📊 statistics

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling

यह शोधपत्र अनुक्रमिक परिवेश (sequential settings) में 'सीक्वेंशियल कॉज़ल मल्टी-एजेंट सिस्टम' को पेश करके 'कॉज़ल नॉर्मल फॉर्म गेम्स' का विस्तार करता है, लेकिन इसका व्यापक सैद्धांतिक और अनुभवजन्य विश्लेषण यह प्रकट करता है कि, मानक तर्कसंगत धारणाओं के तहत, ये कॉज़ल ढांचे शास्त्रीय स्टैकेलबर्ग इक्विलिब्रियम (Stackelberg equilibrium) की तुलना में कोई कल्याणकारी लाभ प्रदान नहीं करते हैं, जिससे वर्तमान खेल-सिद्धांत मॉडल (game-theoretic models) में तर्कसंगत चयन और कॉज़ल रीजनिंग लाभों के बीच एक मौलिक असंगति उजागर होती है।

मूल लेखक: Dennis Thumm

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dennis Thumm

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 शतरंज का एक खेल खेल रहे हैं, लेकिन केवल चालें चलने के बजाय, आप यह भी अनुमान लगाने की कोशिश कर रहे हैं कि आपका प्रतिद्वंद्वी कैसे सोच रहा है। क्या वे एक सख्त नियम पुस्तिका का पालन कर रहे हैं? क्या वे अपनी अंतरात्मा या सहज ज्ञान (gut feeling) पर काम कर रहे हैं? या क्या वे अपने दिमाग में "क्या होगा अगर" वाले परिदृश्यों का अनुकरण (simulation) कर रहे हैं?

डेनिस थम का यह शोध पत्र एक बड़ा सवाल पूछता है: क्या हम "सोचने के तरीकों" (कारण संबंधी तर्क/causal reasoning) की इन परतों को जोड़कर AI के लिए बेहतर गेम थ्योरी बना सकते हैं, या क्या यह चीज़ों को केवल जटिल बनाता है बिना किसी को जीतने में मदद किए?

यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं और उपमाओं में विभाजित किया गया है।

1. सेटअप: AI की "सोचने की परतें"

पारंपरिक गेम थ्योरी (जैसे प्रसिद्ध "स्टैकेलबर्ग गेम") में, हम यह मान लेते हैं कि हर कोई एक सटीक कैलकुलेटर है। यदि आप एक चाल चलते हैं, तो दूसरा व्यक्ति सर्वोत्तम संभव प्रतिक्रिया की गणना करता है।

लेकिन वास्तविक AI (और इंसान) केवल कैलकुलेटर नहीं होते। उनके पास संचालन के अलग-अलग "मोड" होते हैं, जो एक प्रसिद्ध ढांचे पर आधारित हैं जिसे कॉज़ल हाइरार्की (Causal Hierarchy) कहा जाता है:

लेयर 1 (सहज ज्ञान/Instinct): "मुझे लाल बत्ती दिखी, इसलिए मैं रुक गया।" (अवलोकन/प्रतिक्रिया)।
लेयर 2 (विचारशील/Deliberate): "मैं रुकने का चुनाव करता हूँ क्योंकि मैं चालान से बचना चाहता हूँ।" (हस्तक्षेप/चुनाव)।
लेयर 3 (समय यात्री/Time Traveler): "अगर मैं नहीं रुकता, तो मेरा एक्सीडेंट हो जाता, इसलिए मैं खुश हूँ कि मैं रुक गया।" (प्रतितथ्यात्मक/तर्क/Counterfactual Reasoning)।

लेखक ने एक नई गेम प्रणाली बनाई जिसे S-CMAS (Sequential Causal Multi-Agent Systems) कहा जाता है। इसे एक वीडियो गेम की तरह समझें जहाँ 'लीडर' (Leader) यह चुनने की क्षमता रखता है कि वह "इंस्टिंक्ट मोड" पर खेले, "लॉजिक मोड" पर, या "सुपर-रीजनिंग मोड" पर, और 'फॉलोअर' (Follower) देख सकता है कि लीडर ने कौन सा मोड चुना है।

2. बड़ी उम्मीद: "सीक्रेट सॉस"

उम्मीद यह थी कि यदि लीडर संकेत दे सके, "हे, मैं शुद्ध सहज ज्ञान (pure instinct) पर काम कर रहा हूँ!" या "मैं गहरे प्रतितथ्यात्मक तर्क (deep counterfactual reasoning) का उपयोग कर रहा हूँ!", तो वे फॉलोअर को ऐसी चाल चलने के लिए भ्रमित या निर्देशित कर सकते हैं जो लीडर के लिए मानक गेम की तुलना में अधिक फायदेमंद हो।

यह एक पोकर खिलाड़ी की तरह है जो एक विशिष्ट टोपी पहनकर ब्लफ (धोखा देने की कोशिश) करने की कोशिश करता है जो यह कहती है, "मैं उस तरह का व्यक्ति हूँ जो ब्लफ करता है," इस उम्मीद में कि प्रतिद्वंद्वी हार मान लेगा। सिद्धांत ने सुझाव दिया कि यह "कॉज़ल सिग्नलिंग" सभी के लिए नए और बेहतर परिणाम खोल सकती है।

3. प्रयोग: सिमुलेशन चलाना

लेखक ने केवल समीकरण नहीं लिखे; उन्होंने 50 से अधिक प्रकार के गेम (सरल समन्वय खेलों से लेकर जटिल "बैटल ऑफ द सेक्सेस" परिदृश्यों तक) चलाए और उन्हें हजारों बार सिम्युलेट किया। उन्होंने परीक्षण किया:

गेम बोर्ड के विभिन्न आकार।
"शोर" (भ्रम/confusion) के विभिन्न स्तर।
AI के विभिन्न प्रकार के "सहज ज्ञान" (कुछ अच्छे, कुछ बुरे)।

वे देखना चाहते थे कि क्या नया "कॉज़ल गेम" पुराने "क्लासिक गेम" की तुलना में बेहतर परिणाम (पॉइंट्स/कल्याण) देता है।

4. चौंकाने वाला परिणाम: "शून्य सुधार"

यहाँ मोड़ आता है: नया गेम बिल्कुल भी काम नहीं आया।

सभी 100+ परीक्षण परिदृश्यों में, "कॉज़ल गेम" ने पुराने, उबाऊ "क्लासिक गेम" के समान ही परिणाम दिए।

उपमा: कल्पना कीजिए कि आपने एक कार के लिए एक नया, हाई-टेक स्टीयरिंग व्हील बनाया है जो दावा करता है कि वह ड्राइवर का दिमाग पढ़कर कार को तेज़ चला सकता है। आप 50 अलग-अलग ट्रैक पर इसका परीक्षण करते हैं। परिणाम क्या आता है? कार पुराने स्टीयरिंग व्हील की समान गति से चलती है। वह फैंसी नई तकनीक बेकार थी।

यह क्यों विफल हुआ?
शोध पत्र स्पष्ट करता है कि एक अनुक्रमिक खेल (sequential game) में, "फॉलोअर" (दूसरा खिलाड़ी) बहुत स्मार्ट होता है।

लीडर एक चाल चलता है।
फॉलोअर उस चाल को देखता है।
फॉलोअर पूछता है: "अभी मेरे लिए सबसे अच्छी चीज़ क्या है?"
फॉलोअर इस बात को नज़रअंदाज़ कर देता है कि लीडर वहाँ तक कैसे पहुँचा (चाहे वह सहज ज्ञान से था या गहरे तर्क से) और बस उस चाल पर प्रतिक्रिया देता है।

यदि लीडर का "सहज ज्ञान" वही होता है जो उनका "तर्क" है, तो फॉलोअर अंतर नहीं कर पाता। यदि लीडर का "सहज ज्ञान" बुरा है, तो लीडर उसका उपयोग ही नहीं करेगा; वे तर्क (logic) पर स्विच कर जाएंगे। अंततः, हर कोई बस मानक "बेस्ट रिस्पॉन्स" गेम ही खेलता है, और फैंसी कॉज़ल परतें गायब हो जाती हैं।

5. "नकारात्मक" सबक: यह क्यों मायने रखता है

आमतौरता पर वैज्ञानिक एक नया, चमकदार उपकरण खोजने के शौकीन होते हैं जो समस्याओं को हल करता है। यह शोध पत्र इसलिए मूल्यवान है क्योंकि इसने एक डेड एंड (बंद रास्ता) खोजा।

यह हमें बताता है: "आप केवल पुरानी आर्थिक सिद्धांतों पर 'कॉज़ल रीजनिंग' को थोपकर यह उम्मीद नहीं कर सकते कि AI बेहतर व्यवहार करेगा।"

यदि हम यह मानते हैं कि AI एजेंट इतने तर्कसंगत हैं कि वे सर्वोत्तम चाल की गणना कर सकते (backward induction), तो "कॉज़ल परतें" मायने नहीं रखतीं। पेपर का तर्क है कि AI एजेंटों (जैसे लार्ज लैंग्वेज मॉडल्स) को वास्तव में समझने के लिए, हमें उन्हें पूर्ण कैलकुलेटर मानने से बचना होगा। हमें नई थ्योरी की आवश्यकता है जो निम्नलिखित को ध्यान में रखे:

स्थिर विचित्रता (Persistent quirks): ऐसा AI जो केवल "सीखकर" पूर्ण नहीं बनता, बल्कि अपनी "सहज ज्ञान" वाली गलतियाँ करता रहता है।
गैर-संतुलन (Non-equilibrium): ऐसी स्थितियाँ जहाँ खिलाड़ी पूर्ण संतुलन (perfect balance) तक नहीं पहुँच पाते।

एक वाक्य में सारांश

लेखक ने "सोचने के तरीकों" (सहज ज्ञान बनाम तर्क) की परतें जोड़कर AI के लिए गेम थ्योरी को अपग्रेड करने की कोशिश की, लेकिन उन्होंने पाया कि यदि AI गेम को पूरी तरह से खेलने के लिए पर्याप्त स्मार्ट है, तो वे अतिरिक्त सोचने की परतें किसी को भी लाभ नहीं देती हैं—जो यह सिद्ध करता है कि हमें पुराने मानव सिद्धांतों के संशोधित संस्करणों की नहीं, बल्कि AI को मॉडल करने के लिए पूरी तरह से नए तरीकों की आवश्यकता है।

यहाँ डेनिस थम (Dennis Thum) के शोध पत्र "Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI) एजेंटों, विशेष रूप से लार्ज लैंग्वेज मॉडल्स (LLMs) के लिए रणनीतिक अंतःक्रियाओं (strategic interactions) को मॉडल करने में एक मौलिक अंतराल को संबोधित करता है।

शास्त्रीय गेम थ्योरी की सीमा: पारंपरिक ढांचे जैसे स्टैकलबर्ग गेम्स (Stackelberg games) पूर्ण तर्कसंगतता (perfect rationality) और बैकवर्ड इंडक्शन (backward induction) को मानते हैं। हालाँकि, वास्तविक दुनिया के AI एजेंट अक्सर "बाउंडेड रेशनैलिटी" (bounded rationality) प्रदर्शित करते हैं, जो सहज ज्ञान (प्रशिक्षण डेटा प्रायर), ह्यूरिस्टिक्स (heuristics) या मानक गेम-थ्योरेटिक नुस्खों से विचलित होने वाले काउंटरफैक्चुअल रीजनिंग (counterfactual reasoning) पर निर्भर करते हैं।
कारण मॉडलिंग (Causal Modeling) में अंतराल: जबकि कॉज़ल नॉर्म फॉर्म गेम्स (CNFGs) पर्ल के कॉज़ल पदानुक्रम (PCH)—ऑब्जर्वेशनल (L1), इंटरवेंशनल (L2), और काउंटरफैक्चुअल (L3)—को समवर्ती-मूव (simultaneous-move) खेलों में सफलतापूर्वक एकीकृत करते हैं, वे अनुक्रमिक (sequential) अंतःक्रियाओं को पकड़ने में विफल रहते हैं जहाँ लीडर अनुयायी (follower) की प्रतिक्रिया से पहले कार्यों के लिए प्रतिबद्ध होते हैं।
मुख्य प्रश्न: क्या CNFGs को अनुक्रमिक सेटिंग्स (एक सीक्वेंशियल कॉज़ल मल्टी-एजेंट सिस्टम या S-CMAS बनाने के लिए) में विस्तारित करने से रणनीतिक लाभ (जैसे, बेहतर कल्याण/welfare) मिल सकता है, जब एजेंट विभिन्न कॉज़ल लेयर्स के माध्यम से कार्य करते हैं?

2. कार्यप्रणाली (Methodology)

लेखक एक कठोर सैद्धांतिक ढांचे के बाद एक व्यापक अनुभवजन्य सत्यापन (empirical validation) प्रस्तावित करते हैं।

सैद्धांतिक ढांचा: S-CMAS

परिभाषा: एक S-CMAS को एक टुपल $\langle M, N, X, Y, \preceq, I \rangle$ के रूप में परिभाषित किया गया है, जिसमें एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) $M$ , लीडर्स ( $L$ ) और फॉलोअर्स ( $F$ ) में एजेंटों का विभाजन, टेम्पोरल ऑर्डरिंग के साथ एक्शन नोड्स, और सूचना संरचनाएं शामिल हैं।
कॉज़ल लेयर्स (Causal Layers): एजेंट तीन स्तरों पर कार्य कर सकते हैं:
- L1 (Observational): अनऑब्जर्व्ड कारकों द्वारा संचालित सहज क्रियाएं ( $X_i \leftarrow f(U_i)$ )।
- L2 (Interventional): जानबूझकर किए गए चुनाव (मानक गेम थ्योरी, $do(X_i=x_i)$ )।
- L3 (Counterfactual): प्राकृतिक सहजता (natural instincts) पर आधारित परिष्कृत तर्क ( $h: D(X^*_i) \to D(X_i)$ )।
सूचना परिदृश्य (Information Scenarios): मॉडल "मैकेनिज्म इंफॉर्मेशन" पर विचार करता है, जहाँ अनुयायी न केवल लीडर के कार्य को देखते हैं, बल्कि उस कॉज़ल लेयर (L1, L2, या L3) को भी देखते हैं जिसका उपयोग लीडर ने किया था।
इक्विलिब्रियम अवधारणा: पेपर सीक्वेंशियल कॉज़ल नैश इक्विलिब्रियम (S-CNE) को परिभाषित करता है। इसे बैकवर्ड इंडक्शन के माध्यम से कंप्यूट किया जाता है:
1. अनुयायी लीडर की लेयर और कार्य को देखते हैं, फिर अपनी चुनी हुई लेयर के भीतर इष्टतम प्रतिक्रिया चुनते हैं।
2. लीडर इस प्रतिक्रिया का अनुमान लगाता है और इष्टतम लेयर और कार्य का चयन करता है।
सुधार (Refinements): लेखक गैर-विश्वसनीय खतरों (non-credible threats) को समाप्त करने और इरादों के बारे में तर्कसंगत निष्कर्ष सुनिश्चित करने के लिए ट्रेम्बलिंग-हैंड (Trembling-Hand) और फॉरवर्ड इंडक्शन (Forward Induction) सुधार पेश करते हैं।

कंप्यूटेशनल दृष्टिकोण

जटिलता (Complexity): लेखक सिद्ध करते हैं कि S-CNE को कंप्यूट करना PSPACE-complete है।
एल्गोरिदम:
- सटीक गणना (Exact Computation): छोटे एक्शन स्पेस के लिए एग्जॉस्टिव बैकवर्ड इंडक्शन के माध्यम से संभव है।
- अनुमान (Approximation): एक पॉलीनोमियल-टाइम एप्रोक्सिमेशन स्कीम (PTAS) प्रस्तावित किया गया है (एल्गोरिदम 1), जो $\epsilon$ -एप्रोक्सिमेट इक्विलिब्रिया को कंप्यूट करने के लिए कॉज़ल रियलाइजेशन को सैंपल करता है।

अनुभवजन्य जांच (Empirical Investigation)

ढांचे की व्यावहारिक उपयोगिता का परीक्षण करने के लिए, लेखकों ने एक व्यापक अध्ययन किया:

मोंटे कार्लो सिमुलेशन: विभिन्न एक्शन स्पेस (2–20), कॉज़ल टोपोलॉजी (chains, forks, cycles), और सूचना संरचनाओं के साथ 50+ यादृच्छिक रूप से उत्पन्न S-CMAS इंस्टेंस।
सिंथेटिक उदाहरण: विशेष रूप से कॉज़ल रीजनिंग के पक्ष में डिज़ाइन किए गए 5 हस्तनिर्मित गेम प्रकार (जैसे, कोऑर्डिनेशन गेम्स, बैटल ऑफ द सेक्सेस, स्टैग हंट, सहयोग की सहजता के साथ प्रिजनर्स डिलेमा)।
मेट्रिक्स: S-CNE और शास्त्रीय स्टैकलबर्ग इक्विलिब्रियम के बीच सोशल वेलफेयर तुलना; पारेटो इम्प्रूवमेंट रेट्स।

3. मुख्य योगदान (Key Contributions)

S-CMAS का औपचारिकीकरण: पर्ल के कॉज़ल पदानुक्रम को डायनेमिक स्ट्रैटेजिक इंटरैक्शन में एकीकृत करते हुए, अनुक्रमिक लीडर-फॉलोअर सेटिंग्स में Causal Normal Form Games का पहला सैद्धांतिक विस्तार।
जटिलता विश्लेषण: S-CNE कंप्यूटेशन के लिए PSPACE-completeness का प्रमाण, साथ ही सुलभ विशेष मामलों (acyclic structures, fixed layers) की पहचान।
सिग्नलिंग थ्योरी कनेक्शन: यह प्रदर्शित किया गया कि S-CMAS को एक सिग्नलिंग गेम के रूप में पुनर्गठित किया जा सकता है जहाँ लीडर का कॉज़ल लेयर का चुनाव उनके प्रकार (कॉज़ल स्ट्रक्चर) के संकेत के रूप में कार्य करता है।
महत्वपूर्ण नकारात्मक परिणाम: सबसे महत्वपूर्ण योगदान यह अनुभवजन्य प्रदर्शन है कि S-CNE सभी परीक्षण किए गए परिदृश्यों में शास्त्रीय स्टैकलबर्ग इक्विलिब्रियम पर शून्य कल्याण सुधार (zero welfare improvement) प्रदान करता है।

4. परिणाम (Results)

अनुभवजन्य जांच ने एक निर्णायक नकारात्मक परिणाम दिया:

शून्य कल्याण सुधार (Zero Welfare Improvement): 100 परीक्षण किए गए इंस्टेंस (50 रैंडम + 50 सिंथेटिक) में से, S-CNE ने शास्त्रीय स्टैकलबर्ग इक्विलिब्रियम पर 0% पारेटो सुधार प्राप्त किया।
लेयर सिलेक्शन कोलैप्स (Layer Selection Collapse): 96% मामलों में, लीडर्स ने L1 (सहज) लेयर को चुना। हालाँकि, क्योंकि "सहजता" (L1) इक्विलिब्रियम में तर्कसंगत बेस्ट-रिस्पॉन्स (L2) के साथ संरेखित थी, परिणामी कार्य शास्त्रीय स्टैकलबर्ग गेम के समान ही थे।
मैकेनिज्म इंफॉर्मेशन की अप्रासंगिकता: भले ही अनुयायियों ने लीडर की कॉज़ल लेयर को देखा, उनकी इष्टतम प्रतिक्रिया अपरिवर्तित रही। यदि "सहजता" (instincts) अच्छी थी (quality > 0.5), तो L1, L2 के समान था; यदि "खराब" थी, तो तर्कसंगत लीडर्स ने बस L1 से परहेज किया।
बैकवर्ड इंडक्शन न्यूट्रलाइजेशन: अध्ययन निष्कर्ष निकालता है कि तर्कसंगत बेस्ट-रिस्पॉन्स के साथ बैकवर्ड इंडक्शन कॉज़ल लेयर अंतरों से प्राप्त होने वाले किसी भी रणनीतिक लाभ को समाप्त कर देता है। इक्विलिब्रियम लॉजिक एजेंटों को अंततः उन्हीं परिणामों पर अभिसरित (converge) होने के लिए मजबूर करता है जो शास्त्रीय स्टैकलबर्ग गेम में होते हैं।

5. महत्व और निहितार्थ (Significance and Implications)

यह शोध पत्र एक महत्वपूर्ण "नकारात्मक परिणाम" प्रस्तुत करता है जो वर्तमान एजेंटिक AI अनुसंधान के रुझानों को चुनौती देता है:

तर्कसंगतता और कॉज़ल लाभ की असंगतता: यह अध्ययन सिद्ध करता है कि शास्त्रीय गेम-थ्योरेटिक समाधान अवधारणाएं (नैश इक्विलिब्रियम, बैकवर्ड इंडक्शन) कॉज़ल रीजनिंग लाभों का लाभ उठाने के साथ मौलिक रूप से असंगत हैं। यदि एजेंट इक्विलिब्रिया को कंप्यूट करने के लिए पर्याप्त तर्कसंगत हैं, तो कॉज़ल लेयर्स (L1 बनाम L2 बनाम L3) की बारीकियां रणनीतिक रूप से अप्रासंगिक हो जाती हैं।
"रिट्रोफिटिंग" AI की आलोचना: केवल कॉज़ल संरचनाओं या बाउंडेड रेशनलिटी को जोड़कर शास्त्रीय आर्थिक सिद्धांत (जो तर्कसंगत विकल्प पर आधारित है) को AI एजेंटों पर लागू करना अपर्याप्त है। इक्विलिब्रियम अवधारणाओं में निहित "तर्कसंगत बेस्ट-रिस्पॉन्स" की धारणा उन लाभों को ही समाप्त कर देती है जिन्हें फ्रेमवर्क मॉडल करने का प्रयास करता है।
नए आधारों के लिए आह्वान: लेखकों का तर्क है कि रणनीतिक AI (विशेष रूप से LLM-आधारित एजेंटों) को मॉडल करने के लिए गैर-इक्विलिब्रियम फ्रेमवर्क (non-equilibrium frameworks) की आवश्यकता है। भविष्य के शोध को इन पर ध्यान केंद्रित करना चाहिए:
- लर्निंग डायनेमिक्स और निरंतर बाउंडेड रेशनलिटी (जहाँ एजेंट तुरंत बेस्ट रिस्पॉन्स पर अभिसरित नहीं होते हैं)।
- ऑप्टिमाइजेशन के बजाय 'सैटिसफाइसिंग' (satisficing) व्यवहार।
- ऐसे ढांचे जो AI एजेंटों के विशिष्ट "इंस्टिंक्ट्स" (प्रायर्स) और इन्फरेंस प्रक्रियाओं को बिना यह माने कि वे हमेशा तर्कसंगत रूप से कार्य करेंगे, शामिल करें।

निष्कर्ष: हालांकि S-CMAS का सैद्धांतिक ढांचा सुरुचिपूर्ण है, यह पेपर दर्शाता है कि यह मानक इक्विलिब्रियम धारणाओं के तहत अनुक्रमिक सेटिंग्स में कोई व्यावहारिक रणनीतिक लाभ प्रदान करने में विफल रहता है। यह एजेंटिक AI समुदाय को रिट्रोफिटेड आर्थिक मॉडलों से आगे बढ़ने और वास्तव में नए सैद्धांतिक उपकरण विकसित करने के लिए प्रेरित करता है जो आधुनिक, गैर-तर्कसंगत और निरंतर व्यवहार वाले AI एजेंटों के अद्वितीय गुणों को समझ सकें।