🧬 biology

Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle

यह शोध पत्र एक वेरिएशनल ऑटोएन्कोडर (variational autoencoder) को एक कम्प्यूटेशनल प्रॉक्सी के रूप में उपयोग करता है यह प्रदर्शित करने के लिए कि फ्री एनर्जी प्रिंसिपल (Free Energy Principle) के अंतर्गत, एक प्रेडिक्टिव सिस्टम की रिप्रजेंटेशनल सटीकता उच्च बनी रह सकती है जबकि उसका डिफ़ॉल्ट जेनेरेटिव व्यवहार एक नॉन-मोनोटोनिक "कॉग्निटिव रिलैप्स" (cognitive relapse) से गुजरता है, जो यह प्रकट करता है कि एक नई वास्तविकता को अपनाने का प्रतिरोध सीखने की गति से भिन्न एक संरचनात्मक गुण है।

मूल लेखक: MD Ibrahim Hossain Ridoy

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: MD Ibrahim Hossain Ridoy

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका मस्तिष्क दुनिया की तस्वीरें लेने वाला कैमरा नहीं है। इसके बजाय, यह एक सुपर-स्मार्ट फिल्म डायरेक्टर है जो कभी वास्तव में स्टूडियो से बाहर नहीं निकलता। वह एक नकली सेट बनाता है, एक स्क्रिप्ट लिखता है, और फिर उस फिल्म का "अनुभव" करता है जिसे उसने अभी बनाया है, और केवल यह देखने के लिए वास्तविक दुनिया की जांच करता है कि क्या स्क्रिप्ट में थोड़ा बदलाव करने की आवश्यकता है। यह फ्री एनर्जी प्रिंसिपल (Free Energy Principle) है: आपका मस्तिष्क लगातार अनुमान लगा रहा है कि क्या वास्तविक है, और यह अपने अनुमान को केवल तभी अपडेट करता है जब वास्तविक दुनिया उसे चौंका देती है।

अब, यहाँ वह बड़ा सवाल है जो यह पेपर पूछता है: क्या हम इस डायरेक्टर को इतना बुरी तरह चकमा दे सकते हैं कि वह वास्तविक दुनिया को पूरी तरह से भूल जाए और यह मानने लगे कि नकली सेट ही एकमात्र वास्तविकता है? लेखक इसे "ऑन्टोलॉजिकल इनवर्जन" (ontological inversion) कहते हैं।

इसकी जांच करने के लिए, उन्होंने मानव मस्तिष्क के साथ छेड़छाड़ नहीं की (क्योंकि वह अनैतिक और असंभव होता)। इसके बजाय, उन्होंने एक डिजिटल मस्तिष्क बनाया—एक कंप्यूटर प्रोग्राम जो दो हिस्सों से मिलकर बना है जो एक साथ काम करते हैं:

द ऑब्जर्वर (The Observer - V): एक सिस्टम जो चित्रों को देखता है और उन्हें समझने की कोशिश करता है।
द ड्रीमर (The Dreamer - M): एक सिस्टम जो यह अनुमान लगाने की कोशिश करता है कि अगला चित्र क्या होगा, भले ही कोई नया चित्र दिखाया न गया हो।

उन्होंने इस डिजिटल मस्तिष्क को पहले MNIST (हाथ से लिखे गए नंबर जैसे "7" या "3") पर प्रशिक्षित किया। फिर, उन्होंने इसे FashionMNIST (टी-शर्ट और जूतों की तस्वीरें) पर स्विच करने की कोशिश की। लेकिन यहाँ एक मोड़ है, स्विच के दौरान, वे दोनों का मिश्रण देते रहे। कभी-कभी वे 100% नंबर दिखाते थे, कभी 100% कपड़े, और कभी दोनों का मिश्रण। उन्होंने इस मिश्रण अनुपात को $r$ कहा।

दो बड़ी आश्चर्यजनक बातें

पेपर ने पाया कि दो चीजें हुईं, जिन्होंने "ज़िद" (stubbornness) के बारे में हमारी सोच को पूरी तरह से बदल दिया।

1. "जानने" बनाम "मानने" का विभाजन (Decoupling)
आप सोच सकते हैं कि यदि मस्तिष्क यह पहचानने में सक्षम हो जाता है कि नंबर और कपड़ों के बीच अंतर कैसे किया जाए, तो वह तुरंत कपड़ों की दुनिया में रहने जैसा व्यवहार करने लगेगा।

क्या हुआ: डिजिटल मस्तिष्क अंतर बताने में बहुत, बहुत कुशल हो गया। जब वह अभी भी ज्यादातर नंबरों को देख रहा था, तब भी वह कपड़ों को नंबरों से 99.8% सटीकता के साथ अलग पहचान सकता था। वह अंतर को पूरी तरह से जानता था।
कैच (Catch): सिर्फ इसलिए कि वह अंतर जानता था, इसका मतलब यह नहीं था कि उसने नए संसार को स्वीकार कर लिया था। जब कंप्यूटर को बिना किसी इनपुट के "सपना" (dream) देखने के लिए अकेला छोड़ दिया गया, तो वह नंबरों के बारे में ही सपने देखता रहा, भले ही वह जानता था कि कपड़े मौजूद हैं।
सबक: एक नई वास्तविकता का अस्तित्व जानना और उसे अपनी डिफ़ॉल्ट वास्तविकता के रूप में स्वीकार करना, दो पूरी तरह से अलग चीजें हैं। आप एक नए संसार के विशेषज्ञ हो सकते हैं, लेकिन फिर भी पुराने संसार में ही रह सकते हैं।

2. "कॉग्निटिव रिलैप्स" (The Cognitive Relapse - संज्ञानात्मक गिरावट)
यह सबसे नाटकीय हिस्सा है। शोधकर्ताओं ने सोचा था कि यदि वे मस्तिष्क को पुराने और नए का मिश्रण खिलाते रहेंगे, तो यह धीरे-धीरे नए संसार की ओर बढ़ जाएगा।

क्या हुआ: कुछ निश्चित मिश्रण स्तरों पर (विशेष रूप से जब $r$ 0.4 या 0.5 था, जिसका अर्थ है कि प्रशिक्षण का 40% या 50% अभी भी पुराने नंबरों पर आधारित था), मस्तिष्क ने स्विच किया! कुछ समय के लिए, उसके "सपने" लगभग 100% कपड़ों के बारे में थे। ऐसा लगा जैसे स्विच पूरा हो गया है।
क्रैश (The Crash): लेकिन फिर, जैसे-जैसे प्रशिक्षण जारी रहा, सपने वापस फिसलने लगे। मस्तिष्क कपड़ों को भूल गया और वापस नंबरों के सपने देखने लगा। यह केवल धीरे-धीरे नहीं बदला; इसने स्विच किया, शिखर पर पहुँचा, और फिर रिलेप्स (relapse) हुआ यानी वापस गिर गया।
सबक: पुराने संसार के संपर्क में रहना केवल एक बाधा नहीं है; यह एक निरंतर खींचतान है। भले ही आप सफलतापूर्वक एक नई वास्तविकता को अपना लें, पुराने में एक पैर रखने से आप बार-बार वापस गिर सकते हैं।

यह पेपर क्या कहता है (और क्या नहीं कहता)

लेखक बहुत सावधानी से अपनी बात रखते हैं ताकि वे इसे बढ़ा-चढ़ाकर न पेश करें।

यह इस बात का प्रमाण नहीं है कि मनुष्यों का ब्रेनवॉश किया जा सकता है। यह एक सिमुलेशन था जिसमें एक कंप्यूटर प्रोग्राम का उपयोग किया गया था जो सरल चित्रों (नंबरों और कपड़ों) का उपयोग करता है। पेपर स्पष्ट रूप से कहता है कि यह एक "कंप्यूटेशनल अस्तित्व प्रमाण" (computational existence proof) है, जिसका अर्थ है कि यह सिद्ध करता है कि एक मशीन में यह विचार संभव है, लेकिन यह यह सिद्ध नहीं करता कि यह मानव मस्तिष्क में होता है।
यह "धीमी सीखने" (slow learning) के बारे में नहीं है। कुछ लोग सोच सकते हैं कि मस्तिष्क को स्विच करने में बस बहुत समय लगा। पेपर तर्क देता है कि यह गलत है। मस्तिष्क ने स्विच किया था, फिर वापस गिरा था। यह एक संरचनात्मक विफलता (structural failure) है, न कि केवल एक धीमी प्रक्रिया।
यह कोई हल की गई समस्या नहीं है। प्रयोग केवल 15 epochs (प्रशिक्षण के दौरों की एक विशिष्ट संख्या) तक चला। हमें नहीं पता कि यदि उन्होंने इसे लंबे समय तक चलाया होता तो क्या मस्तिष्क अंततः नए संसार पर स्थिर हो जाता, या यह हमेशा के लिए आगे-पीछे घूमता रहता। पेपर स्वीकार करता है कि यह अज्ञात है।

बड़ी तस्वीर

इसे एक कुत्ते के पसंदीदा खिलौने को बदलने की कोशिश के रूप में सोचें।

Decoupling: कुत्ता नए खिलौने को पूरी तरह से पहचानना सीख जाता है (वह जानता है कि यह एक गेंद है, हड्डी नहीं)। लेकिन जब वह सो रहा होता है, तो वह अभी भी हड्डी चबाता रहता है। नए खिलौने के अस्तित्व को जानना इसका मतलब यह नहीं है कि वह उसका पसंदीदा खिलना है।
Relapse: आप कुत्ते को गेंद से प्यार करने के लिए प्रशिक्षित करने की कोशिश करते हैं, उसे दोनों दिखाकर। कुछ दिनों के लिए, कुत्ता गेंद के साथ खेलता है! लेकिन फिर, क्योंकि आप उसे हर दिन हड्डी देते रहते हैं, वह फिर से हड्डी चबाना शुरू कर देता है, भले ही वह जानता है कि गेंद वहाँ है।

पेपर निष्कर्ष निकालता है कि "ज़िद" केवल सीखने में धीमे होने के बारे में नहीं है। यह एक जटिल नृत्य है जहाँ सीखना (तथ्यों को जानना) और स्वीकार करना (वास्तविकता में जीना) पूरी तरह से अलग हो सकते हैं, और जहाँ पुराने में एक पैर रखते हुए नए संसार को बदलने की कोशिश करने से आप बार-बार गिर सकते हैं।

यह इस बात की एक रोमांचक झलक है कि "वास्तविकता" का निर्माण कैसे किया जा सकता है, लेकिन याद रखें, यह 572,769 पैरामीटर्स और सरल छवियों के साथ एक डिजिटल प्रयोग था। यह इस बात का नक्शा है कि एक मशीन कैसे फंस सकती है, न कि इस बात की गारंटी कि एक मानव मन कैसे फंसता है। लेखक इसे "कंप्यूटेशनल अस्तित्व प्रमाण" कहते हैं—जो एक ठोस कदम है, लेकिन यह तो बस शुरुआत है।

तकनीकी सारांश: निर्मित वास्तविकता, विवादित पूर्वधारणाएँ (Constructed Reality, Contested Priors)

समस्या विवरण
फ्री एनर्जी प्रिंसिपल (FEP) के तहत, एक प्रेडिक्टिव सिस्टम वास्तविकता का प्रत्यक्ष अवलोकन नहीं करता है, बल्कि अपने स्वयं के जेनेरेटिव मॉडल की सर्वोत्तम वर्तमान परिकल्पना का अनुभव करता है। यह जीवित प्रणालियों में एक महत्वपूर्ण, अप्रमाणित प्रश्न खड़ा करता है: क्या एक कृत्रिम वातावरण को पर्याप्त आंतरिक निरंतरता के साथ निर्मित किया जा सकता है जो सिस्टम के डिफ़ॉल्ट जेनेरेटिव प्रायर (prior) के रूप में आधारभूत वातावरण को स्थायी रूप से विस्थापित कर दे? शोधपत्र इस अवस्था को ऑन्टोलॉजिकल इनवर्जन (ontological inversion) के रूप में परिभाषित करता है।

एक जैविक तंत्रिका तंत्र में इसका सीधे परीक्षण करना नैतिक और तकनीकी रूप से असंभव है। इसलिए, यह शोध एक प्रॉक्सी सिस्टम का उपयोग करके अंतर्निहित कम्प्यूटेशनल समस्या की जांच करता है। मुख्य सैद्धांतिक चुनौती यह निर्धारित करना है कि क्या किसी सिस्टम को एक नए वातावरण को केवल एक परिकल्पना के रूप में प्रस्तुत करने के बजाय, उसे अपने "ग्राउंड ट्रुथ" (डिफ़ॉल्ट अवस्था) के रूप में मानने के लिए प्रेरित किया जा सकता है, और उन संरचनात्मक विफलता मोड को समझना है जो इस अंगीकरण (adoption) को रोक सकते हैं।

कार्यप्रणाली (Methodology)
यह अध्ययन एक कम्प्यूटेशनल प्रॉक्सी का उपयोग करता है: एक V+M मॉडल, जिसमें एक कन्वोल्यूशनल वेरिएशनल ऑटोएन्कोडर (VAE) को एक रिकरेंट लेटेंट प्रेडिक्टर (GRU) के साथ जोड़ा गया है।

गणितीय पत्राचार (Mathematical Correspondence): VAE को एविडेंस लोअर बाउंड (ELBO) को कम करने के लिए प्रशिक्षित किया जाता है, जो FEP द्वारा परिभाषित वेरिएशनल फ्री एनर्जी के गणितीय रूप से समान (चिह्न के अंतर तक) है। इस प्रकार, प्रशिक्षण प्रक्रिया फ्री एनर्जी का सीधा न्यूनीकरण (minimization) है, न कि इसका केवल एक सिमुलेशन।
वातावरण:
- $I_0$ (आधारभूत): MNIST डेटासेट।
- $I_s$ (लक्ष्य): FashionMNIST डेटासेट।
प्रशिक्षण प्रोटोकॉल:
1. चरण 1: एक मजबूत आधारभूत प्रायर स्थापित करने के लिए मॉडल को विशेष रूप से $I_0$ (MNIST) पर प्री-ट्रेन किया गया।
2. चरण 2 (रिहर्सल): $I_0$ और $I_s$ के मिश्रित स्ट्रीम पर प्रशिक्षण जारी रहता है। रिहर्सल अनुपात ( $r$ ) प्रत्येक बैच में $I_0$ डेटा के अंश को नियंत्रित करता है ( $r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$ )।
प्रमुख मेट्रिक्स:
- $w_{proxy}$ (प्रतिनिधित्व क्षमता): वास्तविक इनपुट से प्राप्त लेटेंट वेक्टर्स को वर्गीकृत करने वाले लीनियर प्रोब की सटीकता। यह वास्तविक वातावरण के बीच अंतर करने की सिस्टम की क्षमता को मापता है।
- $dmn_{proxy}$ (डिफ़ॉल्ट व्यवहार): उस संभावना को दर्शाता है कि सिस्टम का अप्रतिबंधित, स्व-जनित आउटपुट (फ्री-रनिंग GRU रोलआउट्स) लक्ष्य वातावरण ( $I_s$ ) के समान है। यह मापता है कि बाहरी इनपुट द्वारा बाधित न होने पर सिस्टम किस ओर झुकता है।
- $F_{proxy}$ : ELBO, जो वर्तमान प्रशिक्षण मिश्रण के प्रति जेनेरेटिव फिट को मापता है।

प्रमुख योगदान और सैद्धांतिक ढांचा
शोधपत्र सीखने (प्रतिनिधित्व क्षमता) और स्वीकृति (डिफ़ॉल्ट अवस्था अंगीकरण) के बीच अंतर करने वाले एक ढांचे को पेश करता है। यह ऑन्टोलॉजिकल इनवर्जन के लिए दो विशिष्ट विफलता मोड प्रस्तावित करता है:

डिकपलिंग (Decoupling): यह परिकल्पना कि एक सिस्टम नए वातावरण के लिए लगभग पूर्ण प्रतिनिधित्व सटीकता ( $w_{proxy}$ ) प्राप्त कर सकता है, जबकि उसका डिफ़ॉल्ट व्यवहार ( $dmn_{proxy}$ ) अभी भी आधारभूत (baseline) द्वारा नियंत्रित रहता है।
कॉग्निटिव रिलैप्स (Cognitive Relapse): यह परिकल्पना कि भले ही सिस्टम अपने डिफ़ॉल्ट व्यवहार को लक्ष्य की ओर स्थानांतरित कर दे, निरंतर आधारभूत एक्सपोजर (तुलनात्मक कंट्रास्ट के माध्यम से) के कारण सिस्टम लक्ष्य से आंशिक रूप से वापस आधारभूत की ओर जा सकता है।

यह शोध कॉग्निटिव रिजिडिटी (cognitive rigidity) को केवल अपडेट की दर (धीमी सीख) के रूप में नहीं, बल्कि एक संरचनात्मक गुण के रूप में पुनः परिभाषित करता है, जिसके दो स्वतंत्र अक्ष हैं: डिफ़ॉल्ट-स्टेट कैप्चर पर एक सीमा (डिकपलिंग) और एक सीमा जहाँ प्राप्त बदलाव अस्थिर हो जाते हैं (रिलैप्स)।

परिणाम
90 प्रायोगिक रन (15 सीड्स $\times$ 6 रेश्यो) के माध्यम से, अध्ययन में तीन प्राथमिक निष्कर्ष प्राप्त हुए:

सीखने और स्वीकृति का डिकपलिंग:
- प्रतिनिधित्व सटीकता ( $w_{proxy}$ ) सभी स्थितियों में, यहाँ तक कि $r=1.0$ (जहाँ मॉडल ने चरण 2 के दौरान लक्ष्य वातावरण को कभी नहीं देखा) में भी, लगभग सीलिंग (0.97–0.998) के करीब रही।
- डिफ़ॉल्ट व्यवहार ( $dmn_{proxy}$ ) में भारी उतार-चढ़ाव देखा गया, जो 0.011 ( $r=1.0$ ) से लेकर 0.999 ( $r=0.0$ ) तक रहा।
- निष्कर्ष: उच्च प्रतिनिधित्व क्षमता, ऑन्टोलॉजिकल इनवर्जन के लिए आवश्यक तो है, लेकिन पर्याप्त नहीं है। एक सिस्टम एक नई वास्तविकता को पूरी तरह से पहचानने के बावजूद उसे अपने डिफ़ॉल्ट के रूप में नहीं अपना सकता।
कॉग्निटिव रिलैप्स (ओवरशूट और रिग्रेशन):
- मध्यवर्ती अनुपातों ( $r=0.2$ से $0.5 $) पर, सिस्टम का डिफ़ॉल्ट व्यवहार शुरू में लक्ष्य वातावरण की ओर स्थानांतरित हुआ, जो अक्सर उच्च मानों ($ dmn_{proxy} \approx 1.0$) तक पहुँच गया।
- हालाँकि, उन्हीं मिश्रित स्थितियों के तहत प्रशिक्षण जारी रहने पर, डिफ़ॉल्ट व्यवहार आंशिक रूप से आधारभूत की ओर वापस चला गया (रिग्रेशन)।
- इस रिग्रेशन की मात्रा रिहर्सल अनुपात $r$ के साथ स्केल हुई। $r=0.4$ और $r=0.5$ पर, सिस्टम ने एक स्पष्ट "उदय, शिखर, गिरावट" (rise, peak, decline) का पथ दिखाया, जो उन मॉडलों का खंडन करता है जो रिजिडिटी को केवल धीमी सीख के रूप में देखते हैं (जो एक मोनोटोनिक, धीमी वृद्धि की भविष्यवाणी करेंगे)।
थ्रेशोल्ड प्रभाव (Threshold Effects):
- $r=0.5$ पर, अधिकांश सीड्स (8/15) 15-इपोक विंडो के भीतर डिफ़ॉल्ट कैप्चर के लिए 0.90 की सीमा को पार करने में विफल रहे, और परिणामों में भिन्नता तेजी से बढ़ी, जो सिस्टम की गतिशीलता में एक संभावित द्विभाजन बिंदु (bifurcation point) का सुझाव देती है।
- $r=1.0$ पर, कोई बदलाव नहीं हुआ, जिससे पुष्टि होती है कि बिना लक्ष्य एक्सपोजर के, आधारभूत प्रायर प्रभावी रहता है।

महत्व और दावों का दायरा
यह शोध स्पष्ट रूप से इसे एक कम्प्यूटेशनल अस्तित्व प्रमाण (computational existence proof) के रूप में प्रस्तुत करता है, न कि जैविक सत्यापन के रूप में।

यह क्या प्रदर्शित करता है: यह सिद्ध करता है कि प्रथम सिद्धांतों (फ्री एनर्जी न्यूनीकरण) से प्राप्त एक तंत्र, संरचनात्मक गुणों के रूप में डिकपलिंग (उच्च प्रतिनिधित्व, निम्न स्वीकृति) और रिलैप्स (अस्थायी अंगीकरण के बाद रिग्रेशन) प्रदर्शित कर सकता है, जो विशिष्ट आर्किटेक्चरल धारणाओं से स्वतंत्र है।
यह क्या दावा नहीं करता है: यह शोध मानवों में जैविक तंत्रिका तंत्र, व्यक्तिपरक अनुभव या डिफ़ॉल्ट मोड नेटवर्क के बारे में कोई दावा नहीं करता है। "कॉग्निटिव रिलैप्स" और "ऑन्टोलॉजिकल इनवर्जन" जैसे शब्दों का उपयोग सख्ती से एक कृत्रिम नेटवर्क में देखे गए वक्र आकारों (curve shapes) के लेबल के रूप में किया गया है।
सीमाएँ: परिणाम 15-इपोक विंडो तक सीमित हैं (इस अवधि के बाद दीर्घकालिक स्थिरता अज्ञात है), इन्होंने 'कन्करेंट कंट्रास्ट' (फिक्स्ड बैच अनुपात) का एक मोटा परिचालनकरण (operationalization) उपयोग किया है, और ये अत्यधिक विभाज्य डेटासेट्स (MNIST बनाम FashionMNIST) पर निर्भर हैं जो वास्तविक दुनिया के प्रतिस्पर्धी वातावरण की जटिलता को प्रतिबिंबित नहीं कर सकते हैं।

निष्कर्ष
यह अध्ययन स्थापित करता है कि मॉडल प्रतिस्थापन के प्रति प्रतिरोध केवल सीखने की गति का कार्य नहीं है। इसके बजाय, यह एक संरचनात्मक घटना है जहाँ प्रतिनिधित्व क्षमता और डिफ़ॉल्ट जेनेरेटिव व्यवहार अलग हो सकते हैं, और जहाँ डिफ़ॉल्ट व्यवहार में प्राप्त बदलाव मूल प्रायर के निरंतर आंशिक एक्सपोजर के तहत अस्थिर हो सकते हैं। यह उन स्थितियों के लिए एक औपचारिक, परीक्षण योग्य ढांचा प्रदान करता है जिनके तहत एक जेनेरेटिव सिस्टम एक निर्मित वास्तविकता को अपने डिफ़ॉल्ट के रूप में अपना सकता है (या नहीं सकता है)।

दो बड़ी आश्चर्यजनक बातें

यह पेपर क्या कहता है (और क्या नहीं कहता)

बड़ी तस्वीर

इसी तरह के और पेपर