Using Perspectival Words Is Harder Than Vocabulary Words for Humans and Even More So for Multimodal Language Models
यह शोध पत्र प्रकट करता है कि जहाँ मल्टीमॉडल लैंग्वेज मॉडल्स बुनियादी शब्दावली पर मानवीय प्रदर्शन के करीब पहुँच जाते हैं, वहीं वे परिप्रेक्ष्य संबंधी शब्दों जैसे कि संबंधवाचक (possessives) और संकेतवाचक (demonstratives) के मामले में परिप्रेक्ष्य लेने (perspective-taking) और स्थानिक तर्क (spatial reasoning) की कमियों के कारण मनुष्यों की तुलना में काफी अधिक संघर्ष करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को लोगों से बात करना सिखा रहे हैं। आपने उसे एक विशाल शब्दकोश सिखाया है: वह जानता है कि "नाव," "कप," और "लाल" क्या होते हैं। वह शब्दावली का एक जीनियस है। लेकिन अब, आप उसे वास्तव में बातचीत करना सिखाना चाहते हैं, जहाँ शब्द इस आधार पर अपना अर्थ बदलते हैं कि कौन बोल रहा है, कौन सुन रहा है, और चीजें कहाँ स्थित हैं।
यह शोध पत्र इस बारे में एक रिपोर्ट कार्ड की तरह है कि आधुनिक AI (विशेष रूप से मल्टीमॉडल लैंग्वेज मॉडल्स) इन "परिप्रेक्ष्य शब्दों" (perspective words) को इंसानों की तुलना में कितनी अच्छी तरह से संभालता है।
यहाँ उनके निष्कर्षों का विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है:
1. कठिनाई के तीन स्तर
शोधकर्ताओं ने AI और इंसानों का तीन प्रकार के शब्दों पर परीक्षण किया, जिन्हें उन्होंने कठिनाई की एक सीढ़ी के रूप में व्यवस्थित किया था:
- स्तर 1: शब्दावली की सीढ़ी (आसान)
- कार्य: एक नाव की तस्वीर की ओर इशारा करना और कहना "नाव।"
- परिणाम: इंसान और AI दोनों यहाँ लगभग सटीक हैं। यह भीड़ में चेहरा पहचानने जैसा है। AI जानता है कि नाव क्या होती है।
- स्तर 2: स्वामित्व की सीढ़ी (मध्यम)
- कार्य: दो लोग एक चम्मच देख रहे हैं। एक कहता है, "यह मेरा है," और दूसरा कहता है, "वह तुम्हारा है।"
- परिणाम: इंसान इसमें माहिर हैं। AI लड़खड़ाने लगता है। यह ऐसा है जैसे AI इस बात को लेकर भ्रमित हो जाता है कि वास्तव में चम्मच का मालिक कौन है। इसे समझने में संघर्ष होता है कि "मेरा" का अर्थ इस बात पर बदल जाता है कि पेन किसने पकड़ा हुआ है।
- स्तर 3: दूरी की सीढ़ी (कठिन)
- कार्य: दो लोग दो एक जैसी कप देख रहे हैं। एक पास है, एक दूर। एक कहता है, "मुझे यह वाला चाहिए," और दूसरा कहता है, "मुझे वह वाला चाहिए।"
- परिणाम: यहाँ AI पूरी तरह से बिखर जाता है। इंसानों के लिए यह कठिन है लेकिन प्रबंधनीय है। हालाँकि, AI अंतरिक्ष (space) में खो जाता है। वह पूरी तरह से यह नहीं समझ पाता कि "यह" का अर्थ "मेरे पास" है और "वह" का अर्थ "मुझसे दूर" है, जो इस बात पर निर्भर करता है कि मैं कहाँ खड़ा हूँ।
2. "आंखों पर पट्टी" वाला उदाहरण
शोधकर्ताओं ने यह देखने के लिए एक दिलचस्प प्रयोग किया कि AI क्यों विफल होता है। उन्होंने वे सुराग छीन लिए जिन पर AI आमतौर पर निर्भर करता है।
- इंसानी तरीका: कल्पना कीजिए कि आप एक कमरे में हैं। आप एक व्यक्ति देखते हैं, एक कप देखते हैं, और आप जानते हैं कि आप कहाँ खड़े हैं। आप "यह कप" बनाम "वह कप" को समझने के लिए अपनी आँखों और मस्तिष्क का एक साथ उपयोग करते हैं।
- AI का तरीका: AI एक ऐसे व्यक्ति की तरह है जिसकी आंखों पर पट्टी बंधी है लेकिन उसके कान में एक बहुत तेज़ रेडियो बज रहा है।
- जब शोधकर्ताओं ने दृश्य सुरागों (कप की स्थिति की तस्वीर) को हटा दिया, तो AI घबराया नहीं; उसने रेडियो (टेक्स्ट निर्देशों) पर और भी अधिक भरोसा किया।
- जब उन्होंने टेक्स्ट सुरागों को हटा दिया, तो AI भ्रमित हो गया।
- खोज: इंसान अपनी आँखों और कानों का तालमेल के साथ उपयोग करते हैं। AI टेक्स्ट निर्देशों पर बहुत अधिक निर्भर करता है और चित्र को लगभग एक माध्यमिक सजावट की तरह मानता है। वह चित्र में दूरी को उस तरह से "महसूस" नहीं करता जैसे एक इंसान करता है।
3. "शिक्षक" बनाम "छात्र"
शोधकर्ताओं ने "इंस्ट्रक्शन-बेस्ड प्रॉम्प्टिंग" देकर AI की मदद करने की कोशिश की। यह एक शिक्षक के फुसफुसाने जैसा है, "हे, याद रखना! 'यह' का अर्थ है वह चीज़ जो तुम्हारे पास है, और 'वह' का अर्थ है वह जो दूर है।"
- स्वामित्व के लिए (मेरा/तुम्हारा): फुसफुसाहट काम कर गई! AI का प्रदर्शन लगभग मानव स्तर तक पहुँच गया। उसे बस नियमों के अनुस्मारक की आवश्यकता थी।
- दूरी के लिए (यह/वह): फुसफुसाहट ने थोड़ी मदद की, लेकिन AI फिर भी इसे नहीं कर सका। यह ऐसा है जैसे AI नियम "यह = पास" को याद कर सकता है, लेकिन वह वास्तव में एक गतिशील दृश्य में "पास" की अवधारणा को देख नहीं सकता। इसमें एक गतिशील दृश्य में घूमते हुए "पास" या "दूर" होने का "अनुभव" (embodied experience) की कमी है।
मुख्य निष्कर्ष
शोध पत्र यह निष्कर्ष निकालता है कि जबकि AI इस बात में बहुत अच्छा हो रहा है कि चीजें क्या हैं (शब्दावली), यह अभी भी इस बात को समझने में बहुत बुरा है कि चीजें लोगों के सापेक्ष कहाँ हैं (परिप्रेक्ष्य)।
- शब्दावली एक फुटबॉल टीम के खिलाड़ियों के नाम सीखने जैसा है।
- परिप्रेक्ष्य खेल को समझने जैसा है: कौन किसे पास दे रहा है, कौन गोल के पास है, और रेफरी कौन है।
वर्तमान AI मॉडल खिलाड़ियों के नाम याद करने में बहुत अच्छे हैं, लेकिन वे खेल के प्रवाह को समझने के लिए अभी भी संघर्ष कर रहे हैं। वास्तव में मनुष्यों की तरह संवाद करने के लिए, AI को "दूसरे के जूतों में पैर रखकर" देखना सीखना होगा और दुनिया को उनके विशिष्ट स्थान से देखना होगा, न कि केवल कमरे के विवरण को पढ़ना होगा।
संक्षेप में: AI एक शानदार विश्वकोश है, लेकिन मेज के दूसरी ओर "इस कप" और "उस कप" के बारे में सामान्य बातचीत करने में अभी भी थोड़ा अनाड़ी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।