Causal-Reasoning World Models: Toward AI’s Subjectivity through Backward Generation
यह शोध पत्र एआई में संज्ञा-आधारित से क्रिया-आधारित कारण तर्क (causal reasoning) की ओर एक प्रतिमान परिवर्तन का प्रस्ताव करता है, जो एक "संभावित समय वितरण" (possible timing distribution) ढांचे को पेश करता है जो एजेंट-समान विश्व मॉडलिंग और व्यक्तिगत स्तर के प्रतितथ्यात्मक अनुमान (counterfactual deduction) को सक्षम बनाता है, जैसा कि स्तन कैंसर रोगियों के प्रक्षेपवक्र (trajectories) के माध्यम से प्रदर्शित किया गया है, जिससे एआई व्यक्तिपरकता (subjectivity) के लिए सैद्धांतिक आधार तैयार होता 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
द दशकों से, सबसे शक्तिशाली कृत्रिम बुद्धिमत्ता (AI) प्रणालियों को दुनिया को स्थिर वस्तुओं के संग्रह के रूप में मानकर पैटर्न पहचानने के लिए प्रशिक्षित किया गया है। इस दृष्टिकोण में, एक रोगी निश्चित लक्षणों का एक समूह है, एक बीमारी एक विशिष्ट लेबल है, और एक उपचार एक अलग घटना है। कंप्यूटर इन संज्ञाओं (nouns) के बीच रेखाएं खींचना सीखता है, जैसे कि यह सवाल पूछना: "यदि किसी व्यक्ति में यह लक्षण है, तो क्या संभावना है कि उसे वह बीमारी होगी?" इस दृष्टिकोण ने प्रभावशाली परिणाम दिए हैं, लेकिन यह एक कठिन सीमा से टकरा जाता है। यह मान लेता है कि दुनिया उन चीजों से बनी है जिन्हें नाम दिया जा सकता है और गिना जा सकता है, जो इस तथ्य की अनदेखी करता है कि जीवन वास्तव में क्रियाओं और परिवर्तनों का एक प्रवाह है। समस्या यह है कि वास्तविकता को निश्चित श्रेणियों के बक्से में जबरन फिट करने से, हम वह चीज़ खो देते हैं जो कारण और प्रभाव को काम करने के योग्य बनाती है: परिवर्तन का समय और उसकी प्रक्रिया। हम जानते हैं कि एक कारण को प्रभाव से पहले होना चाहिए, लेकिन मानक मॉडल अक्सर यह समझने में संघर्ष करते हैं कि वह 'समय' (timing) कैसे किसी विशिष्ट व्यक्ति के लिए परिणाम को आकार देता है, बजाय इसके कि वह केवल बड़े समूह के औसत के लिए हो।
मिनेसोटा विश्वविद्यालय के शोधकर्ताओं की एक टीम इन प्रणालियों को बनाने के तरीके में एक क्रांतिकारी बदलाव का प्रस्ताव दे रही है। वस्तुओं के बीच संबंधों को याद रखने के बजाय, वे इसे क्रियाओं (actions) और संभावनाओं के रूप में सोचने के लिए सिखा रहे हैं। वे इसे "संज्ञा-आधारित" (noun-based) मॉडलिंग से "क्रिया-आधारित" (verb-based) मॉडलिंग की ओर बढ़ना कहते हैं। इस नए ढांचे में, AI केवल यह रिकॉर्ड नहीं करता कि एक मरीज ने दवा ली और फिर वह बीमार हो गया। इसके बजाय, यह एक आभासी दुनिया का निर्माण करता है जहाँ यह उस बीमारी से पीछे की ओर (backward) जाकर यह कल्पना कर सकता है कि उस परिणाम के होने के कितने अलग-अलग तरीके हो सकते थे। यह पूछता है, "क्या होगा यदि दवा अलग समय पर ली जाती? क्या होगा यदि मरीज का इतिहास अलग होता?" इन वैकल्पिक परिदृश्यों को उत्पन्न करके, AI एक "विश्व मॉडल" (world model) बनाता है जो कंप्यूटर के भीतर मौजूद होता है, जो भौतिक दुनिया से स्वतंत्र है। यह इसे कारण और प्रभाव के बारे में इस तरह से तर्क करने की अनुमति देता है जो मानवीय अंतर्ज्ञान (intuition) के अधिक करीब है, जहाँ हम समझते हैं कि एक ही क्रिया अलग-अलग समय और तरीके के आधार पर अलग परिणाम दे सकती है।
शोधकर्ताओं ने इस विचार का परीक्षण 3,276 स्तन कैंसर रोगियों के वास्तविक मेडिकल रिकॉर्ड का उपयोग करके किया। वे यह देखना चाहते थे कि क्या AI यह खोज सकता है कि रोगी उनके उपचार की यात्रा के दौरान कैसे आगे बढ़ते हैं। पारंपरिक विश्लेषण में, शोधकर्ता एक एकल, औसत पथ देखते हैं जिसका अधिकांश रोगी अनुसरण करते हैं। लेकिन नया सिस्टम अलग तरह से काम करता था। इसने अंतिम परिणाम से शुरुआत की—जैसे कि कैंसर उपचार का एक गंभीर जटिलता के रूप में हृदय रोग विकसित होना—और पीछे की ओर काम करते हुए हजारों संभावित टाइमलाइन बनाई जो वहां तक ले जा सकती थीं। इसने केवल घटनाओं के क्रम को ही नहीं देखा; इसने प्रत्येक चरण के विशिष्ट समय (timing) पर भी बारीकी से ध्यान दिया। सिस्टम ने पाया कि यह स्वतः ही उन रोगियों के विशिष्ट समूहों की पहचान कर सकता था जो उपचार के माध्यम से समान, महत्वपूर्ण पथ साझा करते थे, भले ही वे पथ डेटा को समग्र रूप से देखने पर स्पष्ट न हों।
सबसे आश्चर्यजनक निष्कर्षों में से एक सिस्टम की यह क्षमता थी कि वह यह पकड़ सके कि चीजें क्या हुईं, न कि केवल यह कि वे कब हुईं। उदाहरण के लिए, AI ने रोगी के उपचार में उन विशिष्ट क्षणों की पहचान की जहाँ उपचार का समय महत्वपूर्ण हो गया। इसने गौर किया कि कुछ रोगियों के लिए, एक निश्चित समय पर दी गई दवा हृदय संबंधी समस्याओं का एक मजबूत भविष्यवक्ता (predictor) थी, जबकि अन्य के लिए, वही दवा अलग समय पर देने का कोई महत्व नहीं था। सिस्टम यहाँ तक कि एक विशिष्ट समूह के लिए "क्या-होता-यदि" (what-if) परिदृश्य का अनुकरण (simulate) कर सका, जिन्होंने कैंसर उपचार से पहले मधुमेह और उच्च रक्तचाप का एक जटिल इतिहास साझा किया था। इस विशिष्ट समूह के लिए पीछे की ओर सिमुलेशन चलाकर, AI ने निष्कर्ष निकाला कि लक्षित चिकित्सा (targeted therapy) के तीसरे दौर में देरी करने से उनके हृदय रोग के जोखिम को काफी कम किया जा सकता था। यह किसी सामान्य नियम पर आधारित अनुमान नहीं था, बल्कि उस छोटे समूह के अद्वितीय समय पैटर्न से निकाला गया एक निष्कर्ष था।
यह कार्य सुझाव देता है कि चिकित्सा में कृत्रिम बुद्धिमत्ता का भविष्य व्यक्तिगत कहानियों को संभालने की उसकी क्षमता में निहित है, न कि केवल जनसंख्या के औसत में। शोधकर्ता इस बात पर जोर देते हैं कि उनका सिस्टम अभी तक मानव चेतना की पूर्ण प्रतिलिपि नहीं है, लेकिन यह AI को एक प्रकार की "विषयनिष्ठता" (subjectivity)—उस दुनिया के सापेक्ष एक स्थिति लेने की क्षमता—देने की दिशा में एक आवश्यक पहला कदम है जिसका वह अध्ययन कर रहा है, बजाय इसके कि वह केवल बाहर से उसका अवलोकन करे। इन आभासी दुनियाओं का निर्माण करके जहाँ वह बिना किसी वास्तविक रोगी को जोखिम में डाले लाखों संभावनाओं का परीक्षण कर सकता है, AI कारण और प्रभाव के बारे में ऐसे परिकल्पनाएँ पेश कर सकता है जो पारंपरिक सांख्यिकी से छूट सकती हैं। टीम ने पाया कि यह दृष्टिकोण विशेष रूप से दुर्लभ बीमारियों या जटिल मामलों के लिए शक्तिशाली है जहाँ रोगी समूह मानक तरीकों के लिए स्पष्ट उत्तर खोजने हेतु बहुत छोटे होते हैं। हालाँकि इस सिस्टम को अपने निष्कर्षों की व्याख्या और पुष्टि करने के लिए मानव विशेषज्ञों की आवश्यकता होती है, फिर भी यह उन प्रश्नों को पूछने के लिए एक नया उपकरण प्रदान करता है जो पहले अनुत्तरित थे, जिससे कंप्यूटर तथ्यों के निष्क्रिय रिकॉर्डर से बदलकर संभावनाओं के सक्रिय अन्वेषक में बदल जाता 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।