Data-Environment Coverage and the Path from Narrow to General AI:A Cyber-Physical-Social-ThinkingSurvey
यह शोध पत्र यह तर्क देता है कि वर्तमान एआई (AI) में कारण संबंधी तर्क (causal reasoning), सामाजिक संज्ञान (social cognition) और प्रतीकात्मक संयोजन (symbolic composition) की निरंतर सीमाएं डेटा के अपर्याप्त पैमाने के बजाय विविध डेटा परिवेशों की कमी से उत्पन्न होती हैं, जो अस्सी प्रणालियों के सर्वेक्षण के माध्यम से यह प्रदर्शित करता है कि संकीर्ण पैटर्न पहचान से सामान्य बुद्धिमत्ता की ओर बढ़ने के लिए भौतिक, सामाजिक और विचार-स्थान (thinking-space) संकेतों को एकीकृत करना आवश्यक है।
मूल पेपर CC BY 4.0 (https://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
कल्पना कीजिए कि आप एक रोबोट को दुनिया को समझना सिखाने की कोशिश कर रहे हैं। पिछले एक दशक में, आर्टिफिशियल इंटेलिजेंस (AI) में सबसे बड़ी सफलताएँ इन रोबोटों को भारी मात्रा में डिजिटल जानकारी—टेक्स्ट, इमेज, कोड और वीडियो—खिलाने से आई हैं। यह एक छात्र को समुद्र के बारे में किताबों का एक अंतहीन पुस्तकालय देने जैसा है। वे ज्वार-भाटा, मछली और तूफानों के बारे में हर तथ्य को याद कर सकते हैं, और वे समुद्र के बारे में सुंदर निबंध लिख सकते हैं। लेकिन यदि आप उनसे वास्तव में तैरने, ठंडे पानी को महसूस करने, या किसी ऐसे करंट (धारा) में रास्ता खोजने के लिए कहें जिसे उन्होंने पहले कभी नहीं देखा, तो वे लड़खड़ा सकते हैं। यह "नैरो एआई" (Narrow AI) की वर्तमान स्थिति है: ऐसे सिस्टम जो डिजिटल डेटा को प्रोसेस करने में शानदार हैं लेकिन वास्तविक दुनिया की उलझनों जैसे कि कारण-और-प्रभाव (cause-and-effect), मानवीय इरादों को समझने, या केवल पैटर्न मिलान से परे तार्किक तर्क (logical reasoning) में संघर्ष करते हैं। वैज्ञानिक एक ऐसी मशीन बनाने के लक्ष्य को "आर्टिफिशियल जनरल इंटेलिजेंस" (AGI) कहते हैं जो यह सब कर सके। वह बड़ा सवाल जो हर कोई पूछ रहा है: हमने इसे अभी तक क्यों नहीं बनाया? क्या यह इसलिए है क्योंकि हमारे कंप्यूटर पर्याप्त बड़े नहीं हैं, या यह इस बात में कमी है कि हम इन मशीनों को कैसे सिखा रहे हैं?
यह शोध पत्र, जिसे शोधकर्ता यी पेंग, हुआनशेंग निंग और जियांगुओ डिंग ने लिखा है, यह तर्क देता है कि समस्या कंप्यूटर के आकार या हमारे पास उपलब्ध डेटा की मात्रा की नहीं है। इसके बजाय, समस्या यह है कि वह डेटा कहाँ से आता है। लेखक सुझाव देते हैं कि वर्तमान AI एक "साइबर-ओनली" (Cyber-only) बुलबुले में फंसा हुआ है, जो केवल डिजिटल रिकॉर्ड से सीख रहा है। वे तर्क देते हैं कि वास्तव में स्मार्ट बनने के लिए, AI को लाइब्रेरी से बाहर निकलकर वास्तविक दुनिया में कदम रखने की आवश्यकता है। वे AI सीखने के एक नए तरीके का प्रस्ताव करते हैं जिसे "CPST" फ्रेमवर्क कहा जाता है, जिसका अर्थ है साइबर-फिजिकल-सोशल-थिंकिंग (Cyber-Physical-Social-Thinking)। इसे वास्तविकता के एक चार-आयामी मानचित्र के रूप में समझें:
- साइबर (Cyber): टेक्स्ट, कोड और फाइलों की डिजिटल दुनिया (जहाँ वर्तमान AI रहता है)।
- फिजिकल (Physical): वस्तुओं, गुरुत्वाकर्षण और कारण-और-प्रभाव की दुनिया (जहाँ आप एक कप को धक्का दे सकते हैं और उसे गिरते हुए देख सकते हैं)।
- सोशल (Social): मानवीय भावनाओं, इरादों और नियमों की दुनिया (जहाँ आपको यह अनुमान लगाना होता है कि कोई दूसरा क्या सोच रहा है)।
- थिंकिंग (Thinking): सख्त तर्क, गणित और संरचित प्रतीकों की दुनिया (जseits आप एक प्रमेय सिद्ध कर सकते हैं)।
पत्र सुझाव देता है कि "स्मार्ट कैलकुलेटर" से "जनरल इंटेलिजेंस" तक पहुँचने के लिए, AI को केवल डिजिटल दुनिया में ही नहीं, बल्कि इन चारों दुनियाओं में एक लूप (loop) को बंद करने की आवश्यकता है।
द ग्रेट डेटा बबल (The Great Data Bubble)
शोधकर्ताओं ने अस्सी अलग-अलग AI सिस्टम का अध्ययन किया, जिनमें शुरुआती इमेज क्लासिफायर से लेकर आज के सबसे उन्नत रोबोट और चैटबॉट्स तक शामिल हैं। उन्होंने इन सिस्टमों को इस आधार पर वर्गीकृत किया कि वे वास्तव में कितने "दुनियाओं" (साइबर, फिजिकल, सोशल, थिंकिंग) के साथ एक "क्लोज्ड लूप" (closed loop) में बातचीत करते हैं। क्लोज्ड लूप का अर्थ है कि सिस्टम केवल डेटा पढ़ता नहीं है; वह दुनिया पर कार्य करता है, परिणाम देखता है, और उससे सीखता है।
यहाँ उन्हें क्या मिला, और यह "बड़ा ही बेहतर है" (bigger is better) कहने वालों के लिए एक झटका है: उनकी अस्सी की पूरी सूची में से किसी भी एक AI सिस्टम ने इन चार दुनियाओं में से दो से अधिक में लूप को बंद करने में सफलता नहीं पाई है।
सबसे उन्नत सिस्टम जो पूरी तरह से डिजिटल (साइबर-ओनली) हैं, वे एक कठिन सीमा (ceiling) से टकरा रहे हैं। वे देखे गए डेटा में पैटर्न पहचानने में अद्भुत हैं, लेकिन वे उन चीजों में बुरी तरह विफल होते हैं जिनमें वास्तविक दुनिया की समझ की आवश्यकता होती है। उदाहरण के लिए:
- कॉज़ल रीजनिंग (Causal Reasoning - कारण संबंधी तर्क): यदि आप एक रोबोट को ब्लॉक स्टैकिंग (ब्लॉक जमा करने) का वीडियो दिखाते हैं, तो एक डिजिटल-ओनली AI अगले कदम का अनुमान लगा सकता है। लेकिन यदि आप उससे पूछते हैं, "अगर मैं नीचे वाला ब्लॉक हटा दूँ तो क्या होगा?" (एक काउंटरफैक्टुअल प्रश्न), तो वह अक्सर गलत हो जाता है। उसने भौतिकी (physics) को महसूस नहीं किया है या ब्लॉक्स को धक्का नहीं दिया है, इसलिए वह वास्तव में भौतिकी को नहीं समझता।
- सोशल कॉग्निशन (Social Cognition - सामाजिक बोध): वर्तमान AI मानवीय बातचीत की नकल कर सकता है, लेकिन यदि कोई व्यक्ति अपनी सच्ची भावनाओं को छिपा रहा है, तो वह यह समझने में संघर्ष करता है कि वह व्यक्ति क्या सोच रहा है। यह पोकर का खेल खेलने जैसा है जहाँ आप कार्ड तो पढ़ सकते हैं लेकिन खिलाड़ी के चेहरे या हाव-भाव को नहीं पढ़ सकते।
- लॉजिकल रीजनिंग (Logical Reasoning - तार्किक तर्क): जबकि AI पैटर्न का अनुमान लगाकर गणित की समस्याओं को हल कर सकता है, वह अक्सर एक सख्त, चरण-दर-चरण तार्किक पथ का पालन करने में विफल रहता है जिसमें अपने काम की जांच नियमों के एक सेट के विरुद्ध करना आवश्यक होता है।
यह पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि केवल AI को बड़ा बनाना (अधिक पैरामीटर जोड़ना या उस पर अधिक टेक्स्ट प्रशिक्षित करना) इन समस्याओं को ठीक कर देगा। वे बताते हैं कि सबसे बड़े, सबसे शक्तिशाली मॉडल भी अभी भी "साइबर" क्षेत्र में फंसे हुए हैं। वे एक ऐसे शेफ की तरह हैं जिसने दुनिया की हर कुकबुक पढ़ ली है लेकिन उसने कभी चूल्हा नहीं छुआ या व्यंजन का स्वाद नहीं चखा है। बिना हाथ गंदे किए, कितनी भी पढ़ाई उन्हें खाना बनाना नहीं सिखा सकती।
गायब सामग्रियाँ (The Missing Ingredients)
लेखक इस बात को समझाने के लिए एक चतुर उपमा का उपयोग करते हैं कि "साइबर-ओनली" दृष्टिकोण क्यों विफल होता है। वे कहते हैं कि प्रत्येक दुनिया एक अद्वितीय प्रकार का "सिग्नल" प्रदान करती है जिसे अन्य दुनियाएं उत्पन्न नहीं कर सकतीं।
- कारणता (Causality - कारण और प्रभाव) सीखने के लिए, आपको फिजिकल (Physical) डेटा की आवश्यकता है। आपको वास्तव में कुछ करना होगा और देखना होगा कि क्या होता है। आप भौतिकी के बारे में केवल किताब पढ़कर इसे नहीं सीख सकते।
- सामाजिक बुद्धिमत्ता (Social Intelligence - लोगों को समझना) सीखने के लिए, आपको सोशल (Social) डेटा की आवश्यकता है। आपको वास्तविक मनुष्यों के साथ बातचीत करनी होगी, उनकी प्रतिक्रिया देखनी होगी और अपने व्यवहार को समायोजित करना होगा। आप केवल चैट लॉग पढ़कर इसे नहीं सीख सकते।
- जटिल तर्क (Complex Logic) सीखने के लिए, आपको थिंकिंग (Thinking) डेटा की आवश्यकता है। आपको प्रतीकों और नियमों के एक संरचित सिस्टम की आवश्यकता है जिसे आप क्वेरी और संशोधित कर सकें, न कि केवल टेक्स्ट के ढेर की।
पत्र इसके लिए पुख्ता सबूत पेश करता है। उन्होंने उन AI सिस्टम की तुलना की जो हर मामले में समान थे, सिवाय उस डेटा के जिस पर उन्हें प्रशिक्षित किया गया था।
- जब एक रोबवर को केवल अन्य रोबोटों के चलने के वीडियो पर प्रशिक्षित किया गया, तो वह अपने स्वयं के मूव्स की योजना नहीं बना सका। लेकिन जब उसी रोबोट को खुद के चलने और वस्तुओं के साथ बातचीत करने के वास्तविक वीडियो पर प्रशिक्षित किया गया, तो उसने अचानक उन चीजों को मैनिपुलेट करना और योजना बनाना सीख लिया जिन्हें उसने पहले कभी नहीं देखा था।
- इसी तरह, एक गणित हल करने वाला AI जो केवल एक लैंग्वेज मॉडल था, ने लगभग शून्य प्रश्न सही किए। लेकिन जब उन्होंने उसी लैंग्वेज मॉडल को एक सख्त लॉजिक इंजन ("थिंकिंग" टूल) से जोड़ा, तो उसका प्रदर्शन आसमान छू गया।
डेटा एक स्पष्ट पैटर्न दिखाता है: जो सिस्टम एक अतिरिक्त दुनिया (जैसे फिजिकल या थिंकिंग) के साथ बातचीत करते हैं, उनके उच्च स्तर की क्षमता तक पहुँचने की संभावना बहुत अधिक होती है। लेकिन "जनरल इंटेलिजेंस" का पवित्र लक्ष्य (holy grail)—जहाँ एक सिस्टम एक साथ चारों दुनियाओं को संभाल सकता है—अभी भी खाली है। अस्सी सिस्टमों के उनके सर्वेक्षण में, शून्य सिस्टम ने तीन या अधिक दुनियाओं में सफलतापूर्वक लूप को बंद करने में सफलता प्राप्त की थी। वह पूरा क्षेत्र जहाँ एक वास्तविक "जनरल इंटेलिजेंस" होनी चाहिए, वर्तमान में एक भूतिया शहर (ghost town) है।
जनरल इंटेलिजेंस का रोडमैप (The Roadmap to General Intelligence)
तो, अब आगे कहाँ जाना है? लेखक केवल समस्या नहीं बताते; वे इसे ठीक करने के लिए तीन-चरणीय रोडमैप भी देते हैं।
- सिमेंटिक अलाइनमेंट (Semantic Alignment - अर्थ संबंधी संरेखण): हमें AI को इन विभिन्न दुनियाओं के बीच अनुवाद करना सिखाना होगा। अभी, एक AI एक भौतिक सेंसर रीडिंग को समझ सकता है लेकिन यह नहीं जानता कि यह एक सामाजिक नियम या तार्किक तथ्य से कैसे जुड़ता है। हमें पुल बनाने की आवश्यकता है ताकि AI कह सके, "रोबोट ने कप को टक्कर मारी (Physical), जिससे इंसान नाराज हो गया (Social), इसलिए मुझे माफी मांगनी चाहिए (Thinking)।"
- यूनिफाइड वर्ल्ड मॉडल्स (Unified World Models - एकीकृत विश्व मॉडल): हमें एक एकल "मस्तिष्क" बनाने की आवश्यकता है जो इस प्रकार की सभी विभिन्न सूचनाओं को एक साथ रख सके। भौतिकी के लिए एक मस्तिष्क, सामाजिक नियमों के लिए दूसरा, और गणित के लिए तीसरा होने के बजाय, हमें एक ऐसा सिस्टम चाहिए जो उन सभी को एक साथ संभाल सके।
- गवर्नेंस (Governance - शासन/प्रशासन): जैसे-जैसे AI वास्तविक दुनिया (Physical) और वास्तविक लोगों (Social) के साथ बातचीत करना शुरू करेगा, हमें नए सुरक्षा नियमों की आवश्यकता होगी। हम केवल कोड की जांच नहीं कर सकते; हमें यह सुनिश्चित करना होगा कि AI वास्तविक दुनिया में अपने कार्यों के परिणामों को समझे।
पत्र एक साहसिक भविष्यवाणी के साथ समाप्त होता है: AGI का मार्ग बड़े कंप्यूटर बनाने या इंटरनेट से अधिक टेक्स्ट खुरचने (scraping) के बारे में नहीं है। यह ऐसे रोबोट बनाने के बारे में है जो भौतिक दुनिया को छू सकें, महसूस कर सकें और बातचीत कर सकें; ऐसे सिस्टम बनाने के बारे में है जो वास्तव में मनुष्यों के साथ संवाद और बातचीत कर सकें; और ऐसे उपकरण डिजाइन करने के बारे में है जो सख्त तर्क के साथ तर्क कर सकें। जब तक AI सिस्टम डिजिटल लाइब्रेरी से बाहर निकलकर साइबर-फिजिकल-सोशल-थिंकिंग की जटिल, चार-आयामी वास्तविकता में कदम नहीं रखते, वे एक प्रतिभाशाली लेकिन सीमित छात्र बने रहेंगे, जो वास्तविक जनरल इंटेलिजेंस के स्तर पर स्नातक होने में असमर्थ हैं।
लेखक सावधानीपूर्वक नोट करते हैं कि यह एक परिकल्पना है जिसे मजबूत साक्ष्य का समर्थन प्राप्त है, लेकिन अभी तक एक सिद्ध कानून नहीं है। वे सुझाव देते हैं कि यदि किसी शुद्ध डिजिटल AI ने वास्तविक दुनिया को छुए बिना ही इन सभी समस्याओं को अचानक हल कर लिया, तो उनका सिद्धांत गलत होगा। लेकिन अब तक, साक्ष्य एक ही दिशा में इशारा करते हैं: जनरल इंटेलिजेंस बनाने के लिए, हमें दुनिया को केवल एक डेटासेट मानना छोड़ना होगा और इसे एक खेल के मैदान (playground) के रूप में देखना शुरू करना होगा।
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।