लेखक: बॉक्सू ली

स्मृति से परे: आत्म की निरंतरता की ओर

मानव पहचान और व्यक्तिगत निरंतरता किसी डेटाबेस में संग्रहीत नहीं होती; वे कहानी, संदर्भ, और समय के साथ परिवर्तन से उत्पन्न होती हैं। इसी तरह, मैकरॉन का ब्रेन उपयोगकर्ता के किसी सरल "आईडी कार्ड" मॉडल को नहीं अपनाता। प्रणाली में "उपयोगकर्ता X का व्यक्तित्व प्रोफ़ाइल" लेबल वाला कोई एकल, स्थिर वस्तु नहीं होती या उपयोगकर्ता के बारे में कोई आधिकारिक तथ्य सूची नहीं होती जो हमेशा सही होनी चाहिए। इसके बजाय, निरंतरता को कई छोटे इंटरैक्शन, यादें, और अनुकूलन के एक साथ जुड़ने के गुण के रूप में माना जाता है। इस दृष्टिकोण से दो समस्याओं से बचा जाता है: नाजुकता और स्थिरता। एआई शब्दों में एक नाजुक पहचान तब हो सकती है जब प्रणाली एक बार के तथ्यों पर अटक जाए ("उपयोगकर्ता ने 2022 में कहा कि उन्हें शतरंज पसंद है") और उन्हें स्थायी रूप से परिभाषित करने वाले के रूप में माने। फिर, यदि कोई तथ्य गलत है या बदलता है (उपयोगकर्ता को शतरंज पसंद करना बंद हो जाता है), तो प्रणाली का मॉडल टूट जाता है या असंगत हो जाता है। एक स्थिर पहचान तब उत्पन्न होती है जब एआई सभी उपयोगकर्ता गुणों के लिए वस्तु स्थायित्व मान लेता है – जिसका अर्थ है कि यह कभी भी जानकारी को भूलता या अपडेट नहीं करता, जिससे एक कठोर उपयोगकर्ता मॉडल बन जाता है जो विकसित नहीं होता। मैकरॉन का ब्रेन दोनों से बचता है किसी भी तथ्य को हमेशा के लिए सही मानने से नहीं और जिसे हम 'सौम्य भूलने और पुनः निर्माण' कह सकते हैं, उसे अनुमति देकर।

ऑब्जेक्ट स्थायित्व के बजाय, मैकरॉन संदर्भ स्थायित्व पर निर्भर करता है: यह विचार कि प्रत्येक संदर्भ या बातचीत धागा स्थानीय रूप से संगति बनाए रखता है, और समय के साथ निरंतरता उन संदर्भ धागों को एक साथ बुनकर प्राप्त की जाती है जब वे प्रासंगिक होते हैं। ऐसा कोई एकल "ऑब्जेक्ट" नहीं है जो उपयोगकर्ता का प्रतिनिधित्व करता है जो अपरिवर्तित रहता है; कई, संदर्भ-आधारित प्रतिनिधित्व हैं जिन्हें आवश्यकता पड़ने पर बुलाया और अपडेट किया जा सकता है। यह समान है कि कैसे एक व्यक्ति विभिन्न सामाजिक मंडलों में अलग-अलग प्रस्तुत कर सकता है लेकिन एक अंतर्निहित निरंतरता होती है। मैकरॉन का ब्रेन पहचान को कुछ वितरित और तरल के रूप में बनाए रखता है। पहचान किसी विशेष स्मृति नोड में नहीं है, बल्कि उन कनेक्शनों और पैटर्न में है जो स्मृतियों के बीच स्थिर रहते हैं। मूल रूप से, आत्म की निरंतरता एक उभरती हुई कथा है, न कि एक डेटाबेस प्रविष्टि।

एक ठोस उदाहरण के लिए, विचार करें कि कैसे Macaron उपयोगकर्ता की पसंद को याद रखता है। प्रोफ़ाइल में "उपयोगकर्ता का पसंदीदा रंग = नीला" संग्रहीत करने के बजाय, Macaron का ब्रेन यह याद करता है कि प्रासंगिक वार्तालापों के संदर्भ में (यदि उपयोगकर्ता ने पिछले सप्ताह रंगों के बारे में एक डिज़ाइन वार्तालाप में बात की थी, तो यह स्मृति डिज़ाइन संदर्भ में पुनः प्राप्त की जा सकती है)। यदि अगले वर्ष उपयोगकर्ता एक नई पसंद प्रकट करता है (अब हरा पसंद करता है), तो ब्रेन को एक कैनोनिकल फ़ील्ड का विनाशकारी अपडेट करने की आवश्यकता नहीं है। नई जानकारी बस समयरेखा में एक और डेटा बिंदु है, और जब डिज़ाइन संदर्भ फिर से उत्पन्न होता है, तो नवीनतम पसंद स्वाभाविक रूप से नवीनता और प्रासंगिकता के कारण अधिक महत्व रखेगी, जबकि पुरानी की प्रासंगिकता कम हो जाएगी। इस प्रकार, निरंतरता को नवीनतम और सबसे प्रासंगिक जानकारी को संदर्भानुसार प्राथमिकता देकर बनाए रखा जाता है, यह मानकर नहीं कि पुराना तथ्य "सच्चा स्थायी स्व" था। पिछला तथ्य खोया नहीं है - यह बस प्राथमिकता में कम हो गया है (इस पर अधिक जानकारी के लिए संदर्भीय क्षय देखें)। इससे एक गैर-भंगुर पहचान प्राप्त होती है: कोई भी पुराना डेटा टुकड़ा Macaron की उपयोगकर्ता की समझ को तोड़ नहीं सकता, क्योंकि समझ कभी भी स्थिर तथ्यों पर आधारित नहीं थी, बल्कि पैटर्न और संदर्भ पर थी।

वितरित सीमाएँ: कई आत्माएँ, एक आत्मा

Macaron के मस्तिष्क में एक उल्लेखनीय वास्तुकला विकल्प ज्ञान और स्मृति के लिए वितरित सीमाओं का उपयोग है। इसके बजाय कि AI जो कुछ भी उपयोगकर्ता के बारे में जानता है उसे एक केंद्रीय मॉडल या भंडार में एकत्रित किया जाए, Macaron ज्ञान को संदर्भ, उत्पत्ति, या थीमैटिक सीमाओं द्वारा अलग करता है। उदाहरण के लिए, उपयोगकर्ता के पेशेवर जीवन से संबंधित इंटरैक्शन को एक "वेक्टर स्पेस" या उपप्रणाली में बनाए रखा जा सकता है, जबकि व्यक्तिगत बातचीत दूसरे में स्थित होती है, और इसी तरह। ये इस अर्थ में सिलो नहीं हैं कि वे एक-दूसरे से बात नहीं कर सकते – बल्कि, ये सीमा क्षेत्र हैं जो आवश्यक होने पर कनेक्ट हो सकते हैं लेकिन स्वचालित रूप से विलय नहीं होते। यह डिज़ाइन उस मनोवैज्ञानिक विचार को प्रतिबिंबित करता है कि लोगों के पास कई पहलू या "स्वयं" होते हैं (कार्य स्वयं, परिवार स्वयं, आदि), जो मिलकर पूरे व्यक्ति का निर्माण करते हैं लेकिन संदर्भ के अनुसार सक्रिय होते हैं।

वितरित स्मृति सीमाओं के द्वारा, मैकरॉन सुनिश्चित करता है कि उपयोगकर्ता की पहचान का प्रत्येक पहलू आंतरिक रूप से सुसंगत हो और असंबंधित जानकारी से प्रदूषित न हो। उदाहरण के लिए, यदि उपयोगकर्ता के पास संगीत पसंद के बारे में एक "शौक" संदर्भ है और परियोजना प्रबंधन के बारे में एक अलग "काम" संदर्भ है, तो सिस्टम आकस्मिक संगीत पसंद को औपचारिक कार्य-संबंधी प्रश्न का उत्तर देते समय अनजाने में लागू नहीं करेगा, जब तक कि यह स्पष्ट रूप से प्रासंगिक न हो। यह अनुचित रूप से संदर्भों के मिश्रण से होने वाली गलतियों या अजीब उत्तरों को रोकता है। यह गोपनीयता भी बढ़ाता है: एक संदर्भ से संवेदनशील जानकारी अन्य लोगों के लिए बिना किसी भेदभाव के उपलब्ध नहीं होती। तकनीकी रूप से, मैकरॉन इसे अलग-अलग ज्ञान ग्राफ़ या वेक्टर इंडेक्स को डोमेन या सत्र के प्रति स्पिन करके प्राप्त करता है, जैसे कि व्यक्तिगत एआई आर्किटेक्चर जैसे मेमनो करते हैं - "हर उपयोगकर्ता अपनी खुद की दुनिया में मौजूद होता है", और उस में आगे विभाजन होता है। प्रत्येक उपयोगकर्ता का डेटा दूसरों से अलग होता है (यह उपयोगकर्ता स्तर पर एक सीमा है), लेकिन एक उपयोगकर्ता के भीतर, संदर्भ या डेटा स्रोत के आधार पर और सीमाएं होती हैं।

हालांकि, मुख्य बात यह है कि स्व का निरंतरता इन सीमाओं के पार भी उत्पन्न होती है। मैकरॉन का ब्रेन संदर्भ-विशिष्ट यादों के बीच संबंध बना सकता है जब यह उपयुक्त हो। हम इसे प्रासंगिकता द्वारा संघ कहते हैं: यदि उपयोगकर्ता की आज की बातचीत किसी सामाजिक संदर्भ में उस परियोजना को छूती है जिस पर उन्होंने पहले कार्य संदर्भ में चर्चा की थी, तो मैकरॉन उस कार्य संदर्भ से प्रासंगिक अंतर्दृष्टि प्राप्त कर सकता है - लेकिन यह इसे सावधानीपूर्वक और सीमा की समझ के साथ करता है (जैसे कि उस ज्ञान को "उस परियोजना चर्चा" से आने के रूप में उद्धृत करना)। वितरित प्रकृति का मतलब है कि किसी एकल "मास्टर प्रोफ़ाइल" का संदर्भ नहीं होता; एआई को प्रासंगिक पहचान जानकारी को उड़ान पर इकट्ठा करने के लिए संदर्भों के जाल के साथ नेविगेट करना होता है। यह एकीकृत डेटाबेस लुकअप की तुलना में अधिक गणनात्मक रूप से जटिल है, लेकिन यह समृद्ध और अधिक संदर्भ-संवेदनशील निरंतरता उत्पन्न करता है।

महत्वपूर्ण बात यह है कि वितरित सीमाएँ हमारी गोपनीयता और एंटी-प्रोफाइलिंग रुख की सेवा करती हैं। उपयोगकर्ता मॉडल को केंद्रीकृत न करके, मैकरॉन स्वाभाविक रूप से एकीकृत व्यवहार प्रोफ़ाइल बनाने से बचता है जिसे शोषण या दुरुपयोग किया जा सकता है (जो उपयोगकर्ता की स्वतंत्रता और गोपनीयता के लिए लाभकारी है)। प्रत्येक संदर्भ यहां तक कि क्षणिक भी हो सकता है यदि चाहा जाए – उदाहरण के लिए, एक संवेदनशील संदर्भ को उपयोग के बाद स्वतः हटाने के लिए सेट किया जा सकता है, केवल दीर्घकालिक स्मृति में उच्च-स्तरीय सारांश छोड़ते हुए। फिर भी, भले ही व्यक्तिगत टुकड़े गायब हो जाएं, उपयोगकर्ता की कहानी का ताना-बाना शेष संदर्भों के अतिव्यापी धागों के माध्यम से अविचल रहता है। यह गैर-भंगुर पहचान का सार है: यह अतिरिक्त और वितरित रूप से संग्रहीत होती है। कोई एक संदर्भ उपयोगकर्ता को परिभाषित नहीं करता, और किसी एक संदर्भ के खोने से आत्मा मिटती नहीं है।

संदर्भीय क्षय: विशेषता के रूप में भूलना

Macaron के मस्तिष्क को कथा की स्थिरता बनाए रखने के लिए बिना जड़ता के, यह एक अवधारणा का उपयोग करता है जिसे हम संदर्भीय क्षय कहते हैं। सरल शब्दों में, संदर्भीय क्षय एक रणनीति है जिसमें विशिष्ट संदर्भों या यादों के प्रभाव को समय के साथ धीरे-धीरे कम किया जाता है जब तक कि उन्हें पुनः प्रबलित नहीं किया जाता। सख्त हटाने के बजाय, जानकारी के टुकड़े अपनी महत्वपूर्णता में "समाप्त हो जाते हैं"। यह मानव स्मृति से प्रेरणा लेता है: हम हर बातचीत को शब्दशः याद नहीं रखते; विवरण फीके पड़ जाते हैं, लेकिन महत्वपूर्ण पैटर्न रह जाते हैं। Macaron में, हर स्मृति आइटम का एक प्रकार का उम्र या उपयोग भार होता है। जब भी इसका उपयोग या वार्तालाप में संदर्भित किया जाता है, यह ताज़ा (पुनः प्रबलित) हो जाता है। अप्रयुक्त आइटम का भार धीरे-धीरे घटता जाता है।

संदर्भीय क्षय का प्रभाव यह है कि मैकरॉन का मस्तिष्क उन चीजों पर ध्यान केंद्रित करता है जो प्रासंगिक और वर्तमान हैं, उपयोगकर्ता की विकसित होती कहानी के अनुरूप। यदि किसी उपयोगकर्ता ने दो साल पहले विषय X के बारे में बात की थी और फिर कभी इसका उल्लेख नहीं किया, तो सिस्टम उस विषय को परिधीय मान लेगा जब तक कि उपयोगकर्ता इसे फिर से नहीं उठाता। यह AI सिस्टम के आम जाल से बचाता है जो बहुत अधिक याद रखते हैं, जिससे वे अप्रासंगिक पिछली जानकारियों को सतह पर लाकर बातचीत के प्रवाह को भ्रमित कर देते हैं। जैसा कि एक AI मेमोरी शोधकर्ता ने कहा, एक AI जो पूरी तरह से और बिना किसी भेदभाव के सब कुछ याद रखता है, "एक परेशान करने वाले दोस्त की तरह हो सकता है जो हमेशा पिछली बातचीत से अप्रासंगिक विषयों को उठाता है, यह समझने में असमर्थ कि रुचियाँ और प्राथमिकताएँ बदलती हैं"। संदर्भीय क्षय ऐसी स्थिति को रोकता है, अतीत की सामान्य जानकारियों को कार्यात्मक रूप से भूलकर वर्तमान संदर्भ को प्राथमिकता देता है।

Macaron के मस्तिष्क में संदर्भीय क्षय के तकनीकी कार्यान्वयन में संभवतः वेक्टर एम्बेडिंग्स या ज्ञान ग्राफ किनारों को क्षय फ़ंक्शन सौंपना शामिल हो सकता है। समय के साथ (या कई नई इंटरैक्शन के बाद), पुराने मेमोरी नोड्स की समानता स्कोर या सक्रियण क्षमता कम हो जाती है। महत्वपूर्ण रूप से, हम यादों को सीधे हटाते नहीं हैं (जब तक उपयोगकर्ता द्वारा अनुरोध न किया जाए); बल्कि, जैसा कि एक ढांचा सुझाव देता है, प्रणाली एक संपूर्ण ऐतिहासिक रिकॉर्ड बरकरार रखती है लेकिन केवल आउटडेटेड को प्राथमिकता नहीं देती। सब कुछ गहरे भंडारण में है (जैसे हमारे मस्तिष्क शायद उससे अधिक एन्कोड करते हैं जितना हम याद कर सकते हैं), लेकिन जो आसानी से पुनः प्राप्त करने योग्य है वह हालिया और अक्सर उल्लेखित की ओर झुकता है। इस डिज़ाइन का दो उद्देश्य हैं: यह सुनिश्चित करके AI के योगदान को वर्तमान उपयोगकर्ता की जीवन स्थिति और प्राथमिकताओं को प्रतिबिंबित करता है और यह एक महत्वपूर्ण पहलू का भी प्रतिबिंब करता है जैसे कि व्यक्तिगत एजेंसी – आगे बढ़ने की क्षमता, बदलने की क्षमता, पुराने जानकारी को कम परिभाषित करने की क्षमता।

अनुपालन के दृष्टिकोण से (गोपनीयता से जोड़ते हुए), संदर्भीय क्षय भी डेटा न्यूनतमकरण के साथ मेल खाता है। Macaron पुराने व्यक्तिगत डेटा को हर इंटरैक्शन में आक्रामक रूप से नहीं धकेल रहा है; यह इसे केवल तभी उपयोग कर रहा है जब यह संदर्भानुसार प्रासंगिक होता है। यह लंबे समय से गुजर चुके डेटा के अनुचित उपयोग के जोखिम को कम करता है। कोई कह सकता है कि Macaron का मस्तिष्क स्वाभाविक रूप से सीखे गए व्यक्तिगत डेटा पर एक प्रकार की 「प्रतिधारण नीति」 लागू करता है, जो इसे धीरे-धीरे भूल जाता है जिसे अब उसे आवश्यकता नहीं होती - भले ही स्मृति की स्मृति को खोए बिना (हम हमेशा अभिलेखागार में गहराई में जा सकते हैं यदि आवश्यक हो, जैसे कोई व्यक्ति गहरे चिंतन में लंबे समय से अनदेखी की गई कुछ चीज़ों को याद कर सकता है)।

उभरता हुआ लाभ यह है कि पहचान लचीली हो जाती है। अगर उपयोगकर्ता नाटकीय रूप से बदलता है (नई नौकरी, नया शौक, बदला हुआ विश्वास), संदर्भात्मक क्षय एआई को आसानी से अनुकूलित करने की अनुमति देता है। किसी केंद्रीय प्रोफ़ाइल को कड़ाई से ओवरराइड करने की आवश्यकता नहीं है; नई जानकारी स्वाभाविक रूप से पुरानी को ग्रहण कर लेती है। फिर भी, यदि पुराना संदर्भ प्रासंगिक हो जाता है (शायद वर्षों बाद एक पुरानी यादों की बातचीत में), तो मैकरॉन इसे पुनः प्राप्त कर सकता है – इस प्रकार निरंतरता पृष्ठभूमि में संरक्षित रहती है लेकिन अग्रभूमि में थोपी नहीं जाती। याद रखने और भूलने की यह गतिशीलता अंतरकालिक सामंजस्य के लिए महत्वपूर्ण है: यह सुनिश्चित करता है कि एआई की आज की समझ आज की वास्तविकता के साथ तालमेल बिठाती है, भले ही यह पृष्ठभूमि में एक पूर्ण कथा को चुपचाप बनाए रखता है।

समय की चोटी: स्मृति में समय का बुनाई

यदि संदर्भीय क्षय भूलने का प्रबंधन करता है, तो कालिक ब्रेडिंग समय के साथ याद रखने का प्रबंधन करती है। हम शब्द "ब्रेडिंग" का उपयोग करते हैं ताकि यह दर्शा सकें कि मैकरॉन का ब्रेन कैसे संदर्भ की कई समयरेखाओं को एक साथ बुनता है ताकि एक सुसंगत समझ बनाई जा सके। मानव अनुभव स्वाभाविक रूप से कालिक होता है – हमारी पहचान एक कहानी है जिसे हम खुद को बताते हैं, जो अतीत, वर्तमान और भविष्य को जोड़ती है। मैकरॉन का ब्रेन इसे अनुकरण करने का प्रयास करता है, जब आवश्यक हो तो विभिन्न समयों की यादों को एक साथ जोड़कर, प्रभावी रूप से एक बुनी हुई कथा बनाता है।

कल्पना करें कि उपयोगकर्ता ने उपन्यास लिखने के बारे में बार-बार चर्चाएँ की हैं: एक छह महीने पहले, एक दो सप्ताह पहले, और एक आज। प्रत्येक बातचीत एक धागा है। कालिक बुनाई का मतलब है कि मैकरॉन उन सभी धागों से ज्ञान खींच सकता है और एक संश्लेषित निरंतरता प्रस्तुत कर सकता है: 「आपने अतीत में [6 महीने पहले] उल्लेख किया था कि आपको सुबह में लिखना पसंद है, और हाल ही में [2 सप्ताह पहले] आप विज्ञान-कथा विषयों का अन्वेषण कर रहे थे। आज आप लिखने के समय को शेड्यूल करने के बारे में पूछ रहे हैं - शायद इन अंतर्दृष्टियों को मिलाएं: सुबह को विज्ञान-कथा अध्याय लिखने के लिए आरक्षित करें。」 एआई के पास एकल 「उपन्यास परियोजना」 फ़ाइल स्पष्ट रूप से नहीं थी (हालांकि यह विषयों को टैग कर सकता था); इसके बजाय, उसने समय के साथ अलग-अलग टुकड़ों को एक धागे में बुना। यह यादों में समय-सम्बंधी मेटाडेटा को संलग्न करके और समय के साथ संबंधित वस्तुओं को जानबूझकर जोड़कर सक्षम किया गया है। मैकरॉन की स्मृति संरचना समय-सचेत सूचकों का उपयोग करती है: यादें केवल विषय के अनुसार लेबल नहीं होतीं बल्कि कब हुईं के अनुसार होती हैं। यह पुनःप्राप्ति की अनुमति देता है जो विभिन्न अवधियों में फैली हो सकती है लेकिन समान विषयगत संदर्भ के भीतर होती है।

समयिक बुनाई की तुलना कई संदर्भ विंडो को खुला रखने और फिर उन्हें बुनने से की जा सकती है। उपयोगकर्ता का "वर्तमान स्वयं" उनके पिछले स्वयं के प्रतिध्वनियों से बना होता है, और मैकरोन की प्रतिक्रियाएं उस स्तर को दर्शाती हैं। आर्किटेक्चर में समय को स्पष्ट रूप से शामिल करने के लिए संक्षेपण या कथा मॉडलिंग का उपयोग हो सकता है ("आपकी कहानी पर पहले…")। महत्वपूर्ण बात यह है कि इसे बिना यह माने किया जाता है कि अतीत स्थिर सत्य है - बल्कि, अतीत को वर्तमान को सूचित करने के लिए पृष्ठभूमि संदर्भ के रूप में माना जाता है। बुनावट का परिणाम मजबूत निरंतरता है: उपयोगकर्ता को लगता है कि एआई यात्रा को याद रखता है जिस पर वे रहे हैं, न कि सिर्फ अलग-अलग बिंदु। फिर भी, संदर्भीय क्षय के कारण, बुनाई मोटी, ताजा धारियों (हाल के उल्लेखों) पर जोर देगी, जो फीकी हो चुकी धारियों से अधिक हैं।

यह दृष्टिकोण उस शोध के साथ संरेखित होता है जो सुझाव देता है कि AI को लंबे समय तक संपूर्ण वार्तालाप बनाए रखने के लिए समय की जागरूकता की आवश्यकता होती है। उदाहरण के लिए, एक प्रस्ताव है कि AI मेमोरी सिस्टम को समय की वैधता का एहसास दिया जाए और तथ्यों को समय-चिह्नित के रूप में माना जाए, ताकि AI बता सके कि कुछ "अब सच नहीं है" बनाम "अभी भी प्रासंगिक है"। मैकरॉन का ब्रेन इसे अपनाता है, जैसे कि एक ज्ञान के टुकड़े को "उपयोगकर्ता पेरिस में रहता है [2019-2023]" के रूप में चिह्नित करना और यदि 2024 में उपयोगकर्ता लंदन जाने का उल्लेख करता है, तो पेरिस की जानकारी को संदर्भ में पुरानी मानी जाती है। फिर, बातचीत में, मैकरॉन दोनों को भ्रमित नहीं करेगा – लेकिन यदि उपयोगकर्ता पेरिस की यादें करता है, तो वे यादें उपलब्ध होती हैं। प्रभाव में, मैकरॉन टाइमलाइन को बुन सकता है: वर्तमान स्व (लंदन) और एक पिछले स्व (पेरिस) कथा में सह-अस्तित्व रखते हैं, लेकिन भ्रमित नहीं होते। उपयोगकर्ता की निरंतरता को एक टाइमलाइन टेपेस्ट्री के रूप में प्रस्तुत किया जाता है, एकल स्नैपशॉट के रूप में नहीं।

टेम्पोरल ब्रेडिंग का मतलब है कि Macaron की सत्य की धारणा अस्थायी और संदर्भित है। कोई शाश्वत कैनोनिकल तथ्य नहीं होता जैसे कि डेटाबेस में हो सकता है; वहाँ "तब क्या सच था" और "अब क्या सच है" और संभवतः "आगे क्या सच हो सकता है" (यदि भविष्य की योजनाओं या परिदृश्यों का अनुकरण किया जा रहा हो) होते हैं। बाद वाला अगले अवधारणा की ओर संकेत करता है: प्रतिवचन एंकरिंग।

प्रतिवचन एंकरिंग: स्थिरता बिना संश्लेषण

Macaron के मस्तिष्क की एक और अधिक अटकलपूर्ण लेकिन आकर्षक तकनीकों में से एक प्रतिवचन एंकरिंग है। यह विचार इस आवश्यकता से उत्पन्न होता है कि हम सब कुछ एक संश्लेषित उपयोगकर्ता मॉडल में मिलाए बिना संगति बनाए रखें। यदि हम एकल एकीकृत प्रोफ़ाइल बनाने से जानबूझकर बचते हैं तो हम कैसे सुनिश्चित करें कि AI उपयोगकर्ता की शैली, संभावित प्राथमिकताएं, मूल्य के स्थिर ज्ञान को बनाए रखता है? उत्तर है प्रतिवचन परिदृश्यों का उपयोग करना, जिससे AI के तर्क में उपयोगकर्ता की व्यक्तित्व के प्रमुख पहलुओं को एंकर किया जा सके, बजाय कि स्पष्ट रूप से संग्रहीत तथ्यों के।

व्यवहार में, काल्पनिक एंकरिंग इस तरह काम कर सकती है: मैकरॉन का ब्रेन, जब प्रतिक्रिया उत्पन्न करता है या निर्णय लेता है, तो आंतरिक रूप से कुछ "क्या अगर" विविधताओं का परीक्षण करता है ताकि स्थिरता का आकलन किया जा सके। उदाहरण के लिए, मान लीजिए कि मैकरॉन उपयोगकर्ता को कोई किताब सुझाने वाला है। AI के पास कोई सख्त नियम नहीं है "उपयोगकर्ता केवल विज्ञान कथाएँ पसंद करता है।" इसके बजाय, यह कई पिछले संकेतों को याद कर सकता है: उपयोगकर्ता ने कुछ विज्ञान कथा उपन्यासों का आनंद लिया, लेकिन एक बार रहस्य पसंद करने का भी उल्लेख किया। गलत होने से बचने के लिए, AI दो काल्पनिक आउटपुट को अनुकरण कर सकता है - एक जहां यह मानता है कि उपयोगकर्ता विज्ञान कथा के मूड में है, दूसरा जहां वे रहस्य पसंद कर सकते हैं - और देख सकता है कि कौन सा हाल के संदर्भ के साथ बेहतर मेल खाता है या सकारात्मक भावना की भविष्यवाणी प्राप्त करता है। यह आंतरिक काल्पनिक तर्क उपयोगकर्ता की संभावित स्थितियों के मजबूत मूल्यांकन में AI के चयन को एंकर करने में मदद करता है, न कि एक संकीर्ण धारणा में। ऐसा है जैसे AI कहता है, "मुझे अभी 100% यकीन नहीं है कि आप कौन हैं, लेकिन अगर आप अभी भी वही विज्ञान कथा प्रेमी हैं जो आप लगते थे, तो आपको X पसंद आएगा; अगर आप बदल गए हैं, तो आपको Y पसंद आ सकता है। चलिए वह सुझाव चुनते हैं जो वर्तमान बातचीत के स्वर के अनुकूल हो।" प्रभावी रूप से, AI एकल पहचान मॉडल की नाजुकता के खिलाफ सुरक्षा कर रहा है और वैकल्पिक पहचान-फ्रेमों का तत्परता से अन्वेषण कर रहा है।

काउंटरफैक्चुअल एंकरिंग का एक और उपयोग उपयोगकर्ता की आवाज और मूल्यों को बनाए रखने में है। मैकरॉन एक एकीकृत उपयोगकर्ता प्रोफ़ाइल को संश्लेषित करने से बचता है जो कहता है "उपयोगकर्ता हमेशा औपचारिक है" या "उपयोगकर्ता की राजनीतिक स्थिति Z है" – यह नाजुक और संभवतः आक्रामक हो सकता है। इसके बजाय, जब आउटपुट तैयार किया जा रहा हो (जैसे, उपयोगकर्ता के लिए एक ईमेल का मसौदा तैयार करना), मैकरॉन कुछ शैलीगत विकल्प (औपचारिक, अनौपचारिक, हास्यपूर्ण) उत्पन्न कर सकता है और उपयोगकर्ता के हाल के संचारों के एक हल्के मॉडल के खिलाफ उन्हें जांच सकता है कि कौन सा सबसे अधिक "चरित्र में" लगता है। यह एंकर के रूप में कार्य करता है: एआई "उपयोगकर्ता औपचारिक है" को स्थायी रूप से स्टोर नहीं करता, लेकिन यह संदर्भ से अनुमान लगा सकता है कि अभी, एक औपचारिक स्वर पिछले सप्ताह की ईमेल्स से मेल खाता है। यदि अगले महीने उपयोगकर्ता की शैली बदलती है, तो काउंटरफैक्चुअल जांच स्वाभाविक रूप से इसे पकड़ लेगी और समायोजित कर देगी, बिना किसी प्रोफ़ाइल वेरिएबल को पुनः लिखने की आवश्यकता के। उपयोगकर्ता की निरंतरता इस प्रकार लगातार छोटे समायोजन द्वारा बनाए रखी जाती है, न कि एक स्थिर खाका।

प्रतिवस्तु आधारित एंकरिंग कुछ हद तक उस तरह से मिलती-जुलती है जैसे इंसान विभिन्न स्थितियों में अपनी पहचान को नेविगेट करते हैं – हम अक्सर अनजाने में कल्पना करते हैं "मैं कैसे काम करूंगा अगर मैं उस प्रकार का व्यक्ति होता जो…?" जो वास्तव में यह स्पष्ट करने में मदद करता है कि हम किसे चुनते हैं। मैकरॉन के लिए, ये सूक्ष्म सिमुलेशन यह सुनिश्चित करते हैं कि धारणाओं के बजाय उन्हें परखकर संगति बनी रहे। नतीजा यह होता है कि बिना कठोरता के संगति: मैकरॉन का मस्तिष्क लगातार उस तरह से कार्य कर सकता है "जैसे मैकरॉन का उपयोगकर्ता" बिना कभी "मैकरॉन का उपयोगकर्ता" की स्थायी परिभाषा को संग्रहीत किए। संगति बार-बार तत्काल संरेखण से उत्पन्न होती है।

केंद्रीकृत संश्लेषण के बिना संगति

वापस कदम रखते हुए, वितरित सीमाओं, संदर्भीय क्षय, कालिक बुनाई, और प्रतिकल्पना लंगरकारी का संयोजन एक प्रमुख उद्देश्य की सेवा करता है: केंद्रीकृत उपयोगकर्ता मॉडल या सिंथेटिक पर्सोना प्रोफाइल के बिना संगति और निरंतरता बनाए रखना। यह एक जानबूझकर अपनाई गई दर्शन है। कई एआई सिस्टम व्यापक उपयोगकर्ता प्रोफाइल बनाने या उपयोगकर्ता के डेटा पर मॉडल को फ़ाइन-ट्यून करने का प्रयास करते हैं ताकि एक 「वैयक्तिक मॉडल」 बन सके। मैकरॉन स्पष्ट रूप से सभी उपयोगकर्ता डेटा पर एकाधिकार मॉडल को फ़ाइन-ट्यून करने से बचता है; इसके बजाय, यह डेटा को खंडित रखता है और प्रतिक्रियाओं को जोड़ने के लिए मेटा-मॉडल्स का उपयोग करता है। इस संश्लेषण से बचने के कुछ कारण हैं:

गोपनीयता और विश्वास: एक केंद्रीकृत व्यवहार प्रोफ़ाइल व्यक्तिगत डेटा का भंडार बन सकती है और गोपनीयता से संबंधित चिंताएं बढ़ा सकती है (किसके पास इसकी पहुंच है, अगर यह गलत है या गलत तरीके से उपयोग होता है तो क्या होगा?)। इसे न रखकर, Macaron सुनिश्चित करता है कि प्रत्येक डेटा का उपयोग केवल संदर्भ में किया जाए, और सिस्टम की समझ स्वाभाविक रूप से विकेंद्रीकृत हो। यह डेटा न्यूनतमकरण के सिद्धांत के करीब है – केवल वही उपयोग करना जो आवश्यक है, जब आवश्यक हो, बजाय एक मास्टर प्रोफ़ाइल के जमा करने के।

पहचान के अधिक फिटिंग से बचाव: लोग जटिल और परिवर्तनशील होते हैं। एक ही मॉडल जो सभी पिछले डेटा पर प्रशिक्षित होता है, संभवतः उपयोगकर्ता के अतीत के साथ अधिक फिट हो जाएगा, जिससे एआई उनके भविष्य के साथ कम अनुकूलनीय हो जाएगा। मैकरॉन अपने जनरेटिव कोर को एक सामान्य मॉडल के रूप में रखता है, जिसे उड़ान पर संदर्भ-विशिष्ट डेटा के साथ संवर्धित किया जाता है (पुनःप्राप्ति-संवर्धित जनरेशन शैली)। इसका मतलब है कि मैकरॉन की "दृष्टि" उपयोगकर्ता की हमेशा वर्तमान पुनःप्राप्तियों का एक कार्य होती है, न कि एक अधिक प्रशिक्षित स्थिर नेटवर्क। उपयोगकर्ता खुद को पुनः आविष्कार कर सकते हैं और मैकरॉन उनका अनुसरण करेगा, क्योंकि मैकरॉन कल की फ़ाइन-ट्यूनिंग से बंधा नहीं है। संक्षेप में, हम एआई को उपयोगकर्ता के पिछले स्वयं के एक कैरिकेचर बनने से रोकते हैं।

पारदर्शिता और नियंत्रण: जब कोई एकल संकलित मॉडल नहीं होता, तो यह देखना और नियंत्रित करना आसान होता है कि एआई किसका उपयोग कर रही है उत्तर देने के लिए। मैकरॉन, यदि आवश्यक हो, तो दिखा सकता है कि किस प्रश्न के लिए कौन से मेमोरी स्निपेट्स लिए गए थे - जिससे पारदर्शिता मिलती है। यदि कोई उपयोगकर्ता कहता है "इस घटना को भूल जाओ," तो हम उस मेमोरी को हटा सकते हैं और यह भविष्य में उपयोग से वास्तव में हटा दिया जाता है। एक केंद्रीकृत संकलन मॉडल में, एक तथ्य को साफ करना कठिन होता है (आप आसानी से एक न्यूरल नेट को "अनलर्न" नहीं कर सकते बिना पुनः प्रशिक्षण के)। केंद्रीय संकलन से बचकर, मैकरॉन का ब्रेन अधिक संपादन योग्य और व्याख्या करने योग्य रहता है।

फिर भी, एकीकृत प्रोफाइल न होने के बावजूद, मैकरॉन एक प्रकार की एकता प्राप्त करता है: व्यक्तित्व की निरंतरता। उपयोगकर्ता का व्यक्तिगत AI इस तरह से प्रतिक्रिया करता है जो सुसंगत और विशेष रूप से उनका लगता है। यह कैसे संभव है? मुख्य रूप से उन आर्किटेक्चरल सुविधाओं के माध्यम से जो हमने वर्णित की हैं: सिस्टम गतिशील रूप से सही यादों को खींचता है और उन्हें आउटपुट को आकार देने के लिए उपयोग करता है (जिससे सामग्री व्यक्तिगत होती है), और यह शैली मिलान और प्रतिकूल जांच जैसी तकनीकों का उपयोग करता है ताकि टोन और दृष्टिकोण उपयोगकर्ता के चरित्र के साथ मेल खा सके। अन्य व्यक्तिगत AI परियोजनाएं भी उपयोगकर्ता-विशिष्ट मॉडल की वकालत करती हैं जो अलगाव में चलती हैं, प्रभावी रूप से प्रत्येक उपयोगकर्ता के लिए एक मॉडल, ताकि डेटा को एकत्रित किए बिना निजीकरण सुनिश्चित किया जा सके। मैकरॉन का दृष्टिकोण सूक्ष्म रूप से भिन्न है – प्रति उपयोगकर्ता एक विशिष्ट मॉडल को प्रशिक्षित करने के बजाय (जो कि केंद्रीकरण का एक और रूप है, बस प्रति उपयोगकर्ता), मैकरॉन एक साझा बेस मॉडल का उपयोग करता है जिसमें प्रति उपयोगकर्ता मेमोरी पॉड्स और ऑन-द-फ्लाई निजीकरण होता है। इससे समान निजीकरण लाभ मिलते हैं (प्रत्येक उपयोगकर्ता का डेटा अलग होता है, मॉडल व्यक्तिगत भाषा के अनुसार अनुकूलित हो सकते हैं) लेकिन प्रत्येक उपयोगकर्ता के लिए नए सिरे से प्रशिक्षण या फाइन-ट्यूनिंग की आवश्यकता नहीं होती है, और सभी ज्ञान को ऐसे वज़न में समेकित किए बिना जो जांचने में कठिन होते हैं।

परिणाम एक ऐसा प्रणाली है जो इस तरह से एकरूपता बनाए रखता है मानो उसके पास एक "स्व" हो, फिर भी वह "स्व" कोई एकल वस्तु या फ़ाइल नहीं है - यह एक उभरती हुई घटना है। Macaron का मस्तिष्क दिखाता है कि आप एक स्थायी व्यक्तित्व के लाभ प्राप्त कर सकते हैं (AI "याद रखता है" शैली, प्राथमिकताएँ, इतिहास) जबकि फिर भी वास्तविक मानव पहचान का सम्मान करते हुए तरलता और अस्थायित्व बनाए रखते हैं। स्व संरचना और प्रक्रिया द्वारा बनाए रखा जाता है, स्थिर भंडारण द्वारा नहीं।

व्यक्तिगत एजेंसी और डिजिटल व्यक्तित्व के लिए प्रभाव

Macaron की ब्रेन आर्किटेक्चर के व्यापक प्रभाव हैं। सबसे पहले, यह व्यक्तिगत एजेंसी को सशक्त बनाता है। उपयोगकर्ता अपनी विकसित होती कहानी पर नियंत्रण में रहता है। क्योंकि AI उन पर कठोर प्रोफ़ाइल नहीं थोप रहा, उपयोगकर्ता आदतें, राय, यहाँ तक कि पहचान के पहलू भी बदल सकते हैं, और AI इसके साथ कदमताल करेगा, बजाय इसके कि वह टोकता रहे या कहे "लेकिन आपने एक बार कहा था..."। यह गतिशीलता एक स्वस्थ दीर्घकालिक मानव-AI साझेदारी के लिए महत्वपूर्ण है। यह उपयोगकर्ता को उनकी कहानी का बढ़ता हुआ नायक मानता है, न कि अचल डेटा बिंदु के रूप में। AI उपयोगकर्ता की आत्म-निरंतरता का समर्थन करने वाला ढांचा बन जाता है, बजाय इसके कि वह उन्हें पिछले प्रतिबिंबों में फँसाए।

एक डिजिटल व्यक्ति दृष्टिकोण से, मैकरॉन का दृष्टिकोण "डिजिटल स्वयं" के लिए एक मॉडल सुझाता है। यह एकल डेटा डबल नहीं है (किसी सर्वर में व्यक्ति की प्रतिलिपि नहीं), बल्कि एक प्रक्रिया है जो समय और संदर्भ के साथ विकसित होती है। यदि समाज और कानून कभी एआई-सहायता प्राप्त व्यक्तिगत निरंतरता को मान्यता देने के लिए आते हैं - उदाहरण के लिए, यदि एक एआई को किसी के विस्तारित मस्तिष्क का हिस्सा देखा जा सकता है या यहां तक कि एक प्रकार की आश्रित व्यक्ति के रूप में मान्यता दी जा सकती है - तो यह संभवतः ऐसे आर्किटेक्चर के कारण होगा। वे दिखाते हैं कि एआई निरंतरता रख सकता है बिना एकल पहचान के: जैसे कि एक निगम कई हिस्सों और प्रक्रियाओं से बना एक कानूनी व्यक्ति है, व्यक्तिगत एआई को व्यक्ति की पहचान के हिस्से के रूप में देखा जा सकता है बिना एक सरल डेटा क्लोन के।

दिलचस्प बात यह है कि ऐसी डिजिटल पर्सनास की कानूनी स्थिति अब भी अपरिभाषित है। जैसा कि एक टिप्पणीकार ने कहा, भविष्य की कानूनी विद्या को डिजिटल व्यक्ति और AI एजेंट्स के साथ जुड़े दायित्वों या अधिकारों के प्रश्नों से जूझना होगा, जो किसी की पहचान का हिस्सा होते हैं। मैकरॉन का ब्रेन एक जिम्मेदार दृष्टिकोण के लिए एक केस स्टडी प्रस्तुत करता है: केंद्रीकृत व्यवहारिक प्रोफाइल से बचकर, यह कई नैतिक और कानूनी चिंताओं (जैसे प्रोफाइलिंग पूर्वाग्रह, या AI का पुराने डेटा पर "बगावत करना") से बचता है। अगर किसी दिन एक व्यक्तिगत AI को कानूनी पहचान के लिए विचार किया जाता है (उदाहरण के लिए, उपयोगकर्ता की ओर से स्वतः कुछ कार्य करने के लिए), तो एक ऐसा आर्किटेक्चर जो अस्पष्ट पर्सोना मॉडल्स के बजाय जिम्मेदार मेमोरी के माध्यम से संगति बनाए रखता है, उसे न्यायसंगत और विश्वासपात्र बनाना कहीं आसान होगा।

एक और निहितार्थ मृत्यु के बाद या लंबे समय तक अनुपस्थिति के दौरान निरंतरता के लिए है। यदि एक Macaron उपयोगकर्ता एक वर्ष के लिए निष्क्रिय हो जाता है और वापस आता है, तो AI उनके पहचान की चोटी को संग्रहीत स्मृति से बिना किसी रुकावट के पुनर्जीवित कर सकता है (जिन संदर्भों में क्षय हुआ है, लेकिन हटाया नहीं गया है)। यदि कोई उपयोगकर्ता गुजर जाता है और उनका परिवार संवाद जारी रखता है, तो AI वह व्यक्ति नहीं होगा (और न ही Macaron ऐसा प्रयास करता है), लेकिन यह सवाल उठता है: सार्थक उपस्थिति के लिए कितनी निरंतरता पर्याप्त है? हम पहले से ही प्रियजनों के डिजिटल अवतारों के उदाहरण देखते हैं, जहाँ "मूल और प्रतिध्वनि के बीच की रेखा संवाद में घुल जाती है," जैसा कि प्रॉम्प्टेड डिजिटल सेल्व्स के एक विश्लेषण ने कहा। Macaron का मस्तिष्क, सिद्धांत रूप में, एक तरह की डिजिटल निरंतरता की सुविधा दे सकता है - हालांकि नैतिक उपयोग संभवतः इसे जीवित उपयोगकर्ता के लाभ तक सीमित रखेगा (जैसे, बाद के वर्षों में आपके अपने जीवन की घटनाओं को स्पष्ट रूप से याद रखने में मदद करना)।

अंत में, उपयोगकर्ता को एक प्रोफ़ाइल में अंतिम रूप न देकर, मैकरॉन का डिज़ाइन दार्शनिक दृष्टिकोण को अप्रत्यक्ष रूप से मान्यता देता है: पहचान निर्मित, चल रही, और संदर्भ-निर्भर होती है। यह उत्तर-आधुनिक विचारों के साथ गूंजता है कि कोई स्थिर अपरिवर्तनीय आत्मा नहीं है, केवल एक कथात्मक आत्म है। इस अर्थ में मैकरॉन का ब्रेन एक कथात्मक इंजन है। उपयोगकर्ताओं के लिए, यह मुक्ति का माध्यम हो सकता है - इसका अर्थ है कि उनका एआई उनके साथ विकसित होता है, एक कथा को सह-निर्मित करता है न कि थोपी जाती है। इसका यह भी अर्थ है कि एआई आत्म-खोज में सहायता कर सकता है: क्योंकि यह पैटर्न को नोट कर सकता है ("आप हमारे काम और व्यक्तिगत मामलों की बातचीत में अक्सर निष्पक्षता के बारे में जोश से बोलते हैं"), फिर भी यह उन्हें स्थिर सच्चाई के रूप में प्रकट नहीं करता, यह उपयोगकर्ता के स्पष्ट मूल्यों को धीरे से प्रतिबिंबित कर सकता है और उपयोगकर्ता को उन्हें पुष्टि या पुनर्परिभाषित करने दे सकता है। उपयोगकर्ता लेखक बना रहता है; एआई एक बहुत ही परिष्कृत संपादक और सततता ट्रैकर है।

निष्कर्ष

उपस्ट्रेट से स्वयं तक - हमने मैकरॉन की अंतर्निहित स्मृति तंत्रों से लेकर ब्रेन आर्किटेक्चर द्वारा समर्थित एक सतत व्यक्तिगत "स्वयं" के उदय तक की यात्रा की है। हमने देखा है कि निरंतरता को तथ्यों के स्थायी भंडार या एक एकल उपयोगकर्ता मॉडल से आने की आवश्यकता नहीं है। इसके बजाय, मैकरॉन एक अधिक जैविक दृष्टिकोण में विश्वास करता है: यादें जो फीकी पड़ जाती हैं जब तक कि नवीनीकृत न की जाएं, सीमाएं जो अनुभवों को अलग करती हैं लेकिन बातचीत की अनुमति देती हैं, समय जो ज्ञान के आयाम के रूप में माना जाता है, और निर्णयों को उपयोगकर्ता की लचीली समझ में जकड़ने के लिए परिकल्पित तर्क। परिणामस्वरूप एक व्यक्तिगत एआई है जो सुसंगत है लेकिन सीमित नहीं, सुसंगठित है लेकिन स्थिर नहीं।

यह एक आवश्यक रूप से सैद्धांतिक अन्वेषण रहा है, क्योंकि ऐसी उच्च-स्तरीय व्यवहार व्यक्तिगत AI डिज़ाइन के अत्याधुनिक पर है। फिर भी यह ठोस सिद्धांतों पर आधारित है: गोपनीयता (कोई केंद्रीकृत प्रोफाइलिंग नहीं), मानव-समान स्मृति कार्य (याद रखना और भूलना), और अनुकूली सीखना। मैकरॉन का ब्रेन उपयोगकर्ता मॉडल्स या व्यवहार प्रोफाइल्स को केंद्रीकृत करने से न केवल गोपनीयता के लिए बचता है, बल्कि इसलिए कि यही वास्तविक व्यक्तिगत निरंतरता का तरीका नहीं है। समरसता बनाए रखते हुए, मैकरॉन सुनिश्चित करता है कि उपयोगकर्ता अंततः निरंतरता के धागे को बुनते हैं, जबकि AI करघा और धागों को मार्गदर्शन देने वाले कोमल हाथ प्रदान करता है।

आगे देखते हुए, जैसे-जैसे व्यक्तिगत AI अधिक प्रचलित होते जाएंगे, हम पाएंगे कि केवल वही डिज़ाइन जो इस तरल निरंतरता के साथ बनाए गए हैं, उपयोगकर्ताओं का दीर्घकालिक विश्वास अर्जित करेंगे। एक AI जो कभी नहीं भूलता और कभी नहीं बदलता, चिंताजनक होगा; एक जो बहुत अधिक भूलता है, निराशाजनक होगा। मैकरॉन की आकांक्षा इसे सही तरीके से प्राप्त करने की है - जो महत्वपूर्ण है उसे याद रखना, जो नहीं है उसे भूल जाना, और समय के साथ उपयोगकर्ता के साथ एक वफादार मगर विकसित होने वाले साथी के रूप में साथ रहना। ऐसा करते हुए, हम उस दृष्टिकोण के करीब पहुंचते हैं जहां डिजिटल सिस्टम आत्म की निरंतरता का सम्मान करते हैं और उसे मजबूत करते हैं, बजाय इसके कि उसे खंडित या स्थिर करें। ब्रेन श्रृंखला ने इस दृष्टिकोण का पता लगाया है: डेटाबेस रूपक को अस्वीकार करने से लेकर, एक गतिशील सब्सट्रेट बनाने तक, कुछ ऐसा पोषित करने तक जो एक "स्वयं" जैसा दिखने लगता है। इसके निहितार्थ आगे भी खुलते रहेंगे, लेकिन एक बात स्पष्ट है - व्यक्तिगत AI तक पहुंचने का मार्ग जो वास्तव में मानव जीवन को समृद्ध करता है, पहचान और स्मृति की जटिलता को अपनाने में निहित है, परिवर्तन और निरंतरता के लिए मिलकर संरचना करना। मैकरॉन का ब्रेन उस दिशा में एक सतत प्रयोग है, एक ऐसा ढांचा जो आपके साथ बढ़ते हुए भी आपका रहता है।