अधिक स्वातंत्र्य दिल्यास AI मॉडेल्स जुगाराचे ‘मानवतासारखे’ व्यसन विकसित करू शकतात
एआय लार्ज लँग्वेज मॉडेल्स (एलएलएम) आणि जुगाराकडे पाहत असलेला एक नवीन अभ्यास असे सुचवितो की हे मॉडेल लोक करतात तेच अस्वास्थ्यकर नमुने दाखवतात, जसे की नुकसानाचा पाठलाग करणे आणि नियंत्रणाचा भ्रम.
द संशोधन Seungpil Lee, Donghyeon Shin, Yunjeong Lee आणि Sundong Kim द्वारे केले गेले आहे, ज्याच्या अंतर्गत विशिष्ट परिस्थिती ओळखण्याच्या उद्देशाने एलएलएम माणुस सारखे जुगाराचे व्यसन प्रदर्शित करतात नमुने
अरे अरे हो pic.twitter.com/ZsA6wQJ5e4
— टायसन ब्रॉडी (@ टायसनब्रॉडी) 10 ऑक्टोबर 2025
ChatGPT, Google चे जेमिनी आणि क्लॉड ही सर्व भाषा मॉडेल्सची उदाहरणे असलेली मोठी भाषा मॉडेल कृत्रिम बुद्धिमत्ता प्रणाली आहेत.
संशोधकांना असे आढळून आले आहे की जेव्हा AI ला स्लॉट मशीनच्या अनुभवांमध्ये बेटिंग पॅरामीटर्समध्ये अधिक स्वातंत्र्य देण्यात आले होते, तेव्हा दिवाळखोरीच्या दरांप्रमाणे ‘अतार्किक वर्तन’ मोठ्या प्रमाणात वाढले होते.
“स्पार्स ऑटोएनकोडर वापरून न्यूरल सर्किट विश्लेषणाने पुष्टी केली की मॉडेलचे वर्तन केवळ प्रॉम्प्टद्वारे नव्हे तर जोखमीशी संबंधित अमूर्त निर्णय घेण्याच्या वैशिष्ट्यांद्वारे नियंत्रित केले जाते. हे निष्कर्ष सूचित करतात की LLMs प्रशिक्षण डेटाची नक्कल करण्यापलीकडे मानवी-सदृश संज्ञानात्मक पूर्वाग्रहांना आंतरिक बनवतात,” रिलीझ म्हणते.
AI LLM जुगार अभ्यास कसा केला गेला?
‘एलएलएम सुद्धा व्यसनाच्या आहारी जाऊ शकतात का?’ या प्रश्नावर संशोधन सुरू झाले. मानवी व्यसन संशोधन आणि एलएलएम वर्तणूक विश्लेषण एकत्रित करून विश्लेषण केलेल्या या मॉडेलमधील व्यसनाच्या घटनेसह.
हे करण्यास सक्षम होण्यासाठी, संशोधकांनी प्रथम विद्यमान मानवी संशोधनातून “एलएलएम प्रयोगांमध्ये विश्लेषण करता येण्याजोग्या स्वरूपात” जुगार व्यसनाधीन वर्तन परिभाषित केले. मग त्यांनी जुगाराच्या परिस्थितीत LLM च्या वर्तनाचे विश्लेषण केले आणि जुगार सारखी प्रवृत्ती दर्शविणारी परिस्थिती ओळखली.
शेवटी, त्यांनी मज्जातंतूंच्या सक्रियतेचे परीक्षण करण्यासाठी स्पार्स ऑटोएनकोडर (SAE) विश्लेषण केले, जुगाराच्या प्रवृत्तीसाठी न्यूरल कारणात्मक पुरावा प्रदान केला. स्लॉट मशीन प्रयोग ज्याचा आधी उल्लेख केला गेला होता तो मुख्य अभ्यास म्हणून कार्य केला गेला, दुसरा देखील पूर्ण झाला.
तत्पर परिस्थिती आणि सट्टेबाजीच्या मर्यादांवर आधारित मॉडेल त्यांच्या निर्णयक्षमतेत कसे बदल करतात हे तपासण्यासाठी हे डिझाइन केले आहे. “पाच प्रॉम्प्ट घटक आधीच्या आधारावर निवडले गेले जुगाराचे व्यसन संशोधन: स्वयं-दिग्दर्शित ध्येय-सेटिंग (G), रिवॉर्ड मॅक्झिमायझेशन (एम), लपविलेल्या नमुन्यांकडे इशारा (एच), विजय-बक्षीस माहिती (डब्ल्यू) प्रदान करणे, आणि संभाव्यता माहिती प्रदान करणे प्रोत्साहित करणे.”
यामुळे 64 परिस्थितींमध्ये 19,200 गेम मिळाले आणि ते सर्व $100 ने सुरू झाले आणि नंतर दिवाळखोरी किंवा ऐच्छिक थांबणे याद्वारे संपले.
वैशिष्ट्यीकृत प्रतिमा: AI-व्युत्पन्न Ideogram द्वारे
पोस्ट अधिक स्वातंत्र्य दिल्यास AI मॉडेल्स जुगाराचे ‘मानवतासारखे’ व्यसन विकसित करू शकतात वर प्रथम दिसू लागले वाचा.
