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

एक शोध दल ने एक व्यापक अध्ययन प्रकाशित किया जिसमें 192,000 से अधिक तर्क ट्रेस का विश्लेषण किया गया, जो बड़े भाषा मॉडल (एलएलएम) से लिए गए थे, यह दर्शाते हुए कि एआई प्रणाली मानव द्वारा प्राकृतिक रूप से नियोजित पदानुक्रमित संज्ञानात्मक प्रक्रियाओं के बजाय उथले, रैखिक रणनीतियों पर निर्भर करती 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-सोच निशान के साथ की गई, जो विशेष रूप से अध्ययन के लिए एकत्र किए गए थे। 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 देखने के लिए कि वे उन निष्कर्षों पर कैसे पहुंचते हैं।

संज्ञानात्मक वास्तुकला में मूलभूत अंतर

मानव तर्क लगातार पदानुक्रमित नेस्टिंग और मेटा-संज्ञानात्मक निगरानी का प्रदर्शन करता है – अपनी सोच प्रक्रियाओं पर प्रतिबिंबित करने और विनियमित करने की क्षमता। मानव जानकारी को आसानी से नेस्टेड संरचनाओं में व्यवस्थित करते हुए 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 की विशेषता वाली पदानुक्रमित संगठन या आत्म-प्रतिबिंब नहीं होता है। यह विचलन तब सबसे अधिक स्पष्ट हो जाता है जब कार्य अस्पष्ट या अस्पष्ट होते हैं, जहां मानव अनुकूलन क्षमता काफी हद तक एआई दृष्टिकोण से बेहतर होती है।

अध्ययन में पाया गया कि भाषा मॉडल में सफल तर्क से जुड़े व्यवहार घटक होते हैं, लेकिन अक्सर उन्हें स्वतःस्फूर्त रूप से तैनात नहीं करते हैं। प्रदर्शन समस्या प्रकार के अनुसार नाटकीय रूप से भिन्न होता है: दुविधा तर्क में सबसे अधिक परिवर्तनशीलता प्रदर्शित करता है, जिसमें छोटे मॉडल काफी संघर्ष करते हैं, जबकि तार्किक तर्क में मध्यम प्रदर्शन दिखाया गया, जिसमें बड़े मॉडल आमतौर पर छोटे लोगों की तुलना में बेहतर प्रदर्शन करते थे। मॉडल में विरोधाभासी कमजोरियां होती हैं, जो जटिल कार्यों पर सफल होती हैं जबकि सरल संस्करणों पर विफल हो जाती हैं।

मार्गदर्शित तर्क के माध्यम से प्रदर्शन में सुधार

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

मानव और एआई तर्क के बीच का अंतर जटिलता बढ़ने के साथ चौड़ा हो जाता है। जबकि मॉडल आगे की श्रृंखला के माध्यम से सीधी समस्याओं को संभाल सकते हैं, वे उन प्रकार की पुनरावृत्ति, स्व-निगरानी रणनीतियों के साथ संघर्ष करते हैं जो मानव प्राकृतिक रूप से अस्पष्ट या बहुस्तरीय चुनौतियों का सामना करते समय तैनात 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 यह निर्धारित करने में सक्षम बनाता है कि एआई तर्क कहां टूट जाता है, सिर्फ सटीकता स्कोर को मापने के बजाय।

एआई विकास के लिए निहितार्थ

निष्कर्ष वर्तमान एआई प्रणालियों में एक मूलभूत सीमा को उजागर करते हैं: गणनात्मक क्षमता और वास्तविक संज्ञानात्मक परिष्कार के बीच का अंतर। बड़े डेटासेट पर प्रशिक्षित मॉडल कई कार्यों पर सही उत्तरों तक पैटर्न-मैचिंग करके पहुंच सकते हैं, लेकिन मानव समस्या-समाधान की विशेषता वाले प्रतिबिंबित, पदानुक्रमित सोच की कमी 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 का अधिक प्रभावी ढंग से उपयोग कर सकते हैं।

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