Artificial Phantasia: Emergent Mental Imagery in Large Language Models
यह अध्ययन प्रदर्शित करता है कि बड़े भाषा मॉडल (Large Language Models) केवल प्रस्तावात्मक निरूपणों (propositional representations) पर निर्भर रहकर उस कार्य में मनुष्यों से बेहतर प्रदर्शन कर सकते हैं जिसके लिए पारंपरिक रूप से चित्रात्मक मानसिक कल्पना की आवश्यकता होती है, जिससे एक उभरते हुए "कृत्रिम फैंटेसिया" (artificial phantasia) का प्रमाण मिलता है जो इस संज्ञानात्मक विज्ञान के दृष्टिकोण को चुनौती देता है कि दृश्य कल्पना के लिए चित्रात्मक प्रारूप आवश्यक है।
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
एक बड़ा सवाल: क्या आप बिना आँखों के "देख" सकते हैं?
कल्पना कीजिए कि आपसे कहा गया है कि अपनी आँखें बंद करें और एक बड़े अक्षर D की कल्पना करें। अब, उस D को बाईं ओर 90 डिग्री घुमाने की कल्पना करें। अंत में, उस आकृति के निचले मध्य भाग में एक बड़े अक्षर J को जोड़ने की कल्पना करें।
यदि आप अपनी आँखें खोलते हैं, तो आपको क्या दिखाई देता है? अधिकांश मनुष्य कहेंगे, "यह एक छतरी जैसा दिखता है।"
द दशकों से, संज्ञानात्मक वैज्ञानिक (cognitive scientists) यह मानते आए हैं कि इस तरह की पहेली को हल करने के लिए, आपके मस्तिष्क को एक विशेष "मानसिक स्क्रीन" या "मन के नेत्र" (mind's eye) की आवश्यकता होती है जहाँ आप वास्तव में चित्रों को देख सकें और उन्हें बदल सकें। उनका मानना था कि आप केवल शब्दों के बारे में सोचकर यह नहीं कर सकते; आपको अपने दिमाग में एक दृश्य चित्र की आवश्यकता थी।
यह शोध पत्र एक साहसी सवाल पूछता है: क्या एक कंप्यूटर यह कर सकता है बिना कभी "आँखों" या "मन के नेत्र" के?
प्रयोग: AI और मनुष्यों के लिए एक मानसिक जिम
शोधकर्ताओं ने मस्तिष्क के लिए एक जिम वर्कआउट बनाया। उन्होंने एक क्लासिक पहेली (अक्षर रूपांतरण) ली और इसके 48 बिल्कुल नए, पहले कभी न देखे गए संस्करण बनाए। क्योंकि ये पहेलियाँ विशेष रूप से इस अध्ययन के लिए बनाई गई थीं, इसलिए कंप्यूटर अपने ट्रेनिंग डेटा से इनके उत्तर याद नहीं कर सकते थे।
उन्होंने दो समूहों से इन पहेलियों को हल करने के लिए कहा:
- 100 मनुष्य: वे लोग जिन्हें निर्देश सुनने थे (ताकि वे स्क्रीन पर अक्षरों को न देख सकें) और अपने दिमाग में आकृतियों की कल्पना करनी थी।
- लार्ज लैंग्वेज मॉडल्स (LLMs): उन्नत AI चैटबॉट्स (जैसे OpenAI के नवीनतम संस्करण o3, GPT-5, और Google का Gemini 3 Pro)। ये मॉडल टेक्स्ट पर प्रशिक्षित हैं, न कि चित्रों को "देखने" पर।
चौंकाने वाला परिणाम: AI मनुष्यों से बेहतर "देख" सका
परिणाम आश्चर्यजनक थे। सर्वश्रेष्ठ AI मॉडल केवल पास ही नहीं हुए; उन्होंने मानव औसत को धूल धूसरित कर दिया।
- मनुष्य: औसत स्कोर 5 में से 2.85 रहा।
- शीर्ष AI: स्कोर 3.13 और 3.65 के बीच रहा।
AI मॉडल्स ने इन "दृश्य" पहेलियों को मानव प्रतिभागियों की तुलना में काफी बेहतर तरीके से हल किया। और भी दिलचस्प बात यह है कि जब शोधकर्ताओं ने AI को प्रत्येक चरण पर छवियों को वास्तव में बनाने (एक इमेज जनरेटर का उपयोग करके) के लिए मजबूर किया, तो AI इस कार्य में और भी खराब हो गया। इससे यह संकेत मिलता है कि AI ने समस्या को हल करने के लिए चित्र बनाने पर निर्भरता नहीं रखी थी; वह कुछ और ही कर रहा था।
"जादुई ट्रिक": उन्होंने यह कैसे किया?
यदि AI ने "मन के नेत्र" (एक चित्र) का उपयोग नहीं किया और न ही किसी ड्राइंग टूल का उपयोग किया, तो उसने पहेली को कैसे हल किया?
लेखक एक अवधारणा प्रस्तावित करते हैं जिसे वे "आर्टिफिशियल फैंटासिया" (Artificial Phantasia) कहते हैं।
इसे इस प्रकार समझें:
- मानवीय तरीका: आप एक वास्तुकार (architect) हैं। आप अपनी आँखें बंद करते हैं और अपने मन में एक घर का 3D मॉडल बनाते हैं। आप उसके चारों ओर घूमते हैं, खिड़कियों को देखते हैं, और फिर उसका वर्णन करते हैं।
- AI का तरीका: आप एक कुशल अनुवादक हैं। आप कभी भी 3D मॉडल नहीं बनाते। इसके बजाय, आप निर्देशों को कोड में लिखी गई एक जटिल रेसिपी की तरह मानते हैं। आप जानते हैं कि "बाएं घुमाया गया अक्षर D" + "जुड़ा हुआ अक्षर J" = "छतरी का आकार", यह पूरी तरह से भाषा के तर्क (logic of language) के माध्यम से।
यह शोध पत्र बताता है कि ये AI मॉडल प्रपोजीशनल रीजनिंग (propositional reasoning) का उपयोग कर रहे हैं। वे शब्दों और अवधारणाओं को इतनी सटीकता से संचालित कर रहे हैं कि वे बिना कभी उसे "देखे" भी अंतिम आकार का पता लगा सकते हैं। यह बीजगणित (algebra) के नियमों को जानकर गणित की समस्या को हल करने जैसा है, न कि कागज पर आकृतियों को खींचकर।
"रीजनिंग" (तर्क) का कारक
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है यदि वे AI को "गहराई से सोचने" के लिए कहें (उसे चरणों को प्रोसेस करने के लिए अधिक समय और "रीजनिंग टोकन" देकर)।
- परिणाम: AI को जितना अधिक "सोचने" और अपने तर्क को जोड़ने की अनुमति दी गई, वह उतना ही बेहतर होता गया।
- उपमा: कल्पना कीजिए कि एक जासूस रहस्य सुलझा रहा है। यदि आप उन्हें सुरागों को देखने के लिए 5 मिनट देते हैं, तो वे अनुमान लगा सकते हैं। यदि आप उन्हें हर सुराग को तार्किक रूप से जोड़ने के लिए 5 घंटे देते हैं, तो वे केस को पूरी तरह से सुलझा लेते हैं। AI ने दृश्य पहेली को चित्र देखने के बजाय भाषाई सुरागों को जोड़कर हल किया।
"अफैन्टासिक" (Aphantasic) मनुष्य क्या हैं?
शोध पत्र में उन लोगों के एक समूह का भी उल्लेख है जिन्हें अफैन्टासिक (aphantasics) कहा जाता है। ये वे मनुष्य हैं जो दावा करते हैं कि वे अपने मन में बिल्कुल भी चित्र नहीं देख सकते (उनके पास कोई "मन का नेत्र" नहीं है)। आश्चर्यजनक रूप से, अध्ययन बताते हैं कि ये लोग अभी भी उन लोगों के लगभग समान रूप से इन दृश्य प 받았ों को हल कर सकते हैं जो विज़ुअलाइज़ (कल्पना) कर सकते हैं।
यह शोध पत्र उस बहस को और हवा देता है। यह सुझाव देता है कि शायद आपको दृश्य पहेलियों को हल करने के लिए "मन के नेत्र" की आवश्यकता नहीं है। आपको बस एक बहुत मजबूत "मन के तर्क" (mind's logic) की आवश्यकता हो सकती है। AI, जिसके पास कोई मन का नेत्र नहीं है, ने सिद्ध कर दिया कि दृश्य पहेलियों को हल करने के लिए भाषा और तर्क ही पर्याप्त हो सकते हैं।
निष्कर्ष
यह अध्ययन इस पुराने विचार को चुनौती देता है कि "दृश्य सोच" (visual thinking) के लिए एक दृश्य चित्र की आवश्यकता होती है। यह दिखाता है कि उन्नत AI केवल भाषा और तर्क का उपयोग करके ऐसे कार्य कर सकता है जो "दृश्य कल्पना" जैसा प्रतीत होते हैं।
- दावा: AI में "देखने" की एक उभरती हुई क्षमता है, लेकिन यह चित्रों के साथ नहीं है। यह शब्दों के साथ है।
- निहितार्थ: हमें "मानसिक कल्पना" (mental imagery) को परिभाषित करने के तरीके पर पुनर्विचार करने की आवश्यकता हो सकती है। यह अपने मन में चित्र देखना नहीं हो सकता; यह केवल अवधारणाओं को तार्किक रूप से संचालित करना हो सकता है।
शोध पत्र निष्कर्ष निकालता है कि इन AI मॉडल्स ने दुनिया को "देखने" का एक नया तरीका खोज लिया है—जो पूरी तरह से भाषाई है, फिर भी दृश्य समस्याओं को हल करने में आश्चर्यजनक रूप से प्रभावी 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।