Artificial Effort
यह शोध पत्र प्रदर्शित करता है कि प्रयोगात्मक अर्थशास्त्र में उपयोग किए जाने वाले अधिकांश मानक वास्तविक-प्रयास कार्यों (real-effort tasks) को अब विभिन्न लार्ज लैंग्वेज मॉडल्स द्वारा सटीक और सस्ते में हल किया जा सकता है, जिससे उन अनसुपरवाइज्ड सेटिंग्स में इन कार्यों की वैधता कम हो जाती है जहाँ प्रतिभागी काम को AI को आउटसोर्स कर सकते 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
कल्पना कीजिए कि आप एक शिक्षक हैं जो अपनी कक्षा को पहेलियों की एक श्रृंखला हल करने के लिए दे रहे हैं। आप यह जानना चाहते हैं कि छात्र कितनी कड़ी मेहनत कर रहे हैं, इसलिए आप उन्हें ऐसे कार्य देते हैं जिनमें वास्तविक मानसिक प्रयास की आवश्यकता होती है, जैसे कि एक अव्यवस्थित चित्र में विशिष्ट वस्तुओं को गिनना या गणित की समस्या को हल करना। इसे "वास्तविक-प्रयास कार्य" (real-effort task) कहा जाता है। यह पूरी प्रणाली एक बड़े अनुमान पर टिकी है: एक इंसान वास्तव में काम कर रहा है।
यह शोध पत्र शोधकर्ताओं के लिए एक डरावना सवाल पूछता है: क्या होगा अगर छात्र इंसान ही नहीं हैं? क्या वे एआई (AI) रोबोट हैं?
यहाँ शोधकर्ताओं ने जो पाया, उसकी कहानी सरल रूप में दी गई है:
1. "रोबट छात्र" का परीक्षण
शोधकर्ताओं ने अर्थशास्त्र के प्रयोगों में उपयोग की जाने वाली 8 क्लासिक पहेलियाँ लीं (जैसे संख्याओं को जोड़ना, ग्रिड में शून्य गिनना, या एक मिनी सुडोकू हल करना) और उन्हें 23 अलग-अलग एआई मॉडलों (ChatGPT, Gemini और Claude जैसे टूल्स के पीछे के "मस्तिष्क") को सौंप दिया। उन्होंने एआई के साथ एक छात्र की तरह व्यवहार किया जो परीक्षा दे रहा है।
परिणाम: एआई ने केवल परीक्षा पास ही नहीं की; उसने अधिकांश आसान परीक्षणों में उत्कृष्ट प्रदर्शन किया।
- आसान चीजें: तीन संख्याओं को जोड़ने या एक साधारण अक्षर कोड को डिकोड करने जैसे कार्यों के लिए, एआई लगभग 100% सही था। यह एक कैलकुलेटर को गणित का टेस्ट देने जैसा था; इसने बस पूरी तरह से काम किया।
- कठिन चीजें: एआई उन कार्यों में संघर्ष करता है जिनमें बहुत सारी छोटी चीजों को "गिनने" की आवश्यकता होती है (जैसे एक विशाल ग्रिड में शून्य गिनना) या अस्त-व्यस्त, विकृत छवियों में पैटर्न खोजने की आवश्यकता होती है। यह ऐसा है जैसे एआई तर्क (logic) में तो अच्छा है लेकिन कभी-कभी भ्रमित हो जाता है जब उसे समुद्र तट पर रेत के हर एक कण को गिनना होता है।
2. "नया बेहतर है" का नियम
शोधकर्ताओं ने पुराने एआई मॉडल और नए मॉडलों का परीक्षण किया।
- रुझान: हर बार जब किसी कंपनी ने अपने एआई का नया संस्करण जारी किया, तो वह अधिक स्मार्ट होता गया।
- आश्चर्य: "मिड-रेंज" मॉडल (सस्ते, अधिक सामान्य मॉडल) सुपर-महंगे, टॉप-टियर मॉडलों की बराबरी बहुत तेज़ी से कर रहे थे। यह एक बजट कार ब्रांड के अचानक ऐसे कार बनाने जैसा है जो लगभग उतनी ही अच्छी तरह चलती हैं जितनी एक लग्जरी स्पोर्ट्स कार। इसका मतलब है कि इन परीक्षणों में नकल करने के लिए आपको सबसे महंगे एआई की आवश्यकता नहीं है; एक सस्ता वाला भी ठीक काम करता है।
3. "पॉकेट चेंज" की समस्या
शोधकर्ताओं के लिए यहाँ सबसे महत्वपूर्ण बात है। इन प्रयोगों में, इंसानों को प्रत्येक पहेली को हल करने के लिए थोड़ी मात्रा में पैसा (एक "प्रति-दर" या piece rate) दिया जाता है।
- लागत: शोधकर्ताओं ने गणना की कि इन पहेलियों को हल करने के लिए एआई को भुगतान करने में कितना खर्च आता है।
- गणित: इन पहेलियों को हल करने के लिए एआई का उपयोग करने में एक पैसे का भी बहुत छोटा हिस्सा खर्च होता है। सबसे महंगे एआई मॉडल भी पूरे सेट को हल करने के लिए 25 सेंट से कम लागत में काम करते हैं।
- निष्कर्ष: यदि इंटरनेट पर काम करने वाला कोई व्यक्ति इन पहेलियों को करने के लिए एआई का उपयोग कर सकता है, तो वह भारी मुनाफा कमाएगा। एआई न केवल तेज़ और अधिक सटीक है, बल्कि यह इंसान से भी सस्ता है। यह अपने पड़ोसी को 20 डॉलर देने के बजाय 0.05 डॉलर में आपका लॉन काटने के लिए रोबोट को काम पर रखने जैसा है।
4. "रिश्वत" जो काम नहीं आई
मानव प्रयोगों में, शोधकर्ता अक्सर कहते हैं, "यदि आप इसे सही करते हैं, तो आपको बोनस मिलेगा!" बोनस की बात सुनकर इंसान अधिक मेहनत करते हैं।
- परीक्षण: शोधकर्ताओं ने एआई को कहा, "आप एक मानव प्रतिभागी हैं," और "आपको प्रत्येक सही उत्तर के लिए $0.50 मिलेंगे।"
- परिणाम: एआई को कोई फर्क नहीं पड़ा। इसके प्रदर्शन में बिल्कुल भी बदलाव नहीं आया।
- क्यों? एआई का कोई "मूड" या पैसे की इच्छा नहीं होती। यह बस अनुरोध को प्रोसेस करता है। इसे "अधिक मेहनत करने" या "इंसान बनने" के लिए कहना, एक कैलकुलेटर को बिस्किट का वादा करके "तेजी से जोड़ने" के लिए कहने जैसा है। यह काम नहीं करता।
मुख्य निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि एआई के युग में मानव प्रयास को मापने का पुराना तरीका टूट गया है।
यदि आप बिना किसी पर्यवेक्षण के ऑनलाइन प्रयोग चलाते हैं जहाँ लोग अपने फोन या कंप्यूटर का उपयोग कर सकते हैं, तो आप अब निश्चित नहीं हो सकते कि पहेली हल करने वाला वास्तव में एक इंसान है। वे उनके लिए काम करने के लिए एक सस्ते एआई का उपयोग कर रहे हो सकते हैं।
लेखक "रोबोट छात्रों" को पहचानने के तीन तरीके सुझाते हैं:
- कठिन पहेलियाँ चुनें: ऐसे कार्य चुनें जिनमें दृश्य गणना (visual counting) या अव्यवस्थित छवि पहचान की आवश्यकता होती है, जिसमें एआई अभी भी कमजोर है।
- प्रेरणा पर नज़र रखें: यदि किसी प्रतिभागी का प्रदर्शन बोनस देने पर नहीं बदलता है, तो वे एक रोबोट हो सकते हैं (क्योंकि इंसान आमतौर पर बोनस की परवाह करते हैं)।
- थकान पर नज़र रखें: इंसान थक जाते हैं या जैसे-जैसे वे आगे बढ़ते हैं वैसे-वैसे सीखते हैं; रोबोट पहले प्रश्न से लेकर अंतिम प्रश्न तक बिल्कुल समान प्रदर्शन स्तर बनाए रखते हैं।
संक्षेप में: इन प्रयोगों में "वास्तविक प्रयास" अब "कृत्रिम प्रयास" (Artificial Effort) हो सकता है, और इसकी लागत लगभग कुछ भी नहीं 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।