MentisOculi: Revealing the Limits of Reasoning with Mental Imagery
यह शोध पत्र MentisOculi प्रस्तुत करता है, जो एक बेंचमार्क सुइट है जो यह प्रदर्शित करता है कि दृश्य तर्क (विजुअल रीजनिंग) की क्षमता के बावजूद, वर्तमान एकीकृत मल्टीमॉडल मॉडल संचयी पीढ़ी त्रुटियों (कंपाउंडिंग जनरेशन एरर्स) और दृश्य सहायता का प्रभावी ढंग से लाभ उठाने में असमर्थता के कारण मध्यवर्ती विज़ुअलाइज़ेशन के माध्यम से प्रदर्शन में सुधार करने में विफल रहते 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 आप एक जटिल पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि कोई स्लाइडिंग ब्लॉक गेम या पेपर-फोल्डिंग ट्रिक। आप जानते हैं कि इंसान अक्सर इन्हें अपनी आँखों को बंद करके और अपने मन के भीतर टुकड़ों को चलते हुए "देखकर" हल करते हैं। हम इसे मानसिक चित्रण (Mental Imagery) कहते हैं।
हाल ही में, उन्नत AI मॉडल्स ने टेक्स्ट पढ़ने और चित्र बनाने, दोनों में बहुत महारत हासिल कर ली है। इस वजह से शोधकर्ताओं ने एक बड़ा सवाल पूछा: क्या ये AI, इंसानों की तरह सोचने और समस्याओं को हल करने के लिए अपने स्वयं के "मानकी मानसिक चित्रण" का उपयोग कर सकते हैं?
यह पता लगाने के लिए, इस शोध पत्र के लेखकों ने एक नया परीक्षण क्षेत्र बनाया जिसे MENTISOCULI (जिसका मोटा-मोटी अर्थ है "मन की आँखें") कहा जाता है।
परीक्षण: AI के लिए एक मानसिक जिम
शोधकर्ताओं ने पांच अलग-अलग प्रकार की पहेलियाँ बनाईं जो शब्दों में बताना कठिन हैं लेकिन यदि आप उन्हें विज़ुअलाइज़ (कल्पना) कर सकें तो उन्हें हल करना आसान है। इन्हें मस्तिष्क के लिए एक जिम की तरह समझें:
- फॉर्म बोर्ड (Form Board): एक विशिष्ट आकार में पहेली के टुकड़ों को फिट करना।
- हिंज फोल्डिंग (Hinge Folding): एक लक्ष्य से मेल खाने के लिए जुड़े हुए आकारों को घुमाने के तरीके को समझना।
- पेपर फोल्ड (Paper Fold): यह अनुमान लगाना कि कागज के एक टुकड़े को मोड़ने और उसमें छेद करने के बाद छेद कहाँ दिखाई देंगे।
- रश ऑवर (Rush Hour): ट्रैफिक जाम से कारों को बाहर निकालना।
- स्लाइडिंग पज़ल (Sliding Puzzle): एक बिखरी हुई तस्वीर को फिर से व्यवस्थित करना।
ये पहेलियाँ कठिन होती जाती हैं, जिनमें अधिक चरणों और अधिक जटिल मानसिक "मूव्स" की आवश्यकता होती है।
प्रयोग: AI को चित्रों के साथ "सोचने" देना
शोधकर्ताओं ने आज के सबसे स्मार्ट AI मॉडल्स का परीक्षण किया। उन्होंने मॉडल्स को एक विकल्प दिया:
- पुराना तरीका: केवल शब्दों का उपयोग करके पहेली को हल करना (जैसे कोई इंसान समस्या पर चर्चा करते हुए)।
- नया तरीका: मध्यवर्ती चित्र (intermediate images) उत्पन्न करके पहेली को हल करना। AI अगले कदम के पहेली को अपने मन में (या स्क्रीन पर) "बनाएगा" और फिर तय करेगा कि आगे क्या करना है।
यह एक शतरंज खिलाड़ी से पूछने जैसा है कि क्या वह केवल चालों के बारे में सोचे या हर एक चाल के बाद बोर्ड को वास्तव में ड्रा करे ताकि योजना बनाने में मदद मिल सके।
बड़ी खोज: चित्र बनाना मदद नहीं करता (अभी तक)
परिणाम आश्चर्यजनक थे। मॉडल्स की सुंदर चित्र बनाने की क्षमता के बावजूद, अपने स्वयं के "मानसिक चित्र" उत्पन्न करने से उन्हें पहेलियाँ हल करने में मदद नहीं मिली। वास्तव में, इसने उनके प्रदर्शन को अक्सर और खराब कर दिया।
यहाँ इसके कारण दिए गए हैं, सरल उपमाओं का उपयोग करते हुए:
1. "भ्रमित कलाकार" (The Hallucinating Artist) की समस्या
कल्पना कीजिए कि एक कलाकार है जो एक अकेली कार बनाने में बहुत अच्छा है, लेकिन जब उससे एक पूरे ट्रैफिक जाम को बनाने के लिए कहा जाता है जहाँ कारें एक-एक करके चलती हैं, तो वह पिछले फ्रेम में कारों के स्वरूप को भूलता जाता है। वह एक नई कार जोड़ सकता है जो वहाँ नहीं थी, किसी कार को गायब कर सकता है, या एग्जिट साइन का रंग बदल सकता है।
शोध में पाया गया कि जब AI मॉडल्स ने इन "सोचने वाले चित्रों" को बनाने की कोशिश की, तो उन्होंने हर चरण में छोटी गलतियाँ कीं। जब तक वे अंतिम चरण तक पहुँचे, चित्र इतना विकृत और गलत हो गया था कि AI उस पर भरोसा नहीं कर सका। यह एक भूलभुलैया में एक ऐसे मानचित्र का उपयोग करने जैसा था जो हर बार देखने पर अपनी दीवारें बदल देता है।
2. "दो मस्तिष्क" (The Two Brains) की समस्या
शोधकर्ताओं ने पाया कि AI का "टेक्स्ट ब्रेन" (शब्दों के साथ तर्क करने की क्षमता) और उसका "इमेज ब्रेन" (चित्र बनाने की क्षमता) आपस में बात नहीं कर रहे थे।
- टेक्स्ट ब्रेन केवल तर्क का उपयोग करके सही उत्तर निकाल सकता था।
- इमेज ब्रेन कभी-कभी एक सही चित्र बना सकता था।
- लेकिन जब AI ने चित्र का उपयोग टेक्स्ट ब्रेन की मदद के लिए करने की कोशिश की, तो वे भ्रमित हो गए। टेक्स्ट ब्रेन चित्र को अनदेखा कर देता था, या चित्र समाधान के बिल्कुल अलग रूप को दिखाता था। वे एक नाव को अलग-अलग दिशाओं में चलाने की कोशिश करने वाले दो लोगों की तरह थे।
3. "ओरेकल" (The Oracle) टेस्ट
यह देखने के लिए कि समस्या ड्राइंग की थी या समझ की, शोधकर्ताओं ने AI को सटीक, ग्राउंड-ट्रुथ चित्र (जैसे कि अगला सही कदम दिखाने वाला एक चीट शीट) दिए। इन सटीक चित्रों के बावजूद, AI अभी भी पहेली को हल करने के लिए उनका उपयोग करने में संघर्ष करता रहा। इससे सिद्ध हुआ कि AI केवल चित्र बनाने में बुरा नहीं है; यह दृश्य जानकारी की व्याख्या करने और निर्णय लेने में भी कमजोर है।
मानव तुलना
शोधकर्ताओं ने मनुष्यों को भी ये पहेलियाँ हल करने के लिए कहा।
- इंसान: जब पहेली कठिन होती गई, तो इंसानों ने अधिक समय तक सोचा और इसे हल करने के लिए अधिक चरणों का उपयोग किया। उन्होंने अपने प्रयास को अनुकूलित किया।
- AI: जब पहेली कठिन होती गई, तो AI ने अपनी रणनीति नहीं बदली। उसने अधिक "सोचने का समय" (टोकन) नहीं लगाया या अधिक प्रयास नहीं किया। वह बस उसी तरह विफल होता रहा।
मुख्य निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि हालांकि AI द्वारा "मानसिक चित्रण" का उपयोग करके सोचने का विचार बहुत आकर्षक है, लेकिन वर्तमान तकनीक इसके लिए तैयार नहीं है।
मॉडल्स एक ऐसे व्यक्ति की तरह हैं जो एक कार का सटीक वर्णन कर सकता है और एक कार को सटीक रूप से बना भी सकता है, लेकिन यदि आप उनसे चरण-दर-चरण एक ट्रैफिक जाम में चलती कार बनाने के लिए कहें, तो वे नियमों का ट्रैक खो देते हैं। वे अभी भी चित्र बनाने (generating) और उसके साथ तर्क करने (reasoning) के बीच के अंतर को पाट नहीं पा रहे हैं।
फिलहाल, जटिल तर्क कार्यों के लिए ये AI मॉडल्स शब्दों का उपयोग करने में ही बेहतर हैं। "मन की आँखें" खुली तो हैं, लेकिन वे अभी इतनी स्पष्ट नहीं हैं कि दिमाग को सोचने में मदद कर सकें।
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।