बऱ्याच वाचकांनी हे किस्सेच लक्षात घेतले आहे: AI मॉडेल्सने लिहिलेला मजकूर व्याकरणदृष्ट्या निर्दोष असला तरीही विश्लेषण करण्यासाठी वाढत्या प्रमाणात घनता, तिरकस आणि विचित्रपणे थकवणारा वाटतो. arXiv वर पोस्ट केलेले नवीन प्रीप्रिंट त्या अंतर्ज्ञानाच्या मागे कठोर भाषिक डेटा ठेवते — आणि ते का घडत आहे याचे स्पष्टीकरण प्रस्तावित करते.
थॉमस हिकारू क्लार्क, मॅटियास बी. मार्टिन आणि काइल महोवाल्ड या संशोधकांनी 21 ऑक्टोबर रोजी "AI-व्युत्पन्न भाषा समजून घेणे इतके कठीण का आहे?" हा अभ्यास सादर केला होता. विविध डोमेन्समध्ये AI-व्युत्पन्न केलेल्या मजकुराच्या कादंबरीच्या कॉर्पसवर रेखांकित करून, लेखकांनी मानवी वाचकांसाठी प्रक्रिया अडचणीचे मार्कर म्हणून साहित्यात चांगल्या प्रकारे स्थापित केलेल्या मनोभाषिक वैशिष्ट्यांच्या संचाचे विश्लेषण केले - ऑब्जेक्ट संबंधित खंड, दीर्घ वाक्यरचना अवलंबित्व आणि कमी-फ्रिक्वेंसी एन-ग्राम. For more context on this story, see our ongoing latest AI developments.
संशोधकांनी काय मोजले
मानसशास्त्राला फार पूर्वीपासून माहीत आहे की सर्व वाक्ये वाचण्यासाठी सारखी किंमत नसते. ऑब्जेक्ट रिलेटिव्ह क्लॉज ("रिपोर्टरने हल्ला केलेला सिनेटर...") विषयाच्या नातेवाईकांपेक्षा प्रक्रिया होण्यास जास्त वेळ लागतो. शब्दांमधील दीर्घ अवलंबित्व वाचकांना स्मृतीमध्ये अधिक सामग्री ठेवण्यास भाग पाडते. दुर्मिळ शब्द अनुक्रमांना पुनर्प्राप्त करण्यासाठी आणि एकत्रित करण्यासाठी अधिक प्रयत्न आवश्यक आहेत. ही वैशिष्ट्ये मजकूर प्रत्यक्षात समजणे किती कठीण आहे याचे मोजमाप करण्यासाठी एक शासक म्हणून काम करतात - ते किती अत्याधुनिक वाटते यापेक्षा वेगळे आहे.
संशोधकांनी AI-व्युत्पन्न लेखनाची दोन बेसलाइनशी तुलना केली: मानवी-लिखित मजकूर आणि राऊंड-ट्रिप भाषांतराद्वारे तयार केलेले पॅराफ्रेसेस, औपचारिक किंवा मशीन-इश गद्याच्या जेनेरिक चवपासून अस्सल मॉडेल क्विर्क वेगळे करण्यासाठी डिझाइन केलेले नियंत्रण.
ते नियंत्रण महत्त्वाचे आहे. संशयवादी वाजवीपणे असा तर्क करू शकतात की एआय मजकूर हे केवळ व्यवसाय किंवा तांत्रिक लेखन - औपचारिक, वैयक्तिक आणि संज्ञा-जड - वेगळ्या पॅथॉलॉजीचे प्रदर्शन करण्याऐवजी वाचतो. राउंड-ट्रिप भाषांतर कोणत्याही भाषा-मॉडेल प्रशिक्षणाशिवाय समान पॉलिश, किंचित अनैसर्गिक रजिस्टरसह मजकूर तयार करते. जर AI मॉडेल्सने प्रक्रिया-अडचण उपायांची आधाररेषा ओलांडली असेल, तर फरक हा मॉडेल स्वतःच कसे लिहायला शिकले यावरून विशिष्ट गोष्टींवरून आला असेल. थोडक्यात, अभ्यासात असे आढळले आहे.
त्यांना काय सापडले
निकाल संपूर्ण बोर्डावर सुसंगत होते. मानवी लेखनाच्या तुलनेत, अभ्यासामध्ये तपासले गेलेले सर्व नऊ फ्रंटियर आणि जवळ-सीमा मॉडेल - GPT-5.6, क्लॉड, लामा, डीपसीक आणि क्वेन कुटुंबातील प्रणालींचा समावेश असलेल्या गटाने - मोजमापाने कठीण निवडी केल्या:
- सजीव क्रियापदांसह जोडलेले अधिक निर्जीव विषय — लेखनाचा वैशिष्ट्यपूर्ण AI पॅटर्न जो "डेल्व्ह", "अंडरस्कोर" किंवा "हायलाइट" करतो.
- अधिक कमी-फ्रिक्वेंसी एन-ग्रॅम, म्हणजे असामान्य शब्द अनुक्रम जे मानवी लेखक क्वचितच तयार करतात.
- विषय आणि क्रियापद अधिक मध्यवर्ती सामग्रीद्वारे विभक्त करून, दीर्घ सिंटॅक्टिक अवलंबित्व**.
- अधिक स्टॅक केलेल्या संज्ञा आणि, संभाषणात्मक मजकुरात, अधिक कमी ऑब्जेक्ट संबंधित खंड.
या अभ्यासात मॉडेल कुटुंबांमध्ये लक्षणीय भिन्नता देखील नोंदवली गेली — सर्व मॉडेल्स वाचण्यास तितकेच कठीण नाहीत — आणि असे आढळले की AI मॉडेल्सने या कठीण बांधकामांचा राउंड-ट्रिप-अनुवाद पॅराफ्रेसेसपेक्षा अधिक वेळा वापर केला आहे, ज्याचा प्रभाव औपचारिक रजिस्टरच्या आर्टिफॅक्टपेक्षा मॉडेल्स कसे प्रशिक्षित केले जातात यावर विशिष्ट आहे.
हा फरक शांतपणे पेपरमधील सर्वात उपयुक्त परिणामांपैकी एक आहे. जर वाचनाची अडचण स्केल किंवा क्षमतेचा अपरिहार्य परिणाम असेल, तर सर्व सीमा प्रणाली एकत्रितपणे एकत्रित होतील. त्याऐवजी, कुटुंबांमधील प्रसार सूचित करतो की प्रशिक्षणोत्तर निवडी — डेटा मिक्स, रिवॉर्ड सिग्नल, तर्क-जड डोमेन्सवर भर — एखाद्या मॉडेलचे गद्य मानवी वाचकावर कसे उतरते हे दृश्यमानपणे आकार देते. दुस-या शब्दात सांगायचे तर, हार्ड-टू-रीड एआय मजकूर हा एक डिझाइन परिणाम आहे, बुद्धिमत्तेचा अपरिहार्य उपउत्पादन नाही.
माहिती-घनता गृहीतक
मॉडेल कठोर भाषेकडे का वळतील? लेखक एक गृहीतक मांडतात आणि चाचणी करतात: मानवी भाषा विकसित होत असताना आणि यशस्वीरित्या संवाद साधण्याच्या दबावाखाली शिकली जात असताना, AI-व्युत्पन्न केलेला मजकूर इतर उद्दिष्टांसाठी - गणित, कोड आणि तर्क कार्यांसाठी - जिथे दबाव समजण्याच्या सुलभतेऐवजी माहिती घनता वर असतो.
योग्य उत्तरे कमी टोकन्समध्ये पॅक केल्याबद्दल पुरस्कृत केलेले मॉडेल गद्यात समाविष्ट असलेल्या सवयी शिकते: अर्थ संकुचित करा, अचूक-पण-दुर्मिळ शब्दांना प्राधान्य द्या, प्रति वाक्य अधिक रचना एम्बेड करा. याचा परिणाम असा मजकूर आहे जो बेंचमार्कवर चांगले गुण मिळवतो आणि मानवी वाचकांसाठी हळूहळू कमी नैसर्गिकरित्या वाढतो.
कल्पनेची चाचणी घेण्यासाठी, संशोधकांनी संकल्पनेचा पुरावा प्रयोग चालवला: त्यांनी एका भाषेच्या मॉडेलला लांबीच्या दंडांतर्गत बारीक-ट्यून केले आणि त्याचे आउटपुट संकुचित करण्यास भाग पाडले. मॉडेलचे भाषिक वर्तन मानवी-सदृश नमुन्यांपासून तंतोतंत गृहीतकाच्या अंदाजानुसार विभक्त झाले आहे - केवळ डेटा नव्हे तर ऑप्टिमायझेशनचा दबाव या कल्पनेला कारणीभूत आधार देणे.
हे महत्त्वाचे का आहे
लेखक मानवांच्या भाषिक प्रक्रियेच्या मागणी आणि मोठ्या भाषेच्या मॉडेल्सद्वारे स्पष्टपणे प्राधान्य दिलेल्या यांमधील चुकीचे संरेखन म्हणतात ते निष्कर्ष हायलाइट करतात. त्या चुकीच्या संरेखनाचे व्यावहारिक परिणाम आहेत. AI सहाय्यक जे वाचण्यास कठीण मजकूर तयार करतात ते प्रत्येक उत्तरावर छुपा कर लादतात आणि लोक त्यांच्या वाचनाचा अधिक वेळ मॉडेल-व्युत्पन्न केलेले मसुदे, सारांश आणि स्पष्टीकरणांवर खर्च करतात म्हणून परिणाम वाढतो.
लेखक त्यांच्या फ्रेमवर्क पॉईंट्स संभाव्य उपायांबद्दल तर्क करतात - मॉडेल्सचे प्रशिक्षण किंवा ट्यून करण्याचे मार्ग ज्यांचे उत्पादन क्षमतेचा त्याग न करता मानवी प्रक्रिया मर्यादांचा आदर करते. पेपर एक प्रीप्रिंट आहे आणि अद्याप समवयस्क पुनरावलोकन केले गेले नाही, परंतु त्याचे केंद्रीय निरीक्षण आधीच प्रतिध्वनी करत आहे: कार्य 24 ऑक्टोबर रोजी हॅकर न्यूजच्या पहिल्या पानावर चढले, तर्क कार्यप्रदर्शन आणि वाचनीय गद्य यांच्यातील व्यापार-बंद मूलभूत किंवा निराकरण करण्यायोग्य आहे की नाही याबद्दल सक्रिय वादविवाद काढले.
आत्तासाठी, अभ्यास वाचकांना परिचित निराशेसाठी एक प्रमाणित शब्दसंग्रह देते. मजकूर अपघाताने खराब होत नाही - तो डिझाइननुसार अधिक घन होत आहे.
स्त्रोत: arXiv:2610.29162, हॅकर बातम्या चर्चा---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
