MIT अध्ययन के नतीजे: AI का उपयोग मस्तिष्क को पुनर्गठित कर संज्ञानात्मक क्षमता में गिरावट ला सकता है
(publichealthpolicyjournal.com)- MIT के एक अध्ययन में पाया गया कि ChatGPT जैसे LLM का उपयोग मस्तिष्क कनेक्टिविटी की कमजोरी और याददाश्त में कमी जैसी दीर्घकालिक संज्ञानात्मक गिरावट से जुड़ सकता है
- भाग लेने वाले छात्रों में AI पर बार-बार निर्भर होने के साथ रचनात्मक एकीकरण क्षमता और स्वायत्तता में कमी देखी गई
- EEG ब्रेनवेव परीक्षण में LLM समूह में ध्यान और दृश्य प्रसंस्करण नेटवर्क की कम सक्रियता की पुष्टि हुई
- सर्च इंजन उपयोगकर्ता समूह ने मजबूत executive function, memory activation, और visual processing क्षमता को अधिक बनाए रखा
- LLM उपयोग के बाद भी मस्तिष्क कार्यप्रणाली की पूर्ण बहाली कठिन रही, और AI पर निर्भरता ‘cognitive offloading’ की प्रवृत्ति से जुड़ी दिखी
MIT अध्ययन के मुख्य निष्कर्ष: LLM उपयोग और संज्ञानात्मक गिरावट
MIT में किए गए "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" अध्ययन ने दिखाया कि यदि लोग बार-बार ChatGPT जैसे AI पर निर्भर होते हैं, तो मस्तिष्क में दीर्घकालिक संज्ञानात्मक क्षति हो सकती है
अध्ययन में शामिल छात्रों ने AI की मदद से निबंध लिखने पर तंत्रिका कनेक्टिविटी की कमजोरी, याददाश्त में गिरावट, और काम पर स्वामित्व की भावना में कमी का अनुभव किया
AI द्वारा तैयार आउटपुट को बाहरी रूप से कभी-कभी बेहतर आंका गया, लेकिन उस प्रक्रिया में मस्तिष्क धीरे-धीरे निष्क्रियता की ओर जाता दिखा
मस्तिष्क कनेक्टिविटी में गिरावट और AI पर निर्भरता
- EEG (ब्रेनवेव) माप के अनुसार, AI का उपयोग बढ़ने के साथ मस्तिष्क की कनेक्टिविटी (systematic neural connectivity) धीरे-धीरे कम हुई
- केवल मस्तिष्क का उपयोग करने वाला समूह: सबसे मजबूत और व्यापक कनेक्टिविटी देखी गई
- सर्च इंजन समूह: मध्यम स्तर की मस्तिष्क सक्रियता
- LLM समूह: सभी ब्रेनवेव बैंड (alpha, beta, delta, theta) में cohesion कमजोर दिखा
- खासकर LLM समूह में ध्यान केंद्रित करने और visual processing नेटवर्क स्पष्ट रूप से कम सक्रिय थे
- Session 4 में जब AI की मदद के बिना लिखने की कोशिश की गई, तो LLM अनुभव वाले प्रतिभागियों में मस्तिष्क के मुख्य नेटवर्क की कार्यक्षमता घटी हुई दिखी
LLM उपयोगकर्ताओं में याददाश्त और सीखने के मार्ग का विकृत होना
- LLM पर निर्भर होने के बाद, छात्रों ने अभी-अभी लिखी गई सामग्री को अच्छी तरह याद न रख पाने का अनुभव किया
- मस्तिष्क की long-term memory और learning से जुड़े मार्गों में स्पष्ट हस्तक्षेप देखा गया
- AI उपयोग के दौरान मस्तिष्क की information integration और self-motivated approach कमजोर हुई
- प्रतिभागियों ने परिणाम के प्रति मनोवैज्ञानिक दूरी और स्वामित्व की भावना में कमी महसूस की
AI से मस्तिष्क-आधारित कार्य पर लौटने की सीमाएँ
- चौथे session में LLM उपयोग के बाद सीधे केवल मस्तिष्क का उपयोग करने वाले समूह में मूल session (केवल मस्तिष्क उपयोग) के स्तर तक मस्तिष्क सक्रियता वापस नहीं आई
- ब्रेनवेव, task effort, और self-awareness जैसे कई संकेतकों में baseline से नीचे बने रहने की प्रवृत्ति देखी गई
सर्च इंजन उपयोगकर्ताओं में अधिक स्वस्थ मस्तिष्क संलग्नता बनी रही
- सर्च इंजन उपयोगकर्ता समूह ने executive function, memory activation, और उद्धरण recall जैसे प्रमुख संज्ञानात्मक संकेतकों में ऊँचा स्तर बनाए रखा
- ब्रेनवेव में occipital lobe और parietal lobe की सक्रियता बढ़ी हुई दिखी, जो visual processing और task effort से निकटता से जुड़ी है
AI पर निर्भरता से होने वाला cognitive offloading
- शोध टीम ने स्पष्ट रूप से पाया कि LLM के बार-बार संपर्क में आने पर मस्तिष्क में स्वतः information integration और memorization के प्रयास का रुकना (neural efficiency adaptation) दिखाई देता है
- इसके कारण निष्क्रिय कार्य रवैया, न्यूनतम संपादन, और conceptual integration के स्तर में गिरावट देखी गई
अल्पकालिक दक्षता, दीर्घकालिक cognitive debt
- LLM समूह को सतही तौर पर मूल्यांकनकर्ताओं से कुछ हद तक अच्छे अंक मिले, लेकिन
- strategic integration की कमी
- अभिव्यक्ति संरचना की विविधता में कमी
- परिणाम का छोटा और यांत्रिक स्वभाव जैसी स्पष्ट सीमाएँ दिखीं
- समय के साथ संज्ञानात्मक संलग्नता, प्रदर्शन, और आत्म-संतोष में लगातार गिरावट देखी गई
अध्ययन का निष्कर्ष और सुझाव
- जैसे-जैसे अधिक लोग जटिल कार्यों के लिए AI पर निर्भर होंगे, मानव की मूल संज्ञानात्मक क्षमता और रचनात्मक योग्यता में तेज गिरावट का जोखिम बढ़ सकता है
- AI का उपयोग करते समय नियमित विराम लेने और अपने मस्तिष्क का सीधे उपयोग करने के समय की महत्ता पर जोर दिया गया
- AI केवल मानव के काम को बदलने वाला उपकरण नहीं है, बल्कि मानव की सोच प्रणाली और मस्तिष्क कार्यप्रणाली पर भी प्रभाव डालने वाला तत्व है
लेखक परिचय
- Nicolas Hulscher, MPH
- महामारी विज्ञानी और McCullough Foundation में Foundation Administrator
- संबंधित अतिरिक्त सामग्री के लिए X (पूर्व Twitter) पर McCullough Foundation और लेखक का अकाउंट देखा जा सकता है
2 टिप्पणियां
सामग्री देखें तो ऐसा लगता है कि LLM इस्तेमाल करने वाले पक्ष ने बस जवाब डिक्टेशन की तरह लिख लिया।
आम तौर पर क्या हम किसी उद्देश्य या मनचाहे flow के साथ जवाब को जाँचते हुए और feedback दोहराते हुए इसका इस्तेमाल नहीं करते? ऐसे मामलों में भी क्या नतीजा वही रहता है, यह जानने की जिज्ञासा है।
Hacker News राय
मैं ग्रेजुएट स्कूल के दिनों की एक बातचीत साझा करना चाहता हूँ, जो मेरी बहुत इज़्ज़त वाले एक PhD छात्र के साथ हुई थी। वह हर बार कोई पेपर पढ़ते समय उसका implementation खुद code लिखकर करता था। मुझे जहाँ महीनों लग जाते थे, वह अक्सर कुछ ही दिनों में code पूरा कर देता था। उसने समझाया था कि बहुत अभ्यास करने से यह बेहतर होता है। वह सिर्फ तेज़ coding ही नहीं करता था, बल्कि समय के साथ papers को और तेज़ी से analyze करना, ideas को जोड़ना, और क्या काम करेगा इसकी intuition बनाना भी उसमें शानदार था। मैं अब खुद काफी senior हूँ और code का हाथ का काम लगभग नहीं करता, लेकिन फिर भी नए code और ideas को खुद छूकर देखना और उनसे जूझना अब भी बहुत फायदेमंद लगता है। जो लोग सोचते हैं कि बस prompt थोड़ा बदलना काफी है, वे मुझे लगता है कि सचमुच सीखने के बेहद अहम मौके खो रहे हैं
मुझे सच में लगता है कि अभी, इसी समय, हमारी आँखों के सामने skill gap बन रहा है। (1) वे लोग जो concepts को गहराई से समझते हैं, दिमाग में model बनाते हैं, और किसी भी level का code खुद implement कर सकते हैं, और (2) वे लोग जो यह process machine को outsource करते-करते धीरे-धीरे यह क्षमता खो रहे हैं। अभी यह फ़र्क बहुत साफ़ नहीं दिखता, लेकिन मुझे विश्वास है कि कुछ सालों में यह पूरी तरह स्पष्ट हो जाएगा
“असली programmer assembly खुद लिखते हैं” जैसी logical fallacy से सावधान रहना चाहिए। जब compiler आम होने लगे थे, तब भी चिंता थी कि programmers अपने code के व्यवहार को समझना बंद कर देंगे। कुछ हद तक यह बात सही भी है, लेकिन ज़्यादातर लोगों के लिए practically चीज़ें बनाकर निकालने में इससे बहुत समस्या नहीं हुई। अगर आप सोचना बंद कर दें, तो जाहिर है कम सीखेंगे। लेकिन अगर आप abstraction level एक पायदान ऊपर ले जाकर सोच सकते हैं, तो details हमेशा ज़रूरी नहीं होतीं। विश्वविद्यालय की सीमा यह है कि वहाँ “अगले abstraction level” तक जाने के बजाय, verified knowledge transfer के लिए चुने गए ideas की एक श्रृंखला होती है। यह startup में खुद कुछ बनाने या बड़े problems पर काम करने के लिए समय निकालने जैसा नहीं है। बेशक, हर PhD के लिए यह मॉडल सही नहीं है। कुछ क्षेत्रों में details जानना ज़रूरी होगा, लेकिन आज की बढ़ती specialization को देखते हुए, मुझे लगता है कि यह शुद्ध लाभ भी हो सकता है
यह मुझे mathematics पढ़ने जैसा लगता है। आप पूरा दिन math की किताब पढ़ते हुए ideas की प्रशंसा कर सकते हैं, लेकिन अगर आप definitions, theorems और exercises के examples खुद हल नहीं करते, तो आप लगभग कुछ नहीं सीखते
data science में “no free lunch” वाली कहावत लागू होती है। ChatGPT जैसे tools जितने आम होते जा रहे हैं, उतना ही वे लोग—यहाँ तक कि PhD से ऊपर वाले भी—जो इन tools का बिल्कुल इस्तेमाल किए बिना खुद पढ़ते-समझते हैं, जादूगर जैसे लगने लगे हैं। मैं पहले से ऐसे लोगों को देख रहा हूँ जिनकी skill इतनी गिर गई है कि वे मध्यम स्तर या उससे ऊपर की coding नहीं कर पाते, या उनकी intuition कमजोर हो गई है। यह अब impostor syndrome नहीं है; यह वह स्थिति है जहाँ लोग AI के बिना काम ठीक से नहीं कर पाते। मैं हर topic पर पहले tools के बिना खुद सोचता हूँ और सवाल बनाता हूँ। फिर जब कुछ intuition बन जाती है, तब ChatGPT से पूछता हूँ
दिलचस्प। क्या उसका मतलब सचमुच pen और paper से code लिखना था, यह जानने की उत्सुकता है। ऐसा लगता है कि वह तरीका सच में understanding में मदद कर सकता है (वैसे मैं पेशे से coding नहीं करता)। Historians में भी कुछ ऐसा ही होता है: जो लोग physical archives में पूरा दिन डूबे रहते हैं, वे समय के साथ विषय के बारे में intuition और insight बना लेते हैं। दूसरी ओर, अगर कोई बस Google से ज़रूरी quotes और documents खींचकर इस्तेमाल करता है, तो विषय को बहुत सतही ढंग से समझने का खतरा होता है। फिर बहु-दृष्टिकोण से सोचना, घटनाओं के बीच संबंध देखना, और अपने तर्क से अत्यधिक चिपक जाना—ये सब समस्याएँ उभर सकती हैं
कुछ बातें ध्यान में रखनी चाहिए। (1) यह paper arXiv पर है, यानी अभी published नहीं है, peer review से पहले का है। इसे उस संदर्भ में पढ़ना चाहिए। (2) हर cohort में 18 लोग थे। (3) कुल 54 लोग थे। N छोटा है, और ऐसा लगता है कि मुख्य रूप से MIT के 18–22 वर्ष के छात्रों को शामिल किया गया, इसलिए reproducibility और generalization को लेकर सवाल हैं। प्रयोग के दौरान EEG से brain waves भी मापी गईं, जो प्रतिभागियों के लिए अनजाना और असुविधाजनक वातावरण था। साथ ही अध्ययन का काम था LLM, search tools, या बिना किसी tool के essay लिखना, इसलिए प्रतिभागी जानते थे कि वे क्या कर रहे हैं। paper का सार यह है कि essay writing task में LLM उपयोग की cognitive cost का अध्ययन किया गया। essay लिखना एक complex काम है जिसमें कई cognitive processes शामिल होते हैं, इसलिए इसे स्कूलों और परीक्षाओं में इस्तेमाल किया जाता है। इसमें macro level के काम—जैसे ideas को organize करना और argument structure बनाना—और micro level के काम—जैसे word choice, grammar और syntax—दोनों को एक साथ संभालना पड़ता है। cognitive engagement, cognitive load और brain activation का आकलन करने के लिए EEG का इस्तेमाल हुआ। LLM के अलावा, पारंपरिक internet search और बिना किसी tool की स्थिति में brain activity की तुलना की गई। मूल paper
54 प्रतिभागियों की उम्र 18 से 39 वर्ष थी (औसत 22.9 वर्ष, SD=1.69), और उन्हें MIT, Wellesley, Harvard, Tufts, Northeastern जैसी 5 universities से लिया गया था। इनमें 35 undergraduate, 14 graduate student, और 6 postdoc/researcher/software engineer थे। sample size और composition सीमाएँ हैं, और आगे के studies बड़े और अधिक विविध sample के साथ होने चाहिए। लेकिन इससे यह कहना कि “reproduction मुश्किल है”, मुझे सही नहीं लगता
मुझे लगता है कि यह कहना बंद होना चाहिए कि paper peer review से पहले है, इसलिए “इसे ध्यान में रखना चाहिए।” peer review भी कोई आदर्श वैज्ञानिक प्रक्रिया नहीं है; इसमें अक्सर अनावश्यक देरी, अर्थहीन comments, और बड़े publishing companies को free labor देने जैसी समस्याएँ होती हैं। मैंने 30 से ज़्यादा papers प्रकाशित किए हैं और जितनी अच्छी reviews मिलीं, उतनी ही खराब भी। कम से कम open peer review और editor के साथ बेहतर संवाद की ओर जाना चाहिए। science को ideas का market होना चाहिए। बाकी की आलोचना मुझे पूरी तरह जायज़ लगती है। paper के निष्कर्ष भी बहुत जल्दबाज़ी वाले और लगभग प्रचारात्मक लगते हैं। निजी तौर पर मुझे मौजूदा peer review system पुराना लगता है
यह study ChatGPT का users की essay-writing ability पर प्रभाव देखने का एक experiment है। बात बस इतनी है कि अगर आप writing की practice नहीं करेंगे तो writing skill कमजोर होगी, और brain activity में दूसरे तरीकों से अंतर दिखा। इसे खास तौर पर harmful साबित करने वाला प्रमाण नहीं कहा जा सकता। और paper में “cognitive decline” की बजाय “cognitive debt” शब्द इस्तेमाल किया गया है, जो व्याख्या के लिहाज़ से बहुत महत्त्वपूर्ण है। मुझे लगता है दूसरे studies में भी ऐसे नतीजे आ सकते हैं, लेकिन यह निष्कर्ष निकालना कि AI/LLM दिमाग के लिए हानिकारक है, अभी बहुत जल्दी होगी। उल्टा, इसे इस तरह भी पढ़ा जा सकता है कि यह cognitive load घटाकर essay writing आसान बना सकता है। हालाँकि output quality जैसी चीज़ों पर और research की ज़रूरत है
एक और बात यह है कि यहाँ “AI” शब्द का इस्तेमाल LLM के पर्याय की तरह किया गया है। AI बहुत व्यापक चीज़ है। यह कल्पना करना मुश्किल है कि image, video या audio generation cognitive decline की ओर ले जाएगी, जबकि LLM के मामले में इतना कहा जा सकता है कि वे “याद रखने या रटने की ज़रूरत कम करके बौद्धिक आलस्य” बढ़ा सकते हैं
मुझे लगता है कि यह effect बहुत आसानी से reproduce होगा। हाल के समय में जिन लोगों ने LLM का बहुत इस्तेमाल शुरू किया है, उनसे बात करके साफ़ लगता है कि उनका IQ जैसे visibly गिर गया हो। पहले जो लोग सक्रिय बहस किया करते थे, अब वे Grok या ChatGPT का उत्तर देखे बिना बात ही नहीं कर पाते
यह article और इसका headline दरअसल पहले से मौजूद एक ज़्यादा मौलिक मूल बात की खराब पुनरावृत्ति लगते हैं। खुद researchers ने भी साफ़ तौर पर FAQ में लिखा है कि media उनकी research को गलत समझकर “LLM हमें मूर्ख बना देता है” जैसे शब्द न इस्तेमाल करे। HN की कुछ टिप्पणियाँ cognitive bias का अच्छा उदाहरण हैं, जहाँ लोग असली सामग्री देखे बिना जानकारी स्वीकार कर लेते हैं
समझ आता है कि लोग इसे Reddit-जैसी कहानी क्यों कह रहे हैं। ऐसे clickbait मुद्दे बार-बार ऊपर आ जाते हैं। खासकर इस study में तो 4 महीनों में ChatGPT सिर्फ 4 बार, 18 लोगों ने इस्तेमाल किया था, और noise control भी नहीं था। मैं AI के overuse को समस्या मानता हूँ, लेकिन ऐसी research बस उस विषय पर clickbait लगती है जिसे हम पहले से नापसंद करते हैं
लगता है कि लगभग कोई भी असली paper ठीक से नहीं पढ़ता। sessions 1–3 में LLM इस्तेमाल करने वाले group ने जब session 4 में LLM के बिना काम किया, तो connectivity घटी, जबकि सभी groups में sessions बढ़ने के साथ connectivity बढ़ी। अहम बात यह है कि session 4 में भी connectivity पूरी तरह शुरुआती session 1 वाले स्तर पर वापस नहीं गई, बल्कि बीच में कहीं थी। यानी वे अब भी सीख रहे थे। यहाँ Extended Mind नाम की दार्शनिक अवधारणा मुख्य है। उल्टा, जो group sessions 1–3 में बिना LLM रहा था, जब उसने session 4 में LLM इस्तेमाल किया, तो brain activity तेज़ी से बढ़ी। study के निष्कर्ष का असली बिंदु यही है
निजी तौर पर, मैंने 8 महीनों तक ChatGPT के साथ coding करते हुए यह महसूस किया कि मेरा दिमाग धीरे-धीरे सुस्त हो रहा है। इसलिए study के नतीजे मुझसे काफ़ी resonate करते हैं। हालाँकि, मुझे लगता है कि आगे चलकर AI को नकारात्मक रूप में दिखाने वाली नई research शायद ही सामने आए, क्योंकि समाज को चलाने वाली ताकतें AI के प्रति नकारात्मक sentiment नहीं चाहतीं
मेरा मानना है कि LLM को आपके लिए लिखने या edit करने की ज़िम्मेदारी नहीं लेनी चाहिए। feedback, idea exploration या gaps ढूँढने के लिए इसका इस्तेमाल हो सकता है, लेकिन लेखन आपको खुद अंत तक करना चाहिए। दिमाग को बहुत आसानी से LLM को सौंप देने का जोखिम है। सिर्फ essay writing ही नहीं, programming problems को LLM से हल कराने की आदत में भी मैंने असली cognitive decline महसूस की है। किसी अनजान programming ecosystem में error messages बार-बार copy-paste करते रहने से problem तो जल्दी solve हो जाती है, लेकिन असली learning घट जाती है। फिर भी इसकी वजह से शुरुआत आसान हो जाती है और आप अटकते नहीं, इसलिए संतुलन ज़रूरी है। problem से सीधे जूझने की क्षमता ज़रूरी है
मेरा अनुभव उल्टा है। मैं सिर्फ errors copy-paste नहीं करता या AI के जवाब को तुरंत स्वीकार नहीं करता, बल्कि लगातार पूछता हूँ, “यह काम क्यों करता है?” मैं commands और flags को line-by-line समझाने को कहता हूँ, और पूरी तरह समझ आने पर ही आगे बढ़ता हूँ। इससे शायद वैसी गहराई से याद न रहे जैसी खुद exploration करने से रहती, लेकिन मैं ज़्यादा problems को ज़्यादा तेज़ी से अनुभव कर पाता हूँ, इसलिए कुल learning बढ़ जाती है
जब Firefox में autocorrect फीचर आया था, तब मैंने सही जवाब देखकर typo-free लिखने की practice की और उससे बहुत सुधार हुआ (English मेरी मातृभाषा नहीं है)। LLM भी मेरे लिए वैसा ही tool है, जो तेज़ learning और जल्दी conclusion तक पहुँचने में मदद करता है। किसी नए project में अगर मैं पुराना setup भूल जाऊँ, तो LLM मुझे वह याद दिला सकता है जो पहले मैं अपने wiki में लिखता। LLM के ज़रिए बेहतर engineer बनने के लिए self-check बहुत ज़रूरी है
यही असली मुद्दा है, लेकिन LLM का ठीक तरह से उपयोग करने पर मैं अपनी skill और उससे सटे क्षेत्रों में बहुत तेज़ी से आगे बढ़ सकता हूँ, मामूली knowledge gaps में फँसे बिना असली काम पर ध्यान दे सकता हूँ। उदाहरण के लिए मैंने underwater acoustic signal processing को C में जल्दी implement किया, ऐसे क्षेत्र में जिसे मुझे पूरी तरह master करने की ज़रूरत नहीं थी लेकिन practical तरीके से जल्दी संभालना था। पहले के समय में शायद मैं बस दूसरों का code ही पढ़ता रह जाता
LLM से लिखवाना आलस है, और नतीजा भी संतोषजनक नहीं होता। बेहतर है कि पहला draft मैं खुद लिखूँ, और फिर LLM से feedback लूँ, blind spots जाँचूँ या बेहतर शब्दावली ढूँढूँ
मैं LLM की आदत को navigation या map apps पर ज़रूरत से ज़्यादा निर्भर होने जैसा मानता हूँ। वे बेहद सुविधाजनक हैं, लेकिन spatial memory और decision-making से जुड़े brain areas को कमजोर करने का side effect भी रखते हैं। एक बार अंधविश्वास में उन पर भरोसा करके मुझे बड़ी असफलता भी झेलनी पड़ी थी। पहले paper maps असुविधाजनक थे, लेकिन उसके बदले ज़्यादा interaction और सोचने का समय मिलता था। आजकल conflict zones को छोड़कर paper maps लगभग इस्तेमाल नहीं होते
इतनी चर्चा में रही इस study में भी methodology की गंभीर सीमाएँ हैं। सिर्फ 54 लोगों को 3 groups में बाँटा गया, यानी हर condition में 9 लोग, और “brain reprogramming” जैसे दावे के लिए यह sample बेहद छोटा है। study ने बस इतना दिखाया कि AI-assisted essay writing में brain pattern अलग दिखते हैं; यह कोई permanent damage नहीं है। tool इस्तेमाल करने पर कम brain activity वैसी ही बात है जैसे calculator इस्तेमाल करने पर mental arithmetic कम हो जाती है। “cognitive harm” या “serious damage” जैसे शब्द असली study में लागू ही नहीं होते। surface EEG measurement से गहरे brain changes का अनुमान भी नहीं लगाया जा सकता। authors ने खुद इन सीमाओं को स्वीकार किया है। “83.3% अपने essay का एक भी वाक्य याद नहीं रख पाए” का मतलब भी सिर्फ 18 में से 15 लोग है
रोज़मर्रा में AI उपयोग के उदाहरण के रूप में किसी ने soldering, multimeter इस्तेमाल करना, circuit बनाना, solar/battery systems, LoRa network बनाना जैसी hands-on learning की कई बातें बताईं। हर मामले में वह सिर्फ theory नहीं, बल्कि खुद प्रयोग करके सीख रहा है। समस्या आने पर AI से कारण समझता है, और कई बार सवाल-जवाब व प्रयोग दोहराकर सिद्धांत को पक्का करता है। उसे YouTube videos पसंद नहीं, इसलिए text-based AI उसके लिए बेहतर माध्यम है। वह जानबूझकर गलतियाँ करके और चीज़ें तोड़कर सीखना पसंद करता है। software में काम आई trial-and-error strategy को वह सस्ती electronics learning में भी लागू करके लाभ देख रहा है
जो लोग खुद यह सब करते हैं, उनकी नज़र से मुझे यह जिज्ञासा है कि AI क्यों चुना गया। text से सीखना सबसे कठिन तरीकों में से एक लगता है। अच्छी तरह बना video वास्तविक process और सफलता/विफलता के संकेत कहीं बेहतर दिखा सकता है। हालांकि यह भी सच है कि अच्छे videos ढूँढना लगातार कठिन होता जा रहा है
मैंने भी LLM आने से पहले analog synthesizer बनाते हुए कुछ ऐसा ही सीखा था। मैं इस बात से सहमत हूँ कि LLM ने जिन web texts का सहारा लिया, उन्हीं जैसे स्रोतों का मैं भी इस्तेमाल करता था। जब कुछ काम नहीं करता था, तो मैं असली उपकरणों या documentation की ओर जाता था। यानी LLM के बिना भी सीखने का रास्ता हमेशा मौजूद था, और यह कहना अभी जल्दी होगा कि LLM कोई अनिवार्य रूप से बेहतर learning method है
असली physical काम करने से सीखने की गति दिमाग की learning speed के अनुरूप रहती है, लेकिन software की “vibe coding” जैसे बहुत तेज़ feedback loops असली learning में उल्टा कम मदद करते हैं। वे दिमाग को learning process से बच निकलने की आदत डाल देते हैं
अगर कोई LLM को शिष्य द्वारा गुरु से सवाल पूछने की तरह इस्तेमाल कर रहा है, तो मुझे उसमें कोई समस्या नहीं दिखती
इसी तरह, मैं answers के बिना textbook हल करता हूँ और जब अटकता हूँ तो ChatGPT से feedback लेकर hints पाता हूँ, जो मेरे लिए बहुत मददगार रहा है
article की सामग्री पढ़कर तो लगभग ऐसा लगता है मानो यह खुद AI ने लिखी हो, क्योंकि असली paper पढ़कर उस तरह का निष्कर्ष निकालना मुश्किल है। experiment में 4 महीनों के दौरान 30 मिनट से भी कम समय तक, सिर्फ SAT-format essays लिखे गए थे, और उनमें भी कुछ में ही AI इस्तेमाल हुआ। इतना भर होने पर यह कहना कि महीने में एक बार, करीब 20 मिनट AI इस्तेमाल करने से किसी का दिमाग स्पष्ट रूप से खराब हो गया, समझ से परे है। असली study से जो बात निकलती है वह यह है कि जिन outputs को आपने खुद नहीं बनाया, उनसे आपका लगाव और याददाश्त कम रहती है। यही बात किसी दूसरे इंसान द्वारा बनाए गए काम पर भी लागू होती है
मुझे लगता है कि AI का इस्तेमाल कैसे किया जाता है, इसका learning पर प्रभाव से बहुत गहरा संबंध है। मैं तो उल्टा AI से बार-बार सवाल पूछकर और तर्क-वितर्क करके सामान्य से कहीं ज़्यादा गहराई से सोचता हूँ। उदाहरण के लिए, जब मुझे किसी ऐसे feature का सामना होता है जिसकी documentation कमज़ोर हो, तो मैं AI की मदद से code flow समझता हूँ, naming सुधार, structure refactor, documentation जैसे विकल्पों पर लगातार चर्चा करता हूँ। information retrieval वाले हिस्से में LLM मुझसे बहुत तेज़ है, इसलिए बस वही मेहनत बचती है; बाकी में वह मुझे और गहराई से सोचने पर मजबूर करता है। हाँ, mermaid जैसे कुछ क्षेत्रों को मैंने छोड़ा ज़रूर है, लेकिन LLM की वजह से ही मैं असल में काम कर पाया; नहीं तो शायद मैं बस तुच्छ कामों में लगा रहता
इस paper और उससे जुड़ी रिपोर्टिंग की व्याख्या इतनी सनसनीखेज़ हो गई कि research team को अलग से FAQ डालना पड़ा। paper के लेखक बार-बार अनुरोध कर रहे हैं कि “LLM आपको बेवकूफ़ बना देता है” जैसी भाषा का उपयोग न किया जाए
सिर्फ तकनीकी neural measurement results के आधार पर “long-term cognitive decline” की बात करना बढ़ा-चढ़ाकर कहना है। उदाहरण के लिए, “LLM users के 83% को अभी-अभी लिखा अपना essay एक भी वाक्य याद नहीं था”—यह तो बस वही सामान्य बात है कि जो लेखन आपके अपने हाथ से नहीं गुज़रा, वह याद नहीं रहता। आखिर AI ने आपके लिए लिखा था, इसलिए उसका आपके अपने विचार-प्रक्रिया से न गुज़रना स्वाभाविक है