एआई का अगला व्यापक नियम: अधिक डेटा नहीं, बल्कि बेहतर विश्व मॉडल

कई सालों से, कृत्रिम बुद्धिमत्ता उद्योग एक सरल, कठोर नियम का पालन करता आया है: जितना बड़ा, उतना बेहतर। हमने विशाल डेटासेट पर मॉडल को प्रशिक्षित किया, मापदंडों की संख्या बढ़ाई, और समस्या को हल करने के लिए अपार कम्प्यूटेशनल शक्ति का प्रयोग किया। यह सूत्र अधिकतर समय कारगर रहा। GPT-3 से GPT-4 तक, और साधारण चैटबॉट से लेकर तर्कशील इंजनों तक, "स्केलिंग कानूनउन्होंने सुझाव दिया कि अगर हम मशीन को लगातार अधिक टेक्स्ट देते रहें, तो वह अंततः बुद्धिमान बन जाएगी।

लेकिन अब हम हैं दीवार से टकरानाइंटरनेट सीमित है। उच्च गुणवत्ता वाला सार्वजनिक डेटा समाप्त होता जा रहा है, और केवल मॉडल को बड़ा करने से मिलने वाले लाभ सीमित हैं। ह्रासमानअग्रणी एआई शोधकर्ता बहस कृत्रिम बुद्धिमत्ता में अगली बड़ी छलांग केवल अधिक पाठ पढ़ने से नहीं आएगी। यह पाठ के पीछे की वास्तविकता को समझने से आएगी। यह विश्वास एआई के फोकस में एक मौलिक बदलाव का संकेत देता है, जो विश्व मॉडल के युग की शुरुआत करता है।

अगले टोकन की भविष्यवाणी की सीमाएँ

हमें नए दृष्टिकोण की आवश्यकता क्यों है, यह समझने के लिए, हमें सबसे पहले यह 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 इंजनवे किसी क्रम में अगले शब्द का अनुमान उससे पहले आए शब्द की संभावना के आधार पर लगाते हैं। वे यह नहीं समझते कि गिरा हुआ गिलास टूट जाएगा; वे बस इतना जानते हैं कि लाखों कहानियों में, "टूटना" शब्द अक्सर "गिरा हुआ गिलास" वाक्यांश के बाद आता है।

इस दृष्टिकोण को ' ऑटोरेग्रेसिव मॉडलिंगइसमें एक गंभीर खामी है। यह पूरी तरह से सहसंबंध पर निर्भर करता है, न कि कारण-कार्य संबंध पर। यदि आप किसी कार दुर्घटना के हज़ार विवरणों पर एक एलएलएम को प्रशिक्षित करते हैं, तो यह दुर्घटनाओं की भाषा तो सीख लेता है, लेकिन यह गति, घर्षण या भंगुरता के भौतिकी को कभी नहीं सीखता। यह एक दर्शक है, प्रतिभागी नहीं।

यह सीमा “डेटा वॉलहमने लगभग पूरे सार्वजनिक इंटरनेट को खंगाल लिया है। वर्तमान पद्धति का उपयोग करके इसे और आगे बढ़ाने के लिए, हमें मौजूदा डेटा से कहीं अधिक डेटा की आवश्यकता होगी। कृत्रिम डेटा (यानी एआई द्वारा उत्पन्न टेक्स्ट) एक अस्थायी समाधान प्रदान करता है, लेकिन यह अक्सर "मॉडल पतनजहां सिस्टम अपने पूर्वाग्रहों और त्रुटियों को बढ़ा देता है। हम केवल टेक्स्ट के आधार पर आर्टिफिशियल जनरल इंटेलिजेंस (एजीआई) तक नहीं पहुंच सकते, क्योंकि टेक्स्ट दुनिया का एक कम बैंडविड्थ वाला संपीड़न है। यह वास्तविकता का वर्णन करता है, लेकिन यह स्वयं वास्तविकता नहीं है।

विश्व मॉडल क्यों महत्वपूर्ण हैं?

AI नेताओं यान लेकुन जैसे विद्वानों ने लंबे समय से यह तर्क दिया है कि वर्तमान एआई प्रणालियों में मानव अनुभूति का एक मूलभूत पहलू गायब है जो छोटे बच्चों में भी स्वाभाविक रूप से मौजूद होता है। यह दुनिया के कामकाज के बारे में एक आंतरिक मॉडल बनाए रखने की हमारी क्षमता है, जिसे वे आमतौर पर कहते हैं कि विश्व मॉडलविश्व मॉडल केवल अगले शब्द की भविष्यवाणी नहीं करता; यह भौतिक वातावरण के संचालन का एक आंतरिक मानसिक मानचित्र तैयार करता है। जब हम किसी गेंद को सोफे के पीछे लुढ़कते हुए देखते हैं, तो हम जानते हैं कि वह अभी भी वहीं है। हम जानते हैं कि जब तक उसे रोका नहीं जाता, वह दूसरी तरफ दिखाई देगी। इसे समझने के लिए हमें पाठ्यपुस्तक पढ़ने की आवश्यकता नहीं है; हम भौतिकी और वस्तु स्थायित्व के अपने आंतरिक "विश्व मॉडल" के आधार पर एक मानसिक सिमुलेशन चलाते हैं।

कृत्रिम बुद्धिमत्ता को प्रगति करने के लिए सांख्यिकीय अनुकरण से हटकर इस प्रकार के आंतरिक अनुकरण की ओर बढ़ना होगा। इसे घटनाओं के अंतर्निहित कारणों को समझना होगा, न कि केवल उनके शाब्दिक विवरणों को।

RSI संयुक्त एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (जेईपीए) यह प्रतिमान परिवर्तन का एक प्रमुख उदाहरण है। एलएलएम (लघु, मध्यम, मापन विधि) के विपरीत, जो प्रत्येक पिक्सेल या शब्द की भविष्यवाणी करने का प्रयास करती है (एक ऐसी प्रक्रिया जो गणनात्मक रूप से महंगी और शोरगुल भरी होती है), जेईपीए अमूर्त निरूपणों की भविष्यवाणी करता है। यह पेड़ पर अलग-अलग पत्तियों की गति जैसे अप्रत्याशित विवरणों को अनदेखा करता है और पेड़, हवा और मौसम जैसी उच्च-स्तरीय अवधारणाओं पर ध्यान केंद्रित करता है। समय के साथ इन उच्च-स्तरीय अवस्थाओं में होने वाले परिवर्तनों की भविष्यवाणी करना सीखकर, एआई सतही विवरणों के बजाय दुनिया की संरचना को सीखता है।

भविष्यवाणी से सिमुलेशन तक

वीडियो जनरेशन मॉडल में हमें इस बदलाव की पहली झलक पहले ही देखने को मिल रही है। जब OpenAI ने सोरा को लॉन्च किया, तो उन्होंने इसे सिर्फ एक वीडियो टूल के रूप में नहीं, बल्कि एक "विश्व सिम्युलेटर".

यह अंतर अत्यंत महत्वपूर्ण है। एक सामान्य वीडियो जनरेटर किसी व्यक्ति के चलने का वीडियो बनाते समय यह अनुमान लगाता है कि आमतौर पर कौन से रंग के पिक्सेल एक दूसरे के बगल में होते हैं। वहीं, एक विश्व सिम्युलेटर समय के साथ 3D स्थिरता, प्रकाश व्यवस्था और वस्तु स्थायित्व को बनाए रखने का प्रयास करता है। यह समझता है कि यदि व्यक्ति किसी दीवार के पीछे चला जाता है, तो वह गायब नहीं हो जाना चाहिए।

हालांकि वर्तमान वीडियो मॉडल अभी भी परिपूर्ण नहीं हैं, फिर भी वे प्रशिक्षण के लिए एक नया आधार प्रदान करते हैं। भौतिक जगत में पाठ्य जगत की तुलना में कहीं अधिक जानकारी समाहित है। एक सेकंड के वीडियो में भौतिकी, प्रकाश और अंतःक्रिया से संबंधित लाखों दृश्य डेटा बिंदु होते हैं। इस दृश्य वास्तविकता पर मॉडल को प्रशिक्षित करके, हम एआई को वह "सामान्य ज्ञान" सिखा सकते हैं जिसकी एलएलएम (लॉन्ग-लेवल लर्निंग मॉडल) में वर्तमान में कमी है।

इससे एक नया मापन नियम बनता है। सफलता का मापन अब इस आधार पर नहीं किया जाएगा कि किसी मॉडल ने कितने खरब टोकन पढ़े हैं। बल्कि, इसका मापन उसके सिमुलेशन की सटीकता और पर्यावरण की भविष्य की स्थितियों का अनुमान लगाने की क्षमता के आधार पर किया जाएगा। एक ऐसी कृत्रिम बुद्धिमत्ता जो किसी क्रिया को किए बिना उसके परिणामों का सटीक अनुकरण कर सकती है, वह एक ऐसी कृत्रिम बुद्धिमत्ता है जो योजना बना सकती है, तर्क कर सकती है और सुरक्षित रूप से कार्य कर सकती है।

दक्षता और एजीआई की ओर मार्ग

यह बदलाव अस्थिरता को भी संबोधित करता है। ऊर्जा की लागत वर्तमान कृत्रिम बुद्धिमत्ता (AI) में, एलएलएम (लॉन्ग-लेवल लर्निंग मॉडल) अक्षम होते हैं क्योंकि सुसंगत परिणाम उत्पन्न करने के लिए उन्हें हर विवरण का पूर्वानुमान लगाना पड़ता है। वर्ल्ड मॉडल अधिक कुशल होता है क्योंकि यह चयनात्मक होता है। जिस प्रकार एक मानव चालक सड़क पर ध्यान केंद्रित करता है और आकाश में बादलों के पैटर्न को अनदेखा करता है, उसी प्रकार एक वर्ल्ड मॉडल किसी कार्य के प्रासंगिक कारण कारकों पर ध्यान केंद्रित करता है।

लेकुन ने तर्क दिया है कि यह दृष्टिकोण मॉडलों को बहुत तेजी से सीखने की अनुमति देता है। एक प्रणाली जैसे वी-जेपा वीडियो-जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (वीडियो-जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर) ने दिखाया है कि यह पारंपरिक तरीकों की तुलना में बहुत कम प्रशिक्षण चरणों में ही समाधान तक पहुँच सकता है। डेटा को याद करने के बजाय उसके "स्वरूप" को सीखकर, वर्ल्ड मॉडल्स एक अधिक मजबूत बुद्धिमत्ता विकसित करते हैं जो नई, अनदेखी स्थितियों में बेहतर ढंग से लागू होती है।

यही एजीआई के लिए लापता कड़ी है। सच्ची बुद्धिमत्ता के लिए दिशा-निर्देश आवश्यक है। इसके लिए एजेंट को एक लक्ष्य को देखना, दुनिया के अपने आंतरिक मॉडल का उपयोग करके उस लक्ष्य को प्राप्त करने के लिए विभिन्न रास्तों का अनुकरण करना और फिर सफलता की उच्चतम संभावना वाले रास्ते को चुनना आवश्यक है। टेक्स्ट जनरेटर यह नहीं कर सकते; वे केवल एक योजना लिख ​​सकते हैं, वे इसे क्रियान्वित करने की बाधाओं को नहीं समझ सकते।

नीचे पंक्ति

एआई उद्योग एक महत्वपूर्ण मोड़ पर है। "बस और अधिक डेटा जोड़ें" की रणनीति अब अपने तार्किक अंत की ओर अग्रसर है। हम चैटबॉट के युग से सिम्युलेटर के युग की ओर अग्रसर हो रहे हैं।

एआई के विस्तार की अगली पीढ़ी का मतलब पूरे इंटरनेट को पढ़ना नहीं होगा। इसका मतलब होगा दुनिया को देखना, उसके नियमों को समझना और एक ऐसी आंतरिक संरचना का निर्माण करना जो वास्तविकता को प्रतिबिंबित करे। यह केवल एक तकनीकी उन्नयन नहीं है; यह "सीखने" की हमारी अवधारणा में एक मौलिक परिवर्तन है।

उद्यमों और शोधकर्ताओं के लिए, ध्यान केंद्रित करने का तरीका बदलना आवश्यक है। हमें पैरामीटर की संख्या पर अत्यधिक ध्यान देने के बजाय, यह मूल्यांकन करना शुरू करना होगा कि हमारे सिस्टम कारण और प्रभाव को कितनी अच्छी तरह समझते हैं। भविष्य की एआई केवल यह नहीं बताएगी कि क्या हुआ; यह आपको यह भी दिखाएगी कि क्या हो सकता है और क्यों। यही वर्ल्ड मॉडल्स का वादा है, और आगे बढ़ने का यही एकमात्र रास्ता है।