शोध से पता चलता है कि एलएलएम जटिलता बढ़ने पर सरल तर्क का उपयोग करते हैं

एक शोध दल ने एक व्यापक अध्ययन 20 नवंबर को प्रकाशित किया जिसमें बड़े भाषा मॉडल (एलएलएम) से 192,000 से अधिक तर्क ट्रेस का विश्लेषण किया गया, जिससे पता चलता है कि एआई सिस्टम मानव द्वारा प्राकृतिक रूप से नियोजित हिरार्किकल संज्ञानात्मक प्रक्रियाओं के बजाय उथले, रैखिक रणनीतियों पर निर्भर करते हैं।

शोध दल ने 18 अलग-अलग मॉडलों की जांच की, जिनमें पाठ, दृष्टि और ऑडियो तर्क कार्य शामिल थे, और उनके दृष्टिकोण की तुलना 54 मानव विचार-जोर से निर्धारित की गई, जो विशेष रूप से अध्ययन के लिए एकत्र की गई थी। विश्लेषण ने 28 संज्ञानात्मक तत्वों की एक टैक्सोनॉमी स्थापित की, जिसमें गणनात्मक प्रतिबंध, मेटा-संज्ञानात्मक नियंत्रण, ज्ञान प्रतिनिधित्व और परिवर्तन संचालन शामिल हैं – एक ढांचा प्रदान करता है जो मॉडल के निष्कर्षों का मूल्यांकन करने के लिए नहीं बल्कि यह भी बताता है कि वे उन निष्कर्षों पर कैसे पहुंचते हैं।

संज्ञानात्मक वास्तुकला में मूलभूत अंतर

मानव तर्क में निरंतर रूप से हिरार्किकल नेस्टिंग और मेटा-संज्ञानात्मक निगरानी – अपनी सोच प्रक्रियाओं पर प्रतिबिंबित करने और विनियमित करने की क्षमता प्रदर्शित होती है। मानव जानकारी को तरल रूप से नेस्टेड संरचनाओं में व्यवस्थित करते हैं, जबकि जटिल समस्याओं के माध्यम से अपनी प्रगति को सक्रिय रूप से ट्रैक करते हैं।

एलएलएम मुख्य रूप से उथले आगे की श्रृंखला का उपयोग करते हैं, जो समस्याओं के माध्यम से कदम दर कदम बढ़ते हैं जिसमें मानव संज्ञान में विशिष्ट हिरार्किकल संगठन या आत्म-प्रतिबिंब नहीं होता है। यह विचलन सबसे ज्यादा तब दिखाई देता है जब कार्य अस्पष्ट या अस्पष्ट होते हैं, जहां मानव अनुकूलन क्षमता काफी अधिक होती है एआई दृष्टिकोण की तुलना में।

अध्ययन में पाया गया कि भाषा मॉडल में सफल तर्क से जुड़े व्यवहार घटक होते हैं, लेकिन अक्सर उन्हें स्वतःस्फूर्त रूप से तैनात करने में विफल रहते हैं। प्रदर्शन समस्या प्रकार के अनुसार नाटकीय रूप से भिन्न होता है: दुविधा तर्क में सबसे अधिक विचलन देखा गया, जहां छोटे मॉडल काफी संघर्ष करते हैं, जबकि तार्किक तर्क में मध्यम प्रदर्शन देखा गया, जहां बड़े मॉडल आमतौर पर छोटे मॉडल को बेहतर प्रदर्शन करते हैं। मॉडल में विरोधाभासी कमजोरियां होती हैं, जो जटिल कार्यों पर सफल होती हैं जबकि सरल संस्करणों पर विफल होती हैं।

मार्गदर्शित तर्क के माध्यम से प्रदर्शन में सुधार

शोध दल ने परीक्षण-समय तर्क मार्गदर्शन विकसित किया जो सफल संज्ञानात्मक संरचनाओं को स्वचालित रूप से तैयार करता है, जो मॉडल को अधिक मानव-जैसे तर्क दृष्टिकोण को अपनाने के लिए प्रेरित करने पर जटिल समस्याओं पर 66.7% तक के प्रदर्शन में सुधार दिखाता है। यह निष्कर्ष सुझाव देता है कि एलएलएम में अधिक परिष्कृत तर्क के लिए छिपी हुई क्षमताएं हैं, लेकिन उन्हें प्रभावी ढंग से नियोजित करने के लिए उन्हें स्पष्ट मार्गदर्शन की आवश्यकता होती है।

मानव और एआई तर्क के बीच का अंतर जटिलता बढ़ने के साथ चौड़ा हो जाता है। जबकि मॉडल सीधे समस्याओं को आगे की श्रृंखला के माध्यम से संभाल सकते हैं, वे अस्पष्ट या बहुस्तरीय चुनौतियों का सामना करते समय मानव द्वारा प्राकृतिक रूप से तैनात पुनरावृत्ति, स्व-निगरानी रणनीतियों से संघर्ष करते हैं।

अध्ययन का सार्वजनिक रूप से उपलब्ध डेटासेट भविष्य के शोध के लिए एक बेंचमार्क प्रदान करता है जो कृत्रिम और मानव बुद्धिमत्ता की तुलना करता है। 28 विशिष्ट संज्ञानात्मक तत्वों को मैप करके, ढांचा शोधकर्ताओं को सटीक रूप से इंगित करने में सक्षम बनाता है कि एआई तर्क कहां विफल हो जाता है, न कि केवल सटीकता स्कोर को मापता है।

एआई विकास के लिए निहितार्थ

निष्कर्षों से पता चलता है कि वर्तमान एआई सिस्टम में एक मूलभूत सीमा है: गणनात्मक क्षमता और वास्तविक संज्ञानात्मक परिष्कार के बीच का अंतर। बड़े डेटासेट पर प्रशिक्षित मॉडल कई कार्यों पर सही उत्तर देने के लिए पैटर्न-मिलान का तरीका अपना सकते हैं, लेकिन मानव समस्या-समाधान में विशिष्ट प्रतिबिंबित, हिरार्किकल सोच की कमी होती है।

यह शोध कई डोमेन में पहचाने गए एआई तर्क सीमाओं के बारे में बढ़ती चिंताओं पर आधारित है। मार्गदर्शित तर्क से प्रदर्शन में सुधार सुझाव देता है कि बेहतर प्रॉम्प्टिंग रणनीतियों और वास्तुशिल्प संशोधनों से मॉडल अपनी छिपी हुई तर्क क्षमताओं तक अधिक प्रभावी ढंग से पहुंच सकते हैं।

अध्ययन का सबसे महत्वपूर्ण योगदान इसकी विस्तृत संज्ञानात्मक तत्वों की टैक्सोनॉमी हो सकती है, जो शोधकर्ताओं और विकासकर्ताओं को सुधार के लिए विशिष्ट लक्ष्य प्रदान करती है। तर्क को एक एकल क्षमता के रूप में मानने के बजाय, ढांचा इसे मापने योग्य घटकों में तोड़ता है जिन्हें व्यक्तिगत रूप से प्रशिक्षण संशोधनों या प्रॉम्प्ट इंजीनियरिंग तकनीकों के माध्यम से संबोधित किया जा सकता है।