ग्राउंडिंग, कृत्रिम बुद्धिमत्ता में, किसी सिस्टम द्वारा उपयोग किए जाने वाले प्रतीकों, शब्दों या प्रतिनिधित्वों को वास्तविक-विश्व संदर्भों, संवेदी अनुभव या सत्यापन योग्य बाहरी तथ्यों से जोड़ने को संदर्भित करता है, न कि उन्हें केवल सिस्टम के भीतर अन्य प्रतीकों को संदर्भित करने देने को। इस समस्या को संज्ञानात्मक वैज्ञानिक स्टीवन हार्नड ने 1990 के एक पेपर में "प्रतीक ग्राउंडिंग समस्या" पर औपचारिक रूप से प्रस्तुत किया था, जिसमें पूछा गया था कि एक विशुद्ध रूप से प्रतीक-हेरफेर करने वाली प्रणाली अपने प्रतीकों को कभी कैसे अर्थ दे सकती है, बजाय केवल वाक्य-विन्यास नियमों के अनुसार अर्थहीन टोकनों को फेरबदल करने के।
यह प्रश्न बड़े भाषा मॉडल के उदय के साथ नए सिरे से महत्वपूर्ण हो गया, जो केवल पाठ में पैटर्न पर प्रशिक्षित होते हैं और उस दुनिया के साथ कोई सीधा संवेदी संपर्क नहीं रखते जिसका वे वर्णन करते हैं, यह चिंता स्टोकेस्टिक तोता आलोचना से निकटता से संबंधित है जो मॉडलों के बारे में है जो धाराप्रवाह लेकिन संभावित रूप से अर्थहीन आउटपुट उत्पन्न करते हैं।
इंजीनियरिंग समस्या के रूप में ग्राउंडिंग
व्यवहार में, किसी मॉडल के आउटपुट को "ग्राउंड" करना एक उद्योग शब्द बन गया है जिसका अर्थ है उसके उत्तरों को सत्यापन योग्य बाहरी स्रोतों तक सीमित करना, न कि केवल पैरामीट्रिक मेमोरी पर निर्भर रहना, सबसे आम तौर पर पुनर्प्राप्ति-संवर्धित जनरेशन के माध्यम से, जहाँ पुनर्प्राप्त दस्तावेज़ों को उद्धृत या कोट किया जाता है ताकि मतिभ्रम कम हो सके। खोज-संवर्धित सहायक और उद्यम चैटबॉट को अक्सर "ग्राउंडेड" उत्तर उत्पन्न करने के रूप में वर्णित किया जाता है जब उनके आउटपुट किसी विशिष्ट पुनर्प्राप्त अनुच्छेद से पता लगाने योग्य होते हैं, इसके विपरीत मॉडल के प्रशिक्षण डेटा से विशुद्ध रूप से खींचे गए अप्रतिबंधित जनरेशन के।
एम्बॉडिमेंट और मोडैलिटी के माध्यम से ग्राउंडिंग
एक अलग शोध परंपरा तर्क देती है कि सच्ची ग्राउंडिंग के लिए भौतिक दुनिया के साथ सेंसरिमोटर इंटरैक्शन की आवश्यकता होती है, जो एम्बॉडेड एआई और रोबोटिक्स में काम को प्रेरित करती है, जहाँ एक सिस्टम के प्रतिनिधित्व उसके वातावरण पर कार्य करने और उसे समझने से आकार लेते हैं, न कि उसके बारे में पाठ पढ़ने से। मल्टीमॉडल और विज़न-भाषा मॉडल आंशिक रूप से भाषा को छवियों, ऑडियो या वीडियो से जोड़कर समस्या का समाधान करते हैं, जिससे प्रतिनिधित्व को कम से कम एक अवधारणात्मक लंगर मिलता है, और विश्व मॉडल पर संबंधित शोध सिस्टम को भौतिक कारण और प्रभाव का आंतरिक भविष्य कहनेवाला सिमुलेशन देने का प्रयास करता है।
चल रही बहस
क्या वर्तमान भाषा प्रौद्योगिकी केवल पाठ और मल्टीमॉडल डेटा के माध्यम से वास्तविक ग्राउंडिंग प्राप्त कर सकती है, या क्या यह अनिवार्य रूप से पैटर्न पूर्णता का एक परिष्कृत रूप बनी रहती है, यह अनसुलझा है। कुछ शोधकर्ता तर्क देते हैं कि ग्राउंडिंग डिग्री का मामला है, जिसमें पुनर्प्राप्ति, उपकरण उपयोग और मल्टीमॉडल धारणा प्रत्येक समस्या को पूरी तरह से हल करने के बजाय आंशिक ग्राउंडिंग जोड़ते हैं, जबकि अन्य बनाए रखते हैं कि दार्शनिक अर्थ में ग्राउंडिंग के लिए एम्बॉडेड अनुभव की आवश्यकता होती है जो किसी भी वर्तमान सिस्टम के पास नहीं है। यह बहस स्टोकेस्टिक तोता आलोचना द्वारा उठाए गए प्रश्नों के करीब है, लेकिन उनसे अलग है, क्योंकि एक सिस्टम सिद्धांत रूप में पुनर्प्राप्त तथ्यों में अच्छी तरह से ग्राउंडेड हो सकता है जबकि उनकी गहरी वैचारिक समझ की कमी होती है।