The semantic geometry of action: convergence across foundation models, human behaviour and the brain
यह अध्ययन प्रदर्शित करता है कि फाउंडेशन मॉडल स्वाभाविक क्रियाओं को एक ऐसे अर्थपूर्ण ज्यामिति (semantic geometry) के भीतर व्यवस्थित करते हैं जो मानव व्यवहार संबंधी निर्णयों और कॉर्टिकल निरूपणों के साथ अभिसरित होता है, और मानव समानता रेटिंग तथा मस्तिष्क की गतिविधि दोनों की भविष्यवाणी करने में पारंपरिक वीडियो एनकोडर से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मनुष्य गतिमान दुनिया को पढ़ने में माहिर हैं। जब हम किसी दूसरे को देखते हैं, तो हम केवल अंतरिक्ष में चलते हुए एक शरीर को नहीं देखते; हम तुरंत समझ जाते हैं कि वे क्या करने की कोशिश कर रहे हैं, वे ऐसा क्यों कर रहे हैं, और उनका अगला कदम क्या हो सकता है। गतिशील क्रियाओं की व्याख्या करने की यह क्षमता मानव बुद्धि का एक आधार स्तंभ है, जो हमें जटिल सामाजिक स्थितियों में नेविगेट करने और दूसरों के साथ सहयोग करने में सक्षम बनाती है। दशकों से, वैज्ञानिक ऐसी कृत्रिम बुद्धिमत्ता (AI) बनाने का प्रयास कर रहे हैं जो ऐसा ही कर सके। जबकि आधुनिक कंप्यूटर प्रोग्राम अब उच्च सटीकता के साथ क्रियाओं की पहचान कर सकते हैं—जैसे कि एक व्यक्ति के दौड़ने और एक व्यक्ति के चलने के बीच अंतर बता सकते हैं—शोधकर्ताओं ने लंबे समय से यह जानने की जिज्ञासा की है कि क्या ये मशीनें वास्तव में उस गति के पीछे के अर्थ को उसी तरह समझती हैं जैसे मनुष्य करते हैं। क्या वे इन क्रियाओं को उसी तर्क के आधार पर अपने आंतरिक "मस्तिष्क" में व्यवस्थित करती हैं जिसका उपयोग हम करते हैं, या वे केवल पिक्सेल के पैटर्न को मिला रही हैं बिना अंतर्निहित अवधारणा को समझे?
चीन के इंस्टीट्यूट ऑफ ऑटोमेशन के शोधकर्ताओं की एक टीम ने अब इस प्रश्न का उत्तर देने की दिशा में एक महत्वपूर्ण कदम उठाया है। उन्होंने यह मानचित्रण करने का प्रयास किया कि कैसे मनुष्य और उन्नत कृत्रिम बुद्धिमत्ता मानव क्रिया की अवधारणा को व्यवस्थित करते हैं। बड़े भाषा मॉडलों (Large Language Models), मल्टीमॉडल मॉडलों (जो देख और पढ़ सकते हैं) और मानव मस्तिष्क के बीच क्रिया के आंतरिक "भूगोल" की तुलना करके, उन्होंने एक आश्चर्यजनक अभिसरण (convergence) पाया। अध्ययन बताता है कि जब इन कृत्रिम प्रणालियों को विशाल मात्रा में डेटा पर प्रशिक्षित किया जाता है, तो वे स्वतः ही मानव क्रियाओं के बारे में सोचने का एक तरीका विकसित कर लेती हैं जो मानव धारणा के साथ निकटता से मेल खाता है और यहाँ तक कि उस तरह को भी दर्शाता है जैसे मानव मस्तिष्क इन समान गतिविधियों को संसाधित करता है।
इसकी खोज के लिए, शोधकर्ताओं ने कृत्रिम बुद्धिमत्ता मॉडलों के साथ एक मनोवैज्ञानिक प्रयोग के प्रतिभागियों की तरह व्यवहार किया। उन्होंने इन मॉडलों को विभिन्न कार्य करते हुए लोगों के हजारों छोटे वीडियो क्लिप और पाठ्य विवरण प्रस्तुत किए, जैसे कि खाना बनाना और बागवानी करना से लेकर लड़ना और नृत्य करना तक। मॉडलों को एक सरल लेकिन प्रकट करने वाला कार्य करने के लिए कहा गया: तीन अलग-अलग क्रियाओं को दिए जाने पर, उन्हें यह पहचानना था कि कौन सी क्रिया "सबसे अलग" (odd one out) है। उदाहरण के लिए, यदि किसी को स्कीइंग करने वाले, चित्र बनाने वाले और रॉक वॉल पर चढ़ने वाले व्यक्ति का वीडियो दिखाया जाए, तो मॉडल को यह तय करना था कि कौन सी क्रिया अन्य दो से सबसे भिन्न है। इन लाखों विकल्पों का विश्लेषण करके, शोधकर्ता उस अदृश्य मानसिक मानचित्र का पुनर्निर्माण कर सके जिसका उपयोग मॉडल इन क्रियाओं को वर्गीकृत करने के लिए कर रहे थे। उन्होंने एक बड़े मानव समूह के साथ भी ऐसा ही किया, जिससे यह आधार रेखा (baseline) बन सकी कि लोग स्वाभाविक रूप से विभिन्न व्यवहारों को कैसे समूहित और अलग करते हैं।
परिणामों ने खुलासा किया कि केवल पाठ-आधारित मॉडल, जो क्रियाओं के विवरण को पढ़ते हैं, और मल्टीमॉडल मॉडल, जो वास्तविक वीडियो देखते हैं, दोनों ने आंतरिक मानचित्र विकसित किए जो मानव मानचित्र के आश्चर्यजनक रूप से समान थे। ये मानचित्र यादृच्छिक (random) नहीं थे; उन्होंने क्रियाओं को निम्न-आयामी स्थानों (low-dimensional spaces) में व्यवस्थित किया जहाँ समान व्यवहार पास-पास थे और भिन्न व्यवहार दूर-दूर थे। महत्वपूर्ण रूप से, इन कृत्रिम मानचित्रों ने पारंपरिक वीडियो विश्लेषण उपकरणों की तुलना में मानव विकल्पों की बेहतर भविष्यवाणी की, जो सरल दृश्य विशेषताओं पर निर्भर करते हैं। अध्ययन से पता चला कि मॉडल केवल वीडियो को याद नहीं कर रहे थे; वे उन अमूर्त लक्ष्यों और सामाजिक संदर्भों को पकड़ रहे थे जिनका उपयोग मनुष्य गति को समझने के लिए करते हैं। उदाहरण के लिए, मॉडलों ने "सामाजिक मेलजोल" वाली क्रियाओं को एक साथ समूहित करना और उन्हें "एकाकी" कार्यों से अलग करना सीखा, ठीक वैसे ही जैसे लोग करते हैं।
यह सिद्ध करने के लिए कि ये आंतरिक मानचित्र वास्तव में सार्थक थे और केवल सांख्यिकीय चाल नहीं थे, शोधकर्ताओं ने दो कठोर तरीकों से इनका परीक्षण किया। सबसे पहले, उन्होंने वीडियो जनरेशन सिस्टम को निर्देशित करने के लिए मॉडलों के आंतरिक मानचित्रों का उपयोग किया। मॉडल के आंतरिक प्रतिनिधित्व में एक एकल संख्या को बदलकर, वे वीडियो की सामग्री को सुचारू रूप से बदल सकते थे। यदि उन्होंने "प्रकृति-संबंधी" आयाम के लिए मान बढ़ाया, तो एक इनडोर दृश्य बाहरी दृश्य में बदल गया; यदि उन्होंने "खेल" के आयाम को बढ़ाया, तो गतिविधि एथलेटिक प्रतियोगिता की ओर स्थानांतरित हो गई। इसने प्रदर्शित किया कि मॉडलों ने क्रिया की विशिष्ट, नियंत्रणीय अवधारणाओं को सीख लिया था जिन्हें नए, सुसंगत दृश्य बनाने के लिए हेरफेर किया जा सकता था।
दूसरा, और संभवतः सबसे महत्वपूर्ण, शोधकर्ताओं ने परीक्षण किया कि क्या ये कृत्रिम मानचित्र मानव मस्तिष्क में गतिविधि की भविष्यवाणी कर सकते हैं। उन्होंने मॉडलों द्वारा सीखे गए निश्चित मानचित्रों को लिया और उन्हें हजारों विभिन्न क्रिया वीडियो देखते समय लोगों के मस्तिष्क स्कैन के एक विशाल डेटासेट पर लागू किया। उन्होंने पाया कि मॉडलों का आंतरिक संगठन सफलतापूर्वक भविष्यवाणी कर सका कि विशिष्ट क्रियाओं को देखते समय मानव मस्तिष्क के कौन से हिस्से सक्रिय होंगे। पाठ-आधारित मॉडल, जिन्होंने कभी वीडियो देखे बिना केवल भाषा विवरणों के माध्यम से क्रिया की अवधारणाओं को सीखा था, जटिल सामाजिक और लक्ष्य-निर्देशित व्यवहारों को समझने के लिए जिम्मेदार उच्च-स्तरीय मस्तिष्क क्षेत्रों में गतिविधि की भविष्यवाणी करने में विशेष रूप से प्रभावी थे। यह सुझाव देता है कि क्रिया की अमूर्त अवधारणाएं, जो केवल भाषा के माध्यम से सीखी गई हैं, इस बात को पकड़ने के लिए पर्याप्त हैं कि मानव मस्तिष्क गति का प्रतिनिधित्व कैसे करता है।
अध्ययन ने मॉडलों के प्रकारों के बीच दिलचस्प अंतरों को भी रेखांकित किया। जबकि वीडियो देखने वाले मॉडलों ने सूक्ष्म दृश्य विवरणों को पकड़ा, पाठ-मात्र मॉडल क्रियाओं को व्यापक, सार्थक श्रेणियों में व्यवस्थित करने में आश्चर्यजनक रूप से प्रभावी थे। कुछ मस्तिष्क क्षेत्रों में, पाठ-आधारित मॉडल मानव तंत्रिका प्रतिक्रियाओं की भविष्यवाणी करने में वीडियो मॉडलों से बेहतर प्रदर्शन कर गए। इसका तात्पर्य यह है कि क्रिया की वैचारिक समझ—कि एक व्यक्ति क्या प्राप्त करने की कोशिश कर रहा है—मानव जैसी धारणा के लिए विशिष्ट दृश्य विवरणों के दिखने के तरीके से अधिक महत्वपूर्ण हो सकती है।
अंततः, यह शोध कृत्रिम और जैविक बुद्धि के बीच संबंध को समझने का एक शक्तिशाली नया तरीका प्रदान करता है। यह दिखाता है कि जब मशीनों को पर्याप्त डेटा के संपर्क में लाया जाता है, तो वे मनुष्यों के साथ एक साझा 'सिमेंटिक ज्योमेट्री' विकसित कर सकती हैं, जो क्रिया की दुनिया को हमारे अपने तरीके के समान कार्यात्मक रूप से व्यवस्थित करती है। निष्कर्ष बताते हैं कि वास्तव में बुद्धिमान मशीनों का मार्ग शायद हमें उन्हें मानवीय नियमों के साथ स्पष्ट रूप से प्रोग्राम करने की आवश्यकता नहीं है, बल्कि उन्हें मानव अनुभव की समृद्धि के माध्यम से इन संरचनाओं को स्वयं खोजने देने की आवश्यकता है। अध्ययन यह दावा नहीं करता कि मशीनों में चेतना या भावनाएं हैं, लेकिन यह प्रदर्शित करता है कि वे मानव व्यवहार की एक ऐसी संरचनात्मक समझ बना सकते हैं जो हमारे अपने व्यवहार के साथ गहराई से जुड़ी हुई है, जो मनुष्यों और मशीनों के बीच भविष्य की बातचीत के लिए एक आशाजनक आधार प्रदान करती 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।