2023 में AI के बारे में हमने जो बातें समझीं
2023 में बड़े भाषा मॉडल लोगों को कृत्रिम और मानव बुद्धिमत्ता दोनों पर फिर से सोचने के लिए प्रेरित कर रहे हैं: केवल पाठ-आधारित प्रणालियाँ कितनी दूर जा सकती हैं, वे मानव संज्ञान की बहु-स्तरीय प्रकृति के बारे में क्या उजागर करती हैं, और क्या डिजिटल मशीनें कभी पूरी तरह एनालॉग मस्तिष्कों की नकल कर सकती हैं। टिप्पणीकार भोलापन, ट्रांसफॉर्मर आर्किटेक्चर की सीमाएँ, “AI” बनाम “AGI” के अर्थ, और क्या वर्तमान प्रणालियाँ वास्तव में “समझती” हैं या केवल शक्तिशाली उपकरण हैं, जैसे तकनीकी और दार्शनिक प्रश्नों पर बहस करते हैं। अन्य लोग व्यावहारिक प्रभावों पर ध्यान देते हैं, कोड जनरेशन और रचनात्मक कार्य से लेकर इस बात तक कि LLMs सांस्कृतिक पूर्वाग्रहों को कैसे उजागर करते हैं और सामाजिक विज्ञानों तथा मानवता की विशिष्टता की हमारी भावना को कैसे बदल सकते हैं.
मानव बनाम मशीन बुद्धिमत्ता
- कई टिप्पणीकारों का तर्क है कि LLMs यह दिखाते हैं कि मानव संज्ञान भाषा पर कितना निर्भर करता है, लेकिन साथ ही यह भी कि उससे कहीं अधिक कुछ मौजूद है (दृश्य सोच, मोटर कौशल, भावना, बहु-मोडालिटी)।
- कुछ लोग मस्तिष्कों को बहु-स्तरीय बताते हैं: कुछ LLM-जैसा, साथ में दुनिया-भौतिकी मॉडल, तर्क, और प्रतीकात्मक विवेचन।
- व्यक्तिगत कहानियाँ (मस्तिष्क की चोट, ADHD, विकलांगताएँ) मानव लचीलेपन और क्षतिपूर्ति की तुलना LLMs की संकीर्ण, पाठ-आधारित क्षमताओं से करने के लिए इस्तेमाल की जाती हैं।
- अन्य लोग नोट करते हैं कि रोज़मर्रा का बहुत-सा मानव संवाद पहले से ही पुराने, रटे-रटाए स्क्रिप्टों की “LLM-जैसी निरंतरता” जैसा दिखता है।
एनालॉग बनाम डिजिटल, गणना की सीमाएँ
- एक पक्ष का दावा है कि मानव बुद्धिमत्ता मूलतः एनालॉग है और पूर्ण डिजिटल अनुकरण से परे है, इसके लिए कैंटर के विकर्ण तर्क और एक “कार्डिनैलिटी बाधा” का हवाला दिया जाता है।
- विरोधी जवाब देते हैं कि डिजिटल प्रणालियाँ भौतिक (गणनीय वास्तविक) प्रक्रियाओं का मनचाही सटीकता तक अनुमान कर सकती हैं; समस्या संभावना की नहीं, दक्षता की है।
- इस पर असहमति है कि क्या मस्तिष्क-समान बुद्धिमत्ता व्यावहारिक रूप से सिमुलेट की जा सकती है या केवल सिद्धांततः।
भोलापन और सत्य
- कुछ लोग मानते हैं कि भोलापन बेहतर प्रशिक्षण (काउंटरफैक्चुअल डेटा, RAG, तथ्य-जांच व्यवहार) से कम किया जा सकता है।
- अन्य का तर्क है कि ट्रांसफॉर्मर वास्तव में अर्थ को नहीं समझते, और भाषाओं के बीच असंगत व्यवहार तथा विरोधी प्रशिक्षण डेटा की आवृत्ति के प्रति संवेदनशीलता की ओर इशारा करते हैं।
- व्यापक सहमति है कि मनुष्य भी भोले होते हैं, जिससे “आदर्श मजबूती” एक बहुत कठिन लक्ष्य बन जाता है।
जटिलता, “ब्लैक बॉक्स,” और बुद्धिमत्ता
- यह नोट किया जाता है कि मूल LLM आर्किटेक्चर आश्चर्यजनक रूप से छोटे होते हैं (सैकड़ों पंक्तियाँ), यदि आप मौजूदा स्टैक्स को मान लें, हालांकि आलोचकों का कहना है कि इससे आसपास का विशाल इकोसिस्टम छिप जाता है।
- इस पर बहस है कि क्या LLMs “ब्लैक बॉक्स” हैं: गणित और कोड समझे जाते हैं, लेकिन उभरता हुआ बुद्धिमत्ता-जैसा व्यवहार पूरी तरह समझाया नहीं जा सकता।
- कुछ लोग ज़ोर देते हैं कि LLMs केवल शक्तिशाली उपकरण हैं, “स्मार्ट” नहीं, और शतरंज इंजनों से तुलना करते हैं जो अमानवीय, “कचरा” शैली में खेलते हैं, फिर भी अपराजेय रहते हैं।
AI बनाम AGI, शब्दावली और सामाजिक प्रभाव
- इस पर लगातार असहमति है कि “AI” में ML/LLMs शामिल होने चाहिए या इसे मानव-स्तर/AGI तक सीमित रखना चाहिए; कई लोग नोट करते हैं कि AI ऐतिहासिक रूप से व्यापक रहा है।
- LLMs को ऑनलाइन संस्कृति के दर्पण के रूप में देखा जाता है: कच्चा प्रशिक्षण डेटा बनाम बाद की गार्डरेल्स सामाजिक संघर्षों और सेंसरशिप की इच्छाओं को उजागर करते हैं।
- चर्चा ट्यूरिंग टेस्ट, दार्शनिक ज़ॉम्बियों, और इस बात तक पहुँचती है कि क्या वर्तमान प्रणालियाँ वास्तव में मानव असाधारणता को चुनौती देती हैं या मुख्यतः बुद्धिमत्ता की पुरानी अवधारणाओं की सीमाएँ उजागर करती हैं।
कोडिंग और काम के लिए LLMs
- कुछ लोग चेतावनी देते हैं कि “बस कोड चलाकर देख लो कि सही है या नहीं” भ्रामक है; मानसिक मॉडल और सावधानीपूर्वक समीक्षा अभी भी आवश्यक हैं।
- अन्य रिपोर्ट करते हैं कि LLMs व्याख्या, रीफैक्टरिंग, और टेस्ट-लिखने में काफी मदद करते हैं, लेकिन वे कच्ची गति से अधिक गुणवत्ता पर ज़ोर देते हैं।