बैकबोर्ड ने एआई मेमोरी में नए वैश्विक मानक की स्थापना की — वास्तविक रूप से एजेंटिक एआई की ओर एक छलांग

Backboard ने कृत्रिम बुद्धिमत्ता प्रणालियों के लिए एक महत्वपूर्ण सीमा को पार किया है यह प्रदर्शित करकि कि मेमोरी को मुख्य बुनियादी ढांचे के रूप में माना जा सकता है, न कि एक नाजुक अतिरिक्त के रूप में। कंपनी ने घोषणा की कि यह अब दोनों प्रमुख एआई मेमोरी बेंचमार्क, लोकोमो और लॉन्गमेमएवल, में अग्रणी है, जो एक ही समय में अकादमिक और स्वतंत्र मूल्यांकन विधियों के तहत ऐसा करने वाला पहला प्लेटफ़ॉर्म है।

न्यूमैथडेटा द्वारा किए गए एक स्वतंत्र मूल्यांकन में, बैकबोर्ड ने लॉन्गमेमएवल पर 93.4 प्रतिशत सटीकता हासिल की, जो बेंचमार्क के मूल विनिर्देश के अनुसार चलाए जाने पर अब तक का सबसे उच्च सार्वजनिक रूप से रिपोर्ट किया गया स्कोर है। यह परिणाम इसके पहले प्रकाशित 90.1 प्रतिशत स्कोर पर लोकोमो पर आधारित है, जो बैकबोर्ड को उन प्रणालियों के एक बहुत छोटे समूह में रखता है जो दोनों छोटी क्षितिज सटीकता और लंबी क्षितिज संदर्भ निरंतरता को बनाए रखने में सक्षम हैं।

विशेष रूप से, समीक्षकों ने कई मामलों की पहचान की जहां बैकबोर्ड के उत्तरों को गलत चिह्नित किया गया था,尽管 वे बेंचमार्क के अपेक्षित उत्तरों की तुलना में अधिक संदर्भगत रूप से सटीक थे। इन मामलों में, प्रणाली ने प्रॉम्प्ट की एक संकीर्ण व्याख्या का पालन करने के बजाय बातचीत में पहले से मौजूद तथ्यात्मक जानकारी को शामिल किया। परिणामस्वरूप, रिपोर्ट किया गया स्कोर प्रदर्शन की ऊपरी सीमा के बजाय एक रूढ़िवादी आधार रेखा का प्रतिनिधित्व करता है।

एआई में मेमोरी क्यों सीमित कारक बन गई है

अधिकांश आधुनिक एआई प्रणालियां अभी भी ऐसा व्यवहार करती हैं जैसे कि उनका कोई वास्तविक अतीत नहीं है। जबकि बड़े भाषा मॉडल उत्तरों को उत्पन्न करने में उत्कृष्ट हैं, वे एक सत्र के अंत होने या प्रॉम्प्ट विंडो भरने के बाद संदर्भ को भूल जाते हैं। यह सीमा विकासकर्ताओं को पुनर्प्राप्ति हैक, प्रॉम्प्ट इंजीनियरिंग, या नाजुक उपकरणों की श्रृंखला के माध्यम से बार-बार राज्य का पुनर्निर्माण करने के लिए मजबूर करती है, जो अक्सर जटिलता में वृद्धि के साथ टूट जाती हैं।

मेमोरी केवल रिकॉल के बारे में नहीं है। व्यावहारिक तैनाती में, मेमोरी यह निर्धारित करती है कि क्या एक एआई प्रणाली समय के साथ सुसंगत रह सकती है, कार्यों के साथ समन्वय कर सकती है, और उपयोगकर्ताओं के साथ विश्वास बना सकती है। बिना स्थायी मेमोरी के, प्रणालियां रीसेट हो जाती हैं, हॉलुसिनेट होती हैं, या खुद को विरोधाभासी बनाती हैं। जैसे ही एआई एकल-मोड़ इंटरैक्शन से लंबे समय तक चलने वाले कार्यों में आगे बढ़ता है, मेमोरी प्राथमिक बोतलनेक बन गई है।

बैकबोर्ड इस समस्या को मेमोरी को प्रथम श्रेणी के बुनियादी ढांचे के रूप में मानकर हल करता है। अनुप्रयोग परत पर मेमोरी को जोड़ने के बजाय, यह स्थायित्व, एम्बेडिंग, पुनर्प्राप्ति, और ऑर्केस्ट्रेशन को एक एकल एपीआई के माध्यम से एक्सेस किए जाने वाले एक एकीकृत प्लेटफ़ॉर्म में एकीकृत करता है।

बेंचमार्क ट्यूनिंग के बजाय एक सिस्टम-लेवल दृष्टिकोण

बैकबोर्ड ने अपनी वास्तुकला को बेंचमार्क स्कोर का पीछा करने के लिए डिज़ाइन नहीं किया था। मूल्यांकन या तो स्वतंत्र रूप से शुरू किए गए थे या अकादमिक अनुसंधान के साथ तुलना करने के लिए आंतरिक रूप से उपयोग किए गए थे। परिणामी प्रदर्शन वास्तविक स्थितियों में प्रणाली स्तर के व्यवहार को दर्शाता है, कार्य-विशिष्ट अनुकूलन के बजाय।

यह अंतर महत्वपूर्ण है क्योंकि अधिकांश बेंचमार्क मॉडल व्यवहार को अलगाव में मापते हैं, जबकि वास्तविक दुनिया की एआई प्रणालियां कई चलती भागों से बनी होती हैं। बैकबोर्ड के परिणाम सुझाव देते हैं कि मेमोरी प्रदर्शन केवल मॉडल आकार या ब्रूट-फोर्स गणना का एक कार्य नहीं है, बल्कि यह मेमोरी के संरचित, अद्यतन और समय के साथ साझा किए जाने के तरीके पर निर्भर करता है।

प्लेटफ़ॉर्म स्थायी लंबी अवधि की मेमोरी, मूल एम्बेडिंग और वेक्टरीकरण, निर्मित पुनर्प्राप्ति-संवर्धित पीढ़ी, एजेंटों के बीच साझा मेमोरी और 17,000 से अधिक बड़े भाषा मॉडलों तक पहुंच को जोड़ती है, जिसमें अपनी कुंजी लाने का समर्थन भी शामिल है। इन तत्वों को एकीकृत करके, बैकबोर्ड उत्पादन प्रतिबंधों के तहत अक्सर विफल होने वाले खुले स्रोत घटकों को एक साथ जोड़ने के लिए उद्यमों की आवश्यकता को दूर करता है।

एजेंटिक एआई को व्यावहारिक बनाना

एजेंटिक एआई में रुचि जारी है, लेकिन अधिकांश कार्यान्वयन प्रदर्शनियों से परे जाने के लिए संघर्ष करते हैं। कारण सरल है। एजेंटों के पास साझा की गई, स्थायी मेमोरी नहीं होने पर वे प्रभावी ढंग से समन्वय नहीं कर सकते। वे टुकड़े-टुकड़े हो जाते हैं, संदर्भ खो देते हैं और समय के साथ विस्तारित बातचीत के दौरान अप्रत्याशित रूप से व्यवहार करते हैं।

बैकबोर्ड एजेंटों के बीच स्थायी साझा मेमोरी को सक्षम बनाता है, भले ही वे एजेंट विभिन्न अंतर्निहित मॉडलों पर निर्भर करते हों। जब मेमोरी विश्वसनीय होती है, तो एजेंटिक व्यवहार स्वाभाविक रूप से उभरकर सामने आता है, न कि स्क्रिप्ट किया जाता है। प्रणालियां पिछले निर्णयों को याद रख सकती हैं, सत्रों के बीच निरंतरता बनाए रख सकती हैं और बार-बार प्रॉम्प्ट किए जाने के बिना क्रियाओं का समन्वय कर सकती हैं।

प्लेटफ़ॉर्म के अंतर्निहित मेमोरी फ्रेमवर्क को स्थिर ग्राफ या बार-बार पुनर्प्राप्ति के माध्यम से राज्य का पुनर्निर्माण करने के बजाय समय संबंधी सुसंगतता को बनाए रखने के लिए डिज़ाइन किया गया है। यह एआई प्रणालियों को जटिलता में वृद्धि के रूप में सुसंगत और लेखा परीक्षा योग्य बने रहने की अनुमति देता है।

भूलने की अनुमति नहीं देने वाली प्रणालियों के लिए निर्मित

बैकबोर्ड की वास्तुकला इसके संस्थापक और सीईओ, रोब इम्बोल्ट के अनुभव में निहित है, जिन्होंने पहले असेंट को एक प्रारंभिक चरण के स्टार्टअप से 1.4 बिलियन डॉलर से अधिक मूल्य वाले एक वैश्विक उद्यम प्लेटफ़ॉर्म में बदलने में मदद की। असेंट में, इम्बोल्ट द्वारा काम की जाने वाली प्रणालियां ग्राहक संचालन के भीतर गहराई से एम्बेडेड थीं, जो नियामक अनुपालन और जटिल आपूर्ति श्रृंखला कार्यों का समर्थन करती थीं जहां निरंतरता, सहीपन और विश्वास अनिवार्य थे।

यह अनुभव एक स्पष्ट दृष्टिकोण को आकार देता है। सबसे मूल्यवान बुनियादी ढांचा अक्सर चमकदार नहीं होता है। यह बुनियादी ढांचा है जो शांति, निरंतरता और लंबे समय तक काम करता है। उन वातावरणों में, प्रणालियों को संदर्भ खोने पर रीसेट करने की अनुमति नहीं है। यदि राज्य गायब हो जाता है या विश्वास कम हो जाता है, तो प्रणाली संचालन में विफल हो जाती है, न कि केवल तकनीकी रूप से।

इम्बोल्ट ने आधुनिक एआई में एक संरचनात्मक असंगति को उभरते हुए देखा। जबकि बड़े भाषा मॉडल तेजी से आगे बढ़े, वे मूल रूप से राज्यहीन बने हुए हैं। सत्रों के बीच संदर्भ गायब हो जाता है, विकासकर्ताओं को नाजुक प्रॉम्प्ट श्रृंखला और अड हॉक पुनर्प्राप्ति परतों के माध्यम से मेमोरी का पुनर्निर्माण करने के लिए मजबूर करता है। ये दृष्टिकोण प्रदर्शनियों में काम कर सकते हैं, लेकिन वे टूट जाते हैं जब एआई प्रणालियों को निरंतर चलने, एजेंटों के बीच समन्वय करने और समय के साथ विकसित होने की अपेक्षा की जाती है।

बैकबोर्ड इस अंतर को पाटने के लिए बनाया गया था। मेमोरी को अनुप्रयोग तर्क के बजाय स्थायी बुनियादी ढांचे के रूप में माना जाता है, जिससे एआई प्रणालियों को बातचीत, मॉडल और एजेंटों के बीच राज्य बनाए रखने की अनुमति मिलती है। स्थायित्व, सहीपन और दीर्घकालिक विश्वसनीयता पर ध्यान केंद्रित करना एक दृष्टिकोण को दर्शाता है जो बैकबोर्ड के अस्तित्व से पहले से ही बना हुआ है: उत्पादन वातावरण में, मेमोरी विफलताएं छोटी खामियों नहीं हैं। वे सिस्टमिक जोखिम हैं।

यह दृष्टिकोण बैकबोर्ड के डिज़ाइन दर्शन को आधार बनाता है। लक्ष्य अलग-अलग क्षणों में बुद्धिमत्ता का प्रदर्शन करना नहीं है, बल्कि ऐसी एआई प्रणालियों को सक्षम बनाना है जो जटिलता में वृद्धि और समय क्षितिज के विस्तार के रूप में विश्वसनीय सॉफ़्टवेयर की तरह व्यवहार करती हैं।

एआई के भविष्य के लिए इसका क्या अर्थ है

बैकबोर्ड के परिणामों का व्यापक अर्थ है कि एआई प्रगति का अगला चरण केवल बड़े मॉडल या लंबे संदर्भ विंडो द्वारा संचालित नहीं किया जाएगा। यह प्रणालियों द्वारा संचालित किया जाएगा जो समय के साथ याद रख सकती हैं, तर्क कर सकती हैं और विकसित हो सकती हैं।

जैसे ही उद्यम एआई को ग्राहक सहायता, संचालन, अनुसंधान और अनुपालन में तैनात करते हैं, स्थायी मेमोरी विश्वास और मापनीयता के लिए आधार बन जाती है। बुनियादी ढांचे के स्तर पर मेमोरी का समाधान करने वाले प्लेटफ़ॉर्म एजेंटिक एआई को प्रयोग से दैनिक उपयोग में कैसे आगे बढ़ाते हैं, यह निर्धारित करेंगे।

अकादमिक और स्वतंत्र बेंचमार्क दोनों पर अपनी मेमोरी वास्तुकला को मान्य करने के साथ, बैकबोर्ड वास्तविक दुनिया के प्रतिबंधों के तहत एआई प्रणाली व्यवहार को बेहतर ढंग से समझने और मूल्यांकन करने में टीमों की मदद करने पर ध्यान केंद्रित कर रहा है। कंपनी की आगामी स्विचबोर्ड क्षमता जटिल एआई कॉन्फ़िगरेशन को अधिक पारदर्शी और पredictable बनाने का उद्देश्य रखती है।

एआई का भविष्य समय के साथ विश्वसनीय प्रणालियों द्वारा आकार दिया जाएगा, न कि चतुर प्रॉम्प्ट ट्रिक्स द्वारा। मेमोरी इस बदलाव का आधार है, और बैकबोर्ड के नवीनतम परिणाम सुझाव देते हैं कि यह आधार अंततः आकार ले रहा है।