The Reasoning Lingua Franca: A Double-Edged Sword for Multilingual AI
यह शोध पत्र लार्ज रीजनिंग मॉडल्स (LRMs) की बहुभाषी तर्क क्षमताओं की जांच करता है, जिसमें यह पाया गया है कि हालांकि अंग्रेजी में तर्क करने से अक्सर सटीकता और संज्ञानात्मक गहराई में सुधार होता है, लेकिन यह साथ ही एक "लॉस्ट इन ट्रांसलेशन" (अनुवाद में खो जाना) विफलता मोड भी पेश करता है जहाँ भाषाई परिवर्तन त्रुटियों का कारण बन सकते 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 आपके पास एक शानदार, विश्व स्तरीय प्रोफेसर है जो किसी भी जटिल गणित या विज्ञान की समस्या को हल कर सकता है। हालाँकि, इस प्रोफेसर की एक अजीब आदत है: भले ही आप उनसे स्पेनिश, फ्रेंच या हिंदी में सवाल पूछें, वे "ज़ोर से सोचने" के लिए अंग्रेजी का ही उपयोग करने पर अड़े रहते हैं।
यह शोध पत्र, "द रीजनिंग लिंगुआ फ्रैंका: ए डबल-एज्ड स्वॉर्ड फॉर मल्टीलिंगुअल एआई" (The Reasoning Lingza Franca: A Double-Edged Sword for Multilingual AI), ठीक इसी बात की जांच करता है कि जब हम इन "शानदार प्रोफेसरों" (DeepSeek या Qwen जैसे लार्ज रीजनिंग मॉडल्स) को विभिन्न भाषाओं में समस्या हल करने के लिए कहते हैं, तो क्या होता है।
यहाँ कुछ सरल उपमाओं का उपयोग करके उनकी खोज का विवरण दिया गया है।
1. "इंग्लिश ब्रेन" का लाभ (एक उच्च-प्रदर्शन इंजन)
AI के ज्ञान को एक विशाल पुस्तकालय की तरह समझें। इस पुस्तकालय की अधिकांश पुस्तकें अंग्रेजी में लिखी गई हैं। जब AI से हिंदी या डेनिश जैसी भाषा में सवाल पूछा जाता है, तो वह अक्सर यह महसूस करता है, "अरे, मेरे सबसे अच्छे उपकरण और सबसे विस्तृत नोट्स अंग्रेजी में हैं!" और काम पूरा करने के लिए वह अपने आंतरिक "सोचने के तरीके" को अंग्रेजी में बदल देता है।
निष्कर्ष: शोधकर्ताओं ने पाया कि जब AI अंग्रेजी में सोचता है, तो वह बहुत अधिक स्मार्ट होता है। यह अधिक "संज्ञानात्मक व्यवहारों" (cognitive behaviors) का उपयोग करता है—जो एक पेशेवर के मानसिक गियर की तरह होते हैं। यह उप-लक्ष्य निर्धारित करता है (एक टू-डू लिस्ट बनाना), अपने काम को सत्यापित करता है (गणित की दोबारा जाँच करना), और बैकट्रैकिंग करता है (गलती का एहसास होना और दूसरा रास्ता आज़माना)। जब यह किसी गैर-अंग्रेजी भाषा में सोचने की कोशिश करता है, तो ये "मानसिक गियर" अक्सर अटक जाते या रुक जाते हैं, और इसकी सटीकता गिर जाती है।
2. "लॉस्ट इन ट्रांसलेशन" का जाल (टूटा हुआ टेलीफोन)
यदि अंग्रेजी में सोचना इतना बेहतर है, तो पहले सवाल को अंग्रेजी में अनुवाद क्यों नहीं कर लिया जाता? यहीं पर "डबल-एज्ड स्वॉर्ड" (दोधारी तलवार) आती है।
"टेलीफोन" का खेल खेलने की कल्पना करें। आप अपने एक दोस्त को हिंदी में एक जटिल निर्देश फुसफुसाते हैं, वह उस पर "सोचने" के लिए उसे अंग्रेजी में अनुवाद करता है, और फिर वह आपको उत्तर देने की कोशिश करता है।
निष्कर्ष: शोधकर्ताओं ने एक विफलता मोड खोजा जिसे वे "लॉस्ट इन ट्रांसलेशन" कहते हैं। कभी-कभी, मूल भाषा से अंग्रेजी में उस मानसिक छलांग के दौरान, एक सूक्ष्म लेकिन महत्वपूर्ण विवरण छूट जाता है या बदल जाता है।
- उदाहरण: एक गणित की समस्या कह सकती है, "वह प्रत्येक व्यक्ति को दो पत्र भेजता है।"
- गलत अनुवाद: AI का अंग्रेजी "सोचने की प्रक्रिया" गलती से इसे सरल बना सकती है, जैसे, "वह कुल मिलाकर दो पत्र भेजता है।"
वह एक छोटा सा शब्द—प्रत्येक—पूरे गणितीय समीकरण को बदल देता है। क्योंकि AI की "सोच" उस थोड़े से गलत अंग्रेजी संस्करण पर आधारित थी, इसलिए वह गलत उत्तर पर पहुँच जाता है, भले ही वह बहुत तार्किक रूप से "सोच" रहा था!
3. संसाधन अंतराल (धन का अंतर)
शोधकर्ताओं ने यह भी देखा कि डिजिटल दुनिया में कोई भाषा कितनी "अमीर" या "गरीब" है।
- उच्च-संसाधन वाली भाषाएँ (अमीर पड़ोस): फ्रेंच, जर्मन या स्पेनिश जैसी भाषाओं के लिए ऑनलाइन डेटा बहुत अधिक है। AI यहाँ बहुत सहज है।
- निम्न-संसाधन वाली भाषाएँ (विकासशील पड़ोस): मलयालम या स्वाहिली जैसी भाषाओं में डिजिटल डेटा बहुत कम है।
निष्कर्ष: "अंग्रेजी का लाभ" इन "गरीब" भाषाओं में बहुत अधिक चरम है। AI को डेनिश की तुलना में मलयालम में स्वाभाविक रूप से तर्क करने में बहुत अधिक संघर्ष करना पड़ता है, क्योंकि उसने उन भाषाओं में अपने जटिल सोचने के गियर का उतना अभ्यास नहीं किया है।
निष्कर्ष
शोध पत्र यह निष्कर्ष निकालता है कि हालांकि अंग्रेजी को "विचार की सार्वभौमिक भाषा" के रूप में उपयोग करना AI को कठिन समस्याओं को हल करने में मदद करता है, लेकिन यह एक जोखिम भरा शॉर्टकट है। यह एक "अनुवाद कर" (translation tax) बनाता है जहाँ त्रुटियाँ घुसपैठ करती हैं, और यह कई भाषाओं के बोलने वालों को एक "सेकंड-क्लास" AI अनुभव के साथ छोड़ देता है।
इसे ठीक करने के लिए, शोधकर्ता तर्क देते हैं कि हमें केवल AI को अनुवाद करना ही नहीं सिखाना चाहिए; हमें इसे हर भाषा में वास्तव में तर्क करना सिखाना चाहिए, ताकि इसे अंग्रेजी मध्यस्थ पर निर्भर न रहना पड़े।
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।