स्थिति: LLMs छलांग नहीं लगा सकते
एक स्थिति-पत्र, जो तर्क देता है कि बड़े भाषा मॉडल आइंस्टीन जैसी “अंतर्ज्ञान की छलांग” नहीं लगा सकते, इस पर बहस छेड़ रहा है कि क्या मौजूदा AI सिस्टम मूलतः पैटर्न-मिलान और निगमन तक सीमित हैं। टिप्पणीकार इस दावे पर सवाल उठाते हैं कि अपहरणात्मक, दुनिया बदल देने वाली अंतर्दृष्टियों के लिए संवेदी ग्राउंडिंग या भौतिक अंतर्ज्ञान आवश्यक है, और multimodal models, agentic systems, तथा हाल के गणितीय परिणामों को यह संकेत मानते हैं कि क्षमताएँ आगे भी बढ़ सकती हैं। कई लोगों के लिए असली खुला प्रश्न यह है कि ऐसी “छलांगों” को कठोरता से कैसे परिभाषित और मापा जाए, और क्या उन्हें हासिल करने के लिए सिर्फ बड़े LLMs नहीं बल्कि भविष्य की architectures या training regimes की भी ज़रूरत होगी।
“LLMs छलांग नहीं लगा सकते” दावे का दायरा
- थ्रेड इस बात पर केंद्रित है कि क्या मौजूदा LLMs सामान्य सापेक्षता की प्रमुख अंतर्दृष्टियों जैसी “अपहरणात्मक” छलांगें (नई आधारभूत परिकल्पनाएँ) लगा सकते हैं।
- कई लोगों का तर्क है कि पेपर मुख्यतः एक स्थिति-पत्र है, जिसे मात्रात्मक बेंचमार्क या “जंपिंग” की स्पष्ट संचालनात्मक परिभाषा का समर्थन नहीं मिलता।
- कुछ लोगों को induction बनाम deduction बनाम abduction की रूपरेखा पसंद है, लेकिन वे सवाल उठाते हैं कि क्या abduction इतनी अच्छी तरह परिभाषित है कि “संरचनात्मक अक्षमता” के दावे उचित ठहराए जा सकें।
संवेदी ग्राउंडिंग, विश्व मॉडल, और अंतर्ज्ञान
- एक तर्क यह है कि बड़े सैद्धांतिक छलांगें (जैसे सापेक्षता) देहधारी, संवेदी-आधारित विचार प्रयोगों पर निर्भर थीं; टेक्स्ट-ओनली LLMs में यह नहीं है।
- प्रतिवाद:
- मनुष्य गणित और CS में बिना सीधे संवेदी संबंध के अमूर्त छलांगें लगाते हैं।
- LLMs टेक्स्ट-आधारित विचार प्रयोग चला सकते हैं और किसी हद तक भौतिकी की सहज-समझ संभालते हैं।
- टूल्स या सिमुलेटर वाले मल्टीमॉडल मॉडल और एजेंटिक सिस्टम पहले से ही विश्व मॉडल्स का अनुमानित रूप दे सकते हैं।
- कई टिप्पणीकार मानते हैं कि समर्पित world models और भौतिक फीडबैक लूप आशाजनक हैं, लेकिन सामान्य तर्क के लिए मौजूदा परिणाम मिश्रित या “दयनीय” हैं।
ऐतिहासिक और भौतिकी संबंधी बारीकियाँ
- कई टिप्पणीकार तर्क देते हैं कि पेपर सापेक्षता, Lorentz transformations, और Einstein के प्रभावों के इतिहास को बहुत सरल कर देता है।
- इस पर बहस कि equivalence principle वास्तव में कितना “सहज” है; कुछ इसे स्पष्ट मानते हैं, जबकि अन्य इसे गहराई से प्रतिअंतर्ज्ञानी देखते हैं।
- व्यापक बिंदु: बहुत-सी महान सफलताएँ किसी सक्रिय शोध-इकोसिस्टम पर धीरे-धीरे बनी थीं, न कि अकेली रहस्यमय छलांगें थीं।
प्रायोगिक परीक्षण और डेटा/समय की सीमाएँ
- सुझाए गए प्रयोग:
- एक आधुनिक LLM को केवल pre‑1980/1990 या Victorian-era टेक्स्ट पर ट्रेन करें और देखें कि क्या वह LLMs या आधुनिक भौतिकी को “पुनः आविष्कार” कर सकता है।
- भविष्य के LLMs (पुराने cutoffs के साथ) का उपयोग करके हाल के “jump” पेपरों को पुन: उत्पन्न करें।
- बताई गई चुनौतियाँ: इंटरनेट-पूर्व प्रशिक्षण डेटा की कमी, आधुनिक अवधारणाओं का leakage, और ऐतिहासिक दस्तावेज़ों के संरक्षित रहने में retrospective bias।
क्षमताएँ, सीमाएँ, और “goalpost shifting”
- कुछ लोगों का तर्क है कि हर पिछले “LLMs नहीं कर सकते…” का अंत “LLMs कर सकते हैं, खराब ढंग से, फिर scale के साथ बेहतर” में हुआ है, इसलिए व्यापक असंभवता के दावे संदिग्ध हैं।
- अन्य लोग ज़ोर देते हैं कि वर्तमान में स्पष्ट सीमाएँ हैं: लंबे गणितीय proofs, unsupervised codebase maintenance, विश्वसनीय self-generated training data (model collapse), और humor या science में वास्तविक novelty।
- कई लोग LLMs को शक्तिशाली “language calculators” मानते हैं जो मानवीय अंतर्ज्ञान और रचनात्मकता को बढ़ाते हैं, न कि उन्हें प्रतिस्थापित करते हैं; मनुष्य+LLMs मिलकर छलांगें लगा सकते हैं, भले ही मॉडल अकेले न कर सकें।