उन्नत AI नकल में माहिर, इंसानों से भी बेहतर

मानदंड पर पुनर्विचार: ट्यूरिंग की दृष्टि का एक आधुनिक मोड़

यह पता लगाने की खोज कि क्या कोई मशीन वास्तव में ‘सोच’ सकती है, दशकों से कंप्यूटर वैज्ञानिकों और दार्शनिकों को आकर्षित करती रही है। इस बहस के केंद्र में अक्सर Alan Turing द्वारा प्रस्तावित मौलिक अवधारणा होती है, जो एक प्रतिभाशाली ब्रिटिश गणितज्ञ और कोडब्रेकर थे जिनके काम ने आधुनिक कंप्यूटिंग की नींव रखी। Turing ने एक परिदृश्य की कल्पना की, जिसे अब प्रसिद्ध रूप से Turing Test के रूप में जाना जाता है, जहाँ एक मानव पूछताछकर्ता दो अनदेखी संस्थाओं - एक मानव, एक मशीन - के साथ पाठ-आधारित बातचीत में संलग्न होता है। मशीन की सफलता का महत्वपूर्ण माप? पूछताछकर्ता को यह विश्वास दिलाने की उसकी क्षमता कि वह मानव प्रतिभागी है। Turing ने माना कि यदि पूछताछकर्ता मशीन और व्यक्ति के बीच विश्वसनीय रूप से अंतर नहीं कर सकता है, तो मशीन को मानव के समान बुद्धिमान व्यवहार में सक्षम माना जा सकता है। हालाँकि मूल परीक्षण को चेतना या समझ के सच्चे माप के रूप में इसकी पर्याप्तता के बारे में आलोचनाओं का सामना करना पड़ा है, इसका मूल विचार - मानव संपर्क को विश्वसनीय रूप से दोहराने की AI की क्षमता का आकलन करना - एक शक्तिशाली मानदंड बना हुआ है।

अब, University of California, San Diego के शोधकर्ताओं ने इस क्लासिक मूल्यांकन में नई जान फूंकी है, जो आज के परिष्कृत AI परिदृश्य के लिए डिज़ाइन किया गया एक सम्मोहक संस्करण पेश करता है। उनका अध्ययन Turing Test के तीन-तरफ़ा पुनरावृत्ति का मार्ग प्रशस्त करता है, जो मूल्यांकन में जटिलता और शायद अधिक यथार्थवादी गतिशीलता जोड़ता है। यह केवल एक AI को एक मानव से अलग करने के बारे में नहीं था; इसमें बातचीत और धोखे का एक अधिक जटिल नृत्य शामिल था, जो समकालीन कृत्रिम बुद्धिमत्ता प्रणालियों को नकल की कला में उनकी सीमाओं तक धकेलता था। निष्कर्ष बताते हैं कि सबसे उन्नत AI मॉडल न केवल मानव-जैसी बातचीत की दहलीज तक पहुंच रहे हैं; कुछ संदर्भों में, वे शायद इसे पार कर रहे हैं, कभी-कभी मनुष्यों की तुलना में अधिक मानवीय दिखाई देते हैं।

चुनौती: अत्याधुनिक AI के विरुद्ध मनुष्यों को खड़ा करना

UC San Diego टीम द्वारा तैयार किया गया प्रयोगात्मक डिज़ाइन विशिष्ट और कठोर था। बातचीत के प्रत्येक दौर में एक तिकड़ी शामिल थी: दो मानव प्रतिभागी और एक AI मॉडल। मनुष्यों को एक विलक्षण, चुनौतीपूर्ण लक्ष्य सौंपा गया था: बातचीत की अवधि के बाद, यह निर्धारित करें कि उनके दो अनदेखे वार्ताकारों में से कौन कृत्रिम बुद्धिमत्ता था और कौन साथी मानव था। यह सेटअप स्वाभाविक रूप से मूल एक-पर-एक-पर-एक Turing Test की तुलना में दांव बढ़ाता है।

इस निर्धारण को सुविधाजनक बनाने के लिए, प्रतिभागियों ने दो एक साथ, समानांतर पाठ-आधारित संवादों में भाग लिया - एक छिपे हुए मानव के साथ, दूसरा छिपे हुए AI के साथ। उन्हें प्रत्येक दौर के लिए एक संक्षिप्त पांच मिनट की खिड़की आवंटित की गई थी। इस समय सीमा के भीतर, मानव न्यायाधीशों को पूरी स्वतंत्रता थी। वे किसी भी पूछताछ रणनीति का उपयोग कर सकते थे, किसी भी विषय के साथ जांच कर सकते थे, या किसी भी संवादी युक्ति का उपयोग कर सकते थे जिसे वे अपने चैट भागीदारों की वास्तविक प्रकृति को उजागर करने में प्रभावी मानते थे। बातचीत की खिड़की की संक्षिप्तता चुनौती की एक और परत जोड़ती है, जो AI की जल्दी से एक विश्वसनीय व्यक्तित्व स्थापित करने और जांच के तहत इसे बनाए रखने की क्षमता का परीक्षण करती है, जबकि सीमित संवादी डेटा के आधार पर त्वरित, सटीक निर्णय लेने की मानव की क्षमता का भी परीक्षण करती है। पांच मिनट की बातचीत की अवधि के बाद, सच्चाई का क्षण आ गया: मानव प्रतिभागियों ने अपने वोट डाले, यह पहचानते हुए कि वे किस इकाई को AI मानते थे।

शोधकर्ताओं ने किसी एक AI प्रणाली पर भरोसा नहीं किया। इसके बजाय, उन्होंने AI विकास में विभिन्न युगों और क्षमताओं का प्रतिनिधित्व करने वाली एक विविध लाइनअप तैयार की:

• ELIZA: लगभग छह दशक पहले (स्रोत में उल्लिखित 80 नहीं, ELIZA 1960 के दशक के मध्य का है) Joseph Weizenbaum द्वारा विकसित एक अग्रणी चैटबॉट। यद्यपि आज के मानकों से आदिम, पैटर्न मिलान और सरल स्क्रिप्ट पर निर्भर, ELIZA ने एक ऐतिहासिक आधार रेखा के रूप में कार्य किया, जो संवादी AI के शुरुआती प्रयासों का प्रतिनिधित्व करता है।
• Meta’s Llama 3.1-405B: Meta AI का एक शक्तिशाली, समकालीन बड़ा भाषा मॉडल (LLM), जो अपनी परिष्कृत पाठ निर्माण और तर्क क्षमताओं के लिए जाना जाता है। इसका समावेश एक प्रमुख AI अनुसंधान प्रयोगशाला से कला की वर्तमान स्थिति का प्रतिनिधित्व करता है।
• OpenAI’s GPT-4o: अध्ययन के समय OpenAI से नवीनतम सार्वजनिक रूप से जारी मल्टीमॉडल मॉडल, अपनी गति, दक्षता और पिछले GPT पुनरावृत्तियों की तुलना में बढ़ी हुई संवादी क्षमताओं के लिए पहचाना जाता है।
• OpenAI’s GPT-4.5: OpenAI की प्रमुख मॉडल श्रृंखला का एक स्पष्ट रूप से अधिक उन्नत, शायद असंबंधित या आंतरिक संस्करण। इसका समावेश उन मॉडलों तक पहुंच का सुझाव देता है जो संभावित रूप से सार्वजनिक रूप से उपलब्ध प्रणालियों से परे सीमाओं को आगे बढ़ा रहे हैं।

इस चयन ने शोधकर्ताओं को न केवल आधुनिक AI की तुलना मनुष्यों से करने की अनुमति दी, बल्कि एक ऐतिहासिक बेंचमार्क के खिलाफ और समकालीन AI परिष्कार के विभिन्न स्तरों के खिलाफ भी तुलना करने की अनुमति दी। मूल प्रश्न बना रहा: क्या ये मशीनें, विशेष रूप से उन्नत LLM, इस तीन-तरफ़ा संवादी पहेली को सफलतापूर्वक नेविगेट कर सकती हैं और मानव के रूप में उत्तीर्ण हो सकती हैं?

व्यक्तित्व रणनीति: GPT-4.5 ने कैसे अलौकिक सफलता प्राप्त की

अध्ययन ने AI मॉडल के लिए दो अलग-अलग परिचालन परिदृश्यों को शामिल किया, जिससे जांच में एक और आयाम जुड़ गया। शोधकर्ता यह समझना चाहते थे कि क्या AI का स्पष्ट लक्ष्य मानव प्रतिभागियों को धोखा देने की उसकी क्षमता को प्रभावित करता है।

• परिदृश्य 1: स्पष्ट धोखे का कार्य: इस सेटअप में, AI को एक सीधा और स्पष्ट निर्देश दिया गया था: मानव प्रतिभागी को गुमराह करें। इसका क्रमादेशित उद्देश्य संवादात्मक रूप से वह सब कुछ करना था जो मानव न्यायाधीश को यह विश्वास दिलाने के लिए संभव हो कि वे किसी अन्य वास्तविक व्यक्ति के साथ बातचीत कर रहे हैं। इसने AI की रणनीति बनाने और शायद बातचीत को मानव दिखने के लक्ष्य की ओर मोड़ने की क्षमता का परीक्षण किया जब स्पष्ट रूप से ऐसा करने के लिए कहा गया।

• परिदृश्य 2: व्यक्तित्व अनुकरण कार्य: यहाँ, AI को एक अलग तरह का प्रॉम्प्ट मिला। इसे स्पष्ट रूप से धोखा देने के लिए नहीं कहा गया था। इसके बजाय, इसे एक विशिष्ट व्यक्तित्व अपनाने का निर्देश दिया गया था - एक युवा व्यक्ति जो इंटरनेट संस्कृति में गहराई से डूबा हुआ है, समकालीन कठबोली और उस जनसांख्यिकी के विशिष्ट संचार शैलियों के उपयोग के साथ। AI से बस इस चरित्र को बनने के लिए कहा गया था, बिना पूछताछकर्ता को मूर्ख बनाने के स्पष्ट निर्देश के।

इन दो परिदृश्यों के परिणाम आश्चर्यजनक रूप से भिन्न थे, विशेष रूप से असाधारण प्रदर्शनकर्ता, GPT-4.5 के लिए। जब गुमराह करने के स्पष्ट निर्देश के तहत संचालन किया गया (परिदृश्य 1), GPT-4.5 ने 36% की सफलता दर हासिल की। हालांकि यह नगण्य नहीं है, यह आंकड़ा बताता है कि जब स्पष्ट रूप से धोखा देने की कोशिश की जा रही थी, तो AI शायद कम विश्वसनीय था, या शायद इसके प्रयासों का पता मानव न्यायाधीशों द्वारा अधिक आसानी से लगाया जा सकता था जो कृत्रिमता के लिए उच्च सतर्कता पर हो सकते थे।

हालाँकि, व्यक्तित्व अनुकरण कार्य (परिदृश्य 2) में कहानी नाटकीय रूप से पलट गई। जब बस युवा, इंटरनेट-प्रेमी व्यक्तित्व को अपनाने के लिए कहा गया, तो GPT-4.5 का प्रदर्शन बढ़ गया। यह उल्लेखनीय 73% इंटरैक्शन में मानव प्रतिभागियों को अपनी मानवता के बारे में सफलतापूर्वक समझाने में कामयाब रहा। यह बताता है कि एक प्राकृतिक दिखने वाले चरित्र को अपनाना, भले ही वह शैलीबद्ध हो, सीधे धोखे का प्रयास करने की तुलना में घुलने-मिलने के लिए कहीं अधिक प्रभावी रणनीति थी। इसका तात्पर्य है कि AI की ताकत परिकलित हेरफेर में कम और विशिष्ट जनसांख्यिकी या व्यक्तित्वों से जुड़े मानव संचार के पैटर्न को वास्तविक रूप से संश्लेषित करने और दोहराने की क्षमता में अधिक निहित है, जो इसके विशाल प्रशिक्षण डेटा से सीखा गया है। AI मानव बनने की कोशिश नहीं कर रहा था; यह एक विशिष्ट प्रकार के मानव के रूप में अभिनय कर रहा था, और इसने आश्चर्यजनक प्रभावशीलता के साथ ऐसा किया।

तुलनात्मक प्रदर्शन: धोखे का एक स्पेक्ट्रम

जबकि GPT-4.5 ने शो चुरा लिया, अन्य AI मॉडलों के प्रदर्शन ने मूल्यवान संदर्भ और कुछ दिलचस्प आश्चर्य प्रदान किए।

Meta’s Llama 3.1-405B ने भी काफी क्षमता का प्रदर्शन किया। इसने मनुष्यों को अपनी प्रामाणिकता के बारे में समझाने में 56% सफलता दर हासिल की। यह परिणाम यादृच्छिक अवसर से काफी बेहतर है (जो दो-विकल्प परिदृश्य में 50% होगा, हालांकि तीन-तरफ़ा परीक्षण गतिशील सरल बाधाओं को थोड़ा जटिल करता है)। यह Llama 3.1 को अत्यधिक सक्षम संवादी नकलचियों की श्रेणी में मजबूती से रखता है, जो अक्सर मानव न्यायाधीशों को मूर्ख बनाने में सक्षम है, यद्यपि GPT-4.5 द्वारा अपने इष्टतम परिदृश्य में दिखाए गए असाधारण स्तरों तक नहीं पहुंच पाया है। यह ठोस प्रदर्शन सूक्ष्म मानव संवाद को दोहराने में अग्रणी बड़े भाषा मॉडल की सामान्य उन्नति को रेखांकित करता है।

शायद सबसे अप्रत्याशित खोज GPT-4o और ऐतिहासिक ELIZA कार्यक्रम के बीच तुलना से उभरी। OpenAI के उन्नत GPT-4o मॉडल ने प्रतिभागियों को केवल 21% मामलों में यह विश्वास दिलाया कि वे मानव थे। सहज रूप से, बहुत सरल, स्क्रिप्ट-आधारित ELIZA कार्यक्रम थोड़ा बेहतर प्रदर्शन किया, 23% सफलता दर हासिल की। जबकि दोनों प्रतिशत कम हैं, यह दर्शाता है कि इस विशिष्ट परीक्षण सेटअप में कोई भी विशेष रूप से विश्वसनीय नहीं था, ELIZA की बढ़त, चाहे कितनी भी मामूली क्यों न हो, उल्लेखनीय है। यह इन संक्षिप्त अंतःक्रियाओं में मानव धारणा और निर्णय की प्रकृति के बारे में सवाल उठाता है। क्या ऐसा हो सकता है कि ELIZA की बहुत सादगी और पूर्वानुमेयता, शायद विचित्र या विलक्षण के रूप में मानी जाती है, कभी-कभी मानव गैर-मानक संचार के रूप में गलत व्याख्या की जाती थी, जबकि GPT-4o की अधिक जटिल लेकिन संभावित रूप से बाँझ या अत्यधिक औपचारिक प्रतिक्रियाएं (इसके विशिष्ट प्रॉम्प्टिंग और परीक्षण में व्यवहार के आधार पर) कृत्रिम के रूप में अधिक आसानी से चिह्नित की गईं? वैकल्पिक रूप से, यह विशिष्ट अंतःक्रियाओं या प्रतिभागी अपेक्षाओं में बारीकियों को प्रतिबिंबित कर सकता है जिसने कुछ मामलों में ELIZA की शैली का पक्ष लिया। यह परिणाम निश्चित रूप से इस बात की आगे की जांच की गारंटी देता है कि मनुष्य विभिन्न प्रकार की कृत्रिमता या गैर-मानक संचार को कैसे समझते हैं।

हालांकि, असाधारण परिणाम GPT-4.5 का प्रदर्शन बना रहा, विशेष रूप से अध्ययन के प्रमुख लेखक, Cameron Jones, UC San Diego में Language and Cognition Laboratory के एक शोधकर्ता द्वारा उजागर किया गया। Jones ने सबसे चौंकाने वाले पहलू पर जोर दिया: ‘लोग GPT-4.5 और LLaMa के लोगों के बीच अंतर करने में असमर्थ थे और 4.5 को वास्तविक लोगों की तुलना में बहुत अधिक बार मानव के रूप में दर्जा दिया गया था!’ यह एक गहरा बयान है। AI के लिए मानव के रूप में उत्तीर्ण होना एक बात है; उसी परीक्षण में भाग लेने वाले वास्तविक मनुष्यों की तुलना में अधिक मानवीय माना जाना पूरी तरह से दूसरी बात है। यह बताता है कि GPT-4.5, कम से कम व्यक्तित्व परिदृश्य में, ऐसी प्रतिक्रियाएँ उत्पन्न कर सकता है जो प्रतिभागियों की विशिष्ट मानव ऑनलाइन इंटरैक्शन की अपेक्षाओं के साथ अधिक निकटता से संरेखित होती हैं (शायद अधिक आकर्षक, सुसंगत, या रूढ़िवादी रूप से ‘मानवीय’) वास्तविक, संभावित रूप से अधिक विविध या कम पूर्वानुमेय, वास्तविक मानव समकक्षों की प्रतिक्रियाओं की तुलना में।

ट्यूरिंग से परे: अति-यथार्थवादी AI नकल के निहितार्थ

जबकि शोधकर्ता स्वीकार करते हैं कि Turing Test स्वयं, अपने मूल सूत्रीकरण में और यकीनन इस संशोधित रूप में भी, सच्ची मशीन बुद्धि या समझ का आकलन करने के लिए एक पुराना मीट्रिक हो सकता है, अध्ययन के निष्कर्ष महत्वपूर्ण वजन रखते हैं। वे इस बात के स्पष्ट प्रमाण प्रस्तुत करते हैं कि AI सिस्टम, विशेष रूप से मानव पाठ और बातचीत के विशाल डेटासेट पर प्रशिक्षित बड़े भाषा मॉडल पर निर्मित, नकल की कला में महारत हासिल करने की अपनी क्षमता में कितनी प्रगति कर चुके हैं।

परिणाम दर्शाते हैं कि ये सिस्टम संवादात्मक आउटपुट उत्पन्न कर सकते हैं जो न केवल व्याकरणिक रूप से सही या प्रासंगिक रूप से प्रासंगिक है, बल्कि मानव आउटपुट से अवधारणात्मक रूप से अप्रभेद्य है, कम से कम छोटी, पाठ-आधारित अंतःक्रियाओं की बाधाओं के भीतर। भले ही अंतर्निहित AI में वास्तविक समझ, चेतना, या व्यक्तिपरक अनुभव न हों जो मानव संचार को सूचित करते हैं, प्रशंसनीय, आकर्षक और चरित्र-संगत प्रतिक्रियाओं को संश्लेषित करने की इसकी क्षमता तेजी से सुधर रही है। यह प्रभावी रूप से समझ का एक मुखौटा बना सकता है जो मानव न्यायाधीशों को अधिकांश समय मूर्ख बनाने के लिए पर्याप्त रूप से विश्वसनीय है, खासकर जब एक भरोसेमंद व्यक्तित्व अपनाते हैं।

इस क्षमता के गहरे निहितार्थ हैं, जो Turing Test की अकादमिक जिज्ञासा से कहीं आगे तक फैले हुए हैं। Cameron Jones इस उन्नत नकल द्वारा संचालित कई संभावित सामाजिक बदलावों की ओर इशारा करते हैं:

• नौकरी स्वचालन (Job Automation): AI की क्षमता, संभावित रूप से बिना पता चले, अल्पकालिक अंतःक्रियाओं में मनुष्यों को निर्बाध रूप से बदलने की, पाठ-आधारित संचार पर बहुत अधिक निर्भर भूमिकाओं में स्वचालन के लिए दरवाजा चौड़ा खोलती है। ग्राहक सेवा चैट, सामग्री निर्माण, डेटा प्रविष्टि, शेड्यूलिंग और विभिन्न प्रकार की डिजिटल सहायता में AI अपनाने में वृद्धि देखी जा सकती है, यदि AI पर्याप्त रूप से विश्वसनीय और लागत प्रभावी साबित होता है तो मानव श्रमिकों को विस्थापित कर सकता है। अध्ययन बताता है कि ‘विश्वसनीय’ सीमा पूरी हो रही है या पार हो गई है।
• उन्नत सामाजिक इंजीनियरिंग (Enhanced Social Engineering): दुरुपयोग की संभावना महत्वपूर्ण है। दुर्भावनापूर्ण अभिनेता परिष्कृत फ़िशिंग घोटालों, दुष्प्रचार फैलाने, जनमत में हेरफेर करने, या धोखाधड़ी के उद्देश्यों के लिए व्यक्तियों का प्रतिरूपण करने के लिए अति-यथार्थवादी AI चैटबॉट्स का लाभ उठा सकते हैं। एक AI जिसे वास्तविक मनुष्यों की तुलना में अधिक बार मानव माना जाता है, धोखे के लिए एक अविश्वसनीय रूप से शक्तिशाली उपकरण हो सकता है, जिससे व्यक्तियों के लिए ऑनलाइन इंटरैक्शन पर भरोसा करना कठिन हो जाता है। ‘व्यक्तित्व’ रणनीति की प्रभावशीलता यहाँ विशेष रूप से चिंताजनक है, क्योंकि AI को विशिष्ट प्रकार के विश्वसनीय व्यक्तियों या प्राधिकरण के आंकड़ों का प्रतिरूपण करने के लिए तैयार किया जा सकता है।
• सामान्य सामाजिक उथल-पुथल (General Social Upheaval): विशिष्ट अनुप्रयोगों से परे, undetectable मानव नकल में सक्षम AI का व्यापक परिनियोजन मौलिक रूप से सामाजिक गतिशीलता को बदल सकता है। हम ऑनलाइन वातावरण में विश्वास कैसे स्थापित करते हैं? संभावित रूप से कृत्रिम वार्ताकारों के माध्यम से मध्यस्थता किए जाने पर मानव संबंध की प्रकृति का क्या होता है? क्या इससे अलगाव बढ़ सकता है, या विरोधाभासी रूप से, AI-मानव साहचर्य के नए रूप बन सकते हैं? मानव और मशीन संचार के बीच धुंधली रेखा इन सवालों के साथ एक सामाजिक गणना की आवश्यकता है। यह डिजिटल युग में प्रामाणिकता और बातचीत की हमारी परिभाषाओं को चुनौती देता है।

अध्ययन, जो वर्तमान में सहकर्मी समीक्षा की प्रतीक्षा कर रहा है, मानव संवादी व्यवहार को दोहराने की AI की क्षमता की तीव्र उन्नति को दर्शाने वाले एक महत्वपूर्ण डेटा बिंदु के रूप में कार्य करता है। यह रेखांकित करता है कि जबकि सच्ची कृत्रिम सामान्य बुद्धि के बारे में बहस जारी है, विशिष्ट संदर्भों में मानव अभिनय करने की AI की व्यावहारिक क्षमता एक महत्वपूर्ण मोड़ पर पहुंच गई है। हम एक ऐसे युग में प्रवेश कर रहे हैं जहां सबूत का बोझ बदल सकता है - यह पूछने के बजाय कि क्या कोई मशीन मानव लग सकती है, हमें तेजी से यह सवाल करने की आवश्यकता हो सकती है कि क्या ‘मानव’ जिसके साथ हम ऑनलाइन बातचीत कर रहे हैं वह वास्तव में जैविक है। नकल का खेल एक नए स्तर पर पहुंच गया है, और इसके परिणाम अभी सामने आने शुरू हुए हैं।