एआई अभी भी कुछ तस्वीरों से सीखने में असफल है जैसे आप कर सकते हैं

मुख्य बिंदु

• Apple ML Research ने 2025 में प्रकाशित एक अध्ययन से पता चला है कि आज के सर्वश्रेष्ठ विजन-भाषा एआई मॉडल उदाहरण छवियों के एक छोटे समूह में साझी अवधारणा को पहचानने में संघर्ष करते हैं।
• शोधकर्ताओं ने VICIS (Visual Concept Inference from Sets) नामक एक बेंचमार्क बनाया है जो एआई क्षमता में इस विशिष्ट अंतराल को मापता है।
• परीक्षण किए गए हर अत्याधुनिक मॉडल ने VICIS कार्य पर खराब प्रदर्शन किया, जो वर्तमान एआई डिजाइन में एक सार्थक दृष्टिकोण दोष का संकेत देता है।
• यह विफलता महत्वपूर्ण है क्योंकि वास्तविक दुनिया के एआई उपकरण तेजी से मॉडलों को मुट्ठी भर दृश्य उदाहरणों से सीखने के लिए कहते हैं, केवल लिखित निर्देश नहीं।

यह एक कौशल है जो हर पांच साल का बच्चा करता है। उन्हें कुत्तों की तीन तस्वीरें और एक बिल्ली की तस्वीर दिखाएं, और वे कहेंगे कि बिल्ली उससे संबंधित नहीं है। उन्हें जन्मदिन की पार्टियों की तीन तस्वीरें दिखाएं और फिर समुद्र तट की आग की एक फोटो, और वे अनुमान लगाएंगे कि आग भी एक उत्सव हो सकती है।

वर्तमान एआई विजन मॉडल यह विश्वसनीय रूप से नहीं कर सकते। यह Apple ML Research से निष्कर्ष है, जिसकी टीम ने VICIS नामक एक परीक्षण डिज़ाइन किया, जिसका अर्थ है Visual Concept Inference from Sets, इस अंतराल को सटीक रूप से मापने के लिए।

एक विजन-भाषा मॉडल, वह तकनीक जो एआई को छवियों को देखने और पाठ पढ़ने या लिखने देती है, विस्तृत लिखित निर्देशों का प्रभावशाली सटीकता के साथ पालन कर सकती है। किसी को एक फोटो का वर्णन करने, वस्तुओं को गिनने, या एक लेबल पढ़ने के लिए कहें, और यह आमतौर पर परिणाम देता है। लेकिन शब्दों को हटा दें और इसे केवल मुट्ठी भर तस्वीरों से एक नियम का पता लगाने के लिए कहें? प्रदर्शन तेजी से गिरता है।

सामान्य लोगों को इस बारे में क्यों चिंता करनी चाहिए?

यह अंतराल महत्वपूर्ण है क्योंकि कई व्यावहारिक एआई उपकरण पहले से ही उदाहरणों से सीखने पर निर्भर करते हैं। एक दुकानदार जो एआई को शैली के अनुसार उत्पाद फोटो को क्रमबद्ध करना चाहता है, या एक शिक्षक जो इसे एक निश्चित प्रकार का आरेख फ्लैग करना चाहता है, वह वास्तव में VICIS परीक्षा करता है। यदि मॉडल यह नहीं कर सकता है, तो वे उपकरण स्पष्ट चेतावनी के बिना अविश्वसनीय परिणाम उत्पन्न करेंगे।

VICIS परीक्षा इस तरह काम करता है। मॉडल को एक छोटा "संदर्भ सेट" प्राप्त होता है, मुट्ठी भर छवियां जो सभी कुछ अवधारणा साझा करती हैं, शायद एक रंग योजना, एक मनोदशा, एक आकार, या वस्तुओं के बीच एक संबंध। इसे एक नई "प्रश्न" छवि भी प्राप्त होती है। इसका काम संदर्भ सेट से अवधारणा को बनाए रखते हुए और प्रश्न को फिट करते हुए छवियों को उत्पन्न या चुनना है। सिद्धांत में सरल। व्यावहार में कठिन साबित होता है।

Apple टीम द्वारा परीक्षण किए गए हर मॉडल में कमी थी।

यहां दो चीजें ध्यान में रखने योग्य हैं। सबसे पहले, यह एक अनुसंधान पत्र है, कोई उत्पाद घोषणा नहीं। जो मॉडल विफल हुए वे वही हैं जो आज लाखों लोग उपयोग करने वाले उपकरणों को शक्ति देते हैं, इसलिए खोज वास्तविक है, लेकिन इसका मतलब यह नहीं है कि वे उपकरण बेकार हैं। इसका मतलब है कि एक विशिष्ट क्षमता हमारी अपेक्षा से कमजोर है।

दूसरा, उत्तरजीविता पूर्वाग्रह नाम देने लायक है। जब आप एक एआई उपकरण के बारे में सुनते हैं जिसने कुछ तस्वीरों से एक नई शैली सीखी और इसे नाखूनों से मारा, तो वह कहानी समाचार में बन गई क्योंकि यह काम करती थी। हजार बार जब इसने आत्मविश्वास से बकवास का उत्पादन किया, तब नहीं।

ईमानदार निष्कर्ष: यदि आप एक एआई छवि उपकरण का उपयोग करते हैं और इसे कुछ उदाहरण फोटो खिलाते हैं, तो इसे विश्वास करने से पहले इसके आउटपुट को सावधानीपूर्वक परीक्षण करें। इसे उदाहरण दिखाएं, फिर देखें कि क्या यह वास्तव में अवधारणा का पालन करता है या केवल रंग जैसे सतह विवरण की नकल करता है। आपकी अपनी आंखें अभी भी यहां बेहतर न्यायाधीश हैं।