बुद्धिमान दृश्य निगमनात्मक तर्क से हम कितनी दूर हैं?
वर्तमान दृश्य LLM क्षमताएँ
- GPT-4-Vision और इसी तरह के मॉडल छवियों को टैग करने और कैप्शन देने जैसे व्यावहारिक कार्यों में आश्चर्यजनक रूप से अच्छा प्रदर्शन करते हैं।
- जब उन्हें विषयगत या मूल्यांकनात्मक भाषा से दूर रखा जाए, तो वे फ़ोटो में लोगों का वस्तुनिष्ठ वर्णन कर सकते हैं, हालांकि सुरक्षा फ़िल्टर कभी-कभी “नखरे” दिखा सकते हैं।
- जटिल दृश्यों पर (जैसे, कम पुल के नीचे पोर्टा-पॉटीज़ वाला ट्रक, पीछे कन्वर्टिबल), मॉडल खतरे का पता लगा सकते हैं और कभी-कभी स्लैपस्टिक परिणाम भी समझ सकते हैं, लेकिन अक्सर उन्हें मज़बूत संकेतों की ज़रूरत होती है और वे प्रमुख तत्वों (कार्गो, ओवरपास, हास्य) को चूक सकते हैं।
दृश्य निगमनात्मक तर्क की सीमाएँ
- मॉडल अनिश्चित होने पर भी उत्तर देने की प्रवृत्ति रखते हैं, और अक्सर यह स्वीकार करने के बजाय कि उन्हें जानकारी नहीं है, आत्मविश्वासी लेकिन निरर्थक तर्क प्रस्तुत करते हैं।
- वे अक्सर वस्तुओं के बीच पूरे अंतःक्रिया या अंतर्निहित कथा (“अब आगे क्या होने वाला है?” या “यहाँ मज़ेदार क्या है?”) को समझने में असफल रहते हैं।
आत्मविश्वास, शुद्धता, और अधिगम सिद्धांत
- इस पर चर्चा कि न्यूरल नेट “आत्मविश्वास” का अनुमान कैसे लगा सकते हैं: आउटपुट टोकन संभावनाएँ, उप-नेटवर्कों या बार-बार किए गए पासों के बीच सहमति, या बाहरी तथ्य-जांच।
- कई टिप्पणियाँ तर्क देती हैं कि, डिज़ाइन के अनुसार, प्रायिकतावादी मॉडल (PAC/BPP) सामान्य मामले में विश्वसनीय रूप से यह नहीं जान सकते कि वे कब गलत हैं।
- “Dunning–Kruger” को लेबल के रूप में उपयोग करने पर असहमति; कुछ इसे गलत जगह पर लगाया गया रूपक मानते हैं।
वास्तुकलाएँ और बहु-माध्यमिता
- वर्तमान दृष्टि–भाषा मॉडल को “Frankenstein” प्रणालियों के रूप में देखा जाता है जिनमें अलग-अलग विज़न मॉड्यूल एम्बेडिंग्स को LLM में फीड करते हैं।
- कुछ लोग एकल डिकोडर-ओनली ट्रांसफ़ॉर्मर के पक्ष में तर्क देते हैं, जिसे पाठ और छवि टोकन पर संयुक्त रूप से प्रशिक्षित किया जाए, और उससे अधिक समृद्ध व्यवहारों की अपेक्षा करते हैं (लोगो से SVG, बेहतर ASCII art, छवियों से अधिक संरचित कोड)।
- वीडियो अभी भी कठिन है: प्रणालियाँ कुछ फ़्रेम सैंपल करती हैं, जबकि self-driving stacks अनुकूलित, कार्य-विशिष्ट पाइपलाइनों का उपयोग करते हैं।
सांख्यिकीय बनाम प्रतीकात्मक बुद्धिमत्ता
- इस पर तीखी बहस कि क्या पूरी तरह सांख्यिकीय प्रणालियाँ कभी मानव-स्तरीय बुद्धिमत्ता तक पहुँच सकती हैं।
- आलोचक कहते हैं कि वर्तमान ML अधिकतर (Q, A) जोड़ों का “परिष्कृत संपीड़न” है, न कि वास्तविक समझ या कारणात्मक मॉडलिंग।
- अन्य लोग प्रत्युत्तर देते हैं कि मस्तिष्क भी कणों पर आधारित विशाल सांख्यिकीय प्रणालियाँ हो सकते हैं; “सब कुछ आँकड़े हो सकते हैं।”
- ज्ञान निरूपण, कारणात्मक तर्क, संकर प्रतीकात्मक–न्यूरल प्रणालियों, और व्याख्येय, तर्क-उत्पादक AI पर नए सिरे से काम करने की बार-बार मांग की जाती है।
बेंचमार्क और कार्य-विशिष्ट समाधान
- Raven’s Progressive Matrices और ARC बेंचमार्क: मनुष्य ≈80% बनाम सर्वोत्तम मॉडल ≈25%।
- साधारण, हाथ से बनाए गए heuristics (जैसे, पंक्ति/स्तंभ योग, XOR masks) कुछ दृश्य IQ परीक्षणों को कुछ ही पंक्तियों के कोड में लगभग हल कर सकते हैं, जिससे संकेत मिलता है कि इन बेंचमार्क को मानव-सदृश तर्क के बिना भी “गेम” किया जा सकता है।
- GPT-4 कुछ अमूर्त तर्क कार्यों में बेहतर करता है जब उन्हें 1D, पाठ-आधारित समस्याओं के रूप में पुनः प्रस्तुत किया जाता है।
- विशिष्ट image-token prediction मॉडल इनपेंटिंग के रूप में RPM-जैसे कार्यों को संभाल सकते हैं, जिससे पता चलता है कि निरूपण प्रारूप बहुत महत्वपूर्ण है।
Self-driving और वास्तविक दुनिया के निहितार्थ
- ड्राइविंग के लिए end-to-end learning के कुछ पूर्व संशयवादी अब दृश्य मॉडलों की उभरती क्षमता—“आगे क्या होता है” अनुमान लगाने की—को इस बात का संकेत मानते हैं कि यह अंततः काम कर सकता है।
- अन्य लोग वर्तमान autonomous driving विफलताओं की ओर ध्यान दिलाते हैं और तर्क देते हैं कि सुरक्षा-महत्त्वपूर्ण निर्णयों (जैसे, टक्करों में tradeoffs) के लिए पैटर्न पहचान से अधिक की आवश्यकता है, जिससे नैतिक और डिज़ाइन संबंधी प्रश्न उठते हैं।
रचनात्मकता और अनुप्रयोग
- शुरुआती image models कभी-कभी अजीब, मानव-जैसे नहीं लगने वाले art उत्पन्न करते थे; कुछ लोग अफ़सोस जताते हैं कि प्रगति ने प्रणालियों को अधिक “safe” face-swap–शैली की छवियों की ओर धकेल दिया है, हालांकि अन्य कहते हैं कि रचनात्मक आउटपुट अभी भी संभव हैं।
- व्यावहारिक उपयोगों में बड़े दृश्य कॉर्पस के माध्यम से अस्पष्ट वास्तविक-दुनिया की वस्तुओं (जैसे, आंशिक रूप से डूबी हुई गाड़ियाँ) की पहचान शामिल है।