User as Engram: Internalizing Per-User Memory as Local Parametric Edits
यह शोध पत्र "यूजर एज़ एनग्राम" (User as a Engram) का प्रस्ताव करता है, जो एक नवीन वैयक्तिकरण आर्किटेक्चर है जो एक साझा मेमोरी टेबल के भीतर स्पार्स, हैश-कुंजित स्थानीय पैरामीट्रिक संपादन के रूप में व्यक्तिगत उपयोगकर्ता तथ्यों को संग्रहीत करता है और वैश्विक एडेप्टर में तर्क कौशल को बनाए रखता है, जिससे पारंपरिक रिट्रीवल सिस्टम या प्रति-उपयोगकर्ता लोरा (LoRA) एडेप्टर की तुलना में बेहतर तर्क सटीकता, उपयोगकर्ताओं के बीच पूर्ण कंपोजेबिलिटी और काफी छोटा मेमोरी फुटप्रिंट प्राप्त होता है।
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 "User as Engram" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके किया गया स्पष्टीकरण दिया गया है।
बड़ी समस्या: "एक ही आकार सबके लिए" वाली स्मृति (The "One-Size-Fits-All" Memory)
कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट AI असिस्टेंट है। आप चाहते हैं कि वह आपके बारे में विशिष्ट चीजें याद रखे—जैसे आपके डॉक्टर का नाम, आपकी एलर्जी, या यह कि आपने पिछले साल शाकाहार अपनाया था।
वर्तमान में, AI यह करने के लिए दो मुख्य तरीकों का उपयोग करता है, और दोनों में खामियां हैं:
- "नोटबुक" विधि (Retrieval): AI आपको याद नहीं रखता; वह हर बार जब आप कोई प्रश्न पूछते हैं, तो बस एक नोटबुक फ़ाइल को ढूँढता है। यह सटीक है, लेकिन यह धीमा है और बहुत अधिक "मस्तिष्क स्थान" (context) का उपयोग करता है।
- "ब्रेन सर्जरी" विधि (LoRA): AI आपको याद रखने के लिए अपने स्वयं के मस्तिष्क के भार (weights) को स्थायी रूप से बदलने की कोशिश करता है। समस्या यह है कि यह उस कागज़ पर नया नोट लिखने जैसा है जो पहले से ही स्याही से भरा हुआ है। आपका नाम लिखने के लिए, AI अनजाने में बाकी जगहों पर भी स्याही फैला देता है। यह "फैलाव" (contamination) AI को आपसे असंबंधित चीजों के बारे में उत्तर देने में कमज़ोर बना देता है।
समाधान: "यूजर एज़ एनग्राम" (User as Engram)
लेखक AI को व्यक्तिगत स्मृति देने का एक नया तरीका प्रस्तावित करते हैं जो मानव मस्तिष्क के काम करने के तरीके की नकल करता है। वे इसे "User as Engram" कहते हैं।
इसे समझने के लिए, मानव मस्तिष्क को दो अलग-अलग प्रणालियों के रूप में सोचें:
- हिप्पोकैम्पस (Hippocampus - तेज़, स्थानीय फाइलिंग कैबिनेट): यह विशिष्ट, नई स्मृतियों को संग्रहीत करता है (जैसे "मेरे डॉक्टर डॉ. वास्केज़ हैं")। यह विरल (sparse) और स्थानीय है।
- नियोकोर्टेक्स (Neocortex - धीमा, साझा पुस्तकालय): यह सामान्य कौशल और तर्क को संग्रहीत करता है (जैसे "मैं कैसे पता लगाऊं कि किस डॉक्टर के पास जाना चाहिए?")। यह सभी के लिए साझा है।
User as Engram AI की स्मृति को इन दो सटीक परतों में विभाजित करता है:
1. "फाइलिंग कैबिनेट" (आपके व्यक्तिगत तथ्य)
AI के पूरे मस्तिष्क को फिर से लिखने के बजाय, यह प्रणाली आपके विशिष्ट तथ्यों को मॉडल के भीतर एक छोटे, अलग "फाइलिंग कैबिनेट" में लिखती है।
- यह कैसे काम करता है: कल्पना कीजिए कि AI के पास नियमों की एक विशाल पुस्तक है। जब आप कहते हैं "मेरे डॉक्टर डॉ. वास्केज़ हैं," तो सिस्टम पूरी पुस्तक को फिर से नहीं लिखता। यह पुस्तक के पीछे एक विशिष्ट खाली पृष्ठ (एक विशिष्ट पता) खोजता है और केवल उस वाक्य को वहां लिख देता है।
- जादू: क्योंकि यह केवल उस एक विशिष्ट पृष्ठ पर लिखता है, इसलिए यह बाकी पुस्तक को खराब नहीं करता है। यदि आप मौसम के बारे में पूछते हैं, तो AI आपके डॉक्टर के नाम को पूरी तरह से अनदेखा कर देता है।
- परिणाम: आप हजारों उपयोगकर्ताओं को रख सकते हैं, और उनके "फाइलिंग कैबिनेट" बिना ओवरलैप हुए एक ही पुस्तक में रह सकते हैं। "ब्रेन सर्जरी" विधि (14 MB) की तुलना में यह अविश्वसनीय रूप से छोटा (100 तथ्यों के लिए लगभग 88 KB) है।
2. "साझा पुस्तकालय" (तर्क करने का कौशल)
AI को यह जानने की आवश्यकता है कि उन तथ्यों का उपयोग कैसे किया जाए। यदि आप पूछते हैं, "मैं अपनी बेटी से मिलने कैलिफोर्निया जा रहा हूँ; मुझे चेक-अप के लिए कहाँ जाना चाहिए?", तो AI को यह तर्क लगाने की आवश्यकता है कि "कैलिफोर्निया" + "डॉक्टर" = "CA में डॉक्टर खोजें।"
- यह कैसे काम करता है: इस तर्क कौशल को प्रत्येक उपयोगकर्ता के लिए व्यक्तिगत रूप से सिखाने के बजाय (जिससे "फैलाव" की समस्या होती है), AI सभी के लिए एक एकल, साझा कौशल प्रशिक्षित करता है।
- जादू: यह साझा कौशल एक सार्वभौमिक अनुवादक (universal translator) की तरह है। यह जानता है कि किसी भी व्यक्ति के फाइलिंग कैबिनेट से तथ्य कैसे लिया जाए और उसका उपयोग प्रश्न का उत्तर देने के लिए कैसे किया जाए।
यह बेहतर क्यों है ( "ग्लास बॉक्स" की उपमा)
पेपर का दावा है कि यह विधि एक "ग्लास बॉक्स" है क्योंकि आप देख सकते हैं कि वास्तव में क्या हो रहा है।
- पुराना तरीका (LoRA): एक बांध में रिसाव को ठीक करने के लिए हर जगह कंक्रीट डालने जैसा है। आप रिसाव को ठीक करते हैं, लेकिन आप दूसरों के लिए नदी का प्रवाह भी रोक देते हैं।
- नया तरीका (Engram): एक विशिष्ट, हटाने योग्य वाल्व (valve) स्थापित करने जैसा है। जब आपको रिसाव को ठीक करने की आवश्यकता होती है, तो आप उस एक वाल्व को खोलते हैं। जब आपको आवश्यकता नहीं होती, तो वह बंद रहता है। यह नदी के प्रवाह को बिल्कुल प्रभावित नहीं करता है।
परिणाम: पेपर ने वास्तव में क्या पाया
शोधकर्ताओं ने पुराने तरीकों के मुकाबले इसका परीक्षण किया और पाया:
- कोई फैलाव नहीं (No Smudging): उपयोगकर्ता के तथ्यों को "फाइलिंग कैबिनेट" में लिखने से AI अन्य विषयों पर उत्तर देने में कमज़ोर नहीं हुआ। वास्तव में, यह पुराने "ब्रेन सर्जरी" तरीके की तुलना में AI के सामान्य ज्ञान को नुकसान पहुँचाने में 33,000 गुना कम हानिकारक था।
- बेहतर तर्क (Better Reasoning): यह नया तरीका पुराने तरीके की तुलना में अप्रत्यक्ष प्रश्नों (जैसे कैलिफोर्निया वाला उदाहरण) का उत्तर देने में 5.6 गुना बेहतर था।
- स्केलेबिलिटी (Scalability):
- यदि आपके पास तथ्यों की कम संख्या है (100 से कम), तो पुराना "नोटबुक" तरीका (Retrieval) ठीक है।
- लेकिन एक बार जब आपके पास प्रति उपयोगकर्ता 100 से अधिक तथ्य हो जाते हैं, तो "फाइलिंग कैबिनेट" विधि जीत जाती है। यह तेज़ और सटीक बनी रहती है, जबकि "नोटबुक" विधि जैसे-जैसे तथ्यों की सूची बढ़ती है, धीमी और भ्रमित होती जाती है।
- गोपनीयता (Privacy): चूंकि प्रत्येक उपयोगकर्ता के तथ्य उनके अपने अद्वितीय "स्लॉट" में हैं, इसलिए उपयोगकर्ता A के तथ्य कभी भी उपयोगकर्ता B के उत्तरों में गलती से लीक नहीं हो सकते।
सीमाएं (यह क्या नहीं कर सकता)
पेपर ईमानदार है कि यह विधि अभी क्या नहीं कर सकती:
- यह एक "रिकाइट" (Recite) मशीन है, "थिंक" (Think) मशीन नहीं: यह सिस्टम "मेरे डॉक्टर डॉ. वास्केज़ हैं" को याद रखने में बहुत अच्छा है। लेकिन यदि आप पूछते हैं, "डॉ. वास्केज़ कहाँ काम करते हैं?" और वह तथ्य स्पष्ट रूप से नहीं लिखा गया था, तो सिस्टम इसे अपने आप नहीं समझ पाएगा। यह शब्दों को मिलाता है, अभी तक कई तथ्यों के बीच तर्क की श्रृंखला नहीं बनाता है।
- इसे एक विशिष्ट आधार की आवश्यकता है: इस पद्धति के लिए एक ऐसे AI मॉडल की आवश्यकता है जिसे विशेष रूप से इन "फाइलिंग कैबिनेट्स" (जिन्हें एंग्राम मॉडल कहा जाता है) के लिए प्री-ट्रेन किया गया हो। आप इसे आज किसी भी मानक AI मॉडल में सीधे नहीं लगा सकते।
सारांश
User as Engram AI को व्यक्तिगत स्मृति देने का एक नया तरीका है। AI को आपको याद रखने के लिए अपने पूरे मस्तिष्क को फिर से लिखने के लिए मजबूर करने के बजाय (जो उसके अन्य कौशल को तोड़ देता है), यह उसे उसके मस्तिष्क के भीतर एक छोटी, निजी नोटबुक देता है और AI को उस नोटबुक को पढ़ने का एक एकल, साझा कौशल सिखाता है। यह AI को स्मार्ट, तेज़ और निजी रखता है, बिना किसी दूसरे के लिए उसकी स्मृति को "धुंधला" किए।
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।