कल्पना कीजिए कि आप एक सुपर-स्मार्ट रोबोट से बात कर रहे हैं जो लगभग सब कुछ जानता है। आप उससे एक सवाल पूछते हैं, लेकिन आप एक छोटी सी बारीकी बताना भूल जाते हैं, जैसे कि साल या किसी चीज़ का विशिष्ट प्रकार। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "अस्पष्टता" (ambiguity) कहा जाता है। यह एक दोस्त से पूछने जैसा है, "सबसे अच्छी फिल्म कौन सी है?" बिना यह बताए कि आप एक डरावनी हॉरर फिल्म चाहते हैं या एक मज़ेदार कॉमेडी। रोबोट को अंदाज़ा लगाना पड़ता है कि आपका क्या मतलब है। आमतौर पर, वह एक अंदाज़ा चुनता है, आपको उत्तर देता है, और उम्मीद करता है कि सब ठीक होगा। यदि उसका अंदाज़ा गलत निकलता है, तो आपको एक निराशाजनक उत्तर मिलता है, या इससे भी बुरा, रोबोट अनजाने में आपको कुछ खतरनाक दे सकता है क्योंकि वह आपके इरादे को गलत समझ गया। एडिनबर्ग विश्वविद्यालय के शोधकर्ताओं द्वारा लिखा गया यह शोध पत्र, रोबोट को अंदाज़ा लगाना बंद करने और एक साथ अपने सभी विकल्पों को सूचीबद्ध करना सिखाकर इस "गलत अंदाज़ा लगाने" की समस्या का समाधान करता है।

शोधकर्ता इरिना सपरिना और मिरेला लापाटा, इन बड़े भाषा मॉडलों (LLMs) के लिए इस पेचीदा सवालों को संभालने का एक नया तरीका प्रस्तावित करती हैं। चुपचाप एक ही व्याख्या के प्रति प्रतिबद्ध होने के बजाय, उनकी विधि, जिसे IntentRL कहा जाता है, मॉडल को एक मददगार लाइब्रेरियन की तरह कार्य करने के लिए मजबूर करती है जो कहता है, "मैं देख रहा हूँ कि आपने 'सबसे अच्छी फिल्म' के बारे में पूछा है। इसे समझने के तीन अलग तरीके यहाँ दिए गए हैं: 1) सबसे अच्छी हॉरर फिल्म, 2) सबसे अच्छी कॉमेडी, और 3) अब तक की सबसे अच्छी फिल्म। प्रत्येक के लिए यहाँ उत्तर दिया गया है।" शोध पत्र सुझाव देता है कि मॉडल को एक ही बार में इन विभिन्न अर्थों और उनके संबंधित उत्तरों को स्पष्ट रूप से सूचीबद्ध करने के लिए प्रशिक्षित करके, हम भ्रम से बच सकते हैं और AI को अधिक सुरक्षित और पारदर्शी बना सकते हैं। उन्होंने संवादात्मक प्रश्नों के उत्तर देने और कंप्यूटर कोड (विशेष रूप से डेटाबेस के लिए SQL क्वेरी) लिखने जैसे कार्यों पर इसका परीक्षण किया, और पाया कि उनकी विधि स्पष्टीकरण माँगने या केवल यह उम्मीद करने वाले पिछले तरीकों की तुलना में अधिक सही उत्तर प्रदान करती है।

समस्या: रोबोट का "एक-बार-में-खत्म" वाला अंदाज़ा

कल्पना कीजिए कि आप एक रोबोट के साथ "20 सवाल" (20 Questions) खेल रहे हैं। आप कहते हैं, "मैं एक ऐसे फल के बारे में सोच रहा हूँ जो लाल है।" रोबोट तुरंत चिल्लाता है, "सेब!" और रुक जाता है। लेकिन रुकिए! आप वास्तव में स्ट्रॉबेरी के बारे में सोच रहे थे, या शायद चेरी, या यहाँ तक कि लाल शिमला मिर्च के बारे में। रोबोट ने यह नहीं पूछा, "क्या आपका मतलब बेरी से था?" या "क्या आपका मतलब सब्जी से था?" उसने बस पहली चीज़ चुनी जो उसके डिजिटल दिमाग में आई।

वास्तविक दुनिया में, ऐसा हमेशा होता है। लोग अक्सर कंप्यूटर से बात करते समय संक्षिप्त होते हैं या विवरण भूल जाते हैं। एक उपयोगकर्ता पूछ सकता है, "मुझे 20 मिलियन के बजट वाली फ़िल्में दिखाएं," लेकिन उनका मतलब यह हो सकता है कि "ऐसी फ़िल्में जो हॉरर और थ्रिलर दोनों हों और जिनका बजट इतना हो," या उनका मतलब यह हो सकता है कि "ऐसी फ़िल्में जो हॉरर या थ्रिलर दोनों में से कोई एक हों और जिनका बजट इतना हो।" यदि रोबोट गलत अर्थ चुन लेता है, तो उत्तर बेकार है। इससे भी बुरा, यदि रोबोट एक "रीज़निंग मॉडल" (एक ऐसा मॉडल जो लंबे समय तक सोचता है) है, तो वह गलत विचार के पीछे भागते हुए हज़ारों "टोकन" (सोचने के चरणों का उसका तरीका) बर्बाद कर सकता है, जिससे ऊर्जा नष्ट होती है और उसकी अपनी गलती पुख्ता होती है।

पुराने तरीके: पूछना या बड़बड़ाना

इस नए तरीके से पहले, वैज्ञानिकों ने इसे ठीक करने के दो मुख्य तरीके आजमाए थे:

1. स्पष्टीकरण प्रश्न (The Clarification Question): रोबोट रुकता है और पूछता है, "क्या आपका मतलब हॉरर से है या थ्रiller से?" यह काम तो करता है, लेकिन यह कष्टप्रद है। यह एक त्वरित प्रश्न को एक लंबे, आगे-पीछे चलने वाले संवाद में बदल देता है। यह अपने दोस्त से पूछने जैसा है, "रुको, क्या तुम्हें लाल सेब चाहिए या लाल स्ट्रॉबेरी?" हर बार जब तुम किसी फल के बारे में पूछते हो।
2. लंबे रूप वाला उत्तर (The Long-Form Answer): रोबोट बहुत मददगार होने की कोशिश करता है और एक बड़ा पैराग्राफ लिखता है जो सब कुछ कवर करता है। "खैर, यदि आपका मतलब हॉरर से है, तो यह X है। यदि आपका मतलब थ्रिलर से है, तो यह Y है। यदि आपका मतलब दोनों से है, तो यह Z है।" यह अक्सर अस्त-व्यस्त और पढ़ने में कठिन होता है। यह एक ऐसे दोस्त जैसा है जो एक साधारण प्रश्न का उत्तर देने के लिए 10 पन्नों का निबंध दे देता है। इसके अलावा, यदि अर्थ एक-दूसरे के विपरीत हैं (जैसे "हॉरर और थ्रिलर दोनों वाली फ़िल्में दिखाएं" बनाम "हॉरर या थ्रिलर में से कोई एक वाली फ़िल्में"), तो उन्हें एक सुचारू कहानी में मिलाना कठिन होता है।

नया समाधान: "मेन्यू" दृष्टिकोण

इस पत्र के लेखक एक तीसरा तरीका सुझाते हैं: संरचित मेन्यू (The Structured Menu)। अंदाज़ा लगाने या बड़बड़ाने के बजाय, रोबोट "व्याख्या-उत्तर युग्मों" (Interpretation-Answer Pairs) की एक व्यवस्थित सूची बनाता है।

इसे एक ऐसे रेस्तरां में ऑर्डर देने जैसा समझें जहाँ मेन्यू अस्पष्ट है। यदि आप कहते हैं, "मैं स्पेशल डिश लूँगा," और स्पेशल में बर्गर या सलाद हो सकता है, तो एक सामान्य वेटर आपको सिर्फ एक बर्गर लाकर दे सकता है। हालाँकि, IntentRL रोबка रोबोट आपको तीन छोटी प्लेटों वाली एक ट्रे लाता है:

• प्लेट 1: "यदि आपका मतलब बर्गर स्पेशल से था, तो यह रहा आपका बर्गर।"
• प्लेट 2: "यदि आपका मतलब सलाद स्पेशल से था, तो यह रहा आपका सलाद।"
• प्लेट 3: "यदि आपका मतलब सूप स्पेशल से था, तो यह रहा आपका सूप।"

रोबोट यह एक ही चरण में करता है। वह आपके द्वारा "नहीं, मुझे सलाद चाहिए" कहने का इंतज़ार नहीं करता। वह बस एक साथ सभी विकल्प देता है, जिन्हें स्पष्ट रूप से लेबल किया गया है। यह बहुत अच्छा है क्योंकि:

• पारदर्शिता: आप देख सकते हैं कि उसने वह उत्तर क्यों दिया।
• गति: बातचीत के दूसरे दौर का इंतज़ार नहीं करना पड़ता।
• सुरक्षा: यदि कोई उत्तर खतरनाक है, तो आप अन्य विकल्पों को देखकर उसे तुरंत पहचान सकते हैं।

उन्होंने रोबोट को कैसे सिखाया: "डबल-गोल" गेम

रोबोट को यह करना सिखाना कठिन है। आप उसे केवल प्रश्नों और उत्तरों की सूची नहीं दिखा सकते क्योंकि रोबोट को यह सीखना होगा कि कब कई चीजें सूचीबद्ध करनी हैं और कब केवल एक उत्तर देना है। यदि आप उसे हमेशा पाँच विकल्प सूचीबद्ध करने के लिए सिखाते हैं, तो वह आपको तब परेशान करेगा जब आप "2+2 क्या है?" जैसा सरल प्रश्न पूछेंगे।

शोधकर्ताओं ने रीइन्फोर्समेंट लर्निंग (Reinेंमेंट लर्निंग - इसे कुत्ते को ट्रीट देकर प्रशिक्षित करने जैसा समझें) नामक एक तकनीक का उपयोग किया। उन्होंने रोबोट को एक विशेष "दोहरा इनाम" (dual reward) सिस्टम दिया:

1. "कैच-ऑल" इनाम (रिकॉल): यदि प्रश्न अस्पष्ट है (जैसे, "किस अन्य राज्य ने शासन किया?"), तो रोबोट को बड़ा इनाम मिलता है यदि वह सभी संभावित वैध उत्तरों को सूचीबद्ध करता है। यह मछली पकड़ने के खेल जैसा है जहाँ आपको तालाब की हर तरह की मछली पकड़ने के लिए अंक मिलते हैं।
2. "प्रिसिजन" इनाम: यदि प्रश्न स्पष्ट है (जैसे, "फ्रांस की राजधानी क्या है?"), तो रोबोट को केवल एक सही उत्तर देने के लिए इनाम मिलता है। यदि वह पाँच अलग-अलग राजधानियाँ सूचीबद्ध करने की कोशिश करता है, तो उसे कोई इनाम नहीं मिलता (या दंड मिलता है)।

महत्वपूर्ण बात यह है कि उन्हें रोबोट को यह सिखाने की आवश्यकता नहीं थी कि "व्याख्याएँ" क्या थीं। उन्हें केवल सही उत्तरों की सूची की आवश्यकता थी। रोबोट ने बाकी सब कुछ खुद ही सीख लिया—यह जानकर कि उसे अपने "ट्रीट्स" (इनाम) को अधिकतम करना है। उसने सीखा कि कब कहना है, "हम्म, इस प्रश्न के कई अर्थ हो सकते हैं। मैं सुरक्षित रहने के लिए तीनों को सूचीबद्ध करूँगा," या "यह प्रश्न सरल है। मैं बस एक उत्तर दूँगा।"

परिणाम: एक स्पष्ट विजेता

टीम ने इस नए तरीके का परीक्षण दो अलग-अलग प्रकार के कार्यों पर किया:

1. संवादात्मक प्रश्नोत्तर (Conversational Question Answering): किसी कहानी या बातचीत के आधार पर प्रश्नों के उत्तर देना।
2. टेक्स्ट-टू-SQL (Text-to-SQL): अंग्रेजी प्रश्नों को डेटाबेस को क्वेरी करने के लिए कंप्यूटर कोड (SQL) में बदलना।

उन्होंने अपने तरीके (IntentRL) की तुलना निम्नलिखित से की:

• केवल रोबोट को अंदाज़ा लगाने के लिए कहना (Prompting)।
• रोबोट को उदाहरण दिखाकर सिखाना (Supervised Fine-Tuning)।
• "स्पष्टीकरण प्रश्न" विधि (उपयोगकर्ता से पूछना)।
• सुपर-स्मार्ट, क्लोज्ड-सोर्स मॉडल (जैसे GPT-5.4 और Gemini 2.5 Pro)।

निष्कर्ष चौंकाने वाले थे:

• बेहतर कवरेज: IntentRL ने अस्पष्ट मामलों में 74.1% मामलों में सही उत्तर ढूँढा (Full Coverage), जबकि सबसे अच्छे क्लोज्ड-सोर्स मॉडल केवल लगभग 16% ही कर पाए। यहाँ तक कि "सोचने वाले" (Thinking) मॉडल भी मानक मॉडलों से बहुत बेहतर नहीं थे।
• "ओवर-थिंकिंग" नहीं: शोधकर्ताओं ने पाया कि केवल रोबोट को अधिक देर तक "सोचने" के लिए बनाने से उसे अधिक उत्तर खोजने में मदद नहीं मिली। रोबोट अक्सर एक ही गलत विचार पर अटका रहता था। IntentRL, हालांकि, व्यवस्थित रूप से विभिन्न रास्तों को खोजने में सक्षम था।
• सामान्यीकरण (Generalization): जब उन्होंने रोबोट का परीक्षण एक पूरी तरह से नए प्रकार के डेटाबेस पर किया जिसे उसने पहले कभी नहीं देखा था, तब भी IntentRL ने अच्छा प्रदर्शन किया। अन्य तरीके (जैसे मानक प्रशिक्षण) विफल रहे क्योंकि वे पुराने डेटाबेस पैटर्न को केवल याद कर रहे थे। यह सुझाव देता है कि IntentRL ने एक सामान्य कौशल सीखा है—"उपयोगकर्ता का क्या मतलब है, इसके बारे में सोचना"—न कि केवल उत्तरों को रटना।
• मानवीय स्वीकृति: जब मनुष्यों ने रोबोट के उत्तरों को देखा, तो वे इस बात से सहमत थे कि व्याख्याएँ 90% बार तर्कसंगत थीं। रोबोट केवल यादृच्छिक सूचियाँ नहीं बना रहा था; वह वास्तव में अपने तर्क को समझा रहा था।

भविष्य के लिए इसका क्या अर्थ है

यह शोध पत्र बताता है कि अस्पष्टता को संभालने की कुंजी केवल रोबोट को बड़ा या स्मार्ट बनाना नहीं है, या उसे "कड़ी मेहनत" करने के लिए कहना नहीं है। यह उसे इरादे (intent) के बारे में सोचने के लिए सिखाने के बारे में है। मॉडल को एक संरचित सूची बनाने के लिए मजबूर करके, हमें एक ऐसी प्रणाली मिलती है जो इस बारे में अधिक ईमानदार है कि वह क्या जानता है और क्या नहीं।

लेखक बताते हैं कि हालाँकि उनका तरीका बेहतरीन है, लेकिन यह पूर्ण नहीं है। कभी-कभी रोबोट बहुत अधिक विकल्प सूचीबद्ध कर देता है (5 तक), और अत्यंत अस्पष्ट प्रश्नों के लिए, एक इंसान को अभी भी हस्तक्षेप करने की आवश्यकता हो सकती है। साथ ही, उन्होंने यह परीक्षण नहीं किया कि क्या मनुष्य इस "मेन्यू शैली" को सरल बातचीत की तुलना में पसंद करते हैं, हालांकि उन्हें संदेह है कि यह कोड लिखने जैसे तकनीकी कार्यों के लिए बहुत उपयोगी होगा।

संक्षेप में, यह शोध पत्र दिखाता है कि AI को यह सिखाकर कि, "यहाँ वे सभी तरीके दिए गए हैं जिनसे मैं आपके प्रश्न को समझ सकता हूँ, और प्रत्येक के लिए यहाँ उत्तर दिए गए हैं," हम ऐसे रोबोट बना सकते हैं जो हमें गलत समझने की कम संभावना रखते हैं, समय बर्बाद करने की कम संभावना रखते हैं, और लंबे समय में अधिक सहायक होते हैं। यह "अंदाज़ा लगाने और उम्मीद करने" से "सूचीबद्ध करने और स्पष्ट करने" की ओर एक बदलाव है, जो एक ही कुशल चरण में होता है।