के आंतरिक सिमुलेशन में जाना होगा। यह घटनाओं के अंतर्निहित कारणों को समझने की आवश्यकता है, न कि केवल उनके पाठ्य विवरणों को।

ज्वाइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (जेपीए) इस परिवर्तन का एक प्रमुख उदाहरण है। एलएलएम के विपरीत, जो हर एक पिक्सेल या शब्द का अनुमान लगाने का प्रयास करते हैं (जो एक गणनात्मक रूप से महंगा और शोर वाला प्रक्रिया है), जेपीए अमूर्त प्रतिनिधित्व का अनुमान लगाता है। यह अप्रत्याशित विवरण जैसे पेड़ पर पत्तियों की गति की उपेक्षा करता है और उच्च-स्तरीय अवधारणाओं जैसे पेड़, हवा और मौसम पर ध्यान केंद्रित करता है। उच्च-स्तरीय राज्यों के परिवर्तन का अनुमान लगाने से एआई दुनिया की संरचना सीखता है, न कि सतह-स्तरीय विवरण।

प्रेडिक्शन से सिमुलेशन तक

हम वीडियो जनरेशन मॉडल में इस परिवर्तन की पहली झलक देख रहे हैं। जब ओपनएआई ने सोरा जारी किया, तो उन्होंने इसे न केवल एक वीडियो टूल के रूप में वर्णित किया, बल्कि एक “वर्ल्ड सिम्युलेटर” के रूप में भी।

यह अंतर महत्वपूर्ण है। एक मानक वीडियो जनरेटर एक व्यक्ति की वीडियो बनाने का प्रयास कर सकता है जो अगले रंगीन पिक्सेल का अनुमान लगाता है जो एक दूसरे के बगल में आते हैं। एक वर्ल्ड सिम्युलेटर, हालांकि, 3डी संगतता, प्रकाश और वस्तु स्थायित्व को बनाए रखने का प्रयास करता है। यह “समझता है” कि यदि कोई व्यक्ति दीवार के पीछे चलता है, तो वह अस्तित्व से गायब नहीं हो जाना चाहिए।

वर्तमान वीडियो मॉडल अभी भी आदर्श से बहुत दूर हैं, लेकिन वे नए प्रशिक्षण क्षेत्र का प्रतिनिधित्व करते हैं। भौतिक दुनिया में पाठ की दुनिया की तुलना में बहुत अधिक जानकारी है। एक वीडियो का एक ही सेकंड भौतिकी, प्रकाश और परस्पर क्रिया के बारे में लाखों दृश्य डेटा बिंदु होते हैं। वीडियो वास्तविकता पर मॉडल को प्रशिक्षित करके, हम एआई को “सामान्य ज्ञान” सिखा सकते हैं जो एलएलएम में वर्तमान में कमी है।

यह एक नया स्केलिंग लॉ बनाता है। सफलता अब टोकन की संख्या से नहीं मापी जाएगी जो एक मॉडल ने पढ़ा है। इसका मूल्यांकन इसके सिमुलेशन की विश्वसनीयता और इसकी क्षमता से किया जाएगा कि यह पर्यावरण की भविष्य की स्थिति का अनुमान लगा सकता है। एक एआई जो कार्रवाई किए बिना कार्रवाई के परिणामों का सटीक रूप से अनुमान लगा सकता है, वह एक एआई है जो योजना बना सकता है, तर्क दे सकता है और सुरक्षित रूप से कार्य कर सकता है।

एजीआई के लिए कुशलता और मार्ग

यह परिवर्तन वर्तमान एआई के अस्थिर ऊर्जा लागत को भी संबोधित करता है। एलएलएम अकुशल हैं क्योंकि उन्हें एक सुसंगत आउटपुट उत्पन्न करने के लिए हर विवरण का अनुमान लगाना होता है। एक वर्ल्ड मॉडल अधिक कुशल है क्योंकि यह चयनात्मक है। जैसे एक मानव चालक सड़क पर ध्यान केंद्रित करता है और आकाश में बादलों के पैटर्न की उपेक्षा करता है, एक वर्ल्ड मॉडल प्रासंगिक कारण कारकों पर ध्यान केंद्रित करता है।

लेकुन ने तर्क दिया है कि यह दृष्टिकोण मॉडल को बहुत तेजी से सीखने की अनुमति देता है। वी-जेपीए (वीडियो-ज्वाइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर) जैसी प्रणाली ने दिखाया है कि यह पारंपरिक तरीकों की तुलना में बहुत कम प्रशिक्षण पुनरावृत्तियों के साथ एक समाधान पर समाप्त हो सकता है। डेटा के “आकार” को सीखने के बजाय डेटा को स्वयं याद रखने से, वर्ल्ड मॉडल एक अधिक मजबूत रूप का निर्माण करते हैं बुद्धिमत्ता जो नए, अनदेखे स्थितियों में बेहतर सामान्यीकरण करती है।

यह एजीआई के लिए लापता लिंक है। सच्ची बुद्धिमत्ता नेविगेशन की आवश्यकता है। यह एक एजेंट को एक लक्ष्य देखने, अपने आंतरिक दुनिया मॉडल का उपयोग करके उस लक्ष्य को प्राप्त करने के लिए विभिन्न मार्गों का अनुकरण करने और फिर सबसे अधिक सफलता की संभावना वाले मार्ग का चयन करने की आवश्यकता है। पाठ जनरेटर ऐसा नहीं कर सकते; वे केवल एक योजना लिख सकते हैं, वे इसके कार्यान्वयन के प्रतिबंधों को नहीं समझ सकते हैं।

नीचे की रेखा

एआई उद्योग एक मोड़ पर है। “बस अधिक डेटा जोड़ें” की रणनीति अपने तार्किक अंत तक पहुंच रही है। हम चैटबॉट के युग से सिम्युलेटर के युग में जा रहे हैं।

एआई के अगले पीढ़ी के स्केलिंग में पूरे इंटरनेट को पढ़ने के बारे में नहीं होगा। यह दुनिया को देखने, इसके नियमों को समझने और वास्तविकता को प्रतिबिंबित करने वाली एक आंतरिक वास्तुकला बनाने के बारे में होगा। यह केवल एक तकनीकी उन्नयन नहीं है; यह सीखने के बारे में हमारी समझ में एक मूलभूत परिवर्तन है।

उद्यमों और शोधकर्ताओं के लिए, फोकस बदलना होगा। हमें पैरामीटर गिनती पर जुनून से बाहर निकलना होगा और यह मूल्यांकन करना शुरू करना होगा कि हमारे सिस्टम कारण और प्रभाव को कितनी अच्छी तरह से समझते हैं। भविष्य का एआई केवल आपको बताएगा कि क्या हुआ; यह आपको दिखाएगा कि क्या हो सकता है, और क्यों। यह वर्ल्ड मॉडल का वादा है, और यह आगे बढ़ने का एकमात्र मार्ग है।