The New Associationism: Lessons from Deep Learning
यह शोध पत्र यह तर्क देता है कि आधुनिक एआई की सफलता, विशेष रूप से विविध प्रणालियों में इसके सुपरवाइज्ड लर्निंग (supervised learning) पर निर्भरता, साहचर्यवाद (associationism) के एक मध्यम रूप का समर्थन करती है, यह प्रदर्शित करते हुए कि त्रुटि-संचालित तंत्र व्यापक संज्ञानात्मक क्षमताओं की व्याख्या कर सकते हैं, जबकि यह भी स्वीकार करती है कि ये तंत्र जटिल कम्प्यूटेशनल आर्किटेक्चर के भीतर कार्य करते हैं जो शास्त्रीय साहचर्यवादी सिद्धांतों से परे विस्तृत 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 डैनियल रोथ्सचाइल्ड के पेपर, "द न्यू एसोसिएशनिज्म: लेसन्स फ्रॉम डीप लर्निंग" का सरल भाषा और रोजमर्रा के उदाहरणों का उपयोग करते हुए स्पष्टीकरण दिया गया है।
मुख्य विचार: AI हमारे सीखने के तरीके का एक दर्पण है
कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि मानव मस्तिष्क कैसे सीखता है। लंबे समय तक, वैज्ञानिकों ने इस बात पर बहस की कि क्या हम सख्त नियमों का पालन करके सीखते हैं (जैसे कि एक कंप्यूटर प्रोग्राम) या अनुभव के आधार पर संबंध बनाकर सीखते हैं (जैसे कि एक बच्चा "मम्मा" कहना सीखता है)।
यह पेपर तर्क देता है कि आधुनिक आर्टिफिशियल इंटेलिजेंस (AI) हमें एक मजबूत सुराग देता है: हम संभवतः ज्यादातर अनुभवों के आधार पर संबंध बनाकर ही सीखते हैं। लेखक इसे एसोसिएशनिज्म (Associationism) की ओर एक "मामूली लेकिन वास्तविक" वापसी कहते हैं।
पेपर के तीन मुख्य बिंदुओं का सरल विवरण यहाँ दिया गया है।
1. गुप्त मंत्र: "सुपरवाइज्ड लर्निंग" (Supervised Learning)
आप सोच सकते हैं कि AI कई अलग-अलग तरीकों से सीखता है। लेकिन पेपर का तर्क है कि आज AI जो कुछ भी अद्भुत काम करता है (कविता लिखना, शतरंज खेलना, चेहरे पहचानना), वह वास्तव में एक विशिष्ट पद्धति पर निर्भर करता है: सुपरवाइज्ड लर्निंग।
उदाहरण: ग्रेड वाला होमवर्क
सुपरवाइज्ड लर्निंग को एक छात्र के होमवर्क की तरह समझें जो उत्तर कुंजी (answer key) के साथ पढ़ाई कर रहा है।
- इनपुट (Input): छात्र एक गणित का सवाल देखता है।
- आउटपुट (Output): छात्र एक उत्तर लिखता है।
- फीडबैक (Feedback): शिक्षक (या कंप्यूटर) उत्तर कुंजी की जाँच करता है। यदि उत्तर गलत है, तो शिक्षक कहता है, "तुम सही उत्तर से 5 अंक पीछे रह गए।"
- सीखना (Learning): छात्र अगली बार सही उत्तर के करीब पहुँचने के लिए अपने दिमाग को थोड़ा समायोजित (adjust) करता है।
पेपर बताता है कि भले ही AI कुछ बिल्कुल अलग काम कर रहा हो (जैसे वीडियो गेम खेलना या कला बनाना), वह गुप्त रूप से इसी "उत्तर की जाँच करो और सुधार करो" वाली प्रक्रिया को दोहरा रहा है। अंतर केवल यह है कि "उत्तर कुंजी" कैसे बनाई जाती है। कभी इसे इंसान लिखते हैं, तो कभी कंप्यूटर खुद अपनी उत्तर कुंजी बनाता है (जैसे वाक्य में अगले शब्द का अनुमान लगाना)।
निष्कर्ष: पेपर का दावा है कि एक ही सरल तंत्र—गलतियों से सीखना—ही आधुनिक AI की सफलता का इंजन है।
2. "आहा!" क्षण: कठिन समस्याओं को होमवर्क में बदलना
पेपर का तर्क है कि AI की सबसे बड़ी सफलता केवल तेज़ कंप्यूटर या अधिक डेटा नहीं थी। यह एक चतुर तरकीब थी: कठिन समस्याओं को इस तरह से फिर से परिभाषित करना कि वे सरल होमवर्क की तरह दिखें।
उदाहरण: "डिनोइजिंग" (Denoising) का खेल
कल्पना कीजिए कि आप एक रोबोट को बिल्ली का चित्र बनाना सिखाना चाहते हैं।
- कठिन तरीका: रोबोट को कहें, "एक बिल्ली बनाओ।" रोबता को समझ नहीं आएगा कि शुरुआत कहाँ से करे।
- AI की तरकीब (डिफ्यूजन मॉडल्स): AI शोर (static/noise) वाले एक चित्र से शुरू करता है। फिर उसे एक "होमवर्क असाइनमेंट" दिया जाता है: "यहाँ एक शोर वाला चित्र है। क्या तुम अनुमान लगा सकते हो कि वह शोर (noise) क्या था ताकि हम उसे हटा सकें?"
- परिणाम: इस "शोर का अनुमान लगाने" वाले खेल का लाखों बार अभ्यास करके, AI बिल्ली के दिखने के पैटर्न को सीख जाता है। अंततः, वह शुद्ध शोर से शुरू कर सकता है और बिल्ली को प्रकट करने के लिए शोर को "हटा" सकता है।
लेखक कहते हैं कि भाषा के मामले में भी ऐसा ही है। रोबोट को व्याकरण के नियम सिखाने के बजाय, हम बस उससे पूछते हैं, "यहाँ एक वाक्य है जिसमें एक शब्द गायब है। यहाँ कौन सा शब्द आएगा?" इस सरल "खाली स्थान भरने" वाले खेल को अरबों बार करके, रोबोट लिखना, अनुवाद करना और तर्क करना सीख जाता है।
निष्कर्ष: आधुनिक AI की प्रतिभा यह पहचानने में है कि लगभग किसी भी जटिल कार्य को "उत्तर का अनुमान लगाने" वाले खेल में बदला जा सकता है, जिससे सरल त्रुटि-सुधार (error-correction) इंजन काम कर सके।
3. पुराना विवाद: नियम बनाम संबंध (Rules vs. Connections)
दशकों तक, मनोवैज्ञानिकों ने तर्क दिया: "इंसान केवल संबंध बनाकर नहीं सीख सकते; हमें सोचने के लिए जटिल नियमों की आवश्यकता होती है।" यह पेपर कहता है, "वास्तव में, AI उन्हें गलत साबित करता है।"
उदाहरण: मांसपेशी बनाने वाला (Muscle Builder)
- पुराना दृष्टिकोण: भारी वजन उठाने के लिए (जटिल सोच के लिए), आपको एक विशेष, पहले से निर्मित क्रेन (जन्मजात नियम) की आवश्यकता है।
- नया दृष्टिकोण (एसोसिएशनिज्म): आपको क्रेन की आवश्यकता नहीं है। आपको बस एक मांसपेशी चाहिए जो हर बार वजन उठाने और असफल होने पर मजबूत होती जाए।
- प्रमाण: AI सिस्टम शून्य ज्ञान (बिना क्रेन के) से शुरू हुए। उन्होंने बस वजन उठाने (भविष्यवाणी करने और गलतियों को सुधारने) का बार-बार अभ्यास किया। अंततः, वे सबसे भारी वजन उठाने (सुपरह्यूमन शतरंज, जटिल तर्क) के लिए पर्याप्त मजबूत हो गए।
पेपर का तर्क है कि यह "मांसपेशी निर्माण" (संबंधों को त्रुटि के आधार पर समायोजित करना) यह समझाने के लिए पर्याप्त शक्तिशाली है कि हम लगभग कुछ भी कैसे सीखते हैं।
"लेकिन..." (सीमाएँ)
लेखक सावधान करते हैं कि वे यह नहीं कह रहे हैं कि AI मानव मस्तिष्क की एक सटीक नकल है। वे तीन महत्वपूर्ण बातें जोड़ते हैं:
- प्रशिक्षण बनाम प्रदर्शन (Training vs. Performance): सीखने की प्रक्रिया (धीमी, त्रुटि-संचालित मांसपेशी निर्माण) 'एसोसिएटिव' है। लेकिन सोचने की प्रक्रिया (जब AI वास्तव में किसी समस्या को हल कर रहा होता है) बहुत तेज़ और स्मार्ट दिखती है, जैसे कि वह नियमों का उपयोग कर रहा हो। पेपर कहता है कि यह ठीक है: एक धीमी, त्रुटि-संचालित प्रशिक्षण प्रक्रिया एक ऐसा सिस्टम बना सकती है जो नियमों का उपयोग करता हुआ दिखाई दे।
- हार्डवेयर मायने रखता है: हालांकि सीखने का तरीका सरल है (त्रुटि सुधार), लेकिन AI की संरचना अविश्वसनीय रूप से जटिल है। यह ऐसा है जैसे कहना कि कार का इंजन पेट्रोल पर चलता है (सीखने का तरीका), लेकिन कार को चलाने के लिए एक चेसिस, पहियों और स्टीयरिंग व्हील (जटिल आर्किटेक्चर) की भी आवश्यकता होती है। पेपर कहता है कि आधुनिक AI का "चेसिस" शुरुआती एसोसिएशनिस्ट मनोवैज्ञानिकों की कल्पना से कहीं अधिक जटिल है।
- प्रकृति बनाम पोषण (Nature vs. Nurture): पेपर इस विचार का समर्थन करता है कि हम अनुभव से सीखते हैं (एसोसिएशनिज्म), लेकिन यह यह साबित नहीं करता कि हमारे पास कोई जन्मजात नियम नहीं हैं। यह सुझाव देता है कि जबकि सीखने का इंजन हर चीज़ के लिए एक जैसा है, लेकिन जो हिस्से हम उस इंजन में डालते हैं (हमारी इंद्रियां, हमारा ध्यान), वे विकासवाद (evolution) द्वारा पहले से ही निर्धारित हो सकते हैं।
सारांश
पेपर का मुख्य निष्कर्ष:
आधुनिक AI हमें दिखाता है कि एक सरल, सार्वभौमिक तरीका—गलतियाँ करके और थोड़ा सुधार करके सीखना—अविश्वसनीय रूप से शक्तिशाली है। यह पुराने विचार का समर्थन करता है कि हमारा मस्तिष्क संबंध बनाकर सीखता है (एसोसिएशनिज्म)। हालाँकि, यह सरल इंजन तब सबसे अच्छा काम करता है जब इसे एक बहुत ही जटिल और परिष्कृत संरचना के भीतर बनाया जाता है, जिसकी कल्पना पुराने एसोसिएशनिस्टों ने नहीं की थी।
एक वाक्य में: हम संभवतः लगातार अपनी गलतियों को सुधारकर सीखते हैं, ठीक AI की तरह, लेकिन हमारा मस्तिष्क एक बहुत अधिक जटिल "चेसिस" के साथ बना है जैसा कि शुरुआती सिद्धांतों ने सुझाया था।
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।