Reasoning Models of Artificial Intelligence Think Like Humans Do

दशकों से, वैज्ञानिक इस बात पर बहस कर रहे हैं कि मन उन समस्याओं को कैसे हल करता है जो उसे स्पष्ट रूप से नहीं सिखाई गईं। जब एक बच्चा किसी तस्वीर से कार को पहचानना सीखता है, या जब एक छात्र बिना सटीक चरणों को देखे एक नया गणित का सवाल हल कर लेता है, तो अक्सर ऐसा लगता है जैसे मस्तिष्क में एक छिपा हुआ, "व्युत्पन्न" (derived) संबंध अचानक प्रकट हो गया है। कुछ सिद्धांत सुझाव देते हैं कि ये संबंध स्वतःस्फूर्त रूप से उभरते हैं, जो प्रत्यक्ष निर्देश को दरकिनार कर देते हैं। हालाँकि, एक अलग दृष्टिकोण तर्क देता है कि बिना सुदृढ़ीकरण (reinforcement) के इतिहास के वास्तव में कुछ भी उभरता नहीं है। यह दृष्टिकोण, जिसे मध्यस्थता सिद्धांत (mediational theory) कहा जाता है, प्रस्तावित करता है कि जो अचानक अंतर्दृष्टि जैसा दिखता है वह वास्तव में छोटे, मध्यवर्ती चरणों की एक श्रृंखला का परिणाम है। ये चरण—अक्सर मौन शब्द या मानसिक चित्र—स्वयं अपने परिणामों द्वारा अभ्यास किए जाते हैं और मजबूत किए जाते हैं, भले ही शिक्षक या शोधकर्ता ने उन्हें विशेष रूप से प्रशिक्षित करने का इरादा न किया हो। यह एक प्रश्न है कि क्या मन विचारों के बीच के पुल अदृश्य, सुदृढ़ आदतों के माध्यम से बनाता है या तर्क की किसी रहस्यमय छलांग के माध्यम से।

यह प्रश्न हाल ही में मानव व्यवहार के अध्ययन से आगे बढ़कर आर्टिफिशियल इंटेलिजेंस के केंद्र में पहुँच गया है। क्लेयरमोंट ग्रेजुएट यूनिवर्सिटी, फ्लोरिडा इंस्टीट्यूट ऑफ टेक्नोलॉजी और कैलिफोर्निया स्टेट यूनिवर्सिटी लॉस एंजिल्स के शोधकर्ताओं का एक नया दृष्टिकोण सुझाव देता है कि सबसे उन्नत कंप्यूटर प्रोग्राम अब उसी बात को सिद्ध कर रहे हैं जो व्यवहार वैज्ञानिकों ने लंबे समय से तर्क दिया है। आधुनिक लार्ज लैंग्वेज मॉडल्स (LLMs) के जटिल कार्यों को हल करने के तरीके का परीक्षण करते हुए, लेखक दिखाते हैं कि ये मशीनें सीधे उत्तर तक नहीं कूदती हैं। इसके बजाय, वे एक चरण-दर-चरण प्रक्रिया में संलग्न होती हैं जो मध्यस्थता सिद्धांत द्वारा वर्णित मानव व्यवहार के समान है। शोधकर्ताओं का तर्क है कि इन प्रणालियों में दिखने वाला "तर्क" (reasoning) न तो जादू है और न ही बुद्धिमत्ता का अचानक उदय, बल्कि यह उस प्रशिक्षण का परिणाम है जो समाधान के प्रत्येक मध्यवर्ती चरण को सुदृढ़ करता है, ठीक वैसे ही जैसे एक मानव शिक्षार्थी अपने आंतरिक विचारों को सुदृढ़ करता है।

लेख व्युत्पन्न संबंधों (derived relations) के विचार को पुनरावृत्त करते हुए शुरू होता है, जो उन चीजों के बीच के संबंध हैं जिन्हें किसी व्यक्ति को सीधे जोड़ने के लिए नहीं सिखाया गया है। पारंपरिक प्रयोगों में, एक बच्चे को सिखाया जा सकता है कि कार की एक तस्वीर "कार" शब्द के साथ जाती है, और बाद में, बिना किसी और प्रशिक्षण के, वह अन्य वस्तुओं के बीच कार को खोजने के लिए कहा जाने पर सही ढंग से उसकी ओर संकेत कर सकता है। इसे अक्सर 'उद्दीपक तुल्यता' (stimulus equivalence) कहा जाता है। लेखक इस विचार को चुनौती देते हैं कि यह लिंक अप्राशिक्षित या बिना सुदृढ़ीकरण के है। वे प्रस्तावित करते हैं कि जब बच्चा "कार" शब्द सुनता है, तो वह शब्द को स्वयं को दोहराता है या बोलता है। शब्द को दोहराने का यह कार्य एक मध्यस्थ व्यवहार (mediating behavior) है। क्योंकि बच्चा कार की उपस्थिति में है, इसलिए "कार" शब्द कहना उस मिलान द्वारा सुदृढ़ होता है जो वे सुनते हैं और जो वे कहते हैं। यह सुदृढ़ीकरण सीधे होता है, भले ही शोधकर्ता ने बच्चे को शब्द बोलने के लिए स्पष्ट रूप से पुरस्कृत करने की योजना न बनाई हो। यह संबंध कोई रहस्य नहीं है; यह बच्चे के अपने व्यवहार का सीधा परिणाम है जो पर्यावरण द्वारा सुदृढ़ किया गया है।

लेखक इस तर्क को इस बात तक विस्तारित करते हैं कि कंप्यूटर को अब कैसे सोचने के लिए सिखाया जा रहा है। आर्टिफिशियल इंटेलिजेंस के शुरुआती संस्करण सरल भविष्यवाणी करने वाली मशीनों की तरह थे। वे एक वाक्य को देखते थे और परिचित वाक्यांशों में अगले शब्द का अनुमान लगाने वाले व्यक्ति की तरह सांख्यिकीय पैटर्न के आधार पर अगले शब्द का अनुमान लगाते थे। ये सिस्टम प्रश्न पूछ सकते थे, लेकिन वे बिना समस्या को विभाजित किए, एक ही तीव्र झटके में उत्तर देते थे। उनमें जटिल मुद्दे पर तर्क करने की क्षमता का अभाव था। "रीजनिंग मॉडल्स" (reasoning models) की ओर बदलाव तब हुआ जब इंजीनियरों ने महसूस किया कि कंप्यूटर को अपना काम दिखाने के लिए मजबूर करने से उसके प्रदर्शन में सुधार होता है। केवल उत्तर देने के बजाय, कंप्यूटर को 'चेन ऑफ थॉट' (chain of thought) उत्पन्न करने के लिए प्रेरित किया जाता है, जो समाधान की ओर ले जाने वाला चरणों का एक क्रम है। कंप्यूटर को प्रशिक्षित करने का यह तरीका मानव व्यवहार के मध्यस्थता सिद्धांत के साथ पूरी तरह मेल खाता है।

इन रीजनिंग मॉडल्स का प्रशिक्षण चरणों में होता है, जिसमें से प्रत्येक मशीन के सीखने के तरीके को परिष्कृत करता है। सबसे पहले, मॉडल को विशाल मात्रा में टेक्स्ट के संपर्क में लाया जाता है, जिससे वह भाषा के बुनियादी पैटर्न सीखता है। फिर, इसे मानव विशेषज्ञों द्वारा प्रदान किए गए सहायक और सुरक्षित उत्तरों के उदाहरणों के साथ फाइन-ट्यून किया जाता है। अंत में, और इस तर्क के लिए सबसे महत्वपूर्ण, मॉडल 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) से गुजरता है। इस चरण में, कंप्यूटर को केवल यह नहीं बताया जाता कि उसका अंतिम उत्तर सही है या गलत; बल्कि उसे उन चरणों के आधार पर आंका जाता है जो वह वहां तक पहुँचने के लिए लेता है। जब एक मॉडल किसी समस्या को सही ढंग से हल करता है, तो सिस्टम उस पूरे चरणों की श्रृंखला को सुदृढ़ करता है जो उस उत्तर तक ले गई। हालाँकि, मानक मॉडल्स में जो केवल अंतिम उत्तर को पुरस्कृत करते हैं, वहाँ सिस्टम पूरी श्रृंखला को एक समूह के रूप में सुदृढ़ करता है, जिसका अर्थ है कि यदि अंतिम उत्तर सही है, तो एक त्रुटिपूर्ण चरण को भी सुदृढ़ किया जा सकता है। इसे संबोधित करने के लिए, विशिष्ट "प्रोसेस रिवॉर्ड" (process reward) मॉडल विकसित किए गए हैं जो प्रत्येक चरण की सटीकता की व्यक्तिगत रूप से जाँच करते हैं। इन उन्नत प्रणालियों में, यदि एक चरण गलत है, तो उसकी संभावना कम कर दी जाती है भले ही अंतिम उत्तर सही हो, यह सुनिश्चित करने के लिए कि मशीन केवल भाग्य से सही निष्कर्ष तक पहुँचने के बजाय सही मध्यवर्ती चरणों को लेना सीखे।

शोधकर्ता बताते हैं कि यह बिल्कुल वैसा ही है जैसे मानव समस्या-समाधान कार्य करता है। जब कोई व्यक्ति कठिन कार्य का सामना करता है, तो वह आमतौर पर एक ही बार में अंतिम उत्तर नहीं देता है। इसके बजाय, वह समस्या को तोड़ देता है, खुद से बात करता है या चरणों को लिखता है। प्रत्येक चरण अगले चरण के लिए एक संकेत के रूप में कार्य करता है और समाधान की ओर अपनी प्रगति द्वारा सुदृढ़ किया जाता है। लेखक नोट करते हैं कि जब कंप्यूटर इंजीनियरों ने देखा कि उनके मॉडल अचानक अपने काम की जाँच करने या अपनी गलतियों को सुधारने लगे, तो उन्होंने इसे एक "इमर्जेंट" (emergent) व्यवहार कहा। शोधकर्ता तर्क देते हैं कि यह एक गलत नाम है। कुछ भी ऐसा उभर कर नहीं आया जो सुदृढ़ न किया गया हो। मॉडल्स ने अपना काम जाँचना इसलिए सीखा क्योंकि ऐसा करने से अक्सर सही उत्तर मिलते थे, और सिस्टम ने उन व्यवहारों की श्रृंखला को पुरस्कृत किया। "इमर्जेंस" (उदय) केवल पर्यवेक्षक के प्रशिक्षण इतिहास के ज्ञान में एक अंतराल था, न कि क्रिया के तंत्र में एक अंतराल।

कंप्यूटर विज्ञान और व्यवहार विज्ञान का यह अभिसरण एक शक्तिशाली अंतर्दृष्टि प्रदान करता है। इन प्रणालियों को बनाने वाले इंजीनियर उसी निष्कर्ष पर पहुँचे जो व्यवहार वैज्ञानिकों ने दिया था: एक जटिल समस्या को हल करने का सबसे प्रभावी तरीका मध्यवर्ती चरणों का एक क्रम उपयोग करना है जो रास्ते में सुदृढ़ किए जाते हैं। शोध पत्र सुझाव देता है कि यह कोई संयोग नहीं है बल्कि एक मौलिक सत्य है कि समस्याओं को कैसे हल किया जाता है, चाहे वह मानव मस्तिष्क हो या सिलिकॉन चिप। हम इन उन्नत मॉडलों में जो "तर्क" देखते हैं, वह केवल एक प्रशिक्षण इतिहास का परिणाम है जो लक्ष्य तक पहुँचने के लिए आवश्यक मध्यवर्ती व्यवहारों को सुदृढ़ करता है। इसे समझकर, हम देख सकते हैं कि मानव और मशीन दोनों में जो जटिल, चरण-दर-चरण सोच हम सराहते हैं, वह सीखने और सुदृढ़ीकरण के समान बुनियादी सिद्धांतों पर निर्मित है। हम कैसे सोचते हैं, इसका रहस्य तर्क की किसी छिपी हुई छलांग में नहीं, बल्कि उन शांत, सुदृढ़ चरणों में है जो हम वहां तक पहुँचने के लिए उठाते हैं।