क्यों एआई अभी भी मानवों की तरह बुनियादी भौतिकी को समझने में असमर्थ है

आर्टिफ़िशियल इंटेलिजेंस दुनिया के चैंपियनों को शतरंज में हरा सकता है, आकर्षक कला बना सकता है, और ऐसा कोड लिख सकता है जिसे मानवों को दिनों का समय लगेगा। फिर भी, जब यह समझने की बात आती है कि एक गेंद नीचे क्यों गिरती है और ऊपर क्यों नहीं, या यह अनुमान लगाने के लिए कि जब आप एक ग्लास को एक टेबल से धक्का देते हैं तो क्या होता है, तो एआई सिस्टम अक्सर ऐसे तरीके से संघर्ष करते हैं जो एक छोटे बच्चे को आश्चर्यचकित करेगा। यह एआई की गणनात्मक शक्ति और इसकी मूलभूत भौतिकी समझ की कमी के बीच का अंतर, वर्तमान रूप में आर्टिफ़िशियल इंटेलिजेंस के बारे में महत्वपूर्ण सीमाओं को प्रकट करता है। जबकि एआई पैटर्न मैचिंग और सांख्यिकीय विश्लेषण में उत्कृष्टता प्राप्त करता है, यह मानवों द्वारा स्वाभाविक रूप से विकसित की गई भौतिक दुनिया की गहरी समझ का अभाव है।

समझ का भ्रम

आधुनिक एआई सिस्टम, विशेष रूप से बड़े भाषा मॉडल, भौतिकी की समझ का भ्रम पैदा करते हैं। वे जटिल समीकरणों को हल कर सकते हैं, थर्मोडायनामिक्स के सिद्धांतों की व्याख्या कर सकते हैं, और यहां तक कि प्रयोगों के डिजाइन में भी मदद कर सकते हैं। हालांकि, यह स्पष्ट प्रतिभा अक्सर मूलभूत सीमाओं को छुपाती है।

हाल के अध्ययनों से पता चलता है कि जबकि एआई टूल्स सिद्धांत-आधारित प्रश्नों में मजबूत प्रदर्शन दिखाते हैं, वे व्यावहारिक समस्या-समाधान में संघर्ष करते हैं, विशेष रूप से गहरी概念ात्मक समझ और जटिल गणनाओं के क्षेत्रों में। यह अंतर विशेष रूप से तब स्पष्ट हो जाता है जब एआई सिस्टम उन परिदृश्यों का सामना करते हैं जिनमें वास्तविक भौतिक तर्क की आवश्यकता होती है, न कि पैटर्न मान्यता की।

एक सरल उदाहरण पर विचार करें: एक उछलती गेंद की ट्रेक्टरी का अनुमान लगाना। एक मानव बच्चा जल्दी से सीखता है कि गेंद कहां गिरेगी, यह ज्ञान विकसित करके जो वस्तुओं के साथ बातचीत के माध्यम से प्राप्त होता है। एआई सिस्टम, सटीक गणितीय मॉडल तक पहुंच के बावजूद, अक्सर वास्तविक दुनिया के परिदृश्यों में सटीक अनुमान लगाने में विफल रहते हैं जहां कई भौतिक सिद्धांत लागू होते हैं।

मानव कैसे स्वाभाविक रूप से भौतिकी सीखते हैं

मानव भौतिकी समझ शुरू होती है इससे पहले कि हम चलना सीखें। शिशुओं को आश्चर्य होता है जब वस्तुएं मूलभूत भौतिक नियमों का उल्लंघन करती हैं, जो भौतिक तर्क के लिए एक अंतर्निहित आधार का सुझाव देता है। यह प्रारंभिक स्वाभाविक भौतिकी लगातार दुनिया के साथ बातचीत के माध्यम से विकसित होती है।

जब एक शिशु एक खिलौना गिराता है, तो वह भौतिकी प्रयोग कर रहा है। वह गुरुत्वाकर्षण, गति और कारण-प्रभाव संबंधों के बारे में सीखता है जो सीधे अनुभव से मिलता है। यह निहित सीखने से मजबूत मानसिक मॉडल बनते हैं जो नए स्थितियों में सामान्य होते हैं।

मानवों के पास मानसिक रूप से भौतिकी को सिम्युलेट करने की उल्लेखनीय क्षमता भी है। हम कल्पना कर सकते हैं कि एक वस्तु को गिराने पर क्या होगा या एक फेंकी गई वस्तु का मार्ग देख सकते हैं। यह मानसिक सिमुलेशन हमें जटिल गणनाओं के बिना भौतिकी के बारे में तर्क करने की अनुमति देता है।

पैटर्न मान्यता का जाल

एआई सिस्टम भौतिकी समस्याओं को मानवों की तुलना में मूलभूत रूप से अलग तरीके से देखते हैं। वे वास्तविक दुनिया के काम करने के तरीके के概念 मॉडल बनाने के बजाय विशाल डेटासेट में पैटर्न मान्यता पर निर्भर करते हैं। यह दृष्टिकोण दोनों ताकत और महत्वपूर्ण कमजोरियों के साथ आता है।

जब वे परिचित समस्याओं का सामना करते हैं जो उनके प्रशिक्षण डेटा से मेल खाते हैं, तो एआई सिस्टम आश्चर्यजनक रूप से सक्षम दिखाई दे सकते हैं। वे पाठ्यपुस्तक भौतिकी समस्याओं को हल कर सकते हैं और यहां तक कि जटिल वैज्ञानिक डेटा में नए पैटर्न भी खोज सकते हैं। हालांकि, यह सफलता अक्सर नाजुक होती है और जब उन्हें नए परिदृश्यों का सामना करना पड़ता है तो विफल हो जाती है।

मुख्य मुद्दा यह है कि एआई सिस्टम कारण और प्रभाव को समझे बिना संबंधों को सीखते हैं। वे यह सीख सकते हैं कि कुछ गणितीय संबंध कुछ परिणामों की भविष्यवाणी करते हैं बिना यह समझे कि वे संबंध क्यों मौजूद हैं या कब वे टूट सकते हैं।

संयोजक तर्क की चुनौती

वर्तमान एआई सिस्टम की एक प्रमुख सीमा यह है कि वे “संयोजक तर्क” के साथ कठिनाई का सामना करते हैं। मानव स्वाभाविक रूप से समझते हैं कि जटिल भौतिक घटनाएं सरल सिद्धांतों के परस्पर क्रिया के परिणाम होती हैं। हम जटिल स्थितियों को उनके घटक भागों में तोड़ सकते हैं और उनके बीच की बातचीत के बारे में तर्क कर सकते हैं।

एआई सिस्टम अक्सर इस प्रकार की स्तरीय समझ में संघर्ष करते हैं। वे विशिष्ट पैटर्न को पहचानने में उत्कृष्टता प्राप्त कर सकते हैं लेकिन मूलभूत भौतिक सिद्धांतों के संयोजन से उत्पन्न जटिल व्यवहार को समझने में विफल रहते हैं। यह सीमा विशेष रूप से तब स्पष्ट हो जाती है जब कई वस्तुओं या प्रणालियों के बीच परस्पर क्रिया शामिल होती है।

उदाहरण के लिए, जबकि एक एआई अलग-अलग समस्याओं को घिसाव, गुरुत्वाकर्षण और गति के बारे में सटीक रूप से हल कर सकता है, यह एक नए परिदृश्य में इन तीनों कारकों के परस्पर क्रिया की भविष्यवाणी करने में संघर्ष कर सकता है।

निहित समस्या

मानव भौतिकी समझ गहराई से हमारे दुनिया के साथ शारीरिक अनुभव से जुड़ी हुई है। हम बल और प्रतिरोध की अवधारणाओं को हमारी मांसपेशियों के माध्यम से, संतुलन को हमारे आंतरिक कान के माध्यम से, और गति को हमारी गति के माध्यम से समझते हैं। यह निहित समझ भौतिक तर्क के लिए एक समृद्ध आधार प्रदान करती है।

वर्तमान एआई सिस्टम इस निहित अनुभव का अभाव है। वे भौतिकी को अमूर्त गणितीय संबंधों के रूप में संसाधित करते हैं, न कि जीवित अनुभवों के रूप में। यह शारीरिक निहितता की अनुपस्थिति एक कारण हो सकती है कि एआई सिस्टम अक्सर उन सरल भौतिक तर्क कार्यों में संघर्ष करते हैं जिन्हें छोटे बच्चे आसानी से मास्टर कर लेते हैं।

रोबोटिक्स और निहित एआई में अनुसंधान इस सीमा को संबोधित करने का प्रयास कर रहा है, लेकिन हम अभी भी उन प्रणालियों से दूर हैं जो मानव शारीरिक समझ को मैच कर सकती हैं जो दुनिया के साथ एक जीवनकाल की शारीरिक बातचीत के माध्यम से विकसित होती है।

जब सांख्यिकी वास्तविकता से मिलती है

एआई सिस्टम बड़े डेटासेट में सांख्यिकीय पैटर्न खोजने में उत्कृष्टता प्राप्त करते हैं, लेकिन भौतिकी सिर्फ सांख्यिकी नहीं है। भौतिक नियम दुनिया के बारे में मूलभूत सत्य का प्रतिनिधित्व करते हैं, न कि केवल पर्यवेक्षित संबंध। यह अंतर तब महत्वपूर्ण हो जाता है जब किनारे के मामलों या नए परिदृश्यों से निपटना होता है।

हाल के शोध से पता चलता है कि एआई आमतौर पर गहरी概念ात्मक समझ के क्षेत्रों में अपनी सीमाओं को पहचानने में संघर्ष करता है। यह स्व-जागरूकता की कमी उन्हें भौतिक परिदृश्यों में आत्मविश्वास से लेकिन गलत भविष्यवाणियां करने के लिए प्रेरित कर सकती है।

सिमुलेशन गैप

मानव स्वाभाविक रूप से भौतिक परिदृश्यों के मानसिक सिमुलेशन चलाते हैं। हम एक वस्तु को गिराने और उसकी ट्रेक्टरी की भविष्यवाणी करने की कल्पना कर सकते हैं, या एक पाइप के माध्यम से पानी के प्रवाह को देखने की कल्पना कर सकते हैं। ये मानसिक मॉडल हमें गणितीय सूत्रों को याद रखने के बिना भौतिकी के बारे में तर्क करने की अनुमति देते हैं।

जबकि एआई सिस्टम जटिल भौतिक सिमुलेशन चला सकते हैं, वे अक्सर इन सिमुलेशन को स्वाभाविक समझ से जोड़ने में संघर्ष करते हैं। वे एक प्रणाली के गणितीय व्यवहार को सटीक रूप से मॉडल कर सकते हैं बिना यह समझे कि यह व्यवहार क्यों होता है या यह किन परिस्थितियों में बदल सकता है।

संदर्भ समस्या

मानव भौतिकी समझ असाधारण रूप से लचीली और संदर्भ-जागरूक है। हम स्वचालित रूप से अपनी अपेक्षाओं को स्थिति के अनुसार समायोजित करते हैं। हम जानते हैं कि वस्तुएं पानी में वायु में अलग व्यवहार करती हैं, या कि एक ही सिद्धांत अलग-अलग स्केल पर अलग-अलग तरीके से लागू होते हैं।

एआई सिस्टम अक्सर इस प्रकार के संदर्भ तर्क में संघर्ष करते हैं। वे सीखे हुए पैटर्न को अनुचित रूप से लागू कर सकते हैं या यह पहचानने में विफल हो सकते हैं कि जब संदर्भ बदलता है तो प्रासंगिक भौतिक सिद्धांत बदल जाते हैं। यह लचीलापन उनकी जटिल भौतिक परिदृश्यों से निपटने की क्षमता को सीमित करता है जिन्हें मानव आसानी से नेविगेट करते हैं।

चुनौती तकनीकी नहीं है, बल्कि अवधारणात्मक है। एआई सिस्टम को संदर्भ समझने के लिए सिखाने के लिए बेहतर अल्गोरिदम से अधिक की आवश्यकता है; यह मशीन समझ के दृष्टिकोण में मूलभूत प्रगति की आवश्यकता है।

पैटर्न मान्यता से परे

एआई में भौतिकी समझ की सीमाएं गहरी बुद्धिमत्ता और समझ की प्रकृति के बारे में सवाल उठाती हैं। सच्ची भौतिकी समझ प्रतीत होती है कि पैटर्न मान्यता और सांख्यिकीय विश्लेषण से अधिक की आवश्यकता होती है।

मानव एक “कारण संबंधी मॉडल” विकसित करते हैं जो दुनिया को समझने के लिए क्या होता है, क्यों होता है और किन परिस्थितियों में होता है। यह कारण संबंधी समझ हमें नए स्थितियों में सामान्य करने और अनुमान लगाने की अनुमति देती है जिन्हें हमने पहले कभी नहीं देखा है।

वर्तमान एआई सिस्टम, उनकी प्रभावशाली क्षमताओं के बावजूद, मुख्य रूप से परिष्कृत पैटर्न मान्यता के माध्यम से काम करते हैं। वे गहरे कारण संबंधी मॉडल का अभाव है जो मजबूत भौतिक तर्क के लिए आवश्यक प्रतीत होते हैं।

भविष्य की दिशा

शोधकर्ता एआई गणना और मानव जैसी भौतिकी समझ के बीच के अंतर को पाटने के लिए कई दृष्टिकोणों पर सक्रिय रूप से काम कर रहे हैं। इनमें अधिक परिष्कृत तर्क मॉडल विकसित करना, निहित सीखने को शामिल करना, और ऐसी प्रणालियों का निर्माण करना शामिल है जो भौतिक दुनिया के कारण संबंधी मॉडल बना और परीक्षण कर सकती हैं।

हाल की प्रगति में विकासात्मक मनोविज्ञान से प्रेरित गहरे शिक्षण प्रणाली शामिल हैं जो दुनिया के मूलभूत नियमों को सीख सकती हैं, जैसे कि वस्तु की ठोसता और स्थायित्व। हालांकि वादा दिखाई दे रहा है, ये प्रणालियाँ अभी भी मानव स्वाभाविक भौतिकी से बहुत पीछे हैं।

नीचे की पंक्ति

जबकि एआई कई क्षेत्रों में तेजी से आगे बढ़ रहा है, मूलभूत भौतिकी समझ अभी भी एक महत्वपूर्ण चुनौती है। मानव समझ और एआई क्षमता के बीच का अंतर इस डोमेन में जैविक और कृत्रिम प्रणालियों द्वारा जानकारी के प्रसंस्करण में मूलभूत अंतर को प्रकट करता है।

एआई प्रणालियों को वास्तव में भौतिकी को मानवों की तरह समझने की यात्रा में मशीन लर्निंग और आर्टिफ़िशियल इंटेलिजेंस के दृष्टिकोण में मूलभूत प्रगति की आवश्यकता होगी। तब तक, जो तीन साल का बच्चा आत्मविश्वास से एक उछलती गेंद के जहां गिरने की भविष्यवाणी कर सकता है, वह इस बुनियादी बुद्धिमत्ता के पहलू में हमारी सबसे परिष्कृत एआई प्रणालियों से आगे है।