Scaling Participation in Modular AI Systems
यह शोध पत्र "स्केलिंग पार्टिसिपेशन" (scaling participation) को प्रस्तुत करता है, जो एक ऐसा प्रतिमान है जहाँ विविध हितधारक सहयोगपूर्ण मॉड्यूलर एआई सिस्टम बनाने के लिए विशिष्ट छोटे मॉडलों का योगदान देते हैं जो तर्क, तथ्यात्मकता और उभरती समस्या-समाधान क्षमताओं में मोनोलिथिक एलएलएम (LLMs) से बेहतर प्रदर्शन करते 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 वर्तमान आर्टिफिशियल इंटेलिजेंस (AI) की स्थिति एक विशाल, एकल-परिवार वाले हवेली की तरह है जिसे विशेषज्ञों के एक बहुत छोटे समूह द्वारा बनाया गया है। ये वास्तुकार हर कमरे, हर खिड़की और हर नियम का निर्णय खुद लेते हैं। हालांकि यह घर प्रभावशाली है, लेकिन यह केवल उसी एक परिवार की पसंद और जरूरतों को दर्शाता है। यदि आप दुनिया के किसी अलग हिस्से में रहते हैं जहाँ आपकी ज़रूरतें अलग हैं, तो यह घर आपके लिए बिल्कुल भी उपयुक्त नहीं हो सकता है।
यह शोध पत्र AI बनाने का एक क्रांतिकारी नया तरीका प्रस्तावित करता है: एक विशाल हवेली बनाने के बजाय, आइए एक मोज़ेक मोहल्ला (mosaic neighborhood) बनाएं जहाँ हर कोई अपना छोटा, विशिष्ट घर बनाने में योगदान दे सके।
यहाँ उनके विचार, "स्केलिंग पार्टिसिपेशन" (भागीदारी का विस्तार) का विवरण सरल उपमाओं के साथ दिया गया है:
1. समस्या: "मोनोलिथिक" (एकल) हवेली
वर्तमान में, बड़े AI मॉडल (जैसे कि आपने उनके बारे में सुना होगा) "मोनोलिथिक" हैं। इसका मतलब है कि उन्हें एक ही कंपनी द्वारा एक विशाल, ठोस ब्लॉक के रूप में बनाया जाता है।
- समस्या: ठीक उस हवेली की तरह जिसे एक परिवार ने बनाया है, ये मॉडल केवल उन्हीं लोगों के डेटा और मूल्यों को दर्शा सकते हैं जिन्होंने उन्हें बनाया है। वे मानव संस्कृति, मूल्यों और विशिष्ट स्थानीय जरूरतों की विशाल विविधता को समझने में संघर्ष करते हैं।
- शोध पत्र का दृष्टिकोण: यह अनुचित और अक्षम है कि कुछ "ब्लैक बॉक्स" मॉडल सभी के लिए निर्णय लें।
2. समाधान: एक "मॉड्यूलर" मोहल्ला
लेखक AI को नीचे से ऊपर (bottom up) बनाने का सुझाव देते हैं। एक विशाल मस्तिष्क के बजाय, कल्पना करें कि कई छोटे, विशिष्ट विशेषज्ञों की एक टीम एक साथ काम कर रही है।
- उपमा: इसे एक पोटलक डिनर (potluck dinner) की तरह सोचें। एक शेफ द्वारा पूरा भोज पकाने के बजाय (जो शायद आपका पसंदीदा व्यंजन भूल जाए), हर कोई एक छोटा व्यंजन लाता है जिसमें वह विशेषज्ञ है।
- एक व्यक्ति तीखी करी लाता है (गर्मी/तीखेपन के लिए बेहतरीन)।
- दूसरा एक नाजुक मिठाई लाता है (मिठास के लिए बेहतरीन)।
- तीसरा एक सलाद लाता है (ताज़गी के लिए बेहतरीन)।
- परिणाम: जब आप इन सभी व्यंजनों को मिलाते हैं, तो आपको एक ऐसा भोजन मिलता है जो एक अकेले शेफ द्वारा बनाए गए किसी भी भोजन की तुलना में कहीं अधिक विविध और स्वादिष्ट होता है। शोध पत्र में, ये "व्यंजन" विभिन्न विषयों (जैसे गणित, संस्कृति, सुरक्षा या विशिष्ट भाषाएं) पर दुनिया भर के विभिन्न शोधकर्ताओं द्वारा प्रशिक्षित छोटे AI मॉडल हैं।
3. उन्होंने यह कैसे किया: "ऑर्केस्ट्रा"
शोधकर्ताओं ने केवल इन मॉडलों को इकट्ठा नहीं किया; उन्होंने उन्हें एक साथ संगीत बजाना सिखाया। उन्होंने दुनिया भर के शोधकर्ताओं से 61 अलग-अलग AI मॉडल एकत्र किए (एक वैश्विक गायक मंडली की तरह)। फिर, उन्होंने इन मॉडलों को सहयोग करने के लिए 14 अलग-अलग "संचालन" (conducting) विधियों का उपयोग किया।
- विधियाँ:
- रूटिंग (Routing): एक पार्टी में मेजबान की तरह जो जानता है कि किसी विशिष्ट चुटकुले या कहानी के लिए किस अतिथि से पूछना है।
- डिबेट (Debate): दोस्तों के एक समूह की तरह जो सबसे अच्छे उत्तर पर सहमत होने तक समाधान पर बहस करते हैं।
- फ्यूजन (Fusion): एकदम सही स्वाद पाने के लिए अलग-अलग स्मूदी को मिलाने की तरह।
- वेट मर्जिंग (Weight Merging): अलग-अलग रेसिपी से बेहतरीन सामग्री लेने और उन्हें एक नए, सुपर-रेसिपी में मिलाने की तरह।
4. परिणाम: "सुपर-टीम" की जीत
इस शोध पत्र ने इस "सहभागी" मोहल्ले का "मोनोलिथिक" हवेलियों (उपलब्ध सबसे बड़े, एकल AI मॉडल) के विरुद्ध परीक्षण किया।
- स्कोर: छोटे, विविध मॉडलों की टीम ने तर्क करने (reasoning), तथ्य-जांच (fact-checking) और निर्देशों का पालन करने जैसे कार्यों पर विशाल एकल मॉडलों को 15.4% तक पीछे छोड़ दिया।
- आश्चर्य: भले ही विशाल मॉडल शारीरिक रूप से (सभी छोटे मॉडलों के योग से भी अधिक) बड़े ("ब्रेन पावर" में अधिक) थे, फिर भी छोटी टीम जीत गई।
- क्यों? क्योंकि छोटे मॉडलों में विविधता थी। उनकी अलग-अलग ताकतें थीं जो एक-दूसरे की कमजोरियों को पूरा करती थीं।
5. "इमर्जेंस" (उद्भव) का जादू
एक सबसे दिलचस्प खोज जिसे शोध पत्र "कोलेबोरेटिव इमर्जेंस" (सहयोगात्मक उद्भव) कहता है, वह है:
- उपमा: कल्पना कीजिए कि 32 लोग एक पहेली सुलझाने की कोशिश कर रहे हैं। व्यक्तिगत रूप से, उनमें से कोई भी इसे हल नहीं कर सकता। लेकिन जब वे एक मेज के चारों ओर बैठते हैं और बात करते हैं, तो वे अचानक मिलकर इसे सुलझा लेते हैं।
- निष्कर्ष: शोध पत्र ने पाया कि यह "टीम AI" उन समस्याओं को हल कर सकता था जिन्हें प्रत्येक व्यक्तिगत मॉडल अकेले हल करने में विफल रहा था। एक साथ काम करके, उन्होंने एक नई क्षमता का निर्माण किया जो उनके किसी भी व्यक्तिगत भाग में मौजूद नहीं थी।
6. यह आपके लिए क्यों मायने रखता है
शोध पत्र का तर्क है कि यह दृष्टिकोण मानवता के लिए बेहतर है क्योंकि:
- यह निष्पक्ष है: यह लोगों को विभिन्न संस्कृतियों और पृष्ठभूमियों से अपने स्वयं के "फ्लेवर" (स्वाद) में योगदान करने की अनुमति देता है, बजाय इसके कि एक समूह यह तय करे कि क्या "सही" है।
- यह पारदर्शी है: आप देख सकते हैं कि किस "अतिथि" ने उत्तर के किस हिस्से में योगदान दिया।
- यह लचीला है: यदि आपको एक ऐसे AI की आवश्यकता है जो एक विशिष्ट स्थानीय संस्कृति को समझता हो, तो आपको पूरा सिस्टम फिर से बनाने की आवश्यकता नहीं है; आपको बस पॉटलक में वह विशिष्ट "व्यंजन" जोड़ना है।
संक्षेप में: शोध पत्र का दावा है कि AI का भविष्य एक बड़ा, स्मार्ट रोबोट बनाने के बारे में नहीं है। यह एक सहयोगात्मक समुदाय बनाने के बारे में है जहाँ कई छोटे, विविध विशेषज्ञ मिलकर कुछ ऐसा बनाएं जो किसी भी एकल विशाल मॉडल की तुलना में अधिक स्मार्ट, सुरक्षित और हम सभी का प्रतिनिधित्व करने वाला हो।
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।