Meta-learning ecological priors from large language models explains human learning and decision making
यह शोध पत्र इकोलॉजिकली रेशनल मेटा-लर्नड इन्फरेंस (ERMI) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो प्राकृतिक कार्यों को उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल्स और अनुकूलन योग्य एल्गोरिदम प्राप्त करने के लिए मेटा-लर्निंग का लाभ उठाता है, और विविध प्रयोगों में मानव शिक्षण और निर्णय लेने की प्रक्रिया को सफलतापूर्वक समझाते हुए यह प्रदर्शित करता है कि संज्ञान वास्तविक दुनिया के वातावरण की सांख्यिकीय संरचना के साथ एक इष्टतम संरेखण को दर्शाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मुख्य विचार: हमारा मस्तिष्क दुनिया से कैसे सीखता है
कल्पंका कीजिए कि आपका मस्तिष्क एक अत्यंत बुद्धिमान जासूस है। लंबे समय से, वैज्ञानिक इस बात पर बहस कर रहे हैं कि यह जासूस रहस्यों को कैसे सुलझाता है।
- सिद्धांत A: जासूस के पास हर संभावित अपराध स्थल के लिए एक सटीक, पूर्व-लिखित नियम पुस्तिका (रैशनल एनालिसिस) है।
- सिद्धांत B: जासूस सरल, त्वरित तरकीबों (heuristics) का उपयोग करता है जो विशिष्ट इलाकों में अच्छी तरह काम करती हैं (इकोलॉजिकल रैशनैलिटी)।
यह शोध पत्र एक नया, शक्तिशाली विचार प्रस्तावित करता है: हमारा मस्तिष्क उन जासूसों की तरह है जिन्होंने दुनिया के बारे में लाखों किताबें पढ़ी हैं। उन्हें किसी विशिष्ट नियम पुस्तिका या किसी एक विशेष तरकीब की आवश्यकता नहीं है। इसके बजाय, उन्होंने रोजमर्रा की जिंदगी की "सांख्यिकीय लय" (statistical rhythm) को आत्मसात कर लिया है। जब वे किसी नई समस्या का सामना करते हैं, तो वे तुरंत उन पैटर्नों के साथ तालमेल बिठा लेते हैं जिन्हें उन्होंने पहले देखा है।
लेखक इस नए ढांचे को ERMI (इकोलॉजिकली रैशनल मेटा-लर्नड इन्फरेंस) कहते हैं।
उन्होंने इसका परीक्षण कैसे किया: "AI शेफ" और "छात्र"
इसे सिद्ध करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके दो-चरणीय प्रयोग बनाया।
चरण 1: AI शेफ (लार्ज लैंग्वेज मॉडल)
एक ऐसे शेफ की कल्पना करें जिसने अब तक के हर व्यंजन का स्वाद चखा है और अस्तित्व में मौजूद हर कुकबुक को पढ़ा है। इस शेफ (एक लार्ज लैंग्वेज मॉडल, या LLM) को हजारों नए "सीखने वाले खेल" (learning games) बनाने के लिए कहा जाता है।
- नकली, उबाऊ गणित के सवाल बनाने के बजाय, शेफ वास्तविक परिदृश्य बनाता है: "अनुमान लगाओ कि वसा, चीनी और प्रोटीन के आधार पर कोई भोजन स्वस्थ है या नहीं," या "कार की गति के आधार पर अनुमान लगाओ कि कार कितनी दूर जाएगी।"
- क्योंकि शेफ ने वास्तविक दुनिया के बारे में बहुत कुछ पढ़ा है, इसलिए उसके द्वारा बनाए गए खेल बिल्कुल वैसे ही होते हैं जैसे इंसान रोजमर्रा की समस्याओं का सामना करते हैं।
चरण 2: छात्र (मेटा-लर्निंग मॉडल)
इसके बाद, उन्होंने एक "छात्र" AI (एक न्यूरल नेटवर्क) को शेफ द्वारा बनाए गए इन हजारों खेलों को खेलने के लिए प्रशिक्षित किया।
- छात्र ने केवल इन विशिष्ट खेलों के उत्तर नहीं सीखे। उसने सीखना सीखा (how to learn)।
- उसने इतना अभ्यास किया कि उसने वास्तविक दुनिया के "छिपे हुए नियमों" को आत्मसात कर लिया। उसने सीखा कि वास्तविक दुनिया में चीजें अक्सर रैखिक (linear) होती हैं (अधिक ईंधन = अधिक दूरी), कभी-कभी शोर भरी (noisy) होती हैं, और आमतौर पर पैटर्न का पालन करती हैं।
- यह छात्र ERMI है।
परिणाम: छात्र इंसानों की तरह व्यवहार करता है
शोधकर्ताओं ने फिर ERMI को 15 अलग-अलग मानव प्रयोगों के विरुद्ध परखा। उन्होंने पूछा: क्या यह AI, जो केवल एक 'विश्व-ज्ञान वाले AI' द्वारा बनाए गए खेलों से सीखता है, एक इंसान की तरह कार्य कर सकता है?
इसका उत्तर एक जोरदार हाँ था। ERMI ने तीन प्रमुख क्षेत्रों में मानवीय व्यवहार से मेल खाया:
1. फंक्शन लर्निंग (रुझानों का अनुमान लगाना)
- मानवीय विशेषता: जब इंसान किसी रुझान (trend) का अनुमान लगाते हैं, तो वे देखे गए डेटा पॉइंट्स के बीच (interpolation) क्या होता है, इसका अनुमान लगाने में बहुत अच्छे होते हैं, लेकिन वे डेटा के बाहर (extrapolation) क्या होगा, इसे बताने में अक्सर खराब प्रदर्शन करते हैं। वे यह भी मान लेते हैं कि रेखाएं सीधी और ऊपर की ओर जाती हैं, नीचे की ओर नहीं।
- ERMI का परिणाम: AI ने बिल्कुल ऐसा ही किया। वह अंतराल भरने में अच्छा था लेकिन भविष्य का बहुत दूर तक अनुमान लगाने में संघर्ष करता था, और उसमें "ऊपर की ओर" जाने वाले रुझानों के प्रति झुकाव था। उसे पक्षपाती होने के लिए बताया नहीं गया था; उसने यह शेफ द्वारा बनाए गए "विश्व" से सीखा।
2. कैटेगरी लर्निंग (चीजों को छाँटना)
- मानवीय विशेषता: इंसान जटिल, भ्रमित करने वाली श्रेणियों (जैसे "टाइप 6" पहेलियाँ जहाँ आपको हर वस्तु को याद करना पड़ता है) को सीखने में खराब होते हैं। वे सरल श्रेणियों (जैसे "सभी काली चीजें") में अच्छे होते हैं। साथ ही, जैसे-जैसे इंसानों को अभ्यास मिलता है, वे विशिष्ट उदाहरणों को याद रखने से हटकर एक सामान्य "प्रोटोटाइप" या औसत की तलाश करने की ओर बढ़ जाते हैं।
- ERMI का परिणाम: AI ने आसान श्रेणियों को आसान और कठिन श्रेणियों को कठिन पाया। इसने उदाहरणों को याद करने से लेकर एक सामान्य नियम खोजने की रणनीति में बदलाव किया, ठीक वैसे ही जैसे पर्याप्त अभ्यास के बाद एक इंसान करता है।
3. निर्णय लेना (विकल्पों के बीच चुनाव करना)
- मानवीय विशेषता: जब लोग चुनाव करते हैं, तो वे हमेशा सूचना के हर टुकड़े को समान रूप से नहीं तौलते। यदि उन्हें पता है कि एक सुराग बहुत महत्वपूर्ण है, तो वे बाकी को अनदेखा कर देते हैं (एक "एक-कारण" वाली रणनीति)। यदि उन्हें नहीं पता कि कौन सा सुराग महत्वपूर्ण है, तो वे सभी का औसत निकाल सकते हैं।
- ERMI का परिणाम: AI ने खेल की संरचना के आधार पर अपनी रणनीति को अनुकूलित किया। यदि खेल में एक स्पष्ट "विजेता" सुराग था, तो AI ने "एक-कारण" वाले शॉर्टकट का उपयोग किया। यदि खेल अव्यवस्थित था, तो उसने सब कुछ तौला। इसने मानवीय लचीलेपन की सटीक नकल की।
यह क्यों मायने रखता है (शोध पत्र के अनुसार)
शोध पत्र का दावा है कि मानव बुद्धि जादू नहीं है। ऐसा नहीं है कि हमारे पास हर स्थिति के लिए विशेष, हार्ड-वायर्ड नियम हैं। इसके बजाय, हमारा मस्तिष्क हमारे वातावरण के सांख्यिकीय पैटर्न के साथ तालमेल बिठाने में अविश्वसनीय रूप से कुशल है।
इसे इस तरह सोचें:
- पुराना दृष्टिकोण: इंसान कैलकुलेटर की तरह हैं जिन्हें हर समस्या के लिए विशिष्ट सूत्रों के साथ प्रोग्राम करने की आवश्यकता होती है।
- नया दृष्टिकोण (यह शोध पत्र): इंसान एक नदी की तरह हैं। नदी को मानचित्र की आवश्यकता नहीं होती; वह बस जमीन के आकार के अनुसार बहती है (वातावरण)। क्योंकि जमीन (हमारी दैनिक दुनिया) में कुछ निश्चित आकार होते हैं, इसलिए नदी (हमारा मस्तिष्क) स्वाभाविक रूप से उसी तरह बहती है।
निष्कर्ष
शोधकर्ताओं ने दिखाया कि यदि आप एक कंप्यूटर को ऐसे "विश्व" से सीखने के लिए प्रशिक्षित करते हैं जो वास्तविक दुनिया के सांख्यिकीय पैटर्न की नकल करता है, तो वह कंप्यूटर स्वाभाविक रूप से एक इंसान की तरह सोचना, सीखना और गलतियाँ करना शुरू कर देगा।
यह सुझाव देता है कि मानव संज्ञान (cognition) का अधिकांश हिस्सा हमारे आसपास की दुनिया की संरचना के प्रति एक अनुकूलन है। हम अपने परिवेश के साथ "ट्यून" (जुड़े हुए) हैं, और यह ट्यूनिंग हमारे सीखने और निर्णय लेने के तरीके को समझाने के लिए पर्याप्त 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।