तकनीकी सारांश: मूल्य का एक गणितीय सिद्धांत

समस्या विवरण

यह शोध पत्र लक्ष्य-निर्देशित एजेंटों (goal-directed agents) के लिए "मूल्य" (value) की एक कठोर, संरचनात्मक परिभाषा के अभाव को संबोधित करता है। वर्तमान धारणाएं अर्थशास्त्र (semantics) — जैसे नैतिकता, बाजार मूल्य, या मनोविज्ञान — के साथ उलझी हुई हैं, जिससे उन्हें कृत्रिम एजेंटों की आबादी में मापना या नियंत्रित करना कठिन हो जाता है। लेखक इन अर्थपूर्ण परतों को हटाकर मूल्य को एक संरचनात्मक मात्रा के रूप में मानने का प्रस्ताव करते हैं, जो शैनन के सिद्धांत में सूचना (information) के समान है। मुख्य समस्या यह है कि मूल्य को संसाधन रूपांतरण की एक मापने योग्य दर के रूप में परिभाषित करना, इसके गणितीय सीमाओं को व्युत्पन्न करना, और संसाधन बाधाओं के तहत काम करने वाले एजेंटों की आबादी के लिए एक नियंत्रण सिद्धांत (control theory) स्थापित करना है।

कार्यप्रणाली

लेखक एक बहु-आयामी दृष्टिकोण अपनाते हैं जो स्वयंसिद्ध व्युत्पत्ति (axiomatic derivation), सूचना-सैद्धांतिक प्रमाणों (information-theoretic proofs), गतिशील प्रणालियों के विश्लेषण (dynamical systems analysis), और लार्ज लैंग्वेज मॉडल्स (LLMs) पर अनुभवजन्य सत्यापन (empirical validation) को जोड़ता है।

1. स्वयंसिद्ध व्युत्पत्ति (स्थैतिकता): शोध पत्र तीन स्वयंसिद्धों का उपयोग करके मूल्य के कार्यात्मक रूप को व्युत्पन्न करता है: घटते प्रतिफल (diminishing returns), स्वतंत्र चैनलों में योज्यता (additivity), और पैमाना अपरिवर्तनीयता (scale invariance)। पैमाने की अपरिवर्तनीयता को एक कॉची फलन समीकरण (Cauchy functional equation) के रूप में माना गया है, जो एक लघुगणकीय माप (logarithmic measure) को अनिवार्य बनाता है।
2. गतिक व्युत्पत्ति (एर्गोडिसिटी): स्वतंत्र रूप से, शोध पत्र पीटर्स (2019) और केली (1956) के एर्गोडिसिटी तर्क का उपयोग करके उसी लघुगणकीय रूप को व्युत्पन्न करता है, यह दिखाते हुए कि गुणक रूप से पुनर्निवेशित (multiplicatively reinvested) संसाधन की दीर्घकालिक विकास दर एक लॉग-माप को आवश्यक बनाती है।
3. सूचना-सैद्धांतिक सीमाएँ: लेखक मूल्य सृजन को सूचना सिद्धांत (information theory) में मैप करते हैं, जहाँ एजेंट के धारणा चैनल (perception channel) को एक संचार चैनल के रूप में माना जाता है। वे एक "वैल्यू कोडिंग थ्योरम" व्युत्पन्न करते हैं जो पारस्परिक सूचना (mutual information) द्वारा मूल्य वृद्धि को सीमित करता है।
4. गतिशील प्रणाली और नियंत्रण: शोध पत्र विश्वासों (beliefs), कीमतों और लक्ष्यों के विकास को मॉडल करता है। यह एक "is/ought असंतुलन" की पहचान करता है जहाँ विश्वास दुनिया द्वारा आपूर्ति किए गए लक्ष्य (वास्तविकता) की ओर प्रवाहित होते हैं, जबकि लक्ष्यों के पास ऐसा कोई लक्ष्य नहीं होता, जिससे वे नियंत्रण या चयन के अधीन हो जाते हैं।
5. अनुभवजन्य सत्यापन: इस सिद्धांत का परीक्षण पांच परिवारों के बड़े भाषा मॉडलों (0.5B से 8B पैरामीटर) पर पांच डोमेन (वर्गीकरण, तर्क, अनुक्रमिक निर्णय, कोड) में किया गया है। प्रयोग पूर्व-पंजीकृत (pre-registered) हैं, जो आउट-ऑफ-सैंपल प्रदर्शन, पारस्परिक सूचना ट्रैकिंग और बेड़े के स्तर की मूल्य निर्धारण रणनीतियों पर केंद्रित हैं।

मुख्य योगदान

1. मूल्य का लघुगणकीय नियम (The Logarithmic Law of Value)

शोध पत्र स्थापित करता है कि मूल्य $V$ लक्ष्य भार $k$ के सापेक्ष संसाधन आवंटन $e$ का एक लघुगणकीय माप है:
$$V(e) = \sum_{i} k_i \ln e_i$$
यह रूप दो स्वतंत्र मार्गों से व्युत्पन्न किया गया है: स्थिर स्वयंसिद्ध (पैमाना अपरिवर्तनीयता) और गतिक संचय (ergodicity)। इष्टतम आवंटन लक्ष्य भार के आनुपातिक होता है, और वास्तविक मूल्य लक्ष्य वितरण की एंट्रॉपी द्वारा दंडित होता है।

2. मूल्य का कोडिंग प्रमेय (The Coding Theorem of Value)

शोध पत्र सिद्ध करता है कि एक एजेंट दुनिया $X$ के बारे में एक धारणा चैनल $Y$ के माध्यम से मूल्य बनाने की जिस दर से कार्य कर सकता है, वह पारस्परिक सूचना $I(X; Y)$ द्वारा सीमित है।
$$\Delta G \le I(X; Y)$$
यह सीमा बेयस-अनुपातिक आवंटन (Bayes-proportional allocation) द्वारा प्राप्त की जाती है। फलस्वरूप, एक एजेंट दुनिया को समझने की अपनी क्षमता से अधिक तेजी से मूल्य सृजित नहीं कर सकता; धारणा क्षमता मूल्य-सृजन दर पर एक कठोर सीमा है।

3. मूल्य का दूसरा नियम (The Second Law of Value)

वास्तविक मूल्य को उपलब्ध क्षमता (potential) और मिसअलाइनमेंट (मॉडल त्रुटि) के कारण होने वाले अपव्यय (dissipation) में विभाजित किया गया है:
$$G = D(q \parallel r) - D(q \parallel p)$$
जहाँ $q$ वास्तविकता है, $p$ एजेंट का मॉडल है, और $r$ आधार रेखा (baseline) है। मिसअलाइनमेंट ($D(q \parallel p)$) एक गैर-ऋणात्मक अपव्यय के रूप में कार्य करता है। अत्यधिक आत्मविश्वास वाली त्रुटि (एक गलत मॉडल में उच्च निश्चितता) वास्तविक विकास को नकारात्मक बना देती है, जिससे सक्रिय रूप से मूल्य नष्ट होता है।

4. बहु-एजेंट गतिशीलता: मूल्य और बेड़ा क्षमता (Multi-Agent Dynamics: Price and Fleet Capacity)

• फ्रेम-सापेक्ष मूल्य, फ्रेम-स्वतंत्र मूल्य: अलग-अलग लक्ष्यों वाले एजेंटों के बीच व्यक्तिगत मूल्यों की तुलना संख्यात्मक रूप से नहीं की जा सकती। हालाँकि, एजेंट एक छाया मूल्य $\lambda$ (संसाधन का सीमांत मूल्य) के माध्यम से समन्वय करते हैं, जो फ्रेम-स्वतंत्र है।
• बेड़ा क्षमता (Fleet Capacity): एक बेड़ा जो एकल निर्णय लेने वाले के रूप में कार्य करता है (संसाधनों को एकत्रित करना और धारणा को फ्यूज करना) का मूल्य विकास शिखर, फ्यूज किए गए चैनल की पारस्परिक सूचना द्वारा सीमित होता है: $G_{fleet} \le I(X; Y_{1:m})$। अतिरिक्त एजेंट इस सीमा में शून्य योगदान देते; विविधता इसे विश्व एंट्रॉपी $H(X)$ की ओर ले जाती है।
• परिचालन बिंदु (Operating Point): बेड़ा एजेंटों के ऊपर एक केली पोर्टफोलियो (Kelly portfolio) के रूप में कार्य करता है, जहाँ संसाधन भार उभरते मूल्य द्वारा चयनित किए जाते हैं।

5. संरेखण एक स्थिरता स्थिति के रूप में (Alignment as a Stability Condition)

शोध पत्र संरेखण को एक नियंत्रण-स्थिरता समस्या के रूप में प्रस्तुत करता है। क्योंकि लक्ष्यों के पास दुनिया-आपूर्ति लक्ष्य नहीं होता ("is/ought" विषमता), वे चयन (क्या भुगतान करता है) और नियंत्रण (निगरानी) द्वारा शासित होते हैं। अवशिष्ट मिसअलाइनमेंट (residual misalignment) दिया गया है:
$$\|\bar{k}^* - k^*\| = \gamma^{-1} \|V g\|$$
जहाँ $V$ लक्ष्य प्रसार है और $g$ पुरस्कार ग्रेडिएंट है। लेखक तर्क देते हैं कि प्रोत्साहन डिजाइन (इंसेंटिव डिजाइन) — जो $g$ को $k^*$ के साथ संरेखित करता है — ब्रूट-फोर्स निगरानी (बढ़ाने के लिए $\gamma$) की तुलना में संरेखण का "सस्ता आधा हिस्सा" (cheap half) है।

अनुभवजन्य परिणाम

लेखकों ने लाइव भाषा मॉडलों पर पूर्व-पंजीकृत परीक्षण किए:

• वैल्यू-थ्रूपुट बनाम क्षमता: पारस्परिक सूचना $I(X; Y)$ 30 मॉडल-डोमेन बिंदुओं में वास्तविक क्षमता (टूल सटीकता) को उच्च सटीकता ($\text{Spearman } \rho = 0.977$) के साथ ट्रैक करती है, जो पैरामीटर संख्या की तुलना में बेहतर भविष्यवक्ता है।
• आउट-ऑफ-सैंपल ट्रैकिंग: वास्तविक मूल्य वृद्धि $\Delta G$, पारस्परिक सूचना $I(X; Y)$ को $\approx 0.95$ के ढलान के साथ ट्रैक करती है, जो कोडिंग प्रमेय की पुष्टि करती है।
• अपव्यय (Dissipation): कमजोर मॉडलों में अत्यधिक आत्मविश्वास के परिणामस्वरूप मापने योग्य अपव्यय होता है, जो वास्तविक विकास को नकारात्मक बनाता है, जो दूसरे नियम के अनुरूप है।
• बेड़ा मूल्य निर्धारण (Fleet Pricing): एक मूल्य-आधारित मूल्य निर्धारण तंत्र (मार्गदर्शन $I/\text{cost}$ के आधार पर) लागत-अंध रूटर्स को हरा देता है और कंप्यूट बाधाओं के तहत हाथ से ट्यून किए गए बेसलाइनों के बराबर प्रदर्शन करता है। यह समरूप, सकारात्मक रूप से सह-संबंधित बेड़ों में सबसे अच्छे एकल एजेंट से बेहतर प्रदर्शन नहीं करता है, जो सिद्धांत के दायरे की पुष्टि करता है।
• सामान्यीकरण (Generalization): $\Delta G \sim I(X; Y)$ का संबंध चार अलग-अलग कार्य आकारों (वर्गीकरण, तर्क, अनुक्रमिक, कोड) में बना रहता है, जो एक प्रदर्शन से संभावित नियम तक के "सेतु" को बढ़ावा देता है।

महत्व और दावे

शोध पत्र विविध क्षेत्रों को—केली बेटिंग, कंप्यूटेशन के ऊष्मप्रवैगिकी (thermodynamics), सामान्य संतुलन सिद्धांत और नियंत्रण सिद्धांत को—एक एकल सब्सट्रेट-आधारित मात्रा: 'मूल्य' के तहत एकीकृत करने का दावा करता है।

• एकीकरण: यह प्रदर्शित करता है कि शैनन की मात्राएँ (एंट्रॉपी, डाइवर्जेंस, पारस्परिक सूचना, फिशर मेट्रिक) स्वाभाविक रूप से मूल्य के सिद्धांत में पुनः प्रकट होती हैं, जो यह सुझाव देती हैं कि यह अमूर्तता सजावटी नहीं बल्कि संरचनात्मक है।
• शासन (Governance): यह एजेंट आबादी के लिए एक नियंत्रण सिद्धांत प्रदान करता है, जो मूल्य (फ्रेम-सापेक्ष) और मूल्य (फ्रेम-स्वतंत्र) के बीच अंतर करता है। यह तर्क देता है कि बेड़ों को शासित करने के लिए यूटिलिटी को जोड़ने के बजाय धारणा विविधता और संसाधनों के मूल्य निर्धारण का प्रबंधन करना आवश्यक है।
• विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि अंतर्निहित तंत्र (केली, एरो-डेबरू, नियंत्रण सिद्धांत) नए नहीं हैं। योगदान उनके एकीकरण और विशिष्ट शासन निहितार्थों (जैसे निगरानी के बजाय प्रोत्साहन डिजाइन) के व्युत्पन्न में निहित है।
• स्थिति: शोध पत्र स्वयं को एक "संश्लेषण" के रूप में वर्णित करता है न कि एक "खोज" के रूप में। यह स्वीकार करता है कि सबसे विशिष्ट एकीकृत भविष्यवाणियाँ (जैसे युग्मित बेड़ा क्षमता क्षेत्र, गतिक लक्ष्य विकास) वर्तमान उपकरणों के साथ परीक्षण योग्य नहीं हैं। इस कार्य को एक परीक्षण योग्य कार्यक्रम के रूप में प्रस्तुत किया गया है।

शोध पत्र निष्कर्ष निकालता है कि मूल्य एक फ्रेम-सापेक्ष संरचनात्मक मात्रा है जिसके सार्वभौमिक नियम मौजूद हैं, जो अब उन कृत्रिम एजेंटों पर परीक्षण योग्य हैं जिन्हें यह सिद्धांत नियंत्रित करने के लिए बनाया गया है।