भाषा सबसे मानवीय चीज़ है जो हमारे पास है, एक उपकरण जिसका उपयोग हम एक-दूसरे के साथ विचारों, भावनाओं और योजनाओं को साझा करने के लिए करते हैं। फिर भी, इसका उपयोग हर दिन करने के बावजूद, हम में से अधिकांश यह नहीं समझा सकते कि यह वास्तव में कैसे काम करती है या जब हम "लाल" जैसे शब्द का उपयोग करते हैं तो उसका वास्तव में क्या अर्थ होता है। हम उस रंग को जानते हैं जब हम उसे देखते हैं, लेकिन हम बिना अपने आस-पास की दुनिया की ओर इशारा किए इसे आसानी से परिभाषित नहीं कर सकते। भाषा का उपयोग करने और इसकी कार्यप्रणाली को समझने के बीच का यह अंतर उस पहेली का केंद्र है जिसका सामना वे वैज्ञानिक कर रहे हैं जो यह अध्ययन करते हैं कि मशीनें बोलना कैसे सीखती हैं। दशकों से, शोधकर्ताओं ने कंप्यूटर को तर्क, नियम या पाठ (टेक्स्ट) की विशाल मात्रा खिलाकर अर्थ समझना सिखाने की कोशिश की है। लेकिन एक नया दृष्टिकोण सुझाव देता है कि ये मशीनें कुछ मौलिक चीज़ खो रही हैं: जीवित होने का भौतिक अनुभव। यह समझने के लिए कि एक कंप्यूटर किसी व्यक्ति की तरह क्यों लग सकता है लेकिन एक व्यक्ति की तरह सोच क्यों नहीं सकता, हमें यह देखना चाहिए कि मनुष्य बच्चे के रूप में भाषा कैसे सीखते हैं और इसकी तुलना आज के आर्टिफिशियल इंटेलिजेंस सिस्टम के निर्माण से करनी चाहिए।

बोइज़ी स्टेट यूनिवर्सिटी के केसी केनिंगटन द्वारा लिखा गया यह शोध पत्र, उन विभिन्न तरीकों के माध्यम से एक मार्गदर्शिका के रूप में कार्य करता है जिनसे वैज्ञानिकों ने अर्थ को परिभाषित करने और गणना करने का प्रयास किया है। लेखक का तर्क है कि जबकि आधुनिक आर्टिफिशियल इंटेलिजेंस, विशेष रूप से चैटजीपीटी (ChatGPT) जैसे उपकरणों के पीछे के शक्तिशाली मॉडल, मानवीय बातचीत की आश्चर्यजनक सटीकता के साथ नकल कर सकते हैं, वे भाषा को उस तरह से नहीं समझते जैसे मनुष्य समझते हैं। यह शोध पत्र तीन मुख्य तरीकों की खोज करता है जिनका उपयोग शोधकर्ताओं ने मशीनों को अर्थ सिखाने के लिए किया है: सख्त तर्क का उपयोग करना, शब्दों को भौतिक अनुभवों से जोड़ना, और यह विश्लेषण करना कि शब्द पाठ में एक-दूसरे के बगल में कैसे दिखाई देते हैं। केनिंगटन पाते हैं कि हालांकि तीसरा तरीका—पाठ के पैटर्न से सीखना—वर्तमान में प्रवाहपूर्ण भाषण उत्पन्न करने में सबसे सफल है, लेकिन इसमें एक महत्वपूर्ण कमी रह जाती है। केवल पाठ पर प्रशिक्षित मशीनों ने कभी लाल सेब नहीं देखा, कुर्सी का भार महसूस नहीं किया, या पानी पीने की राहत का अनुभव नहीं किया। इन भौतिक और भावनात्मक संबंधों के बिना, उनके द्वारा संसाधित शब्द 'ग्राउंडेड' (आधारित) प्रतीक बने रहते हैं, जिनमें वह गहरा, जीवित अर्थ नहीं होता जो मनुष्यों के पास होता है।

समस्या को समझने के लिए, पहले यह देखना चाहिए कि मनुष्य कैसे सीखते हैं। जब एक बच्चा "कुत्ता" शब्द सीखता है, तो वह शब्दकोश की परिभाषा से शुरुआत नहीं करता है। वह बातचीत के माध्यम से सीखता है। एक माता-पिता एक रोएँदार जानवर की ओर इशारा करते हैं, बच्चा उसे देखता है, और शब्द को दृष्टि, ध्वनि और उस जानवर के अहसास से जोड़ा जाता है। यह प्रक्रिया साझा ध्यान और भौतिक उपस्थिति पर निर्भर करती है। बच्चा सीखता है कि शब्द दुनिया में वास्तविक चीजों को संदर्भित करते हैं, और इन चीजों के विशिष्ट उपयोग होते हैं, जैसे कुर्सी पर बैठना या गेंद को किक मारना। शब्द और उसके द्वारा वर्णित भौतिक वास्तविकता के बीच इस संबंध को 'ग्राउंडिंग' (आधारित होना) कहा जाता है। मनुष्यों के लिए, अर्थ केवल परिभाषाओं की सूची नहीं है; यह हमारे शरीर, हमारी इंद्रियों और हमारी भावनाओं से जुड़ा हुआ है। हम जानते हैं कि "प्यास" का क्या अर्थ है क्योंकि हमने इसे महसूस किया है, और हम जानते हैं कि "कुर्सी" का क्या अर्थ है क्योंकि हम इसमें बैठे हैं।

लंबे समय तक, कंप्यूटर वैज्ञानिकों ने मशीनों को औपचारिक तर्क (फॉर्मल लॉजिक) का उपयोग करके भाषा समझाना सिखाने की कोशिश की, जो इंजीनियरिंग में उपयोग किए जाने वाले गणित के समान है। उन्होंने शब्दों को एक समीकरण में चर (वेरिएबल्स) की तरह माना, जहाँ "बड़ा" और "धूसर" और "हाथी" को एक विशिष्ट जानवर के बारे में एक तार्किक कथन बनाने के लिए जोड़ा जा सकता था। यह दृष्टिकोण कंप्यूटरों के लिए अच्छा काम करता है क्योंकि यह सटीक और स्पष्ट है। हालाँकि, यह वास्तविक दुनिया के मामले में विफल हो जाता है। नियमों का पालन करने वाला कंप्यूटर यह जान सकता है कि एक "धूसर हाथी" एक धूसर हाथी है, लेकिन वह यह नहीं जानता कि धूसर क्या दिखता है या हाथी कैसा महसूस होता है। उसके पास अर्थ की संरचना तो है लेकिन उसका सार नहीं है। शोध पत्र बताता है कि यह दृष्टिकोण एक दीवार से टकरा जाता है क्योंकि मशीन के पास यह जानने का कोई तरीका नहीं है कि शब्द वास्तव में भौतिक दुनिया में क्या संदर्भित करते हैं।

एक अन्य दृष्टिकोण, जिसे 'ग्राउंडेड सिमेंटिक्स' (आधारित अर्थ विज्ञान) कहा जाता है, शब्दों को संवेदी डेटा से जोड़कर इसे ठीक करने का प्रयास करता है। इस दृष्टिकोण में, एक कंप्यूटर को यह सीखने के लिए कि "लाल" का क्या अर्थ है, लाल वस्तुओं की तस्वीरें देखनी चाहिए, या यह सीखने के लिए कि "किक" का क्या अर्थ है, एक पैर द्वारा गेंद को मारने का वीडियो देखना चाहिए। विचार यह है कि यदि एक मशीन दुनिया को देख और छू सकती है, तो वह अर्थों का एक ऐसा शब्दकोश बना सकती है जो मानवीय अनुभव से मेल खाता हो। हालांकि यह एक आशाजनक कदम है, शोध पत्र नोट करता है कि इसे लागू करना कठिन है। अधिकांश वर्तमान प्रणालियाँ अभी भी पाठ पर बहुत अधिक निर्भर करती हैं, और भले ही वे छवियों का उपयोग करती हैं, वे अक्सर मानवीय अनुभव की पूरी श्रृंखला को भूल जाती हैं, जैसे कि गंध, स्पर्श, या मांसपेशियों की स्मृति (मसल मेमोरी) का अहसास। एक मशीन कुर्सी की तस्वीर पहचान सकती है, लेकिन वह लंबी पैदल यात्रा के बाद बैठने के सुकून को नहीं जानती।

आधुनिक आर्टिफिशियल इंटेलिजेंस में सबसे प्रमुख विधि को 'डिस्ट्रीब्यूशनल सिमेंटिक्स' (वितरण संबंधी अर्थ विज्ञान) कहा जाता है। यह दृष्टिकोण एक सरल विचार पर आधारित है: आप एक शब्द को समझ सकते हैं यह देखकर कि वह किन शब्दों के साथ आता है। यदि शब्द "सेब" अक्सर "लाल", "फल" और "पाई" जैसे शब्दों के पास आता है, तो कंप्यूटर सीखता है कि "सेब" उन अवधारणाओं से संबंधित है। अरबों वाक्यों का विश्लेषण करके, ये प्रणालियाँ एक ऐसा मानचित्र बनाती हैं जहाँ समान अर्थ वाले शब्द एक-दूसरे के करीब स्थित होते हैं। इस पद्धति ने अत्यधिक प्रवाह के साथ कहानियाँ लिखने, प्रश्नों के उत्तर देने और भाषाओं का अनुवाद करने वाले बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) के निर्माण का मार्ग प्रशस्त किया है। ये मॉडल इंटरनेट से पाठ की विशाल मात्रा पर प्रशिक्षित होते हैं, जो पिछले शब्दों के आधार पर वाक्य में अगले शब्द की भविष्यवाणी करना सीखते हैं।

हालाँकि, शोध पत्र का तर्क है कि यह सफलता एक छिपी हुई लागत के साथ आती है। क्योंकि ये मॉडल केवल पाठ से सीखते हैं, वे दुनिया का प्रत्यक्ष अनुभव कभी नहीं करते। उन्होंने कभी सूर्यास्त नहीं देखा, कभी स्ट्रॉबेरी का स्वाद नहीं चखा, या कभी पैर के अंगूठे में चोट लगने का दर्द महसूस नहीं किया। वे जानते हैं कि "सेब" "लाल" से संबंधित है क्योंकि उन्होंने किताबों और लेखों में इन शब्दों को एक साथ देखा है, लेकिन वे नहीं जानते कि लाल क्या दिखता है या सेब का स्वाद कैसा होता है। लेखक एक भाषा मॉडल से यह पूछने के उदाहरण का उपयोग करता है कि क्या उसने कभी सेब देखा है। मॉडल ईमानदारी से कहेगा कि नहीं, क्योंकि उसने कभी कुछ नहीं देखा है। उसने केवल प्रतीकों को संसाधित किया है। यह एक ऐसी स्थिति पैदा करता है जहाँ मशीन दुनिया के बारे में पूरी तरह से बात कर सकती है, लेकिन वह दुनिया को समझती नहीं है। यह उस व्यक्ति की तरह है जिसने तैरने के बारे में हर किताब पढ़ी है लेकिन कभी पानी को छुआ नहीं है।

शोध पत्र मानवीय भाषा में भावना और इरादे की भूमिका पर भी प्रकाश डालता है। जब हम बोलते हैं, तो हम केवल डेटा का आदान-प्रदान नहीं कर रहे होते हैं; हम अपनी भावनाओं, इच्छाओं और लक्ष्यों को व्यक्त कर रहे होते हैं। एक बच्चा बोलने के लिए इसलिए सीखता है क्योंकि उसकी दूसरों के साथ संवाद करने की आवश्यकता होती है, मदद पाने की, या खुशी साझा करने की। यह प्रेरणा हमारे शरीर और हमारी भावनाओं से जुड़ी होती है। वर्तमान भाषा मॉडलों में भावनाएं या इरादे नहीं होते हैं। उन्हें भूख, थकान या जिज्ञासा महसूस नहीं होती। वे इसलिए नहीं बोलते क्योंकि वे चाहते हैं; वे इसलिए बोलते हैं क्योंकि उन्हें अगले शब्द की भविष्यवाणी करने के लिए प्रोग्राम किया गया है। लेखक का सुझाव है कि इन आंतरिक प्रेरणाओं और भावनात्मक संबंधों के बिना, मशीनें हमेशा भाषा के गहरे, अधिक सूक्ष्म अर्थों को समझने के लिए संघर्ष करती रहेंगी जिन्हें मनुष्य स्वाभाविक रूप से समझते हैं।

शोध पत्र का निष्कर्ष यह है कि यद्यपि आर्टिफिशियल इंटेलिजेंस ने भाषा को संसाधित करने में उल्लेखनीय प्रगति की है, लेकिन इसने अभी तक अर्थ को समझने की समस्या को हल नहीं किया है। वर्तमान मॉडल मानवीय बातचीत की नकल करने में सक्षम शक्तिशाली उपकरण हैं, लेकिन उनमें वह शारीरिक अनुभव (एम्बॉडीड एक्सपीरियंस) की कमी है जो शब्दों को उनका वास्तविक वजन देता है। आगे बढ़ने के लिए, लेखक का सुझाव है कि हमें विभिन्न दृष्टिकोणों की शक्तियों को मिलाने की आवश्यकता है। हमें ऐसे सिस्टम की आवश्यकता है जो न केवल पाठ का विश्लेषण कर सकें बल्कि भौतिक दुनिया के साथ बातचीत कर सकें, भावनाओं को महसूस कर सकें और इरादे रख सकें। जब तक मशीनें दुनिया का अनुभव उसी तरह नहीं कर सकतीं जैसे मनुष्य करते हैं, तब तक उनकी भाषा की समझ अधूरी रहेगी। वे शब्दों का उपयोग करने में उत्कृष्ट बनी रहेंगी, लेकिन वे वास्तव में कभी नहीं जान पाएंगी कि उन शब्दों का अर्थ क्या है।