NOOM BROWN: AI 'रीज़निंग' मॉडल दशकों पहले उभर सकते थे

नोम ब्राउन, ओपनएआई में एआई रीजनिंग के अग्रणी शोधकर्ता, ने हाल ही में सैन जोस में एनविडिया के जीटीसी सम्मेलन में अंतर्दृष्टि साझा की, जिसमें सुझाव दिया गया कि यदि सही विधियाँ और एल्गोरिदम ज्ञात होते, तो "रीजनिंग" एआई में प्रगति 20 साल पहले प्राप्त की जा सकती थी। उन्होंने समझाया, "इस शोध दिशा को उपेक्षित करने के विभिन्न कारण थे," यह उजागर करते हुए कि दृष्टिकोण में एक अंतर था जिसे बहुत पहले भरा जा सकता था।

अपनी शोध यात्रा पर विचार करते हुए, ब्राउन ने एक महत्वपूर्ण बोध को नोट किया: "मैंने अपने शोध के दौरान देखा कि, ठीक है, कुछ कमी है। मनुष्य कठिन परिस्थिति में कार्य करने से पहले बहुत समय सोचने में बिताते हैं। शायद यह [एआई में] बहुत उपयोगी हो सकता है।" इस अवलोकन ने उन्हें ऐसे एआई मॉडल विकसित करने के लिए प्रेरित किया जो मानव-समान रीजनिंग की नकल करते हैं, न कि केवल कम्प्यूटेशनल शक्ति पर निर्भर करते हैं।

कार्नेगी मेलन यूनिवर्सिटी में उनके काम, विशेष रूप से प्लूरिबस एआई के साथ, जो शीर्ष मानव पोकर खिलाड़ियों को हराने में सफल रहा, इस दृष्टिकोण का उदाहरण है। प्लूरिबस अभूतपूर्व था क्योंकि इसने समस्याओं को हल करने के लिए रीजनिंग का उपयोग किया, जो उस समय के अधिक सामान्य ब्रूट-फोर्स विधियों के विपरीत था।

ओपनएआई में, ब्राउन ने o1 के विकास में योगदान दिया, जो एक एआई मॉडल है जो टेस्ट-टाइम इन्फरेंस के रूप में जानी जाने वाली विधि का उपयोग करता है। यह तकनीक एआई को जवाब देने से पहले "सोचने" की अनुमति देती है, जिससे इसकी सटीकता और विश्वसनीयता बढ़ती है, विशेष रूप से गणित और विज्ञान जैसे क्षेत्रों में।

पैनल चर्चा के दौरान, ब्राउन ने अकादमिक शोध के सामने आने वाली चुनौती को संबोधित किया, जो बड़े एआई लैब्स जैसे ओपनएआई द्वारा किए गए प्रयोगों के पैमाने के साथ प्रतिस्पर्धा करती है। उन्होंने आधुनिक मॉडलों की बढ़ती कम्प्यूटेशनल मांगों के कारण बढ़ती कठिनाई को स्वीकार किया, लेकिन सुझाव दिया कि अकादमिक लोग कम कम्प्यूटेशनल शक्ति की आवश्यकता वाले क्षेत्रों, जैसे मॉडल आर्किटेक्चर डिज़ाइन करने, पर ध्यान केंद्रित करके महत्वपूर्ण योगदान दे सकते हैं।

उन्होंने अकादमिक और फ्रंटियर लैब्स के बीच सहयोग की संभावना पर जोर दिया, यह कहते हुए, "[फ्रंटियर लैब्स और अकादमिक के बीच सहयोग की संभावना है। निश्चित रूप से, फ्रंटियर लैब्स अकादमिक प्रकाशनों को देख रहे हैं और सावधानी से सोच रहे हैं, ठीक है, क्या यह एक ठोस तर्क प्रस्तुत करता है कि, यदि इसे और स्केल किया जाए, तो यह बहुत प्रभावी होगा। यदि पेपर से ऐसा ठोस तर्क मिलता है, तो आप जानते हैं, हम इन लैब्स में उसका अन्वेषण करेंगे।"

ब्राउन की टिप्पणियाँ विशेष रूप से समयोचित हैं क्योंकि ट्रम्प प्रशासन ने वैज्ञानिक फंडिंग में महत्वपूर्ण कटौती का प्रस्ताव किया है, जिसे जेफ्री हिन्टन सहित एआई विशेषज्ञों ने आलोचना की है, जो तर्क देते हैं कि ऐसी कटौतियाँ वैश्विक स्तर पर एआई शोध प्रयासों को खतरे में डाल सकती हैं।

उन्होंने अकादमिक क्षेत्र की महत्वपूर्ण भूमिका को भी उजागर किया, जो एआई बेंचमार्किंग को बेहतर बनाने में है, यह कहते हुए, "एआई में बेंचमार्क की स्थिति वास्तव में बहुत खराब है, और इसके लिए बहुत अधिक कम्प्यूट की आवश्यकता नहीं है।" वर्तमान एआई बेंचमार्क अक्सर अस्पष्ट ज्ञान पर ध्यान केंद्रित करते हैं और उन क्षमताओं को सटीक रूप से प्रतिबिंबित करने में विफल रहते हैं जो उपयोगकर्ताओं के लिए सबसे महत्वपूर्ण हैं, जिससे एआई मॉडलों की वास्तविक क्षमता और प्रगति के बारे में भ्रम पैदा होता है।

अपडेटेड 4:06 p.m. PT: इस लेख का एक पुराना संस्करण यह संकेत देता था कि ब्राउन अपनी प्रारंभिक टिप्पणियों में o1 जैसे रीजनिंग मॉडलों का उल्लेख कर रहे थे। वास्तव में, वह ओपनएआई में अपने समय से पहले गेम-प्लेइंग एआई पर अपने काम का उल्लेख कर रहे थे। हमें इस त्रुटि का खेद है।