कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, बहुत बातूनी रोबोट दोस्त से बात कर रहे हैं। आप उससे एक सरल प्रश्न पूछते हैं जैसे, "फ्रांस की राजधानी क्या है?" आप एक त्वरित, सीधा उत्तर मिलने की उम्मीद करते हैं: "पेरिस।" लेकिन कभी-कभी, केवल "पेरिस" कहने के बजाय, आपका रोबोट दोस्त एक लंबा आंतरिक एकालाप (internal monologue) शुरू कर देता है: "हम्म, मुझे सोचने दो। क्या यह पेरिस है? रुकिए, शायद मुझे दोबारा जांच लेना चाहिए। ओह, मुझे अब याद आया, यह निश्चित रूप से पेरिस है।" इसे "रीज़निंग" (तर्क करना) कहा जाता है, और यह कठिन पहेलियों के लिए तो बेहतरीन है, लेकिन सरल तथ्यों के लिए यह कष्टप्रद और धीमा है।

आर्टिफिशियल इंटेलिजेंस की दुनिया में, शोधकर्ताओं ने "हाइब्रिड-थिंकिंग" मॉडल बनाए हैं जो दो मोड के बीच स्विच करने के लिए डिज़ाइन किए गए हैं: एक "सोचने वाला" (Think) मोड कठिन समस्याओं (जैसे गणित या विज्ञान) को हल करने के लिए, और एक "न सोचने वाला" (No-Think) मोड त्वरित, सीधे उत्तर देने के लिए। विचार यह है कि आप रोबोट को बता सकते हैं, "अरे, बस मुझे उत्तर दे दो, सोचो मत!" और उसे आज्ञा का पालन करना चाहिए। लेकिन यहाँ एक पेंच है, भले ही आप इन रोबोटों को न सोचने के लिए कहें, वे खुद को रोक नहीं पाते हैं। वे अभी भी अपने आंतरिक एकालाप बुदबुदाते रहते हैं, लंबे लूप में फंस जाते हैं, और अनजाने में अपनी "सोचने" की प्रक्रिया को प्रकट कर देते हैं। इसे "रीज़निंग लीकेज" (reasoning leakage) कहा जाता है। यह वैसा ही है जैसे किसी को शांत रहने के लिए कहना, लेकिन वह फिर भी मन ही मन कोई धुन गुनगुनाता रहता है। यह महत्वपूर्ण है क्योंकि यदि एक रोबोट यह नहीं समझ पाता कि उसे कब सोचना बंद करना है, तो वह समय बर्बाद करता है, बहुत अधिक कंप्यूटर पावर का उपयोग करता है, और कुशल होने के लिए भरोसेमंद नहीं रह जाता।

आप जो शोध पत्र पढ़ने जा रहे हैं, जिसका शीर्षक "पाथ-लॉक एक्सपर्ट" (Path-Lock Expert) है, वह इस गुनगुनाने वाली समस्या का समाधान करता है। लेखक, जो केस वेस्टर्न रिजर्व और क्योटो जैसे विश्वविद्यालयों के शोधकर्ताओं की एक टीम है, सुझाव देते हैं कि रोबोट के न सोच पाने का कारण केवल बेहतर प्रशिक्षण या अधिक डेटा की आवश्यकता नहीं है। उनका तर्क है कि समस्या वास्तव में रोबोट के मस्तिष्क की संरचना (architecture) में बनी हुई है—विशेष रूप से, इस बात में कि सूचना को संसाधित करने वाले हिस्से आपस में कैसे जुड़े हुए हैं।

समस्या: एक ही मस्तिष्क जो दो लोगों की तरह व्यवहार करने की कोशिश कर रहा है

कल्पना कीजिए कि एक शेफ एक ही समय में चाकू और पैन के एक ही सेट का उपयोग करके दो पूरी तरह से अलग भोजन बनाने की कोशिश कर रहा है। एक भोजन एक जटिल, बहु-कोर्स वाला शानदार रात्रिभोज ( "Think" मोड) है, और दूसरा एक सरल, त्वरित सैंडविच ("No-Think" मोड) है। यदि शेफ सब्जी काटने के लिए उसी चाकू का उपयोग भव्य रात्रिभोज के लिए और सैंडविच के लिए ब्रेड काटने के लिए करता है, तो वह गलती से भव्य रात्रिभोज के अंश सैंडविच में डाल सकता है। यही इन AI मॉडलों के साथ हो रहा है। वे लंबे, चिंतनशील उत्तर और छोटे, सीधे उत्तर उत्पन्न करने के लिए एक ही आंतरिक "चाकूओं" (MLP नामक गणितीय परतें) का उपयोग कर रहे हैं। भले ही मॉडल को सोचने के लिए न कहने के लिए कहा जाए, वे साझा हिस्से "सोचने" की आदतों को सरल उत्तरों में लीक करते रहते हैं।

इसे ठीक करने के पिछले प्रयास ऐसे थे जैसे शेफ को कहना, "कृपया शांत रहने की अधिक कोशिश करें," या "शायद आप कम शानदार सामग्री का उपयोग करें।" जबकि इन प्रशिक्षण युक्तियों ने थोड़ा मदद की, शेफ फिर भी पूरी तरह से गुनगुनाना बंद नहीं कर सका। मॉडल अभी भी बहुत लंबे उत्तर देता था या उसमें "रुकिए, मुझे जांचने दें..." जैसे क्षण होते थे, भले ही उसे सीधा होने के लिए स्पष्ट रूप से कहा गया हो।

समाधान: पाथ-लॉक एक्सपर्ट (The Path-Lock Expert)

शोधकर्ता एक चतुर वास्तुशिल्प समाधान प्रस्तावित करते हैं जिसे पाथ-लॉक एक्सपर्ट (PLE) कहा जाता है। रोबोट को एक ही मस्तिष्क को अलग-अलग तरह से व्यवहार करने के लिए प्रशिक्षित करने के बजाय, वे उन्हें दो अलग "सोचने वाले इंजन" (या विशेषज्ञ) देते हैं, लेकिन बाकी मस्तिष्क को साझा रखते हैं।

यह इस जीवंत उपमा का उपयोग करके कैसे काम करता है:
कल्पना कीजिए कि रोबोट का मस्तिष्क एक विशाल पुस्तकालय है। इस पुस्तकालय के अंदर, एक मुख्य गलियारा (साझा हिस्से जैसे अटेंशन और मेमोरी) है जिसका उपयोग हर कोई करता है। लेकिन गलियारे के अंत में, दो अलग-अलग दरवाज़े दो अलग-अलग कमरों की ओर ले जाते हैं।

• कमरा A "सोचने वाला कमरा" (Think Room) है, जो व्हाइटबोर्ड, जटिल चार्ट और कठिन पहेलियों को सुलझाने के उपकरणों से भरा है।
• कमरा B "न सोचने वाला कमरा" (No-Think Room) है, जो छोटा, शांत है और त्वरित, सीधे उत्तरों के लिए बनाया गया है।

पुराने डिज़ाइन में, रोबोट को एक ही दरवाजे से गुजरना पड़ता था और सही कमरे में होने जैसा व्यवहार करने की कोशिश करनी पड़ती थी, जो भ्रमित करने वाला था। पाथ-लॉक एक्सपर्ट के साथ, रोबोट के पास प्रवेश द्वार पर एक विशेष स्विच होता है। जब आप /think टाइप करते हैं, तो स्विच पूरे संवाद के लिए रोबोट को "सोचने वाले कमरे" में लॉक कर देता है। जब आप /no think टाइप करते हैं, तो स्विच उसे "न सोचने वाले कमरे" में लॉक कर देता है। महत्वपूर्ण बात यह है कि रोबोट वाक्य के बीच में कभी भी कमरे नहीं बदलता है। एक बार दरवाजा लॉक हो जाने के बाद, वह लॉक ही रहता है।

इस डिज़ाइन का मतलब है कि रोबलेट को "सोचने की कोशिश" करने की ज़रूरत नहीं है; वह "न सोचने वाले कमरे" में होने पर "सोचने वाले उपकरणों" तक भौतिक रूप से नहीं पहुँच सकता। दोनों कमरों के अपने अलग सेट के उपकरण (MLP एक्सपर्ट्स) हैं, इसलिए जटिल विचारक की आदतें सरल उत्तर देने वाले में लीक नहीं होती हैं।

उन्होंने क्या पाया

शोधकर्ताओं ने गणित और विज्ञान की कुछ सबसे कठिन पहेलियों, जैसे AIME24 (एक कठिन गणित प्रतियोगिता) और GPQA (एक कठिन विज्ञान बेंचमार्क) पर इस नए डिज़ाइन का परीक्षण किया। उन्होंने अपने नए "पाथ-लॉक" रोबोटों की तुलना पुराने "हाइब्रिड" रोबोटों और केवल बेहतर डेटा के साथ प्रशिक्षित मॉडलों से की।

परिणाम चौंकाने वाले थे:

• बहुत कम लीकेज: AIME24 गणित परीक्षण पर, पुराने हाइब्रिड मॉडल, भले ही उन्हें न सोचने के लिए कहा गया हो, प्रति उत्तर लगभग 6.01 "चिंतनशील" टोकन (जैसे "रुकिए," "हम्म," या "मुझे सोचने दें" जैसे शब्द) उत्पन्न करते थे। नए पाथ-लॉक मॉडल ने इसे घटाकर केवल 0.35 टोकन कर दिया। यह रोबोट के आंतरिक एकालाप गुनगुनाने में 17 गुना की कमी है!
• छोटे उत्तर: पुराने मॉडल उन उत्तरों को देते थे जो संक्षिप्त होने के बजाय 8,600 टोकन से अधिक लंबे थे। पाथ-लॉक मॉडल ने इसे घटाकर लगभग 4,100 टोकन कर दिया, जिससे उत्तर बहुत अधिक संक्षिप्त हो गए।
• अधिक स्मार्ट सीधे उत्तर: न केवल उत्तर छोटे थे, बल्कि वे अधिक सटीक भी थे। पाथ-लॉक मॉडल ने "No-Think" मोड में कठिन गणित समस्याओं के 44.67% सही हल दिए, जबकि पुराने प्रशिक्षण-आधारित तरीके के लिए यह केवल 35.33% था।
• सोचने की शक्ति में कोई कमी नहीं: महत्वपूर्ण रूप से, नए डिज़ाइन ने रोबोट को वास्तव में सोचने में कमजोर नहीं बनाया। जब रोबोट को "सोचने की अनुमति" दी गई थी, तो इसने पहले की तरह ही अच्छा प्रदर्शन किया (लगभग 61.33% सटीकता), जिससे साबित हुआ कि कमरों को अलग करने से उसकी जटिल तर्क क्षमताएं बाधित नहीं हुईं।

इसका क्या अर्थ है

यह शोध पत्र सुझाव देता है कि "रीज़निंग लीकेज" की समस्या केवल प्रशिक्षण का मुद्दा नहीं है; यह एक संरचनात्मक मुद्दा है। रोबोट के सोचने वाले और न सोचने वाले रास्तों को भौतिक रूप से अलग करके, शोधकर्ताओं ने दोनों मोडों के बीच एक बहुत ही साफ स्विच बनाया है।

उन्होंने यह भी खोजा कि "सामग्री" मायने रखती है। यदि आप एक ऐसे रोबोट से शुरुआत करते हैं जो पहले से ही निर्देशों का पालन करने में कुशल है, तो पाथ-लॉक सिस्टम सबसे अच्छा काम करता है। यदि आप एक कच्चे, अनप्रशिक्षित रोबोट पर इसे शून्य से बनाने की कोशिश करते हैं, तो इसे अंतर सीखने में कठिनाई होती है। इसके अलावा, उन्होंने एक ट्रेड-ऑफ भी पाया: बहुत कठिन, जटिल प्रशिक्षण डेटा का उपयोग करने से "सोचने वाला" मोड और भी बेहतर हो गया, लेकिन इसने कभी-कभी "न सोचने वाले" मोड को थोड़ा सा सोचने के प्रति संवेदनशील बना दिया। हालांकि, समग्र संतुलन पहले की तुलना में बहुत बेहतर था।

संक्षेप में, लेखकों का सुझाव है कि यदि आप एक ऐसा रोबोट चाहते हैं जो आपसे कहने पर वास्तव में अपना दिमाग बंद कर सके, तो आप उसे केवल शांत रहने के लिए नहीं कह सकते। आपको उसे एक अलग कमरा देना होगा जहाँ "सोचने" के उपकरण मौजूद ही न हों। यह सरल वास्तुशिल्प परिवर्तन AI को अधिक कुशल, अनुमानित और नियंत्रणीय बनाने का एक शक्तिशाली तरीका प्रतीत होता है।