💻 computer science

Coupled-NeuralHP: Directional Temporal Coupling Between AI Innovation Exposure and Public Response

यह शोध पत्र Coupled-NeuralHP को प्रस्तुत करता है, जो एक हाइब्रिड इवेंट-प्लस-स्टेट मॉडल है जो AI नवाचार एक्सपोज़र से सार्वजनिक प्रतिक्रिया तक के दिशात्मक टेम्पोरल कपलिंग को प्रभावी ढंग से कैप्चर करता है, जो नवाचार गणनाओं के पूर्वानुमान में पारंपरिक बेसलाइन से बेहतर प्रदर्शन करता है और अर्ध-सिंथेटिक परीक्षणों में कारण संबंधों (causal links) को रिकवर करता है, जबकि 2022 में कोई भी रेजीम ब्रेक का प्रमाण नहीं पाता है।

मूल लेखक: Amir Rafe, Subasish Das

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amir Rafe, Subasish Das

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: दो अलग-अलग घड़ियाँ

कल्पना कीजिए कि दो लोग एक साथ नृत्य करने की कोशिश कर रहे हैं, लेकिन उन्होंने अलग-अलग घड़ियाँ पहनी हुई हैं।

व्यक्ति A (नवाचार/Innovation): यह AI पेटेंट की दुनिया है। वे एक अराजक, अनियमित लय में नाचते हैं। कभी वे एक मिनट में तीन बार कूदते हैं; कभी वे हफ्तों तक स्थिर रहते हैं। यह नए आविष्कारों का "इवेंट स्ट्रीम" (घटना प्रवाह) है।
व्यक्ति B (सार्वजनिक प्रतिक्रिया): यह आम जनता है, जिसे इस बात से मापा जाता है कि वे Google पर "AI" कितनी बार खोजते हैं। वे एक स्थिर, मासिक ताल पर नाचते हैं। हर 30 दिनों में, हम उनके मूड का एक स्नैपशॉट लेते हैं।

लंबे समय तक वैज्ञानिकों ने इन दोनों नर्तकों का अलग-अलग अध्ययन किया। अर्थशास्त्रियों ने पेटेंट को देखा, और समाजशास्त्रियों ने सर्च ट्रेंड्स को देखा। उन्होंने शायद ही कभी यह पूछा: क्या आविष्कारक की अराजक छलांग वास्तव में जनता को अलग तरह से नाचने के लिए प्रेरित करती है? और क्या जनता का नाचना आविष्कारक को अधिक कूदने के लिए प्रेरित करता है?

यह पेपर एक नया "डांस फ्लोर" (एक कंप्यूटर मॉडल) बनाता है ताकि यह देखा जा सके कि क्या वे वास्तव में जुड़े हुए हैं, और यदि ऐसा है, तो किस दिशा में।

मॉडल: एक हाइब्रिड डांस पार्टनर

लेखकों ने एक मॉडल बनाया जिसे Coupled-NeuralHP कहा जाता है। इसे एक स्मार्ट अनुवादक के रूप में समझें जो दोनों नर्तकों के इतिहास के आधार पर उनके भविष्य के कदमों की भविष्यवाणी करने की कोशिश करता है।

पेटेंट स्ट्रीम (आविष्कारक): मॉडल नए AI पेटेंट को छत पर गिरती बारिश की बूंदों की तरह मानता है। वे यादृच्छिक (random) समय पर गिरते हैं। मॉडल एक विशेष गणितीय उपकरण (Hawkes process) का उपयोग करता है ताकि यह अनुमान लगाया जा सके कि अगली "बूंद" कब गिरेगी, इस आधार पर कि हाल ही में कितनी बूंदें गिरी हैं।
सार्वजनिक मूड (नर्तक): मॉडल सार्वजनिक रुचि (Google सर्च) को एक बहती हुई शांत नदी की तरह मानता है। यह महीने दर महीने नदी के स्तर में होने वाले बदलावों को ट्रैक करने के लिए एक "स्टेट-स्पेस" (state-space) मॉडल का उपयोग करता है।
संबंध (द्वार/Gates): सबसे महत्वपूर्ण हिस्सा उनके बीच के "द्वार" हैं। मॉडल पूछता है: यदि आविष्कारक कूदता है (एक नया पेटेंट आता है), तो क्या जनता नाचना शुरू कर देती है (सर्च बढ़ जाती है)? और इसके विपरीत, यदि जनता नाचती है, तो क्या यह आविष्कारक को तेजी से कूदने के लिए प्रेरित करती है?

मॉडल "स्मार्ट गेट्स" का उपयोग करता है जो खुल या बंद हो सकते हैं। यदि डेटा कोई संबंध नहीं दिखाता है, तो द्वार बंद रहता है। यदि एक मजबूत लिंक है, तो द्वार खुल जाता है।

उन्हें क्या मिला: "एकतरफा रास्ता"

दस साल के डेटा (2014-2023) पर मॉडल चलाने के बाद, परिणाम आश्चर्यजनक रूप से विशिष्ट थे:

अच्छी खबर (आविष्कार → जनता): मॉडल को एक स्पष्ट, एकतरफा रास्ता मिला। जब नए AI पेटेंट प्रकाशित होते हैं (विशेष रूप से स्पीच, नेचुरल लैंग्वेज और हार्डवेयर जैसे क्षेत्रों में), तो जनता वास्तव में AI के बारे में अधिक सर्च करना शुरू कर देती है। मॉडल इस संबंध के आधार पर भविष्य के पेटेंट की संख्या का सटीक अनुमान लगाने में बहुत अच्छा रहा।
बुरी खबर (जनता → आविष्कार): मॉडल ने यह देखने की कोशिश की कि क्या सार्वजनिक रुचि आविष्कारकों को प्रेरित करती है। इसे कोई सबूत नहीं मिला कि जनता की खोज तुरंत आविष्कारकों को अधिक पेटेंट फाइल करने के लिए प्रेरित करती है। जब शोधकर्ताओं ने मॉडल को यह मानने के लिए मजबूर किया कि यह संबंध मौजूद है, तो भविष्यवाणियां वास्तव में और भी खराब हो गईं।
"सिर" बनाम "दिल" (The "Head" vs. The "Heart"): सार्वजनिक रुचि की भविष्यवाणी करने के लिए मॉडल के दो भाग हैं। एक भाग "दिल" (पेटेंट के साथ गहरा, छिपा हुआ संबंध) है, और दूसरा भाग "सिर" (एक सरल कैलकुलेटर जो पिछले सर्च ट्रेंड्स और पेटेंट काउंट को देखता है) है। अध्ययन में पाया गया कि "सिर" (सरल कैलकुलेटर) लगभग सारा काम कर रहा था। गहरा, छिपा हुआ संबंध संरचना को समझने के लिए उपयोगी था, लेकिन सटीक भविष्यवाणियां करने के लिए सरल कैलकुलेटर बेहतर था।

"माइलस्टोन" टेस्ट: क्या बड़ी घटनाओं ने नृत्य को बदल दिया?

शोधकर्ताओं ने सोचा कि क्या प्रमुख AI क्षणों—जैसे ChatGPT या DALL-E 2 का रिलीज—ने अचानक दोनों नर्तकों के बीच की बातचीत को बदल दिया। क्या उन विशिष्ट दिनों पर नृत्य के नियम बदल गए थे?

उन्होंने "रेजीम ब्रेक्स" (पैटर्न में अचानक बदलाव) की तलाश करके इसका परीक्षण किया।

परिणाम: नहीं। डेटा ने दिखाया कि पेटेंट और सार्वजनिक रुचि के बीच का संबंध ChatGPT लॉन्च होने के दिन अचानक नहीं बदला। नृत्य उसी गति से जारी रहा। बड़े बदलाव क्रमिक (gradual) थे, अचानक नहीं।

"नकली डेटा" टेस्ट: क्या यह सच्चाई खोज सकता है?

यह सुनिश्चित करने के लिए कि उनका मॉडल केवल अनुमान नहीं लगा रहा है, उन्होंने 60 "नकली दुनिया" (अर्ध-सिंथेटिक प्रयोग) बनाईं जहाँ वे सटीक सत्य जानते थे: हमने यहाँ एक संबंध स्थापित किया था।

परिणाम: Coupled-NeuralHP मॉडल इन स्थापित संबंधों को खोजने में उत्कृष्ट था (1.0 में से 0.73 का स्कोर प्राप्त किया)। एक मानक, पुराने मॉडल (VARX) का स्कोर केवल 0.38 था। यह साबित करता है कि मॉडल वास्तव में वास्तविक दिशात्मक लिंक का पता लगाने में अच्छा है, भले ही वास्तविक दुनिया का डेटा अव्यवस्थित हो।

दावों का सारांश

क्या काम करता है: मॉडल सार्वजनिक सर्च ट्रेंड्स को एक सुराग के रूप में उपयोग करके भविष्य के पेटेंट काउंट की बेहतर भविष्यवाणी करता है।
क्या काम नहीं करता: इस बात का कोई पुख्ता सबूत नहीं है कि सार्वजनिक सर्च ट्रेंड्स पेटेंट फाइलिंग में तत्काल उछाल लाते हैं।
क्या आश्चर्यजनक था: ChatGPT जैसे बड़े AI मील के पत्थरों ने पेटेंट और सर्च के बीच के संबंध में अचानक कोई बदलाव नहीं किया।
सीमा: मॉडल "ध्यान" (सर्च) की भविष्यवाणी करता है, "दृष्टिकोण" (लोग वास्तव में क्या सोचते या मानते हैं) की नहीं।

संक्षेप में, पेपर कहता है: नए AI आविष्कार जनता का ध्यान आकर्षित करते हैं, लेकिन जनता का ध्यान तुरंत आविष्कारकों को तेजी से काम करने के लिए प्रेरित नहीं करता है। यह रिश्ता एक एकतरफा रास्ता है, और यह अचानक उछाल के बजाय निरंतर रूप से चलता है।

तकनीकी सारांश: Coupled-NeuralHP

समस्या विवरण
यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI) की गतिशीलता के अनुभवजन्य अध्ययन में व्याप्त विखंडन को संबोधित करता है। नवाचार (पेटेंट प्रकाशन) और सार्वजनिक प्रतिक्रिया (खोज व्यवहार, दृष्टिकोण) सह-विकसित होते हैं, लेकिन वे अलग-अलग सामयिक रिज़ॉल्यूशन (temporal resolutions) पर कार्य करते हैं: नवाचार अनियमित, निरंतर-समय घटना धाराओं (continuous-time event streams) के रूप में आते हैं, जबकि सार्वजनिक प्रतिक्रिया आमतौर पर एकत्रित, असतत-समय मासिक डेटा के रूप में देखी जाती है। मौजूदा साहित्य इन प्रक्रियाओं को अलग-थलग मानता है; नवाचार अर्थशास्त्र मॉडल सार्वजनिक भावना को ध्यान में रखे बिना पेटेंट धाराओं को पॉइंट प्रोसेस (point processes) का उपयोग करके मॉडल करते हैं, जबकि सार्वजनिक राय अनुसंधान खोज या सर्वेक्षण डेटा का विश्लेषण तो करता है, लेकिन अंतर्निहित नवाचार घटना गतिशीलता को मॉडल नहीं करता है। इसके अतिरिक्त, मौजूदा दिशात्मक युग्मन (directional coupling) विधियाँ (जैसे, ग्रेंजर कॉज़ैलिटी, स्पार्स हॉक्स लर्निंग) साझा सामयिक रिज़ॉल्यूशन मानती हैं, जिससे एक निरंतर-समय पॉइंट प्रोसेस को एक अलग एकत्रित समय श्रृंखला (time series) से एक संयुक्त, सीखने योग्य ढांचे के माध्यम से जोड़ना विफल रहता है।

कार्यप्रणाली: Coupled-NeuralHP
लेखक Coupled-NeuralHP का प्रस्ताव करते हैं, जो एक हाइब्रिड इवेंट-प्लस-स्टेट मॉडल परिवार है जिसे निरंतर-समय AI नवाचार घटनाओं को असतत-समय सार्वजनिक प्रतिक्रिया संकेतों से जोड़ने के लिए डिज़ाइन किया गया है। इसकी वास्तुकला पाँच प्रमुख घटकों से बनी है जिन्हें एक संयुक्त वेरिएशनल ऑब्जेक्टिव (variational objective) के माध्यम से एंड-टू-एंड प्रशिक्षित किया जाता है:

इनोवेशन हॉक्स प्रोसेस (Innovation Hawkes Process): आठ प्रौद्योगिकी डोमेन (जैसे, मशीन लर्निंग, NLP, विजन) में AI पेटेंट प्रकाशनों को एक मल्टीवेरिएट मार्कड पॉइंट प्रोसेस के रूप में मॉडल किया गया है। प्रत्येक डोमेन के लिए कंडीशनल इंटेंसिटी में एक बेस इंटेंसिटी, स्व-उत्तेजना (self-excitation) और क्रॉस-उत्तेजना पद (एक्सपोनेंशियल डिके कर्नेल के माध्यम से), और लेटेंट पब्लिक रिस्पॉन्स स्टेट से एक कपलिंग टर्म शामिल है।
लेटेंट रिस्पॉन्स स्टेट-स्पेस मॉडल (Latent Response State-Space Model): सार्वजनिक प्रतिक्रिया को एक लेटेंट मासिक स्टेट-स्पेस प्रोसेस के रूप में मॉडल किया गया है। स्टेट ट्रांज़िशन में पर्सिस्टेंस (persistence), लैग्ड इनोवेशन फीचर्स (इनोवेशन-टू-रिस्पॉन्स) से एक स्पार्स कपलिंग मैट्रिक्स, और वैकल्पिक माइलस्टोन कोवेरियेट्स शामिल हैं। प्रेक्षित प्रतिक्रिया इस लेटेंट स्टेट का एक लीनियर प्रोजेक्शन है।
स्पार्स डायरेक्शनल कपलिंग गेट्स (Sparse Directional Coupling Gates): दोनों प्रक्रियाओं के बीच की अंतःक्रिया को हार्ड-कंक्रीट गेट्स द्वारा नियंत्रित किया जाता है। ये गेट्स कपलिंग मैट्रिसेस को स्पार्स बनाने के लिए सीखते हैं, जिससे मॉडल को लिंक्स की उपस्थिति और दिशा (इनोवेशन $\to$ रिस्पॉन्स बनाम रिस्पॉन्स $\to$ इनोवेशन) निर्धारित करने की अनुमति मिलती है, जबकि स्पर्सिटी पेनल्टी लागू की जाती है।
स्ट्रक्चर्ड रिस्पॉन्स फोरकास्ट हेड (Structured Response Forecast Head): मजबूत भविष्यवाणी सुनिश्चित करने के लिए, मॉडल में एक अलग फोरकास्ट हेड शामिल है जो अवलोकन योग्य विशेषताओं (लैग्ड रिस्पॉन्स, PCA-कंप्रेस्ड लैग्ड पेटेंट काउंट्स, और कैलेंडर इंडिकेटर्स) से अगले महीने की प्रतिक्रिया की सीधे भविष्यवाणी करता है। यह हेड लेटेंट कपलिंग पाथ से स्वतंत्र रूप से कार्य करता है ताकि व्याख्यात्मक, उच्च-गुणवत्ता वाली भविष्यवाणियां प्रदान की जा सकें।
ट्रेन-ओनली रिस्पॉन्स प्रोटोकॉल (Train-Only Response Protocol): लुकअहेड बायस (lookahead bias) को रोकने के लिए, रिस्पॉन्स चैनल के लिए सभी नॉर्मलाइजेशन स्टैटिस्टिक्स और PCA प्रोजेक्शन को सख्ती से ट्रेनिंग विंडो (मूल्यांकन महीनों से पहले) पर फिट किया जाता है और वैलिडेशन एवं टेस्ट सेट्स पर लागू किया जाता है।

मॉडल को एक संयुक्त वेरिएशनल ऑब्जेक्टिव के माध्यम से अनुकूलित किया जाता है जो इवेंट स्ट्रीम के पुनर्निर्माण, रिस्पॉन्स सिग्नल के पुनर्निर्माण और लेटेंट स्टेट्स की गतिशीलता को अधिकतम करता है, जबकि कपलिंग गेट्स के घनत्व को दंडित (penalize) करता है।

प्रमुख योगदान और परिणाम
शोध पत्र एक दस-वर्षीय पैनल (2014–2023) के USPTO AI पेटेंट डेटा और गूगल ट्रेंड्स इंडेक्स के विरुद्ध चार अनुसंधान प्रश्नों का मूल्यांकन करता है।

प्रेडिक्टिव कपलिंग (RQ1): एक सख्त ट्रेन-ओनली रिस्पॉन्स प्रोटोकॉल के तहत, चयनित वन-वे वेरिएंट (केवल इनोवेशन $\to$ रिस्पॉन्स) तुलना सेट में सर्वश्रेष्ठ होल्ड-आउट इनोवेशन काउंट फोरकास्ट प्राप्त करता है, जो सेल्फ-एक्साइटिंग हॉक्स बेसलाइन (Pseudo-log-likelihood: $-30.4 $बनाम$ -34.7$; RMSE: $471 $बनाम$ 532$) को पछाड़ देता है। रिस्पॉन्स पक्ष पर, कपल्ड मॉडल एक मजबूत मल्टी-लैग फैक्टर-फैमिली बेसलाइन (ARX) के प्रदर्शन के बराबर पहुँचता है, जिसका RMSE $0.295$ है, न कि उससे बेहतर।
स्पार्स स्टेबल स्ट्रक्चर (RQ2): सीखा गया कपलिंग स्ट्रक्चर मजबूत और स्पार्स है। रैंडम सीड्स, क्लासिफिकेशन थ्रेसहोल्ड और रोलिंग टेम्पोरल विंडोज के माध्यम से, मॉडल लगातार एक वन-वे स्ट्रक्चर चुनता है जहाँ नवाचार प्रतिक्रिया को संचालित करता है (घनत्व $\approx 0.5$ ), जबकि विपरीत दिशा (रिस्पॉन्स $\to$ इनोवेशन) निष्क्रिय रहती है (घनत्व $0.0$)। विशिष्ट डोमेन (NLP, स्पीच, हार्डवेयर) को लगातार ड्राइवर के रूप में चुना गया है।
रेजीम शिफ्ट्स (RQ3): प्रमुख 2022 AI मील के पत्थरों (जैसे, ChatGPT, DALL-E 2) के प्लेसबो-नियंत्रित विश्लेषण से कपल्ड डायनेमिक्स में संरचनात्मक बदलावों (structural breaks) का कोई मजबूत प्रमाण नहीं मिलता है। माइलस्टोन महीने मॉडल फिट गेन्स के मामले में प्लेसबो महीनों की तुलना में सांख्यिकीय रूप से बेहतर प्रदर्शन नहीं करते हैं।
डायरेक्शनल रिकवरी (RQ4): ज्ञात ग्राउंड-ट्रुथ कपलिंग वाले 60 सेमी-सिंथेटिक रेप्लिकेशन्स में, Coupled-NeuralHP इनोवेशन-टू-रिस्पॉन्स स्ट्रक्चर को रिकवर करने में रैखिक बेसलाइन्स (VARX) को महत्वपूर्ण रूप से पछाड़ देता है (F1: $0.734 $बनाम$ 0.386$)।

एब्लेशन इनसाइट्स (Ablation Insights)
लेखक पहचानते हैं कि स्ट्रक्चर्ड रिस्पॉन्स फोरकास्ट हेड रिस्पॉन्स-साइड प्रेडिक्शन क्वालिटी का प्राथमिक चालक है। इस हेड को हटाने से रिस्पॉन्स RMSE काफी बढ़ जाता है ( $+0.153$ ), जबकि लेटेंट-स्टेट कपलिंग पाथ फोरकास्टिंग की तुलना में संरचनात्मक व्याख्या और सेमी-सिंथेटिक रिकवरी में अधिक योगदान देता है। इसके विपरीत, विपरीत (रिस्पॉन्स $\to$ इनोवेशन) चैनल को मजबूर करने से इनोवेशन काउंट फोरकास्टिंग खराब हो जाती है, जो पुष्टि करती है कि डेटा इस संदर्भ में एग्रीगेट सर्च ट्रेंड्स से पेटेंट प्रकाशन दरों तक फीडबैक लूप का समर्थन नहीं करता है।

महत्व और दावे
शोध पत्र एक व्यापक द्विदिश सह-विकास नैरेटिव की तुलना में एक "संकीर्ण और स्वच्छ" योगदान का दावा करता है। इसका प्राथमिक महत्व है:

मेथोडोलॉजिकल इंटीग्रेशन: लर्न करने योग्य, स्पार्स डायरेक्शनल गेट्स के माध्यम से एक निरंतर-समय पॉइंट प्रोसेस को एक असतत-समय स्टेट-स्पेस मॉडल के साथ सफलतापूर्वक जोड़ना।
अनुभवजन्य सत्यापन: यह प्रदर्शित करना कि एक वन-वे कपलिंग (इनोवेशन $\to$ रिस्पॉन्स) बेहतर इनोवेशन फोरकास्टिंग प्रदान करती है, जबकि रिस्पॉन्स प्रेडिक्शन के लिए मजबूत बेसलाइन्स के बराबर प्रदर्शन बनाए रखती है।
स्ट्रक्चरल रिकवरी: नियंत्रित प्रयोगों में रैखिक बेसलाइन्स के विफल होने पर भी ग्राउंड-ट्रुथ डायरेक्शनल लिंक्स को रिकवर करने की आर्किटेक्चर की क्षमता को सिद्ध करना।
ईमानदार नकारात्मक परिणाम: स्पष्ट रूप से रिपोर्ट करना कि डेटा वास्तविक दुनिया के परिवेश में एक रिवर्स कॉज़ल लिंक (रिस्पॉन्स $\to$ इनोवेशन) का समर्थन नहीं करता है और प्रमुख AI मील के पत्थर देखे गए डायनेमिक्स में पता लगाने योग्य संरचनात्मक बदलाव उत्पन्न नहीं करते हैं।

लेखक निष्कर्ष निकालते हैं कि ढांचा इस बात के लिए प्रभावी है कि कैसे नवाचार एक्सपोज़र सार्वजनिक ध्यान को संचालित करता है, लेकिन वे चेतावनी देते हैं कि रिस्पॉन्स-साइड परिणाम मजबूत बेसलाइन्स के साथ समानता का प्रतिनिधित्व करते, न कि अद्वितीय श्रेष्ठता का, और विपरीत दिशा वास्तविक-डेटा साक्ष्य द्वारा समर्थित नहीं है।