Continuous Interaction Diffusion: A Diffusion-Native Runtime for Asynchronous Tool-Augmented Reasoning
यह शोध पत्र कंटीन्यूअस इंटरैक्शन डिफ्यूजन (CID) प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो डिफ्यूजन लैंग्वेज मॉडल्स की पुनरावृत्ति डिनोइजिंग प्रक्रिया में एसिंक्रोनस टूल इंटरैक्शन को सीधे एकीकृत करता है ताकि साक्ष्य का शीघ्र प्रदर्शन सक्षम किया जा सके, टूल लेटेंसी को कंप्यूटेशन के साथ ओवरलैप किया जा सके, और अनावश्यक बाहरी कार्य को कम किया जा सके, हालांकि यह वर्तमान में अनुभवजन्य प्रदर्शन दावों के बिना केवल सैद्धांतिक औपचारिकीकरण पर केंद्रित 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
पृष्ठभूमि: AI को सोचने के एक नए तरीके की आवश्यकता क्यों है
कल्पना कीजिए कि आप एक जटिल रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास एक बहुत सख्त नियम है: आपको अपनी कहानी एक बार में एक शब्द करके, बाएं से दाएं लिखनी होगी, और एक बार जब आप एक शब्द लिख देते हैं, तो आप उसे कभी बदल नहीं सकते। यदि आपको आधे रास्ते में एहसास होता है कि आपने कोई गलती की है, या यदि कोई नया सुराग आता है जो आपके द्वारा लिखे गए सब कुछ को बदल देता है, तो आप फंस जाते हैं। आपको रुकना होगा, पूरा पन्ना मिटाना होगा, और फिर से शुरू करना होगा, या बहुत ही अजीब तरीके से अंत में एक "सुधार" जोड़ना होगा। अधिकांश वर्तमान AI मॉडल इसी तरह काम करते हैं। वे एक ऐसे लेखक की तरह हैं जो केवल आगे बढ़ सकता है, कभी पीछे नहीं।
अब, एक अलग तरह के लेखक की कल्पना करें। यह एक पूरे चित्र का धुंधला, बिखरा हुआ स्केच लेकर शुरुआत करता है। वे शब्द दर शब्द नहीं लिखते; इसके बजाय, वे पूरे चित्र को देखते हैं और धीरे-धीरे विवरणों को स्पष्ट (sharpen) करते हैं। यदि कोई नया सुराग आता है, तो वे तुरंत स्केच के किसी धुंधले हिस्से पर वापस जा सकते हैं, उसे ठीक कर सकते हैं, और बिना कागज फाड़े उसे बाकी चित्र में मिला सकते हैं। डिफ्यूजन (diffusion) मॉडल इसी तरह काम करते हैं—वे एक-एक ईंट बनाने के बजाय एक साथ पूरे विचार को परिष्कृत करते हैं।
बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: हम इन "परिष्कृत करने वाले" (refining) AI मॉडल्स को उपकरणों (जैसे इंटरनेट खोजने या फाइलों को पढ़ने) का उपयोग करने के लिए कैसे सक्षम बना सकते हैं, बिना उन्हें रुकने और प्रतीक्षा करने के लिए मजबूर किए? यदि किसी टूल को उत्तर देने में पांच सेकंड लगते हैं, तो एक मानक AI बस खाली बैठा रहता है, दीवार को घूरता रहता है। लेकिन एक परिष्कृत करने वाला AI उन पांच सेकंड के दौरान कहानी के अन्य हिस्सों पर काम करने में व्यस्त रहता है। चुनौती यह पता लगाने की है कि AI के प्रवाह को तोड़े बिना, उस नई जानकारी को कहानी में वापस कैसे डाला जाए जबकि AI अभी भी सोच रहा है। यही वह पहेली है जिसे यह शोध पत्र हल करता है।
शोध पत्र: AI के दुनिया से बात करने का एक नया तरीका
यह शोध पत्र कंटीन्यूअस इंटरेक्शन डिफ्यूजन (Continuous Interaction Diffusion - CID) नामक एक नई प्रणाली पेश करता है। इसे एक नए सैद्धांतिक ब्लूप्रिंट के रूप में समझें जो एक ऐसे AI के लिए बनाया गया है जिसे "रैखिक लेखक" (linear writer) के बजाय एक "सतत संपादक" (perpetual editor) के रूप में डिज़ाइन किया गया है।
पुराने तरीके में, एक AI सोचता, रुकता, चिल्लाकर कहता "मुझे वेब सर्च करने की आवश्यकता है!", उत्तर की प्रतीक्षा करता, उत्तर पढ़ता, और फिर से सोचना शुरू करता। यह एक 'रुको-और-चलो' (stop-and-go) की प्रक्रिया है। लेखक का तर्क है कि यह डिफ्यूजन मॉडल्स के लिए एक बहुत ही खराब तालमेल है, जिन्हें समानांतर (in parallel) में अपने पूरे आउटपुट को लगातार सुधारने के लिए डिज़ाइन किया गया है। उन्हें रुकने और प्रतीक्षा करने के लिए मजबूर करना एक चित्रकार को यह बताने जैसा है कि जब भी उसे नया रंग मिलाने की आवश्यकता हो, वह अपना हाथ रोक दे।
CID एक समाधान प्रस्तावित करता है जिसमें AI के मस्तिष्क को तीन अलग-अलग "चैनलों" में विभाजित किया जाता है जो एक साथ काम करेंगे लेकिन उनके नियम अलग होंगे:
- द फैक्ट चैनल (The Fact Channel - अपरिवर्तनीय लेजर): यह एक विशेष नोटबुक की तरह होगा जहाँ AI बाहरी दुनिया से जानकारी (जैसे खोज परिणाम या फ़ाइल) पढ़ सकता है, लेकिन वह इसे मिटा या बदल नहीं सकता। यदि वास्तविक दुनिया कहती है "आकाश नीला है," तो यह चैनल उस सत्य को सुरक्षित रखेगा। भले ही AI के अपने विचार भ्रमित होकर यह कहने की कोशिश करें कि "आकाश हरा है," फैक्ट चैनल सत्य को सुरक्षित रखेगा। यह एक कांच के केस की तरह है: आप अंदर के साक्ष्य को देख सकते हैं, लेकिन आप उसे छू नहीं सकते।
- द थॉट चैनल (The Thought Channel - मिट्टी का मॉडल): यहीं पर AI की वास्तविक सोच होगी। यह केवल टेक्स्ट नहीं है; यह एक "टाइप्ड कॉग्निटिव टेंसर" (Typed Cognitive Cognitive Tensor) है, जो एक फैंसी तरीका है यह कहने का कि यह विचारों का एक लचीला, 3D मिट्टी का मॉडल है। AI इस मिट्टी को ढाल सकता है, इसे कुचल सकता है, खींच सकता है और इसका आकार बदल सकता है। यदि नया प्रमाण आता है, तो AI नए सत्य के अनुरूप मिट्टी को तुरंत नया आकार दे सकता है। यह टेक्स्ट की एक कठोर रेखा नहीं है; यह एक जीवित, सांस लेता हुआ कार्यक्षेत्र है।
- द डिस्प्ले चैनल (The Display Channel - अंतिम पेंटिंग): यह वह है जिसे मानव उपयोगकर्ता वास्तव में देखेगा। यह कहानी का अंतिम संस्करण है। AI "मिट्टी के मॉडल" (Thought) पर काम करना और "कांच के केस" (Facts) की जांच करना जारी रख सकता है जबकि "अंतिम पेंटिंग" (Display) धीरे-धीरे स्पष्ट होती जाती है।
CID की खासियत एक विशेषता है जिसे परसिस्टेंट परसेप्चुअल बाइंडिंग्स (Persistent Perceptual Bindings) कहा जाता है। कल्पना कीजिए कि आप एक केक बना रहे हैं और आपको यह जांचने की आवश्यकता है कि ओवन पहले से गर्म है या नहीं। पुराने सिस्टम में, आपको बेकिंग रोकनी होगी, ओवन की ओर दौड़ना होगा, जांच करनी होगी, वापस आना होगा और फिर तय करना होगा कि क्या करना है। CID में, AI अपना ध्यान ओवन पर "बाउंड" (bind) कर देता है। वह "ओवन चेक करें" निर्देश लिखने से पहले ही ओवन को चेक करने के लिए अपनी अटेंशन को बांधना शुरू कर देता है। जबकि ओवन गर्म हो रहा होता है (टूल काम कर रहा होता है), AI बैटर (घोल) को मिलाना जारी रखता है (विचार के अन्य हिस्सों को परिष्कृत करना)। जब ओवन तैयार हो जाता है, तो परिणाम को तुरंत मिट्टी के मॉडल में प्रोजेक्ट कर दिया जाता है। AI को रुकना नहीं पड़ता; वह बस नई जानकारी को अपने चल रहे काम में सहजता से मिला देता है।
शोध पत्र यह तरीका भी पेश करता है जिससे AI को यह पता चल सके कि उसे क्या चाहिए, इससे पहले कि उसे पता चले कि उसे इसे ठीक से कैसे मांगना है। यह वैसा ही है जैसे यह जानने से पहले कि वह सेब है या स्ट्रॉबेरी, यह जानना कि आपको "एक लाल फल" चाहिए। सिस्टम तुरंत "एक लाल फल" की तलाश शुरू कर सकता है, जिससे कीमती समय बचता है।
शोध पत्र वास्तव में क्या कहता है (और क्या नहीं कहता)
यह समझना महत्वपूर्ण है कि इस शोध पत्र ने वास्तव में क्या हासिल किया है। लेखक ने इस नई प्रणाली के लिए एक विस्तृत औपचारिक प्रस्ताव और एक गणितीय ढांचा तैयार किया है। उन्होंने यह परिभाषित किया है कि तीनों चैनल कैसे काम करेंगे, AI को उनका उपयोग करने के लिए कैसे प्रशिक्षित किया जाना चाहिए, और यह कैसे मापा जाए कि यह कितना प्रभावी है।
हालाँकि, शोध पत्र यह दावा नहीं करता है कि यह प्रणाली पहले से ही बनी हुई है, चल रही है, या समस्याओं को हल करने में सबसे अच्छी है। वास्तव में, लेखक स्पष्ट रूप से कहते हैं कि यह विषय पर पहला पेपर है और वे अभी तक कोई अनुभवजन्य प्रदर्शन दावे (empirical performance claims) नहीं कर रहे हैं। उन्होंने पुराने सिस्टम को मात देने के लिए बड़े परीक्षण नहीं किए हैं। वे कह रहे हैं, "यहाँ एक इंजन डिजाइन करने का एक नया, बेहतर तरीका है, और यहाँ बताया गया है कि हमें कैसे लगता है कि यह कैसे काम करेगा, लेकिन हमें कार बनानी होगी और उसे चलाना होगा ताकि इसे साबित किया जा सके।"
वे सुझाव देते हैं कि यह दृष्टिकोण AI को तेज़ और अधिक सटीक बना सकता है क्योंकि यह सोचने के समय और जानकारी प्राप्त करने के समय को ओवरलैप (एक साथ) कर देता है। उनका तर्क है कि पुराना "रुको-और-प्रतीक्षा करो" वाला तरीका AI को पर्याप्त जानकारी होने से पहले ही निर्णय लेने के लिए मजबूर करता है, जिससे गलतियाँ होती हैं।
शोध पत्र कुछ चीजों को खारिज भी करता है। इसमें कहा गया है कि मौजूदा AI को केवल "एसिंक्रोनस" (Asynchronous - यानी काम के दौरान प्रतीक्षा करने के बजाय अन्य काम करना) बनाना पर्याप्त नहीं है यदि AI की आंतरिक संरचना अभी भी कठोर है। सूचना को तुरंत संभालने के लिए AI के सोचने का तरीका (डिफ्यूजन प्रक्रिया) बदलना होगा। वे यह भी स्पष्ट करते हैं कि यह पहला संस्करण केवल "रीड-ओनली" (केवल पढ़ने योग्य) टूल्स को संभालता है (जैसे सर्च करना या फाइल पढ़ना), न कि उन टूल्स को जो दुनिया को बदलते हैं (जैसे ईमेल भेजना या फाइल डिलीट करना), क्योंकि उनके लिए बहुत अधिक जटिल सुरक्षा नियमों की आवश्यकता होती है।
संक्षेप में, यह शोध पत्र एक क्रांतिकारी नए आर्किटेक्चर का प्रस्ताव देता है जहाँ AI केवल "पूछता और प्रतीक्षा नहीं" करता, बल्कि "पूछता है, काम जारी रखता है, और उत्तर को सहजता से एकीकृत करता है।" यह एक आशाजनक नई दिशा है, लेकिन इसकी शक्ति का वास्तविक प्रमाण अभी लैब में परीक्षण होने का इंतज़ार कर रहा 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।