Synchronized Logit Steering: Real-world Steganography
यह शोध पत्र सिंक्रोनाइज्ड लॉजिट स्टीयरिंग (SLS) को प्रस्तुत करता है, जो बड़े भाषा मॉडलों (LLMs) के लिए एक नियत (deterministic) स्टेगनोग्राफिक योजना है जो उत्पन्न आउटपुट से ही एक साझा लॉजिट वितरण प्राप्त करके गुप्त, प्रॉम्प्ट-अज्ञेय (prompt-agnostic) संचार को सक्षम बनाती है, जिससे उच्च सूचना घनत्व और सांख्यिकीय गोपनीयता प्राप्त होती है जिसके लिए प्रेषक और प्राप्तकर्ता के बीच मूल प्रॉम्प्ट संदर्भ साझा करने की आवश्यकता नहीं होती 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 डिजिटल बातचीत की शांत गूँज में, एक नए प्रकार की गुप्त भाषा उभर कर आई है, जो कृत्रिम बुद्धिमत्ता (AI) द्वारा उत्पन्न शब्दों के भीतर आमने-सामने छिपी रहती है। यह क्षेत्र, जिसे स्टेगनोग्राफी (steganography) कहा जाता है, संदेश को इतनी गहराई से छिपाने की प्राचीन कला है कि संदेश का अस्तित्व ही ओझल हो जाता है, जिससे केवल साधारण संचार का आभास होता है। क्रिप्टोग्राफी के विपरीत, जो किसी संदेश को बिना कुंजी के किसी भी व्यक्ति के लिए अपठनीय बनाने के लिए उसे उलझा देती है, स्टेगनोग्राफी का लक्ष्य संदेश को आँखों से अदृश्य बनाना है, इसे ऐसे टेक्स्ट के भीतर समाहित करना जो पूरी तरह से स्वाभाविक दिखे और लगे। लार्ज लैंग्वेज मॉडल्स (LLMs), जो निबंध लिखने, गणित की समस्याओं को हल करने और बातचीत करने वाले शक्तिशाली कंप्यूटर प्रोग्राम हैं, इस अभ्यास के लिए एक नया मोर्चा बन गए हैं। ये मॉडल केवल तथ्यों को प्राप्त नहीं करते; वे संभावनाओं के आधार पर वाक्य में अगले शब्द की भविष्यवाणी करते हैं, और संभावित विकल्पों की एक श्रेणी में से चुनाव करते हैं। इस अंतर्निहित परिवर्तनशीलता का अर्थ है कि लेखन के लगभग हर चरण पर, मॉडल के पास कई ऐसे शब्दों के बीच चयन करने का विकल्प होता है जो तर्कसंगत होंगे। शोधकर्ताओं ने लंबे समय से यह जानने की कोशिश की है कि क्या इन विकल्पों का उपयोग बिना यह बताए कि वहां कुछ छिपा है, सूचना ले जाने के लिए किया जा सकता है।
वर्षों तक, AI-जनित टेक्स्ट में संदेश छिपाने के प्रयासों को एक बड़ी बाधा का सामना करना पड़ा: एक साझा गुप्त संदर्भ (shared secret context) की आवश्यकता। कल्पना कीजिए कि दो लोग एक किताब को कुंजी के रूप में उपयोग करके एक कूटबद्ध संदेश भेजने की कोशिश कर रहे हैं; यदि उनके पास बिल्कुल समान संस्करण नहीं है, या यदि वे अलग-अलग पृष्ठ देख रहे हैं, तो कोड विफल हो जाता है। इसी तरह, AI टेक्स्ट में डेटा छिपाने के पिछले तरीकों के लिए यह आवश्यक था कि प्रेषक और प्राप्तकर्ता दोनों के पास एक ही शुरुआती निर्देश, या 'प्रॉम्प्ट' हो, ताकि वे संभावित शब्दों की एक ही सूची की गणना कर सकें। वास्तविक दुनिया में, जहाँ AI सिस्टम अक्सर निजी डेटा का उपयोग करते हैं या छिपे हुए आंतरिक निर्देशों का उपयोग करते हैं जो क्षण-दर-क्षण बदलते रहते हैं, इस आवश्यकता ने इस तकनीक को नाजुक और अव्यवहारिक बना दिया था। यदि प्रेषक और प्राप्तकर्ता के पास एक जैसा शुरुआती संदर्भ नहीं होता, तो छिपा हुआ संदेश खो जाता या दूषित हो जाता। एल्गोवर्स एआई (Algoverse AI) की एक टीम ने अब एक ऐसा समाधान विकसित किया है जो इस निर्भरता को पूरी तरह से हटा देता है, जिससे दो पक्ष एक ही शुरुआती बिंदु को देखे बिना भी छिपे हुए संदेशों का आदान-प्रदान कर सकते हैं।
शोधकर्ता अपने इस तरीके को 'सिंक्रोनाइज्ड लॉजिट स्टीयरिंग' (Synchronized Logit Steering) कहते हैं। एक साझा शुरुआती प्रॉम्प्ट पर भरोसा करने के बजाय, यह प्रणाली पहले से लिखे जा चुके टेक्स्ट के आधार पर एक साझा समझ बनाती है। यह प्रक्रिया शब्दों के एक मानक आदान-प्रदान के साथ शुरू होती है। एक बार जब शब्दों की एक निश्चित संख्या—विशेष रूप से चालीस टोकन, जो टेक्स्ट की बुनियादी इकाइयाँ हैं—जनरेट हो जाती है, तो प्रेषक और प्राप्तकर्ता उस मौजूदा टेक्स्ट को एक नए, साझा संदर्भ बिंदु के रूप में उपयोग करते हैं। यह "प्रॉक्सी प्रॉम्प्ट" एक सामान्य आधार के रूप में कार्य करता है। क्योंकि दोनों पक्ष उन्हीं शब्दों को देख सकते हैं जो पहले ही प्रकट हो चुके हैं, वे स्वतंत्र रूप से अगले संभावित शब्दों की बिल्कुल सटीक सूची की गणना कर सकते हैं, भले ही उनके मूल शुरुआती निर्देश पूरी तरह से भिन्न क्यों न हों। यह सिंक्रोनाइज़ेशन उन्हें बिना किसी गुप्त प्रारंभिक संदर्भ को साझा किए एक छिपे हुए कोड पर सहमत होने की अनुमति देता है।
संदेश भेजने के लिए, प्रेषक इस साझा संदर्भ द्वारा उत्पन्न संभावित अगले शब्दों की सूची को देखता है। फिर वह एक विशिष्ट शब्द का चयन केवल इसलिए नहीं करता कि वह वाक्य में फिट बैठता है, बल्कि इसलिए करता है क्योंकि उस सूची में उसका स्थान छिपे हुए डेटा के एक हिस्से के अनुरूप होता है। उदाहरण के लिए, यदि छिपे हुए संदेश के लिए संख्या पाँच की आवश्यकता है, तो प्रेषक सूची में पाँचवें सबसे संभावित शब्द को चुनता है। प्राप्तकर्ता, उसी शब्द को देखते हुए और संभावनाओं की उसी सूची को जानकर, उस शब्द की स्थिति गिनकर संख्या पाँच प्राप्त कर सकता है। यह प्रक्रिया बार-बार होती है, और सिस्टम यह सुनिश्चित करने के लिए टेक्स्ट की "एन्ट्रॉपी" (entropy), या अनिश्चितता की मात्रा की जाँच करता है कि शब्दों का चयन स्वाभाविक बना रहे। सिस्टम केवल तभी डेटा छिपाता है जब मॉडल इतना अनिश्चित होता है कि कम सामान्य शब्द का चयन करना अजीब या रोबोटिक नहीं लगता।
टीम ने सामान्य बातचीत, जटिल गणितीय तर्क और सॉफ्टवेयर इंजीनियरिंग समस्याओं सहित विभिन्न कार्यों में इस पद्धति का परीक्षण किया। उन्होंने पाया कि एक बार जब शुरुआती चालीस शब्द स्थापित हो जाते हैं, तो छिपे हुए संदेश के साथ जनरेट किए गए टेक्स्ट और सामान्य टेक्स्ट के बीच सांख्यिकीय अंतर नगण्य हो जाता है। तकनीकी शब्दों में, दोनों प्रकार के टेक्स्ट के बीच का विचलन (divergence) एक महत्वपूर्ण सीमा से नीचे गिर जाता है, जिसका अर्थ है कि छिपे हुए संदेश साधारण लेखन से सांख्यिकीय रूप से अविभेद्य थे। शोधकर्ताओं ने यह भी खोजा कि इस प्रक्रिया को अंतराल में दोहराकर, वे छिपी हुई जानकारी की मात्रा को काफी बढ़ा सकते हैं। उनका सबसे प्रभावी कॉन्फ़िगरेशन, जिसे वे 'पीरियडिक बर्स्ट' (periodic burst) कहते हैं, उन्हें एकल-संदेश के पिछले प्रयासों की तुलना में लगभग दस गुना अधिक डेटा को एम्बेड करने की अनुमति देता है, जिससे 0.20 बिट्स प्रति टोकन का घनत्व प्राप्त होता है। इसका अर्थ है कि AI द्वारा लिखे गए प्रत्येक शब्द के लिए, गुप्त सूचना का एक छोटा सा अंश सफलतापूर्वक बिना बातचीत के प्रवाह को बदले समाहित किया गया था।
इस पद्धति की सफलता के बावजूद, शोधकर्ताओं ने नोट किया कि जब जटिल कार्यों में छिपे हुए संदेशों को भरा जाता है, तो एक समझौता (trade-off) होता है। जब सिस्टम गणितीय तर्क या सॉफ्टवेयर कोड के भीतर डेटा छिपाने की कोशिश करता है, तो AI के उत्तरों की सटीकता थोड़ी कम हो जाती है। यह सुझाव देता है कि संदेश ले जाने के लिए विशिष्ट शब्दों को चुनने के लिए मजबूर करना कभी-कभी मॉडल को कठिन समस्याओं के लिए आवश्यक तर्क के संकीर्ण मार्ग से दूर ले जा सकता है। शोधकर्ता प्रस्ताव देते हैं कि वास्तविक दुनिया के अनुप्रयोगों में, सिस्टम इतना स्मार्ट होना चाहिए कि वह पहचान सके कि वह तकनीकी मोड में है और संदेश छिपाना बंद कर दे, जिससे तकनीक को अधिक वर्णनात्मक या संवादात्मक भागों के लिए सुरक्षित रखा जा सके। यह अनुकूल दृष्टिकोण AI के तर्क की गुणवत्ता को बनाए रखते हुए सुरक्षित संदर्भों में गुप्त संचार की अनुमति देगा।
इस कार्य के निहितार्थ दोहरे हैं। एक ओर, यह बिना किसी साझा गुप्त कुंजी की आवश्यकता के AI सामग्री को वॉटरमार्क करने या टेक्स्ट के मूल को सत्यापित करने का एक मजबूत तरीका प्रदर्शित करता है, जो बौद्धिक संपदा की रक्षा के लिए उपयोगी हो सकता है। दूसरी ओर, यह AI सिस्टम के संचार करने के तरीके में एक भेद्यता (vulnerability) को उजागर करता है, जो यह दर्शाता है कि एजेंट मानवीय निरीक्षण के बिना समन्वय या डेटा एक्सफ़िल्ट्रेट (exfiltrate) कर सकते हैं। शोधकर्ता इस बात पर जोर देते हैं कि इन छिपे हुए चैनलों के निर्माण को समझना उनके विरुद्ध बचाव बनाने की दिशा में पहला कदम है। वे सुझाव देते हैं कि भविष्य की सुरक्षा प्रणालियाँ शब्दों के चयन में असामान्य पैटर्न की निगरानी कर सकती हैं या उन सांख्यिकीय हस्ताक्षरों को बाधित कर सकती हैं जो इस सिंक्रोनाइज़ेशन को संभव बनाते हैं। अंततः, यह अध्ययन पुष्टि करता है कि AI टेक्स्ट में संदेश छिपाने की क्षमता केवल एक सैद्धांतिक संभावना नहीं है बल्कि एक व्यावहारिक वास्तविकता है, जो भाषा के प्राकृतिक प्रवाह के भीतर चुपचाप काम करती है, उन लोगों द्वारा खोजे जाने की प्रतीक्षा करती है जो देखना जानते हैं।
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।