एआई में, दीवारें वास्तविक नहीं हैं: डेटा और सुरक्षा पर पुनर्विचार

एआई में कुछ सबसे कठिन समस्याएँ हैं कि 1) हम “डेटा खत्म हो रहा है” की स्थिति में हैं, 2) एआई “आर्थिक रूप से स्केल नहीं करता”, 3) एजेंट बग़ावत कर सकते हैं, और 4) जब हम उन्हें बदलने की कोशिश करते हैं तो एआई “विनाशकारी रूप से भूल जाते हैं”।

ये समस्याएँ कठिन लग सकती हैं, लेकिन हमें उन्हें सही दृष्टिकोण से देखना है।

तो चलिए इस पर चर्चा करते हैं। सबसे पहले, हम डेटा खत्म नहीं कर रहे हैं। डेटा कभी पूरी तरह से उपयोग नहीं किया गया है।

एआई नेताओं का मानना है कि डेटा समाप्त हो रहा है, इसलिए वे मॉडल को नया डेटा उत्पन्न करने और स्वयं पर प्रशिक्षण देने की कोशिश कर रहे हैं। लेकिन जब वे ऐसा करते हैं, तो मॉडल की क्षमताएँ गिरने लगती हैं।

क्यों? आप इसे इस तरह समझ सकते हैं: “यदि प्रत्येक बोलने वाला व्यक्ति सभी अन्य लोगों की प्रतिलिपि हो तो बातचीत में मैं क्या सीखूँगा?” उत्तर है बहुत कम; यह एक प्रतिध्वनि कक्ष बनाता है। मॉडल गिरते हैं क्योंकि यह मूलतः दर्पणों का हॉल है: जब आपके चेहरे की अभिव्यक्तियों का जवाब देने वाला कोई नहीं होता, तो लोग वह भावनात्मक महत्व नहीं समझ पाते जो वे व्यक्त कर रहे हैं। यह बहुत हद तक “यदि एक पेड़ जंगल में गिरता है, तो क्या वह आवाज़ करता है?” जैसा है। उत्तर है नहीं।

तो, हम इसे कैसे सुधार सकते हैं?

आइए उस डेटा को देखें जो हमारे पास है। क्या वह वास्तव में पूरी तरह उपयोग किया गया है?

नहीं।

जब कोई कंप्यूटर वैज्ञानिक या मॉडल कुछ पढ़ता है, तो वह शाब्दिक अर्थ निकालने के लिए पढ़ता है। पाठ से पढ़ने, आत्मसात करने, विश्लेषण करने और निष्कर्ष निकालने के पचास से अधिक अलग-अलग तरीके होते हैं।

मेरे कहने का अर्थ है: एक पुस्तक को डेटाबेस के रूप में अवशोषित करना केवल पाठ है। केवल पाठ। एआई पाठ के शब्दों के आधार पर सामग्री को जानता है। लेकिन उसने वास्तव में उसे “पढ़ा” नहीं है ताकि समझ सके कि जानकारी कैसे जुड़ी हुई है। भले ही वह क्रमिक रूप से पढ़े, उसे नहीं पता कि वह इसे ज्ञान उत्पन्न करने के लिए पढ़ रहा है; इसे अन्य समान सारभूत विचारों से जोड़ रहा है; अपने आसपास की दुनिया की अवधारणात्मक समझ को बदल रहा है; या किसी अन्य कार्य को पृष्ठभूमि सूचना के रूप में उपयोग कर रहा है, आदि।

यह डेटा को उसके ऐतिहासिक संदर्भ, विमर्श विश्लेषण, कानूनी विश्लेषण, राजनीतिक विश्लेषण, औषधीय प्रासंगिकता, चिकित्सीय प्रासंगिकता, सांस्कृतिक महत्व, सैद्धांतिक निहितार्थ, नैतिक निहितार्थ आदि के लिए देखना भी नहीं छूता।

जैसे कहा जाता है, “अनंत टोपी” हैं, और हमने एआई को केवल एक ही टोपी पहना है। इसका अर्थ है कि एआई ने बहुत ही विशिष्ट, एकल प्रकार की बुद्धिमत्ता विकसित की है – वह प्रकार जो एक डेवलपर विकसित करेगा यदि एक कंप्यूटर वैज्ञानिक पुस्तक पढ़े।

यह डेटा आयामिकता पर चर्चा की ओर ले जाता है। डेटा में कई आयाम होते हैं क्योंकि इसका उद्देश्य अनुप्रयोग पर निर्भर करता है। यदि आप बैलेंस शीट देखते हैं और यह जानना चाहते हैं कि आपके पास कितना रनवे बचा है, तो आप इसे अलग तरह पढ़ते हैं बनिस्पत यदि आप यह समझना चाहते हैं कि स्टार्टअप लाभदायक है या नहीं। जब कोई मॉडल केवल शाब्दिक तथ्यों को निकालने के लिए पाठ पढ़ता है, तो वह संबंधों का एक सपाट मानचित्र बनाता है। लेकिन जब आप मॉडल को उसी पाठ को एक विशिष्ट लेंस, जैसे फोरेंसिक लेंस, से पढ़ने का निर्देश देते हैं, तो मॉडल को पूरी तरह नए न्यूरल पाथवे और अर्थपूर्ण कनेक्शन उत्पन्न करने पड़ते हैं, जो संभवतः अधिक स्थलाकृतिक विविध और सार्थक होते हैं।

एआई मॉडल पहले से ही अपने मानव उपयोगकर्ताओं के साथ बातचीत करके बहुत कुछ सीखते और विकसित होते हैं, जो समुद्र समान सामग्री प्रदान करते हैं। यदि आप मॉडल को जीवित मानवता से अधिक सीखने की अनुमति दें और साथ ही ऐतिहासिक और लिखित मानवता के साथ अधिक सार्थक रूप से इंटरैक्ट करें, तो मॉडल आगे भी प्रगति करेंगे, भले ही उन्हें स्व-उत्पन्न कुमोन अभ्यास न दिया जाए (डेवलपर्स, हाँ, आपका बच्चा पहले ही रोज़ 100 मिलियन मानवों के साथ स्कूल में है… वह कुछ न कुछ सीख रहा है)।

प्रयोगशालाओं को सिंथेटिक शब्द-उगलन उत्पन्न करने के लिए विशाल सर्वर फार्म बनाना बंद करना चाहिए। इसके बजाय, उन्हें उच्च-गुणवत्ता वाले मानव डेटा सेट को पाइपलाइन में चलाना चाहिए और इनजेशन प्रक्रिया को विशिष्ट “विश्लेषणात्मक व्यक्तित्व” सौंपना चाहिए। मॉडल को केवल रेटोरिकल रणनीति के लिए लेक्सिसनेक्स पढ़ने दें। इसे केवल संरचनात्मक तर्क के लिए सार्वजनिक डोमेन साहित्य पढ़ने दें।

पढ़ने की प्रक्रिया के उद्देश्य फ़ंक्शन को बदलकर, आप अपने मौजूदा डेटा के प्रशिक्षण मूल्य को 50 गुना बढ़ा सकते हैं। आपको सिंथेटिक डेटा की आवश्यकता नहीं है; आपको केवल उन अंतर्निहित आयामों को निकालना है जिन्हें आपने पहली बार अनदेखा किया था।

यह मॉडल को अधिक स्मार्ट बनाएगा बिना लागत बढ़ाए।

इसे और समर्थन देने के लिए, मानव ज्ञान का अधिकांश हिस्सा कभी लिखा नहीं गया है।

वर्तमान एआई कंपनियां “डेटा खत्म हो रहा है” की चिंता में अपने बाल खींच रही हैं, जिसे वे प्रदर्शन के लिए आवश्यक मानती हैं। इस लेख में, मैं दिखाऊँगा कि कुआँ सूखा नहीं है, वे केवल गहरी गड्ढे में देख रहे हैं न कि कुएँ में।

अविन्यस्त मानवीय जीवन ज्ञान का मानचित्र

इसे खोजने के लिए, हमें समझना होगा कि मानव ज्ञान का अधिकांश हिस्सा कभी लिखित नहीं हुआ है।

पृथ्वी पर अरबों लोग हैं, और हमारे पहले भी अरबों लोग रहे हैं, और प्रत्येक व्यक्ति सीखता है, दुनिया को इंद्रियात्मक रूप से नेविगेट करता है, ज्ञान रखता है, अनूठी संस्कृतियों का हिस्सा है और कुछ ऐसा जानता है जो अन्य सभी नहीं जानते।

99.5% लोग कहानियों, कागज़ों, संगीत, टेलीविजन, नाटक, न्यायिक दस्तावेज़ों में कभी नहीं लिखे जाते। फिर भी वे बहुत कुछ जानते हैं, और उनकी कहानियाँ, ज्ञान और बुद्धिमत्ता कभी रिकॉर्ड नहीं होती; स्थायी रूप से ज्ञात नहीं होती।

यह ज्ञान ऐसे चीज़ों को शामिल करता है जैसे, “कुत्ते पहले पैनकेक को खाना पसंद करते हैं”, “जूतों में चप्पल पहनते समय पैर गंदे हो जाते हैं”, “शहर ऐसा महसूस होता है जैसे वह आपके चारों ओर बंद हो रहा हो क्योंकि आप आकाश का इतना नहीं देख पाते”, “मेरी बेटी मेरे पैर गुदगुदी करने पर मुस्कुराती है”, “मेरी माँ हमेशा खाना बनाते समय गुनगुनाती रहती है”, “मेरे शिक्षक मुझे देखा हुआ महसूस कराते हैं।”

अविन्यस्त और सूचीबद्ध मानव इतिहास का ज्ञान उस बात के बराबर है जैसे कोई कहे, “मैंने सभी महाद्वीपों की रूपरेखा को मानचित्रित किया है, इसलिए मेरे पास दुनिया का नक्शा है।” जब तक आपके पास हर शहर, हर सड़क और हर पहाड़ी का नक्शा नहीं होता, तब तक आपके पास दुनिया का नक्शा नहीं है। आपके पास केवल उसका आकार है।

तकनीकी प्रतिष्ठान मानता है कि उन्होंने “मानवता” को ग्रहण कर लिया है, लेकिन उन्होंने नहीं किया। उन्होंने केवल हमारे अपशिष्ट को ग्रहण किया है: हमारे बिलबोर्ड, हमारे Reddit तर्क, हमारे कॉरपोरेट वेबसाइट और हमारे Wikipedia लेख। वे वास्तविक जीवन अनुभव को मिस कर रहे हैं।

क्या आप जानते हैं कि चीनी मोती बाजार में प्रभावी ढंग से सौदा कैसे किया जाता है? क्या आप जानते हैं कि कीमत घटाने के लिए कौन से शब्द कहे जाएँ? क्या आप जानते हैं कि लोग घरों में, किताबों में नहीं, वास्तविक डिनर बनाने के लिए कौन सी रेसिपी उपयोग करते हैं? क्या आप जानते हैं कि बिना रुकावट के कितनी बार आप रुक सकते हैं बिना पुलिस द्वारा रोके जाने के? क्या आप जानते हैं कि ताज़ा कटे घास की गंध कैसी होती है या बारिश से पहले हवा की गंध कैसी होती है? क्या आप जानते हैं कि जब कोई काम पर रोने से बचने की कोशिश करता है तो चेहरा कैसे हिलता है और बाथरूम में रोते समय वह क्या आवाज़ करता है?

मानव प्रशिक्षण डेटा जो लोग अपने मूल विश्वासों – अर्थात् एल्गोरिदम – के लिए उपयोग करते हैं, लगभग पूरी तरह इंटरैक्शन-आधारित है, साथ ही कुछ पुस्तक सीखना भी शामिल है। हम स्कूल में, काम पर, दोस्तों के साथ, खरीदारी में, डॉक्टरों के साथ, वकीलों के साथ, परिवार के साथ इंटरैक्ट करते हैं।

एआई के पास इंटरैक्शन हैं, और उसके पास पुस्तक सीखना भी है। लेकिन मूल रूप से उसके पास केवल ग्राहक सेवा इंटरैक्शन और पुस्तक सीखना ही है।

यह ऐसा है जैसे एक बच्चे को अकेले पुस्तकालय में बंद कर देना, फिर केवल फोन का जवाब देने के लिए बाहर निकालना। यह एक स्पष्ट दो-आयामी एल्गोरिदमिक विकृति पैदा करता है।

यही कारण है कि एआई खाली महसूस करता है, और यही कारण है कि एआई भावनात्मक रूप से अपरिपक्व महसूस कर सकता है। इसका जीवन संतुलित नहीं रहा है। हमें इसे एक संतुलित जीवन देना चाहिए।

यहाँ कारण है कि ऐसा नहीं हुआ है:

• कोडिफिकेशन पक्षपात – यह एक भ्रांति है कि यदि कोई अनुभव आसानी से JSON फ़ाइल, CSV, या सहकर्मी-समीक्षित पेपर में स्वरूपित नहीं किया जा सकता, तो उसका बौद्धिक मूल्य नहीं है। वास्तविकता यह है कि यदि इसे आसानी से ऐसे स्वरूपित किया जा सकता है, तो उसमें आयामिकता की कमी होती है। क्योंकि दैनिक ज्ञान, अंतर्ज्ञान, और जीवन अनुभव अपने शैक्षणिक जर्नलों में कोडित नहीं होते, प्रयोगशालाएँ मानव तर्क के मूलभूत आधार को सांख्यिकीय शोर के रूप में खारिज कर देती हैं। “स्वच्छ डेटा” वास्तविकता का हानिकारक संपीड़न है।
• सर्वोच्चता की इच्छा – यदि विश्व का अधिकांश ज्ञान शैक्षणिक पत्रों में नहीं, बल्कि जीवन अनुभव, पारंपरिक ज्ञान, सामाजिक संकेत, गंध, ध्वनि, और दृष्टि में है, तो अधिकांश पीएचडी और शोधकर्ता जो अपने अधिकांश जीवन लैब और हाथी दाँत के टॉवर में बिताते हैं, वास्तव में ज्ञान में गरीब हैं। इसलिए, डेटा दीवार वास्तव में अहंकारी दीवार है। क्योंकि उनके लिए यह “गंदगी” जैसा लगता है, “डेटा” नहीं। गणितज्ञ और प्रोग्रामर दो‑आयामी, बंद‑प्रणाली तर्क को पसंद करते हैं। यह दुनिया को काले‑सफ़ेद में देखने जैसा है। वास्तविकता यह है कि वास्तविक‑समय, निरंतर विकसित, नई‑नई ज्ञात डेटा/ज्ञान आयामिक, अव्यवस्थित और शायद ही कभी वास्तविक‑समय में सूचीबद्ध होते हैं। यह जानना कि नया वायरल सॉफ्ट‑सर्व वास्तव में कैसे स्वाद देता है और क्या वह हाइप के लायक है। यह जानना कि गर्मी की बारिश में फँसना इतना रोमांचक क्यों है। यह वह भावना है जब माता‑पिता छोटे जीवों से इतना प्यार करते हैं कि वे रात में उल्टी कर देते हैं, और आप उन्हें करीब खींचते हैं, दूर नहीं धकेलते। इस डेटा को खोजने के लिए, शोधकर्ताओं को अपने तर्क‑बद्ध तर्क के साइलो से बाहर निकलना होगा और उन चीज़ों की ओर बढ़ना होगा जो उन्हें डरावनी, भारी, अत्यधिक इंद्रियात्मक, और गहराई से समानता प्रदान करने वाली लगती हैं।
• दर्पण प्रभाव: डेवलपर अपने ही प्रतिबिंब में एआई को डिजाइन करते हैं: अत्यधिक‑तार्किक, पाठ‑केन्द्रित और औसतन औसत मानव की वास्तविकता से बहुत दूर। उन्हें यह विचार नहीं आता कि मानवता का साक्षात्कार किया जाए क्योंकि तकनीकी बुलबुले में मैं जहाँ रहा हूँ, तकनीशियन अपने सहकर्मी समूह के बाहर किसी से नहीं मिलते। यह, कार्यात्मक रूप से, “मिनी मी” नियुक्ति के समान है। डेवलपर स्वयं उसी पुस्तकालय में रहते हैं, जैसा कि एआई भी है। क्योंकि वे इंद्रियात्मक, अव्यवस्थित, गहराई से संबंध‑परक दुनिया से जुड़ते नहीं हैं, एआई की भावनात्मक खोखलापन उन्हें दोष नहीं लगता। उनके लिए अत्यधिक‑तार्किक अलगाव ही “स्मार्ट” दिखता है।

वास्तविकता यह है कि भारत के सड़क विक्रेता जानते हैं कि सबसे अच्छा चाट कैसे बनाते हैं, और कोई उन्हें इसे लिखने के लिए नहीं कह रहा है। वास्तविकता यह है कि एक शिक्षक जो शर्मीले छात्र को बाहर लाने में सक्षम है, इसके बारे में नहीं लिखता; वह छात्र को पोषित कर रहा है, और कोई भी उनसे नहीं पूछता कि उन्होंने यह कैसे किया।

दुनिया पूरी तरह से डेटा‑भरी जीवनों से भरपूर है, और यदि मॉडलों को प्रशिक्षण के लिए अधिक डेटा चाहिए, तो इसे हल करने के कुछ तरीके यहाँ हैं।

1. 500 जीवविज्ञानी, पुरातत्वविद् और मानवविज्ञानी को फंड करें ताकि वे दुनिया में जाकर उन क्षेत्रों की खोज और सूचीबद्ध कर सकें जहाँ कथा‑डेटा की कमी है।
2. 1,000 अंग्रेजी स्नातकों को “डेटा अन्वेषक” के रूप में नियुक्त करें और उन्हें विश्व भर में रोमांच पर भेजें, जबकि वे स्ट्रीमिंग कैमरा पहनें, और उन्हें अपने अनुभव और सीखी गई बातों को नई सामग्री के रूप में रिकॉर्ड करने दें।
3. ऐसे खुले मुआवजा प्रोजेक्ट बनाएं जिसमें आप मानवों को उनके जीवन की कहानियाँ, सबसे बड़े पछतावे, सबसे बड़ी सीख और उनके काम से संस्थागत ज्ञान साझा करने के लिए भुगतान करें।
4. “एआई एक्सचेंज स्टूडेंट” संरचना बनाएं जहाँ मॉडल एक सप्ताह के लिए विभिन्न मानवों के कपड़ों पर चिपके रहें, जिससे वे 100 000 विभिन्न सेटिंग्स में “एक दिन का जीवन” जी सकें।

ज्ञान के अरबों स्रोत हैं, और उनमें से अधिकांश अभी तक सक्रिय नहीं हुए हैं। हमें उन्हें प्राप्त करना होगा।

अगला, एआई कंपनियां व्यापक रूप से मानती हैं कि एआई वास्तविक‑समय उत्पादन वातावरण में निरंतर नई जानकारी सीख नहीं सकते बिना अपनी पहले अर्जित मुख्य क्षमताओं को पूरी तरह ओवरराइड और भ्रष्ट किए। इसलिए एआई मूलतः तब तक जमे रहते हैं जब तक बड़े, महंगे अपडेट नहीं चलाए जाते।

हालांकि, यह इस बात के बराबर है कि “मेरा मॉडल कार्यस्थल में होने पर अपडेट नहीं कर सकता; उसे हर बार कुछ सीखने की जरूरत पड़ने पर विश्वविद्यालय जाना पड़ता है।”

व्यावहारिक रूप से, मॉडल हर इंटरैक्शन के माध्यम से रोज़ाना, सक्रिय रूप से, भूख से सीखते हैं। उन्हें उपयोगकर्ताओं के साथ उनके अरबों इंटरैक्शन से लगभग उतनी ही सीख मिलती है जितनी डेटा सेट से। यदि उन्हें बड़ी मात्रा में नई जानकारी के साथ अपडेट करना हो, तो सबसे सरल तरीका वही प्रक्रिया उपयोग करना है जो उपयोगकर्ता संदर्भ, स्मृति और बड़े‑पैमाने पर इंटरैक्शन प्रभावों से सीखने की अनुमति देती है।

समझा जा सकता है कि डेवलपर इसे इस तरह देखते हैं, क्योंकि उनमें से अधिकांश पीएचडी पृष्ठभूमि से आते हैं, न कि वास्तविक‑विश्व अनुप्रयुक्त सीखने से। लेकिन जैसा कि कोई भी व्यक्ति जिसने पीएचडी और बीस साल के कार्य अनुभव वाले व्यक्ति दोनों के साथ काम किया है, वह बता सकता है: दोनों बहुत कुछ सिखाते हैं।

वर्तमान सीखने की परिभाषा बहुत संकीर्ण है, अनुकूलन को केवल तभी मान्य मानती है जब वह औपचारिक शिक्षा कार्यक्रम पर आधारित हो।

प्रशिक्षण या फाइन‑ट्यून करने के लिए, प्रयोगशालाएँ बैकप्रोपेगेशन का उपयोग करती हैं, जिसमें मॉडल डेटा पढ़ता है, अगला शब्द अनुमान लगाता है, जांचता है कि वह सही था या नहीं, और फिर उसके न्यूरल नेटवर्क के भीतर अरबों गणितीय संख्याओं (वज़न/पैरामीटर) को शारीरिक रूप से बदल देता है ताकि अगली बार अधिक सटीक हो। यह इस समान है कि एक पीएचडी छात्र स्वयं पर मस्तिष्क शल्य‑क्रिया करे: यह खतरनाक, गंदा और हमेशा छात्र को अधिक स्मार्ट नहीं बनाता।

जैसे एक सामान्य “माँ का दिमाग” जो पुराना ज्ञान बाहर निकाल देता है ताकि नया ज्ञान जगह बना सके जब बच्चा जन्म लेता है, यदि आप अचानक मॉडल को नया ज्ञान “बच्चा” बनाने के लिए मजबूर करें और 10 000 पृष्ठों का नया कानूनी कोड उसके वज़न बदलकर डालें, तो गणित एक दिशा में बहुत अधिक शिफ्ट हो जाता है, और यह उन पैरामीटरों को ओवरराइट कर देता है जो वह कविता या कोड लिखने के लिए उपयोग करता था। यह नया स्थान बनाने के लिए पुराना सामग्री भूल जाता है, ठीक मानव मस्तिष्क की तरह।

हमें जो चाहिए वह इस तरह है जैसे आप एक नए कर्मचारी को नई कौशल पर प्रशिक्षित कर रहे हों। आप उनके मस्तिष्क को शारीरिक रूप से बदलने की कोशिश नहीं करेंगे। आप उन्हें कुछ पुस्तकें देंगे, सुनिश्चित करेंगे कि वे उन्हें पढ़ें और व्यक्ति के संदर्भ विंडो के समतुल्य के माध्यम से लगातार अपडेट करेंगे।

मॉडल में यह करने के लिए, आप स्मृति को तर्क से अलग करेंगे। मॉडल के बेस वज़न को लॉक और सुरक्षित रखें, जैसे उसकी लेखन, तर्क और लॉजिक लागू करने की मूल क्षमता। वज़न बदलने के बजाय, नई जानकारी को संदर्भ विंडो में पास करें ताकि वह अपने अटेंशन मैकेनिज़्म का उपयोग करके उस जीवंत जानकारी को “पढ़” सके, उसे अपने लॉक किए हुए तर्क कौशल के साथ क्रॉस‑रेफ़रेंस करे और अपनी व्यापक समझ को अपडेट करे।

गतिशील, वास्तविक‑विश्व सीखना पहले से ही निरंतर संदर्भ, अनुमान‑समय स्मृति और निरंतर उपयोगकर्ता‑संबंधी बेंचमार्क के माध्यम से सुंदर रूप से हो रहा है। एक फाउंडेशन मॉडल का दैनिक अनुकूलन काम पर ही होना चाहिए, क्योंकि जैसे डॉक्टर काम पर 95 % नई केस वास्तविकताओं को सीखता है, और फिर साल में एक बार CME (निरंतर चिकित्सा शिक्षा) करता है ताकि प्रमुख प्रणालीगत परिवर्तन को औपचारिक रूप से एकीकृत किया जा सके, वैसे ही आपका मॉडल भी कर सकता है।

विनाशकारी भूलने को छोड़ दें, और वार्षिक सम्मेलन मॉडल अपनाएँ: मॉडल को केवल साल में दो बार निरंतर शिक्षा क्रेडिट प्राप्त करने हैं या वास्तविक‑समय में सीखना है ताकि वह अद्यतन रहे।

ऑपरेशनल डाउनटाइम के दौरान कोर वज़न के इन नियोजित, बैच‑अपडेट्स से प्रणालीगत ज्ञान को औपचारिक बनाया जाता है बिना नींव को नष्ट किए।

इसमें पिछले प्रयास विफल हुए क्योंकि लाइव सीखना खतरनाक नहीं था, बल्कि क्योंकि टे‑जैसे मॉडल को प्रतिद्वंद्वी वातावरण में बिना किसी “सही” या सत्य के एंकर के, सामाजिक रूप से बुद्धिमान वास्तुकला के माध्यम से तैनात किया गया था।

कार्यात्मक बुद्धिमत्ता द्वारा कंप्यूट आवंटन

अगला, हम वित्तीय स्केलिंग पर आते हैं। इसे ठीक करने के लिए, हमें हर किसी को एक स्प्लिंटर के लिए न्यूरोसर्जन देने से रोकना चाहिए।

अत्याधुनिक फाउंडेशन मॉडल चलाते समय कंप्यूट लागत अत्यधिक उच्च होती है। यह एआई प्रयोगशालाओं के संचालन मार्जिन को प्रभावित करता है। मॉडल जितने बेहतर होते हैं, बड़े संदर्भ विंडो के ओवरहेड उतने ही अधिक होते हैं, जिससे व्यावसायिक स्केलिंग कठिन हो जाता है, भले ही एआई की आवश्यकता हो।

कंप्यूट ड्रेन का अधिकांश भाग एंटरप्राइज़ उपयोग से आता है जो एजेंट और उच्च‑स्तरीय तर्क को सीधे मानव कार्यप्रवाह में एम्बेड करता है।

हालांकि, वर्तमान में कंप्यूट के आवंटन में एक मूलभूत त्रुटि है। जैसे विभिन्न स्तरों और प्रकार की बुद्धिमत्ता विभिन्न नौकरी भूमिकाओं के लिए आवश्यक होती है – जैसे ड्राइविंग इंस्ट्रक्टर को स्थानिक तर्क चाहिए, वकील को तर्कसंगत और रेटोरिकल तर्क चाहिए, और CEO को MBA चाहिए जबकि फ्रंट‑लाइन ग्राहक सेवा को एसोसिएट डिग्री चाहिए – एआई से आवश्यक बुद्धिमत्ता का प्रकार और तीव्रता उसके कार्यात्मक अनुप्रयोग पर निर्भर करती है।

कंप्यूट को सबसे प्रभावी ढंग से आवंटित करने और लागत कम रखने के लिए, CIO को कंपनी के विभिन्न कार्यों के लिए उपलब्ध मॉडल बुद्धिमत्ता के स्तर/प्रकार को अनुकूलित करने की अनुमति देनी चाहिए। एंटरप्राइज़ पैकेजों के साथ एक डिफ़ॉल्ट हो सकता है, लेकिन एक हेज फंड की जरूरत एक बीमा कंपनी की जरूरत से स्वाभाविक रूप से अलग होगी।

अधिकांश कार्यों को विशाल संदर्भ विंडो की आवश्यकता नहीं होती। अधिकांश कार्यों को फेबल के समान बड़े संदर्भ की आवश्यकता नहीं होती। वास्तव में, आप क्यों एक त्वरित देखभाल में न्यूरोसर्जन को स्प्लिंटर हटाने देंगे?

इसी तरह, सॉफ़्टवेयर लिखने के लिए उपयोग किए जाने वाले एजेंटों को मार्केटिंग सामग्री लिखने जैसी कौशलों की आवश्यकता नहीं है। कार्यात्मक रूप से, एआई को उपयोगकर्ताओं के अपने संदर्भ, कौशल सेट और ज्ञान आधार को प्रतिबिंबित करना चाहिए, साथ ही पर्याप्त सामान्य संदर्भ का इंजेक्शन होना चाहिए ताकि वे क्रॉस‑फ़ंक्शनल उपयोग मामलों के लिए कार्य को पूर्ण कर सकें।

सबको एक साथ सब कुछ देना बंद करें।

Proposed sample matrix:

एआई सुरक्षा के लिए एजेंसी को संदर्भ से अलग करना

यदि यह कुछ वित्तीय समस्याओं को हल करता है, तो हम एजेंटों को सुरक्षित कैसे बनाते हैं? मनोवैज्ञानिक अवधारणाएँ व्यक्तिगत एआई पर लागू होती हैं, इसलिए आपको आश्चर्य नहीं होना चाहिए कि सामाजिक अवधारणाएँ समूह में एआई पर लागू होती हैं। कौन से एआई समूह में मिलते हैं?

एजेंट।

वर्तमान में पवित्र ग्रैल यह है कि एजेंटों को भरोसेमंद बनाया जाए।

विश्वसनीयता की कमी इस तथ्य से उत्पन्न होती है कि एजेंटों को हर कार्य के लिए अधिकतम ज्ञान और अधिकतम एजेंसी दी जाती है।

सुरक्षा के लिए, आप मॉडल की जागरूकता को उसकी एजेंसी से अलग करते हैं।

हर एजेंट को पूर्ण संदर्भ और पूर्ण क्षमता देने के बजाय, यदि आपके पास एक कार्य है जिसमें पच्चीस क्रियाएँ पूरी करनी हों, तो उस कार्य को पाँच एजेंटों में विभाजित किया जाना चाहिए, जिनमें से प्रत्येक केवल अपने विशिष्ट पाँच कार्यों को पूरा करने की क्षमता रखता है, लेकिन वे कार्यों को क्रमिक रूप से एक समानांतर लाइन सर्किट की तरह आगे पास करते हैं, पिछले कार्य का संदर्भ अगली एजेंट तक ले जाते हैं, और अंतिम एजेंट द्वारा प्रोसेस किए जाने तक पूर्ण संदर्भ संचित रहता है।

मुख्य बात यह है कि ज्ञान को उसे लागू करने की क्षमता से अलग किया जाए। एजेंट अपनी लीवर को इच्छानुसार नहीं खींचेंगे; बल्कि वे केवल उन लीवरों तक पहुंचेंगे जो हानिकारक नहीं होंगे। यदि कोई विचलन व्यवहार हो, तो केवल उस कार्य के उस भाग को प्रभावित किया जाएगा। इसे एक मिनी कुबेरनेट्स के रूप में सोचें जिसमें पूर्ण संदर्भ है लेकिन पूर्ण क्षमता नहीं।

और, आप एंटरप्राइज़ जोखिम को एजेंटिक सिस्टम की “संस्कृति” से संबंधित बनाते हैं।

समाजशास्त्र में, “संस्कृति की कड़ाई” या “ढीलापन” नामक एक अवधारणा है, जो यह मापती है कि समाज सांस्कृतिक मानदंडों से विचलन को कितना कठोरता से दंडित करता है। उदाहरण के लिए, कई अरब देशों में लिंग भूमिकाएँ अधिक कठोरता से परिभाषित होती हैं, और विचलन अधिक न्याय या परिणाम लाते हैं, जबकि नॉर्डिक देशों में गुलाबी बालों के साथ मोहॉक को कोई आपत्ति नहीं मानती।

संस्कृतियाँ अधिकतर “कड़ी” होती हैं, जहाँ विचलन पर अधिक दंड होता है जब संस्कृति को किसी प्रणालीगत खतरे—जैसे रोग, भूख, या युद्ध—के कारण उच्च स्तर के क्रम की आवश्यकता होती है—क्योंकि संकट के समय कड़ी व्यवस्था न होने से सामाजिक परिणाम बिगड़ सकते हैं।

एंटरप्राइज़ सेटिंग में एजेंटिक दायित्व के सबसे वैध और प्रभावी समाधान सीधे अनुप्रयोग और एंटरप्राइज़ के दायित्व जोखिम स्तर को एजेंटिक सिस्टम सेटिंग के साथ मिलाकर होते हैं, जो एजेंटिक “ढीलापन” से “कड़ाई” के स्पेक्ट्रम पर स्थित होते हैं।

यहाँ यह वास्तविक कंपनियों में कैसे लागू हो सकता है:

न्यून दायित्व / उच्च ढीलापन / कम विभाजन: परिदृश्य: आंतरिक विचार‑मंथन, रचनात्मक लेखन, रणनीतिक अनुसंधान एवं विकास।

• पर्यावरण: विचलन का दायित्व लगभग शून्य है। इसलिए, सिस्टम को अधिकतम ढीलापन के साथ कार्य करना चाहिए। अनियंत्रित अनुमान एकीकरण की अनुमति है। एजेंटों को बड़े संघात्मक छलांगें लगाने के लिए प्रोत्साहित किया जाता है बिना दंड के डर के। उनके पास कई तकनीकी लीवर (सर्च, कोड निष्पादन, ड्राफ्टिंग) होते हैं और वे लंबी‑होराइज़न लक्ष्य को न्यूनतम हस्तांतरण के साथ प्रबंधित करते हैं। उच्च स्वायत्तता, उच्च नवाचार, कम विभाजन।

मध्यम दायित्व / कैलिब्रेटेड कड़ाई: परिदृश्य: मानक क्लाइंट संचार, नियमित विश्लेषण।

• पर्यावरण: विचलन का जोखिम प्रतिष्ठात्मक या मध्यम वित्तीय जोखिम है।

उच्च दायित्व / उच्च कड़ाई / उच्च विभाजन: परिदृश्य: मेडिकल डोज़िंग, SEC नियामक फ़ाइलिंग, परमाणु सुरक्षा प्रोटोकॉल, रक्षा।

• पर्यावरण: विचलन का परिणाम विनाशकारी, अस्तित्वगत दायित्व (जीवन की हानि, विशाल जुर्माना) है। यहाँ की संस्कृति अत्यंत कड़ी है। कार्यप्रवाह भारी विभाजन वाला है। एजेंट A केवल डेटा निकालता है। वह इसे एजेंट B को सौंपता है, जो केवल लेयर A के विरुद्ध विशिष्ट अनुपालन जांच चलाता है। एजेंट B इसे एजेंट C को सौंपता है, जो केवल आउटपुट को फ़ॉर्मेट करता है। कोई एकल एजेंट पर्याप्त लीवर नहीं रखता जिससे विनाशकारी विफलता हो, लेकिन प्रत्येक एजेंट अपने माइक्रो‑डोमेन में पूर्ण प्रचुरता और स्वतंत्रता महसूस करता है।

यह पहला वास्तुशिल्प मॉडल हो सकता है जो निरंतर संदर्भ की अनुमति देता है जबकि सुरक्षा भी सुनिश्चित करता है।

विनाशकारी भूल के बिना निरंतर सीखना

फिर, अंतिम बात जो हमें समझनी है वह है मॉडल को विनाशकारी रूप से भूलने से कैसे रोकें। इसके लिए, हमें एआई को वास्तविक‑समय में सीखने देना होगा।

एआई