Investigating Knowledge Transfer Across Interactive Dialogue Games
यह शोध पत्र क्लेमबेंच (Clembench) सुइट पर फाइनट्यून किए गए एलएलएम (LLMs) का विश्लेषण करके इंटरैक्टिव डायलॉग गेम्स के माध्यम से ज्ञान हस्तांतरण की जांच करता है, जिससे यह पता चलता है कि विज़ुओस्पेशियल (visuospatial) अन्वेषण वाले गेम्स का हस्तांतरण सबसे अच्छा होता है, जबकि समानता-आधारित टास्क वेक्टर्स जटिल हस्तांतरणीयता पैटर्न को पकड़ने में विफल रहते 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
आर्टिफिशियल इंटेलिजेंस के विशाल परिदृश्य में, शोधकर्ता लंबे समय से यह मापने के लिए स्थिर परीक्षणों (static tests) पर भरोसा करते आए हैं कि एक कंप्यूटर भाषा को कितनी अच्छी तरह समझता है। ये परीक्षण बहुविकल्पीय परीक्षाओं की तरह हैं, जहाँ एक मॉडल विकल्पों की सूची में से सही उत्तर चुनता है। लेकिन वास्तविक बातचीत शायद ही कभी कोई परीक्षा होती है; यह एक गतिशील, आगे-पीछे होने वाला आदान-प्रदान है जहाँ लोगों को समस्याओं को हल करने, नियमों का पालन करने और लक्ष्यों को प्राप्त करने के लिए मिलकर काम करना पड़ता है। इस अंतर को पाटने के लिए, वैज्ञानिक "डायलॉग गेम्स" (संवाद खेलों) की ओर मुड़े हैं। ये संरचित परिदृश्य हैं जहाँ एक आर्टिफिशियल इंटेलिजेंस को किसी स्थिति को समझने के लिए भाषा का उपयोग करना होता है, जैसे कि सुरागों के आधार पर किसी शब्द का अनुमान लगाना या किसी आभासी भूलभुलैया (virtual maze) के माध्यम से अपने साथी का मार्गदर्शन करना। हालिया शोध को चलाने वाला केंद्रीय प्रश्न केवल यह नहीं है कि क्या एक मॉडल एक एकल खेल जीत सकता है, बल्कि यह है कि क्या एक खेल में सीखे गए कौशल उसे अन्य खेल जीतने में मदद कर सकते हैं। यदि कोई मशीन एक जटिल भूलभुलैया को पार करना सीखती है, तो क्या यह उसे शब्दों का अनुमान लगाने में बेहतर बनाती है? या क्या ये कौशल पूरी तरह से अलग हैं?
शोधकर्ताओं की एक टीम ने संवाद खेलों को सीखने की एक प्रयोगशाला के रूप में उपयोग करके इन संबंधों को मैप करने का निर्णय लिया। उन्होंने सत्रह विभिन्न खेलों के संग्रह के साथ शुरुआत की, जो "टैबू" (Taboo) जैसे शब्द-आधारित पहेलियों से लेकर "एडवेंचर गेम" (Adventure Game) जैसी स्थानिक चुनौतियों तक फैले हुए थे, जहाँ एक खिलाड़ी को एक आभासी वातावरण का पता लगाना होता है और लक्ष्य तक पहुँचने के लिए वस्तुओं को हिलाना होता है। उन्होंने इन खेलों को दो व्यापक परिवारों में विभाजित किया: वे जो मौखिक तर्क (verbal reasoning) पर निर्भर करते हैं और वे जिन्हें दृश्य-स्थानिक (visuospatial) सोच की आवश्यकता होती है, जैसे कि ग्रिड और भौतिक लेआउट को समझना। फिर शोधकर्ताओं ने एक बड़े भाषा मॉडल (large language model) को लिया और उसे विशेष रूप से प्रत्येक खेल पर, एक-एक करके प्रशिक्षित किया। इस प्रक्रिया ने विशेषज्ञों की एक श्रृंखला बनाई, जिनमें से प्रत्येक एक एकल खेल का विशेषज्ञ था, लेकिन उनमें वह छिपा हुआ ज्ञान हो सकता था जो दूसरों में मदद कर सके।
यह देखने के लिए कि यह ज्ञान खेलों के बीच कैसे स्थानांतरित होता है, टीम ने प्रयोगों की एक विशाल श्रृंखला चलाई। उन्होंने एक खेल पर प्रशिक्षित मॉडल को अन्य सभी खेलों पर परखा ताकि यह देखा जा सके कि क्या इसके प्रदर्शन में सुधार हुआ। उन्होंने पाया कि ज्ञान का हस्तांतरण यादृच्छिक (random) नहीं था; यह एक स्पष्ट पैटर्न का पालन करता था। सबसे आश्चर्यजनक खोज यह थी कि स्थानिक तर्क (spatial reasoning) वाले खेल सबसे उदार शिक्षक थे। एक मॉडल जिसे आभासी दुनिया में नेविगेट करने या निर्देशों के आधार पर ग्रिड बनाने के लिए प्रशिक्षित किया गया था, उसने विशुद्ध रूप से मौखिक खेलों पर अपने प्रदर्शन को सुधारने की उल्लेखनीय क्षमता दिखाई। उदाहरण के लिए, अन्वेषण (exploration) वाले खेल में सीखी गई कौशलों ने एक मॉडल को "टैबू" बेहतर तरीके से खेलने में मदद की, भले ही दोनों खेल सतह पर पूरी तरह से अलग दिखते हों। इसके विपरीत, एक मौखिक खेल पर प्रशिक्षण ने स्थानिक कार्य में मॉडल की मदद बहुत कम की। शोधकर्ताओं ने पाया कि स्थानिक परिवार के खेलों ने एक प्रकार का सार्वभौमिक आधार प्रदान किया, जिसने मॉडल को नियोजन (planning) और रणनीति जैसे बहुमुखी कौशल सिखाए जो कहीं भी लागू किए जा सकते हैं।
टीम ने इन परिणामों की भविष्यवाणी करने के लिए एक सरल तरीका भी खोजा ताकि उन्हें बार-बार खेल न खेलना पड़े। उन्होंने मॉडलों के आंतरिक "वेट्स" (weights)—प्रशिक्षण के दौरान किए गए गणितीय समायोजन—का परीक्षण किया, यह देखने के लिए कि क्या एक-दूसरे की मदद करने वाले खेल कंप्यूटर के मस्तिष्क के भीतर समान दिखते हैं। उन्हें उम्मीद थी कि यदि दो खेल संबंधित हैं, तो मॉडल की आंतरिक संरचना में परिवर्तन समान होंगे, जैसे कि दो उंगलियों के निशान मेल खाते हैं। हालाँकि, यह दृष्टिकोण विफल रहा। उन्होंने पाया कि जबकि एक ही खेल में अलग-अलग भूमिकाओं (जैसे सुराग देने वाला बनाम अनुमान लगाने वाला) के साथ प्रशिक्षित मॉडल आंतरिक रूप से समान दिखे, लेकिन इस समानता ने उन्हें यह नहीं बताया कि क्या एक खेल दूसरे की मदद करेगा। दो खेल मॉडल के मस्तिष्क के भीतर बहुत समान दिख सकते हैं लेकिन फिर भी एक-दूसरे को कोई मदद नहीं दे सकते। इसके विपरीत, जो खेल आंतरिक रूप से काफी भिन्न दिखते थे, वे प्रदर्शन में भारी उछाल प्रदान कर सकते थे।
यह सुझाव देता है कि एक खेल दूसरे की मदद कैसे करता है, इसका वास्तविक माप मॉडल की स्थिर संरचना में नहीं, बल्कि खेलने की क्रिया में निहित है। शोधकर्ताओं ने निष्कर्ष निकाला कि जबकि हम मॉडल के आंतरिक परिवर्तनों को देखकर यह देख सकते हैं कि उसने क्या सीखा है, हम वास्तव में परीक्षण किए बिना यह भविष्यवाणी नहीं कर सकते कि वह सीखना एक नए कार्य में कैसे स्थानांतरित होगा। अध्ययन इस बात पर प्रकाश डालता है कि संवाद खेलों के लिए जटिल, स्तरित कौशल की आवश्यकता होती है जो विभिन्न तरीकों से स्थापित होते हैं। कुछ खेल, विशेष रूप से स्थानिक तर्क वाले, शक्तिशाली प्रशिक्षण स्थल के रूप में कार्य करते हैं जो एक लचीली बुद्धि का निर्माण करते हैं जो चुनौतियों की एक विस्तृत श्रृंखला से निपटने में सक्षम है। अन्य अधिक विशिष्ट हैं, जो अपने स्वयं के संकीर्ण क्षेत्र के बाहर बहुत कम मदद प्रदान करते हैं। इन संबंधों को मैप करके, शोधकर्ताओं ने कृत्रिम बुद्धिमत्ता के सोचने के तरीके की एक स्पष्ट तस्वीर प्रदान की है, यह दिखाते हुए कि अधिक सक्षम मॉडल की राह दुनिया के बारे में केवल बोलने में नहीं, बल्कि दुनिया में नेविगेट करने को सिखाने में निहित 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।