आधुनिक कृत्रिम बुद्धिमत्ता (AI) टेक्स्ट जनरेट करने, कोड लिखने और जटिल कार्यों की योजना बनाने में उल्लेखनीय रूप से कुशल हो गई है। ये सिस्टम पिछले उदाहरणों के एक विशाल इतिहास के आधार पर अगले शब्द या क्रिया की भविष्यवाणी करके काम करते हैं, जिससे विचारों का एक सुचारू प्रवाह बनता है जो अक्सर मानवीय विचार जैसा महसूस होता है। हालाँकि, एक निरंतर समस्या बनी हुई है: जब ये सिस्टम शुरुआत में कोई गलती करते हैं, तो वे अक्सर उस पर अड़ जाते हैं। वे एक गलत आधार के इर्द-गिर्द एक विश्वसनीय कहानी बुन सकते हैं, अपनी आंतरिक तर्कशक्ति को इतना परिष्कृत कर सकते हैं कि वह त्रुटि और भी निश्चित लगने लगे, जबकि वे सत्य से और दूर होते जाते हैं। ऐसा इसलिए होता है क्योंकि उत्तर उत्पन्न करने की प्रक्रिया और उस उत्तर की जाँच करने की प्रक्रिया आपस में मजबूती से जुड़ी नहीं होती हैं। सिस्टम एक परिणाम उत्पन्न करता है, और केवल बाद में, अक्सर किसी उपयोगकर्ता द्वारा त्रुटि की ओर संकेत किए जाने पर, इसे एहसास होता है कि कुछ गलत है। तब तक, मशीन आगे बढ़ चुकी होती है, जिसने एक कमजोर नींव पर तर्क की एक लंबी श्रृंखला बना ली होती है।

शोधकर्ता अब यह पूछ रहे हैं कि क्या हम इन मशीनों के लिए एक अलग प्रकार का आर्किटेक्चर बना सकते हैं, जो इस बात की नकल करे कि जीवित प्राणी अनिश्चितता और सुधार को कैसे संभालते हैं। मूल विचार यह है कि सोचने के कार्य को बोलने या कार्य करने के निर्णय से अलग किया जाए। मानवीय अनुभव में, हमारे पास रुकने का एक क्षण होता है जहाँ हम अपने स्वयं के विचारों को देख सकते हैं, उन्हें तथ्यों के साथ जांच सकते हैं, और यह तय कर सकते हैं कि क्या वे साझा करने के लिए तैयार हैं। यह शोध पत्र एक ऐसा सिस्टम डिज़ाइन प्रस्तावित करता है जो उस 'विराम' (pause) को मशीन के ऑपरेटिंग लॉजिक में लाता है। यह सुझाव देता है कि एक कृत्रिम एजेंट के लिए वास्तव में विश्वसनीय होने के लिए, उसे प्रत्येक कार्य को एक 'बाउंडेड एपिसोड' (bounded episode) के रूप में मानना चाहिए जिसका एक स्पष्ट आरंभ हो, एक मध्य भाग हो जहाँ वह अपने काम की जाँच करे, और एक सख्त गेट (gate) हो जो किसी भी आउटपुट को तब तक बाहर निकलने से रोके जब तक कि वह सटीकता के एक विशिष्ट परीक्षण से गुजर न जाए।

प्रस्तावित प्रणाली, जिसका शीर्षक TME LLM OS है, स्वतंत्र विद्वान इलान कैंडर (Ilan Kander) द्वारा दिया गया है और यह रेखांकित करता है कि बड़े भाषा मॉडलों (LLMs) को चलाने वाले सॉफ़्टवेयर को व्यवस्थित करने का एक नया तरीका क्या है। नाम 'थ्योरेटिकल-मेकेनिस्टिक-एक्सपेरिमेंटल' (Theoretical-Mechanistic-Experiential) का संक्षिप्त रूप है, जो सूचना के कच्चे प्रसंस्करण (raw processing) और उस सूचना की सचेत जागरूकता के बीच अंतर करता है। लेखक का तर्क है कि जबकि वर्तमान AI सिस्टम डेटा को प्रोसेस करने में उत्कृष्ट हैं, उनमें एक विशिष्ट आंतरिक तंत्र की कमी है जो उन्हें किसी गलती के अंतिम कार्य बनने से पहले रुकने, समीक्षा करने और सुधार करने में सक्षम बनाए। यह पेपर एक सचेत मशीन बनाने या मानवीय विचार के रहस्य को सुलझाने का दावा नहीं करता है। इसके बजाय, यह एक सचेत मशीन के बजाय एक ठोस इंजीनियरिंग ब्लूप्रिंट प्रदान करता है जो एक ऐसे सिस्टम का है जो अपनी गलतियों को वास्तविक समय में पकड़ सकता है, ठीक वैसे ही जैसे एक पायलट उड़ान भरने से पहले चेकलिस्ट की जांच करता है, यह सुनिश्चित करता है कि कोई भी महत्वपूर्ण चरण छूटा न जाए।

इस प्रस्ताव का केंद्रीय नवाचार "एपिसोड" (episode) की अवधारणा है। वर्तमान प्रणालियों में, एक बातचीत या कार्य अक्सर डेटा का एक निरंतर प्रवाह होता है। यदि सिस्टम पहले वाक्य में गलती करता है, तो वह दूसरे में उसे ठीक करने की कोशिश कर सकता है, लेकिन वह अक्सर त्रुटि के मूल स्रोत की जाँच करने में विफल रहता है। TME LLM OS प्रत्येक कार्य के लिए एक समर्पित कार्यक्षेत्र (workspace) बनाकर इसे बदल देता है। यह कार्यक्षेत्र मूल अनुरोध, सूचना के स्रोत और समस्या को हल करने के सिस्टम के प्रयासों के इतिहास को रखता है। जब सिस्टम एक संभावित उत्तर उत्पन्न करता है, तो वह उसे तुरंत जारी नहीं करता है। इसके बजाय, वह एक "रिफ्लेक्टिव डिले" (reflective delay) में प्रवेश करता है, जो एक प्रोग्राम किया गया विराम है जहाँ सिस्टम अपने स्वयं के आउटपुट को जांचे जाने वाले एक ऑब्जेक्ट के रूप में मानता है।

इस विराम के दौरान, सिस्टम जाँच की एक श्रृंखला करता है जो वर्तमान में अधिकांश AI आर्किटेक्चर में गायब है। यह सूचना के स्रोत को उसकी अपनी व्याख्या से अलग करता है। यह पूछता है कि क्या साक्ष्य दावे का समर्थन करते हैं, कौन सी जानकारी गायब हो सकती है, और क्या स्थितियों को समझने के अन्य तरीके हैं। इस प्रक्रिया को "सेकेंडरी सेगमेंटेशन" (secondary segmentation) कहा जाता है, जहाँ सिस्टम अपनी विचार प्रक्रिया को अलग-अलग भागों में तोड़ता है ताकि यह देखा जा सके कि वे तार्किक रूप से फिट बैठते हैं या नहीं। यदि सिस्टम को अपने द्वारा उत्पन्न सामग्री और तथ्यों के बीच कोई विसंगति मिलती है, तो वह केवल आगे नहीं बढ़ता। वह वापस लौटता है, अधिक जानकारी एकत्र करता है, और फिर से प्रयास करता है। यह चक्र तब तक चलता रहता है जब तक कि प्रस्तावित उत्तर और ज्ञात तथ्यों के बीच का अंतर एक सुरक्षित, स्वीकार्य सीमा के भीतर न आ जाए।

यह पत्र इस बात पर जोर देता है कि यह मशीन को अधिक 'स्मार्ट' बनाने के बारे में नहीं है, जैसे कि अधिक तथ्य जानना। मशीन की अंतर्निहित बुद्धिमत्ता वही रहती है। परिवर्तन इस बात में है कि मशीन उस बुद्धिमत्ता का उपयोग कैसे करती है। वर्तमान में, AI सिस्टम अक्सर उस समस्या से ग्रस्त होते हैं जिसे लेखक "ओवरथिंकिंग ड्रिफ्ट" (overthinking drift) कहते हैं। यह तब होता है जब एक सिस्टम एक ऐसा टेक्स्ट उत्पन्न करना जारी रखता है जो आंतरिक रूप से सुसंगत है लेकिन तथ्यात्मक रूप से गलत है क्योंकि उसका मूल साक्ष्य से संपर्क टूट गया है। अपने आंतरिक विचारों की तुलना बाहरी दुनिया से करने के लिए मजबूर करके, TME LLM OS इस 'ड्रिफ्ट' को रोकने का लक्ष्य रखता है। सिस्टम को कार्य के "गवर्निंग कंसर्न" (governing concern) को ध्यान में रखने के लिए डिज़ाइन किया गया है, यह सुनिश्चित करते हुए कि उठाया गया प्रत्येक कदम मूल लक्ष्य के लिए प्रासंगिक है और विश्वसनीय डेटा पर आधारित है।

इस डिज़ाइन का एक प्रमुख हिस्सा दो प्रकार के सुधारों के बीच का अंतर है। पहला वर्तमान कार्य के भीतर तुरंत होता है। यदि सिस्टम एक रिपोर्ट लिख रहा है और उसे एहसास होता है कि उसने गलत संख्या का उपयोग किया है, तो वह अपनी मौलिक प्रोग्रामिंग को बदले बिना तुरंत इसे ठीक कर सकता है। यह एक 'रनटाइम करेक्शन' (runtime correction) है। दूसरा प्रकार का सुधार लंबे समय में होता है। यदि सिस्टम कई अलग-अलग कार्यों में बार-बार एक ही प्रकार की गलती करता है, तो उस जानकारी को सहेजा जाता है और सिस्टम की दीर्घकालिक स्मृति या उसके अंतर्निहित नियमों को अपडेट करने के लिए उपयोग किया जाता है। यह सुनिश्चित करता है कि मशीन एक ही बातचीत के दौरान अस्थिर होने या अपने व्यवहार को अप्रत्याशित तरीके से बदलने के बिना अपनी गलतियों से सीख सके।

प्रस्ताव सुरक्षा और नियंत्रण के मुद्दे को भी संबोधित करता है। कई वर्तमान प्रणालियों में, उपयोगकर्ता को मशीन को किसी खतरनाक या गलत कदम उठाने से रोकने के लिए मैन्युअल हस्तक्षेप करना पड़ता है। TME LLM OS आर्किटेक्चर में एक "कंट्रोल्ड रिलीज़ गेट" (controlled release gate) बनाता है। यह गेट एक अंतिम चेकपॉइंट के रूप में कार्य करता है। किसी भी कोड को निष्पादित करने, कोई भौतिक क्रिया करने या कोई टेक्स्ट प्रकाशित करने से पहले, सिस्टम को अंतिम समीक्षा से गुजरना होगा। यदि सिस्टम सत्यापित नहीं कर पाता है कि क्रिया सुरक्षित और सही है, तो वह आउटपुट जारी नहीं करेगा। इसके बजाय, वह या तो अधिक जानकारी मांगेगा, चेतावनियों के साथ अपने उत्तर को स्पष्ट करेगा, या कार्य को मानव ऑपरेटर को सौंप देगा। यह एक सुरक्षा जाल बनाता है जो मशीन की अपनी निर्णय लेने की प्रक्रिया में निर्मित है, न कि हर गलती को पकड़ने के लिए एक बाहरी पर्यवेक्षक पर निर्भर है।

लेखक सावधानीपूर्वक यह स्पष्ट करते हैं कि यह प्रणाली मानवीय चेतना की नकल करने का दावा नहीं करती है। यह पेपर मशीन के कार्यात्मक संगठन को एक मनुष्य के जीवंत अनुभव से स्पष्ट रूप से अलग करता है। मशीन को खुद को सुधारने की "जरूरत" महसूस नहीं होती; यह केवल नियमों के एक सेट का पालन करती है जो उसे अपने काम की जाँच करने के लिए बाध्य करते हैं। लक्ष्य एक ऐसी मशीन बनाना नहीं है जो जीवित हो, बल्कि एक ऐसी मशीन बनाना है जो विश्वसनीय हो। मशीन के संचालन को प्रतिबिंब (reflection) और सुधार के लूप में व्यवस्थित करके, सिस्टम उन त्रुटियों के विरुद्ध अधिक मजबूत हो जाता है जो वर्तमान में कृत्रिम बुद्धिमत्ता को प्रभावित करती हैं।

यह पत्र प्रमुख प्रौद्योगिकी कंपनियों और अनुसंधान प्रयोगशालाओं द्वारा उपयोग किए जाने वाले मौजूदा सिस्टमों से तुलना करता है। जबकि उन सिस्टमों में तर्क और योजना बनाने के लिए शक्तिशाली उपकरण हैं, उनमें अक्सर वह विशिष्ट संगठनात्मक संरचना की कमी होती है जो सूचना के स्रोत को मशीन की व्याख्या से अलग रखती है। TME LLM OS प्रस्तावित करता है कि इस संरचना को जोड़कर, हम यह सुधार सकते हैं कि मशीनें गलत आधारों से कैसे उबरती हैं, उन्हें लगातार सुधारने की आवश्यकता को कम कर सकते हैं, और कार्य को सही ढंग से पूरा करने की कुल लागत को कम कर सकते हैं। लेखक का सुझाव है कि सफलता का वास्तविक पैमाना केवल यह नहीं है कि मशीन कितनी तेजी से काम करती है, बल्कि यह है कि वह पहली बार में कितनी बार सही उत्तर देती है और कितनी सुरक्षा के साथ जटिल कार्यों को संभालती है।

अंततः, यह प्रस्ताव एक परिकल्पना है कि बेहतर AI कैसे बनाया जाए। यह सुझाव देता है कि कृत्रिम बुद्धिमत्ता के विकास का अगला चरण केवल मॉडलों को बड़ा या अधिक शक्तिशाली बनाना नहीं है, बल्कि उनकी आंतरिक प्रक्रियाओं को अधिक अनुशासित बनाना है। प्रतिबिंब के लिए एक विराम और रिलीज के लिए एक सख्त गेट पेश करके, TME LLM OS का लक्ष्य ऐसे एजेंट बनाना है जो न केवल सक्षम हों बल्कि भरोसेमंद भी हों। यह निष्कर्ष निकालता है कि हालांकि यह प्रणाली चेतना के रहस्य को नहीं सुलझाती है, लेकिन यह ऐसी मशीनें बनाने का एक व्यावहारिक मार्ग प्रदान करती है जो अपनी गलतियों को सुधार सकती हैं, वास्तविकता में जमी हुई रह सकती हैं, और वास्तविक दुनिया में सुरक्षित रूप से कार्य कर सकती हैं। यह कार्य एक प्रस्ताव बना हुआ है, एक नए प्रकार के मशीन आर्किटेक्चर के लिए निर्देशों का एक सेट है जिसका अभी तक वर्तमान में उपयोग की जा रही सबसे उन्नत प्रणालियों के विरुद्ध पूरी तरह से परीक्षण और तुलना नहीं किया गया है।