साइकोमेट्रिक कृत्रिम सामान्य बुद्धिमत्ता का मामला

1. विषय सूची

• 2. परिचय
• 3. मुख्य अंतर्दृष्टि: साइकोमेट्रिक प्रतिमान बदलाव
• 4. तार्किक प्रवाह: संकीर्ण AI से सामान्य बुद्धिमत्ता तक
• 5. शक्तियाँ और कमज़ोरियाँ: AGI परीक्षणों का आलोचनात्मक मूल्यांकन
• 6. कार्रवाई योग्य अंतर्दृष्टियाँ: भविष्य की दिशाएँ
• 7. तकनीकी विवरण और गणितीय सूत्रीकरण
• 8. प्रायोगिक परिणाम और बेंचमार्क विश्लेषण
• 9. विश्लेषणात्मक ढाँचा: ARC का केस स्टडी
• 10. भविष्य के अनुप्रयोग और संभावनाएँ
• 11. मूल विश्लेषण और टिप्पणी
• 12. संदर्भ

2. परिचय

मार्क मैकफ़र्सन (बोर्नमाउथ विश्वविद्यालय, 2020) द्वारा लिखित पेपर "द केस फ़ॉर साइकोमेट्रिक आर्टिफ़िशियल जनरल इंटेलिजेंस" कृत्रिम सामान्य बुद्धिमत्ता (AGI) को मापने के लिए मौजूदा बेंचमार्क और परीक्षणों की आलोचनात्मक समीक्षा करता है। लेखक का तर्क है कि वर्तमान AI प्रणालियाँ, गो, स्टारक्राफ्ट और चिकित्सा निदान जैसे संकीर्ण क्षेत्रों में मानव-श्रेष्ठ प्रदर्शन प्राप्त करने के बावजूद, मानव बुद्धिमत्ता की अनुकूलनशीलता और सामान्यीकरण क्षमताओं में कमी रखती हैं। मुख्य थीसिस यह है कि साइकोमेट्रिक दृष्टिकोण, विशेष रूप से चोलेट द्वारा प्रस्तावित एब्स्ट्रैक्शन एंड रीज़निंग कॉर्पस (ARC), AGI का पता लगाने और मापने के लिए सबसे आशाजनक मार्ग प्रदान करते हैं।

3. मुख्य अंतर्दृष्टि: साइकोमेट्रिक प्रतिमान बदलाव

इस पेपर की मूलभूत अंतर्दृष्टि यह है कि AGI को मापने के लिए कार्य-विशिष्ट बेंचमार्क से साइकोमेट्रिक ढाँचों की ओर एक प्रतिमान बदलाव की आवश्यकता है जो सामान्य संज्ञानात्मक क्षमताओं का आकलन करते हैं। लेखक का तर्क है कि पारंपरिक AI बेंचमार्क (जैसे, गेम खेलना, छवि वर्गीकरण) अपर्याप्त हैं क्योंकि वे सामान्य बुद्धिमत्ता के बजाय संकीर्ण, डोमेन-विशिष्ट प्रदर्शन को मापते हैं। मानव बुद्धिमत्ता परीक्षण से प्रेरित साइकोमेट्रिक दृष्टिकोण, कार्य-विशिष्ट प्रशिक्षण के बिना विविध डोमेन में नई समस्याओं को हल करने की क्षमता को मापने पर केंद्रित है।

4. तार्किक प्रवाह: संकीर्ण AI से सामान्य बुद्धिमत्ता तक

पेपर एक स्पष्ट तार्किक प्रगति का अनुसरण करता है:

1. समस्या की पहचान: वर्तमान AI प्रणालियाँ संकीर्ण और भंगुर हैं, जब वातावरण प्रशिक्षण स्थितियों से थोड़ा भी विचलित होता है तो वे विफल हो जाती हैं।
2. AGI की परिभाषा: सामान्य बुद्धिमत्ता को कई डोमेन में कार्य करने की क्षमता के रूप में परिभाषित किया गया है, जिसमें निर्माण के समय अज्ञात कार्य भी शामिल हैं।
3. मौजूदा परीक्षणों की समीक्षा: लेखक मिखाइलोव्स्की द्वारा प्रस्तावित छह परीक्षणों (व्याख्या, समस्या-निर्धारण, खंडन, नई घटना भविष्यवाणी, व्यवसाय निर्माण, सिद्धांत निर्माण) और चोलेट के ARC बेंचमार्क का मूल्यांकन करता है।
4. आलोचनात्मक मूल्यांकन: प्रत्येक परीक्षण का मूल्यांकन सामान्यता, निष्पक्षता, मापनीयता और धोखाधड़ी के प्रतिरोध जैसे मानदंडों के विरुद्ध किया जाता है।
5. सिफारिश: साइकोमेट्रिक दृष्टिकोण, विशेष रूप से ARC, को सबसे आशाजनक दिशा के रूप में पहचाना गया है।

5. शक्तियाँ और कमज़ोरियाँ: AGI परीक्षणों का आलोचनात्मक मूल्यांकन

5.1 साइकोमेट्रिक दृष्टिकोणों की शक्तियाँ

• सामान्यता: ARC कार्यों में डोमेन-विशिष्ट ज्ञान के बजाय अमूर्त पैटर्न के बारे में तर्क करने की आवश्यकता होती है।
• निष्पक्षता: प्रदर्शन को अनदेखे कार्यों पर सफलता से मापा जाता है, जिससे पूर्वाग्रह कम होता है।
• मापनीयता: ARC डेटासेट में 800 कार्य हैं, जो मजबूत सांख्यिकीय विश्लेषण की अनुमति देते हैं।

5.2 कमज़ोरियाँ और सीमाएँ

• मिखाइलोव्स्की के परीक्षण: व्याख्या, सिद्धांत निर्माण और व्यवसाय निर्माण परीक्षण बहुत अधिक मानव-केंद्रित हैं और उन्हें निष्पक्ष रूप से स्वचालित करना कठिन है। उन्हें मानव-स्तरीय रचनात्मकता और वास्तविक दुनिया की बातचीत की आवश्यकता होती है, जो AGI के लिए आवश्यक नहीं हो सकती है।
• ARC की सीमाएँ: आशाजनक होते हुए भी, ARC मुख्य रूप से दृश्य तर्क पर केंद्रित है और बुद्धिमत्ता के अन्य आयामों (जैसे, सामाजिक, भाषाई या भौतिक तर्क) को शामिल नहीं कर सकता है।
• अस्थायी गतिशीलता का अभाव: अधिकांश परीक्षण स्थिर हैं और समय के साथ सीखने या बदलते वातावरण में अनुकूलन का आकलन नहीं करते हैं।

6. कार्रवाई योग्य अंतर्दृष्टियाँ: भविष्य की दिशाएँ

विश्लेषण के आधार पर, पेपर कई कार्रवाई योग्य दिशाओं का सुझाव देता है:

• हाइब्रिड बेंचमार्क विकसित करें: तर्क और अनुकूलन दोनों का आकलन करने के लिए साइकोमेट्रिक कार्यों को गतिशील, इंटरैक्टिव वातावरण के साथ जोड़ें।
• कई विधाओं को शामिल करें: भाषाई, श्रवण और भौतिक तर्क कार्यों को शामिल करने के लिए ARC का विस्तार करें।
• संरचनागत सामान्यीकरण पर ध्यान दें: ऐसे कार्य डिज़ाइन करें जिनमें सीखी गई अवधारणाओं को नए तरीकों से संयोजित करने की आवश्यकता हो, जो मानव बुद्धिमत्ता का एक प्रमुख पहलू है।
• मानकीकृत रिपोर्टिंग अपनाएँ: यह सुनिश्चित करने के लिए साइकोमेट्रिक मीट्रिक (जैसे, विश्वसनीयता, वैधता, आइटम प्रतिक्रिया सिद्धांत) का उपयोग करें कि बेंचमार्क वैज्ञानिक रूप से कठोर हैं।

7. तकनीकी विवरण और गणितीय सूत्रीकरण

AGI मापन के लिए साइकोमेट्रिक दृष्टिकोण को आइटम रिस्पॉन्स थ्योरी (IRT) का उपयोग करके औपचारिक रूप दिया जा सकता है। मान लीजिए $\theta$ एक एजेंट की अव्यक्त सामान्य बुद्धिमत्ता का प्रतिनिधित्व करता है। कठिनाई $b_i$ और विभेदन $a_i$ वाले कार्य $i$ को सही ढंग से हल करने की संभावना लॉजिस्टिक मॉडल द्वारा दी गई है:

$$P(X_i = 1 | \theta) = \frac{1}{1 + e^{-a_i(\theta - b_i)}}$$

ARC बेंचमार्क के लिए, प्रत्येक कार्य में इनपुट-आउटपुट ग्रिड जोड़े होते हैं। एजेंट को कुछ उदाहरणों से अंतर्निहित परिवर्तन $f: \mathbb{Z}^{m \times n} \rightarrow \mathbb{Z}^{p \times q}$ का अनुमान लगाना होता है और इसे एक नए इनपुट पर लागू करना होता है। प्रदर्शन मीट्रिक कार्य कठिनाई से भारित, आरक्षित कार्यों पर सटीकता है।

8. प्रायोगिक परिणाम और बेंचमार्क विश्लेषण

पेपर मूल प्रयोग प्रस्तुत नहीं करता है बल्कि मौजूदा परिणामों की समीक्षा करता है। साहित्य से प्रमुख निष्कर्षों में शामिल हैं:

• ARC पर मानव प्रदर्शन: मनुष्य ARC कार्यों पर लगभग 80-90% सटीकता प्राप्त करते हैं, जो बेंचमार्क की व्यवहार्यता को प्रदर्शित करता है।
• AI प्रदर्शन: वर्तमान अत्याधुनिक AI प्रणालियाँ (2020 तक) ARC पर 30% से कम सटीकता प्राप्त करती हैं, जो संकीर्ण और सामान्य बुद्धिमत्ता के बीच अंतर को उजागर करती हैं।
• अन्य बेंचमार्क से तुलना: ARC, AI के लिए पारंपरिक IQ परीक्षणों की तुलना में अधिक चुनौतीपूर्ण है क्योंकि इसमें पैटर्न मिलान के बजाय प्रोग्राम-जैसे तर्क की आवश्यकता होती है।

चित्र 1: एक काल्पनिक बार चार्ट जो कठिनाई स्तरों (आसान, मध्यम, कठिन) पर ARC कार्यों पर मानव बनाम AI प्रदर्शन की तुलना करता है। मनुष्य लगातार AI से बेहतर प्रदर्शन करते हैं, कठिन कार्यों पर अंतर बढ़ता जाता है।

9. विश्लेषणात्मक ढाँचा: ARC का केस स्टडी

साइकोमेट्रिक दृष्टिकोण को स्पष्ट करने के लिए, एक ARC कार्य पर विचार करें जहाँ इनपुट रंगीन कोशिकाओं वाला 3x3 ग्रिड है, और आउटपुट एक अलग पैटर्न वाला 3x3 ग्रिड है। एजेंट को दो उदाहरणों से नियम (जैसे, "पैटर्न को 90 डिग्री दक्षिणावर्त घुमाएँ") का अनुमान लगाना होता है और इसे तीसरे इनपुट पर लागू करना होता है।

उदाहरण कार्य:

• इनपुट 1: [[0,1,0],[1,0,1],[0,1,0]] → आउटपुट 1: [[0,1,0],[1,0,1],[0,1,0]] (कोई परिवर्तन नहीं, समरूपता)
• इनपुट 2: [[1,0,0],[0,1,0],[0,0,1]] → आउटपुट 2: [[0,0,1],[0,1,0],[1,0,0]] (विकर्ण के विपरीत पलटें)
• परीक्षण इनपुट: [[0,0,1],[0,1,0],[1,0,0]] → अपेक्षित आउटपुट: [[1,0,0],[0,1,0],[0,0,1]]

इस कार्य के लिए एजेंट को परिवर्तन नियम (विकर्ण के विपरीत पलटें) को पहचानने और इसे एक नए पैटर्न पर लागू करने की आवश्यकता होती है। साइकोमेट्रिक मूल्य इस तथ्य में निहित है कि नियम अमूर्त है और किसी विशिष्ट डोमेन से बंधा नहीं है।

10. भविष्य के अनुप्रयोग और संभावनाएँ

AGI के लिए साइकोमेट्रिक दृष्टिकोण के कई आशाजनक अनुप्रयोग हैं:

• AI सुरक्षा: साइकोमेट्रिक बेंचमार्क उपन्यास परिदृश्यों में सामान्यीकरण का परीक्षण करके AI प्रणालियों में अप्रत्याशित विफलताओं का पता लगाने में मदद कर सकते हैं।
• मानव-AI सहयोग: AI के संज्ञानात्मक प्रोफ़ाइल (जैसे, दृश्य बनाम भाषाई तर्क में ताकत) को समझने से मनुष्यों के साथ टीम वर्क में सुधार हो सकता है।
• शैक्षिक AI: साइकोमेट्रिक ढाँचे AI ट्यूटर्स के विकास का मार्गदर्शन कर सकते हैं जो व्यक्तिगत सीखने की शैलियों के अनुकूल होते हैं।
• तंत्रिका विज्ञान: साइकोमेट्रिक कार्यों पर मानव और AI प्रदर्शन की तुलना करने से सामान्य बुद्धिमत्ता के तंत्रिका आधार पर प्रकाश डाला जा सकता है।

भविष्य की दिशाओं में साइकोमेट्रिक बेंचमार्क को सुदृढीकरण सीखने के वातावरण के साथ एकीकृत करना, एजेंट की क्षमता स्तर के अनुकूल गतिशील परीक्षण विकसित करना, और संवेदी विधाओं में तर्क का आकलन करने वाले मल्टीमॉडल बेंचमार्क बनाना शामिल है।

11. मूल विश्लेषण और टिप्पणी

पेपर AGI के लिए साइकोमेट्रिक दृष्टिकोण का एक सम्मोहक मामला बनाता है, लेकिन कई महत्वपूर्ण बिंदुओं की जाँच की जानी चाहिए। पहला, मानव-समान बुद्धिमत्ता को स्वर्ण मानक के रूप में उपयोग करना दार्शनिक रूप से संदिग्ध है। जैसा कि बोस्ट्रोम (2014) ने "सुपरइंटेलिजेंस" में तर्क दिया है, AGI बुद्धिमत्ता के ऐसे रूप प्रदर्शित कर सकता है जो मानव अनुभूति से गुणात्मक रूप से भिन्न हैं, जिससे मानव-केंद्रित बेंचमार्क संभावित रूप से भ्रामक हो सकते हैं। दूसरा, ARC बेंचमार्क, सुरुचिपूर्ण होते हुए भी, बहुत संकीर्ण हो सकता है। जैसा कि लेक एट अल. (2017) ने "बिल्डिंग मशीन्स दैट लर्न एंड थिंक लाइक पीपल" में उल्लेख किया है, मानव बुद्धिमत्ता में न केवल अमूर्त तर्क बल्कि सहज भौतिकी, सामाजिक अनुभूति और भाषा समझ भी शामिल है। एक वास्तविक सामान्य बुद्धिमत्ता बेंचमार्क में इन आयामों को शामिल किया जाना चाहिए। तीसरा, पेपर प्रतिकूल परीक्षण की संभावना को अनदेखा करता है। जैसा कि गुडफ़ेलो एट अल. (2014) ने मूल GAN पेपर में प्रदर्शित किया है, प्रतिकूल उदाहरण AI प्रणालियों में मूलभूत कमज़ोरियों को प्रकट कर सकते हैं जो मानक बेंचमार्क से छूट जाती हैं। साइकोमेट्रिक परीक्षणों में प्रतिकूल तत्वों को शामिल करने से सामान्यीकरण का अधिक मजबूत आकलन हो सकता है। अंत में, मापन पर पेपर का ध्यान, न कि वास्तुकला पर, एक ताकत है, लेकिन यह AGI के निर्माण के प्रश्न को अनदेखा करने का जोखिम उठाता है। जैसा कि युडकोव्स्की (2008) का तर्क है, संरेखण समस्या के लिए AI प्रणालियों के आंतरिक तंत्र को समझने की आवश्यकता है, न कि केवल उनके बाहरी व्यवहार को। इन सीमाओं के बावजूद, पेपर AGI मूल्यांकन के बारे में सोचने के लिए एक मूल्यवान ढाँचा प्रदान करता है और कठोर, साइकोमेट्रिक रूप से मान्य बेंचमार्क की आवश्यकता पर सही ढंग से जोर देता है।

12. संदर्भ

1. McCarthy, J., et al. (1956). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
2. Silver, D., et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
3. Vinyals, O., et al. (2019). Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature, 575(7782), 350-354.
4. Krizhevsky, A., et al. (2012). ImageNet classification with deep convolutional neural networks. NeurIPS.
5. Vaswani, A., et al. (2017). Attention is all you need. NeurIPS.
6. Esteva, A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
7. Marcus, G. (2018). Deep learning: A critical appraisal. arXiv:1801.00631.
8. Searle, J. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.
9. Thomson, W. (1889). Popular Lectures and Addresses.
10. Adams, S., et al. (2012). Mapping the landscape of human-level artificial general intelligence. AI Magazine, 33(1), 25-42.
11. Goertzel, B. (2014). Artificial general intelligence: Concept, state of the art, and future prospects. Journal of Artificial General Intelligence, 5(1), 1-48.
12. Bringsjord, S., & Schimanski, B. (2003). What is artificial intelligence? Psychometric AI as an answer. IJCAI.
13. Mikhaylovskiy, N. (2020). Six tests for artificial general intelligence. arXiv:2005.05718.
14. Chollet, F. (2019). On the measure of intelligence. arXiv:1911.01547.
15. Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
16. Lake, B. M., et al. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
17. Goodfellow, I., et al. (2014). Generative adversarial nets. NeurIPS.
18. Yudkowsky, E. (2008). Artificial intelligence as a positive and negative factor in global risk. In Global Catastrophic Risks, Oxford University Press.