Position: Hippocampal Explicit Memory Is the Cornerstone for AGI
यह शोध पत्र यह तर्क देता है कि लार्ज लैंग्वेज मॉडल्स को आर्टिफिशियल जनरल इंटेलिजेंस की ओर अग्रसर करने के लिए हिप्पोकैम्पस जैसी स्पष्ट स्मृति प्रणालियों (hippocampal-like explicit memory systems) को एकीकृत करना आवश्यक है, क्योंकि उच्च-स्तरीय संज्ञानात्मक कार्य जैसे कि रणनीतिक योजना और मेटाकॉग्निशन, वर्तमान में एलएलएम (LLMs) के आधारभूत अंतर्निहित अंतर्निहित सांख्यिकीय शिक्षण तंत्रों (implicit statistical learning mechanisms) से अकेले उभर नहीं 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
यहाँ "Hippocampal Explicit Memory Is the Cornerstone for AGI" पेपर का सरल भाषा और रोजमर्रा के उदाहरणों के साथ विवरण दिया गया है।
मुख्य विचार: "मसल्स मेमोरी" (Muscle Memory) बनाम "नोटबुक" (The Notebook)
कल्पना कीजिए कि मनुष्य दो तरीकों से चीजें सीखते हैं:
- मसल्स मेमोरी (Implicit/अप्रत्यक्ष): साइकिल चलाने या कीबोर्ड पर टाइप करने के बारे में सोचें। आप इस बारे में सचेत रूप से नहीं सोचते कि इसे कैसे करना है; आप इसे बस स्वचालित रूप से करते हैं क्योंकि आपने हजारों बार इसका अभ्यास किया है। आप किसी दूसरे को इसके नियम आसानी से समझा नहीं सकते, आप बस इसे "जानते" हैं।
- नोटबुक (Explicit/प्रत्यक्ष): एक फोन नंबर, गणित का सूत्र, या "सूर्य पूर्व में उगता है" जैसा कोई विशिष्ट तथ्य लिखने के बारे में सोचें। आप इस जानकारी को देख सकते हैं, इसे समझा सकते हैं, इसे बदल सकते हैं और भविष्य के लिए योजना बनाने में इसका उपयोग कर सकते हैं।
पेपर का मुख्य दावा:
वर्तमान लार्ज लैंग्वेज मॉडल्स (LLMs), जैसे कि आज हम उपयोग कर रहे हैं, मसल्स मेमोरी में अविश्वसनीय रूप से स्मार्ट हैं। उन्होंने इतना सारा टेक्स्ट पढ़ा है कि वे वाक्य में अगले शब्द की भविष्यवाणी लगभग पूरी तरह से कर सकते हैं, ठीक वैसे ही जैसे एक संगीतकार उस गाने को बजाता है जिसे उसने लाखों बार सुना है।
हालाँकि, लेखक का तर्क है कि आर्टिफिशियल जनरल इंटेलिजेंस (AGI) तक पहुँचने के लिए—जिसका अर्थ है एक ऐसा AI जो इंसान की तरह सोच सके, योजना बना सके और सीख सके—हमें इन मॉडल्स को एक नोटबुक देनी होगी। इस "एक्सप्लिसिट मेमोरी" (Explicit Memory) के बिना, AI केवल एक सुपर-फास्ट पैटर्न मैचिंग मशीन बनकर रह जाएगा जो वास्तव में समझ, तर्क या योजना बनाने के लिए चीजों को याद रखने में सक्षम नहीं है।
वर्तमान AI एक "मसल्स मेमोरी" मशीन की तरह क्यों है
पेपर बताता है कि AI कैसे सीखता है वह काफी हद तक वैसा ही है जैसे हमारा मस्तिष्क आदतें बनाता है (इम्प्लिसिट मेमोरी):
- धीमा और दोहराव वाला: जिस तरह साइकिल चलाने में माहिर होने के लिए आपको कई बार अभ्यास करना पड़ता है, उसी तरह AI को एक पैटर्न सीखने के लिए लाखों उदाहरण देखने पड़ते हैं। यह एक अनुभव से नहीं सीखता; यह बार-बार अपने आंतरिक "वेट्स" (weights) को धीरे-धीरे बदलकर सीखता है।
- "क्या" जानता है, "क्यों" नहीं: जब आप AI से कोई सवाल पूछते हैं, तो वह किसी मानसिक फाइल से तथ्य "याद" (recall) नहीं करता। इसके बजाय, वह उन पैटर्न्स के आधार पर सबसे संभावित उत्तर की गणना करता है जो उसने पहले देखे हैं।
- "एबेकस" (Abacus) का उदाहरण: पेपर एक बेहतरीन उदाहरण देता है: यदि आप AI को
17 x 6हल करने के लिए कहते हैं, तो वह आपको चरण-दर-चरण तर्क प्रक्रिया दिखा सकता है। लेकिन लेखक का तर्क है कि यह एक ऐसे व्यक्ति की तरह है जो सही उत्तर पाने के लिए मोतियों को हिलाने के यांत्रिक नियमों का पालन कर रहा है। वह वास्तव में गुणा (multiplication) या संख्याओं की अवधारणा को नहीं समझता। वह केवल एक प्रशिक्षित दिनचर्या का पालन कर रहा है।
AI के पास क्या कमी है: "नोटबुक" (Explicit Memory)
AGI बनने के लिए, पेपर कहता है कि AI को एक ऐसे सिस्टम की आवश्यकता है जो मानव मस्तिष्क के हिप्पोकैम्पस (Hippocampus) के समान हो। यह मस्तिष्क का वह हिस्सा है जो हमारी "नोटबुक" मेमोरी को संभालता है। यह सिस्टम AI को वह सब करने की अनुमति देगा जो वह वर्तमान में नहीं कर सकता:
- वन-शॉट लर्निंग (One-Shot Learning): यदि आप किसी इंसान को एक बार कोई नया तथ्य बताते हैं, तो वह उसे याद रख सकता है और तुरंत उपयोग कर सकता है। वर्तमान AI को आमतौर पर एक नया तथ्य "सीखने" के लिए हजारों उदाहरणों के साथ फिर से प्रशिक्षित (retrain) करने की आवश्यकता होती है।
- वास्तविक तर्क (True Reasoning): मनुष्य एक नियम (जैसे "यदि बारिश होती है, तो छाता ले लें") ले सकते हैं और उसे तुरंत एक बिल्कुल नई स्थिति में लागू कर सकते हैं। AI इसमें संघर्ष करता है क्योंकि वह सांख्यिकीय अनुमानों (statistical guesses) पर निर्भर करता है न कि अपनी "नोटबुक" में एक स्पष्ट नियम रखने पर।
- मेटाकॉग्निशन (सोचने के बारेारे में सोचना): मनुष्य कह सकते हैं, "मुझे यह नहीं पता," या "मैं गलत हो सकता हूँ।" पेपर का तर्क है कि AI "हैलुसिनेट" (Hallucinate/मनगढ़ंत बातें बनाना) करता है क्योंकि इसमें यह आंतरिक जांच प्रणाली नहीं है। इसके पास इस बात का कोई स्पष्ट रिकॉर्ड नहीं होता कि इसे जानकारी कहाँ से मिली, इसलिए यह सत्यापित नहीं कर सकता कि यह सत्य है या नहीं।
- योजना बनाना (Planning): मनुष्य विशिष्ट यादों को निकालकर और उन्हें पुनर्व्यवस्थित करके भविष्य की स्थिति की कल्पना कर सकते हैं (जैसे अगले साल की यात्रा की योजना बनाना)। AI वर्तमान में दीर्घकालिक योजना बनाने में खराब है क्योंकि वह समय के साथ घटनाओं का एक सुसंगत "कथानक" अपने मन में नहीं रख सकता।
"स्टारक्राफ्ट" और "सूर्योदय" के उदाहरण
पेपर वास्तविक उदाहरण दिखाता है जहाँ AI विफल हो जाता है क्योंकि उसके पास यह "नोटबुक" नहीं है:
- सूर्य: यदि आप AI को बताते हैं, "सूर्य पूर्व में उगता है," और फिर बाद में कहते, "एक ऐसी दुनिया की कल्पना करें जहाँ पृथ्वी उलटी घूमती है," तो AI अचानक पहले तथ्य को भूल सकता है और कह सकता है कि सूर्य पश्चिम में उगता है। वह तथ्यों को बातचीत के आधार पर लचीले सुझाव मानता है, न कि नोटबुक में संग्रहीत ठोस, अपरिवर्तनीय सत्य के रूप में।
- गेम: यदि आप AI से किसी वीडियो गेम आइटम के बारे में पूछते हैं, तो उसे सही कीमत पता हो सकती है। लेकिन यदि आप उसे "क्यों कीमत 150 है?" (जबकि वास्तव में 200 है) पूछकर चकमा देते हैं, तो AI गलत कीमत के लिए एक नकली कारण बनाने की कोशिश करेगा। वह आपको सुधारने के बजाय बातचीत को पैटर्न के अनुकूल बनाने की कोशिश कर रहा है।
समाधान: एक कृत्रिम "नोटबुक" बनाना
लेखक का प्रस्ताव है कि हमें AI के लिए एक विशिष्ट कंप्यूटर सिस्टम बनाना होगा जो मानव हिप्पोकैम्पस की तरह कार्य करे। इस सिस्टम के विशिष्ट नियम होंगे:
- स्पार्स इंडेक्सिंग (Sparse Indexing): एक लाइब्रेरी कार्ड कैटलॉग की तरह, इसे समान दिखने वाले तथ्यों के बीच भ्रमित हुए बिना विशिष्ट तथ्यों की ओर संकेत करना चाहिए।
- तत्काल अपडेट (Instant Updates): इसे एक बार देखने के बाद तुरंत "नोटबुक" में एक नया तथ्य लिखने में सक्षम होना चाहिए, बिना पूरे मस्तिष्क को फिर से प्रशिक्षित किए।
- पैटर्न पूर्णता (Pattern Completion): यदि आप इसे एक अधूरा संकेत देते हैं (जैसे "गर्मी..."), तो इसे मानव की तरह ही शेष स्मृति (समुद्र तट, रेत, धूप) को भरने में सक्षम होना चाहिए।
निष्कर्ष
पेपर निष्कर्ष निकालता है कि जबकि वर्तमान AI पैटर्न पहचान के माध्यम से मानवीय बातचीत और समस्याओं को हल करने में अद्भुत है (इम्प्लिसिट मेमोरी), यह मौलिक रूप से सीमित है। यह एक प्रतिभाशाली अभिनेता की तरह है जो कोई भी स्क्रिप्ट सुना सकता है लेकिन कहानी को समझता नहीं है।
एक वास्तविक सामान्य बुद्धिमत्ता (General Intelligence) बनाने के लिए जो इंसान की तरह सीख सके, योजना बना सके और तर्क कर सके, हमें AI को केवल पैटर्न का अनुमान लगाने में "स्मार्ट" बनाने की कोशिश करना बंद करना होगा और इसके बजाय इसे एक हिप्पोकैम्पल एक्सप्लिसिट मेमोरी (Hippocampal Explicit Memory) देनी शुरू करनी होगी—तथ्यों और अनुभवों को सचेत रूप से संग्रहीत करने, पुनः प्राप्त करने और हेरफेर करने का एक तरीका, ठीक वैसे ही जैसे हम करते हैं।
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।