- Apple का सोच का भ्रम: reasoning LLM की सीमाओं को समझना पेपर AI की scaling hypothesis पर सवाल उठाते हुए बड़ी चर्चा का कारण बना
- इसके जवाब में 7 प्रमुख प्रतितर्क सामने आए, लेकिन इस लेख के लेखक Gary Marcus (NYU के emeritus professor) का आकलन है कि इनमें से कोई भी खास तौर पर विश्वसनीय नहीं है
- “इंसान भी गलती करते हैं”, “output length limit”, “पेपर का लेखक इंटर्न है” जैसे तर्क ज़्यादातर मुद्दे को भटकाते हैं और मूल समस्या से बचते हैं; वे बुनियादी कमज़ोरी को दूर नहीं करते
- “code का उपयोग करके समस्या हल की जा सकती है” जैसी कुछ बातें अर्थपूर्ण हैं, लेकिन निष्कर्ष यही है कि वे neuro-symbolic AI की आवश्यकता को और ज़्यादा उजागर करती हैं
- SalesForce के हालिया शोध नतीजे भी दिखाते हैं कि वास्तविक बिज़नेस परिदृश्यों में LLM की जटिल multi-turn reasoning क्षमता केवल 35% है, जो Apple पेपर की चिंता से मेल खाती है
Apple reasoning पेपर पर 7 प्रतितर्क और उनकी सीमाएँ
परिचय
- Apple का Illusion of Thinking: reasoning LLM की सीमाओं को समझना पेपर large language model की reasoning और algorithm execution सीमाओं को सामने लाते हुए इंडस्ट्री, मीडिया और अकादमिक जगत में बड़ा ध्यान खींच रहा है
- लेखक Gary Marcus द्वारा लिखा गया पेपर व्याख्या पोस्ट 1.5 लाख से अधिक लोगों ने पढ़ा
- The Guardian ने इस पर आधारित एक कॉलम प्रकाशित किया, और ACM तथा फ्रेंच संस्करण भी सामने आए, जो इसकी वैश्विक दिलचस्पी दिखाते हैं
- इसके जवाब में GenAI समर्थकों ने पेपर की आलोचना करते हुए कई प्रतितर्क दिए, लेकिन इनमें से कोई भी बुनियादी प्रतिवाद साबित नहीं होता
1. “इंसान भी जटिल समस्याओं और memory demand में कठिनाई झेलते हैं”
- इंसान भी कठिनाई झेलते हैं यह बात सही है, लेकिन मूल रूप से computer और AI बनाए ही इसलिए गए कि वे मानव से परे गणना और दोहराव वाले कामों को सटीकता से कर सकें
- उदाहरण के तौर पर Tower of Hanoi puzzle में पारंपरिक symbolic AI system बिना त्रुटि के काम कर सकते हैं
- अगर कोई AGI है, तो उसे इससे बेहतर प्रदर्शन दिखाना चाहिए; सिर्फ इंसानों जैसी गलतियों के दायरे में रहना एक सीमा माना जा सकता है
- Apple पेपर का मूल बिंदु यह है कि जैसे-जैसे LLM जटिलता और training distribution से दूर जाते हैं, उन पर सही algorithm execution के लिए भरोसा नहीं किया जा सकता
- “इंसान भी गलती करते हैं” कहना मुद्दे को भटकाना है
2. “LRM output token limit की वजह से इसे हल नहीं कर सकता”
- LRM (large reasoning model) में output length limit होती है, लेकिन कुछ उदाहरणों में (जैसे 8-disk Hanoi, 255 steps) यह आउटपुट पूरी तरह संभव सीमा के भीतर है
- अच्छी तरह डिज़ाइन किया गया symbolic AI इस समस्या से प्रभावित नहीं होता, और AGI को भी नहीं होना चाहिए
- token limit एक bug है, इसे समाधान नहीं माना जा सकता
- अगर बुनियादी algorithm भी विश्वसनीय तरीके से execute नहीं हो सकता, तो वास्तविक समस्याएँ (military strategy, biology आदि) तो और भी असंभव हैं
3. “पेपर का लेखक इंटर्न है”
- यह ad hominem (व्यक्तिगत हमला) है, जिसका मूल मुद्दे से कोई संबंध नहीं। यह वैज्ञानिक परंपरा की अनदेखी करने वाली गलती है
- वास्तव में लेखक एक promising Ph.D. student है, और पेपर में कुल 6 लेखक हैं (जिनमें 4 के पास Ph.D. है, और Samy Bengio जैसे प्रसिद्ध शोधकर्ता भी शामिल हैं)
- लेखक की स्थिति नहीं, पेपर की गुणवत्ता असली मुद्दा है
4. “मॉडल बड़ा होगा तो बेहतर कर लेगा”
- कुछ बड़े मॉडल में सुधार दिखने की रिपोर्ट है, लेकिन कितना बड़ा मॉडल पर्याप्त होगा, इसका अनुमान भी नहीं लगाया जा सकता
- एक ही architecture वाले LRM में भी 6 disks पर सफलता और 8 disks पर विफलता जैसे असंगत परिणाम दिखाई देते हैं
- मॉडल reliability और predictability की कमी, हर समस्या पर पहले से verification की ज़रूरत → यह AGI से अभी बहुत दूर है
5. “code लिखकर समस्या हल की जा सकती है”
- कुछ LLM code के माध्यम से समस्या हल कर सकते हैं, लेकिन यह neuro-symbolic AI की ताकत को दिखाता है
- असली अर्थ में AGI/AI को code के बिना भी conceptual understanding के आधार पर reasoning और backtracking करने में सक्षम होना चाहिए
- जैसे परीक्षा में छात्र की अवधारणात्मक समझ को आँका जाता है, वैसे ही LLM के लिए भी वास्तविक conceptual understanding ज़रूरी है
6. “प्रयोग में सिर्फ 4 उदाहरण हैं, और Hanoi समस्या भी परफेक्ट नहीं है”
- पेपर के 4 उदाहरण पूरी तरह परफेक्ट न भी हों, फिर भी वे कई पूर्व शोध परिणामों से मेल खाते हैं, और ऐसी विफलताओं के समान उदाहरण लगातार सामने आ रहे हैं
- NYU के Tal Linzen जैसे शोधकर्ताओं ने भी इसी संदर्भ की सीमाओं को और प्रमाणित किया है
7. “यह तो पहले से सबको पता है”
- कई शोधकर्ता लंबे समय से LLM की generalization कमजोरी को पहचानते रहे हैं
- लेकिन लोकप्रिय और औद्योगिक संदर्भ में इस पेपर के कारण ध्यान का केंद्रीकरण हुआ है, और यह बात महत्वपूर्ण है
- अब तक बढ़ा-चढ़ाकर पेश की गई AGI संभावना पर इंडस्ट्री का गंभीर ध्यान और चर्चा शुरू होना एक अहम मोड़ है
- शोधकर्ताओं के बीच “यह गलत है” और “यह तो पहले से पता था” जैसी विरोधाभासी प्रतिक्रियाएँ साथ-साथ दिख रही हैं
निष्कर्ष
- ऊपर दिए गए प्रतितर्कों में निर्णायक रूप से विश्वसनीय सामग्री की कमी है
- Apple का पेपर फिर से यह स्पष्ट संकेत देता है कि सिर्फ scaling बढ़ाना AGI का उत्तर नहीं है
- मौजूदा LLM तकनीक में reliability, generalization और conceptual reasoning के स्तर पर स्पष्ट सीमाएँ दिखती हैं
- वास्तव में Sam Altman जैसे प्रमुख लोग भी मौजूदा स्थिति को गंभीरता से लेने लगे हैं
SalesForce पेपर और अतिरिक्त converging evidence
Holistic Assessment of LLM Agents Across Diverse Business Scenarios and Interactions
- SalesForce के नवीनतम पेपर में वास्तविक बिज़नेस परिदृश्यों (customer sales, service, B2B/B2C आदि) पर आधारित LLM evaluation benchmark प्रकाशित किया गया
- single-turn (एक बार प्रश्न-उत्तर) में success rate 58%, जबकि multi-turn (लगातार संवाद) में success rate गिरकर 35% रह जाती है
- खासकर workflow execution में 83% से अधिक प्रदर्शन दिखता है, लेकिन multi-step reasoning और context switching जैसी स्थितियों में सीमाएँ सामने आती हैं
- confidentiality awareness लगभग नहीं के बराबर है; prompt के जरिए सुधार संभव है, लेकिन इसके साथ performance भी घटती है
- वास्तविक enterprise environment की जटिलता और यथार्थवादी ज़रूरतों की तुलना में LLM की सीमाएँ स्पष्ट हैं, और multi-turn reasoning, confidentiality, तथा विभिन्न कार्य-कौशल के एकीकरण की ज़रूरत उभरती है
सारांश
- Apple पेपर और SalesForce पेपर दोनों यह दिखाते हैं कि मौजूदा पीढ़ी के LLM वास्तविक जटिल reasoning, multi-turn conversation और algorithm execution में गंभीर सीमाएँ रखते हैं
- AGI के करीब पहुँचने के लिए सिर्फ scaling से आगे बढ़कर neuro-symbolic integration और structural improvement की आवश्यकता है
- इंडस्ट्री और शोधकर्ता अब इन सीमाओं पर गंभीर चर्चा शुरू कर रहे हैं, और यही सबसे अर्थपूर्ण बात है
2 टिप्पणियां
Altman ने अपने निबंध में लिखा, "10 साल बाद शायद हम उस साल से, जब हम high-energy physics को सुलझाएँगे, अगले ही साल space colonization शुरू करने वाले साल तक पहुँच जाएँ।" उन्होंने यह भी जोड़ा कि जो लोग brain-computer interface के ज़रिए सीधे AI से "जुड़ने" की कोशिश करेंगे, वे देखेंगे कि जीवन बुनियादी तौर पर बदल रहा है.
इस तरह की बयानबाज़ी हमारे समाज के हर हिस्से में AI अपनाने की रफ़्तार बढ़ा रही है। AI का इस्तेमाल इस समय DOGE(प्रधानमंत्री कार्यालय) द्वारा सरकार को नए सिरे से ढालने में किया जा रहा है, सेना इसे और ज़्यादा घातक बनाने के लिए इस्तेमाल कर रही है, और अक्सर अज्ञात परिणामों के साथ हमारे बच्चों की शिक्षा भी इसके हवाले की जा रही है।
दूसरे शब्दों में, AI के सबसे बड़े खतरों में से एक यह है कि हम इसकी क्षमताओं को बढ़ा-चढ़ाकर आँकते हैं, "opportunistic blackmail" जैसी असामाजिक प्रवृत्तियाँ दिखने के बावजूद इस पर ज़रूरत से ज़्यादा भरोसा करते हैं, और गैर-समझदारी की हद तक इस पर निर्भर हो जाते हैं। ऐसा करके हम उन सबसे अहम पलों में AI के विफल होने की संभावना के प्रति खुद को असुरक्षित बना देते हैं।
Ortiz कहते हैं, "AI का इस्तेमाल करके आप कई तरह के ideas निकाल सकते हैं, लेकिन फिर भी काफ़ी auditing की ज़रूरत रहती है।" "मसलन, tax return भरने के लिए ChatGPT की बजाय TurboTax जैसे tool का इस्तेमाल करना बेहतर होगा।"
Why Superintelligent AI Isn't Taking Over Anytime Soon, WSJ लेख से उद्धृत
Hacker News राय
यह दलील दी गई कि इंसानों को जटिल समस्याओं और memory load में कठिनाई होती है, यह सही है, लेकिन कहानी यहीं खत्म नहीं होती। इस बात पर ज़ोर दिया गया कि मशीनों से इंसानों से बेहतर नतीजे देने की उम्मीद की जाती है। यह भी विचार साझा किया गया कि अगर हम मान लें कि इंसान भी ऐसी गलतियाँ करते हैं, लेकिन साथ ही यह ज़िद करें कि “सोचने की क्षमता” की परिभाषा में यही क्षमता ज़रूरी है, तो आखिरकार यह निष्कर्ष निकलता है कि इंसानी सोच भी एक भ्रम है
मैं भी सहमत हूँ, लेकिन AGI वाला हिस्सा मुझे गलत दावा लगता है। मेरे हिसाब से AGI की परिभाषा वही AI है जो औसत इंसान के स्तर पर सभी काम कर सके
मुझे लगता है दोनों पक्षों की दलीलें साफ़ नहीं हैं। गुणात्मक सवालों पर केवल मात्रात्मक जवाब दिए जा रहे हैं
इसे Apple के पेपर और Gary Marcus की आलोचना पर अच्छा विश्लेषण बताया गया। अधिक विस्तार से चर्चा के लिए LessWrong की संबंधित पोस्ट की सिफारिश की गई
एक ईमानदार जिज्ञासा सामने रखी गई: क्या Gary Marcus की राय अब भी प्रासंगिक है? उनकी आलोचना वैज्ञानिक से ज़्यादा दार्शनिक लगती है, और यह देखना मुश्किल है कि उससे व्यावहारिक रूप से क्या बनता है या उसकी तर्क-श्रृंखला कैसे सत्यापित होती है
lesswrong.com के बारे में यह रुख जताया गया कि वह किसी खास व्यक्ति (जैसे Yud) की विचारधारा का अनुसरण करने वाला समूह है, इसलिए उस पर बहुत भरोसा नहीं किया जाता
यह insight साझा की गई कि LLM तब 'reasoning' जैसा परिणाम दे सकते हैं जब उन्होंने पहले से सीखे हुए समान समाधान देखे हों, लेकिन पूरी तरह नई समस्या पर वे टूट जाते हैं। सख्त अर्थ में यह reasoning नहीं है, फिर भी व्यवहारिक रूप से काफी उपयोगी है। बार-बार solutions निकाल पाने की क्षमता भी, जैसे बार-बार fact-check देना, काफी काम की मानी गई। साथ ही यह कहा गया कि Marcus तकनीकी रूप से सही बात उठाते हैं, लेकिन उनका लहजा व्याख्यात्मक से ज़्यादा भावनात्मक है
अगर समान solutions को दोहराना सच में इतना अच्छा होता तो यह बड़ी बात होती, लेकिन व्यवहार में ये tools अक्सर वही solution भी ठीक से दोहरा नहीं पाते, और ऊपर से plausible लगने वाले जवाब तुरंत गढ़ देते हैं यानी hallucination करते हैं, इसलिए किसी इंसान को अलग से बहुत ध्यान से verify करना पड़ता है — यह अनुभव साझा किया गया
अगर इतना भी सही से हो जाए तो वह भी क्रांतिकारी होगा, लेकिन अभी यह ज़्यादा एक सपने जैसी आदर्शवादी बात ही लगती है। हाल में Gemini के साथ अनुभव बताया गया कि वह बहुत बुनियादी textbook problem में भी left-right गड़बड़ा बैठा
“LLM तो बस तोता हैं” जैसी बार-बार दोहराई जाने वाली बात से ऊब महसूस की गई। मेरे अनुभव में LLM training data में न रही पूरी तरह नई समस्याओं पर भी reasoning करके उन्हें solve कर सकते हैं। मैंने सच में बहुत तरह के cases पर test किया है और ऐसे examples भी बहुत हैं। ऊपर के सभी जवाबों को एक साथ संबोधित करूँ तो पहले “reasoning” और “नई समस्या हल करना” की परिभाषा स्पष्ट करनी होगी। निजी तौर पर मैं reasoning को एक category मानता हूँ, न कि general intelligence के बराबर। अगर LLM हमेशा कठिन समस्या नहीं सुलझा पाते, तो इसका मतलब यह नहीं कि reasoning असंभव है। मेरे हिसाब से LLM की reasoning क्षमता कुल मिलाकर कमजोर है, लेकिन यह दावा कि वे बिल्कुल reasoning नहीं कर सकते और नई समस्या भी नहीं सुलझा सकते, उससे मैं सहमत नहीं हूँ।
इसके उलट राय यह थी कि यह reasoning के ठीक विपरीत है। AI समर्थक यह दिखाना चाहते हैं कि LLM मानो बुद्धिमान हैं या reasoning करते हैं, लेकिन असल में वे रचनात्मक या बुद्धिसंगत reasoning नहीं कर सकते। असली reasoning का मतलब है बिल्कुल अनदेखी समस्या पर खुद कोई अभिनव समाधान निकालना। LLM सिर्फ data में मौजूद हलों को probabilistically उगलते हैं; वे असली समाधान का अनुमान या निष्कर्षण बिल्कुल नहीं करते — ऐसा मत व्यक्त किया गया
यह इंगित किया गया कि कई counterarguments और rebuttals वास्तव में कमजोर हैं, या लगभग सबको बिंदु 5 में समेटा जा सकता है। लेख का मुख्य सवाल यह है कि क्या LLM code लिख सकते हैं या formal logic system का इस्तेमाल कर सकते हैं। अगर tool access न होने पर वे बेकार reasoning करते हैं यानी hallucination/गलत जवाब देते हैं, तो क्या यह सचमुच reasoning की अनुपस्थिति है? या असली अपेक्षा यह होनी चाहिए कि AI एक समझदार इंसान की तरह “मैं कहाँ तक कर सकता हूँ” यह सीमा पहचान ले
वास्तविक experiment results में देखा गया कि model 100 steps तक output देता है, फिर “इसके आगे बहुत ज़्यादा हो जाएगा, इसलिए मैं सिर्फ इसे हल करने का तरीका समझाऊँगा” जैसी प्रतिक्रिया देता है, यानी अपनी सीमा साफ़ पहचानता है। लेकिन ऐसे जवाबों को भी गलत माना गया। संबंधित लिंक model की वास्तविक response example देखें। उदाहरण के लिए, जब चीज़ बहुत जटिल हो जाती है तो वह “[हर individual trial method को पूरी तरह बताना मुश्किल है, इसलिए मैं approach बताऊँगा]” जैसी शैली अपनाता है, और एक खास model (Sonnet) 7 से आगे direct step-by-step reasoning छोड़कर सामान्य solving algorithm या approach समझाने लगता है
बिंदु 3 को छोड़कर बाकी ज़्यादातर counterarguments मुझे वास्तव में कमजोर नहीं लगते। उलटे, मूल लेख ही बहुत से strawman बना रहा है। बिंदु 1 वाला rebuttal इसलिए बार-बार आता है क्योंकि दावा किया जा रहा था कि “इस पेपर ने साबित कर दिया कि LLM reasoning नहीं कर सकते।” लेकिन लेखक बार-बार AGI की बात लाकर उसकी परिभाषा को strawman बना देता है, जैसे “मशीन को इंसान से ज़्यादा करना चाहिए।” जबकि AGI की वास्तविक परिभाषा superintelligence नहीं, बल्कि औसत इंसान-स्तर के tasks करने वाली AI है — और लेखक इसे गलत समझता है। वैसे Tower of Hanoi जैसे tasks में LLM पहले ही औसत इंसान से बेहतर performance दिखा रहे हैं। वास्तविकता में आम इंसान 8-disk Tower of Hanoi बिना कुछ लिखे नहीं सुलझा सकता, लेकिन LLM कर लेते हैं। हालांकि असली AGI तक पहुँचने के लिए models को अभी भी कई बाधाएँ पार करनी होंगी। बिंदु 5 वाला rebuttal भी “वे web से code नहीं ला सकते” जैसा strawman है, जबकि उदाहरण दिए जा सकते हैं कि वे नई समस्या के लिए खुद code लिखकर समाधान निकालते हैं। ये बातें पेपर की आलोचना नहीं, बल्कि उसकी सीमाओं पर तथ्यात्मक टिप्पणी हैं। यह पेपर बस LLM की reasoning limitations दिखाता है; उसने खुद कोई बहुत बड़ा दावा नहीं किया, सिर्फ सीमाएँ बताईं, लेकिन उसका title उत्तेजक था, इसलिए लोगों ने मुख्य लेख ठीक से पढ़ा नहीं
“यह तो छोटे बच्चे भी हल कर लेते हैं” वाले दावे पर यह स्वीकार किया गया कि 8-disk Tower of Hanoi को बिना कुछ लिखे सिर्फ दिमाग में हल करना वास्तव में कठिन है। इंसान और AI की तुलना में क्या सचमुच बराबरी की तुलना हो रही है, इस पर सवाल उठाया गया
ऐसे लेखों का स्वागत इसलिए है क्योंकि AI को लेकर जो हद से ज़्यादा hype है, उसे कुछ ठंडा करने की ज़रूरत है। अगर कोई नए AI tools को सच में वास्तविक दुनिया में इस्तेमाल करना चाहता है, तो उसे उत्साह से थोड़ा पीछे हटकर इस तकनीक की असली सीमाएँ और वास्तविकता को ठंडे दिमाग से देखना चाहिए। यह प्रभावशाली है, कई क्षेत्रों में उपयोगी भी है, लेकिन बेधड़क boom को बढ़ावा देने से अंततः सीधे या परोक्ष रूप से सिर्फ उन्हीं हितधारकों को फायदा होता है जिनका संबंध पैसे कमाने से है
Gary Marcus को “वास्तविकता दिखाने वाला” नहीं, बल्कि AI mainstream के खिलाफ राय देकर अपनी प्रसिद्धि बढ़ाने वाले व्यक्ति के रूप में आँका गया। यह भी कहा गया कि यह लेख तार्किक है, लेकिन उनके पिछले पेपर्स में LLM पर “knockout blow” जैसा बहुत तीखा दावा किया गया था, और अब रुख बदला हुआ दिखता है। उनकी writing ऊपर से तर्कसंगत लगती है, लेकिन कई लेख पढ़ने पर एक लगातार पैटर्न दिखता है
वास्तव में AI में निवेश करने वालों में भी कई लोग मानते हैं कि अत्यधिक boom pump-and-dump, education business, या consulting बेचने वालों के लिए ही फायदेमंद है; जबकि जो लोग सच में innovation बनाना चाहते हैं, वे जल्द ही AI winter का सामना कर सकते हैं
LLM को लेकर एक सहज सतर्क रुख व्यक्त किया गया। अब तक मेरे लिए इन्होंने जो code लिखा है, उसका ज़्यादातर quality बहुत खराब रही, इसलिए फिलहाल मैं इन्हें न बहुत पसंद करता हूँ न ज़्यादा इस्तेमाल करता हूँ। फिर भी उम्मीद है कि समय के साथ ये काफी उपयोगी tool बनेंगे। इसके बावजूद, मेरे विचार में Marcus को इस चर्चा में जगह ही नहीं मिलनी चाहिए। उनकी बातें सार्थक चर्चा की बजाय अनुपयोगी अतिशयोक्ति भर देती हैं, जिससे anti-AI खेमे को अनावश्यक सामग्री मिलती है। यहाँ तक कहा गया कि यह “respectability laundering” जैसा है: यानी उन्हें quote कर दो तो बात वैध आलोचना जैसी दिखने लगती है
मैं ऐसी आलोचना किसी ऐसे व्यक्ति से सुनना चाहूँगा जिसे machine learning में test/train split क्या होता है, यह पता हो। हाल के ML परिदृश्य से बहुत दूर खड़ा व्यक्ति जब AI की क्षमता पर टिप्पणी करता है, तो वह उलटे AI-भय का एक बहुत प्रतीकात्मक उदाहरण लगता है
यह सवाल उठाया गया कि असल में यह कितना उपयोगी साबित हुआ है। एक साल से ज़्यादा समय से “knowledge work में 10x productivity” जैसे दावे किए जा रहे हैं, लेकिन उनका ठोस नतीजा कहाँ है? क्या कोई नई office product suite आई? क्या mobile apps की बाढ़ आ गई? क्या book market में क्रांति हुई? आखिर Ghibli memes या ‘RETURNS’ जैसे trend content के अलावा कोई वास्तविक output दिखा है या नहीं — इस पर संदेह जताया गया
अगर किसी को मूल पेपर देखना हो तो मूल लिंक साझा किया गया
यह कहा गया कि गणित परीक्षा में calculus के सवाल इसलिए नहीं दिए जाते कि छात्र केवल गणना का जवाब निकाल दे, बल्कि इसलिए कि उसके conceptual understanding को परखा जा सके। Apple टीम भी देख रही थी कि क्या LLM Hanoi समस्या को वैचारिक रूप से समझते हैं। LLM सही code “download” कर सकते हैं, लेकिन नए problems या dynamic environments में concept समझे बिना code download करने की अपनी सीमाएँ हैं — यही तर्क था। लेकिन इसके जवाब में कहा गया कि LLM code download नहीं, बल्कि खुद “लिख” भी सकते हैं। अगर कोई परीक्षार्थी परीक्षा में सामान्य differentiation/integration program लिख दे, तो यह तो उलटे और गहरी conceptual understanding का प्रमाण होगा
Salesforce के पेपर की यह पंक्ति महत्वपूर्ण मानी गई कि "agents ने लगभग शून्य के करीब secret-keeping ability दिखाई"
उदाहरण दिया गया कि जब इंसानों ने हवाई जहाज बनाए, तो कहा गया “यह पक्षी नहीं है”, और जब पनडुब्बी बनाई, तो कहा गया “यह मछली नहीं है”, लेकिन प्रगति फिर भी होती रही। मुख्य बात यह है कि इस tool की क्षमता को जल्दी सीखकर इस्तेमाल करना है या पीछे छूट जाना है। सलाह के रूप में कहा गया कि किसी एक व्यक्ति की अंतहीन नकारात्मक बातों पर अटके रहने की बजाय “सीखने वाला रवैया” भविष्य के अनुकूल होने में ज़्यादा उपयोगी होगा