डिजिटल मस्तिष्क की खोज

कल्पना कीजिए कि आप एक रोबोट को एक मददगार दोस्त बनना सिखाने की कोशिश कर रहे हैं। आप उसे तथ्यों की एक लाइब्रेरी देते हैं, जैसे कि एक मानक डेटाबेस, और वह आपको फ्रांस की राजधानी या चंद्रमा पर उतरने का वर्ष बता सकता है। लेकिन यदि आप उससे पूछते हैं, "याद है पिछले मंगलवार को हमने मेरे कुत्ते की एलर्जी के बारे में बात की थी?" तो वह लाइब्रेरी अक्सर विफल हो जाती है। उसे यह नहीं पता होता कि आपने वह तथ्य कैसे सीखा, या वह तथ्य किसी रैंडम समाचार हेडलाइन की तुलना में अधिक महत्वपूर्ण क्यों है। यह एक डेटाबेस (तथ्यों की एक सूची) और मेमोरी (अनुभवों की एक जीवित कहानी) के बीच का अंतर है।

दशकों से, कंप्यूटरों ने सूचना संग्रहीत करने के दो मुख्य तरीके इस्तेमाल किए हैं। पहला है रिलेशनल मॉडल (Relational Model), जो एक स्प्रेडशीट की तरह है: यह डेटा की पंक्तियों को संग्रहीत करता है जहाँ हर चीज़ का एक विशिष्ट लेबल होता है, जैसे "नाम" या "तारीख"। यह अकाउंटिंग के लिए बेहतरीन है लेकिन बातचीत को याद रखने के लिए बहुत खराब है। दूसरा है वेक्टर मॉडल (Vector Model), जो विचारों के एक विशाल मानचित्र की तरह है। यह शब्दों को निर्देशांकों (coordinates) में बदल देता है और उन चीजों को ढूंढता है जो एक-दूसरे के "करीब" हैं। यदि आप "खुशी" (happy) मांगते हैं, तो यह "आनंद" (joy) को ढूंढ लेता है क्योंकि वे मानचित्र पर पड़ोसी हैं। लेकिन इस प्रणाली में एक दोष है: यह केवल वही जानता है जो सुनने में समान लगता है, न कि वह जो वास्तव में सत्य या आपके लिए महत्वपूर्ण है। यह आपके द्वारा सत्यापित किए गए तथ्य को सुने गए किसी अफवाह के साथ भ्रमित कर सकता है।

यह शोध पत्र एक बड़े सवाल पर काम करता है: हम एक ऐसा कंप्यूटर मेमोरी कैसे बना सकते हैं जो मानव मस्तिष्क की तरह कार्य करे? हमें एक ऐसे सिस्टम की आवश्यकता है जो न केवल तथ्यों को संग्रहीत करे या समान शब्दों को खोजे, बल्कि एपिसोड्स (घटनाक्रमों) को याद रखे—संदर्भ, महत्व की भावना और इस बात का रिकॉर्ड कि जानकारी कहाँ से आई। यदि हम यह नहीं कर सकते, तो हमारे AI एजेंट विस्मरशील, आसानी से भ्रमित होने वाले और लंबी बातचीत से सीखने में असमर्थ होंगे।

---

FluctlightDB: द ब्रेन-नेटिव डेटाबेस

FluctlightDB से मिलिए। इसे केवल एक लाइब्रेरी के रूप में नहीं, बल्कि एक डिजिटल हिप्पोकैम्पस (hippocampus) के रूप में सोचें—मस्तिष्क का वह हिस्सा जो नई यादें बनाने के लिए जिम्मेदार है। लेखक, जो स्वतंत्र शोधकर्ता गणेश एस के नेतृत्व में हैं, प्रस्तावित करते हैं कि AI एजेंटों को एक पूरी तरह से नए प्रकार के डेटाबेस इंजन की आवश्यकता है, जो "मेमोरी" को एक अलग चीज़ के रूपके रूप में देखता है, जो स्प्रेडशीट या समानता मानचित्रों से अलग है।

केवल एक पंक्ति में तथ्य डालने या एक वेक्टर डालने के बजाय, FluctlightDB हर सूचना को एक एंग्राम (engram) के रूप में मानता है। एक एंग्राम को एक छोटे, आत्मनिर्भर टाइम कैप्सूल के रूप में कल्पना करें। इस कैप्सूल के भीतर केवल यह नहीं है कि क्या हुआ था; इसमें संदर्भ (आप कहाँ थे), सैलिएंस (यह कितना महत्वपूर्ण महसूस हुआ), और प्रोवेनेंस (किसने आपको बताया) भी शामिल है। महत्वपूर्ण रूप से, इसमें अन्य कैप्सूलों से जुड़ने वाले "तार" भी हैं जो उसी समय सक्रिय थे।

यह इंजन दो मुख्य क्रियाओं के साथ काम करता है, जिन्हें लेखक experience() और activate() कहते हैं।

जब एजेंट कुछ अनुभव (experience) करता है (जैसे कि एक चैट संदेश), तो इंजन इसे केवल सहेजता नहीं है। यह "पैटर्न सेपरेशन" (pattern separation) करता है, एक गेटकीपर की तरह कार्य करता है। यदि नया मेमोरी पहले से संग्रहीत किसी चीज़ के बहुत समान है, तो यह अंदर आने देने से पहले जाँच करता है कि क्या यह एक डुप्लिकेट है या एक नया रूपांतर। फिर यह मेमोरी को एनकोड करता है, इसे हाल की घटनाओं से जोड़ता है, और इसे डिस्क पर एक "ब्रेन डायरेक्टरी" में संग्रहीत करता है। यह डायरेक्टरी मजबूत बनाई गई है; यदि कंप्यूटर क्रैश हो जाता है, तो मेमोरी खोई नहीं जाती क्योंकि सिस्टम परिवर्तनों को लागू करने से पहले एक सुरक्षा लॉग (WAL) लिखता है, जिससे यह सुनिश्चित होता है कि बिजली कटने के बाद भी मस्तिष्क रिकवर कर सके।

जब एजेंट को कुछ याद (recall) करने की आवश्यकता होती है, तो वह एक क्यू (cue) का उपयोग करता है। यह केवल एक सर्च बार नहीं है; यह एक चिंगारी है। इंजन क्यू से संबंधित विशिष्ट मेमोरी को रोशन करता है और फिर उस बिजली को संबंधित यादों के माध्यमों (ग्राफ कनेक्शन) के माध्यम से फैला देता है। यह ठीक वैसा ही है जैसे किसी गाने को सुनने से आपको एक विशेष गर्मी के दिन की याद आ सकती है, जो फिर आपको उस दिन मिले एक दोस्त की याद दिलाती है। सिस्टम इन संकेतों को फ्यूज करता है, विश्वसनीय स्रोतों (जैसे सत्यापित लेजर) से प्राप्त संकेतों को बढ़ाता है और अनवेरिफाइड स्रोतों (जैसे चैट की अफवाह) से प्राप्त संकेतों को धीमा करता है।

आंकड़े क्या कहते हैं

यह शोध पत्र केवल सिद्धांत नहीं देता; यह यह देखने के लिए कि क्या यह वास्तव में मौजूदा उपकरणों से बेहतर काम करता है, इंजन को कई कठोर परीक्षणों से गुजारता है।

एक प्रमुख परीक्षण में, जिसे LoCoMo कहा जाता है, जो लंबे, मल्टी-सेशन संवादों का अनुकरण करता है, इंजन ने एक बार में 150 यादों को देखने की अनुमति मिलने पर "गोल्ड एविडेंस" (प्रश्नों के उत्तर देने के लिए आवश्यक विशिष्ट तथ्य) का 99.0% सफलतापूर्वक रिकॉल किया। यह एक महत्वपूर्ण उछाल है, जो बताता है कि यह सिस्टम बातचीत के बहुत बड़े ढेर में सही सुई खोजने में उत्कृष्ट है।

एक अन्य परीक्षण, LongMemEval-S में, इंजन को लंबे सत्रों में 500 अलग-अलग प्रश्नों को याद रखने के लिए कहा गया था। इसने शीर्ष 8 परिणामों को देखते समय 97.6% प्रश्नों (500 में से 488) के लिए सही सत्र को सफलतापूर्वक प्राप्त किया। जब सिस्टम ने इस रिट्रीवल को प्रश्नों के उत्तर देने के लिए एक स्मार्ट रीडर के साथ जोड़ा, तो इसने 97.4% सही उत्तर दिए।

लेखक ने अपने इंजन की तुलना Chroma से भी की है, जो एक लोकप्रिय वेक्टर डेटाबेस है, एक मानक सूचना रिट्रीवल टेस्ट BEIR SciFact पर। एक विशेष "रिकॉल फैब्रिक" मॉड्यूल चालू करने के साथ, FluctlightDB ने Chroma को थोड़ा पीछे छोड़ दिया, और nDCG@10 नामक मीट्रिक पर Chroma के 0.645 के मुकाबले 0.646 स्कोर किया। हालांकि अंतर छोटा है, यह दिखाता है कि नया मॉडल अधिक मस्तिष्क-समान विशेषताओं के साथ स्थापित प्रणालियों के साथ प्रतिस्पर्धा कर सकता है।

यह क्या नहीं है (और यह अभी भी क्या सीख रहा है)

लेखक अपने परिणामों को बढ़ा-चढ़ाकर बताने में बहुत सावधान हैं। वे स्पष्ट रूप से कहते हैं कि यह कोई नई न्यूरोसाइंस खोज नहीं है, न ही यह एक नया AI मस्तिष्क मॉडल है। वे यह दावा नहीं कर रहे हैं कि उन्होंने मानव स्मृति को हल कर लिया है। इसके बजाय, वे एक गायब सॉफ्टवेयर लेयर का प्रस्ताव दे रहे हैं—एक डेटाबेस इंजन अनुबंध—जो अन्य AI टूल्स के नीचे स्थित है।

इसके अलावा, वर्तमान में इंजन की कुछ सीमाएँ भी हैं। शोध पत्र स्वीकार करता है कि जब कई अलग-अलग "मस्तिष्क" (या एजेंट) एक ही मेमोरी स्पेस साझा करते हैं, तो सिस्टम भ्रमित हो जाता है। एक परीक्षण में जहाँ एक ही साझा मस्तिष्क में 50 विरोधाभासी तथ्य संग्रहीत किए गए थे, सिस्टम केवल 18% उत्तर सही दे पाया क्योंकि विभिन्न परिदृश्यों की यादें आपस में मिलने लगी थीं। हालाँकि, जब प्रत्येक परिदृश्य का अपना अलग मस्तिष्क था, तो सिस्टम 100% सटीक था। यह सुझाव देता है कि इंजन व्यक्तिगत एजेंटों के लिए शानदार है लेकिन इसे एक ही मस्तिष्क साझा करने वाले कई एजेंटों को संभालने के लिए और काम करने की आवश्यकता है ताकि वे एक-दूसरे के ऊपर हावी न हों।

इसके अलावा, जबकि इंजन सही जानकारी ढूंढने (retrieval) में शानदार है, अंतिम चरण में प्रश्न का उत्तर देना अभी भी उस भाषा मॉडल पर निर्भर करता है जो जानकारी को पढ़ता है। एक पायलट टेस्ट में, भले ही इंजन ने 99.5% बार सही तथ्य ढूंढे, अंतिम उत्तर केवल 23.5% बार सही था क्योंकि "रीडर" भाग तथ्यों की व्याख्या करने में संघर्ष कर रहा था। यह सिद्ध करता है कि एक महान मेमोरी बेकार है यदि उसे उपयोग करने के लिए एक स्मार्ट मस्तिष्क न हो।

निष्कर्ष

FluctlightDB एक नए प्रकार के डेटाबेस के लिए एक प्रस्ताव है जो AI मेमोरी को मानव मस्तिष्क की तरह मानता है: यादों के एक जुड़े हुए, भारित (weighted) और प्रोवेनस्ड अनुभवों के संग्रह के रूप में, न कि केवल डेटा की पंक्तियों या तैरते हुए वेक्टर्स के रूप में। लेखक ने एक ऐसा इंजन बनाया है जिसे मिनटों में इंस्टॉल किया जा सकता है, जो बिना किसी भारी सर्वर के चलता है, और इसने दिखाया है कि यह लंबी बातचीत में 99.0% साक्ष्य रिकॉल कर सकता है। हालांकि इसे अभी भी साझा मेमोरी के साथ चुनौतियों का सामना करना पड़ता है और अंतिम उत्तर उत्पन्न करने के लिए अन्य उपकरणों पर निर्भर रहना पड़ता है, यह AI एजेंटों को एक वास्तविक, टिकाऊ और विश्वसनीय दीर्घकालिक स्मृति देने के लिए एक आशाजनक ब्लूप्रिंट प्रदान करता है।