सामान्य समस्या समाधानकर्ता

जनरल प्रॉब्लम सॉल्वर (GPS) एक प्रारंभिक कृत्रिम बुद्धिमत्ता कार्यक्रम था जिसे एलन नेवेल, हर्बर्ट ए. साइमन और जे. सी. शॉ द्वारा विकसित किया गया था। पहली बार 1957 में प्रदर्शित, GPS को डोमेन-विशिष्ट ज्ञान के बजाय एक सामान्य-उद्देश्यीय तर्क विधि लागू करके समस्याओं की एक विस्तृत श्रृंखला को हल करने के लिए डिज़ाइन किया गया था। इसे कृत्रिम बुद्धिमत्ता और संज्ञानात्मक विज्ञान के इतिहास में एक मौलिक मील का पत्थर माना जाता है।

GPS ने समस्याओं के औपचारिक प्रतिनिधित्व पर काम किया, जिसमें साधन-अंत विश्लेषण नामक तकनीक का उपयोग किया गया। इस दृष्टिकोण में किसी समस्या की वर्तमान स्थिति की तुलना वांछित लक्ष्य स्थिति से करना, अंतरों की पहचान करना और उन अंतरों को कम करने वाले ऑपरेटरों का चयन करना शामिल था। कार्यक्रम ने लक्ष्य प्राप्त होने तक इस प्रक्रिया को पुनरावर्ती रूप से लागू किया। हालाँकि GPS व्यवहार में वास्तव में सामान्य नहीं था, फिर भी इसकी वास्तुकला ने कई बाद की AI प्रणालियों को प्रभावित किया और मशीन लर्निंग और समस्या-समाधान प्रतिमानों के विकास में योगदान दिया।

उत्पत्ति और विकास

GPS की कल्पना RAND कॉर्पोरेशन में की गई थी और बाद में कार्नेगी मेलन विश्वविद्यालय (तब कार्नेगी इंस्टीट्यूट ऑफ टेक्नोलॉजी) में विकसित किया गया। नेवेल, साइमन और शॉ ने पहले लॉजिक थियोरिस्ट (1956) पर काम किया था, जो गणितीय प्रमेयों को सिद्ध करने वाला एक कार्यक्रम था। GPS एक अधिक लचीली प्रणाली बनाने का प्रयास था जो पहेलियों, प्रतीकात्मक तर्क और यहां तक कि सरल योजना कार्यों सहित समस्याओं की एक व्यापक श्रेणी को संभाल सके। कार्यक्रम को IPL (इंफॉर्मेशन प्रोसेसिंग लैंग्वेज) प्रोग्रामिंग भाषा में लागू किया गया था, जिसे विशेष रूप से प्रतीकात्मक AI अनुसंधान के लिए डिज़ाइन किया गया था।

GPS का पहला सार्वजनिक प्रदर्शन 1957 में हुआ, और 1950 के दशक के अंत और 1960 के दशक की शुरुआत में सिस्टम को परिष्कृत किया गया। इसका उपयोग टावर ऑफ हनोई, मिशनरी और नरभक्षी पहेली, और विभिन्न क्रिप्ट-अंकगणितीय समस्याओं जैसी समस्याओं को हल करने के लिए किया गया था। हालाँकि, GPS को पर्याप्त डोमेन ज्ञान या जटिल खोज स्थानों की आवश्यकता वाली समस्याओं में कठिनाई हुई, और इसका प्रदर्शन अक्सर उस युग के कम्प्यूटेशनल संसाधनों द्वारा सीमित था।

साधन-अंत विश्लेषण

GPS का मुख्य तंत्र साधन-अंत विश्लेषण था, एक समस्या-समाधान रणनीति जिसमें तीन मुख्य चरण शामिल हैं: (1) वर्तमान स्थिति और लक्ष्य स्थिति के बीच अंतर की पहचान करना, (2) एक ऑपरेटर ढूंढना जो उस अंतर को कम कर सके, और (3) ऑपरेटर को लागू करना, संभवतः इसके अनुप्रयोग को सक्षम करने के लिए उप-समस्याओं को पुनरावर्ती रूप से हल करने के बाद। यह दृष्टिकोण मानव समस्या-समाधान व्यवहार से प्रेरित था, जिसका साइमन और नेवेल ने व्यापक रूप से अध्ययन किया। GPS ने अंतरों को ऑपरेटरों से जोड़ने के लिए कनेक्शन की एक तालिका का उपयोग किया, जिससे यह वर्तमान स्थिति के आधार पर उचित क्रियाओं का चयन कर सके।

साधन-अंत विश्लेषण प्रारंभिक AI और संज्ञानात्मक मॉडलिंग की आधारशिला बन गया। इसे बाद में कई योजना प्रणालियों में शामिल किया गया और अनुक्रम-से-अनुक्रम मॉडल और अन्य आधुनिक AI आर्किटेक्चर के विकास को प्रभावित किया। यह अवधारणा पाठ्यचर्या शिक्षण में भी अनुप्रयोग पाती है, जहां कार्यों को वर्तमान और वांछित क्षमताओं के बीच अंतर को धीरे-धीरे कम करने के लिए संरचित किया जाता है।

प्रभाव और विरासत

GPS का AI के क्षेत्र पर गहरा प्रभाव पड़ा, दोनों अवधारणात्मक और व्यावहारिक रूप से। इसने प्रदर्शित किया कि मशीनें तर्क और योजना की आवश्यकता वाले कार्य कर सकती हैं, जो इस प्रचलित दृष्टिकोण को चुनौती देता है कि कंप्यूटर अंकगणितीय गणनाओं तक सीमित थे। GPS पर नेवेल और साइमन के काम ने मानव अनुभूति पर उनके बाद के शोध में योगदान दिया, जिसकी परिणति 1980 के दशक में SOAR संज्ञानात्मक वास्तुकला के विकास में हुई। GPS ने विशेषज्ञ प्रणालियों और प्रारंभिक प्राकृतिक भाषा प्रसंस्करण प्रणालियों के डिजाइन को भी प्रभावित किया।

अपने नाम के बावजूद, GPS आधुनिक अर्थों में एक सामान्य समस्या समाधानकर्ता नहीं था; इसके लिए समस्याओं को एक विशिष्ट तरीके से औपचारिक रूप देने की आवश्यकता थी और इसमें अनुभव से सीखने की क्षमता का अभाव था। फिर भी, इसने जनरेटिव AI और बड़े भाषा मॉडल में बाद की प्रगति के लिए मंच तैयार किया, जो सामान्य-उद्देश्यीय तर्क के विचार पर निर्माण करते हैं लेकिन कहीं अधिक शक्तिशाली कम्प्यूटेशनल संसाधनों और डेटा-संचालित विधियों के साथ।

सीमाएँ और आलोचनाएँ

GPS को कई सीमाओं का सामना करना पड़ा जो शोधकर्ताओं द्वारा इसे अधिक जटिल समस्याओं तक विस्तारित करने के प्रयासों के दौरान स्पष्ट हुईं। कार्यक्रम समस्या डोमेन के पूर्ण और सटीक औपचारिकरण पर निर्भर था, जिसे हासिल करना अक्सर कठिन था। इसका खोज स्थान तेजी से बढ़ सकता था, जिससे यह वास्तविक दुनिया के कार्यों के लिए अव्यावहारिक हो गया। इसके अतिरिक्त, GPS के पास पिछली सफलताओं या विफलताओं से सीखने का कोई तंत्र नहीं था, इसलिए यह समय के साथ अपने प्रदर्शन में सुधार नहीं कर सका।

आलोचकों ने यह भी नोट किया कि GPS की "सामान्य" प्रकृति अतिरंजित थी, क्योंकि इसके लिए प्रत्येक नई समस्या के लिए हस्त-निर्मित प्रतिनिधित्व और ऑपरेटर परिभाषाओं की आवश्यकता होती थी। इस सीमा ने डोमेन ज्ञान के महत्व को उजागर किया और 1970 के दशक में ज्ञान-आधारित प्रणालियों के विकास को जन्म दिया। फिर भी, GPS AI इतिहास में एक मील का पत्थर बना हुआ है, जो बुद्धिमान मशीनें बनाने के वादे और चुनौतियों दोनों को दर्शाता है।

आधुनिक संबंध

जबकि GPS अब उपयोग में नहीं है, इसके विचार समकालीन AI अनुसंधान में गूंजते हैं। साधन-अंत विश्लेषण की अवधारणा आधुनिक योजना एल्गोरिदम और ट्रांसफार्मर-आधारित मॉडल के डिजाइन में गूंजती है जो जटिल कार्यों को उप-कार्यों में विघटित करते हैं। समस्या प्रतिनिधित्व और खोज पर जोर तंत्रिका नेटवर्क और गहन शिक्षण के केंद्र में है, जो हस्त-कोडित नियमों पर भरोसा करने के बजाय डेटा से प्रतिनिधित्व सीखते हैं। MIT CSAIL और स्टैनफोर्ड AI लैब जैसे संस्थानों के शोधकर्ता सामान्य-उद्देश्यीय तर्क का पता लगाना जारी रखते हैं, अक्सर GPS जैसी प्रारंभिक प्रणालियों से प्रेरणा लेते हैं।

संक्षेप में, जनरल प्रॉब्लम सॉल्वर एक सार्वभौमिक तर्क इंजन बनाने का अग्रणी प्रयास था। इसका विकास एक अनुशासन के रूप में AI की शुरुआत को चिह्नित करता है, और इसकी विरासत समस्या समाधान और मशीन बुद्धिमत्ता के कई आधुनिक दृष्टिकोणों में देखी जा सकती है।