एलएलएम कैसे हमें बुद्धिमत्ता को फिर से परिभाषित करने के लिए मजबूर कर रहे हैं

एक पुरानी कहावत है: यदि यह एक बतख की तरह दिखता है, एक बतख की तरह तैरता है, और एक बतख की तरह क्वैक करता है, तो यह शायद एक बतख है। यह सरल तर्क, अक्सर इंडियाना के कवि जेम्स व्हिटकॉम्ब रिले से जुड़ा हुआ है, ने दशकों से कृत्रिम बुद्धिमत्ता के बारे में हमारे विचारों को आकार दिया है। व्यवहार की पर्याप्तता की अवधारणा ने एलन ट्यूरिंग के प्रसिद्ध “इमिटेशन गेम” को प्रेरित किया, जिसे अब ट्यूरिंग टेस्ट कहा जाता है।

ट्यूरिंग ने सुझाव दिया कि यदि एक मानव यह बताने में असमर्थ है कि वे एक मशीन या एक अन्य मानव के साथ बातचीत कर रहे हैं, तो मशीन को बुद्धिमान कहा जा सकता है। बतख परीक्षण और ट्यूरिंग परीक्षण दोनों यह सुझाव देते हैं कि जो मायने रखता है वह एक प्रणाली के अंदर क्या है, बल्कि यह कैसे व्यवहार करता है। दशकों से, यह परीक्षण कृत्रिम बुद्धिमत्ता में प्रगति का मार्गदर्शन करता रहा है। लेकिन बड़े भाषा मॉडल (एलएलएम) के आगमन के साथ, स्थिति बदल गई है। ये प्रणालियां सुगम पाठ लिख सकती हैं, बातचीत कर सकती हैं, और कार्यों को ऐसे तरीके से हल कर सकती हैं जो आश्चर्यजनक रूप से मानवीय लगते हैं। प्रश्न अब यह नहीं है कि क्या मशीनें मानव वार्ता की नकल कर सकती हैं, बल्कि यह कि क्या यह नकल वास्तविक बुद्धिमत्ता है। यदि एक प्रणाली हमारे जैसे लिख सकती है, हमारे जैसे तर्क कर सकती है, और यहां तक कि हमारे जैसे रचनाएं बना सकती है, तो क्या हमें इसे बुद्धिमान कहना चाहिए? या क्या व्यवहार अकेले बुद्धिमत्ता को मापने के लिए पर्याप्त नहीं है?

मशीन बुद्धिमत्ता का विकास

बड़े भाषा मॉडल ने हमें कृत्रिम बुद्धिमत्ता के बारे में सोचने के तरीके को बदल दिया है। ये प्रणालियां, जो पहले मूल रूप से पाठ प्रतिक्रियाओं को उत्पन्न करने तक सीमित थीं, अब तर्क संबंधी समस्याओं को हल कर सकती हैं, कंप्यूटर कोड लिख सकती हैं, कहानियां लिख सकती हैं, और यहां तक कि रचनात्मक कार्यों जैसे स्क्रीनराइटिंग में सहायता कर सकती हैं। इस प्रगति में एक प्रमुख विकास उनकी जटिल समस्याओं को चरण-दर-चरण तर्क के माध्यम से हल करने की क्षमता है, जिसे चेन-ऑफ-थॉट तर्क कहा जाता है। एक समस्या को छोटे भागों में तोड़कर, एक एलएलएम जटिल गणितीय समस्याओं या तर्क संबंधी पहेलियों को मानव समस्या समाधान के समान तरीके से हल कर सकता है। इस क्षमता ने उन्हें उन्नत बेंचमार्क जैसे माथ या जीएसएम8के पर मानव प्रदर्शन को मिलाने या حتى पार करने में सक्षम बनाया है। आज, एलएलएम में मल्टीमोडल क्षमताएं भी हैं। वे छवियों के साथ काम कर सकते हैं, चिकित्सा स्कैन की व्याख्या कर सकते हैं, दृश्य पहेलियों की व्याख्या कर सकते हैं और जटिल आरेखों का वर्णन कर सकते हैं। इन प्रगति के साथ, प्रश्न अब यह नहीं है कि क्या एलएलएम मानव व्यवहार की नकल कर सकते हैं, बल्कि यह कि क्या यह व्यवहार वास्तविक समझ को दर्शाता है।

मानव-जैसी सोच के निशान

एलएलएम की यह सफलता हमें बुद्धिमत्ता को समझने के तरीके को फिर से परिभाषित कर रही है। ध्यान ट्यूरिंग परीक्षण द्वारा सुझाए गए मानव व्यवहार के साथ कृत्रिम बुद्धिमत्ता के व्यवहार को संरेखित करने से हटकर एलएलएम द्वारा जानकारी को संसाधित करने के तरीके में मानव सोच की नकल करने की ओर स्थानांतरित हो गया है। उदाहरण के लिए, एक हालिया अध्ययन में, शोधकर्ताओं ने मानव मस्तिष्क गतिविधि के साथ कृत्रिम बुद्धिमत्ता मॉडल के आंतरिक कार्यों की तुलना की। अध्ययन में पाया गया कि 70 अरब से अधिक पैरामीटर वाले एलएलएम ने न केवल मानव-स्तर की सटीकता हासिल की, बल्कि जानकारी को आंतरिक रूप से मानव मस्तिष्क पैटर्न के साथ मेल खाते तरीके से व्यवस्थित किया।

जब मानव और कृत्रिम बुद्धिमत्ता मॉडल दोनों ने पैटर्न मान्यता कार्यों पर काम किया, तो मस्तिष्क स्कैन ने मानव प्रतिभागियों और कृत्रिम बुद्धिमत्ता मॉडल में संगत गणना पैटर्न में समान गतिविधि पैटर्न दिखाए। मॉडल ने अपनी आंतरिक परतों में अमूर्त अवधारणाओं को मानव मस्तिष्क तरंग गतिविधि के साथ सीधे मेल खाते तरीके से समूहित किया। यह सुझाव देता है कि सफल तर्क के लिए समान संगठनात्मक संरचनाओं की आवश्यकता हो सकती है, चाहे वे जैविक या कृत्रिम प्रणालियों में हों।

हालांकि, शोधकर्ता इस काम की सीमाओं के बारे में सावधानी से कहते हैं। अध्ययन में मानव प्रतिभागियों की एक अपेक्षाकृत छोटी संख्या शामिल थी, और मानव और मशीनों ने कार्यों को अलग तरह से देखा। मानव दृश्य पैटर्न के साथ काम करते थे जबकि कृत्रिम बुद्धिमत्ता मॉडल पाठ विवरण संसाधित करते थे। मानव और मशीन प्रसंस्करण के बीच संबंध रोचक है, लेकिन यह यह नहीं साबित करता है कि मशीनें मानवों की तरह अवधारणाओं को समझती हैं।

प्रदर्शन में स्पष्ट अंतर हैं। जबकि सर्वोत्तम कृत्रिम बुद्धिमत्ता मॉडल सरल पैटर्न पर मानव-स्तर की सटीकता के करीब पहुंच गए, उन्होंने जटिल कार्यों पर मानव प्रतिभागियों की तुलना में अधिक नाटकीय प्रदर्शन में गिरावट दिखाई। यह सुझाव देता है कि संगठन में समानता के बावजूद, मानव और मशीनें जटिल अमूर्त अवधारणाओं को संसाधित करने में मूलभूत अंतर हो सकते हैं।

सkeptical दृष्टिकोण

इन प्रभावशाली निष्कर्षों के बावजूद, एक मजबूत तर्क यह है कि एलएलएम कुछ और नहीं बल्कि एक बहुत ही कुशल नकलची हैं। यह दृष्टिकोण दार्शनिक जॉन सेरले के “चाइनीज रूम” विचार प्रयोग से आता है जो यह दिखाने के लिए कि व्यवहार समझ से समान नहीं है।

इस विचार प्रयोग में, सेरले हमें एक कमरे में बंद एक व्यक्ति की कल्पना करने के लिए कहते हैं जो केवल अंग्रेजी बोलता है। व्यक्ति को चीनी प्रतीक प्राप्त होते हैं और एक अंग्रेजी नियम पुस्तिका का उपयोग करके इन प्रतीकों को मैनिप्युलेट करता है और प्रतिक्रियाएं उत्पन्न करता है। कमरे के बाहर से, उनकी प्रतिक्रियाएं एक मूल चीनी वक्ता की तरह लगती हैं। हालांकि, सेरले तर्क देते हैं कि व्यक्ति चीनी के बारे में कुछ भी नहीं समझता है। वह बस नियमों का पालन करता है बिना किसी वास्तविक समझ के।

आलोचक एलएलएम पर इसी तर्क को लागू करते हैं। वे तर्क देते हैं कि ये प्रणालियां “स्टोकास्टिक तोते” हैं जो अपने प्रशिक्षण डेटा में सांख्यिकीय पैटर्न के आधार पर प्रतिक्रियाएं उत्पन्न करती हैं, वास्तविक समझ के बजाय। “स्टोकास्टिक” शब्द उनके संभाव्य स्वभाव को संदर्भित करता है, जबकि “तोता” उनके अनुकरण व्यवहार पर जोर देता है।

एलएलएम की कई तकनीकी सीमाएं भी इस तर्क का समर्थन करती हैं। एलएलएम अक्सर “हॉलुसिनेशन” उत्पन्न करते हैं; प्रतिक्रियाएं जो संभावित लगती हैं लेकिन पूरी तरह से गलत, भ्रामक और अर्थहीन हैं। यह तब होता है क्योंकि वे सांख्यिकीय रूप से संभावित शब्दों का चयन करते हैं बजाय किसी आंतरिक ज्ञान आधार या सच्चाई और झूठ की समझ के। ये मॉडल मानव त्रुटियों और पूर्वाग्रहों को भी पुन: उत्पन्न करते हैं। वे उस जानकारी से भ्रमित हो जाते हैं जिसे मानव आसानी से अनदेखा करेंगे। वे जाति और लिंग के रूढ़िवादिता प्रदर्शित करते हैं क्योंकि वे पूर्वाग्रह वाले डेटा से सीखते हैं। एक और प्रकट सीमा “स्थिति पूर्वाग्रह” है, जहां मॉडल लंबे दस्तावेजों में शुरू या अंत में जानकारी पर जोर देते हैं और मध्य सामग्री की उपेक्षा करते हैं। यह “मध्य में खो जाना” घटना सुझाव देती है कि ये प्रणालियां मानवों से बहुत अलग तरीके से जानकारी को संसाधित करती हैं, जो पूरे दस्तावेजों में ध्यान केंद्रित कर सकते हैं।

इन सीमाओं को उजागर करता है कि एक केंद्रीय चुनौती यह है: जबकि एलएलएम भाषा पैटर्न को पहचानने और पुन: उत्पन्न करने में उत्कृष्ट हैं, यह जरूरी नहीं है कि वे वास्तविक अर्थ या वास्तविक दुनिया के संदर्भ को समझते हैं। वे व्याकरण को संभालने में अच्छे हैं, लेकिन सेमेटिक्स में सीमित हैं।

बुद्धिमत्ता क्या है?

विवाद अंततः बुद्धिमत्ता की परिभाषा पर निर्भर करता है। यदि बुद्धिमत्ता को सुसंगत भाषा उत्पन्न करने, समस्याओं को हल करने और नए स्थितियों के अनुकूल होने की क्षमता माना जाता है, तो एलएलएम पहले से ही उस मानक को पूरा करते हैं। हालांकि, यदि बुद्धिमत्ता के लिए आत्म-जागरूकता, वास्तविक समझ, या विषयगत अनुभव की आवश्यकता होती है, तो ये प्रणालियां अभी भी कम पड़ती हैं।

कठिनाई यह है कि हमें समझ या चेतना जैसी गुणों को मापने के लिए एक स्पष्ट या वस्तुनिष्ठ तरीका नहीं है। मानवों और मशीनों दोनों में, हम उन्हें व्यवहार से अनुमान लगाते हैं। बतख परीक्षण और ट्यूरिंग परीक्षण ने एक बार सुंदर उत्तर दिए, लेकिन एलएलएम के युग में, वे अब पर्याप्त नहीं हो सकते हैं। उनकी क्षमताएं हमें यह पुनर्विचार करने के लिए मजबूर करती हैं कि वास्तव में बुद्धिमत्ता क्या है और क्या हमारी पारंपरिक परिभाषाएं तकनीकी वास्तविकता के साथ तालमेल बिठा रही हैं।

नीचे की रेखा

बड़े भाषा मॉडल कृत्रिम बुद्धिमत्ता की बुद्धिमत्ता को चुनौती देते हैं। वे तर्क की नकल कर सकते हैं, विचार उत्पन्न कर सकते हैं, और कार्य कर सकते हैं जो पहले मानवीय रूप से अद्वितीय माने जाते थे। हालांकि, वे सच्ची मानव-जैसी सोच को आकार देने वाली जागरूकता और आधार की कमी है। उनका उदय हमें यह पूछने के लिए मजबूर करता है कि न केवल मशीनें बुद्धिमान कार्य करती हैं या नहीं, बल्कि बुद्धिमत्ता स्वयं वास्तव में क्या है।