बोंगार्ड समस्या एक प्रकार की दृश्य पहेली है जिसमें एक व्यक्ति या मशीन को एक नियम की पहचान करनी होती है जो छवियों के दो सेटों को अलग करता है, जिन्हें आमतौर पर साथ-साथ प्रस्तुत किया जाता है। प्रत्येक सेट में छह सरल आरेख होते हैं, और समाधानकर्ता को एक द्विआधारी वर्गीकरण मानदंड खोजना होता है जो बाएं सेट को दाएं सेट से अलग करता है। इन समस्याओं को सोवियत कंप्यूटर वैज्ञानिक मिखाइल बोंगार्ड ने अपनी 1970 की पुस्तक "पैटर्न रिकग्निशन" में पेश किया था, और तब से ये संज्ञानात्मक विज्ञान और कृत्रिम बुद्धिमत्ता अनुसंधान में एक मानक बेंचमार्क बन गई हैं।
बोंगार्ड समस्याएं अपने अवधारणात्मक और वैचारिक कठिनाई के संयोजन के लिए उल्लेखनीय हैं। नियमों में ज्यामितीय गुण जैसे आकार, परिमाण, अभिविन्यास, संख्या, या स्थानिक व्यवस्था शामिल हो सकते हैं, लेकिन वे अक्सर संबंधों, समरूपता, या यहां तक कि अर्थ संबंधी श्रेणियों के बारे में अमूर्त तर्क की आवश्यकता होती है। चूंकि छवियां जानबूझकर न्यूनतम होती हैं, समस्याएं सीमित उदाहरणों से एक सामान्य नियम खोजने की मुख्य चुनौती को अलग करती हैं, एक ऐसा कार्य जो कई मामलों में मनुष्यों के लिए सरल है लेकिन मशीनों के लिए कुख्यात रूप से कठिन है।
ऐतिहासिक संदर्भ
मिखाइल बोंगार्ड ने मॉस्को में साइबरनेटिक्स संस्थान में काम करते हुए इन समस्याओं को विकसित किया, जिसका उद्देश्य जैविक और कृत्रिम प्रणालियों में पैटर्न पहचान के तंत्र को समझना था। उनकी 1970 की मोनोग्राफ में 100 समस्याएं प्रस्तुत की गईं, जिनमें से प्रत्येक को दृश्य अमूर्तता के विभिन्न पहलुओं का परीक्षण करने के लिए डिज़ाइन किया गया था। इन समस्याओं ने डगलस होफस्टैटर की 1979 की पुस्तक "गोडेल, एस्चर, बाख" के माध्यम से पश्चिम में व्यापक ध्यान आकर्षित किया, जिसमें उन्हें धारणा और सादृश्य-निर्माण में शामिल "अंतर्निहित ज्ञान" के उदाहरण के रूप में चर्चा की गई थी। होफस्टैटर ने बाद में एमआईटी कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता प्रयोगशाला में अपने शोध में बोंगार्ड समस्याओं का उपयोग किया, जहां उन्होंने और उनके छात्रों ने उन्हें हल करने के लिए कम्प्यूटेशनल मॉडल विकसित किए।
संरचना और उदाहरण
एक विशिष्ट बोंगार्ड समस्या दो बक्से प्रस्तुत करती है, जिन्हें A और B लेबल किया गया है, प्रत्येक में छह छोटे आरेख होते हैं। समाधानकर्ता को एक नियम खोजना होता है जो बॉक्स A के सभी छह आरेखों को संतुष्ट करता है, जबकि बॉक्स B के छह में से कोई भी नहीं। उदाहरण के लिए, एक समस्या में बॉक्स A में केवल सम संख्या में भुजाओं वाले आकार हो सकते हैं, और बॉक्स B में विषम-भुजा वाले आकार हो सकते हैं। एक अन्य को यह पहचानने की आवश्यकता हो सकती है कि बॉक्स A के सभी आंकड़े लंबवत उन्मुख हैं, जबकि बॉक्स B के क्षैतिज हैं। नियम पदानुक्रमित हो सकते हैं, जैसे "A के सभी आकारों में एक बड़े त्रिकोण के अंदर एक छोटा वृत्त होता है," या वे तत्वों के बीच तुलना शामिल कर सकते हैं, जैसे "काले बिंदुओं की संख्या सफेद वर्गों की संख्या के बराबर है।"
कुछ समस्याएं जानबूझकर अस्पष्ट होती हैं, जिनमें कई प्रशंसनीय नियम होते हैं, जो व्याख्या में पूर्व ज्ञान और संदर्भ की भूमिका को उजागर करता है। कठिनाई तुच्छ (जैसे, रंग या आकार) से लेकर अत्यधिक अमूर्त (जैसे, "A के आंकड़े सभी एक वृत्त के लिए स्थलीय रूप से समतुल्य हैं") तक होती है।
संज्ञानात्मक विज्ञान में भूमिका
संज्ञानात्मक वैज्ञानिकों ने मानव अवधारणा निर्माण, आगमनात्मक तर्क, और दृश्य बुद्धिमत्ता की प्रकृति का अध्ययन करने के लिए बोंगार्ड समस्याओं का उपयोग किया है। जोशुआ टेनेनबाम और ब्रेंडन लेक जैसे शोधकर्ताओं ने स्टैनफोर्ड और एमआईटी में उन्हें "तेज मानचित्रण" और "एक-शॉट सीखने" की क्षमताओं के उदाहरण के रूप में उद्धृत किया है जो मनुष्यों के पास हैं लेकिन मशीनों में कमी है। समस्याओं के लिए न केवल पैटर्न मिलान की आवश्यकता होती है बल्कि अमूर्त श्रेणियों के बारे में परिकल्पना उत्पन्न करने और परीक्षण करने की क्षमता भी होती है, एक ऐसी प्रक्रिया जो खराब समझी जाती है। अध्ययनों से पता चला है कि मानव समाधानकर्ता अक्सर मौखिक नियमों पर भरोसा करते हैं, जो भाषा और दृश्य तर्क के बीच एक संबंध का सुझाव देता है।
मशीन लर्निंग और एआई बेंचमार्क
कृत्रिम बुद्धिमत्ता के क्षेत्र में, बोंगार्ड समस्याएं दृश्य तर्क क्षमताओं का मूल्यांकन करने के लिए एक बेंचमार्क बन गई हैं। 1970 और 1980 के दशक में शुरुआती प्रयासों ने प्रतीकात्मक एआई दृष्टिकोण का उपयोग किया, लेकिन वे नियमों की खुली प्रकृति के साथ संघर्ष करते रहे। मशीन लर्निंग और गहन शिक्षा के उदय के साथ, शोधकर्ताओं ने बोंगार्ड समस्याओं पर आधारित नए डेटासेट विकसित किए हैं, जैसे बोंगार्ड-एचओआई डेटासेट (2020) और बोंगार्ड-लोगो डेटासेट (2022), जो प्रोग्रामेटिक रूप से बड़ी संख्या में समस्याएं उत्पन्न करते हैं। इन डेटासेट का उपयोग तंत्रिका नेटवर्क और ट्रांसफार्मर-आधारित मॉडलों का परीक्षण करने के लिए किया जाता है, जिसमें दृश्य एनकोडर के साथ संयुक्त होने पर बड़े भाषा मॉडल शामिल हैं।
वर्तमान अत्याधुनिक सिस्टम अभी भी नई बोंगार्ड समस्याओं पर मानव सटीकता से काफी नीचे प्रदर्शन करते हैं। उदाहरण के लिए, एक 2023 के अध्ययन में पाया गया कि सर्वश्रेष्ठ मॉडलों ने भी 100 समस्याओं के एक सेट पर केवल लगभग 60% सटीकता हासिल की, जबकि मानव प्रदर्शन लगभग पूर्ण था। कठिनाई रचनात्मक तर्क की आवश्यकता और कुछ उदाहरणों से सामान्यीकरण करने की क्षमता में निहित है, जो अधिकांश गहन शिक्षा दृष्टिकोणों की डेटा-भूखी प्रकृति के विपरीत है। गूगल डीपमाइंड और ओपनएआई के शोधकर्ताओं ने अपने मॉडलों की तर्क क्षमताओं की जांच करने के लिए बोंगार्ड समस्याओं का उपयोग करने की खोज की है, लेकिन किसी भी सिस्टम ने अभी तक उन्हें पूरी तरह से महारत हासिल नहीं किया है।
संबंधित अवधारणाएं और भविष्य की दिशाएं
ये समस्याएं अन्य दृश्य तर्क कार्यों जैसे रेवेन की प्रगतिशील मैट्रिसेस से निकटता से संबंधित हैं, जिसमें एक ग्रिड में एक पैटर्न को पूरा करना शामिल है, और फ्रांकोइस फ्लेरेट द्वारा 2019 में पेश किया गया अमूर्तता और तर्क कोष (ARC) शामिल है। ARC दृश्य पहेली के माध्यम से सामान्य बुद्धिमत्ता को मापने के लक्ष्य को साझा करता है, लेकिन यह एक अलग प्रारूप का उपयोग करता है। कुछ शोधकर्ताओं का तर्क है कि बोंगार्ड समस्याएं अधिक चुनौतीपूर्ण हैं क्योंकि उन्हें सकारात्मक और नकारात्मक उदाहरणों से एक द्विआधारी नियम खोजने की आवश्यकता होती है, जबकि ARC कार्यों में अक्सर परिवर्तन नियम शामिल होते हैं।
भविष्य के काम में बोंगार्ड समस्याओं को पाठ्यक्रम सीखने या मेटा-लर्निंग दृष्टिकोणों के साथ जोड़ना, या जनरेटिव एआई प्रणालियों की उभरती तर्क क्षमताओं का मूल्यांकन करने के लिए उनका उपयोग करना शामिल हो सकता है। 2020 के दशक के मध्य तक, किसी भी प्रकाशित सिस्टम ने बोंगार्ड समस्याओं के व्यापक सेट पर मानव-स्तरीय प्रदर्शन हासिल नहीं किया है, जिससे वे कृत्रिम सामान्य बुद्धिमत्ता की खोज में अनुसंधान का एक सक्रिय क्षेत्र बन गए हैं।