आर्टिफिशियल इंटेलिजेंस (एआई) के नाटकीय उछाल ने भी अपने अनुप्रयोगों को संभव बनाने के लिए मशीनों को गुनगुनाते हुए देखा है।
विभिन्न समूहों में डेटा को अलग करने में सक्षम होने में उनकी उत्पत्ति से, एआई आज गिनती करने के लिए बहुत सारे कार्यों में उत्कृष्टता प्राप्त करता है। सिर्फ 2024 में, स्मार्टफोन को एआई मॉडल के साथ बेचा जाना शुरू कर दिया गया है, जबकि उन सात में से पांच पुरुषों ने जो 2024 के विज्ञान नोबेल पुरस्कार जीते थे, ने एआई में काम के लिए ऐसा किया।
जैसा कि होता है, एआई की उम्र भी एक समय होने का वादा करती है जिसमें वैज्ञानिक मानव मस्तिष्क के बारे में भी बहुत कुछ सीखेंगे। मौजूदा एआई मॉडल ज्यादातर जानवरों के दिमाग से प्रेरित होते हैं। चूंकि इन दिमागों का अध्ययन करना आसान नहीं है, इसलिए वैज्ञानिकों ने एआई मॉडल को एक प्रॉक्सी के रूप में देखा है।
मनुष्य कैसे सीखते हैं?
मशीनें उन चीजों पर उत्कृष्टता प्राप्त करती हैं जो अधिकांश मनुष्यों के लिए लगभग असंभव हैं, जिसमें बड़े डेटासेट का तेजी से विश्लेषण करना, जटिल पैटर्न की भविष्यवाणी करना, और एक दिन के भीतर एक ग्रैंडमास्टर की तरह शतरंज खेलना सीखना शामिल है। फिर भी न्यूरोसाइंटिस्ट कहते हैं कि वे उन कार्यों के साथ भी संघर्ष करते हैं जो मानव बच्चों को आसान लगते हैं, जैसे कि समझ को समझते हैं।
बर्कले ने कहा, “आज के एआई का विरोधाभास इस तथ्य से उपजा है कि मानव मस्तिष्क में एक विकासवादी, जैविक मूल और एआई नहीं है।” “यह संभावना है कि [for] असहाय संतान की देखभाल करने के लिए हमने जिस प्रकार की बुद्धिमत्ता को विकसित किया है, हमें एक बच्चे के इरादों को पढ़ने में सक्षम होने की आवश्यकता है जो एक चट्टान की ओर चल रहा है [or one] यह अभी तक खुद को खिलाने और यह कहने में सक्षम नहीं है कि वे भूखे हैं। ”
अर्जुन रामकृष्णन के अनुसार, आईआईटी-कानपुर में जैविक विज्ञान विभाग और बायोइंजीनियरिंग विभाग में सहायक प्रोफेसर, “मनुष्यों और जानवरों में सीखने के लिए क्या ड्राइव करते हैं” के दिल में, “तत्काल जैविक जरूरतों को पूरा करने और लगातार स्थानांतरित करने के लिए एक दोहरी ध्यान केंद्रित है। पर्यावरण।”
उन्होंने कहा, “संसाधनों को सुरक्षित करने और कभी बदलते वातावरण के सामने संतुलन बनाए रखने की आवश्यकता है,” उन्होंने कहा, “संभवतः परिष्कृत तंत्रिका तंत्र के विकास को बढ़ावा दिया, न केवल तत्काल जरूरतों के लिए सरल प्रतिक्रियाएं बल्कि जटिल सीखने और रणनीतिक निर्णय लेने के लिए भी क्षमताएं। ”
इस प्रकार सीखना केवल स्थिर जानकारी प्राप्त करने की एक प्रक्रिया नहीं है, बल्कि एक जीव और उसके पर्यावरण के बीच चल रही, गतिशील बातचीत है।
“मस्तिष्क, विकासवादी दबावों के आकार का, न केवल पूर्वानुमानित उत्तेजनाओं के लिए, बल्कि पर्यावरणीय उतार -चढ़ाव की अप्रत्याशितता के लिए भी अनुकूल होना चाहिए,” उन्होंने कहा। “यह जटिलता मनुष्यों और जानवरों की क्षमता को समझने और पर्यावरण और सामाजिक बातचीत में तेजी से बदलाव, अस्तित्व के लिए एक महत्वपूर्ण लाभ का जवाब देने की क्षमता में परिलक्षित होती है।”
इस प्रकार सीखना लंबी अवधि, इंटरैक्टिव है, और इसमें जीव की आंतरिक स्थिति और बाहरी चुनौतियों के बीच प्रतिक्रिया छोर शामिल हैं।
मनुष्य का ऊपरी हाथ
हीडलबर्ग लॉरेट फोरम में जीवविज्ञानी के अनुसार, जर्मनी में सितंबर 2024 में आयोजित एक बैठक, मशीनें उत्सुक नहीं हैं। किड ने मंच पर कहा, “एआई सिस्टम के विपरीत, बच्चे स्वाभाविक रूप से उत्सुक होते हैं, एक सामाजिक और सांस्कृतिक संदर्भ के भीतर एक साथ सीखते हुए दुनिया की खोज करते हैं।” “हमारी जिज्ञासा यह जानकर प्रेरित है कि हम क्या नहीं जानते हैं।”
किड के अनुसार, बच्चों को पता चलता है कि जब वे चाहते हैं कि यह एआई सिस्टम में खिलाए गए डेटा की तुलना में एक अलग प्रकार का है।
“एक सेब वाले बच्चे का एकल अनुभव Google फ़ोटो से एक छवि में एक Apple लेबल करने से बहुत अलग है। एक सेब के साथ एक बच्चे का अनुभव संवेदी है। वे सेब महसूस कर रहे हैं, वे सेब देख रहे हैं, यह बहुआयामी है। डेटा लोग प्राप्त कर रहे हैं, बहुत अमीर है। और ऐसे टन सहसंबंध हैं जिन्हें आप सीखने और सामान्यीकरण जैसी चीजों का लाभ उठाने के लिए उठा सकते हैं। ”
सहस्राब्दी पर इस तरह के आंकड़ों पर मानव मस्तिष्क और शरीर को ‘प्रशिक्षित’ किया गया है।
इस प्रकार, मानव शिक्षा को प्रवीणता के समान स्तर के साथ एक समस्या को हल करने के लिए बहुत कम डेटा की आवश्यकता होती है, आशेश धवले के अनुसार, सेंटर फॉर न्यूरोसाइंस, इंडियन इंस्टीट्यूट ऑफ साइंस, बेंगलुरु में डीबीटी वेलकम ट्रस्ट इंडिया एलायंस इंटरमीडिएट फेलो।
उदाहरण के लिए, हालांकि Google सहायक दीपमाइंड द्वारा विकसित अल्फाज़ेरो मॉडल किसी भी मानव खिलाड़ी की तुलना में शतरंज में बेहतर है, यह अपने प्रशिक्षण के दौरान लगभग 40 मिलियन गेम खेलने के बाद ही प्रवीणता के इस स्तर तक पहुंच गया, धावले ने कहा। “इसके विपरीत, यह अनुमान लगाया जाता है कि मनुष्यों को ग्रैंडमास्टर प्रवीणता तक पहुंचने के लिए कुछ दसियों हजार प्रशिक्षण खेलों की आवश्यकता होती है।”
रामकृष्णन ने कहा, “मानव के प्रमुख लाभों में से एक है जो मशीनों पर है, जो सीखने की गति और दक्षता में स्थित है।” “हम नई जानकारी को तेजी से अवशोषित कर सकते हैं, पिछले अनुभवों और ज्ञान पर एक लचीले, अनुकूली तरीके से निर्माण कर सकते हैं।”
व्यापक रिप्रोग्रामिंग के बिना पूर्व पाठों पर लगातार सुधार करने की यह क्षमता मनुष्यों को गतिशील वातावरण में एक महत्वपूर्ण बढ़त देती है जहां नई जानकारी और चुनौतियां लगातार उभरती हैं।
“ट्रांसफर लर्निंग” में मनुष्य भी उल्लेखनीय रूप से अच्छे हैं। रामकृष्णन ने कहा, “हम एक संदर्भ से ज्ञान और कौशल को पूरी तरह से अलग, अपरिचित परिदृश्यों को सापेक्ष आसानी से लागू कर सकते हैं।” सामान्यीकरण करने की यह क्षमता अभी भी मशीनों और कृत्रिम नेटवर्क के लिए एक महत्वपूर्ण चुनौती है, जो आमतौर पर संकीर्ण डोमेन तक सीमित होती है और बिना किसी रिट्रेनिंग के नए या अप्रत्याशित संदर्भों के अनुकूल होने के लिए संघर्ष करती है।
मानव मस्तिष्क में न्यूरॉन्स के बीच संचार जैव रासायनिक प्रक्रियाओं का रूप लेता है जो कृत्रिम तंत्रिका नेटवर्क में न्यूरॉन्स के बीच चैनलों की तुलना में अधिक धीरे -धीरे संचालित होते हैं, ब्रिगिट रोडर के अनुसार, हैम्बर्ग विश्वविद्यालय में जैविक मनोविज्ञान और न्यूरोसाइकोलॉजी के प्रोफेसर। फिर भी मानव मस्तिष्क अमूर्त और सामान्यीकरण का उपयोग करके आश्चर्यजनक रूप से तेजी से निर्णय लेता है जबकि मशीनें अभी भी ऐसा करने के लिए संघर्ष करती हैं।
धावले ने शतरंज के उदाहरण का इस्तेमाल किया। “यदि आप शतरंज में कुशल हैं, तो यह क्षमता संभवतः चेकर्स जैसे अन्य बोर्ड गेम तक पहुंच जाएगी। इसका मतलब यह है कि मनुष्य एक कार्य में अंतर्निहित संरचना को सीख सकते हैं और नए कार्यों को जल्दी से हल करने के लिए इसे सामान्य कर सकते हैं – अर्थात्, वे सीखना सीख सकते हैं, ”उन्होंने कहा।
शोधकर्ता अब इस प्रतिमान को मशीन लर्निंग में लाने का प्रयास कर रहे हैं, एक दृष्टिकोण जिसे मेटा लर्निंग कहा जाता है। यह संभावना नहीं है कि मशीनें यहां भी पकड़ लेंगी।
मनुष्य मोटर-कौशल सीखने में भी उत्कृष्टता प्राप्त करते हैं। धावले के अनुसार, “किसी तरह मनुष्य और जानवर सीखने में बहुत कुशल होते हैं कि कैसे स्थानांतरित करना है,” लेकिन हम नहीं जानते कि यह मामला क्यों है। “
न्यूरल नेटवर्क असतत विकल्पों से जुड़े कार्यों को नेविगेट करने में महान हैं, लेकिन वे आंदोलन से ठोकर खाते हैं। एक कारण यह है कि एक सरल गति बनाने में सक्षम होने के नाते, जैसे कि एक मेज पर एक फल के लिए पहुंचना, कई स्वतंत्र मापदंडों के लिए अनुकूलन करने के लिए एक सीखने वाले एजेंट की आवश्यकता होती है जो स्वतंत्रता के कई डिग्री में लगातार भिन्न होती है।
फिर ऊर्जा दक्षता है। रामकृष्णन के अनुसार, मानव मस्तिष्क की कम बिजली की खपत पैटर्न को पहचानने, निर्णय लेने और सामाजिक बातचीत का संचालन करते समय आसानी से स्पष्ट हो जाती है। मशीनें बहुत तेजी से काम कर सकती हैं, लेकिन उनकी ऊर्जा की खपत भी बहुत अधिक है, खासकर जब वे बड़े डेटासेट की प्रक्रिया करते हैं।
जहां मशीनें एक्सेल हैं
हालांकि, मशीनें अधिक विश्वसनीय हैं।
मशीनों के विपरीत, जो दोहराव के लिए बनाए गए हैं और लगातार सटीकता के साथ एक ही कार्य कर सकते हैं, मनुष्य थकान, भावनात्मक निर्णय लेने और ध्यान भंग करने के साथ संघर्ष करते हैं।
रामकृष्णन ने कहा, “जबकि हम अस्थिर, कभी बदलते वातावरण में काम करने के लिए डिज़ाइन किए गए हैं और हमारी खोज करने और अनुकूलन करने की हमारी क्षमता हमारी सबसे बड़ी ताकत में से एक है, यह लचीलापन अक्सर स्थिरता की कीमत पर आता है।”
मस्तिष्क के विपरीत, तंत्रिका नेटवर्क मॉडल को अक्सर जटिल कार्यों के समाधान के लिए पूरी तरह से खोज करने के लिए प्रशिक्षित किया जाता है, धावले ने समझाया। इसका मतलब है कि वे मनुष्यों की तुलना में समस्याओं के नए, बेहतर समाधान की खोज करने की अधिक संभावना रखते हैं। शतरंज और गो जैसे खेलों में, एआई मॉडल को ऐसे कदमों को विकसित करने के लिए जाना जाता है जो विशेषज्ञ खिलाड़ियों को भी आश्चर्यचकित करते हैं।
“कोई यह तर्क दे सकता है कि मनुष्यों द्वारा सीखने के लिए उपयोग की जाने वाली रणनीतियाँ अधिक कुशल हो सकती हैं, लेकिन सबसे इष्टतम समाधानों की खोज नहीं कर सकती हैं क्योंकि वे थकावट से खोज करने के लिए डिज़ाइन नहीं किए गए हैं।”
कृत्रिम से मानव तक
मानव और मशीन लर्निंग के बीच अंतर को स्पष्ट किया जा सकता है जहां प्रत्येक मस्तिष्क का तंत्रिका नेटवर्क – कृत्रिम या जैविक – कम हो जाता है।
रामकृष्णन ने कहा, “न्यूरॉन्स को अक्सर सरल रूप से बिंदु प्रक्रियाओं के रूप में व्यवहार किया जाता है जो विद्युत आवेगों के माध्यम से संवाद करते हैं, अनिवार्य रूप से ऑन/ऑफ मोड में काम करते हैं।” “इस रिडक्शनिस्ट दृष्टिकोण ने फिर भी हमें मौलिक सिद्धांतों को उजागर करने की अनुमति दी है जो जटिल संज्ञानात्मक व्यवहारों को रेखांकित करते हैं।”
इसके मूल में यह विचार है कि फीडबैक लूप सीखने को चलाता है। शोधकर्ताओं ने इसका उपयोग सुदृढीकरण सीखने को विकसित करने के लिए किया, एक प्रशिक्षण एल्गोरिथ्म जो रामकृष्णन के अनुसार, जीवों को अपने अनुभवों के आधार पर अपने ज्ञान को अपडेट करने और अनुकूलन करने में भी उल्लेखनीय रूप से सफल रहा है।
कृत्रिम तंत्रिका नेटवर्क के विकास ने भी हमारी समझ का विस्तार किया है कि कैसे यादों को मस्तिष्क में संग्रहीत और एक्सेस किया जा सकता है: गतिशील प्रक्रियाओं के रूप में जिन्हें विशेष क्षेत्रों में संरक्षित रहने के बजाय समय के साथ सक्रिय और समायोजित किया जा सकता है।
इस क्षमता के साथ कृत्रिम तंत्रिका नेटवर्क बेहतर प्रदर्शन कर सकते हैं। रामकृष्णन ने कहा, “कृत्रिम नेटवर्क में अल्पकालिक और दीर्घकालिक मेमोरी प्रक्रियाओं को संभालने वाले एल्गोरिदम का विकास हमें इस बात की गहरी समझ प्रदान करता है कि इन डोमेन में मस्तिष्क कैसे संचालित हो सकता है,” रामकृष्णन ने कहा।
मोटे तौर पर, वास्तविक दुनिया में एआई मॉडल की सफलताओं ने न्यूरोसाइंटिस्ट और संज्ञानात्मक वैज्ञानिकों को यह बताने के लिए प्रेरित किया है कि मानव मस्तिष्क कैसे सीखता है।
20 वीं शताब्दी के मध्य से कुछ समय के लिए, वैज्ञानिकों ने मान लिया कि मस्तिष्क ने प्रतीकात्मक तरीके से दुनिया के बारे में जानकारी का प्रतिनिधित्व किया और यह कि इसकी कई क्षमताएं-धारणा, योजना, तर्क आदि-प्रतीकात्मक संचालन के माध्यम से प्राप्त की गईं। एआई मॉडल के निर्माण में कई शुरुआती प्रयास इस प्रकार दृष्टिकोण का उपयोग करते हैं। एक प्रसिद्ध एप्लिकेशन विशेषज्ञ सिस्टम था, मॉडल इफ-तब समस्याओं की एक श्रृंखला के रूप में जटिल तर्क में सक्षम मॉडल।
दूसरी ओर, समकालीन तंत्रिका नेटवर्क एक नेटवर्क में नोड्स के बीच भारित कनेक्शन के लिए नामित कनेक्शनवादी मॉडल का संचालन करते हैं। ये मॉडल एक खाली स्लेट के साथ शुरू होते हैं और अपने प्राथमिक लक्ष्यों को प्राप्त करने के लिए पैटर्न मान्यता तकनीकों का उपयोग करते हैं: कहते हैं, एक अधूरे वाक्य में अगले शब्द का सही अनुमान लगाने के लिए।
“सवाल, इसलिए, यह है कि किस प्रकार का एआई – प्रतीकात्मक या कनेक्शनवादी – मानव सीखने के लिए बेहतर मॉडल है,” धावले ने कहा। “तंत्रिका नेटवर्क एआई मॉडल की सफलता के बावजूद, मुझे अभी भी लगता है कि वे बहुत अलग तरीके से सीखते हैं कि मनुष्य कैसे सीखते हैं।”
टीवी पद्म नई दिल्ली में एक विज्ञान पत्रकार हैं।
प्रकाशित – 06 फरवरी, 2025 05:30 AM IST
