Diversity is the Strength of the AI Crowd
यह शोध पत्र यह प्रदर्शित करता है कि एआई पूर्वानुमान एंसेम्बल्स (AI forecasting ensembles) की सटीकता को अधिकतम करने के लिए समान उच्च-प्रदर्शन वाले एलएलएम (LLMs) से कई पूर्वानुमानों को केवल एकत्रित करने के बजाय, पूरक त्रुटियों वाले विविध मॉडलों को रणनीतिक रूप से संयोजित करना आवश्यक 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
कल्पना कीजिए कि आप सिक्कों के उछाल के क्रम का परिणाम बताने की कोशिश कर रहे हैं, लेकिन सिक्के उछालने के बजाय, आप बुद्धिमान, लेकिन थोड़े अलग कंप्यूटरों (AI मॉडल्स) के एक समूह से अनुमान लगाने के लिए कह रहे हैं कि क्या भविष्य में कोई घटना घटेगी या नहीं।
यह शोध पत्र एक सरल प्रश्न पूछता है: यदि आपके पास सीमित संख्या में "अनुमान" लगाने के अवसर हैं, तो क्या आपको अपने एक सबसे स्मार्ट कंप्यूटर से पाँच बार अनुमान लगाने के लिए कहना चाहिए, या आपको पाँच अलग-अलग कंप्यूटरों से एक-एक बार अनुमान लगाने के लिए कहना चाहिए?
यहाँ शोधकर्ताओं ने जो पाया है, उसका विवरण रोजमर्रा के उदाहरणों के साथ दिया गया है।
पुराना तरीका: "सुपर-एक्सपर्ट" (महा-विशेषज्ञ)
लंबे समय से, मानक दृष्टिकोण उपलब्ध सबसे स्मार्ट AI मॉडल को खोजना और उससे एक ही सवाल बार-बार पूछना रहा है। तर्क यह था: "यदि यह मॉडल सबसे अच्छा है, तो इससे अधिक अनुमान लेना बेहतर होना चाहिए।"
शोधकर्ता इसे "इन्डिसक्रिमिनेट सैंपलिंग" (indiscriminate sampling) कहते हैं। यह अपने सबसे अच्छे दोस्त को एक ही विषय पर पाँच अलग-अलग निबंध लिखने के लिए कहने जैसा है। भले ही वे अलग तरह से लिखने की कोशिश करें, वे एक ही मस्तिष्क, एक ही यादों और एक ही शैली का उपयोग कर रहे होंगे। उनके उत्तर एक-दूसरे के बहुत समान होंगे।
नई खोज: "विविध टीम" (डाइवर्स टीम)
शोध पत्र का तर्क है कि यह दृष्टिकोण गलत है। इसके बजाय, सबसे अच्छे परिणाम विभिन्न मॉडल्स की एक विविध टीम बनाने से आते हैं।
इसे एक स्पोर्ट्स टीम की तरह समझें। यदि आपके पास पाँच ऐसे खिलाड़ी हैं जो बास्केटबॉल शॉट मारने में बहुत अच्छे हैं, लेकिन वे सभी बिल्कुल एक ही जगह खड़े होकर एक ही तरह से शॉट मारते हैं, तो आप पूरे कोर्ट को कवर नहीं कर रहे हैं। आपको मिश्रण चाहिए: एक खिलाड़ी जो शूटिंग में माहिर हो, एक जो डिफेंस में अच्छा हो, और एक जो पासिंग में माहिर हो। भले ही "पासर" सबसे अच्छा शूटर न हो, लेकिन उसका अनूठा कौशल पूरी टीम को मजबूत बनाता है।
मुख्य निष्कर्ष
1. स्मार्ट मॉडल्स एक जैसा सोचते हैं
शोधकर्ताओं ने कई शीर्ष-स्तरीय AI मॉडल्स (जैसे GPT-5, Gemini 3 Pro, आदि) का परीक्षण किया। उन्होंने पाया कि ये "सुपर-स्मार्ट" मॉडल्स वास्तव में सोचने के मामले में बहुत समान हैं। एक ही सवाल पूछे जाने पर, वे अक्सर बहुत मिलते-जुलते उत्तर देते हैं।
- उदाहरण: यदि आप पाँच जुड़वा भाइयों से एक ही पहेली पूछते हैं, तो संभावना है कि वे आपको एक ही उत्तर देंगे। उनसे पाँच बार पूछने से आपको नई जानकारी नहीं मिलती; यह बस आपको वही उत्तर पाँच बार देता है।
2. "आउटलायर" (Outlier) ही MVP है
उनके टेस्ट ग्रुप में एक मॉडल, जिसे Grok 4 कहा गया, दिलचस्प था। यह अपने आप में सबसे सटीक मॉडल (#1) नहीं था (वास्तव में यह #3 था)। हालाँकि, यह अन्य मॉडल्स की तुलना में बहुत अलग तरह से सोचता था। इसके उत्तर समूह के बाकी हिस्सों के साथ बहुत कम मेल खाते थे।
- उदाहरण: एक पहेली (puzzle) की कल्पना करें। आपके पास चार टुकड़े हैं जो आपस में पूरी तरह फिट बैठते हैं लेकिन एक खाली जगह छोड़ देते हैं। आपको पाँचवाँ टुकड़ा मिलता है जो दूसरों जैसा नहीं दिखता, लेकिन वह उस खाली जगह में बिल्कुल फिट बैठ जाता है। भले ही पाँचवाँ टुकड़ा समूह के अन्य टुकड़ों की तुलना में "अजीब" दिखता हो, लेकिन पहेली को पूरा करने के लिए वह सबसे मूल्यवान टुकड़ा है।
3. शुद्ध सटीकता से बेहतर विविधता (Diversity beats raw accuracy)
जब शोधकर्ताओं ने मॉडल्स को मिलाया, तो जीतने वाली टीम वह नहीं थी जो सबसे अच्छे मॉडल को पाँच बार दोहराकर बनाई गई थी। जीतने वाली टीम एक मिश्रण थी:
- एक कस्टम-ट्यून्ड मॉडल (विशेषज्ञ)।
- दो शीर्ष-स्तरीय मॉडल्स (सामान्यज्ञ/Generalists)।
- Grok 4 (एक विविध विचारक)।
भले ही Grok 4 अपने आप में सबसे सटीक नहीं था, लेकिन वह सबसे कठिन से कठिन प्रतिस्थापन (hardest to replace) था। यदि आप Grock 4 को टीम से हटा देते, तो समूह का प्रदर्शन काफी गिर जाता। यदि आप किसी एक "टॉप" मॉडल को हटा देते, तो समूह को शायद ही कोई फर्क पड़ता।
बड़ा सबक
शोध पत्र निष्कर्ष निकालता है कि एक "AI क्राउड" की ताकत एक ही स्मार्ट व्यक्ति से लाखों बार अनुमान लगाने में नहीं आती है। यह अलग-अलग तरह से सोचने वाले विभिन्न स्मार्ट लोगों से पूछने में आती है जो अलग-अलग तरह की गलतियाँ करते हैं।
- गलती: एक ही मॉडल से 5 बार अनुमान लगाने के लिए कहना। (जैसे एक ही व्यक्ति को 5 अलग-अलग कहानियाँ लिखने के लिए कहना; वे सभी एक जैसी ही लगेंगी)।
- समाधान: 5 अलग-अलग मॉडल्स से एक-एक बार अनुमान लगाने के लिए कहना। (जैसे एक कवि, एक वैज्ञानिक, एक कॉमेडियन और एक इतिहासकार को एक कहानी सुनाने के लिए कहना; उनके अलग-अलग दृष्टिकोण एक बहुत अधिक समृद्ध और सटीक तस्वीर बनाते हैं)।
संक्षेप में: सबसे सटीक भविष्यवाणियों के लिए, केवल सबसे अच्छे मॉडल को उसके ऊपर बार-बार न रखें। उन मॉडल्स को शामिल करें जो अलग तरह से सोचते हैं, भले ही वे लीडरबोर्ड पर नंबर 1 न हों। विविधता ही असली सफलता का मंत्र है।
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।