मानव की सोच जैसी सोच: क्या एआई विश्लेषणात्मक तर्क विकसित कर सकता है?

जब हमें कुछ नया मिलता है, तो हमारा दिमाग स्वचालित रूप से तुलना करने लगता है। एक बच्चा जो परमाणुओं के बारे में सीख रहा है, वह सुन सकता है कि इलेक्ट्रॉन नाभिक के चारों ओर “सूर्य के चारों ओर ग्रहों की तरह” घूमते हैं। एक उद्यमी अपने स्टार्टअप को “पालतू जानवरों के लिए उबेर” के रूप में पेश कर सकता है। एक वैज्ञानिक एक गैर-विशेषज्ञ दर्शकों को बता सकता है कि मस्तिष्क जानकारी “कंप्यूटर की तरह” संसाधित करता है।

यह मानसिक छलांग – एक चीज़ की गहरी संरचना में दूसरी चीज़ की समानता देखना – विश्लेषणात्मक तर्क कहलाता है। और यह शायद वह तत्व है जो मानव बुद्धिमत्ता को वर्तमान में एआई से अलग करता है। यदि हम कभी वास्तविक सामान्य बुद्धिमत्ता विकसित करना चाहते हैं – एआई का वह पवित्र ग्रेल जो अब तक दुर्लभ साबित हुआ है – तो हमें यह पता लगाना होगा कि क्या यह संभव है कि मशीनें विश्लेषणात्मक रूप से सोचें। दांव बहुत अधिक नहीं हो सकते हैं। यदि उत्तर “नहीं” है, तो यहां तक ​​कि सबसे जटिल एआई प्रणालियां भी हमेशा के लिए महज गणित करने वाली मशीनों से ज्यादा कुछ नहीं रहेंगी। वे उन समस्याओं का समाधान नहीं कर पाएंगी जिन्हें हल करने के लिए केवल डेटा को पुनर्व्यवस्थित करने से ज्यादा कुछ करने की जरूरत है।

समझ का संरचना

विश्लेषणात्मक तर्क सतही समानताओं के स्तर पर नहीं, बल्कि संरचनात्मक समानताओं के स्तर पर काम करता है। उदाहरण के लिए, दिल और पानी के पंप में क्या समानता है? निश्चित रूप से उनकी शारीरिक उपस्थिति नहीं। यह तथ्य है कि दोनों एक ही कार्य करते हैं, अर्थात् एक प्रणाली में तरल पदार्थ को परिसंचारित करना। और यही क्षमता एक संदर्भ में संबंधों को दूसरे संदर्भ में मैप करने की है जो मानव सीखने, रचनात्मकता और समस्या-समाधान को इतना अनोखा बनाती है।

वास्तविक दुनिया के उदाहरणों की कोई कमी नहीं है। अगस्ट केकुले, एक प्रतिभाशाली जर्मन रसायनज्ञ, जिन्हें बेंजीन की संरचना के बारे में एक सपने में एक सांप को अपनी पूंछ को काटते हुए देखने का संकेत मिला था। आज, प्रोग्रामर कोड को संरचित करने के लिए रसोई को व्यवस्थित करने से सीखे गए सबक को लागू करते हैं, और शिक्षक पाइपों के माध्यम से पानी के प्रवाह की तुलना करके विद्युत प्रवाह की व्याख्या करते हैं।

हालांकि, वर्तमान एआई प्रणालियों को यह सामान्य संज्ञानात्मक कौशल बहुत मुश्किल लगता है। जब प्रेरित किया जाता है, तो आधुनिक बड़े भाषा मॉडल (एलएलएम) खुशी से बताएंगे कि “समय पैसा है,” या मौखिक तर्क के पहेलियों को पूरा करेंगे। लेकिन बढ़ते साक्ष्य सुझाव देते हैं कि वे अक्सर वास्तविक संरचनात्मक मैपिंग के बजाय परिष्कृत पैटर्न मिलान में संलग्न हैं। जब शोधकर्ता इन मॉडलों को उनके प्रशिक्षण डेटा से विचलित करने वाली नई विश्लेषणात्मक समस्याओं के साथ प्रस्तुत करते हैं, तो प्रदर्शन अक्सर गिर जाता है। इसका कारण यह है कि एलएलएम वे एनालॉगी को पुन: उत्पन्न करने में उत्कृष्टता प्राप्त करते हैं जिन्हें उन्होंने पहले देखा है, लेकिन नए संबंध बनाने के लिए कहा जाने पर वे लड़खड़ा जाते हैं।

कोई विश्लेषणात्मक तर्क, कोई एजीआई नहीं

स्पष्ट रूप से, विश्लेषणात्मक तर्क एजीआई का साइन क्वा नॉन है। इसके बिना, एआई प्रणालियां भंगुर रहती हैं, किसी एक डोमेन में प्रासंगिक ज्ञान को दूसरे डोमेन में समस्याओं का समाधान करने में असमर्थ होती हैं। उदाहरण के लिए, एक स्व-ड्राइविंग कार जिसने कैलिफोर्निया की धूप वाली सड़कों पर नेविगेट करना सीखा है, लेकिन बर्फीली स्थितियों में सीखने का विस्तार नहीं कर सकती है। कार की एआई प्रणाली एक महंगी पैटर्न मैचर है, न कि वास्तविक बुद्धिमत्ता वाली प्रणाली। सच्ची बुद्धिमत्ता के लिए संज्ञानात्मक लचीलेपन की आवश्यकता होगी कि यह पहचाना जा सके कि बर्फीली सड़कों पर ड्राइविंग अन्य फिसलन वाली सतहों के दृश्यों से संरचनात्मक रूप से तुलनीय है, भले ही विवरण अलग हों।

यही सिद्धांत स्वायत्त वाहनों से परे डोमेन में भी लागू होता है, जैसे कि विज्ञान, चिकित्सा निदान, कानूनी तर्क और रचनात्मक प्रयासों में। विश्लेषणात्मक सोच की यह कमी वाली एआई प्रणालियां एक विद्वान की तरह हैं जिसने पूरी लाइब्रेरी को कंठस्थ कर लिया है, लेकिन ज्ञान को विषयों के पार संश्लेषित नहीं कर सकता है। प्रभावशाली, हाँ, लेकिन केवल एक संकीर्ण सीमित तरीके से।

विश्लेषणात्मक मन का निर्माण

तो मानव जैसी विश्लेषणात्मक तर्क वाली एआई प्रणालियों को विकसित करने के लिए क्या आवश्यक होगा? उभरते शोध और विश्लेषणात्मक सोच की मूल प्रकृति के आधार पर, कई महत्वपूर्ण शर्तें और तकनीकें आवश्यक लगती हैं।

संरचनात्मक रूप से समृद्ध और विविध प्रशिक्षण डेटा

पहली आवश्यकता यह है कि एआई प्रणालियों को सतही स्तर के पैटर्न से परे डेटा पर प्रशिक्षित किया जाए। इंटरनेट, जिसमें वैज्ञानिक पत्र, तकनीकी दस्तावेज, रचनात्मक कार्य और व्याख्यात्मक सामग्री का विशाल भंडार है, एक अच्छा प्रारंभिक बिंदु है। लेकिन किसी भी इंटरनेट डेटा काम नहीं करेगा। जो आवश्यक है वह संरचनात्मक विविधता है। दूसरे शब्दों में, एआई प्रणालियों को सabstract पैटर्न को सीखने के लिए मार्गदर्शन करने के लिए, विकासकों को उन्हें प्रशिक्षण के पहले दिन से ही विरोधाभासों के साथ प्रस्तुत करना चाहिए। उनके प्रशिक्षण डेटा में वास्तुकला के नीले रंग, संगीत स्कोर, गणितीय प्रमाण, कविता या कानूनी तर्क के साथ-साथ खाना पकाने की नुस्खा हो सकती है। चूंकि प्रत्येक डोमेन अलग-अलग प्रकार के संबंध संरचनाओं को दर्शाता है, एक एआई-टू-बी इस तरह के अभ्यास से लाभान्वित होगा।

इसके अलावा, इस डेटा को संरचनात्मक संबंधों को संरक्षित और उजागर करने की आवश्यकता है, न कि केवल सांख्यिकीय संबंधों को। ज्ञान ग्राफ, कारण ग्राफ और स्पष्ट रूप से मैप किए गए संबंध अवधारणाओं के बीच एआई प्रणालियों को संरचना को “देखने” सिखाने में मदद कर सकते हैं, न कि यांत्रिक रूप से संबंधों को याद रखने में। इसे एआई को सिखाने के रूप में सोचें कि चीजें क्या हैं, लेकिन वे कैसे सिद्धांतों में एक दूसरे से संबंधित हैं।

प्रशिक्षण सेट से परे परीक्षण

यह सुनिश्चित करने के लिए कि एआई प्रणालियां वास्तव में विश्लेषणात्मक रूप से सोच रही हैं और केवल अपनी अनुकरण कौशल में सुधार नहीं कर रही हैं, हमें उन्हें जानबूझकर उनकी संरचना को पहले से कभी नहीं देखे गए स्थितियों पर मैप करने की क्षमता का परीक्षण करने वाले उपकरणों की आवश्यकता है। इसका अर्थ है जानबूझकर “विरोधाभासी” कार्य बनाना – जो शोधकर्ता कहते हैं।

उदाहरण के लिए, एआई से मानक एनालॉगी पूरा करने के बजाय जैसे “पपी कुत्ते के लिए है जैसे बिल्ली का बच्चा _______ के लिए है,” हमें उन्हें उन समस्याओं के साथ प्रस्तुत करना चाहिए जो आविष्कृत अवधारणाओं का उपयोग करती हैं या उन्हें ऐसे डोमेन के बीच संबंधों को मैप करने के लिए कहती हैं जिन्हें उन्होंने पहले जोड़ा नहीं है। क्या यह पहचान सकता है कि सामग्री और नुस्खे के बीच संबंध कानूनी तर्क के लिए साक्ष्य के बीच संबंध के समानांतर है, भले ही यह विशिष्ट तुलना पहले कभी नहीं देखी गई हो? ऐसे परीक्षण यह प्रकट करेंगे कि क्या प्रणाली वास्तव में संरचनात्मक संबंधों को समझती है या केवल उदाहरणों को याद करती है।

मायने रखने वाले उपाय

एआई डेवलपर्स के लिए अच्छी खबर यह है कि संज्ञानात्मक विज्ञान में दशकों का शोध है जो विशेष रूप से मानव विश्लेषणात्मक तर्क की प्रक्रिया से संबंधित है। वे विश्लेषणात्मक तर्क के लिए मजबूत बेंचमार्क विकसित करने के लिए इस शोध का उपयोग कर सकते हैं। हालांकि, इन बेंचमार्क को केवल एनालॉगी परीक्षणों में सही उत्तरों की गिनती से परे जाने की आवश्यकता है। जो वास्तव में आवश्यक है वह उन मेट्रिक्स हैं जो यह पकड़ लें कि एआई प्रणालियां कौन से संबंधों को मैप करने के लिए प्रासंगिक हैं और कौन से नहीं, जबकि सतही समानताओं की उपेक्षा करते हुए और अपने मैपिंग में संगति बनाए रखते हैं।

इसका मतलब यह हो सकता है कि उच्च-क्रम संबंधों की पहचान करने वाली प्रणालियों को पुरस्कृत करने वाली स्कोरिंग प्रणाली। उदाहरण के लिए, एक एआई अधिक स्कोर करेगा यदि यह न केवल पहचान सकता है कि परमाणु और सौर मंडल दोनों में कक्षा होती है, बल्कि यह भी समझता है कि उन कक्षाओं को नियंत्रित करने वाले कारण संबंध हैं। एक और प्रवीणता जिसका मूल्यांकन किया जा सकता है कि क्या एआई नए अवधारणाओं को समझाने के लिए उपयुक्त एनालॉगी को स्वाभाविक रूप से उत्पन्न कर सकता है, न कि केवल पूर्व-निर्मित एनालॉगी समस्याओं को पूरा करने के लिए।

प्रॉम्प्टिंग के माध्यम से स्कैफोल्डिंग

हाल के शोध से पता चलता है कि एआई की विश्लेषणात्मक सोच की क्षमता बड़े पैमाने पर इस बात पर निर्भर करती है कि इसे ऐसा करने के लिए कैसे कहा जाता है। विश्लेषणात्मक प्रॉम्प्टिंग – मॉडल को संरचनात्मक मैपिंग की प्रक्रिया के माध्यम से मार्गदर्शन करना – सरल समस्याओं की तुलना में अधिक परिष्कृत तर्क प्राप्त कर सकता है। इसका मतलब यह हो सकता है कि पहले प्रणाली से स्रोत डोमेन में संबंधों की पहचान करने के लिए कहा जाता है, फिर स्पष्ट रूप से उन संबंधों को लक्ष्य डोमेन पर मैप करने के लिए कहा जाता है।

यह तकनीक दोहरे उद्देश्यों की служा सकती है: वर्तमान एआई प्रणालियों की विश्लेषणात्मक क्षमताओं में सुधार करना और साथ ही साथ भविष्य के मॉडलों के लिए प्रशिक्षण डेटा उत्पन्न करना। विश्लेषणात्मक तर्क के मार्गदर्शन वाले सफल उदाहरणों को रिकॉर्ड करके, ऐसे उदाहरण तैयार किए जा सकते हैं जो बाद की प्रणालियों को इस प्रक्रिया में अधिक स्वाभाविक रूप से संलग्न होने के लिए सिखा सकते हैं।

हाइब्रिड आर्किटेक्चर

मानव जैसी विश्लेषणात्मक तर्क प्राप्त करने के लिए शुद्ध तंत्रिका नेटवर्क दृष्टिकोण से परे जाने की आवश्यकता हो सकती है। पैटर्न मान्यता के साथ प्रतीकात्मक तर्क को जोड़ने वाली हाइब्रिड प्रणालियाँ – जो स्पष्ट रूप से संरचनात्मक संबंधों का प्रतिनिधित्व करती हैं और मैनिपुलेट करती हैं – लापता टुकड़ा प्रदान कर सकती हैं। जबकि तंत्रिका नेटवर्क निहित पैटर्न सीखने में उत्कृष्ट हैं, प्रतीकात्मक प्रणालियां विश्लेषणात्मक तर्क द्वारा मांगी गई संरचनात्मक संगति और तार्किक मैपिंग को लागू कर सकती हैं।

हाइब्रिड आर्किटेक्चर अभी भी अपनी प्रारंभिक अवस्था में हैं, लेकिन शोधकर्ता उनकी संभावना का सक्रिय रूप से अन्वेषण कर रहे हैं। कुछ तंत्रिका नेटवर्क को प्रतीकात्मक तर्क के साथ जोड़ने का तर्क देते हैं जो बेहतर विश्लेषणात्मक क्षमताओं की ओर ले जा सकता है। अन्य हाइब्रिड मॉडल को बढ़ावा देते हैं जो एआई मॉडल की प्रवृत्ति को संबोधित करने के लिए डिज़ाइन किए गए हैं जो उथले तरीके से सोचते हैं और विश्लेषणात्मक रूप से सोचते हैं।

अब आगे क्या?

जिस पर आप निर्भर करते हैं, विश्लेषणात्मक तर्क या तो पहले से ही उभर रहा है या एआई बस अपनी नकल कौशल में अधिक परिष्कृत हो रहा है। जो भी स्थिति सच है, यह स्पष्ट है कि यदि एआई के सपने को साकार करना है, तो इसके लिए केवल बड़े मॉडल या अधिक डेटा से ज्यादा की जरूरत होगी। इसके लिए हमारी एआई प्रणालियों को संरचित, प्रशिक्षित और मूल्यांकित करने में कुछ मूलभूत नवाचारों की आवश्यकता होगी।

जैसे ही एआई की परिवर्तनकारी क्षमताएं खुलती हैं, विश्लेषणात्मक तर्क दोनों का प्रतिनिधित्व करता है – प्रदर्शन के लिए एक महत्वपूर्ण बेंचमार्क और वास्तविक मानव संज्ञान के बीच के अंतर की एक संयमित याद दिलाता है। जब एक एआई प्रणाली देख सकती है कि लोकतंत्र नागरिकों के लिए क्या है, एक ऑर्केस्ट्रा संगीतकारों के लिए है – गहरी संरचनात्मक संबंधों को पहचानते हुए समन्वय, प्रतिनिधित्व और उद्भव संगीत के बारे में – तो यह सच्ची बुद्धिमत्ता की ओर एक महत्वपूर्ण सीमा पार कर चुकी होगी।