फ्रैक्टल पैटर्न के रहस्य का खुलासा करते हुए AI की सीमाएँ: अप्रत्याशितता की ओर एक नई खोज

उसी शैक्षिक सामग्री का उपयोग करके, उसी क्रम में, उसी विधि से पढ़ाना। फिर भी, यह जरूरी नहीं है कि तैयार हुआ AI बिल्कुल वैसा ही व्यवहार करे।

मानव शिक्षा में यह अजीब नहीं हो सकता है। लेकिन अगर कंप्यूटर में, जहां गणना की प्रक्रिया तय होती है, प्रारंभिक बिंदु में थोड़े से अंतर से अंतिम परिणाम प्रभावित होता है, तो क्या होगा?

सिडनी विश्वविद्यालय की अनुसंधान टीम ने इस समस्या को समझने के लिए एक नया सुराग प्रस्तुत किया है। इसका मुख्य बिंदु है "फ्रैक्टल", जो विस्तार करने पर भी जटिल पैटर्न दिखाते रहते हैं।

5 नवंबर 2026 के Phys.org में प्रकाशित एक शोध के अनुसार, AI के सीखने के परिणामों में विविधता का कारण हार्डवेयर के अंतर या बाहरी यादृच्छिकता से पूरी तरह से समझाया नहीं जा सकता। न्यूरल नेटवर्क के सीखने के तरीके में ही, परिणाम की भविष्यवाणी को कठिन बनाने वाली गणितीय संरचना छिपी हो सकती है।

कंप्यूटर की खराबी ही एकमात्र कारण नहीं थी

शोध सिडनी विश्वविद्यालय के भौतिकी विभाग के प्रोफेसर पुलिन गोंग और पीएचडी छात्र एंड्रयू ली द्वारा किया गया था। परिणाम "नेचर मशीन इंटेलिजेंस" जर्नल में प्रकाशित हुआ।

न्यूरल नेटवर्क, अपने अंदर मौजूद कई संख्याओं, यानी पैरामीटरों को समायोजित करते हुए सीखता है। यदि छवियों को पहचानना है, तो पूर्वानुमान और सही उत्तर के बीच के अंतर को सुराग के रूप में उपयोग करके संख्याओं को धीरे-धीरे अपडेट करता है, ताकि बेहतर निर्णय लिया जा सके।

इस सीखने की प्रक्रिया में, डेटा प्रस्तुत करने का क्रम और गणना में छोटे अंतर परिणाम को प्रभावित करते हैं। इसलिए, यदि परिणाम मेल नहीं खाते हैं, तो पहले यादृच्छिकता या गणना के वातावरण की जांच करना स्वाभाविक है।

इस शोध ने उस समस्या की गहराई में कदम रखा जो इसके आगे थी।

डेटा और सीखने की प्रक्रिया को संरेखित करके, एक "निर्धारक" वातावरण का उपयोग किया जाता है जहां एक ही इनपुट और स्थिति से एक ही गणना परिणाम प्राप्त किया जा सकता है। फिर भी, प्रारंभिक पैरामीटर में थोड़ा सा परिवर्तन करके, सीखने की प्रक्रिया एक अलग गंतव्य तक पहुंच सकती है।

यहां, "पूरी तरह से समान शर्तें" और "लगभग समान शर्तें" के बीच अंतर करना आवश्यक है।

यह शोध यह दावा नहीं कर रहा है कि पूरी तरह से समान प्रारंभिक स्थिति और निर्धारक प्रक्रिया में बिना कारण परिणाम बदल जाते हैं। समस्या यह है कि प्रारंभिक बिंदु में छोड़े गए सूक्ष्म अंतर को कम करने पर भी, परिणाम का अंतर उम्मीद के मुताबिक कम नहीं होता।

AI के सीखने को "रंगीन नक्शे" के रूप में समझना

शोध को समझने के लिए, AI के सीखने को एक नक्शे में बदलना आसान है।

मान लीजिए कि नक्शे पर प्रत्येक बिंदु सीखने की शुरुआत में पैरामीटर के संयोजन का प्रतिनिधित्व करता है। वहां से सीखने की प्रक्रिया को आगे बढ़ाते हुए, एक परिणाम तक पहुंचने वाले स्थान को नीला और दूसरे परिणाम तक पहुंचने वाले स्थान को नारंगी रंग में रंगा जाता है।

एक ही परिणाम की ओर जाने वाले प्रारंभिक बिंदुओं का समूह गणित में "आकर्षण क्षेत्र" कहा जाता है।

यदि नीले और नारंगी क्षेत्रों को साफ-सुथरा विभाजित किया गया है, तो मामला अपेक्षाकृत सरल है। यदि प्रारंभिक बिंदु को नीले क्षेत्र में रखा जाता है जो सीमा से काफी दूर है, तो यह उम्मीद की जा सकती है कि थोड़ा सा विचलन होने पर भी नीले परिणाम तक पहुंचा जा सकता है।

हालांकि, शोध टीम ने जिस संरचना पर ध्यान केंद्रित किया, वह थी नीले क्षेत्र के भीतर नारंगी बिंदुओं का प्रवेश और नारंगी क्षेत्र के भीतर नीले बिंदुओं का प्रवेश।

बड़े पैमाने पर देखने पर, एक ही रंग का दिखाई देने वाला स्थान भी विस्तार करने पर अलग रंग दिखाता है। और विस्तार करने पर भी, विभिन्न गंतव्यों की ओर जाने वाले बिंदु जटिल रूप से मिश्रित होते हैं।

इस तरह की संरचना को "रिडल्ड बेसिन" कहा जाता है। जापानी में इसे समझाने के लिए, इसे कहा जा सकता है कि यह आकर्षण क्षेत्र है जिसमें हर जगह अलग-अलग परिणामों की ओर जाने वाले छेद हैं।

प्रारंभिक बिंदु की विस्तार से जांच करने पर भी, वहां भी सूक्ष्म मिश्रण होते हैं। यही कारण है कि सीखने के परिणाम की भविष्यवाणी करना कठिन हो जाता है।

"100 अरब गुना सटीकता के बावजूद सुधार नहीं" का अर्थ

शोध टीम ने छवि पहचान और पाठ प्रसंस्करण में उपयोग किए जाने वाले नेटवर्क सहित लगभग 5 लाख सीखने की प्रक्रियाओं की जांच की।

परिचयात्मक लेख के अनुसार, एक अपेक्षाकृत बड़े छवि पहचान नेटवर्क में, प्रारंभिक बिंदु की सेटिंग को 100 अरब गुना सटीक बनाने पर भी, पुनरावृत्ति में मापने योग्य सुधार नहीं देखा गया।

आमतौर पर, त्रुटि को कम करने पर परिणाम भी स्थिर होने की उम्मीद होती है। जैसे कि स्थिति को सटीकता से मापने पर गंतव्य तक पहुंचना आसान हो जाता है, और सामग्री को सटीकता से मापने पर एक ही व्यंजन को दोहराना आसान हो जाता है।

हालांकि, यदि विभिन्न गंतव्यों की ओर जाने वाले प्रारंभिक बिंदु बहुत ही सूक्ष्म पैमाने तक मिश्रित होते हैं, तो प्रारंभिक मान के अंतर को कम करने से परिणाम का मेल होना जरूरी नहीं है।

हालांकि, यह "100 अरब गुना" का अर्थ यह नहीं है कि कंप्यूटर को 100 अरब गुना अधिक शक्तिशाली बना दिया गया। न ही यह 100 अरब गुना अधिक डेटा के साथ किया गया प्रयोग है।

यह सीखने की शुरुआत की सेटिंग की सटीकता को संदर्भित करता है। इस परिणाम से तुरंत "AI में गणना संसाधनों को जोड़ना बेकार है" का निष्कर्ष नहीं निकाला जा सकता।

"लगभग 48%" AI की गलती दर नहीं है

एक और ध्यान आकर्षित करने वाली संख्या है।

परिचयात्मक लेख में कहा गया है कि उस नेटवर्क की प्रारंभिक सेटिंग में 1 बिट के बराबर एक बहुत ही छोटा परिवर्तन करने पर, लगभग 48% मामलों में सीखने की प्रक्रिया एक अलग आंतरिक संरचना की ओर बढ़ गई।

यह संख्या प्रभावशाली है, लेकिन इसे गलत तरीके से नहीं समझना चाहिए।

इसका अर्थ यह नहीं है कि "AI लगभग 48% संभावना के साथ गलती करता है", और न ही "उत्तर का लगभग 48% बदल जाता है"। यह उस अनुपात को दर्शाता है जिसमें सूक्ष्म परिवर्तन के साथ सीखने के समूह ने एक अलग आंतरिक गंतव्य की ओर प्रगति की।

आंतरिक संख्याएं अलग होने का अर्थ यह नहीं है कि उपयोगकर्ता को मिलने वाला उत्तर भी अलग होगा। विभिन्न पैरामीटर संयोजनों के बावजूद, एक ही इनपुट-आउटपुट संबंध को प्राप्त किया जा सकता है।

इसलिए, शोध में आंतरिक संरचना के साथ-साथ, सीखने के बाद की भविष्यवाणी के अंतर को भी अलग से जांचा गया। प्रकाशित प्रीप्रिंट के प्रमुख प्रयोग में, दो मॉडलों की भविष्यवाणी में अंतर वाले इनपुट का अनुपात औसतन लगभग 2.9% पर स्थिर रहा। यह भी एक विशेष प्रयोग की स्थिति की संख्या है, और सभी AI पर लागू नहीं होती।

महत्वपूर्ण यह है कि एक प्रमुख संख्या को निकालने के बजाय, यह देखना कि क्या तुलना की गई, और क्या अलग था।

सीखने में आसानी और पुनरावृत्ति में आसानी, क्या ये दोनों संभव हैं?

शोध में, प्रदर्शन और पुनरावृत्ति के बीच की कठिनाई भी दिखाई गई।

सीखने के दौरान पैरामीटर को कितना बड़ा अपडेट करना है, इसे तय करने वाली सेटिंग को "सीखने की दर" कहा जाता है। मोटे तौर पर, यह तय करता है कि एक बार के सुधार में कितना कदम उठाना है।

रिपोर्ट किए गए प्रयोग में, अच्छी तरह से सीखने वाली सेटिंग में परिणाम की भविष्यवाणी और पुनरावृत्ति कठिन हो जाती है, जबकि सीखने की दर को कम करने पर पुनरावृत्ति आसान हो जाती है, लेकिन सीखने की प्रभावशीलता कम हो जाती है।

यह कहना कि "उच्च प्रदर्शन वाला AI हमेशा अस्थिर होता है" जल्दबाजी होगी। हालांकि, केवल संख्या के विचलन को कम करने के लक्ष्य के साथ सेटिंग को बदलने से, अन्य वांछनीय गुण खो सकते हैं।

विकासकर्ताओं के लिए आवश्यक है कि वे केवल "सीखने की दर को कम करने से समाधान होगा" के रूप में न सोचें। किस हद तक प्रदर्शन की आवश्यकता है, और क्या पुनरावृत्ति करना है, इसे उपयोग के अनुसार निर्धारित करना होगा।

SNS और पाठक टिप्पणियों में "क्या सटीकता से समाधान होगा" पर ध्यान केंद्रित

इस शोध के बारे में SNS पर पुष्टि की गई पोस्ट में, Phys.org की आधिकारिक LinkedIn पोस्ट ने इस बिंदु को उठाया कि प्रारंभिक सेटिंग को 100 अरब गुना सटीक बनाने पर भी पुनरावृत्ति में सुधार नहीं हुआ।

पोस्ट का मुख्य बिंदु यह है कि केवल संख्याओं की सटीकता को बढ़ाने से सीखने के परिणाम का मेल होना जरूरी नहीं है, और बाहरी यादृच्छिकता के अलावा, सीखने की गणितीय संरचना पर विचार करना आवश्यक है।

हालांकि, यह एक मीडिया द्वारा स्वयं की गई शोध प्रस्तुति है, और इसे आम उपयोगकर्ता की प्रतिक्रिया से अलग रखना चाहिए।

SNS के अलावा, "Cuppa" नामक समाचार साझा साइट के सार्वजनिक खोज परिणामों में पाठक टिप्पणियां भी देखी जा सकती हैं। उस पाठक ने सटीकता को बड़े पैमाने पर बढ़ाने पर भी सुधार नहीं होने पर आश्चर्य व्यक्त किया, और गणना क्षमता या हार्डवेयर में सुधार से समस्या का समाधान होगा या नहीं, इस पर सवाल उठाया।

यह एक उदाहरण है कि शोध को पाठकों द्वारा कैसे लिया जा सकता है। दूसरी ओर, "गणना क्षमता बढ़ाने से समाधान नहीं होगा" की व्याख्या, प्रयोग में सीधे पुष्टि किए गए दायरे से अधिक व्यापक है। प्रारंभिक मान की सटीकता और गणना संसाधनों के समग्र प्रभाव को एक साथ नहीं लिया जा सकता।

6 नवंबर 2026 तक पुष्टि की गई सार्वजनिक जानकारी से, आम उपयोगकर्ताओं द्वारा किए गए कई SNS पोस्ट या समर्थन और विरोध के वितरण को नहीं समझा जा सका। "SNS पर आश्चर्य की आवाज़ों की बाढ़" के रूप में व्यक्त करने के लिए पर्याप्त आधार नहीं है।

फिर भी, पुष्टि की गई पोस्ट और टिप्पणियां एक स्पष्ट प्रश्न प्रस्तुत करती हैं। क्या AI, अधिक सूक्ष्म और अधिक सटीक गणना करने पर, हमेशा एक ही तरह से विकसित होगा? यह शोध उस सहज ज्ञान को पुनर्विचार करने के लिए प्रेरित कर रहा है।

जापान में AI को लागू करने वाले स्थानों में क्या शामिल हो सकता है

इस शोध से जापान के कार्यान्वयन स्थानों के लिए संकेतों पर विचार करते समय, ध्यान देने योग्य बात यह है कि "एक बार सफलतापूर्वक काम किया" और "फिर से बनाकर भी स्थिरता से काम करना" के बीच का अंतर।

उदाहरण के लिए, एक कारखाने में उत्पाद की खामियों को खोजने वाले AI की कल्पना करें।

दो मॉडलों की समग्र सही दरें करीब हो सकती हैं, लेकिन यह जरूरी नहीं है कि वे किस उत्पाद को नजरअंदाज करेंगे, यह भी समान हो। केवल औसत स्कोर की तुलना करने से, कार्यस्थल में महत्वपूर्ण अंतर नजरअंदाज हो सकते हैं।

यह जापान के कारखानों में इस शोध के प्रत्यक्ष प्रमाणित परिणाम नहीं हैं, बल्कि शोध की समस्या को व्यावहारिकता में बदलने का एक उदाहरण है।

इसके अलावा, विकास और मूल्यांकन में निम्नलिखित दृष्टिकोणों पर विचार किया जा सकता है।

• एक बार के सीखने से प्राप्त सर्वोच्च प्रदर्शन के अलावा, कई बार के सीखने के परिणामों के विचलन की भी जांच करें।
• सही दर के अलावा, यह जांचें कि किस इनपुट पर निर्णय बदलता है।
• पुनः सीखने के बाद का मॉडल, महत्वपूर्ण मामलों में पहले से अलग निर्णय नहीं करता है, इसकी पुष्टि करें।
• प्रारंभिक मान, सेटिंग्स, और गणना के वातावरण को रिकॉर्ड करें ताकि परिणामों की तुलना की जा सके।

शोध द्वारा सुझाई गई गणितीय कठिनाइयों के बावजूद, रिकॉर्डिंग और सत्यापन का मूल्य समाप्त नहीं होता। बल्कि, नियंत्रित शर्तों को संरेखित करने के बाद, शेष परिवर्तनशीलता को मापना महत्वपूर्ण हो जाता है।

चैट AI के "हर बार अलग उत्तर" से अलग से विचार करें

सामान्य जनरेटिव AI में, एक ही प्रश्न पूछने पर भी उत्तर बदल सकता है। इस अनुभव को इस शोध से जोड़ने की इच्छा हो सकती है।

हालांकि, इस बार का विषय यह है कि मॉडल बनाने के "सीखने के चरण" में प्रारंभिक शर्तों का अंतर कैसे प्रभाव डालता है।

सीखने के बाद के मॉडल से पाठ उत्पन्न करने के समय की विविधता से, यह एक अलग चरण है। इसलिए, इस शोध पत्र के आधार पर, चैट AI के उत्तर के परिवर्तन या तथ्यात्मक त्रुटियों को पूरी तरह से समझाया नहीं जा सकता।

इसके अलावा, "सभी न्यूरल नेटवर्क के लिए, पुनरावृत्ति गणितीय रूप से असंभव साबित हुई" के रूप में पढ़ना भी अत्यधिक होगा।

शोध ने सरल मॉडल के साथ तंत्र का विश्लेषण किया और अधिक जटिल नेटवर्क में भी उस तंत्र के अनुरूप विशेषताओं की जांच की। जटिल मॉडल से प्राप्त प्रमाण और सभी AI के लिए सामान्य प्रमाण के बीच अंतर करना आवश्यक है।

इस खोज का मूल्य AI के पूरे क्षेत्र पर "अप्रत्य