Towards Agentic Agent-based Models: Feasibility, Performance, and Statistical Model Checking
यह शोध पत्र शेलिंग पृथक्करण मॉडल (Schelling segregation model) को एक हाइब्रिड जनसंख्या के साथ विस्तारित करके, पारंपरिक एजेंट-आधारित मॉडलों में LLM-संचालित एजेंटिक क्षमताओं को एकीकृत करने की व्यवहार्यता और प्रदर्शन की जांच करता है, और मानक नियमों को LLM-आधारित निर्णय लेने से बदलने के सेमेंटिक, परिचालन और कम्प्यूटेशनल प्रभावों का मूल्यांकन करने के लिए सांख्यिकीय मॉडल चेकिंग (statistical model checking) का उपयोग करता 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
एक विशाल डिजिटल सैंडबॉक्स की कल्पना करें जहाँ छोटे, स्वायत्त पात्र जिन्हें "एजेंट" कहा जाता है, घूमते हैं, अपने स्वयं के निर्णय लेते हैं और एक-दूसरे से टकराते हैं। यह एजेंट-बेस्ड मॉडल्स (ABMs) की दुनिया है। इसे एक विशाल, जटिल वीडियो गेम की तरह समझें जहाँ हर एक पात्र के नियम सरल, सख्त कोड में लिखे गए हैं। यदि कोई पात्र एक लाल पड़ोसी को देखता है, तो वह बाईं ओर जाता है; यदि वह एक नीला देखता है, तो वह वहीं रुक जाता है। इन लाखों सरल अंतःक्रियाओं को देखकर, वैज्ञानिक बड़े, आश्चर्यजनक पैटर्न उभरते हुए देख सकते हैं—जैसे कि कैसे एक शहर में ट्रैफिक जाम लग जाता है या कैसे लोग स्वाभाविक रूप से अपने पड़ोसों में खुद को व्यवस्थित करते हैं। दशकों से, ये मॉडल विश्वसनीय रहे हैं क्योंकि इनके नियम पारदर्शी और पूर्वानुमानित हैं।
लेकिन हाल ही में, इस सैंडबॉक्स में एक नया प्रकार का "मस्तिष्क" प्रवेश कर गया है: लार्ज लैंग्वेज मॉडल (LLM)। आप इन्हें उन AI चैटबॉट्स के रूप में जानते हैं जो कहानियाँ लिख सकते हैं, प्रश्नों के उत्तर दे सकते हैं और मानवीय बातचीत को समझ सकते हैं। वे लचीले, रचनात्मक हैं और जटिल, प्राकृतिक भाषा को संभाल सकते हैं। वैज्ञानिक अब एक बड़ा सवाल पूछ रहे हैं: क्या होगा यदि हम अपने डिजिटल एजेंटों के लिए सख्त, सरल कोड को इन बातूनी, लचीले AI मस्तिष्कों से बदल दें? क्या एक एजेंट जो कोड के बजाय वाक्यों में "सोचता" है, अभी भी खेल को सही ढंग से खेल पाएगा? या क्या वह भ्रमित हो जाएगा, गलतियाँ करेगा, या पूरे सिमुलेशन को बहुत धीमा कर देगा? यह एक पहेली है जिसे शोधकर्ताओं की एक टीम ने हल करने का प्रयास किया।
प्रयोग: एक डिजिटल बच्चे को "सोचना" सिखाना
शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए शेलिंग सेग्रिगेशन मॉडल (Scheellng Segregation Model) नामक एक क्लासिक खेल का उपयोग करने का निर्णय लिया। कल्पना करें कि एक चेकरबोर्ड भरा हुआ है जिसमें लाल और नीले टोकन हैं। मूल संस्करण में, एक टोकन तब "खुश" होता है जब उसके पास समान रंग के पर्याप्त पड़ोसी होते हैं। यदि वह नाखुश है, तो वह एक खाली जगह पर कूद जाता है। समय के साथ, भले ही टोकन एक-दूसरे से नफरत नहीं करते हों, वे स्वाभाविक रूप से लाल-केवल और नीले-केवल क्षेत्रों में खुद को व्यवस्थित कर लेते हैं। यह एक सरल नियम है, लेकिन यह एक जटिल पैटर्न बनाता है।
इस नए AI विचार का परीक्षण करने के लिए, टीम ने इस खेल में एक छोटा, नियंत्रित बदलाव किया। उन्होंने बोर्ड, नियम और गति को बिल्कुल वैसा ही रखा। लेकिन एक एकल एजेंट के लिए, उन्होंने सरल "रंगों को गिनने" वाले नियम को एक LLM से बदल दिया। केवल पड़ोसी के रंग को देखने के बजाय, इस विशेष एजेंट को अपने पड़ोसियों से "बात" करनी थी। पड़ोसी कुछ ऐसा कह सकते थे जैसे, "आकाश सुंदर है" (जिसका अर्थ है कि वे नीले हैं) या "आग सुंदर है" (जिसका अर्थ है कि वे लाल हैं)। AI एजेंट को इन वाक्यों को सुनना होता था, यह तय करना होता था कि पड़ोसी समान है या अलग, और फिर अपना स्कोर अपडेट करने के लिए एक डिजिटल टूल का उपयोग करना होता था।
यह एक ऐसे रोबोट को बदलने जैसा था जो गिनती करता है, एक ऐसे रोबोट से जिसने एक कविता पढ़नी है, रूपक (metaphor) को समझना है, और फिर सही बटन दबाना है। शोधकर्ता यह देखना चाहते थे कि क्या यह "सोचने वाला" एजेंट तालमेल बिठा पाएगा, या क्या वह अपने शब्दों में ही उलझ जाएगा।
परिणाम: छोटे दिमाग फंस जाते हैं; बड़े दिमाग धीमे हो जाते हैं
सबसे पहले, टीम ने कुछ "यूनिट टेस्ट" चलाए ताकि यह देखा जा सके कि क्या AI एजेंट वाक्यों को पढ़ने के बुनियादी गणित को कर सकते हैं। उन्होंने इसे विभिन्न आकार के AI मॉडलों के साथ आज़माया, जो बहुत छोटे (0.8 बिलियन पैरामीटर) से लेकर बड़े (9 बिलियन पैरामीटर) तक थे।
परिणाम थोड़े वास्तविकता की जाँच करने वाले थे। छोटे मॉडल उन छात्रों की तरह थे जिन्होंने पर्याप्त पढ़ाई नहीं की है। वे अक्सर अटक जाते थे, यह समझने में विफल रहते थे कि "आकाश" का अर्थ "नीला" है, या बस सही बटन दबाने में विफल रहते थे। वे भरोसे के लायक नहीं थे। मध्यम आकार के मॉडल बेहतर थे लेकिन जब कार्य थोड़ा कठिन हो जाता (जैसे कि एक साथ तीन पड़ोसियों को सुनना), तो वे लड़खड़ा जाते थे। हालाँकि, बड़े मॉडल (4 बिलियन और 9 बिलियन) पास हो गए। वे रूपकों को समझ गए और हर बार सही बटन दबाया।
लेकिन एक पेच था। जबकि बड़े मॉडल बुद्धिमान थे, वे धीमे थे।
जब शोधकर्ताओं ने बुद्धिमान AI एजेंट के साथ पूर्ण सिमुलेशन चलाया, तो उन्होंने पाया कि खेल बिल्कुल मूल संस्करण की तरह ही खेला गया। लाल और नीले टोकन अभी भी मोहल्लों में व्यवस्थित हो रहे थे, और "खुशी" का स्तर बिल्कुल समान था। AI एजेंट ने खेल को खराब नहीं किया; उसने इसे पूरी तरह से खेला।
हालाँकि, उस पूर्णता की कीमत बहुत बड़ी थी। एक मानक कंप्यूटर पर चलने वाला मूल खेल लगभग 2 सेकंड में समाप्त हो गया। AI एजेंट वाला संस्करण उसी संख्या में चरणों को चलाने के लिए 8,917 सेकंड (लगभग 2.5 घंटे!) का समय ले गया। AI एजेंट इतना व्यस्त था कि वह "सोच" और "बात" रहा था कि इसने पूरे सिमुलेशन को लगभग 4,500 गुना धीमा कर दिया।
निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि हालांकि हम इन डिजिटल सैंडबॉक्स में AI मस्तिष्क डाल सकते हैं, हमें सावधान रहना होगा। आप केवल एक सरल नियम को चैटबॉट से नहीं बदल सकते और समान गति की उम्मीद नहीं कर सकते। छोटे, सस्ते AI मॉडल अविश्वसनीय हैं और गलत निर्णय ले सकते हैं, जबकि विश्वसनीय, बड़े मॉडल इतने धीमे हैं कि वे सिमुलेशन को उचित समय में चलाना असंभव बना सकते हैं।
शोधकर्ता सुझाव देते हैं कि यदि हम भविष्य में इन "एजेंटिक" AI मॉडलों का उपयोग करना चाहते हैं, तो हमें उन्हें सरल नियमों के पूर्ण प्रतिस्थापन के रूप में नहीं, बल्कि नए, जटिल घटकों के रूप में देखना होगा जो अपने स्वयं के खर्च और जोखिमों के साथ आते हैं। वे शक्तिशाली हैं, लेकिन वे त्रुटिपूर्ण और चलाने में महंगे भी हैं। फिलहाल, सबसे अच्छा दृष्टिकोण उन्हें कठोरता से परखना है, ठीक वैसे ही जैसे टीम ने किया, ताकि यह सुनिश्चित किया जा सके कि वे खेल के बीच में ही न फंस जाएं।
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।