Intelligence Cannot Recover What the Instrument Does Not Record
यह अध्ययन यह स्थापित करता है कि कैल्शियम इमेजिंग से न्यूरोनल स्पाइक अनुमान की सटीकता मौलिक रूप से ऑप्टिकल सिग्नल की अपनी सूचना सामग्री द्वारा सीमित है, न कि केवल उपयोग किए गए कम्प्यूटेशनल मॉडलों द्वारा, जो यह दर्शाता है कि उन्नत एल्गोरिदम भी उपकरण की रिकॉर्डिंग क्षमताओं द्वारा निर्धारित एक अनुभवजन्य प्रदर्शन सीमा (एम्पिरिकल परफॉर्मेंस सीलिंग) से आगे नहीं निकल सकते हैं।
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
न्यूरॉन्स, जो मस्तिष्क की सूक्ष्म संचार कोशिकाएं हैं, विद्युत झटकों (स्पाइक्स) के रूप में तीव्र विद्युत विस्फोटों में बात करते हैं। मस्तिष्क कैसे सोचता है, इसे समझने के लिए वैज्ञानिकों को इन बातचीत को सुनना आवश्यक है। दशकों तक, एक एकल न्यूरॉन को स्पष्ट रूप से सुनने का एकमात्र तरीका उसमें एक बहुत ही बारीक तार सीधे डालना था, जो एक सटीक विधि तो है लेकिन एक साथ हजारों कोशिकाओं पर उपयोग करने के लिए असंभव है। एक नई तकनीक, जिसे कैल्शियम इमेजिंग कहा जाता है, एक अलग मार्ग प्रदान करती है। सीधे बिजली को सुनने के बजाय, यह एक रासायनिक परिवर्तन को देखती है। जब एक न्यूरॉन फायर करता है, तो वह थोड़ा कैल्शियम सोख लेता है, और कोशिका के भीतर मौजूद एक विशेष डाई (dye) प्रतिक्रिया के रूप में चमक उठती है। एक माइक्रोस्कोप इस चमक को कैप्चर करता है, जिससे शोधकर्ता सैकड़ों न्यूरॉन्स को एक साथ जगमगाते हुए देख सकते हैं।
हालाँकि, इस पद्धति में एक मौलिक दोष है। माइक्रोस्कोप स्वयं विद्युत स्पाइक को नहीं देखता; यह प्रकाश की एक विलंबित, धुंधली और शोर भरी चमक देखता है जो स्पाइक के बाद होती है। स्पाइक वह घटना है, और चमक उस घटना की केवल एक छाया है। न्यूरॉन ने वास्तव में क्या किया, इसे समझने के लिए वैज्ञानिकों को कंप्यूटर प्रोग्रामों का उपयोग करके पीछे की ओर अनुमान लगाना होता है, यानी प्रकाश के पैटर्न के आधार पर यह अनुमान लगाना होता है कि स्पाइक कब हुआ था। वर्षों से, क्षेत्र का ध्यान इन अनुमान लगाने वाले प्रोग्रामों को स्मार्ट बनाने पर केंद्रित रहा है। यह धारणा रही है कि यदि कोई कंप्यूटर मॉडल एक स्पाइक की पहचान करने में विफल रहता है, तो मॉडल पर्याप्त अच्छा नहीं है। लेकिन यह एक गहरा प्रश्न खड़ा करता है: क्या होगा यदि कंप्यूटर द्वारा अनुमान लगाने की कोशिश करने से पहले ही जानकारी गायब हो गई हो? क्या होगा यदि माइक्रोस्कोप ने आवश्यक विवरणों को रिकॉर्ड करने में ही विफलता दिखाई हो, जिससे कंप्यूटर के पास खोजने के लिए कुछ भी न बचे?
मॉरिस एंथनी यूइंग का एक नया अध्ययन ठीक इसी समस्या को संबोधित करता है। केवल एक बेहतर अनुमान लगाने वाली मशीन बनाने के बजाय, शोधकर्ता ने यह पूछा कि रिकॉर्ड किए गए प्रकाश के भीतर वास्तव में कितनी जानकारी कैद है। डेटा के एक विशाल संग्रह का उपयोग करते हुए, जहाँ विद्युत स्पाइक्स और प्रकाश की चमक दोनों को एक साथ रिकॉर्ड किया गया था, अध्ययन ने उस पूर्ण सीमा को मापा जो रिकवर (पुनर्प्राप्त) की जा सकती है। निष्कर्ष बताते हैं कि बुद्धिमत्ता, चाहे वह कितनी भी उन्नत क्यों न हो, उस चीज़ का पुनर्निर्माण नहीं कर सकती जिसे उपकरण ने कभी कैप्चर ही नहीं किया।
शोधकर्ताओं ने सैकड़ों न्यूरॉन्स के डेटा का विश्लेषण किया, जिसमें विद्युत फायरिंग और परिणामी चमक के बीच के संबंध को देखा गया। उन्होंने सरल सांख्यिकीय उपकरणों से लेकर जटिल, आधुनिक आर्टिफिशियल इंटेलिजेंस सिस्टम तक, विभिन्न प्रकार के कंप्यूटर मॉडल का परीक्षण किया जो पैटर्न देखने के अपने तरीके सीख सकते हैं। उन्होंने इस कार्य के लिए सैद्धांतिक अधिकतम सटीकता खोजने का भी प्रयास किया। कल्पना कीजिए कि आप एक धुंधली तस्वीर के आधार पर एक गुप्त शब्द का अनुमान लगाने की कोशिश कर रहे हैं। चाहे अनुमान लगाने वाला कितना भी स्मार्ट क्यों न हो, यदि फोटो इतनी धुंधली है कि अक्षर दिखाई ही नहीं दे रहे, तो उस रहस्य को सुलझाया नहीं जा सकता। अध्ययन में पाया गया कि इस विशिष्ट प्रकार की मस्तिष्क रिकॉर्डिंग के लिए, कोई भी कंप्यूटर कितनी अच्छी तरह प्रदर्शन कर सकता है, इसकी एक कठिन सीमा (hard ceiling) है। सर्वश्रेष्ठ कंप्यूटर मॉडल लगभग 83.8 प्रतिशत समय स्पाइक्स को सही ढंग से पहचानने में सक्षम रहे। जब शोधकर्ताओं ने विभिन्न गणितीय दृष्टिकोणों का उपयोग करके उच्चतम संभव सटीकता की तलाश की, तो उन्हें जो उच्चतम संभव सटीकता मिली वह लगभग 87.1 प्रतिशत थी।
सर्वश्रेष्ठ कंप्यूटरों और सैद्धांतिक सीमा के बीच यह संकीर्ण अंतर महत्वपूर्ण है। इसका अर्थ है कि समस्या यह नहीं है कि कंप्यूटर कम बुद्धिमान हैं। एक पूर्ण कंप्यूटर, जो किसी भी संभावित पैटर्न को सीख सकता है, वह भी संभवतः 87 प्रतिशत से बेहतर प्रदर्शन नहीं कर पाएगा। गायब जानकारी किसी खराब एल्गोरिदम का परिणाम नहीं है; यह भौतिक रिकॉर्डिंग का परिणाम है। माइक्रोस्कोप द्वारा रिकॉर्ड किया गया प्रकाश इतने विवरणों को समाहित नहीं करता है कि हर एक स्पाइक को पूर्ण निश्चितता के साथ पहचाना जा सके। अध्ययन ने इस बात की पुष्टि करने के लिए एक परिष्कृत प्रकार के आर्टिफिशियल इंटेलिजेंस का परीक्षण किया जो डेटा को देखने का अपना तरीका खुद डिजाइन करता है। इस उन्नत प्रणाली ने 83.2 प्रतिशत सटीकता प्राप्त की, जो सरल मॉडलों द्वारा स्थापित सीमा को तोड़ने में विफल रही। यह सिद्ध करता है कि सीमा वास्तविक है और केवल उपयोग किए गए विशिष्ट उपकरणों की खामी नहीं है।
शोध ने यह भी उजागर किया कि उपयोगी जानकारी रिकॉर्डिंग के भीतर कहाँ छिपी होती है। एक न्यूरॉन से आने वाला प्रकाश तुरंत नहीं बदलता; इसे बढ़ने और घटने में समय लगता है। अध्ययन में पाया गया कि स्पाइक के बारे में सबसे महत्वपूर्ण सुराग उस प्रकाश में दिखाई देते हैं जो स्पाइक होने के बाद होता है, न कि पहले। जबकि घटना से पहले का प्रकाश इस बारे में कुछ संकेत देता है कि न्यूरॉन पहले क्या कर रहा था, वसूली योग्य जानकारी का विशाल बहुमत उस फ्लैश से आता है जो विद्युत विस्फोट के बाद होता है। वास्तव में, पूरी रिकॉर्डिंग को देखने के बजाय केवल घटना के बाद के प्रकाश को देखने से कंप्यूटर पूरी रिकॉर्डिंग से प्राप्त होने वाली सटीकता का 92 प्रतिशत से अधिक हिस्सा रिकवर कर सका। यह सुझाव देता है कि रासायनिक प्रतिक्रिया में देरी ही मुख्य बाधा (bottleneck) है। माइक्रोस्कोप को पूर्ण फ्लैश देखने के लिए पर्याप्त लंबा इंतजार करने की आवश्यकता होती है, लेकिन फिर भी, रासायनिक प्रक्रिया के धुंधलेपन के कारण कुछ विवरण खो जाते हैं।
इसके अलावा, अध्ययन ने दिखाया कि यह सीमा इस बात पर निर्भर करती है कि किस रासायनिक डाई का उपयोग किया गया है। कुछ नई डाइज़ पुराने वाली की तुलना में अधिक तीव्र और तेज़ चमक पैदा करती हैं, और अध्ययन में पाया गया कि इन नई डाइज़ के साथ की गई रिकॉर्डिंग में उच्च सूचना सीमा (information ceiling) थी। हालाँकि, सीमा केवल डाई के बारे में नहीं है। जब शोधकर्ताओं ने एक प्रकार के मस्तिष्क ऊतक (tissue) पर प्रशिक्षित कंप्यूटर मॉडल का परीक्षण पूरी तरह से अलग प्रकार के ऊतक पर किया, तो मॉडल बुरी तरह विफल रहा, जिसकी सटीकता में 20 अंकों से अधिक की गिरावट आई। यह विफलता तब भी हुई जब कंप्यूटर को शुरुआत से फिर से प्रशिक्षित किया गया था। इसने खुलासा किया कि समस्या केवल डाई की नहीं थी, बल्कि विशिष्ट जैविक वातावरण की थी। जानकारी पहले ऊतक के लिए वहां थी, लेकिन दूसरे ऊतक की रिकॉर्डिंग ने उसी प्रकार के विवरणों को संरक्षित नहीं किया, जिससे मॉडल की सफलता असंभव हो गई।
शायद इस अध्ययन का सबसे व्यावहारिक निष्कर्ष इन अपरिहार्य विफलताओं को संभालने का एक नया तरीका है। चूंकि कंप्यूटर हमेशा सही नहीं हो सकता, इसलिए शोधकर्ताओं ने एक ऐसी प्रणाली विकसित की है जो बता सकती है कि इसके गलत होने की संभावना कब है। रिकॉर्डिंग की कठिनाई का विश्लेषण करके, प्रणाली अपने स्वयं के भविष्यवाणियों के लिए एक "अविश्वास स्कोर" (distrust score) निर्धारित कर सकती है। जब सिस्टम अनिश्चित होता है, तो वह अनुमान लगाने के बजाय उत्तर देने से इनकार कर सकता है। यदि शोधकर्ता सिस्टम को केवल तभी भविष्यवाणी करने के लिए कहें जब वह अत्यधिक आश्वस्त हो, तो उन भविष्यवाणियों की सटीकता बढ़कर लगभग 98 प्रतिशत हो जाती है। इसका मतलब यह नहीं है कि सिस्टम अधिक स्मार्ट हो गया है; इसका मतलब है कि इसने सीखा है कि जब साक्ष्य बहुत कमजोर हों तो चुप कैसे रहना है।
अध्ययन यह निष्कर्ष निकालता है कि मस्तिष्क इमेजिंग का भविष्य केवल स्मार्ट कंप्यूटर बनाने के बारे में नहीं है। दुनिया के सबसे शक्तिशाली एल्गोरिदम भी उस जानकारी को रिकवर नहीं कर सकते जिसे माइक्रोस्कोप ने रिकॉर्ड ही नहीं किया। यदि प्रकाश बहुत धुंधला है या रासायनिक प्रतिक्रिया बहुत धीमी है, तो डेटा अधूरा है। हमारे मस्तिष्क की समझ को बेहतर बनाने के लिए, वैज्ञानिकों को स्वयं उपकरण पर ध्यान केंद्रित करना चाहिए: बेहतर डाइज़, तेज़ माइक्रोस्कोप, या प्रकाश को कैप्चर करने के अलग तरीके खोजना। प्रेक्षक (observer) की बुद्धिमत्ता गौण है, रिकॉर्ड की स्पष्टता प्राथमिक है। जब रिकॉर्ड स्पष्ट होता है, तो एक स्मार्ट प्रेक्षक सफल हो सकता है। जब रिकॉर्ड में विवरण गायब होते हैं, तो कोई भी बुद्धिमत्ता उस अंतर को नहीं भर सकती। सबक शांत लेकिन दृढ़ है: आप उसे नहीं देख सकते जिसे कभी रिकॉर्ड ही नहीं किया गया।
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।