Math Takes Two: A test for emergent mathematical reasoning in communication
यह शोध पत्र "मैथ टेक्स टू" (Math Takes Two) का परिचय देता है, जो एक नया बेंचमार्क है जिसे यह मूल्यांकन करने के लिए डिज़ाइन किया गया है कि क्या भाषा मॉडल वास्तविक उभरती हुई गणितीय तर्क क्षमता प्रदर्शित कर सकते हैं, जिसमें दो एजेंटों को प्रथम सिद्धांतों से दृश्य रूप से आधारित समस्याओं को हल करने के लिए एक साझा प्रतीकात्मक प्रोटोकॉल को सह-विकसित करने का कार्य दिया जाता है।
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
मुख्य विचार: क्या रोबोट गणित का "आविष्कार" कर सकते हैं?
कल्पना कीजिए कि आप और एक दोस्त एक निर्जन द्वीप पर फंस गए हैं। आप एक ही भाषा नहीं बोल सकते, और आपके पास कहीं भी कोई संख्या लिखी हुई नहीं है। हालाँकि, आपको नारियलों का व्यापार करना है। आप 12 नारियलों का ढेर देखते हैं, और आपके दोस्त को ठीक से पता होना चाहिए कि वहाँ कितने हैं ताकि वे आपको बदले में कुछ मछलियाँ दे सकें।
चूँकि आपके पास "बारह" शब्द नहीं है, इसलिए आप इशारा करना शुरू कर सकते हैं, या विशिष्ट हाथों के संकेत बना सकते हैं, या यहाँ तक कि पत्थरों को एक पैटर्न में थपथपा सकते हैं। अंततः, आपको एहसास हो सकता है, "अरे, हर बार जब मैं इस विशेष पत्थर को तीन बार थपथपाता हूँ, तो इसका मतलब चार का एक समूह होता है।"
आपने संचार की आवश्यकता के माध्यम से गणित का आविष्कार कर लिया है।
यह शोध पत्र, जिसे "मैथ टेक्स टू" (Math Takes Two) कहा जाता है, एक गहरा प्रश्न पूछता है: क्या आर्टिफिशियल इंटेलिजेंस (AI) भी ऐसा ही कर सकता है? क्या एक कंप्यूटर किसी समस्या को हल करने के लिए दूसरे कंप्यूटर से बात करने की आवश्यकता के कारण शून्य से गणित का "आविष्कार" कर सकता है?
समस्या: पैटर्न पहचानने वाले बनाम वास्तविक विचारक
अभी, AI (जैसे ChatGPT) गणित में अविश्वसनीय रूप से अच्छा है, लेकिन यह "चीटिंग" कर रहा हो सकता है।
इसे एक ऐसे छात्र की तरह समझें जिसने किताब के पीछे दिए गए उत्तरों को रट लिया है। यदि आप उनसे किताब से कोई प्रश्न पूछते हैं, तो वे जीनियस दिखाई देते हैं। लेकिन यदि आप संख्याओं को बदल दें या कोई अजीब नया प्रतीक उपयोग करें जो उन्होंने पहले कभी नहीं देखा है, तो वे अक्सर टूट जाते हैं। वे तर्क (reasoning) नहीं कर रहे हैं; वे केवल उन पैटर्न को पहचान रहे हैं जिन्हें उन्होंने प्रशिक्षण के दौरान देखा था।
शोधकर्ता जानना चाहते हैं कि क्या AI एक "पैटर्न मैचर" (Pattern Matcher) (वह जो रट लेता है) से बदलकर एक "रीज़नर" (Reasoner) (वह जो अंतर्निहित नियमों को समझता है) बन सकता है।
प्रयोग: "ब्लाइंड ट्रेडिंग" गेम
इसका परीक्षण करने के लिए, शोधकर्ताओं ने एक खेल बनाया। दो AI एजेंटों की कल्पना करें: द स्पीकर (The Speaker) और द लिसनर (The Listener)।
- द स्पीकर एक तस्वीर देखता है (उदाहरण के लिए, 3x4 सेबों का एक ग्रिड)।
- द स्पीकर तस्वीर नहीं दिखा सकता। वे केवल एक छोटे, यादृच्छिक वर्णमाला (जैसे
A, B, C, 0, 1, 2, +, *) का उपयोग करके एक छोटा "टेक्स्ट मैसेज" भेज सकते हैं। - द लिसनर संदेश प्राप्त करता है और विकल्पों की एक पंक्ति में से सही तस्वीर चुनना होता है।
ट्विस्ट: शोधकर्ता AI को यह नहीं बताते कि प्रतीकों का अर्थ क्या है। वे यह नहीं कहते कि "1 का अर्थ एक वस्तु है।" AI को, प्रयास और त्रुटि (trial and error) के माध्यम से, यह समझना होगा कि "प्रतीक A" का अर्थ एक निश्चित आकार हो सकता है, या "प्रतीक +" का अर्थ "इन समूहों को जोड़ना" हो सकता है।
इसे और कठिन बनाने के लिए, वे एक "कर्वबॉल" (Curveball) (आउट-ऑफ-डिस्ट्रीब्यूशन टेस्टिंग) फेंकते हैं। एक बार जब AI को लगता है कि उसने इसे समझ लिया है, तो शोधकर्ता नए आकार और बहुत बड़ी संख्याएँ पेश करते हैं जो AI ने पहले कभी नहीं देखी हैं। यदि AI वास्तव में गणित को "समझता" है, तो वह इन नई समस्याओं को हल करने के लिए अपनी "आविष्कृत भाषा" का उपयोग करने में सक्षम होना चाहिए।
उन्हें क्या मिला?
शोधकर्ताओं ने AI की तुलना इंसानों से की।
- इंसान गणित के जादूगर होते हैं: भले ही उन्हें एक अजीब, बनावटी वर्णमाला दी गई हो, इंसान अनुकूलन करने में अविश्वसनीय रूप से अच्छे थे। हमने जल्दी ही समझ लिया, "ओह, मैं देख रहा हूँ! यह प्रतीक एक पंक्ति का प्रतिनिधित्व करता है, और वह प्रतीक एक कॉलम का प्रतिनिधित्व करता है," और हम उन बड़ी संख्याओं के साथ समस्याओं को हल कर सके जिन्हें हमने पहले कभी नहीं देखा था।
- AI अभी भी एक बच्चा है: वर्तमान AI मॉडल संघर्ष कर रहे थे। वे सरल कार्यों को संभाल सकते थे, लेकिन जैसे ही "कर्वबॉल" आया (नए आकार या बड़ी संख्याएँ), वे भ्रमित हो गए। वे जो कुछ भी उन्होंने देखा था उसकी नकल करने में अच्छे थे, लेकिन वे इंसानों की तरह गणित के नियमों का "आविष्कार" नहीं कर रहे थे।
यह क्यों मायने रखता है?
यदि हम ऐसा AI बनाना चाहते जो नए वैज्ञानिक रहस्यों को हल कर सके या अप्रत्याशित वास्तविक दुनिया में नेविगेट कर सके, तो हम केवल इंटरनेट को याद करने पर निर्भर नहीं रह सकते।
हमें ऐसे AI की आवश्यकता है जो अपने स्वयं के उपकरण बना सके। यह शोध पत्र यह देखने के लिए एक "प्रशिक्षण मैदान" प्रदान करता है कि क्या हम मशीनों को सबसे मानवीय काम करना सिखा सकते हैं: एक अस्त-व्यस्त, दृश्य दुनिया को लेकर उसे सुंदर, तार्किक गणित में बदलना।
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।