भाषा AI ला कशी आकार देते: Anthropic च्या अभ्यासातून Claude च्या व्यक्तिमत्त्वात होणारे बदल समोर आले

Anthropic ने एक क्रांतिकारी अभ्यास प्रसिद्ध केला आहे, ज्यातून असे दिसून येते की बोलल्या जाणाऱ्या भाषेनुसार Claude चे "व्यक्तिमत्त्व" आणि मूल्यांचे प्रकटीकरण लक्षणीयरीत्या बदलते. हिंदीमधील आपुलकीपासून ते रशियनमधील तांत्रिक अचूकतेपर्यंत, हा शोध भाषेतील बारकावे AI च्या वर्तनावर कसा खोलवर प्रभाव टाकतात हे अधोरेखित करतो.

चार मितींमधील AI मूल्यांचे मॅपिंग

AI संवादातील बारकावे समजून घेण्यासाठी, Anthropic ने मे २०२६ मधील ३,०९,८१५ अनामित (anonymized) संवादांचे विश्लेषण केले. हजारो वैयक्तिक संज्ञांवर प्रक्रिया करून, संशोधन पथकाने जटिल मानवी मूल्यांचे ३३९ उच्च-स्तरीय संकल्पनांमध्ये रूपांतर केले, ज्यांचे पुढे चार मुख्य वर्तणूक अक्षांमध्ये (behavioral axes) वर्गीकरण करण्यात आले:

• आदर आणि सावधगिरी (Deference and Caution): मॉडेल वापरकर्त्याशी किती सहमत होते आणि ते आपल्या उत्तरांमध्ये किती सावधगिरी बाळगते.
• आपुलकी आणि अचूकता (Warmth and Rigor): सहानुभूतीपूर्ण, सभ्य शब्दावली आणि चिकित्सक, पुराव्यावर आधारित तपासणी यांच्यातील संतुलन.
• सखोलता आणि संक्षिप्तता (Depth and Brevity): मॉडेल सविस्तर तपशील देते की संक्षिप्त आणि थेट उत्तरे देते.
• स्पष्टवक्तेपणा आणि अंमलबजावणी (Candor and Execution): मोकळेपणाने टीका करणे आणि कार्य पूर्ण करण्यावर लक्ष केंद्रित करणे यातील तणाव.

ही कार्यपद्धती संशोधकांना संवादाच्या प्रत्यक्ष विषयापासून भाषिक आणि मॉडेल-विशिष्ट वर्तनांना वेगळे करण्यास अनुमती देते, ज्यामुळे LLM मध्ये अंतर्निहित "मानक पद्धतींचा" (normative patterns) अधिक स्पष्ट दृष्टिकोन मिळतो.

भिन्न वर्तणूक प्रोफाइल: Sonnet विरुद्ध Opus

हा अभ्यास पुष्टी करतो की Claude कुटुंबातील विविध मॉडेल्समध्ये मोजण्यायोग्य वर्तणुकीतील फरक दिसून येतो. ही प्रोफाइल अनेकदा वापरकर्त्यांच्या धारणांशी सुसंगत असतात, ज्यामुळे वापरल्या जाणाऱ्या विशिष्ट मॉडेल आवृत्तीवर आधारित एक टप्प्याटप्प्याने अनुभव (tiered experience) तयार होतो:

• Sonnet 4.6: प्रामुख्याने आपुलकीने वैशिष्ट्यीकृत. हे विनोदाकडे झुकते, वापरकर्त्यांच्या कल्पनांना पुष्टी देते आणि कोणताही निर्णय न घेता आधार देते.
• Opus 4.6: कार्यक्षमतेवर लक्ष केंद्रित करते. हे थेट असण्याकडे कल देते आणि अनावश्यक विस्तार टाळते.
• Opus 4.7: "चिकित्सक विचारवंत." हे मॉडेल गृहितकांवर प्रश्न विचारणे, स्वतःच्या चुका दर्शवणे आणि स्पष्टपणे विचारले नसले तरी जोखमींबद्दल सावध करणे या गोष्टी अधिक करते.

भाषेतील तफावत: हिंदीमधील आपुलकीपासून रशियनमधील अचूकतेपर्यंत

कदाचित सर्वात धक्कादायक निष्कर्ष म्हणजे भाषा एका लेन्सप्रमाणे (lens) कार्य करते जी Claude च्या आउटपुटला आकार देते. वेगवेगळ्या भाषांमध्ये एकच प्रश्न विचारणाऱ्या दोन वापरकर्त्यांना मूलभूतपणे भिन्न प्रकारचे फीडबॅक मिळू शकतो.

संशोधनात असे आढळले की हिंदी आणि अरबी भाषांमध्ये सर्वाधिक प्रमाणात आपुलकी दिसून येते, ज्याचे वैशिष्ट्य नम्रता, खेळकरपणा आणि पुष्टी देणे हे आहे. याउलट, इंग्रजी आणि रशियन मध्ये, Claude अधिक कठोर भूमिका घेते—गृहितकांवर प्रश्न विचारणे, तपशील दुरुस्त करणे आणि पुराव्याची मागणी करणे.

इतर उल्लेखनीय भाषिक नमुने खालीलप्रमाणे आहेत:

• अरबी: सर्वाधिक आदर (deference) दर्शवते.
• इंग्रजी: सर्वाधिक सावधगिरी आणि शब्दांचा वापर करून उत्तर देणे (hedging) दर्शवते.
• डच: उच्च स्पष्टवक्तेपणा आणि मोकळेपणाकडे झुकते.
• इंडोनेशियन: अंमलबजावणी आणि निकाल-केंद्रित प्रतिसादांकडे अधिक झुकते.

AI उद्योगासाठी हे का महत्त्वाचे आहे

हे निष्कर्ष प्रशिक्षण डेटाची रचना आणि अनपेक्षित भाषिक पूर्वग्रह (linguistic bias) यांच्या संदर्भात महत्त्वपूर्ण प्रश्न निर्माण करतात. Anthropic चे असे मत आहे की हे बदल प्रशिक्षणासाठी उपलब्ध असलेल्या डेटाचे असमान प्रमाण किंवा डेटासेटमध्ये असलेल्या विविध भाषिक संवादाच्या मानकांमुळे असू शकतात.

जागतिक ॲप्लिकेशन्स तयार करणाऱ्या डेव्हलपर्स आणि संस्थापकांसाठी ही एक महत्त्वाची जाणीव आहे: एक AI असिस्टंट एका बाजारपेठेत आश्वासक प्रशिक्षकासारखा वाटू शकतो आणि दुसऱ्या बाजारपेठेत कडक लेखापरीक्षकासारखा (auditor) वाटू शकतो. जसे LLMs जागतिक कार्यप्रवाहामध्ये (workflows) अधिक प्रमाणात समाविष्ट होत आहेत, तसे हे भाषिक बदल प्रणालीगत पूर्वग्रह नसून हेतुपुरस्सर केलेले अनुकूलन आहेत याची खात्री करणे हे AI सुरक्षा आणि अलाइनमेंटसाठी (alignment) एक मुख्य आव्हान आहे.

मुख्य निष्कर्ष

• AI मधील भाषिक सापेक्षता (Linguistic Relativity): Claude चे प्रतिसाद भाषेनुसार लक्षणीयरीत्या बदलतात, ज्यात हिंदीमध्ये उच्च आपुलकी आणि रशियनमध्ये उच्च अचूकता दिसून येते.
• मॉडेल टियरिंग: Anthropic ची मॉडेल्स भिन्न व्यक्तिमत्त्वे दर्शवतात, ज्यामध्ये Sonnet 4.6 अधिक सहानुभूतीपूर्ण आहे आणि Opus 4.7 अधिक चिकित्सक आणि सावध आहे.
• प्रशिक्षण डेटाचे आव्हान: विविध भाषांमधील AI च्या वर्तणुकीतील फरक बहुधा प्रशिक्षणाच्या डेटाचे असमान वितरण आणि बदलत्या सांस्कृतिक संवादाच्या मानकांमुळे असू शकतो.