एलएलएम वास्तव में तर्क नहीं करते हैं – वे बस योजना बनाने में बहुत अच्छे हैं

बड़े भाषा मॉडल (एलएलएम) जैसे ओपनएआई का ओ3, गूगल का जेमिनी 2.0, और डीपसीक का आर1 ने जटिल समस्याओं को हल करने, मानव-जैसा पाठ उत्पन्न करने और यहां तक कि सटीकता के साथ कोड लिखने में उल्लेखनीय प्रगति दिखाई है। इन उन्नत एलएलएम को अक्सर उनकी उल्लेखनीय क्षमताओं के लिए “तर्क मॉडल” के रूप में संदर्भित किया जाता है जटिल समस्याओं का विश्लेषण और हल करने के लिए। लेकिन क्या ये मॉडल वास्तव में तर्क करते हैं, या वे बस योजना बनाने में असाधारण रूप से अच्छे हैं? यह अंतर सूक्ष्म है लेकिन गहरा है, और इसके लिए एलएलएम की क्षमताओं और सीमाओं को समझने के लिए महत्वपूर्ण निहितार्थ हैं।

इस अंतर को समझने के लिए, आइए दो परिदृश्यों की तुलना करें:

• तर्क: एक जासूस जो एक अपराध की जांच कर रहा है, उसे विरोधाभासी साक्ष्य को एक साथ रखना होगा, यह निर्धारित करना होगा कि कौन से झूठे हैं, और सीमित साक्ष्य के आधार पर एक निष्कर्ष पर पहुंचना होगा। इस प्रक्रिया में अनुमान, विरोधाभास का समाधान, और अमूर्त सोच शामिल है।
• योजना: एक शतरंज खिलाड़ी जो अपने प्रतिद्वंद्वी को मात देने के लिए सर्वोत्तम कदमों की श्रृंखला की गणना कर रहा है।

जबकि दोनों प्रक्रियाओं में कई चरण शामिल हैं, जासूस गहरे तर्क में शामिल हैं जिसमें अनुमान लगाना, विरोधाभासों का समाधान करना और सामान्य सिद्धांतों को एक विशिष्ट मामले में लागू करना शामिल है। दूसरी ओर, शतरंज खिलाड़ी मुख्य रूप से योजना में शामिल है, जिसमें जीतने के लिए एक इष्टतम कदमों की श्रृंखला चुनना शामिल है। एलएलएम, जैसा कि हम देखेंगे, शतरंज खिलाड़ी की तुलना में जासूस की तरह अधिक कार्य करते हैं।

तर्क और योजना में अंतर को समझना

एलएलएम को योजना के बजाय तर्क क्यों अच्छा लगता है, यह समझने के लिए यह महत्वपूर्ण है कि पहले दोनों शब्दों के बीच का अंतर समझें। तर्क नए निष्कर्षों को दिए गए पूर्वावलोकनों से तर्क और अनुमान का उपयोग करके प्राप्त करने की प्रक्रिया है। इसमें असंगतताओं की पहचान और सुधार, नए अंतर्दृष्टि उत्पन्न करना, अस्पष्ट स्थितियों में निर्णय लेना, और कारणात्मक समझ और विरोधाभासी सोच जैसे “क्या होगा अगर?” परिदृश्यों में शामिल होना शामिल है।

योजना, दूसरी ओर, एक विशिष्ट लक्ष्य को प्राप्त करने के लिए क्रियाओं की एक श्रृंखला को संरचित करने पर केंद्रित है। यह जटिल कार्यों को छोटे चरणों में तोड़ने, ज्ञात समस्या-समाधान रणनीतियों का पालन करने, पहले से सीखे हुए पैटर्न को समान समस्याओं पर लागू करने और संरचित क्रमों को निष्पादित करने पर निर्भर करता है, न कि नए ज्ञान का उत्पादन करने के लिए। जबकि तर्क और योजना दोनों में चरण-दर-चरण प्रसंस्करण शामिल है, तर्क में गहरी अमूर्तता और अनुमान की आवश्यकता होती है, जबकि योजना स्थापित प्रक्रियाओं का पालन करती है जो मूल रूप से नए ज्ञान का उत्पादन नहीं करती हैं।

एलएलएम “तर्क” को कैसे दृष्टिकोण देते हैं

आधुनिक एलएलएम, जैसे ओपनएआई का ओ3 और डीपसीक-आर1, अपनी समस्या-समाधान क्षमताओं में सुधार के लिए चेन-ऑफ-थॉट (सीओटी) तर्क जैसी तकनीक से लैस हैं। यह विधि मॉडल को समस्याओं को मध्यवर्ती चरणों में तोड़ने के लिए प्रोत्साहित करती है, जो तर्कसंगत रूप से एक समस्या के माध्यम से सोचने के तरीके की नकल करता है। यह देखने के लिए कि यह कैसे काम करता है, एक सरल गणित समस्या पर विचार करें:

यदि एक स्टोर प्रति सेब के लिए $2 चार्ज करता है लेकिन 5 से अधिक सेब खरीदने पर प्रति सेब $1 की छूट देता है, तो 7 सेब की लागत कितनी होगी?

एक सामान्य एलएलएम जो सीओटी प्रॉम्प्टिंग का उपयोग करता है, इसे इस तरह से हल कर सकता है:

1. नियमित मूल्य निर्धारित करें: 7 * $2 = $14।
2. यह पहचानें कि छूट लागू होती है (क्योंकि 7 > 5)।
3. छूट की गणना करें: 7 * $1 = $7।
4. कुल से छूट घटाएं: $14 – $7 = $7।

चरण-दर-चरण ब्रेकडाउन करके, मॉडल एक बार में एक उत्तर का अनुमान लगाने से उत्पन्न होने वाली त्रुटियों के अवसर को कम करता है। जबकि यह चरण-दर-चरण ब्रेकडाउन एलएलएम को तर्क की तरह बनाता है, यह मूल रूप से एक प्रकार का संरचित समस्या-समाधान है, जो एक नुस्खा का पालन करने जैसा है। दूसरी ओर, एक वास्तविक तर्क प्रक्रिया एक सामान्य नियम को पहचान सकती है: यदि छूट 5 से अधिक सेब पर लागू होती है, तो प्रत्येक सेब की लागत $1 है । एक मानव तुरंत ऐसा नियम अनुमान लगा सकता है, लेकिन एलएलएम नहीं कर सकता क्योंकि यह केवल एक संरचित क्रम का पालन करता है।

चेन-ऑफ-थॉट योजना है, तर्क नहीं

जबकि चेन-ऑफ-थॉट (सीओटी) ने एलएलएम के प्रदर्शन में सुधार किया है तर्क-उन्मुख कार्यों जैसे गणित शब्द समस्याओं और कोडिंग चुनौतियों पर, यह वास्तविक तर्कशास्त्र में शामिल नहीं है। यह इसलिए है क्योंकि सीओटी प्रक्रियात्मक ज्ञान का पालन करता है, संरचित चरणों पर निर्भर करता है, न कि नए अंतर्दृष्टि उत्पन्न करने के लिए। इसमें कारणात्मकता और अमूर्त संबंधों की वास्तविक समझ का अभाव है, जिसका अर्थ है कि मॉडल विरोधाभासी सोच या परिकल्पनात्मक परिदृश्यों पर विचार नहीं करता है जिन्हें直觉 की आवश्यकता होती है जो देखे गए डेटा से परे है। इसके अलावा, सीओटी प्रशिक्षित पैटर्न से परे अपने दृष्टिकोण को मौलिक रूप से बदलने में सक्षम नहीं है, जो इसकी रचनात्मक रूप से तर्क करने या असामान्य परिदृश्यों में अनुकूलन करने की क्षमता को सीमित करता है।

एलएलएम को वास्तविक तर्क मशीन बनने के लिए क्या चाहिए

तो एलएलएम वास्तव में मानवों की तरह तर्क क्यों नहीं कर सकते? यहाँ कुछ क्षेत्र हैं जहाँ उन्हें सुधार की आवश्यकता है और संभावित दृष्टिकोण हैं जिनसे उन्हें प्राप्त करने में मदद मिल सकती है:

1. प्रतीकात्मक समझ: मानव तर्क अमूर्त प्रतीकों और संबंधों को मानिपुलेट करके काम करता है। एलएलएम, हालांकि, एक वास्तविक प्रतीकात्मक तर्क तंत्र का अभाव है। प्रतीकात्मक एआई या हाइब्रिड मॉडल को एकीकृत करना जो न्यूरल नेटवर्क को औपचारिक तर्क प्रणालियों के साथ जोड़ता है, उनकी वास्तविक तर्क करने की क्षमता में सुधार कर सकता है।
2. कारणात्मक अनुमान: वास्तविक तर्क के लिए कारण और प्रभाव की समझ की आवश्यकता होती है, न कि केवल सांख्यिकीय संबंध। एक मॉडल जो तर्क करता है उसे डेटा से अंतर्निहित सिद्धांतों का अनुमान लगाना चाहिए, न कि केवल अगले टोकन का अनुमान लगाना चाहिए। कारणात्मक एआई में शोध, जो कारण और प्रभाव संबंधों को स्पष्ट रूप से मॉडल करता है, एलएलएम को योजना से तर्क में संक्रमण में मदद कर सकता है।
3. स्व-प्रतिबिंब और मेटाकग्निशन: मानव लगातार अपनी सोच प्रक्रियाओं का मूल्यांकन करते हैं और पूछते हैं “क्या यह निष्कर्ष समझ में आता है?”। एलएलएम, दूसरी ओर, स्व-प्रतिबिंब के लिए एक तंत्र का अभाव है। मॉडल बनाना जो अपने स्वयं के आउटपुट का मूल्यांकन कर सकता है तर्क की दिशा में एक कदम होगा।
4. सामान्य ज्ञान और直觉: एलएलएम के पास विशाल ज्ञान तक पहुंच है, लेकिन वे अक्सर मूल सामान्य ज्ञान तर्क से जूझते हैं। यह इसलिए है क्योंकि वे वास्तविक दुनिया के अनुभवों से वंचित हैं जो उनकी直觉 को आकार देते हैं, और वे आसानी से उन अजीबताओं को नहीं पहचान पाते हैं जिन्हें मानव तुरंत उठा लेते हैं। वे दुनिया को उस तरह से नहीं समझते हैं जैसे मानव करते हैं। एक सामान्य ज्ञान इंजन के साथ एक मॉडल बनाना जो वास्तविक दुनिया के संवेदी इनपुट को एकीकृत करता है या ज्ञान ग्राफ का उपयोग करके मॉडल को दुनिया को बेहतर ढंग से समझने में मदद कर सकता है।
5. विरोधाभासी सोच: मानव तर्क अक्सर “क्या होगा अगर चीजें अलग थीं?” जैसे प्रश्नों को शामिल करता है। एलएलएम इन प्रकार की “क्या होगा अगर” परिदृश्यों के साथ संघर्ष करते हैं क्योंकि वे देखे गए डेटा से सीमित हैं। मॉडल को मानवों की तरह इन स्थितियों में सोचने के लिए, उन्हें परिकल्पनात्मक परिदृश्यों का अनुकरण करने और परिवर्तनीय में परिवर्तन के प्रभाव को समझने में सक्षम होने की आवश्यकता होगी। उन्हें विभिन्न संभावनाओं का परीक्षण करने और नए अंतर्दृष्टि उत्पन्न करने में सक्षम होने की आवश्यकता होगी, न कि केवल देखे गए डेटा के आधार पर भविष्यवाणी करने के लिए। इन क्षमताओं के बिना, एलएलएम वास्तविक विकल्प नहीं कर सकते – वे केवल देखे गए डेटा के साथ काम कर सकते हैं।

निष्कर्ष

जबकि एलएलएम तर्क करने का प्रतीत हो सकता है, वे वास्तव में जटिल समस्याओं को हल करने के लिए योजना तकनीकों पर भरोसा कर रहे हैं। चाहे वह एक गणित समस्या का समाधान हो या तार्किक निष्कर्ष, वे मूल रूप से ज्ञात पैटर्न को एक संरचित तरीके से व्यवस्थित कर रहे हैं, न कि उनके पीछे के सिद्धांतों को गहराई से समझ रहे हैं। यह अंतर एआई अनुसंधान में महत्वपूर्ण है क्योंकि यदि हम योजना को तर्क के रूप में गलत समझते हैं, तो हम एआई की वास्तविक क्षमताओं को अधिक आंक सकते हैं।

वास्तविक तर्क एआई की दिशा में आगे बढ़ने के लिए, टोकन भविष्यवाणी और संभाव्य योजना से परे मौलिक प्रगति की आवश्यकता होगी। इसमें प्रतीकात्मक तर्क, कारणात्मक समझ और मेटाकग्निशन में सफलता की आवश्यकता होगी। तब तक, एलएलएम संरचित समस्या-समाधान के लिए शक्तिशाली उपकरण बने रहेंगे, लेकिन वे वास्तव में मानवों की तरह नहीं सोचेंगे।