← नवीनतम पेपर
🤖 AI

Attributing Emergence in Million-Agent Systems

यह शोध पत्र मिलियन-एजेंट एलएलएम (LLM) प्रणालियों में मैक्रो-स्तरीय उद्भव (emergence) के आरोपण हेतु एक गणनात्मक रूप से कुशल ऑमन-शेप्ली पाथ-इंटीग्रल पद्धति प्रस्तुत करता है, जो ब्लूस्काई (Bluesky) डेटा के अनुभवजन्य विश्लेषण और एक सैद्धांतिक स्केलिंग बायस प्रमेय के माध्यम से यह प्रदर्शित करता है कि लघु-स्तरीय अध्ययन पूर्ण-स्तरीय विश्लेषण की तुलना में गैररेखीय सामाजिक घटनाओं के संरचनात्मक चालकों का मौलिक रूप से गलत प्रतिनिधित्व करते हैं।

मूल लेखक: Ling Tang, Jilin Mei, Qian Chen, Qihan Ren, Linfeng Zhang, Quanshi Zhang, Jing Shao, Xia Hu, Dongrui Liu

प्रकाशित 2026-05-13
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Ling Tang, Jilin Mei, Qian Chen, Qihan Ren, Linfeng Zhang, Quanshi Zhang, Jing Shao, Xia Hu, Dongrui Liu

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 यह पता लगाने की कोशिश कर रहे हैं कि एक विशाल, अराजक भीड़ वाली घटना के लिए कौन जिम्मेदार है, जैसे कि अचानक मची भगदड़ या कोई वायरल ट्रेंड जो 16 लाख लोगों के शहर में फैल गया हो।

लंबे समय से, इन घटनाओं का अध्ययन करने के लिए AI एजेंटों (कंप्यूटर प्रोग्राम जो इंसानों की तरह व्यवहार करते हैं) का उपयोग करने वाले शोधकर्ता एक छोटे से कमरे में फंसे हुए थे। वे एक बार में केवल 1,000 लोगों का ही अनुकरण (simulate) कर सकते थे। वे इस छोटे से समूह को देखते, उसमें "मुखर" या "लोकप्रिय" लोगों को चुनते, और कहते, "आहा! इन कुछ लोगों ने ही यह सब किया!"

यह शोध पत्र तर्क देता है कि यह दृष्टिकोण मौलिक रूप से त्रुटिपूर्ण है। यह ऐसा है जैसे आप अपने पिछवाड़े के तापमान को देखकर पूरे महाद्वीप के मौसम को समझने की कोशिश कर रहे हों।

यहाँ उन खोजों का विवरण दिया गया है जिन्हें लेखकों ने सरल उपमाओं (analogies) का उपयोग करके समझाया है:

1. "पिछवाड़े" की समस्या (छोटा बनाम बड़ा पैमाना)

शोधकर्ताओं ने इसका परीक्षण 'ब्लूस्काई' (Bluesky) नामक एक वास्तविक सोशल नेटवर्क पर किया, जिसमें दो सप्ताह में 1.67 मिलियन सक्रिय उपयोगकर्ता थे। उन्होंने खेल (द मास्टर्स गोल्फ टूर्नामेंट) से लेकर राजनीति (ट्रंप टैरिफ) और मनोरंजन (रेसलमेनिया) तक, पांच अलग-अलग विषयों को देखा।

  • छोटा कमरा (N=100): जब उन्होंने 100 लोगों के एक छोटे, पक्षपाती नमूने का अनुकरण किया (जो कि अधिकांश वर्तमान AI अध्ययन करते हैं), तो गणित ने कहा: "सबसे अधिक फॉलोअर्स वाले प्रसिद्ध लोगों ने ही सब कुछ किया।" शीर्ष 1% उपयोगकर्ता कहानी के नायक या खलनायक प्रतीत हुए।
  • बड़ा शहर (N=1.6 मिलियन): जब उन्होंने पूरे 1.6 मिलियन लोगों पर गणित चलाया, तो कहानी पूरी तरह बदल गई। प्रसिद्ध लोग अभी भी महत्वपूर्ण थे, लेकिन वे वास्तव में बहुत कम गतिविधि के लिए जिम्मेदार थे। असली चालक "लॉन्ग टेल" (long tail) थी—यानी लाखों आम, रोजमर्रा के उपयोगकर्ता, जो मिलकर गतिविधि की एक विशाल लहर पैदा करते हैं।

उपमा: कल्पना कीजिए कि 1.6 मिलियन लोगों का एक स्टेडियम है जो शोर मचा रहा है।

  • छोटा दृश्य: आप केवल वीआईपी (VIP) बॉक्स को देखते हैं। आप कुछ मशहूर हस्तियों को ताली बजाते देखते हैं और निष्कर्ष निकालते हैं, "सेलिब्रिटी ही शोर मचा रहे हैं!"
  • बड़ा दृश्य: आप पूरे स्टेडियम को देखते हैं। आप महसूस करते हैं कि सेलिब्रिटी स्टैंड्स में बैठे 1.5 मिलियन आम प्रशंसकों के शोर की तुलना में बहुत कम शोर कर रहे हैं। "शोर" भीड़ से आता है, वीआईपी से नहीं।

2. "जादुई पैमाना" जो काम नहीं करता

आप सोच सकते हैं, "ठीक है, शायद उस छोटी सी गलती को ठीक करने के लिए बस उस छोटे समूह को किसी जादुई नंबर से गुणा करने की आवश्यकता है।"

लेखकों ने गणितीय रूप से सिद्ध किया कि यह असंभव है जटिल, वास्तविक दुनिया की स्थितियों के लिए।

  • उपमा: यदि आप एक साधारण सूप (linear) बना रहे हैं, तो आप एक चम्मच चख सकते हैं और पूरे बर्तन के स्वाद का अनुमान लगाने के लिए नमक को 100 से गुणा कर सकते है।
  • वास्तविकता: सामाजिक घटनाएं एक रासायनिक प्रतिक्रिया (chemical reaction) की तरह हैं। यदि आप थोड़े से एसिड और थोड़े से बेस को मिलाते हैं, तो आपको हल्की सी सनसनाहट मिलेगी। यदि आप दोनों का पूरा बाल्टी भर मिश्रण मिलाते हैं, तो विस्फोट हो जाएगा। आप विस्फोट की भविष्यवाणी करने के लिए छोटे समूह की "सनसनाहट" को केवल "स्केल अप" नहीं कर सकते। गणित दिखाता है कि जटिल सामाजिक संकेतकों (जैसे घबराहट, ध्रुवीकरण या वायरल कैस्केड) के लिए, कोई एक अकेला "जादुic नंबर" नहीं है जो छोटे समूह के डेटा को बड़े समूह की वास्तविकता से मेल खाने के लिए ठीक कर सके।

3. नया "सुपर-स्कैनर" टूल

शोधकर्ता "पिछवाड़े" में इसलिए फंसे थे क्योंकि पुराने गणितीय उपकरण बहुत धीमे थे। 1.6 मिलियन लोगों के समूह में हर एक व्यक्ति के वास्तविक योगदान की गणना करने में इतना समय लगता था कि यह व्यावहारिक रूप से असंभव था (जैसे समुद्र के किनारे रेत के प्रत्येक कण को एक-एक करके गिनना)।

लेखकों ने ऑमन-शापली पाथ इंटीग्रल (Aumann–Shapley path integral) नामक गणितीय अवधारणा पर आधारित एक नया टूल बनाया है।

  • पुराने टूल्स: पुराने टूल्स समुद्र तट पर चलते हुए रेत के कणों को एक-एक करके गिनने वाले व्यक्ति की तरह थे। इसमें बहुत समय लगता था और वे केवल एक छोटा सा हिस्सा ही गिन पाते थे।
  • नया टूल: यह पूरे समुद्र तट की तुरंत फोटो लेने वाले सैटेलाइट की तरह है। यह 10 मिलीसेकंड से भी कम समय में हर व्यक्ति के योगदान की गणना कर सकता है। यह पिछले तरीकों की तुलना में 100,000 गुना तेज़ है।

4. यह क्यों मायने रखता है

शोध पत्र निष्कर्ष निकालता है कि यदि आप समझना चाहते हैं कि बड़े पैमाने पर सामाजिक घटनाएं (जैसे बाजार की गिरावट, वायरल गलत सूचना, या राजनीतिक ध्रुवीकरण) कैसे होती हैं, तो आपको पूरे पैमाने को देखना ही होगा।

  • मुख्य बात: आप सौ लोगों का अध्ययन करके दस लाख लोगों के व्यवहार के बारे में नहीं जान सकते। "छोटा समूह" वाला उत्तर केवल सत्य का थोड़ा अलग संस्करण नहीं है; यह एक संरचनात्मक रूप से भिन्न झूठ है। आम लोगों की "लॉन्ग टेल" ही इन बड़ी घटनाओं का इंजन होती है, न कि केवल कुछ प्रसिद्ध लोग।

संक्षेप में: शोध पत्र कहता है, "संगीत कार्यक्रम को समझने के लिए वीआईपी बॉक्स को देखना बंद करें। आपको पूरी भीड़ को देखने की आवश्यकता है, और अंततः हमारे पास इसे करने के लिए पर्याप्त तेज़ टूल है।"

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →