मानव समस्या-समाधान वह संज्ञानात्मक प्रक्रिया है जिसके द्वारा व्यक्ति या समूह वर्तमान स्थिति और वांछित लक्ष्य के बीच अंतर की पहचान करते हैं, और फिर उस अंतर को कम करने या समाप्त करने के लिए संचालनों का एक क्रम तैयार करते हैं और निष्पादित करते हैं। यह बुद्धिमत्ता का एक मौलिक पहलू है, जिसमें मार्ग की योजना बनाने जैसे सामान्य कार्यों से लेकर जटिल वैज्ञानिक खोज तक सब कुछ शामिल है। मानव समस्या-समाधान का अध्ययन ऐतिहासिक रूप से मनोविज्ञान और संज्ञानात्मक विज्ञान का एक केंद्रीय विषय रहा है, और इसने कृत्रिम बुद्धिमत्ता के क्षेत्र के लिए एक मूलभूत प्रेरणा के रूप में भी काम किया है, जहाँ शोधकर्ताओं ने इन प्रक्रियाओं को मशीनों में मॉडल और दोहराने का प्रयास किया है।
20वीं सदी के मध्य में, विशेष रूप से प्रारंभिक मनोवैज्ञानिक अनुसंधान ने समस्या-समाधान को समस्या स्थान के माध्यम से खोज के एक रूप के रूप में प्रस्तुत किया। एलन न्यूएल और हर्बर्ट साइमन जैसे व्यक्तियों द्वारा समर्थित इस दृष्टिकोण ने एक समस्या को प्रारंभिक अवस्था, लक्ष्य अवस्था और संचालकों के एक समूह से युक्त माना जो एक अवस्था को दूसरी में बदलते हैं। समाधानकर्ता का कार्य इस स्थान के माध्यम से एक मार्ग खोजना है, अक्सर खोज को छाँटने और उसे सुगम बनाने के लिए अनुमानों - मानसिक शॉर्टकट या अंगूठे के नियमों - का उपयोग करना। इस सूचना-प्रसंस्करण दृष्टिकोण ने प्रारंभिक एआई कार्यक्रमों के विकास को जन्म दिया, जैसे कि जनरल प्रॉब्लम सॉल्वर, जिसने स्पष्ट रूप से मानव अनुमानी खोज की नकल करने का प्रयास किया।
अनुमान और पूर्वाग्रह
1970 के दशक में मनोवैज्ञानिक डैनियल काह्नमैन और अमोस टवर्स्की द्वारा अग्रणी अनुसंधान की एक प्रमुख शाखा, उन अनुमानों पर केंद्रित थी जो मनुष्य वास्तव में उपयोग करते हैं, जो अक्सर मानक तर्क से विचलित होते हैं। उन्होंने सामान्य शॉर्टकट की पहचान की जैसे प्रतिनिधित्व (समानता द्वारा संभावना का न्याय करना), उपलब्धता (स्मरण की आसानी से आवृत्ति का न्याय करना), और एंकरिंग (जानकारी के प्रारंभिक टुकड़े पर अत्यधिक निर्भरता)। ये अनुमान आम तौर पर कुशल होते हैं लेकिन व्यवस्थित त्रुटियों या संज्ञानात्मक पूर्वाग्रहों को जन्म दे सकते हैं। इस कार्य ने मनुष्यों को विशुद्ध रूप से तर्कसंगत अभिनेता मानने की धारणा को चुनौती दी और मानव तर्कसंगतता की सीमित प्रकृति पर प्रकाश डाला - एक अवधारणा जिसने मशीन लर्निंग मॉडल का मूल्यांकन करने के तरीके को प्रभावित किया है, विशेष रूप से उनकी विफलता के तरीकों और सीमाओं को समझने में।
अंतर्दृष्टि और पुनर्संरचना
सभी समस्या-समाधान में वृद्धिशील खोज शामिल नहीं होती है। 20वीं सदी की शुरुआत में गेस्टाल्ट मनोवैज्ञानिकों ने अंतर्दृष्टि की भूमिका पर जोर दिया - समस्या का एक अचानक, अक्सर अचेतन पुनर्संरचना जो तत्काल समाधान की ओर ले जाती है। क्लासिक उदाहरणों में नौ-बिंदु पहेली शामिल है, जहाँ समाधानकर्ता को सीमाओं के बारे में एक निहित धारणा को तोड़ना पड़ता है। अंतर्दृष्टि पर शोध ने दिखाया है कि इसमें अक्सर गतिरोध की अवधि शामिल होती है, जिसके बाद समझ की अचानक चमक आती है। यह एल्गोरिथम चरण-दर-चरण दृष्टिकोणों के विपरीत है। आधुनिक एआई में, अंतर्दृष्टि की अवधारणा में बड़े भाषा मॉडल की अनदेखी समस्याओं के लिए नए समाधान उत्पन्न करने की क्षमता के समानांतर है, हालाँकि ये प्रणालियाँ वास्तव में समस्याओं का पुनर्संरचना करती हैं या पैटर्न पूर्णता पर निर्भर करती हैं, यह मेलानी मिशेल जैसे शोधकर्ताओं के बीच बहस का विषय बना हुआ है।
कृत्रिम बुद्धिमत्ता में समस्या-समाधान
मानव समस्या-समाधान के औपचारिक अध्ययन ने सीधे प्रारंभिक एआई को आकार दिया। शतरंज कंप्यूटर डीप ब्लू, जिसने 1997 में विश्व चैंपियन गैरी कास्परोव को हराया, ने एक ब्रूट-फोर्स खोज एल्गोरिथ्म का उपयोग किया, लेकिन इसके मूल्यांकन फ़ंक्शन को मानव शतरंज ज्ञान के साथ ट्यून किया गया था। हाल ही में, प्रतीकात्मक एआई से गहन शिक्षण की ओर बदलाव ने स्पष्ट खोज से डेटा से प्रतिनिधित्व सीखने पर ध्यान केंद्रित किया है। तंत्रिका नेटवर्क, विशेष रूप से ट्रांसफार्मर, अगले टोकन या क्रियाओं की भविष्यवाणी करने के लिए प्रशिक्षित होते हैं, और उनकी समस्या-समाधान क्षमताएँ इन सांख्यिकीय पैटर्न से उभरती हैं। उदाहरण के लिए, ओपनएआई की जीपीटी श्रृंखला और एंथ्रोपिक के क्लॉड मॉडल जटिल तर्क कार्यों को हल कर सकते हैं, लेकिन उनके तरीके अपारदर्शी हैं और अक्सर मानव संज्ञानात्मक प्रक्रियाओं से भिन्न होते हैं। जोशुआ टेनेनबाम जैसे शोधकर्ता एमआईटी सीएसएआईएल में तर्क देते हैं कि वर्तमान एआई में कारण समझ और सहज भौतिकी का अभाव है जो मानव समस्या-समाधान को रेखांकित करता है, और वे प्रतीकात्मक तर्क के साथ गहन शिक्षण के संश्लेषण की वकालत करते हैं।
कम्प्यूटेशनल मॉडल और संज्ञानात्मक वास्तुकला
मानव और मशीन समस्या-समाधान के बीच की खाई को पाटने के लिए, संज्ञानात्मक वैज्ञानिकों ने कम्प्यूटेशनल मॉडल बनाए हैं जो मानव प्रदर्शन का अनुकरण करते हैं। कार्नेगी मेलन विश्वविद्यालय में जॉन एंडरसन द्वारा विकसित एक्ट-आर वास्तुकला, अंतर्निहित संज्ञानात्मक प्रक्रियाओं को मॉडल करने का प्रयास करती है, जिसमें स्मृति पुनर्प्राप्ति और प्रक्रियात्मक कौशल अधिग्रहण शामिल है। इसी तरह, न्यूएल और उनके छात्रों द्वारा बनाई गई सोअर वास्तुकला, एक उत्पादन प्रणाली का उपयोग करके समस्या-समाधान कार्यों की एक विस्तृत श्रृंखला को संभालने के लिए डिज़ाइन की गई है। इन मॉडलों का उपयोग नियंत्रित प्रयोगों में मानव प्रतिक्रिया समय और त्रुटि दरों की भविष्यवाणी करने के लिए किया गया है, जो मनोवैज्ञानिक सिद्धांत और कम्प्यूटेशनल कार्यान्वयन के बीच एक परीक्षण योग्य कड़ी प्रदान करता है। वे अधिक मानव-समान एआई के डिजाइन को भी सूचित करते हैं, जैसे कि सैंक्चुअरी एआई के सामान्य-उद्देश्य वाले रोबोट बनाने के प्रयास जो अपने पर्यावरण के बारे में तर्क करते हैं।
आधुनिक चुनौतियाँ और भविष्य की दिशाएँ
मानव समस्या-समाधान पर समकालीन शोध तेजी से अंतःविषयक है, जो मनोविज्ञान, तंत्रिका विज्ञान और एआई को जोड़ता है। एक प्रमुख चुनौती यह समझना है कि मनुष्य खराब संरचित समस्याओं को कैसे हल करते हैं, जहाँ लक्ष्य या संचालक स्पष्ट रूप से परिभाषित नहीं होते हैं। दूसरी रचनात्मकता और अनुरूप तर्क की भूमिका है, जहाँ एक डोमेन से समाधान दूसरे में स्थानांतरित किए जाते हैं। एआई में, जनरेटिव एआई की खोज जो नई समस्याओं को हल कर सकती है, ने आरएलएचएफ (मानव प्रतिक्रिया से सुदृढीकरण सीखना) जैसी तकनीकों को जन्म दिया है ताकि मॉडल व्यवहार को मानव प्राथमिकताओं के साथ संरेखित किया जा सके। हालाँकि, 2020 के दशक की शुरुआत तक, एआई सिस्टम अभी भी उन कार्यों से जूझते हैं जिनके लिए सामान्य ज्ञान, दीर्घकालिक योजना और बदलती परिस्थितियों के लिए मजबूत अनुकूलन की आवश्यकता होती है - ऐसे क्षेत्र जहाँ मानव समस्या-समाधान उत्कृष्ट है। स्टैनफोर्ड एआई लैब और बर्कले एआई रिसर्च जैसे संस्थानों में चल रहा काम इन सीमाओं का पता लगाना जारी रखता है, अक्सर अधिक सक्षम और व्याख्यात्मक प्रणालियों के निर्माण के लिए संज्ञानात्मक विज्ञान से सीधी प्रेरणा लेता है।