प्रश्न और उत्तर: जिस मार्ग से AI ने अराजक मानव मन को मॉडलिंग करना सीखा
एमआईटी इतिहासकार Benjamin Lindquist आधुनिक AI भ्रमों को 20 वीं शताब्दी के मध्य इंजीनियरिंग विचारों से जोड़ता है जिसने neural networks में यादृच्छिकता जोड़ी। शुरुआती शोधकर्ताओं का मानना था कि आश्चर्य और तर्कहीनता मानव रचनात्मकता की नकल कर सकती है, बुद्धिमान सोच के हिस्से के रूप में उपयोगी त्रुटियों का इलाज करती है। हालांकि प्रतीकात्मक AI बाद में हावी हो गया, लेकिन neural networks ने आधुनिक डेटा और कंप्यूटिंग के साथ लौटने से पहले संज्ञानात्मक विज्ञान में स्थानांतरित होकर जारी रखा। लिंडक्विस्ट अलौकिक कल्पनाओं को सरल दोष नहीं बल्कि एक स्थायी व्यापार-बदलाव मानती हैः वही तंत्र जो रचनात्मक छलांग का समर्थन करते हैं वे पूर्वानुमान को भी कम करते हैं।
मुख्य जानकारी
- AI भ्रम प्रारंभिक कंप्यूटिंग विचारों में निहित है जो जानबूझकर मानव रचनात्मकता की नकल करने के लिए यादृच्छिकता को जोड़ते हैं।
- 20 वीं शताब्दी के मध्य में शोधकर्ताओं ने अजीब या अप्रत्याशित परिणामों को महत्व दिया क्योंकि वे अव्यवस्थित मानसिक प्रक्रियाओं का खुलासा कर सकते थे।
- Symbolic AI एक बार हावी हो गया था, लेकिन neural networks बड़े डेटा के साथ और computing power के आसपास 2012 मजबूत रूप से लौट आया।
- Modern AI सिस्टम विश्वसनीयता, कानूनी और वाणिज्यिक कारणों से असामान्य आउटपुट को दबाते हैं, इसलिए नहीं कि प्रवृत्ति गायब हो गई है।
- भ्रमों को कम करने से रचनात्मक आश्चर्य भी कम हो सकता है, जो पूर्वानुमान और नवाचार के बीच एक स्थायी व्यापार-बंद को दर्शाता है।
Meta Description: एमआईटी इतिहासकार Benjamin Lindquist का कहना है कि शुरुआती AI इंजीनियरों ने रचनात्मकता की नकल करने के लिए यादृच्छिकता जोड़ी, आज के AI भ्रम को पुराने व्यापार-बंद से बांध दिया।
टैगः AI भ्रम, neural networks , जनरेटिव AI, कंप्यूटिंग का इतिहास, यादृच्छिकता
विशेष चित्र: एक मित्रवत अमूर्त दृष्टांत जो शाखाओं वाले तंत्रिका मार्गों, यादृच्छिकता की छोटी-छोटी चिंगारियों और धीरे-धीरे सीधी होने वाली साफ रेखा को दिखा रहा है।
पाठकों के लिए यह समझने की कोशिश कर रहे हैं कि जनरेटिव AI कभी-कभी अजीब जवाब क्यों पैदा करता है, AI हालिया मॉडल दोषों की तुलना में भ्रम की गहराई हो सकती है। पास्ट एंड प्रेजेंट में एक नए पेपर में Benjamin Lindquist, द MIT History Section में एक सहायक प्रोफेसर, लिखते हैं कि जेनरेटिव AI मॉडल 20 वीं शताब्दी के मध्य के इंजीनियरिंग विचारों में निहित हैं जो एक मशीन के लिए कुछ हद तक तर्कहीनता को आवश्यक मानते थे जो एक इंसान की तरह सोच सकता था। लिंडक्विस्ट, जिनके पास कंप्यूटिंग और सूचना विज्ञान विभाग Electrical Engineering और Computer Science के बीच साझा स्थिति है और सूचना और Decision Systems के लिए प्रयोगशाला में मुख्य अन्वेषक हैं, वर्णन करते हैं कि कैसे शुरुआती AI अग्रदूतों ने जानबूझकर algorithms में यादृच्छिकता का इंजेक्शन लगाया जिसे निर्धारक रूप से समस्याओं को हल करने के लिए डिज़ाइन किया गया था।
शुरुआती इंजीनियरों को आश्चर्य की आवश्यकता क्यों थी
लिंडक्विस्ट के अनुसार, वैज्ञानिकों और कलाकारों ने लंबे समय से मौलिक विचारों की खोज करने और उत्पन्न करने के लिए संयोग को केंद्रीय माना है। उनके लिए रचनात्मकता में आश्चर्यजनक तार्किक छलांग शामिल हैं, या एक सपने जैसी स्थिति जो लोगों को नए कोणों से चीजों को देखने देती है।
1950 के दशक की शुरुआत में, John Pierce , एक प्रमुख इलेक्ट्रिकल इंजीनियर ने Bell Labs, इस लोकप्रिय विचार को बढ़ावा दिया कि गणित कला में मूल्यवान हो सकता है। प्रारंभिक कंप्यूटिंग में काम करने वाले कई लोगों ने उस दृष्टिकोण को साझा किया। हालांकि गणितीय कला अक्सर साफ-सुथरे, सटीक पैटर्न से जुड़ी होती है, पियर्स विपरीत निष्कर्ष पर पहुंचे। उनके लिए, गणित उपयोगी था क्योंकि यह कला से आदेश ले सकता था। जानबूझकर उपयोग किए जाने पर, गणित अचानक अनियमित तत्व इंजेक्ट कर सकता है, परिचित पैटर्न तोड़ सकता है और ऐसी स्थितियां बना सकता है जहां अंतर्दृष्टि दिखाई दे सकती है।
भविष्यवाणी करने योग्य कंप्यूटरों में अनियमितता जोड़ने के लिए एक लोकप्रिय विधि कृत्रिम neural networks थी, जिसमें यादृच्छिक संस्करण भी शामिल थे। मनोवैज्ञानिकों ने पहले कई neural networks का निर्माण किया था। उन्हें उम्मीद थी कि मस्तिष्क मॉडल शोधकर्ताओं को उपयोगी त्रुटियों सहित आंतरिक मानसिक गतिविधि देखने की अनुमति देगा। मन को ब्लैक बॉक्स के रूप में व्यवहार करने के बजाय, शोधकर्ताओं ने आशा व्यक्त की कि ये सिस्टम उस बॉक्स को खोल सकते हैं और विचार के पीछे गन्दा प्रक्रियाओं को प्रकट कर सकते हैं।
एक दूसरे शिविर ने तर्क दिया कि रचनात्मक सोच केवल सामान्य सोच थी जो बेहतर तरीके से की जाती है। लिंडक्विस्ट इनका वर्णन बुद्धिमत्ता और रचनात्मकता को समझने के लिए दो सरल heuristics के रूप में करते हैं, और कहते हैं कि वे करते हैं और जाल नहीं बनाते हैं। बहस इस बात पर केंद्रित है कि मानव आविष्कार क्या होता है और इसे मशीन फॉर्म में कैसे पुनर्निर्मित किया जाए।
प्रयोगशाला प्रयोगों से प्रतीकात्मक AI और वापस
neural networks ने 1950 के दशक में समस्याओं को हल करने के लिए यादृच्छिकता का उपयोग करना शुरू कर दिया था, लेकिन वे जल्दी से पक्षपातपूर्ण हो गए। Frank Rosenblatt, एक मनोवैज्ञानिक और प्रमुख प्रारंभिक आंकड़ा, 2003 में अपने 43 वें जन्मदिन पर एक दुर्घटना में समय से पहले मर गया 1971 लिंडक्विस्ट उसे करिश्माई और सशक्त कहते हैं, और कहते हैं कि उन्होंने कई भव्य वादे किए थे कि neural network सिस्टम क्या कर सकते हैं। जब तक उनकी मृत्यु नहीं हुई, प्रतीकात्मक AI पहले से ही बढ़ रहा था, और लिंडक्विस्ट सुझाव देता है कि यदि वह जीवित रहते तो घटनाएं अलग तरह से चल सकती थीं।
Symbolic AI , एक विशिष्ट प्रकार का AI, लंबे समय तक प्रमुख दृष्टिकोण था। यह दुनिया को नियमों के सेट के रूप में मानता है। शोधकर्ता का काम तथ्यों और प्रस्तावों का उपयोग करके दुनिया के ज्ञान का पुनर्निर्माण करना है, फिर उस संरचना को कंप्यूटर में रखना है।
लेकिन neural networks कभी गायब नहीं हुआ। 1980 के दशक तक, वे संज्ञानात्मक विज्ञान में अधिक स्थानांतरित हो गए थे। अधिक शक्तिशाली और उपयोगी बनने के लिए, उन्हें बड़ी मात्रा में डेटा और कम्प्यूटेशनल शक्ति की आवश्यकता थी। लिंडक्विस्ट ने अपने बाद के उदय को internet के आगमन से जोड़ा, जब डेटा व्यापक रूप से उपलब्ध हो गया और कंप्यूटिंग क्षमता का विस्तार किया गया। 2012 के आसपास, neural networks ने machine learning के एक सांख्यिकीय रूप से बेहतर प्रदर्शन करना शुरू कर दिया था, और वे बढ़ते रहे।
क्यों आज के AI सिस्टम अजीबता को दबाते हैं
आज, लोग अक्सर ChatGPT या Claude जैसे प्रणालियों के बारे में सोचते हैं,AI और वे उन्हें महत्व देते हैं क्योंकि वे आमतौर पर सही उत्तर देते हैं। लिंडक्विस्ट ने प्रारंभिक इतिहास में एक उलटफेर पाया: कई शुरुआती समर्थकों को सिस्टम ठीक इसलिए पसंद आया क्योंकि उन्होंने कभी-कभी अपेक्षाओं से विचलित होने वाले जवाब दिए थे। उनके पास पहले से ही ऐसी मशीनें थीं जो उचित, अपेक्षित प्रतिक्रियाएं प्रदान कर सकती थीं। उन्होंने neural networks को तब मूल्यवान देखा जब उन नेटवर्कों ने अप्रत्याशित, यहां तक कि अजीब या विचित्र, उत्तर दिए।
यह अंतर इन प्रणालियों के संचालन को प्रतिबिंबित कर सकता है। प्रारंभिक neural networks प्रयोगशालाओं तक ही सीमित थे, इसलिए अजीब या गलत आउटपुट का वास्तविक दुनिया में बहुत कम परिणाम था। अब, लिंडक्विस्ट कहते हैं कि कानूनी और मौद्रिक कारण हैं कि क्यों OpenAI या Anthropic एक chatbot नहीं चाहते हैं जो अप्रत्याशित या रचनात्मक उत्तर देता है। उनके कहने में, आधुनिक प्रणालियाँ धीरे-धीरे विचित्रता की चिकनाई से गुजर चुकी हैं। वह क्षमता अभी भी अपने मूल में मौजूद हो सकती है, लेकिन अब इसे काफी हद तक दबा दिया गया है।
इतिहास डेवलपर्स को क्या चेतावनी देता है
लिंडक्विस्ट ने जो सबक निकाला है वह सावधान करने वाला है। शुरुआती इंजीनियरों के विचारों और अनुभवों से पता चलता है कि डेवलपर्स भ्रम को मिटाने की दिशा में काम कर सकते हैं, जिससे अप्रत्याशित या अवांछित उत्तरों से बचा जा सके। लेकिन, उनका तर्क है कि इसके अन्य परिणाम होंगे। वे ऐतिहासिक आंकड़े कुछ पर थेः आश्चर्यजनक और रचनात्मक निष्कर्षों AI के बीच एक संबंध है और यह उत्पन्न होने वाली त्रुटियों या मतिभ्रम का कारण बन सकता है।
पाठकों के लिए, इसका मतलब यह है कि सवाल केवल इतना ही नहीं है कि AI कम गलत कैसे किया जाए, बल्कि जब यह कम आश्चर्यजनक हो जाता है तो क्या खोया जा सकता है। एक या दूसरे तरीके से व्यवहार करने के लिए सिस्टम बनाने में व्यापार शामिल होता है। लिंडक्विस्ट का सुझाव है कि स्पेक्ट्रम के किसी भी छोर पर पूरी तरह से होना असंभव हो सकता है; जब काम को एक लक्ष्य की ओर मजबूती से धकेल दिया जाता है, तो कुछ और अनजाने में बलिदान कर सकते हैं।
Comments (0)