चॅटबॉटपासून 'डिजिटल सहकार्या'पर्यंत
टेन्सेंटच्या यूटू लॅब आणि अनेक चिनी विद्यापीठांचा एक नवीन सर्वेक्षण पेपर कृत्रिम बुद्धिमत्तेच्या पुढील टप्प्याबद्दल एक स्पष्ट युक्तिवाद करतो: चांगली उत्तरे पुरेशी नाहीत. संशोधकांच्या मते, AI प्रणाली खरे सहकारी म्हणून कार्य करणार असल्यास, त्यांनी प्रतिसाद निर्मितीच्या पलीकडे जाऊन सतत कार्यरत वातावरणात पूर्ण कार्ये विश्वासार्हपणे पूर्ण करणे आवश्यक आहे.
द डिकोडरच्या २८ जूनच्या अहवालात वर्णन केलेला हा बदल AI विकासातील एका मध्यवर्ती प्रश्नाची पुनर्रचना करतो. हा प्रश्न यापुढे केवळ मॉडेल अधिक प्रवाही किंवा अधिक अचूक उत्तर देऊ शकते का याचा नाही. तर मॉडेल वापरकर्त्याचा हेतू समजून घेऊन, साधने आणि फाइल्सशी संवाद साधून, अनपेक्षित परिस्थितीशी जुळवून घेऊन आणि काम प्रत्यक्षात पूर्ण होईपर्यंत चालू ठेवू शकते का याचा आहे.
पेपरच्या भाषेत, गंतव्यस्थान चॅटबॉटऐवजी 'डिजिटल सहकारी' आहे. हे पहिल्या वाचनात ब्रँडिंग भाषेसारखे वाटते, परंतु मूळ फरक व्यावहारिक आहे. चॅटबॉट उत्तर देते. सहकारी अंमलबजावणी करतो.
एक-शॉट बुद्धिमत्तेची मर्यादा
सर्वेक्षण मोठ्या भाषा मॉडेल्सच्या उत्क्रांतीचा अनेक टप्प्यांतून मागोवा घेते. सुरुवातीच्या टप्प्यात, प्रणाली प्रामुख्याने सर्वात संभाव्य पुढील टोकनचा अंदाज लावून मजकूर त्वरित तयार करतात. त्यांची क्षमता मुख्यतः मॉडेल पॅरामीटर्समध्ये संकुचित केलेल्या नमुन्यांवर आणि माहितीवर अवलंबून असते. यामुळे ते मसुदा तयार करणे, सारांशित करणे आणि सामान्य प्रश्नांची उत्तरे देण्यासाठी उपयुक्त ठरले, परंतु त्यामुळे स्पष्ट मर्यादाही लादल्या गेल्या.
द डिकोडरच्या पेपरच्या सारांशानुसार, त्या प्रणाली सामान्यतः उपायांसाठी मोठ्या प्रमाणात शोध घेत नाहीत, मध्यवर्ती पायऱ्या सत्यापित करत नाहीत किंवा समस्या सोडवताना स्थितीची टिकाऊ जाणीव ठेवत नाहीत. त्या एकाच पासमध्ये आउटपुट तयार करतात, आणि याचा अर्थ असा की जेव्हा एखाद्या कार्यासाठी अनेक अवलंबित क्रिया किंवा कालांतराने सत्यापन आवश्यक असते तेव्हा त्यांची विश्वासार्हता अनेकदा कोसळते.
संशोधक नंतरच्या 'थिंकिंग एलएलएम' टप्प्याचे वर्णन करतात ज्यामध्ये मॉडेल्स उपाय मार्ग शोधण्यासाठी, मध्यवर्ती तर्क तपासण्यासाठी आणि चुका सुधारण्यासाठी अनुमान दरम्यान अधिक संगणन खर्च करतात. अहवाल त्या टप्प्याला OpenAI चे o1 आणि DeepSeek-R1 सारख्या प्रणालींशी जोडतो, ज्या वेगवान, अंतर्ज्ञानी वर्तनापासून हळू, अधिक मुद्दाम तर्काकडे जात असल्याचे चित्रित केले जातात.
तो बदल महत्त्वाचा आहे, परंतु पेपर असा युक्तिवाद करतो की तो अद्याप पुरेसा नाही. चांगले तर्क उत्तराची गुणवत्ता सुधारते. ते आपोआप एक विश्वासार्ह एजंट तयार करत नाही जो वास्तविक कार्यप्रवाहात कार्य करू शकेल.
एजंट अजूनही का तुटतात
सर्वेक्षण पहिल्या पिढीतील AI एजंट्समध्ये चार संरचनात्मक कमकुवतपणा ओळखते. द डिकोडरने सारांशित केल्याप्रमाणे, ते एजंट त्यांचे वातावरण केवळ तुकड्यांमध्ये जाणतात, टूल कॉल्स दरम्यान टिकाऊ स्थिती जतन करण्यात अपयशी ठरतात, जेव्हा काही अनपेक्षित घडते तेव्हा तुटतात आणि बर्याचदा कार्ये पूर्ण करत नाहीत.
या समस्या कोडिंग, संशोधन, फाइल ऑपरेशन्स किंवा प्रशासकीय कामासाठी स्वायत्त सहाय्यक म्हणून LLM वापरण्याचा प्रयत्न केलेल्या कोणालाही परिचित आहेत. मॉडेल API कॉल करू शकते, ब्राउझर उघडू शकते किंवा कोड लिहू शकते, तरीही ते थांबते कारण ते काय बदलले याचा मागोवा गमावते, लहान त्रुटीतून सावरू शकत नाही किंवा स्थिर कार्यक्षेत्राचा अभाव असतो ज्यामध्ये मागील क्रिया उपलब्ध राहतात.
पेपरचे उत्तर संज्ञानात्मक तितकेच पर्यावरणीय आहे. ते सतत, सुरक्षित कार्यक्षेत्रांकडे निर्देश करते जिथे फाइल्स, सत्रे, लॉग, परवानग्या, ब्राउझर स्थिती आणि पुनर्वापर करण्यायोग्य कौशल्ये संपूर्ण कार्यादरम्यान उपलब्ध राहतात. त्या सेटअपमध्ये, मॉडेल केवळ वेगळे टूल कॉल तयार करत नाही. ते संदर्भाच्या सातत्यामध्ये कार्य करत आहे.
पुनर्वापर करण्यायोग्य कौशल्यांची भूमिका
पेपरच्या सर्वात मजबूत कल्पनांपैकी एक म्हणजे विश्वासार्ह AI सहकार्यांकडे प्रगती पुनर्वापर करण्यायोग्य 'कौशल्यां'वर अवलंबून आहे. द डिकोडर हे हेतूचे पूर्ण झालेल्या कामात रूपांतर करण्यासाठी मुख्य आवश्यकता म्हणून सादर करते. कौशल्ये, या चौकटीत, अस्पष्ट प्रतिभा नसून पोर्टेबल कार्य प्रक्रिया आहेत ज्या प्रणाली स्थिर वातावरणात वारंवार लागू करू शकते.
हा भर उल्लेखनीय आहे कारण तो AI उपयुक्ततेसाठी बेंचमार्क बदलतो. उद्योगाने बर्याचदा प्रभावी एकल-वळण कामगिरीला बक्षीस दिले आहे: एक चांगला सारांश, एक तीक्ष्ण उत्तर, कोडचा अधिक पॉलिश केलेला ब्लॉक. सर्वेक्षण असा युक्तिवाद करतो की वास्तविक उपयुक्तता इतरत्र आहे. मौल्यवान प्रणाली ती आहे जी विश्वासार्ह असण्यासाठी पुरेशा सातत्याने पुन्हा पुन्हा क्रियांचा क्रम अंमलात आणू शकते.
सतत वातावरण ती कौशल्ये शक्य करतात. जर फाइल्स, लॉग, परवानग्या आणि कार्य संदर्भ प्रत्येक कृतीनंतर अदृश्य झाले, तर मॉडेलला जग पुन्हा पुन्हा तयार करावे लागेल. जर ती स्थिती टिकून राहिली, तर प्रणाली दिनचर्या तयार करू शकते, परिणाम सत्यापित करू शकते आणि सुरवातीपासून पुन्हा सुरू न करता अपयशातून सावरू शकते.
AI प्रगती कशी मोजली जाते यात बदल
अहवाल सुचवतो की हे AI मूल्यांकनात खोल बदल दर्शवते. जुन्या चॅटबॉट प्रतिमानाखाली, प्रगती उत्तर गुणवत्तेद्वारे मोजली जाऊ शकते: प्रवाहीपणा, वस्तुस्थिती, कोडिंग अचूकता किंवा स्वतंत्र समस्यांवरील बेंचमार्क स्कोअर. 'डिजिटल सहकारी' प्रतिमानाखाली, यश पूर्ण झालेल्या कार्यांविरुद्ध मोजावे लागेल.
हे एक कठीण मानक आहे. पूर्ण झालेल्या कामासाठी मॉडेलने ध्येय समजून घेणे, साधने निवडणे, स्थिती राखणे, त्रुटी शोधणे, आउटपुट सत्यापित करणे आणि पूर्णता निकष पूर्ण झाले तेव्हाच थांबणे आवश्यक आहे. यासाठी गोंधळलेल्या, वास्तविक-जगातील परिस्थितीत काही प्रमाणात मजबूती देखील आवश्यक आहे जिथे वातावरण मॉडेलच्या पायाखाली बदलू शकते.
सर्वेक्षण कथितपणे OpenHands आणि SWE-agent सारख्या प्रणालींचा उल्लेख या नवीन युगाशी संबंधित उदाहरणे म्हणून करते, ज्याला द डिकोडर 'ओपनक्लॉ युग' म्हणून लेबल करते. नामकरणापेक्षा स्थापत्य बिंदू अधिक महत्त्वाचा आहे: AI प्रणाली अधिक सक्षम होतात जेव्हा त्या वेगळ्या मजकूर निर्मितीऐवजी सतत अंमलबजावणीसाठी डिझाइन केलेल्या वातावरणात एम्बेड केल्या जातात.
हे आता का महत्त्वाचे आहे
पेपर व्यापक उद्योग संक्रमणाच्या मध्यभागी येतो. AI कंपन्या मॉडेल्सची तर्क आणि मल्टीमॉडल क्षमता सुधारत आहेत, परंतु एंटरप्राइझ खरेदीदार आणि तांत्रिक संघ अरुंद कार्यप्रवाहांमध्ये श्रम प्रतिस्थापनाबद्दल वाढत्या प्रमाणात चिंतित आहेत: प्रणाली तिकीट सोडवू शकते का, कोडबेस अद्यतनित करू शकते का, दस्तऐवज गोळा करू शकते का, तपासणी चालवू शकते का आणि सतत देखरेखीशिवाय सत्यापित करण्यायोग्य परिणाम तयार करू शकते का?
सर्वेक्षणाचे उत्तर असे आहे की हे केवळ समान चॅटबॉट नमुना स्केल करून होणार नाही. उत्तर देण्याच्या बिंदूवर अधिक बुद्धिमत्ता मदत करते, परंतु ते सतत संदर्भ, टिकाऊ स्थिती, साधन ग्राउंडिंग आणि पुनर्वापर करण्यायोग्य अंमलबजावणी नमुन्यांची आवश्यकता दूर करत नाही.
हे स्थान हे देखील स्पष्ट करते की काही डेमो त्यांनी प्रतिनिधित्व करायच्या उत्पादनांपेक्षा अधिक प्रभावी का वाटतात. एक मॉडेल अत्यंत सक्षम दिसू शकते जेव्हा एकच पॉलिश केलेला प्रॉम्प्ट सोडवताना दाखवले जाते. जेव्हा व्यत्यय, अस्पष्टता आणि सत्यापनाची आवश्यकता असलेल्या संपूर्ण कार्य प्रक्रियेत नेव्हिगेट करण्यास सांगितले जाते तेव्हा ते खूपच कमी खात्रीशीर होते.
व्यावहारिक निष्कर्ष
सर्वेक्षणाचे सर्वात उपयुक्त योगदान संकल्पनात्मक शिस्त असू शकते. हे अशा समस्येला भाषा देते जी अनेक वापरकर्ते आधीच पाहतात: AI बर्याचदा एक तेजस्वी प्रतिसादकर्ता आणि अविश्वासार्ह पूर्ण करणारा म्हणून कार्य करते. उत्तर निर्मितीला कार्य पूर्णतेपासून वेगळे करून, पेपर विकसकांना ते अंतर बंद करण्यासाठी महत्त्वाच्या पायाभूत सुविधा आणि उत्पादन डिझाइन निवडींकडे निर्देश करतो.
जर संशोधक बरोबर असतील, तर AI मधील पुढील मोठी झेप केवळ हुशार मॉडेल्सद्वारे परिभाषित केली जाणार नाही. ती अशा प्रणालींद्वारे परिभाषित केली जाईल जी सूचनांचे पूर्ण झालेल्या कामात रूपांतर करण्यासाठी पुरेसे टिकून राहू शकतात, कार्य करू शकतात, लक्षात ठेवू शकतात आणि सत्यापित करू शकतात. दुसऱ्या शब्दांत, भविष्यातील सहकार्याला एकसारखे बोलण्यापेक्षा अधिक करावे लागेल.
हा लेख द डिकोडरच्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.
Originally published on the-decoder.com