LLM Groupthink ਨੂੰ ਤੋੜਨਾ: Springboards ਕਿਵੇਂ AI ਰਚਨਾਤਮਕਤਾ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਰਿਹਾ ਹੈ

ਜਦੋਂ ਕਿ ਮੁੱਖਧਾਰਾ Large Language Models (LLMs) ਤਰਕ (logic) ਅਤੇ ਕੋਡਿੰਗ ਵਿੱਚ ਮਾਹਰ ਹਨ, ਉਹ ਇੱਕ ਵਿਆਪਕ "groupthink" ਸਮੱਸਿਆ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹਨ ਜੋ ਰਚਨਾਤਮਕ ਕੰਮਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਉਪਯੋਗਤਾ ਨੂੰ ਸੀਮਤ ਕਰਦੀ ਹੈ। ਇੱਕ ਨਵਾਂ ਸਟਾਰਟਅੱਪ OpenAI ਅਤੇ Google ਵਰਗੇ ਉਦਯੋਗ ਦੇ ਦਿੱਗਜਾਂ ਦੇ ਅਨੁਮਾਨਿਤ ਪੈਟਰਨਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦੇਣ ਲਈ ਅੱਗੇ ਆ ਰਿਹਾ ਹੈ।

LLMs ਵਿੱਚ ਅਨੁਮਾਨਯੋਗਤਾ ਦੀ ਸਮੱਸਿਆ

ਜੇਕਰ ਤੁਸੀਂ ChatGPT, Claude, ਜਾਂ Gemini ਵਰਗੇ ਪ੍ਰਮੁੱਖ ਚੈਟਬੋਟ ਨੂੰ "1 ਅਤੇ 10 ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਰੈਂਡਮ ਨੰਬਰ ਚੁਣੋ" ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਲਗਭਗ ਯਕੀਨੀ ਤੌਰ 'ਤੇ 7 ਨੰਬਰ ਮਿਲੇਗਾ। ਇਹ ਕੋਈ ਇਤਫ਼ਾਕ ਨਹੀਂ ਹੈ; ਇਹ ਮੌਜੂਦਾ LLM ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਮੌਜੂਦ ਅੰਦਰੂਨੀ ਪੱਖਪਾਤ ਅਤੇ "groupthink" ਦਾ ਲੱਛਣ ਹੈ। ਇਹ ਮਾਡਲ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਸੰਭਵ ਅਗਲੇ ਟੋਕਨ (token) ਨੂੰ ਪਹਿਲ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਜਿਹੇ ਜਵਾਬ ਮਿਲਦੇ ਹਨ ਜੋ ਅਕਸਰ ਸੁਰੱਖਿਅਤ, ਦੁਹਰਾਉਣਯੋਗ ਅਤੇ ਅਨੁਮਾਨਯੋਗ ਹੁੰਦੇ ਹਨ।

ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਲਈ, ਇਹ ਅਨੁਮਾਨਯੋਗਤਾ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦੀ ਲੋੜ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਇੱਕ ਸੰਪਤੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੋਡ ਡੀਬੱਗ ਕਰਨਾ ਜਾਂ ਤਕਨੀਕੀ ਪੇਪਰਾਂ ਦਾ ਸਾਰ ਕੱਢਣਾ। ਹਾਲਾਂਕਿ, ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਪਾਰਟਨਰ, ਯਾਤਰਾ ਯੋਜਨਾਕਾਰ, ਜਾਂ ਰਚਨਾਤਮਕ ਸਹਿਯੋਗੀ ਲੱਭਣ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ, ਇਹ "ਰੁਟੀਨ" ਇੱਕ ਸੀਮਾ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਇੱਕ AI ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਜਵਾਬ ਦੇ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਅਸਲ ਨਵੀਨਤਾ ਲਈ ਲੋੜੀਂਦੀ ਵੱਖਰੀ ਸੋਚ (divergent thinking) ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ।

Springboards ਅਤੇ Flint ਮਾਡਲ

ਆਸਟ੍ਰੇਲੀਆਈ ਸਟਾਰਟਅੱਪ Springboards ਇਸ ਮੱਧਮ ਰੁਝਾਨ ਦੇ ਚੱਕਰ ਨੂੰ ਤੋੜਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ। ਸਭ ਤੋਂ ਸੰਭਵ ਜਵਾਬ ਲਈ ਅਨੁਕੂਲਿਤ ਹੋਣ ਦੀ ਬਜਾਏ, ਕੰਪਨੀ ਨੇ Flint ਨਾਮ ਦਾ ਇੱਕ ਵਿਸ਼ੇਸ਼ LLM ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ।

Flint ਨੂੰ ਖਾਸ ਤੌਰ 'ਤੇ ਮੁੱਖਧਾਰਾ ਮਾਡਲਾਂ ਵਿੱਚ ਪਾਈ ਜਾਣ ਵਾਲੀ groupthink ਦਾ ਵਿਰੋਧ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸਦਾ ਸਿਖਲਾਈ ਉਦੇਸ਼ ਖੁੱਲ੍ਹੇ ਸਵਾਲਾਂ ਦੇ ਵਧੇਰੇ ਵਿਭਿੰਨ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ "ਮੈਨੂੰ ਯੂਰਪ ਵਿੱਚ ਕਿੱਥੇ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ?" ਵਰਗਾ ਪ੍ਰੋਂਪਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ Flint ਨੂੰ ਘਿਸੀ-ਪਿਟੀ ਮੰਜ਼ਿਲਾਂ (ਜਿਵੇਂ ਕਿ ਪੈਰਿਸ ਜਾਂ ਰੋਮ) ਨੂੰ ਛੱਡ ਕੇ ਵਧੇਰੇ ਵਿਭਿੰਨ ਅਤੇ ਘੱਟ ਸਪੱਸ਼ਟ ਸੁਝਾਵਾਂ ਵੱਲ ਵਧਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਸੰਭਾਵਨਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਵਧਾ ਕੇ, Springboards ਦਾ ਉਦੇਸ਼ ਚੈਟਬੋਟਾਂ ਨੂੰ "ਸਪੱਸ਼ਟ" ਤੋਂ ਦੂਰ ਕਰਕੇ ਅਸਲ ਰਚਨਾਤਮਕ ਉਪਯੋਗਤਾ ਵੱਲ ਲੈ ਕੇ ਜਾਣਾ ਹੈ।

ਉਦਯੋਗ ਲਈ Divergent AI ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

Flint ਵਰਗੇ ਮਾਡਲਾਂ ਦਾ ਵਿਕਾਸ AI ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਕਾਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: ਆਮ ਉਦੇਸ਼ ਵਾਲੀ ਬੁੱਧੀ (general-purpose intelligence) ਤੋਂ ਵਿਸ਼ੇਸ਼ ਵਿਵਹਾਰਕ ਬੁੱਧੀ (specialized behavioral intelligence) ਵੱਲ ਤਬਦੀਲੀ। ਜਿਵੇਂ-ਜਿਵੇਂ ਉਦਯੋਗ ਪਰਿਪੱਕ ਹੋ ਰਿਹਾ ਹੈ, AI ਕੰਪਨੀਆਂ ਲਈ ਮੁਕਾਬਲੇ ਦੀ ਸਮਰੱਥਾ ਸ਼ਾਇਦ ਸਿਰਫ਼ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ "ਸੰਗਿਆਨਕ" (cognitive) ਸ਼ੈਲੀਆਂ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵੱਲ ਵਧੇਗੀ।

ਜੇਕਰ AI ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਤਰਕਸ਼ੀਲ ਸ਼ੁੱਧਤਾ ਅਤੇ ਰਚਨਾਤਮਕ ਵੱਖਰੇਵੇਂ (creative divergence) ਦੇ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਵਿੱਚ ਮਾਹਰ ਹੋ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਵਿਸਥਾਰ ਦੇਖਾਂਗੇ—ਆਟੋਮੇਟਿਡ ਮਾਰਕੀਟਿੰਗ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਤੋਂ ਲੈ ਕੇ ਗੁੰਝਲਦਾਰ ਆਰਕੀਟੈਕਚਰਲ ਡਿਜ਼ਾਈਨ ਤੱਕ। ਵਿਸ਼ਾਲ ਤਕਨੀਕੀ ਈਕੋਸਿਸਟਮ ਲਈ, ਟੀਚਾ ਹੁਣ ਸਿਰਫ਼ ਅਜਿਹਾ ਮਾਡਲ ਬਣਾਉਣਾ ਨਹੀਂ ਹੈ ਜੋ ਸਭ ਕੁਝ ਜਾਣਦਾ ਹੋਵੇ, ਸਗੋਂ ਅਜਿਹਾ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ ਜੋ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਸੋਚ ਸਕੇ।

ਮੁੱਖ ਨੁਕਤੇ

• Groupthink ਦਾ ਜਾਲ: ਮੌਜੂਦਾ ਮੁੱਖਧਾਰਾ LLMs ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਅਨੁਮਾਨਯੋਗਤਾ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹਨ, ਜੋ ਅਕਸਰ ਸਭ ਤੋਂ ਆਮ ਜਾਂ "ਸਪੱਸ਼ਟ" ਜਵਾਬਾਂ ਵੱਲ ਵਧਦੇ ਹਨ।
• Flint ਦਾ ਪਹੁੰਚ: ਸਟਾਰਟਅੱਪ Springboards ਨੇ Flint ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਇੱਕ ਅਜਿਹਾ LLM ਹੈ ਜਿਸ ਨੂੰ ਖਾਸ ਤੌਰ 'ਤੇ ਖੁੱਲ੍ਹੇ ਪ੍ਰੋਂਪਟਾਂ ਲਈ ਉੱਚ-ਵੈਰੀਐਂਸ (high-variance), ਰਚਨਾਤਮਕ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ।
• ਉਦਯੋਗ ਵਿੱਚ ਤਬਦੀਲੀ: ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦਾ ਉਭਾਰ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ AI ਨੂੰ ਖਾਸ ਸੰਗਿਆਨਕ ਮੋਡਾਂ (cognitive modes) ਲਈ ਟਿਊਨ ਕੀਤਾ ਜਾਵੇਗਾ, ਜਿਵੇਂ ਕਿ ਰਚਨਾਤਮਕ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਬਨਾਮ ਤਰਕਸ਼ੀਲ ਤਰਕ।