Assessing LLMs' mathematical abilities requires understanding the various mechanisms of mathematical creativity
यह शोध पत्र तर्क देता है कि एलएलएम (LLM) की गणितीय क्षमताओं का आकलन करने के लिए समग्र बेंचमार्क से आगे बढ़कर विशिष्ट, गैर-प्रतिस्थापनीय रचनात्मक तंत्रों के एक सूक्ष्म वर्गीकरण की आवश्यकता है, जो यह सुझाव देता है कि जबकि वर्तमान मॉडल मौजूदा ज्ञान के पुनर्संयोजन में उत्कृष्ट हैं, उनमें गणितीय आविष्कार के अन्य रूपों की क्षमता मौलिक रूप से कम हो सकती है जो स्वचालित प्रमाण निर्माण (automated proof generation) में सुधार के साथ तेजी से मूल्यवान होते जा रहे हैं।
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
गणित को लंबे समय से मानवीय तर्क की परम परीक्षा माना जाता रहा है, एक ऐसा क्षेत्र जहाँ उत्तर या तो सही होते हैं या गलत, और जहाँ सत्य का मार्ग कठोर प्रमाणों से बना होता है। सदियों तक, यह क्षेत्र एक सरल अर्थव्यवस्था पर निर्भर था: मानवीय अंतर्ज्ञान किसी पैटर्न या संभावना को पहचान लेता था, और फिर उसे पुष्ट करने के लिए सत्यापन का कठिन कार्य किया जाता था। आज, कृत्रिम बुद्धिमत्ता (AI) ने इस समीकरण के दूसरे आधे हिस्से पर महारत हासिल करना शुरू कर दिया है। आधुनिक कंप्यूटर सिस्टम अब ऐसी गति और पैमाने पर गणितीय प्रमाण उत्पन्न और जांच सकते हैं जो मानवीय क्षमता से कहीं अधिक है, जिससे कभी दुर्लभ संसाधन वाला 'सत्यापन' अब एक प्रचुरता में बदल गया है। यह बदलाव एक नया, अधिक कठिन प्रश्न खड़ा करता है: यदि मशीनें चीजों को इतनी आसानी से सिद्ध कर सकती हैं, तो गणित का वास्तविक मूल्य कहाँ निहित है? इसका उत्तर प्रमाण में नहीं, बल्कि उस चिंगारी में है जो पूरी प्रक्रिया को शुरू करती है—वह क्षण जब एक गणितज्ञ एक नया विचार, एक नई अवधारणा, या दुनिया को देखने का एक नया तरीका आविष्कार करता है।
सिल्वेरे गैंगलोफ (Silvère Gangloff) का एक हालिया शोध पत्र ठीक इसी चिंगारी की जांच करता है, और यह सवाल उठाता है कि क्या कृत्रिम बुद्धिमत्ता वास्तव में गणितीय विचारों का आविष्कार कर सकती है या वह केवल पुराने विचारों को ही पुनर्व्यवस्थित कर रही है। लेखक का तर्क है कि हम गलत प्रश्न पूछ रहे हैं। "गणितीय रचनात्मकता" को एक एकल कौशल के रूप में मानने के बजाय, जिसे कंप्यूटर के पास या नहीं होना चाहिए, यह शोध पत्र सुझाव देता है कि यह वास्तव में विभिन्न, असंबंधित तंत्रों का एक संग्रह है। इनमें से कुछ तंत्रों में यह देखना शामिल है कि गणितज्ञ कैसे काम करते हैं और उन आदतों को औपचारिक नियमों में बदलना शामिल है। अन्य में भौतिक दुनिया में खोजी गई किसी संरचना को लेना शामिल है, जैसे कि ऊष्मा के प्रवाह का तरीका, और उसे अमूर्त पहेलियों को हल करने के लिए पुन: उपयोग करना। इसमें एक विशिष्ट, जिद्दी समस्या को हल करने के लिए केवल उसे तोड़ने के उद्देश्य से एक नया उपकरण आविष्कार करने का कार्य भी शामिल है, और दो ऐसे गणितीय क्षेत्रों को जोड़ने का दुर्लभ, उच्च-स्तरीय कार्य जो पहले कभी एक-दूसरे से नहीं मिले थे। यह शोध पत्र प्रस्तावित करता है कि ये केवल एक ही चीज़ के अलग-अलग रूप नहीं हैं; वे मौलिक रूप से भिन्न प्रकार की सोच हैं जिनके लिए अलग-अलग प्रकार की मशीनरी की आवश्यकता होती है।
शोध का केंद्रीय निष्कर्ष यह है कि वर्तमान कृत्रिम बुद्धिमत्ता प्रणालियाँ इनमें से कुछ मोड में असाधारण रूप से अच्छी हैं, लेकिन अन्य मोड में सक्षम होने की संभावना नहीं रखती हैं, चाहे वे कितनी भी शक्तिशाली क्यों न हो जाएं। आज के हमारे पास मौजूद सिस्टम मौजूदा टुकड़ों को पुनर्संयोजित करके काम करते हैं। वे कुशल पुस्तकालयाध्यक्षों की तरह हैं जो उनके द्वारा पढ़े गए किन्हीं भी दो तथ्यों को तुरंत खोज सकते हैं और उन्हें आपस में जोड़ सकते हैं। यह उन्हें ज्ञात प्रकार की समस्या के लिए एक विशिष्ट समाधान खोजने या यह जांचने में प्रतिभाशाली बनाता है कि क्या कोई प्रमाण नियमों का पालन करता है। हालाँकि, शोध पत्र सुझाव देता है कि जब उन्हें एक पूरी तरह से नए प्रकार के ऑब्जेक्ट या सोचने के एक नए तरीके का आविष्कार करने के लिए कहा जाता है जिसका उनके प्रशिक्षण डेटा में कोई पूर्ववृत्त (precedent) न हो, तो वे एक कठिन दीवार से टकरा जाते हैं। उदाहरण के लिए, एक कंप्यूटर मौजूदा गणितीय संरचनाओं के लाखों माध्यमों में से एक ऐसा ढांचा खोज सकता है जो किसी बाधा (constraint) में फिट बैठता हो, लेकिन वह मानव गणना के अभ्यास को देख सकता है और स्वयं यह निर्णय नहीं ले सकता कि यह अभ्यास स्वयं अध्ययन के लिए एक नया गणितीय ऑब्जेक्ट बनना चाहिए। यह केवल गति का अंतर नहीं है, बल्कि प्रकार का अंतर है; मशीन नए 'प्रिमिटिव्स' (primitives) का आविष्कार करने में केवल धीमी नहीं है, बल्कि वह संरचनात्मक रूप से ऐसा करने में असमर्थ है क्योंकि उसमें यह चुनने का तंत्र ही नहीं है कि क्या आविष्कार करने योग्य है।
लेखक इस दृष्टिकोण का समर्थन करने के लिए इतिहास में गणित के वास्तविक विकास को देखते हैं। एक प्रसिद्ध मामले में, एलन ट्यूरिंग नामक एक गणितज्ञ ने केवल एक समस्या को हल नहीं किया; उन्होंने नियम पुस्तिका का पालन करने वाले मानव के कार्य को देखा और उस कार्य को एक नए सिद्धांत का विषय बनाने का निर्णय लिया। एक अन्य मामले में, भौतिक विज्ञानी कोलमोगोरोव ने ऊष्मप्रवैगिकी (thermodynamics) से एक अवधारणा ली, जो ऊष्मा और ऊर्जा से संबंधित है, और इसे शुद्ध गणित पर लागू किया ताकि अमूर्त आकृतियों के बारे में एक समस्या को हल किया जा सके। ये ज्ञात पहेली में एक लापता टुकड़े की खोज नहीं थे; ये स्वयं पहेली को बनाने के कार्य थे। शोध पत्र का तर्क है कि वर्तमान कृत्रिम बुद्धिमत्ता, जो ज्ञात चालों के एक निश्चित पुस्तकालय में खोजने पर निर्भर है, इसकी नकल नहीं कर सकती। यह उस टुकड़े के आकार को खोज सकती है यदि टुकड़े का आकार पहले से परिभाषित है, लेकिन यह एक ऐसे नए आकार की कल्पना नहीं कर सकती जो पहले कभी अस्तित्व में नहीं था।
यह अंतर विज्ञान में कृत्रिम बुद्धिमत्ता के भविष्य को आंकने के हमारे तरीके के लिए गहरे निहितार्थ रखता है। यदि हम AI की सफलता को इस आधार पर मापना जारी रखते हैं कि वह कितने प्रमाण उत्पन्न कर सकता है या मानक परीक्षण समस्याओं को कितनी अच्छी तरह हल कर सकता है, तो हम गलत चीज़ को माप रहे हैं। हम मशीन को उस काम के लिए पुरस्कृत कर रहे हैं जिसे करने में वह पहले से ही अच्छी है, जबकि उस काम को अनदेखा कर रहे हैं जो वास्तव में मानवीय प्रगति को संचालित करता है। शोध पत्र चेतावनी देता है कि जैसे-जैसे प्रमाण निर्माण सस्ता और स्वचालित होता जाएगा, गणित का वास्तविक मूल्य इन कठिन आविष्कार मोड की ओर स्थानांतरित हो जाएगा: नए अभ्यासों को औपचारिक बनाने का चिंतनशील कार्य, अन्य क्षेत्रों से विचारों को आयात करने की सादृश्य छलांग (analogical leap), और पूरी तरह से नई अवधारणाओं का गहरा, लक्ष्य-संचालित निर्माण। यदि हम इन प्रणालियों के मूल्यांकन के तरीके को नहीं बदलते हैं, तो हम सही लेकिन अरुचिकर परिणामों की बाढ़ पैदा करने का जोखिम उठाते हैं, जबकि समझ की वास्तविक, परिवर्तनकारी छलांगें पहुंच से बाहर रह जाती हैं।
शोध यह दावा नहीं करता है कि कृत्रिम बुद्धिमत्ता कभी इन रचनात्मक कार्यों को करने में सक्षम नहीं होगी। यह सुझाव देता है कि उनके होने के लिए, अंतर्निंतु तकनीक को बदलने की आवश्यकता होगी, शायद ऐसी प्रणालियों को विकसित करके जो केवल एक वाक्य में अगले शब्द की भविष्यवाणी करने के बजाय, दुनिया के साथ बातचीत करके जमीनी समझ (grounded understanding) बना सकें। तब तक, शोध पत्र निष्कर्ष निकालता है कि हमें पुराने विचारों को पुनर्संयोजित करने की क्षमता और नए विचारों को बनाने की क्षमता के बीच भ्रमित होने से बचना चाहिए। गणितीय खोज का भविष्य इस बात पर कम निर्भर करेगा कि हमारे कंप्यूटर कितनी तेजी से गणना कर सकते हैं, और इस पर अधिक निर्भर करेगा कि क्या हम ऐसी मशीनें बना सकते हैं जिन्हें पता हो कि क्या आविष्कार करने योग्य 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।