LLM मधील 'ग्रुपथिंक' तोडणे: Springboards कशा प्रकारे AI सर्जनशीलता नव्याने परिभाषित करत आहे

मुख्य प्रवाहातील Large Language Models (LLMs) तर्कशास्त्र (logic) आणि कोडिंगमध्ये उत्कृष्ट असले तरी, त्यांना 'ग्रुपथिंक' (groupthink) या सर्वव्यापी समस्येचा सामना करावा लागतो, ज्यामुळे सर्जनशील कामांमधील त्यांची उपयुक्तता मर्यादित होते. OpenAI आणि Google सारख्या उद्योग क्षेत्रातील दिग्गज कंपन्यांच्या अंदाजित (predictable) नमुन्यांना आव्हान देण्यासाठी एक नवीन स्टार्टअप पुढे येत आहे.

LLMs मधील अंदाजिततेची (Predictability) समस्या

जर तुम्ही ChatGPT, Claude किंवा Gemini सारख्या आघाडीच्या चॅटबॉट्सना "१ ते १० मधील कोणताही एक आकडा निवडा" असे विचारले, तर तुम्हाला बहुधा ७ हा आकडाच मिळेल. हा योगायोग नाही; हे सध्याच्या LLM आर्किटेक्चरमध्ये अंतर्भूत असलेल्या अंगभूत पूर्वग्रह (bias) आणि 'ग्रुपथिंक'चे लक्षण आहे. ही मॉडेल्स प्रचंड मोठ्या डेटासेटवर प्रशिक्षित केलेली असतात, जे सांख्यिकीयदृष्ट्या सर्वाधिक संभाव्य पुढचा 'टोकन' (token) निवडण्याला प्राधान्य देतात, ज्यामुळे मिळणारे प्रतिसाद अनेकदा सुरक्षित, पुनरावृत्ती होणारे आणि अंदाजित असतात.

डेव्हलपर्स आणि संशोधकांसाठी, कोडमधील चुका सुधारणे (debugging) किंवा तांत्रिक शोधनिबंधांचा सारांश काढणे यांसारख्या उच्च अचूकता आवश्यक असलेल्या कामांसाठी ही अंदाजितता एक उपयुक्त गोष्ट आहे. मात्र, ब्रेनस्टॉर्मिंग भागीदार, ट्रॅव्हल प्लॅनर किंवा सर्जनशील सहकार्यासाठी वापरकर्ते शोधत असतील, तर ही "एकाच साच्यातील विचार करण्याची पद्धत" एक मर्यादा म्हणून काम करते. जेव्हा AI सर्वात स्पष्ट किंवा साध्या उत्तराकडे वळते, तेव्हा ते खऱ्या नाविन्यासाठी आवश्यक असलेले 'डायव्हर्जंट थिंकिंग' (divergent thinking - विचलित विचार प्रक्रिया) प्रदान करण्यात अपयशी ठरते.

Springboards आणि Flint मॉडेल

ऑस्ट्रेलियातील स्टार्टअप Springboards मध्यमतेचे हे चक्र तोडण्याचा प्रयत्न करत आहे. सर्वाधिक संभाव्य प्रतिसादासाठी ऑप्टिमाइझ करण्याऐवजी, कंपनीने Flint नावाचे एक विशेष LLM विकसित केले आहे.

मुख्य प्रवाहातील मॉडेल्समध्ये आढळणारा 'ग्रुपथिंक' रोखण्यासाठी Flint विशेषतः तयार करण्यात आले आहे. त्याचे प्रशिक्षण उद्दिष्ट मुक्त प्रश्नांना (open-ended queries) विविध प्रकारची उत्तरे देण्यावर केंद्रित आहे. उदाहरणार्थ, जेव्हा "मला युरोपमध्ये कुठे जायला हवे?" असा प्रश्न विचारला जातो, तेव्हा Flint पॅरिस किंवा रोम सारख्या नेहमीच्या ठिकाणांऐवजी अधिक वैविध्यपूर्ण आणि कमी परिचित सूचना देण्यास डिझाइन केलेले आहे. सांख्यिकीय संभाव्यतेच्या मर्यादा जाणीवपूर्वक ओलांडून, Springboards चे उद्दिष्ट चॅटबॉट्सना "साध्या" उत्तरांपासून दूर नेऊन खऱ्या सर्जनशील उपयुक्ततेकडे नेणे हे आहे.

उद्योगासाठी 'डायव्हर्जंट AI' का महत्त्वाचा आहे

Flint सारख्या मॉडेल्सचा विकास AI क्षेत्रातील एक महत्त्वपूर्ण बदल अधोरेखित करतो: सामान्य उद्देशाच्या बुद्धिमत्तेकडून (general-purpose intelligence) विशेष वर्तणूक बुद्धिमत्तेकडे (specialized behavioral intelligence) होणारे संक्रमण. जसा हा उद्योग प्रगल्भ होत जाईल, तसा AI कंपन्यांचा स्पर्धात्मक फायदा केवळ पॅरामीटरच्या संख्येपलीकडे जाऊन "संज्ञानात्मक" (cognitive) शैलींवर नियंत्रण ठेवण्याच्या क्षमतेकडे वळेल.

जर AI ची पुढची पिढी तर्कसंगत अचूकता (logical precision) आणि सर्जनशील विचलन (creative divergence) यांच्यातील संतुलन साधू शकली, तर आपल्याला वापराच्या क्षेत्रांमध्ये (use cases) मोठी वाढ पाहायला मिळेल—ऑटोमेटेड मार्केटिंग ब्रेनस्टॉर्मिंगपासून ते जटिल वास्तुशास्त्रीय डिझाइनपर्यंत. व्यापक तंत्रज्ञान परिसंस्थेसाठी, उद्दिष्ट आता केवळ सर्व काही माहित असलेले मॉडेल तयार करणे नाही, तर वेगळ्या पद्धतीने विचार करू शकणारे मॉडेल तयार करणे हे आहे.

मुख्य निष्कर्ष

• ग्रुपथिंकचा सापळा: सध्याचे मुख्य प्रवाहातील LLMs सांख्यिकीय अंदाजिततेने त्रस्त आहेत, जे अनेकदा सर्वात सामान्य किंवा "साध्या" उत्तरांकडे वळतात.
• Flint चा दृष्टिकोन: Springboards या स्टार्टअपने Flint लाँच केले आहे, जे मुक्त प्रॉम्प्ट्सना उच्च-विविधतापूर्ण आणि सर्जनशील उत्तरे देण्यासाठी विशेषतः प्रशिक्षित केलेले LLM आहे.
• उद्योगातील बदल: विशेष मॉडेल्सचा उदय असे भविष्य सूचित करतो जिथे AI ला विशिष्ट संज्ञानात्मक मोडसाठी (cognitive modes) ट्यून केले जाईल, जसे की सर्जनशील ब्रेनस्टॉर्मिंग विरुद्ध तर्कसंगत विचार प्रक्रिया.