कृत्रिम अंतर्ज्ञान (Artificial intuition) कृत्रिम बुद्धिमत्ता अनुसंधान में एक अवधारणा है, जो किसी मशीन की स्पष्ट, चरण-दर-चरण तर्क में शामिल हुए बिना तीव्र, सटीक निर्णय या निर्णयों पर पहुंचने की क्षमता को संदर्भित करती है। यह शब्द मानव अंतर्ज्ञान के साथ एक सादृश्य बनाता है, जो संज्ञानात्मक प्रक्रिया है जिसके द्वारा लोग जानबूझकर विश्लेषण के बजाय संचित अनुभव और सूक्ष्म पैटर्न पहचान के आधार पर त्वरित आकलन करते हैं। कंप्यूटिंग के संदर्भ में, कृत्रिम अंतर्ज्ञान एक एकल एल्गोरिदम नहीं है, बल्कि आधुनिक मशीन लर्निंग, विशेष रूप से गहन शिक्षण आर्किटेक्चर द्वारा सक्षम क्षमताओं का एक समूह है, जो कच्चे डेटा से उच्च-स्तरीय विशेषताओं को निकाल सकते हैं और अपरिचित परिदृश्यों में सामान्यीकरण कर सकते हैं।
यह विचार 2010 और 2020 के दशक में गति प्राप्त हुआ क्योंकि तंत्रिका नेटवर्क अरबों मापदंडों तक स्केल हो गए और ऐसे व्यवहारों का प्रदर्शन किया जो पारंपरिक नियम-आधारित तर्क को दरकिनार करते प्रतीत हुए। पारंपरिक विशेषज्ञ प्रणालियों के विपरीत, जो हाथ से कोडित नियमों और तार्किक अनुमान पर निर्भर करती हैं, कृत्रिम अंतर्ज्ञान प्रणालियाँ विशाल डेटासेट से सांख्यिकीय नियमितताएँ सीखती हैं और न्यूनतम विलंबता के साथ उन्हें नए इनपुट पर लागू करती हैं। यह उन्हें उन डोमेन के लिए विशेष रूप से उपयुक्त बनाता है जहाँ जानकारी अधूरी, शोरगुल वाली या स्पष्ट मॉडलिंग के लिए बहुत जटिल होती है, जैसे चिकित्सा निदान, स्वायत्त ड्राइविंग, वित्तीय पूर्वानुमान और रणनीतिक खेल।
ऐतिहासिक जड़ें और प्रारंभिक अग्रदूत
कृत्रिम अंतर्ज्ञान के लिए वैचारिक आधार आधुनिक गहन शिक्षण से पहले का है। 1950 और 1960 के दशक में, MIT के कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता प्रयोगशाला और कार्नेगी मेलन विश्वविद्यालय जैसे संस्थानों के शोधकर्ताओं ने पेरसेप्ट्रॉन और प्रारंभिक तंत्रिका नेटवर्क का पता लगाया, जो सरल पैटर्न को वर्गीकृत कर सकते थे लेकिन वास्तविक दुनिया की जटिलता को संभालने के लिए गहराई की कमी रखते थे। बर्नार्ड विड्रो, अनुकूली सिग्नल प्रोसेसिंग में अग्रणी, ने 1960 के दशक में एडालिन और मैडालिन मॉडल विकसित किए, यह प्रदर्शित करते हुए कि मशीनें स्पष्ट प्रोग्रामिंग के बजाय अनुभव से सीख सकती हैं।
एक महत्वपूर्ण दार्शनिक प्रभाव माइकल जॉर्डन और अन्य सांख्यिकीविदों से आया, जिन्होंने मशीन लर्निंग को आगमनात्मक अनुमान के एक रूप के रूप में तैयार किया। 1990 के दशक में, बर्कले एआई रिसर्च और स्टैनफोर्ड एआई लैब ने संभाव्य ग्राफिकल मॉडल के विकास में योगदान दिया, जिससे सिस्टम अनिश्चितता के तहत तर्क कर सके। ये मॉडल, हालांकि मानवीय अर्थों में सहज नहीं थे, उन प्रणालियों के लिए नींव रखी जो डेटा अधूरा होने पर प्रशंसनीय अनुमान लगा सकें।
"कृत्रिम अंतर्ज्ञान" शब्द स्वयं 2010 के मध्य के आसपास अकादमिक और उद्योग प्रवचन में दिखाई देने लगा, अक्सर गूगल डीपमाइंड के सुदृढीकरण सीखने पर काम के संबंध में। डीपमाइंड का अल्फागो, जिसने 2016 में विश्व चैंपियन ली सेडोल को हराया, को अक्सर सहज चालों का प्रदर्शन करने के रूप में वर्णित किया गया था जो मानव विशेषज्ञों को आश्चर्यजनक और अपरंपरागत लगीं। ब्रूट-फोर्स खोज के बजाय सीखे गए मूल्य कार्यों के माध्यम से बोर्ड स्थितियों का मूल्यांकन करने की प्रणाली की क्षमता को मशीन अंतर्ज्ञान की ओर एक कदम के रूप में देखा गया।
मुख्य तंत्र और तकनीकें
कृत्रिम अंतर्ज्ञान कई परस्पर जुड़े तकनीकी घटकों पर निर्भर करता है। इसके दिल में तंत्रिका नेटवर्क है, परस्पर जुड़े नोड्स का एक कम्प्यूटेशनल ग्राफ जो भारित योग और गैर-रेखीय सक्रियण की परतों के माध्यम से इनपुट डेटा को बदलता है। गहन शिक्षण इसे कई परतों तक विस्तारित करता है, जिससे पदानुक्रमित विशेषताओं का निष्कर्षण संभव होता है: छवियों में किनारे और बनावट, भाषण में स्वर, या पाठ में वाक्यविन्यास पैटर्न।
एक प्रमुख तंत्र मल्टी-हेड अटेंशन है, जिसे ट्रांसफॉर्मर आर्किटेक्चर में जैकब उज़कोराइट, लुकाज़ कैसर और निकी परमार द्वारा 2017 के पेपर "अटेंशन इज़ ऑल यू नीड" में पेश किया गया था। ट्रांसफॉर्मर मॉडल को एक साथ इनपुट के विभिन्न हिस्सों की प्रासंगिकता को तौलने की अनुमति देते हैं, जो लंबी दूरी की निर्भरता और प्रासंगिक बारीकियों को पकड़ने के लिए महत्वपूर्ण है। यह आर्किटेक्चर बड़े भाषा मॉडल (एलएलएम) को रेखांकित करता है, जैसे कि ओपनएआई और एंथ्रोपिक द्वारा विकसित।
एक और महत्वपूर्ण तकनीक पाठ्यक्रम सीखना है, जहाँ मॉडलों को धीरे-धीरे कठिन उदाहरणों पर प्रशिक्षित किया जाता है, जिस तरह से मनुष्य चरणबद्ध जोखिम के माध्यम से अंतर्ज्ञान का निर्माण करते हैं। डेटा संवर्धन भी एक भूमिका निभाता है, स्थिरता में सुधार के लिए परिवर्तनों के साथ प्रशिक्षण सेट को कृत्रिम रूप से विस्तारित करता है। अनुक्रमिक निर्णय लेने के लिए, सुदृढीकरण सीखना (प्रदान की गई सूची में नहीं, लेकिन संदर्भ से निहित) एजेंटों को इनाम संकेतों द्वारा निर्देशित, परीक्षण और त्रुटि के माध्यम से नीतियों को सीखने की अनुमति देता है।
संभाव्य अनुमान अनिश्चितता को संभालने के लिए केंद्रीय है। मॉडल अक्सर एकल उत्तरों के बजाय संभावित परिणामों पर संभाव्यता वितरण का उत्पादन करते हैं, जिससे वे आत्मविश्वास के स्तर को व्यक्त कर सकें। तापमान स्केलिंग जैसी तकनीकें इन वितरणों की तीक्ष्णता को समायोजित करती हैं, जिससे सिस्टम कार्य के आधार पर अधिक खोजपूर्ण या अधिक नियतात्मक हो सकते हैं। टॉप-के सैंपलिंग और टॉप-पी सैंपलिंग का उपयोग निर्माण के दौरान रचनात्मकता और सुसंगतता को संतुलित करने के लिए किया जाता है।
वास्तविक दुनिया के डोमेन में अनुप्रयोग
कृत्रिम अंतर्ज्ञान ने विविध क्षेत्रों में व्यावहारिक अनुप्रयोग पाए हैं। स्वास्थ्य देखभाल में, चिकित्सा इमेजिंग पर प्रशिक्षित सिस्टम एक्स-रे या एमआरआई में संदिग्ध घावों को रेडियोलॉजिस्ट के बराबर गति और सटीकता के साथ चिह्नित कर सकते हैं। कम्योर और ओम्निसाइंट जैसी कंपनियों ने ऐसे उपकरण विकसित किए हैं जो निदान या उपचार योजनाओं का सुझाव देने के लिए रोगी डेटा का विश्लेषण करते हैं, अक्सर उन पैटर्न को पकड़ते हैं जिन्हें मानव चिकित्सक अनदेखा कर सकते हैं।
स्वायत्त वाहनों में, वेमो और टेस्ला का ऑटोपायलट सेंसर डेटा की व्याख्या करने और विभाजित-सेकंड ड्राइविंग निर्णय लेने के लिए गहरे तंत्रिका नेटवर्क का उपयोग करते हैं। ये सिस्टम स्पष्ट यातायात नियमों का चरण-दर-चरण पालन नहीं करते हैं; इसके बजाय, वे लाखों मील के ड्राइविंग डेटा से पैदल यात्री व्यवहार, लेन परिवर्तन और सड़क खतरों का अनुमान लगाना सीखते हैं। इन निर्णयों की सहज प्रकृति ताकत और चुनौती दोनों है, क्योंकि यह समझाना मुश्किल हो सकता है कि वाहन ने एक विशेष कार्रवाई क्यों चुनी।
वित्तीय व्यापार एक और प्रमुख क्षेत्र है। उच्च-आवृत्ति व्यापार फर्म बाजार सूक्ष्म-संरचनाओं का पता लगाने और मिलीसेकंड में व्यापार निष्पादित करने के लिए मशीन लर्निंग मॉडल का उपयोग करती हैं। ये मॉडल अक्सर उन पैटर्नों पर काम करते हैं जो मानव व्यापारियों के लिए अदृश्य होते हैं, प्रभावी रूप से बाजार आंदोलनों के लिए कृत्रिम अंतर्ज्ञान के रूप में कार्य करते हैं। अलीबाबा क्लाउड और अमेज़न वेब सर्विसेज क्लाउड-आधारित मशीन लर्निंग सेवाएं प्रदान करते हैं जो पैमाने पर ऐसे अनुप्रयोगों को सक्षम बनाती हैं।
गेमिंग में, कृत्रिम अंतर्ज्ञान को अल्फागो और इसके उत्तराधिकारी अल्फाज़ीरो जैसी प्रणालियों द्वारा प्रदर्शित किया गया है, जिन्होंने शतरंज, गो और शोगी खेलना शुरू से सीखा। ये सिस्टम अवशिष्ट नेटवर्क और मोंटे कार्लो ट्री सर्च का उपयोग करते हैं, लेकिन उनकी सबसे आकर्षक विशेषता ऐसी चालें उत्पन्न करने की क्षमता है जो सहज और रचनात्मक लगती हैं, कभी-कभी मानव रणनीतिक ज्ञान की सदियों को उलट देती हैं।
मानव अंतर्ज्ञान के साथ तुलना
मानव अंतर्ज्ञान को अक्सर तेज, स्वचालित और भावना-युक्त प्रसंस्करण के रूप में वर्णित किया जाता है, जैसा कि मनोवैज्ञानिक डैनियल काह्नमैन ने अपने दोहरे-प्रक्रिया सिद्धांत में व्यक्त किया है। सिस्टम 1 सोच त्वरित और साहचर्यात्मक है, जबकि सिस्टम 2 धीमा और विचारशील है। कृत्रिम अंतर्ज्ञान, इसके विपरीत, सचेत नहीं है और इसमें भावनाएं या व्यक्तिपरक अनुभव नहीं है। यह पैटर्न का एक सांख्यिकीय अनुमान है, सही होने की आंतरिक भावना नहीं।
हालांकि, आउटपुट आश्चर्यजनक रूप से समान हो सकते हैं। मानव और मशीन दोनों अंतर्ज्ञान पिछले अनुभव से पैटर्न पहचान और सामान्यीकरण पर निर्भर करते हैं। मेलानी मिशेल, सांता फे संस्थान की शोधकर्ता, ने तर्क दिया है कि वर्तमान एआई सिस्टम में गहरी समझ और सामान्य ज्ञान का अभाव है जो मानव अंतर्ज्ञान को रेखांकित करता है, भले ही वे संकीर्ण कार्यों पर अच्छा प्रदर्शन करते हैं। जोशुआ टेनेनबाम और ब्रेंडन लेक MIT में प्रस्तावित किया है कि मानव-जैसे अंतर्ज्ञान के लिए ऐसे मॉडल की आवश्यकता होती है जो कारण संरचनाओं को सीख सकें और अनदेखी स्थितियों के बारे में तर्क कर सकें, न कि केवल इनपुट को आउटपुट से सहसंबंधित करें।
एक उल्लेखनीय अंतर व्याख्या में है। मानव विशेषज्ञ अक्सर आत्मनिरीक्षण या पूर्व-निर्मित युक्तिकरण के माध्यम से अपने सहज निर्णयों के पीछे के कारणों को व्यक्त कर सकते हैं। कृत्रिम अंतर्ज्ञान, विशेष रूप से गहरे तंत्रिका नेटवर्क में, काफी हद तक अपारदर्शी है। इसने व्याख्यात्मक एआई के क्षेत्र को जन्म दिया है, जहां अलेक्जेंडर मैड्री और एलेक्सी एफ्रोस जैसे शोधकर्ता मॉडल क्या कर रहे हैं इसे देखने और समझने के तरीकों पर काम करते हैं।
चुनौतियाँ और सीमाएँ
अपने वादे के बावजूद, कृत्रिम अंतर्ज्ञान को महत्वपूर्ण बाधाओं का सामना करना पड़ता है। एक प्रमुख मुद्दा मजबूती है। डेटा के एक वितरण पर प्रशिक्षित मॉडल थोड़ी अलग परिस्थितियों के संपर्क में आने पर बुरी तरह विफल हो सकते हैं, एक घटना जिसे वितरण परिवर्तन के रूप में जाना जाता है। उदाहरण के लिए, धूप वाले कैलिफोर्निया में प्रशिक्षित स्व-ड्राइविंग कार बर्फीली परिस्थितियों में संघर्ष कर सकती है जब तक कि विशेष रूप से ऐसे डेटा पर प्रशिक्षित न किया जाए। यह भंगुरता मानव अंतर्ज्ञान के विपरीत है, जो आम तौर पर अधिक अनुकूलनीय है।
एक और चुनौती पूर्वाग्रह का जोखिम है। चूंकि मॉडल ऐतिहासिक डेटा से सीखते हैं, वे उस डेटा में मौजूद सामाजिक पूर्वाग्रहों को बनाए रख सकते हैं और यहां तक कि बढ़ा सकते हैं। यह विशेष रूप से भर्ती, ऋण और आपराधिक न्याय जैसे अनुप्रयोगों में चिंताजनक है, जहां सहज निर्णयों के गहरे परिणाम हो सकते हैं। Caltech में अनिमा आनंदकुमार जैसे शोधकर्ताओं ने एआई सिस्टम में निष्पक्षता और जवाबदेही की आवश्यकता पर जोर दिया है।
सुरक्षा भी एक महत्वपूर्ण चिंता है। जैसे-जैसे कृत्रिम अंतर्ज्ञान प्रणालियाँ अधिक सक्षम होती जाती हैं, यह सुनिश्चित करना कि वे मानव मूल्यों के साथ संरेखित हों, सर्वोपरि हो जाता है। ओपनएआई और एंथ्रोपिक ने संरेखण अनुसंधान के लिए महत्वपूर्ण संसाधन समर्पित किए हैं, एआई फीडबैक से सुदृढीकरण सीखना जैसी तकनीकों को विकसित करते हुए मॉडल को वांछित व्यवहार की ओर ले जाने के लिए। अनपेक्षित परिणामों की संभावना, जैसे कि एक सिस्टम अपने इनाम फ़ंक्शन में एक खामी ढूंढना, एक खुली समस्या बनी हुई है।
अंत में, बड़े मॉडलों को प्रशिक्षित करने और चलाने की कम्प्यूटेशनल लागत पर्याप्त है। एक अत्याधुनिक एलएलएम को प्रशिक्षित करने के लिए हजारों विशेष प्रोसेसर की आवश्यकता होती है, जैसे कि AWS ट्रेनियम चिप्स या Nvidia GPUs (सूची में नहीं, लेकिन निहित), और भारी मात्रा में बिजली की खपत होती है। यह पर्यावरणीय स्थिरता और एआई क्षमताओं तक समान पहुंच के बारे में प्रश्न उठाता है।
भविष्य की दिशाएं और अनुसंधान
आगे देखते हुए, शोधकर्ता कृत्रिम अंतर्ज्ञान को अधिक मजबूत, व्याख्या योग्य और मानव अनुभूति के साथ संरेखित करने के तरीकों की खोज कर रहे हैं। एक रास्ता न्यूरल-प्रतीकात्मक एकीकरण है (सूची में नहीं, लेकिन एक ज्ञात अवधारणा), जो अधिक व्यवस्थित सामान्यीकरण को सक्षम करने के लिए गहन शिक्षण को प्रतीकात्मक तर्क के साथ जोड़ता है। यह दृष्टिकोण, गैरी मार्कस (सूची में नहीं) और अन्य लोगों द्वारा समर्थित, मशीनों को तंत्रिका नेटवर्क की पैटर्न-पहचान शक्ति और प्रतीकात्मक प्रणालियों की तार्किक कठोरता दोनों देने का लक्ष्य रखता है।
एक और दिशा विश्व मॉडल का विकास है, जो एजेंटों को संभावित भविष्य का अनुकरण करने और उनके कार्यों के परिणामों के बारे में तर्क करने की अनुमति देते हैं। डेविड हा और जुर्गन श्मिधुबर (सूची में नहीं) ने ऐसे मॉडलों पर काम किया है, जो जटिल वातावरण में अधिक सहज योजना को सक्षम कर सकते हैं।
मूर्त अनुभूति में भी बढ़ती रुचि है, जहां एआई सिस्टम दुनिया के साथ शारीरिक बातचीत के माध्यम से सीखते हैं। फिगर एआई और सैंक्चुअरी एआई जैसी कंपनियां मानवयुक्त रोबोट बना रही हैं जो असंरचित वातावरण को नेविगेट करने, वस्तुओं में हेरफेर करने और लोगों के साथ बातचीत करने के लिए कृत्रिम अंतर्ज्ञान का उपयोग करते हैं। इन प्रणालियों को वास्तविक समय में धारणा, मोटर नियंत्रण और निर्णय लेने को एकीकृत करना होगा, जो अंतर्ज्ञान प्राप्त कर सकता है उसकी सीमाओं को आगे बढ़ाता है।
अंत में, कृत्रिम अंतर्ज्ञान के नैतिक और सामाजिक निहितार्थ एक प्रमुख फोकस बने रहेंगे। जैसे-जैसे ये सिस्टम अधिक प्रचलित होते जाते हैं, जवाबदेही, पारदर्शिता और बुद्धि की प्रकृति के बारे में प्रश्न सावधानीपूर्वक विचार की मांग करेंगे। कंप्यूटर वैज्ञानिकों, संज्ञानात्मक मनोवैज्ञानिकों, दार्शनिकों और नीति निर्माताओं के बीच सहयोग यह सुनिश्चित करने के लिए आवश्यक होगा कि कृत्रिम अंतर्ज्ञान मानव कल्याण की सेवा करे।
निष्कर्ष
कृत्रिम अंतर्ज्ञान पारंपरिक नियम-आधारित एआई से एक महत्वपूर्ण प्रस्थान का प्रतिनिधित्व करता है, जो जटिल डोमेन में तेज, लचीले और अक्सर आश्चर्यजनक रूप से सटीक निर्णय लेने की क्षमता प्रदान करता है। हालांकि यह मानव अंतर्ज्ञान के व्यक्तिपरक अनुभव को दोहराता नहीं है, यह सांख्यिकीय सीखने और पैटर्न पहचान के माध्यम से समान परिणाम प्राप्त करता है। यह क्षेत्र अभी भी युवा है, आगे कई तकनीकी और दार्शनिक चुनौतियों के साथ, लेकिन उद्योगों को बदलने और मानव क्षमताओं को बढ़ाने की इसकी क्षमता अपार है। जैसे-जैसे अनुसंधान आगे बढ़ता है, कृत्रिम और मानव अंतर्ज्ञान के बीच की सीमा धुंधली हो सकती है, जो बुद्धि की प्रकृति और समाज में मशीनों की भूमिका के बारे में गहरे प्रश्न उठाती है।