Can LLMs Perceive Time? An Empirical Investigation
यह अनुभवजन्य अध्ययन प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स में अपने स्वयं के अनुमान समय (इन्फ्रेंस टाइम) को समझने या अनुमान लगाने की क्षमता मौलिक रूप से नहीं है, जो उनके प्रपोजीशनल ज्ञान और अनुभवात्मक आधार के बीच विच्छेद के कारण विभिन्न कार्यों और मॉडल परिवारों में लगातार गलत पूर्व-कार्य भविष्यवाणियां, पश्च-घटना स्मरण (पोस्ट-हॉक रिकॉल), और सापेक्ष क्रमबद्ध निर्णय उत्पन्न करते 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
यहाँ "Can LLMs Perceive Time?" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ हिंदी अनुवाद दिया गया है।
मुख्य विचार: "समय-अंधा" शेफ (The "Time-Blind" Chef)
कल्पना कीजिए कि आपने एक शानदार, सुपर-फास्ट शेफ (AI) को खाना बनाने के लिए काम पर रखा है। यह शेफ खाने के बारे में सब कुछ जानता है। उसे पता है कि स्टेक को ग्रिल करने में 10 मिनट लगते हैं, केक बेक करने में एक घंटा लगता है, और प्याज काटने में बहुत कम समय लगता है। उसने अब तक लिखी गई हर कुकबुक पढ़ रखी है।
हालाँकि, एक पेंच है: इस शेफ ने वास्तव में कभी रसोई में कदम नहीं रखा है। उसने कभी चूल्हे की गर्मी महसूस नहीं की, कभी टाइमर की बीप नहीं सुनी, और कभी प्याज काटते समय बीतते हुए समय का भार महसूस नहीं किया। वह केवल वही जानता है जो किताबों में लिखा है, वह यह नहीं जानता कि वास्तविकता कैसी महसूस होती है।
यह पेपर इस बात की जांच करता है कि जब हम इस "समय-अंधे" शेफ से पूछते हैं: "अभी मुझे यह विशिष्ट व्यंजन बनाने में कितना समय लगेगा?" तो क्या होता है।
जवाब? शेफ पूरी तरह से गलत होता है।
चार प्रयोग (स्वाद परीक्षण)
शोधकर्ताओं ने यह देखने के लिए AI को चार अलग-अलग परीक्षणों से गुजारा कि उसकी समय की समझ कितनी खराब है।
1. "क्रिस्टल बॉल" टेस्ट (कार्य-पूर्व अनुमान - Pre-Task Estimates)
सेटअप: काम शुरू करने से पहले, वे AI से पूछते हैं: "इसमें कितने सेकंड लगेंगे?"
वास्तविकता: AI इसमें बहुत बुरा है।
- उपमा: कल्पना कीजिए कि आप शेफ से एक साधारण ग्रिल्ड चीज़ सैंडविच बनाने के लिए कहते हैं। शेफ, जिसने "खाना पकाने" के बारे में पढ़ा है, अनुमान लगाता है कि इसमें 20 मिनट लगेंगे। वास्तव में, सैंडविच 3 सेकंड में तैयार हो जाता है।
- परिणाम: AI लगातार अनुमान लगाता है कि कार्यों में वास्तव में लगने वाले समय से 4 से 7 गुना अधिक समय लगेगा। यदि किसी कार्य में 10 सेकंड लगते हैं, तो AI सोचता है कि इसमें एक या दो मिनट लगेंगे। यह ऐसा है जैसे कोई अनुमान लगाए कि एक स्प्रिंट (छोटी दौड़) में मैराथन जितना समय लगेगा।
2. "कौन सा तेज़ है?" टेस्ट (सापेक्ष क्रम - Relative Ordering)
सेटअप: शोधकर्ता AI को दो कार्य देते हैं और पूछते हैं: "किसमें अधिक समय लगेगा?"
- कार्य A: एक "कठिन" गणित की समस्या (जिसे "Hard" लेबल किया गया है)।
- कार्य B: एक "मध्यम" रचनात्मक लेखन प्रॉम्प्ट (जिसे "Medium" लेबल किया गया है)।
जाल: वास्तविक दुनिया में, AI की सुपर-स्पीड की वजह से "कठिन" गणित की समस्या तुरंत हल हो सकती है, जबकि "मध्यम" लेखन कार्य में अधिक समय लग सकता है क्योंकि AI को रचनात्मक शब्दों के बारे में सोचना पड़ता है।
परिणाम: AI बुरी तरह विफल रहता है। वह वास्तविकता के बजाय लेबल्स (Labels) पर निर्भर करता है। वह सोचता है "Hard लेबल = लंबा समय।" - उपमा: यह उस व्यक्ति की तरह है जिसने कभी दौड़ देखी ही नहीं, लेकिन वह मान लेता है कि "वर्ल्ड चैंपियन" की शर्ट पहनने वाला धावक, "बिगिनर" की शर्ट पहनने वाले धावक से धीमा होगा, सिर्फ इसलिए क्योंकि "बिगिनर" संघर्ष करता हुआ दिख रहा है।
- चौंकाने वाला तथ्य: उन पेचीदा जोड़ों पर जहाँ "कठिन" कार्य वास्तव में तेज़ था, AI 82% बार गलत साबित हुआ (केवल 18% सटीकता मिली)। यह रैंडम अनुमान लगाने से भी बदतर था!
3. "मेमोरी टेस्ट" (कार्य-पश्चात स्मरण - Post-Hoc Recall)
सेटअप: AI एक कार्य पूरा करता है। तुरंत बाद, वे पूछते हैं: "इसमें आपको कितना समय लगा?"
परिणाम: AI के पास समय बीतने की कोई स्मृति नहीं है।
- उपमा: कल्पना कीजिए कि आप एक सेकंड में एक कुकी खाते हैं। तुरंत बाद, कोई आपसे पूछता है, "आपने उसे खाने में कितना समय लिया?" आप कह सकते हैं, "ओह, लगभग 5 मिनट," क्योंकि आप जानते हैं कि खाने में आमतौर पर समय लगता है, भले ही आपने इसे तुरंत कर लिया हो।
- वास्तविकता: AI के अनुमान वास्तविकता से पूरी तरह कटे हुए थे। कभी-कभी उसे लगता कि एक कार्य में 10 मिनट लगे जब कि वास्तव में 10 सेकंड लगे थे। उसके पास चेक करने के लिए कोई "आंतरिक घड़ी" नहीं है।
4. "जटिल प्रोजेक्ट" टेस्ट (एजेंटिक कार्य - Agentic Tasks)
सेटअप: शोधकर्ताओं ने AI को एक बहु-चरणीय काम दिया, जैसे "एक वेबसाइट बनाना" या "एक टूटा हुआ कंप्यूटर प्रोग्राम ठीक करना।" इनमें कई चरण, टूल्स और चीजों के लोड होने का इंतज़ार शामिल है।
परिणाम: AI का समय-अंधापन यहाँ और भी खराब हो गया।
- उपमा: यदि आप एक समय-अंधे व्यक्ति को रोड ट्रिप प्लान करने के लिए कहते हैं, तो वह अनुमान लगा सकता है कि पूरी यात्रा में 2 घंटे लगेंगे क्योंकि "ड्राइविंग तेज़ है," यह भूलकर कि बीच में ट्रैफिक, गैस स्टॉप और डायवर्जन भी होंगे।
- वास्तविकता: AI के अनुमान 5 से 10 गुना गलत थे। वह यह अनुमान नहीं लगा सका कि टूल्स को काम करने में कितना समय लगेगा या डिबगिंग (debugging) में कितना समय लगेगा।
ऐसा क्यों होता है? (गायब सामग्री)
पेपर बताता है कि AI में टेम्पोरल ग्राउंडिंग (Temporal Grounding) की कमी है।
- इंसान: हम समय के बारे में जानकर नहीं, बल्कि जीकर सीखते हैं। हम पानी उबलने का इंतज़ार करते हैं। हम अपने दिल की धड़कन महसूस करते हैं। हमें पता है कि दुकान तक जाने में कितना समय लगता है क्योंकि हमने इसे हज़ार बार किया है। हमारे पास एक "शरीर" है जो समय का अनुभव करता है।
- AI: AI केवल टेक्स्ट (Text) देखता है। वह "सेकंड्स" शब्द देखता है और जानता है कि "सेकंड्स" समय की एक इकाई है। लेकिन उसने कभी एक सेकंड को बीतते हुए महसूस नहीं किया है। वह यह नहीं जानता कि उसका अपना "दिमाग" (कंप्यूटर चिप) कितना तेज़ है, या इंटरनेट कितना धीमा है।
"ब्लैक बॉक्स" की समस्या:
कल्पना कीजिए कि AI एक बक्से के अंदर रहने वाला जादूगर है। वह टोपी से खरगोश निकाल सकता है, लेकिन उसे नहीं पता कि उस ट्रिक में कितना समय लगा क्योंकि वह बक्से के बाहर की घड़ी नहीं देख सकता। इस काम में लगने वाला समय बक्से के आकार (कंप्यूटर हार्डवेयर), जादूगर की गति (प्रोसेसर), और बाहर के मौसम (नेटवर्क स्पीड) पर निर्भर करता है। बक्से के अंदर मौजूद AI इनमें से कुछ भी नहीं जानता।
हमें इसकी चिंता क्यों करनी चाहिए?
यदि हम चाहते हैं कि AI एक मैनेजर या प्लानर (जैसे एक बॉस जो काम करने वालों को काम सौंपता है) बने, तो उसे पता होना चाहिए कि कामों में कितना समय लगता है।
- यदि AI सोचता है कि एक कार्य में 1 घंटा लगेगा लेकिन वास्तव में उसमें 1 मिनट लगता है, तो वह संसाधनों को बर्बाद कर सकता है।
- यदि वह सोचता है कि 1 मिनट लगेगा लेकिन वास्तव में 1 घंटा लगेगा, तो वह वास्तविक दुनिया की आपात स्थिति (जैसे मेडिकल ट्राइएज या इमरजेंसी रिस्पॉन्स) में समय सीमा चूक सकता है।
निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) अपने समय का अनुमान नहीं लगा सकते। वे उन शानदार पुस्तकालयाध्यक्षों (librarians) की तरह हैं जिन्होंने समय के बारे में हर किताब पढ़ी है लेकिन कभी हाथ में घड़ी नहीं देखी।
समाधान क्या है?
हम केवल AI से यह नहीं कह सकते कि "ज़्यादा कोशिश करो।" हमें उनके लिए बाहरी घड़ियाँ (External Clocks) बनानी होंगी। हमें उन्हें एक ऐसा टूल देना होगा जो कहे, "हे, तुमने उस काम में 10 सेकंड बिताए हैं," ताकि वे सीख सकें। जब तक ऐसा नहीं होता, हमें अपना दिन शेड्यूल करने या अपने समय को मैनेज करने के लिए AI पर भरोसा नहीं करना चाहिए; हमें यह काम खुद करना होगा।
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।