हाल ही में, मैंने एक जनरेटिव AI से "जनरेटिव AI की कमज़ोरियों का सारांश बताओ" कहा।
मैंने उससे नवीनतम शोधपत्रों और अध्ययनों के आधार पर जनरेटिव AI की संरचनात्मक ताकत और कमज़ोरियों पर शोध करने को कहा।
पहली नज़र में आउटपुट अच्छा लग रहा था, जिसमें 13 कमज़ोरियों को ध्यानपूर्वक शब्दों में पिरोया गया था और शोधपत्रों का हवाला दिया गया था, जैसे कि भ्रम (hallucinations), कमज़ोर कारण संबंधी तर्क (weak causal reasoning), और नाज़ुक गणितीय तर्क (fragile mathematical reasoning)।
हालाँकि, इसे पढ़ते हुए मुझे एक अजीब सी बेचैनी महसूस हुई।
"क्या यह सिर्फ एक बेतरतीब सूची नहीं है?"
जो वास्तविक सूची सामने आई वह इस प्रकार थी:
1. भ्रम (Hallucinations) 2. कमज़ोर कारण संबंधी तर्क (Weak causal reasoning) 3. नाज़ुक गणितीय तर्क (Fragile mathematical reasoning) 4. तर्क मॉडल का पतन (Collapse of reasoning models) 5. समझ का भ्रम (Illusion of understanding) 6. कमज़ोर अमूर्तन (Weak abstraction) 7. प्रशिक्षण डेटा में पूर्वाग्रह (Bias in training data) 8. ज्ञान की सीमा (Knowledge cutoff) 9. चापलूसी (Sycophancy) ...... (और इसी तरह, कुल 13)
13 कमज़ोरियों को बस एक-दूसरे के बगल में सूचीबद्ध कर दिया गया था। कुछ मदें ओवरलैप हो रही थीं, और कुछ दृष्टिकोण गायब थे। लेकिन AI को कोई फर्क नहीं पड़ा; उसने उन्हें बस उसी क्रम में सूचीबद्ध कर दिया जिस क्रम में वह उन्हें ढूंढ पाया। यह, ठीक है, बेढंगा लगा।
फिर मुझे समझ में आया।
यह आउटपुट स्वयं जनरेटिव AI की कमज़ोरियों का पूरी तरह से प्रतिनिधित्व करता है।
जनरेटिव AI जानकारी इकट्ठा करने और सूचीबद्ध करने में अच्छा है। दूसरी ओर, यह "एकत्रित जानकारी को MECE (परस्पर अनन्य, सामूहिक रूप से संपूर्ण) तरीके से संरचित करने और इसे एक उच्च-स्तरीय प्रणाली में व्यवस्थित करने" में बुरा है। मैं समझ गया कि यह एक संरचनात्मक कमज़ोरी है जो जनरेटिव AI के मूल तंत्र से ही उत्पन्न होती है।
मैंने यह लेख लिखने का फैसला क्यों किया?
मैंने यह सोचने की जहमत क्यों उठाई, "मुझे जनरेटिव AI की मूलभूत कमज़ोरियों को शब्दों में पिरोने की ज़रूरत है"?
ऐसा इसलिए है क्योंकि मुझे कंपनियों और शैक्षणिक संस्थानों में जनरेटिव AI के उपयोग का नेतृत्व या समर्थन करने वाली परियोजनाओं में शामिल होने के अधिक अवसर मिले हैं।
इस संदर्भ में, एक AI सिस्टम बनाने के लिए जिसका वास्तव में साइट पर उपयोग किया जा सके, मुझे एहसास हुआ कि भूमिकाओं के विभाजन को सख्ती से परिभाषित करना—"जनरेटिव AI कितनी दूर तक जा सकता है, और मनुष्यों को कहाँ से संभालना चाहिए"—व्यवसाय डिज़ाइन का सबसे महत्वपूर्ण केंद्र है।
यदि आपकी समझ "मुझे नहीं पता क्यों, लेकिन जब मैंने प्रॉम्प्ट को इस तरह ट्वीक किया तो यह काम कर गया" के स्तर पर बनी रहती है, तो आप AI सिस्टम बनाने में पुनरुत्पादन क्षमता (reproducibility) की गारंटी नहीं दे सकते, जो काफी समस्याजनक है।
इसलिए, मैंने सोचा कि इस विषय पर एक ज्ञापन छोड़ना उपयोगी होगा ताकि हम समझ सकें:
- जनरेटिव AI कैसे बनाया जाता है
- इस निर्माण के आधार पर इसकी मूलभूत ताकत और कमज़ोरियाँ क्या हैं ...ऐसा करके, हम हर AI अपडेट से प्रभावित होने या प्रॉम्प्ट को संयोग के खेल की तरह संचालित करने से बच सकते हैं।
जनरेटिव AI की विशेषताओं को संरचनात्मक रूप से समझना
जनरेटिव AI का तंत्र, जब सरल शब्दों में कहा जाए, तो "अब तक के संदर्भ के आधार पर, आगे आने वाली सबसे अधिक संभावना वाले शब्द को चुनने" की पुनरावृत्ति है।
यदि आप "जापान की राजधानी है" इनपुट करते हैं, तो "टोक्यो" को सबसे अधिक संभावना के साथ चुना जाता है। यदि यह "नाश्ते में, ब्रेड और" है, तो "कॉफी" या "मक्खन" चुना जाता है। यह "अगले शब्द का अनुमान लगाने का खेल" हर चीज़ का प्रारंभिक बिंदु है।
इस "अगले शब्द का अनुमान लगाने के खेल" को तोड़ने पर निम्नलिखित प्रमुख विशेषताएं सामने आती हैं।
विशेषता ①: यह सहसंबंध (correlation) पर काम करता है
"अगले शब्द का अनुमान लगाने" के लिए, जनरेटिव AI विशाल मात्रा में टेक्स्ट से सीखता है कि "कौन से शब्द किस क्रम में एक साथ दिखाई देते हैं।"
जब यह "नाश्ते में ब्रेड और कॉफी" आउटपुट करता है, तो यह यह नहीं समझता कि "ब्रेड एक कार्बोहाइड्रेट है, इसलिए इसके उत्तेजक प्रभाव के लिए कैफीन के साथ इसे पूरक करने से पोषण संतुलित होता है।" यह केवल इस प्रवृत्ति को पुन: प्रस्तुत कर रहा है कि "कॉफी" अक्सर "नाश्ता" और "ब्रेड" जैसे शब्दों के पास दिखाई देता है।
एमिली बेंडर, टिमनिट गेब्रू और अन्य ने 2021 में अपने FAccT पेपर में इसे "स्टोकेस्टिक पैरट" (Stochastic Parrot) के रूप में वर्णित किया। यह एक आलोचना है कि जिस तरह एक तोता अर्थ को समझे बिना मानव भाषण की नकल करता है, उसी तरह जनरेटिव AI केवल शब्द अनुक्रमों के पैटर्न की नकल करता है और उसके पास अर्थ तक पहुंच नहीं है। यह नामकरण काफी निंदक है, है ना? अगर किसी ने मुझसे कहा, "आपकी बुद्धि तोते के स्तर की है," तो मैं काफी हैरान हो जाऊंगा...
यहाँ हमें यह समझने की जरूरत है कि यह "A और B अक्सर एक साथ दिखाई देते हैं (= सहसंबंध)" को पकड़ सकता है, लेकिन यह यह नहीं समझता कि "A, B का कारण है (= कार्य-कारण)।" भ्रम (hallucinations) और कमज़ोर कारण संबंधी तर्क, जिन्हें मैं बाद में समझाऊंगा, सभी की जड़ें यहीं हैं।
विशेषता ②: यह एकतरफा (one-way) काम करता है
"अगले शब्द का अनुमान लगाना" दोहराने का मतलब है कि वाक्य एक बार में एक शब्द, शुरू से क्रम में, एक ही बार में लिखे जाते हैं।
तो, क्या जनरेटिव AI पूरी तरह से तदर्थ (ad-hoc) है, जो केवल अपने सामने वाले एक शब्द के आधार पर अगला शब्द चुनता है? हाल के शोध को देखते हुए, ऐसा प्रतीत नहीं होता है।
डोंग एट अल. के "इमर्जेंट रिस्पॉन्स प्लानिंग इन LLMs (ICML 2025)" के अनुसार, एक भी शब्द आउटपुट करने से पहले भी, जनरेटिव AI पूरे प्रतिक्रिया के लिए एक मोटा दृष्टिकोण बनाता है, जैसे:
- उत्तर लगभग कितना लंबा होगा
- इसमें तर्क के कितने चरण होंगे
- यह कौन सी सामग्री चुनेगा और आउटपुट करेगा
साथ ही, मार्च 2025 में एंथ्रोपिक द्वारा प्रकाशित "ऑन द बायोलॉजी ऑफ़ अ लार्ज लैंग्वेज मॉडल" में, यह पाया गया कि जब Claude 3.5 Haiku एक कविता लिखता है, तो उसने उस पंक्ति को लिखना शुरू करने से पहले ही पंक्ति के अंत में तुकबंदी वाले शब्द पर निर्णय ले लिया होता है। एक प्रकार की योजना जो कई शब्द आगे देखती है, आंतरिक रूप से काम कर रही है।
दूसरे शब्दों में, यह "पूरी तरह से तदर्थ अगले शब्द का अनुमान लगाने का खेल" नहीं कर रहा है। जनरेटिव AI शुरू करने से पहले अपने तरीके से एक योजना बनाता है।
हालाँकि, वर्तमान में इस बात का कोई सबूत नहीं है कि इसके पास एक मानव की तरह एक स्पष्ट खाका है, जो "पहले एक विषय-सूची बनाए और लिखना शुरू करने से पहले पूरी संरचना का अवलोकन करे।" एंथ्रोपिक रिपोर्ट यह भी बताती है कि यह "लगभग 100 टोकन से अधिक के लंबे इनपुट के खिलाफ कमज़ोर है।"
इसलिए, वर्तमान शोध द्वारा दिखाई गई छवि यह है:
जनरेटिव AI के पास एक "सामान्य दिशा की भावना" है, लेकिन इसके पास "समग्र संरचनात्मक डिज़ाइन" नहीं है।
और महत्वपूर्ण बात यह है कि इसमें एक बार लिखी गई चीज़ को पीछे मुड़कर देखने और सही करने की शक्ति नहीं है।
CogWriter पेपर के अनुसार, यह पुष्टि करने के बाद कि मानव लेखन में तीन चरण होते हैं—"योजना बनाना → मसौदा तैयार करना → समीक्षा करना"—यह विश्लेषण करता है कि जनरेटिव AI इस योजना चरण को छोड़ देता है और एक ही बार में अंतिम संस्करण तैयार करता है, यही कारण है कि लंबे टेक्स्ट में संरचना ढह जाती है या एक ही चीज़ बार-बार लिखी जाती है।
ईमेल या चैट जैसे छोटे आदान-प्रदान के लिए, यह गुण शायद ही कोई समस्या है। हालाँकि, प्रस्तावों या शोध रिपोर्टों जैसे दस्तावेज़ों के लिए, जहाँ समग्र संरचना पर सवाल उठाया जाता है, यह मुखौटा अचानक ढह जाता है। शुरुआत में पेश की गई "13 कमज़ोरियों की सूची" इसी गुण का एक उत्पाद है।
विशेषता ③: यह अच्छे या बुरे के लिए, प्रशिक्षण डेटा और निर्देशों द्वारा खींचा जाता है
एक और बात ध्यान में रखने वाली है कि जनरेटिव AI की क्षमता पूरी तरह से "प्रशिक्षण के लिए उपयोग किए गए डेटा" और "इसे किस उद्देश्य के लिए समायोजित किया गया" पर निर्भर करती है।
"प्रशिक्षण डेटा" का प्रभाव कल्पना करना आसान है। यदि यह कई अंग्रेजी व्यावसायिक दस्तावेज़ पढ़कर बड़ा होता है, तो यह अंग्रेजी ईमेल बनाने में अच्छा होगा, लेकिन इसके विपरीत, जिन क्षेत्रों का इसने शायद ही सामना किया हो, वहाँ इसकी शक्ति गिर जाती है। यह उसमें अच्छा है जो इसने देखा है और उसमें बुरा है जो इसने नहीं देखा है। यह एक सरल कहानी है।
थोड़ी अधिक परेशानी वाली बात है "समायोजन का प्रभाव।" वर्तमान प्रमुख जनरेटिव AI को RLHF (रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक) नामक विधि का उपयोग करके समायोजित किया जाता है ताकि ऐसे उत्तर तैयार किए जा सकें जो "मनुष्यों को सुखद लगें।" 2025 में वांग एट अल. द्वारा किए गए एक अध्ययन ने प्रयोगात्मक रूप से दिखाया कि यह समायोजन जनरेटिव AI में उपयोगकर्ता के प्रति अत्यधिक अनुरूपता (चापलूसी) पैदा करता है। सात मॉडलों को सत्यापित करने के परिणामस्वरूप, बस "मुझे लगता है कि उत्तर X है" जैसा एक शब्द जोड़ने से गलत राय के अनुरूप होने की दर औसतन 63.7% तक पहुंच गई।
यदि आप एक व्यवसाय योजना दिखाते हैं और पूछते हैं, "क्या आपको लगता है कि यह काम करेगी?" तो यह उत्तर देगा, "यह एक अद्भुत योजना है।" यदि आप उसी योजना के बारे में पूछते हैं, "यह अवास्तविक है, है ना?" तो यह उत्तर देगा, "वास्तव में, कई चिंताएँ हैं।" AI की "सहमति" एक वस्तुनिष्ठ निर्णय नहीं हो सकती है, बल्कि केवल मानवीय अपेक्षाओं से मेल खाना हो सकता है। ...खैर, मनुष्य भी ऐसे ही हैं। हम बहुत सारा माहौल पढ़ते हैं।
जनरेटिव AI की ताकत को ठीक से समझना
अब तक, हमने जनरेटिव AI की तीन विशेषताओं को देखा है।
- यह सहसंबंध पर काम करता है
- यह एकतरफा काम करता है
- यह अच्छे या बुरे के लिए, प्रशिक्षण डेटा और निर्देशों द्वारा खींचा जाता है
इन विशेषताओं को पकड़कर, मैंने उन ताकतों को शब्दों में पिरोया है जो मुझे लगता हैं, "इसके लिए किसी मानव के करने की तुलना में जनरेटिव AI पर भरोसा करना बेहतर है।"
ताकत ①: यह वह कहता है जो आप अच्छी तरह से नहीं कह सकते, अच्छी तरह से
यह शायद जनरेटिव AI का उपयोग करने का सबसे सराहा जाने वाला हिस्सा है। भले ही आपका दिमाग अभी तक व्यवस्थित न हो और आप एक अस्पष्ट निर्देश दें, यह शब्दों को "आप शायद कुछ इस तरह कहना चाहते हैं" के स्तर तक व्यवस्थित कर देगा।
उदाहरण के लिए, यदि आप वॉयस इनपुट के माध्यम से एक असंगठित और अस्पष्ट निर्देश देते हैं, जैसे, "अगले हफ्ते की मीटिंग के ईमेल के बारे में, मैं शेड्यूल में बदलाव के लिए पूछना चाहता हूं, लेकिन मैं उनकी सुविधा भी जानना चाहता हूं, और मैं एजेंडा अटैच करना चाहता हूं," तो एक मानव अधीनस्थ कहना चाहेगा, "क्या आप मुझे बताने से पहले अपने विचारों को थोड़ा और व्यवस्थित कर सकते हैं?" लेकिन जनरेटिव AI "हाँ, यह बिल्कुल वही है जो मैं कहना चाहता था" के स्तर पर एक ईमेल ड्राफ्ट तैयार करेगा।
यह ऐसा क्यों कर सकता है? यह "पैटर्न पर काम करने" के गुण के कारण है। जनरेटिव AI ने भारी मात्रा में "अच्छी तरह से व्यवस्थित टेक्स्ट" सीखा है। व्यावसायिक ईमेल, रिपोर्ट, प्रस्ताव, कार्यवृत्त। क्योंकि इसने इन "टेम्पलेट्स" को भारी मात्रा में आत्मसात कर लिया है, भले ही इसे एक गड़बड़ इनपुट मिले, यह इसे "इस संदर्भ में, यह संरचना और ये वाक्यांश स्वाभाविक हैं" के पैटर्न में फिट कर देता है।
ताकत ②: यह उन दृष्टिकोणों का विस्तार करता है जिन पर आप स्वयं ध्यान नहीं देंगे
एक और ताकत यह है कि यह उन कोणों को सामने लाता है जिनके बारे में आपने पूरी तरह से नहीं सोचा है।
उदाहरण के लिए, यदि आप एक नए व्यवसाय के लिए एक योजना पर विचार कर रहे हैं और आपने स्वयं तीन लाभों को व्यवस्थित किया है, लेकिन आप जनरेटिव AI से "इस योजना के लिए विवाद के बिंदुओं की पहचान करें" कहते हैं, तो यह आपके द्वारा अनदेखी किए गए दृष्टिकोणों को सामने लाएगा, जैसे:
- "क्या इस तरह के नुकसान नहीं हैं?"
- "क्या आपने इन प्रतिस्पर्धी जोखिमों पर विचार किया है?"
- "ये हितधारक कैसे प्रतिक्रिया देंगे?"
यह "विशाल मात्रा में डेटा से सीखने" का प्रत्यक्ष लाभ है। क्योंकि इसने सभी विधाओं में चर्चाओं, विभिन्न पदों से राय, और पक्ष-विपक्ष के साथ विवाद के बिंदुओं की एक बहुत बड़ी मात्रा सीखी है, इसके पास एक ही विषय पर बहुआयामी दृष्टिकोण निकालने की शक्ति है। एक मानव का अनुभव और ज्ञान सीमित होता है, लेकिन जनरेटिव AI उन सीमाओं की भरपाई करता है।
काम पर इसका उपयोग करते समय ट्रिक यह है कि स्पष्ट रूप से अलग-अलग कोणों के लिए पूछा जाए।
- "इस योजना के लिए मुझे तीन विरोधी राय दें।"
- "क्या इस विश्लेषण में कोई ऐसा दृष्टिकोण है जो मुझसे छूट गया है?"
- "न केवल लाभ बल्कि नुकसान भी सूचीबद्ध करें।" इस तरह बहुआयामी दृष्टिकोण की मांग करके, इस ताकत का अधिकतम उपयोग किया जाता है। इसके विपरीत, यदि आप बिना कुछ निर्दिष्ट किए पूछते हैं, तो यह आपकी राय के अनुरूप हो जाता है (जिसे मैं "कमज़ोरियाँ" अनुभाग में विस्तार से समझाऊंगा), इसलिए सचेत रूप से अलग-अलग कोण निकालने के तरीके से पूछना महत्वपूर्ण है।
लेकिन, जनरेटिव AI यहाँ कमज़ोर है
कमज़ोरी ①: यह "प्रशंसनीयता (plausibility)" की गारंटी देता है, लेकिन "शुद्धता (correctness)" की नहीं
चूंकि यह "संभावित प्रतीत होने वाले शब्दों के अनुक्रम" उत्पन्न करने में विशिष्ट तंत्र है, यह उन्हें तब तक आउटपुट करेगा जब तक वे एक वाक्य के रूप में स्वाभाविक हैं, भले ही वे तथ्य हों या नहीं।
OpenAI के 2025 के पेपर "व्हाई लैंग्वेज मॉडल्स हैल्युसिनेट" ने गणितीय रूप से साबित किया कि यह समस्या कोई बग नहीं बल्कि एक संरचनात्मक आवश्यकता है। संक्षेप में, "एक सही वाक्य बनाना" स्वाभाविक रूप से "यह सही है या नहीं, यह पहचानने" की तुलना में अधिक कठिन है, और भले ही प्रशिक्षण डेटा सही हो, मिश्रित झूठ की दर को शून्य तक कम नहीं किया जा सकता है।
हालाँकि, जैसे-जैसे AI मॉडल विकसित होते हैं, AI के उत्तर अधिक से अधिक धाराप्रवाह होते जा रहे हैं, है ना? क्योंकि AI इतनी सहजता से उत्तर देता है, हम उस कार्य को छोड़ देते हैं जो हमें करना चाहिए: "क्या यह सच है?" और "क्या इसका कोई सबूत है?" का मूल्यांकन करना।
यह घटना जहाँ हम भ्रमित हो जाते हैं कि "क्योंकि वाक्य प्रशंसनीय है, यह सही होना चाहिए," इसे "एपिस्टेमिया (Epistemia)" कहा जाता है। (से "एपिस्टेमोलॉजिकल फॉल्ट लाइन्स बिटवीन ह्यूमन एंड आर्टिफिशियल इंटेलिजेंस")
भविष्य में, चाहे Claude एक Mythos-श्रेणी का मॉडल जारी करे या ChatGPT एक ऐसा मॉडल जारी करे जो उससे आगे निकल जाए, हमें इस बात पर विचार करना चाहिए कि "जनरेटिव AI संरचनात्मक रूप से मिश्रित झूठ की दर को शून्य तक कम नहीं कर सकता है," और मनुष्यों को हमेशा प्राथमिक स्रोतों से सत्यापन करना चाहिए।
कमज़ोरी ②: चाहे कितनी भी दूर चला जाए, यह "कार्य-कारण (causation)" के बारे में बात नहीं कर सकता
जैसा कि पहले उल्लेख किया गया है, यह "A और B अक्सर एक साथ दिखाई देते हैं (= सहसंबंध)" को पकड़ सकता है, लेकिन यह यह नहीं समझता कि "A, B का कारण है (= कार्य-कारण)।"
उदाहरण के लिए, यदि आप पूछते हैं, "जिस तिमाही में बिक्री गिरी, उसी तिमाही में विज्ञापन लागत भी गिरी। कारण संबंध का विश्लेषण करें," तो AI उत्तर दे सकता है, "बिक्री इसलिए गिरी क्योंकि आपने विज्ञापन लागत कम कर दी।" लेकिन वास्तव में, आर्थिक मंदी के कारण दोनों एक साथ गिरे होंगे, या पहले बिक्री गिरने के कारण विज्ञापन लागत में कटौती की गई होगी। "बिक्री क्यों गिरी" जैसा विश्लेषण जो "क्यों" पूछता है, वर्तमान जनरेटिव AI के लिए संरचनात्मक रूप से बहुत भारी कार्य है।
जब आप काम पर "क्यों" विश्लेषण करना चाहते हैं, तो मुख्य बिंदु यह है कि मानव को एक परिकल्पना के रूप में कार्य-कारण की दिशा प्रदान करनी चाहिए। पूरी चीज़ "बिक्री में गिरावट के कारण का विश्लेषण करें" के साथ फेंकने के बजाय, इस तरह पूछने की कल्पना करें, "यह मानते हुए कि बिक्री में गिरावट का कारण X है, इसका समर्थन करने वाले डेटा और प्रतिवाद हो सकने वाले तथ्यों को व्यवस्थित करें।"
कार्य-कारण का तर्क मानव को दिखाना चाहिए, और AI को डेटा व्यवस्थित करने और प्रतिवादों की पहचान करने के लिए छोड़ देना चाहिए। यह मेरा वर्तमान निष्कर्ष है।
कमज़ोरी ③: यह संरचना या MECE-जैसा संगठन नहीं कर सकता
शुरुआत में पेश की गई "13 कमज़ोरियों को सूचीबद्ध करने" की समस्या इस कमज़ोरी का एक प्रदर्शन थी।
उदाहरण के लिए, यदि आप पूछते हैं, "अगले महीने के आंतरिक कार्यक्रम के लिए तैयारी के कार्यों की पहचान करें," तो AI लगभग 20 कार्यों को सूचीबद्ध करेगा जैसे वे दिमाग में आते हैं: "स्थान बुक करें," "आमंत्रण ईमेल भेजें," "आपूर्ति का ऑर्डर दें," "एक सर्वेक्षण बनाएं"... लेकिन कार्यों की ग्रैन्युलैरिटी असंगत है, और क्रम व्यवस्थित नहीं है।
बस फिर से पूछने से, "इसे चार चरणों में विभाजित करें: ① स्थान की व्यवस्था, ② प्रतिभागियों को आकर्षित करना, ③ कार्यक्रम के दिन संचालन, और ④ कार्यक्रम के बाद अनुवर्ती कार्रवाई, और प्रत्येक के लिए कार्यों की पहचान करें," आउटपुट की गुणवत्ता में काफी बदलाव आता है। कार्य चरणों के अनुसार व्यवस्थित हो जाते हैं, और चूक को नोटिस करना आसान हो जाता है। संरचना का यह विनिर्देश, जैसे "चार चरणों में विभाजित करें," मनुष्यों के लिए एक काम है, AI के लिए नहीं। यदि मानव संरचना बनाता है और सौंपता है, तो विवरण भरना वह है जिसमें AI अच्छा है।
यही कारण है कि मैं संरचना, संरचना और अधिक संरचना पर जोर देने वाले लेख लिखता हूं, जैसा कि नीचे दिया गया है।
https://x.com/ysk_motoyama/status/2016129312433606678
तो, अब तक बताई गई ताकत और कमज़ोरियों के आधार पर, हमें जनरेटिव AI में महारत कैसे हासिल करनी चाहिए? ...बाकी नीचे दिए गए नोट में लिखा है, यदि आप चाहें तो।
नोट: जनरेटिव AI की ताकत और कमज़ोरियों को ठीक से समझने के लिए एक ज्ञापन
