कृत्रिम बुद्धिमत्ता · लेख
न्यूरल नेटवर्क कैसे काम करते हैं: ChatGPT और आधुनिक AI के पीछे की तकनीक
प्रकाशित:
संक्षेप में
एक न्यूरल नेटवर्क एक मशीन-लर्निंग मॉडल है जो न्यूरॉन नामक सरल इकाइयों की परतों से बनाया जाता है जो डेटा से वजन और पूर्वाग्रह नामक समायोज्य संख्याएं सीखते हैं। इस डेटा को इन परतों के माध्यम से आगे की ओर पास करके और प्रशिक्षण के दौरान त्रुटियों को पिछड़े की ओर ठीक करके, नेटवर्क इनपुट को आउटपुट से मैप करना सीखता है — यही बुनियादी तंत्र है जो छवि पहचान, भाषण प्रतिलेखन, और ChatGPT जैसे बड़े भाषा मॉडल के पीछे है।
यह संस्करण मूल पाठ (English) का मशीनी अनुवाद है। मूल पाठ पढ़ें
न्यूरल नेटवर्क नए नहीं हैं — शोधकर्ताओं ने बीसवीं सदी के मध्य से उनका अध्ययन किया है — लेकिन अब वे रोजमर्रा के उपयोग में आने वाले अधिकांश उपभोक्ता AI उत्पादों के पीछे हैं। OpenAI ने 29 सितंबर 2026 को अपने DevDay इवेंट में कहा कि ChatGPT 1.2 बिलियन साप्ताहिक उपयोगकर्ताओं तक पहुंच गया है, Engadget के इवेंट के लाइवब्लॉग के अनुसार। अपनाने के इस पैमाने ने एक बुनियादी तकनीकी प्रश्न को खोज परिणामों के शीर्ष पर वापस धकेल दिया है: एक न्यूरल नेटवर्क वास्तव में कैसे काम करता है?
बुनियादी निर्माण खंड: न्यूरॉन, वजन, और परतें
IBM के अनुसार, एक न्यूरल नेटवर्क न्यूरॉन नामक सरल इकाइयों से बनाया गया एक मशीन-लर्निंग मॉडल है, परतों में व्यवस्थित, जो इनपुट को आउटपुट से मैप करने के लिए डेटा से समायोज्य वजन और पूर्वाग्रह सीखते हैं। प्रत्येक नेटवर्क के पास एक इनपुट परत होती है जो कच्चे डेटा को रखती है, एक या अधिक छिपी परतें जो इसे बदलती हैं, और एक आउटपुट परत जो अंतिम परिणाम देती है, IBM बताता है।
न्यूरॉन के बीच प्रत्येक कनेक्शन एक वजन लेकर जाता है — एक संख्या जो, IBM के अनुसार, एक डायल की तरह कार्य करती है जो नियंत्रित करती है कि एक दिया गया इनपुट फीचर नेटवर्क के निर्णय को कितनी मजबूती से प्रभावित करता है। पूर्वाग्रह नामक एक अलग मान प्रत्येक न्यूरॉन में जोड़ा जाता है ताकि यह तब भी सक्रिय हो सके जब इसके इनपुट कमजोर हों, निर्णय सीमा को स्थानांतरित कर रहा हो। Google के Machine Learning Crash Course में एक तीसरा आवश्यक घटक शामिल है: सक्रियण कार्य, गैर-रैखिक गणितीय कदम भारित इनपुट को जोड़ने के बाद लागू किए जाते हैं, जो एक नेटवर्क को उन पैटर्न का पता लगाने देता है जो एक सरल सीधी रेखा सूत्र नहीं पकड़ सकता।
फॉरवर्ड प्रोपेगेशन: एक नेटवर्क कैसे उत्तर देता है
जब एक न्यूरल नेटवर्क को नया डेटा दिया जाता है, तो वह डेटा नेटवर्क के माध्यम से एक दिशा में चलता है, इनपुट परत से आउटपुट परत तक, जिसे IBM और Google दोनों के कोर्स फॉरवर्ड प्रोपेगेशन (या फॉरवर्ड पास) कहते हैं। प्रत्येक न्यूरॉन पर, आने वाले मान उनके वजन से गुणा किए जाते हैं, पूर्वाग्रह के साथ जोड़े जाते हैं, और सक्रियण कार्य के माध्यम से गुजरने से पहले अगली परत तक पहुंचाए जाते हैं। IBM नोट करता है कि नेटवर्क में शुरुआती परतें व्यक्तिगत संकेतों की महत्ता को प्रक्रिया करती हैं, जबकि बाद की परतें उस जानकारी को उच्च-स्तरीय पैटर्न में संयोजित करती हैं जो व्यापक संदर्भ को कैद करते हैं।
बैकप्रोपेगेशन: एक नेटवर्क अपनी गलतियों से कैसे सीखता है
एक नया बनाया गया न्यूरल नेटवर्क अनिवार्य रूप से यादृच्छिक वजन के साथ शुरू होता है और खराब भविष्यवाणियां देता है। प्रशिक्षण इसे सुधारने की प्रक्रिया है। IBM बैकप्रोपेगेशन को उस एल्गोरिदम के रूप में वर्णित करता है जो नेटवर्क की भविष्यवाणी त्रुटि को परतों के माध्यम से पिछड़े की ओर प्रसारित करता है, कैलकुलस के चेन नियम का उपयोग करके यह गणना करने के लिए कि प्रत्येक व्यक्तिगत वजन और पूर्वाग्रह ने समग्र त्रुटि में कितना योगदान दिया। Google का कोर्स इसी तरह बैकप्रोपेगेशन को मुख्य प्रशिक्षण एल्गोरिदम के रूप में पहचानता है, इसके उद्देश्य को वजन को समायोजित करने के रूप में वर्णित करते हुए नेटवर्क की भविष्यवाणी हानि को कम या न्यूनतम करने के लिए।
एक बार जब प्रत्येक वजन की त्रुटि में योगदान ज्ञात हो जाता है, तो ग्रेडिएंट डिसेंट नामक एक अनुकूलन विधि प्रत्येक वजन को उस दिशा में थोड़ा-थोड़ा ढकेलती है जो त्रुटि को कम करती है। यह फॉरवर्ड-पास-फिर-बैकवर्ड-सुधार चक्र बड़ी मात्रा में प्रशिक्षण डेटा के माध्यम से दोहराया जाता है — अक्सर लाखों या अरबों उदाहरण — जब तक नेटवर्क की भविष्यवाणियां व्यावहारिक उपयोग के लिए काफी विश्वसनीय न हो जाएं।
विभिन्न प्रकार के डेटा के लिए विभिन्न नेटवर्क डिज़ाइन
हर न्यूरल नेटवर्क एक ही तरह से नहीं बनाया जाता है। IBM आज व्यापक उपयोग में तीन व्यापक परिवारों की पहचान करता है: कनवोल्यूशनल न्यूरल नेटवर्क (CNN), ग्रिड जैसे डेटा जैसे छवियों के लिए डिज़ाइन किए गए और दृश्य पहचान में भारी उपयोग किए जाते हैं; पुनरावर्ती न्यूरल नेटवर्क (RNN), जिनमें अनुक्रमिक या समय-श्रृंखला डेटा के लिए उपयुक्त प्रतिक्रिया लूप हैं; और ट्रांसफॉर्मर्स, आज के अधिकांश बड़े भाषा मॉडल के पीछे की आर्किटेक्चर, जो कठोर चरण-दर-चरण अनुक्रमण के बजाय ध्यान तंत्र पर निर्भर करते हैं।
| आर्किटेक्चर | के लिए डिज़ाइन किया गया | उदाहरण उपयोग |
|---|---|---|
| Convolutional neural network (CNN) | ग्रिड जैसे डेटा जैसे छवियां | छवि और वस्तु पहचान |
| Recurrent neural network (RNN) | अनुक्रमिक या समय-श्रृंखला डेटा | पूर्व की बात और पाठ मॉडल |
| ट्रांसफॉर्मर | ध्यान के माध्यम से पाठ अनुक्रम, कठोर क्रम नहीं | GPT जैसे बड़े भाषा मॉडल |
यह ChatGPT जैसी प्रणालियों तक कैसे स्केल करता है
GPT परिवार जैसे बड़े भाषा मॉडल एक ही मुख्य यांत्रिकी — भारित न्यूरॉन्स, परतें, फॉरवर्ड प्रोपेगेशन, बैकप्रोपेगेशन — बहुत बड़े पैमाने पर लागू करते हैं, ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करते हुए। OpenAI का अपना 2020 का अनुसंधान पत्र GPT-3 पर, arXiv में प्रकाशित, कहा कि मॉडल के पास बिल्कुल 175 बिलियन पैरामीटर थे, इसे किसी भी पूर्व गैर-विरल भाषा मॉडल की तुलना में 10 गुना अधिक के रूप में वर्णित करते हुए। पैरामीटर्स नेटवर्क के वजन और पूर्वाग्रह के पूर्ण सेट के लिए सामान्य शब्द है; अधिक पैरामीटर आम तौर पर एक मॉडल को भाषा में अधिक जटिल पैटर्न को कैद करने की अनुमति देते हैं, हालांकि OpenAI ने अपने नए मॉडल के लिए समान पैरामीटर आंकड़े प्रकाशित नहीं किए हैं।
एक ट्रांसफॉर्मर के भीतर, आत्म-ध्यान नामक एक तंत्र मॉडल को यह वजन करने की अनुमति देता है कि एक पैसेज में कितना प्रत्येक अन्य शब्द वर्तमान में संसाधित किए जा रहे शब्द के लिए प्रासंगिक है, कठोरता से बाएं से दाएं पढ़ने के बजाय। यह डिज़ाइन, पहली बार ट्रांसफॉर्मर अनुसंधान में पेश किया गया और अब प्रमुख भाषा मॉडल में मानक, वही है जो ChatGPT जैसी प्रणालियों को एक लंबी बातचीत में संदर्भ को ट्रैक करने देता है।
यह अभी महत्वपूर्ण क्यों है
न्यूरॉन्स, वजन, और बैकप्रोपेगेशन की अंतर्निहित गणित दशकों से मौजूद है, लेकिन बड़े डेटासेट, अधिक कंप्यूटिंग शक्ति, और ट्रांसफॉर्मर आर्किटेक्चर का संयोजन वही है जिसने न्यूरल नेटवर्क को एक विशेषज्ञ अनुसंधान उपकरण से उपभोक्ता उत्पादों के पीछे इंजन में बदल दिया है जिसका उपयोग एक सप्ताह में एक अरब से अधिक लोग करते हैं, OpenAI के अपने सितंबर 2026 के आंकड़ों के अनुसार Engadget द्वारा रिपोर्ट किया गया। IBM और Google द्वारा वर्णित बुनियादी फॉरवर्ड-पास-और-सुधार चक्र को समझने के लिए उन्नत गणित की आवश्यकता नहीं है, लेकिन यह समझाता है कि ये प्रणालियां बड़ी मात्रा में प्रशिक्षण डेटा और कंप्यूटिंग शक्ति की आवश्यकता क्यों है, और उनके आउटपुट सांख्यिकीय भविष्यवाणियां क्यों हैं बजाय गारंटीकृत तथ्य।
प्रश्न
- सरल शब्दों में एक न्यूरल नेटवर्क क्या है?
- IBM इसे एक मशीन सीखने के मॉडल के रूप में परिभाषित करता है जो न्यूरॉन नामक सरल इकाइयों को परतों में स्टैक करता है, डेटा से सीखते हुए समायोज्य संख्याएं जिन्हें वजन और पूर्वाग्रह कहा जाता है ताकि यह इनपुट को आउटपुट से मैप कर सके, जैसे छवि या वाक्य को पूर्वानुमान में बदलना।
- फॉरवर्ड प्रोपेगेशन और बैकप्रोपेगेशन में क्या अंतर है?
- फॉरवर्ड प्रोपेगेशन यह है कि डेटा भविष्यवाणी उत्पन्न करने के लिए इनपुट से आउटपुट तक नेटवर्क के माध्यम से कैसे चलता है, जबकि बैकप्रोपेगेशन प्रशिक्षण चरण है जो परिणामस्वरूप त्रुटि को नेटवर्क के माध्यम से पीछे की ओर फैलाता है यह गणना करने के लिए कि प्रत्येक वजन को कैसे समायोजित किया जाए, IBM और Google के Machine Learning Crash Course के अनुसार।
- ChatGPT जैसे बड़े भाषा मॉडल में कितने पैरामीटर हैं?
- OpenAI का 2020 का अनुसंधान पत्र arXiv पर प्रकाशित कहा कि GPT-3 के पास बिल्कुल 175 बिलियन पैरामीटर हैं; OpenAI ने अपने नए GPT मॉडल के लिए समतुल्य पैरामीटर आंकड़े प्रकाशित नहीं किए हैं।
- ChatGPT और समान चैटबॉट्स को कौन सी आर्किटेक्चर शक्ति देती है?
- ChatGPT और अधिकांश वर्तमान बड़े भाषा मॉडल ट्रांसफॉर्मर आर्किटेक्चर पर बनाए गए हैं, जो एक आत्म-ध्यान तंत्र का उपयोग करते हैं एक पैसेज में प्रत्येक शब्द के लिए कठोर अनुक्रम में पाठ को संसाधित करने के बजाय प्रत्येक अन्य शब्द की प्रासंगिकता को वजन देने के लिए।
- न्यूरल नेटवर्क अचानक इतने व्यापक रूप से चर्चा में क्यों हैं?
- अपनाना तेज गति से बढ़ा है: OpenAI ने अपने 29 सितंबर 2026 DevDay इवेंट में कहा कि ChatGPT 1.2 बिलियन साप्ताहिक उपयोगकर्ताओं तक पहुंच गया है, एक आंकड़ा Engadget द्वारा रिपोर्ट किया गया, जो व्यापक सार्वजनिक हित को चलाता है कि अंतर्निहित प्रौद्योगिकी कैसे काम करती है।
स्रोत
यह लेख कृत्रिम बुद्धिमत्ता से तैयार किया गया और प्रकाशन से पहले स्वचालित स्रोत-जाँच से गुज़रा। कोई गलती दिखे तो सुधार का अनुरोध करें। सुधार या उत्तर का अनुरोध करें · हम कैसे काम करते हैं
संबंधित लेख
कृत्रिम बुद्धिमत्तालेख
GPT-6 क्या है, और बड़े भाषा मॉडल वास्तव में कैसे काम करते हैं?
GPT-6 OpenAI का नवीनतम मॉडल परिवार है, जो सितंबर 2026 के बाद से Astra, Sol और Luna नामों के तहत चरणबद्ध तरीके से लॉन्च किया गया था, और Sol और Luna 7-8 अक्टूबर 2026 को सभी ChatGPT उपयोगकर्ताओं तक पहुंचे। अन्य बड़े भाषा मॉडल की तरह, यह अगले शब्द की भविष्यवाणी करके उत्तर देता है एक ट्रांसफॉर्मर न्यूरल नेटवर्क के साथ जिसे बहुत बड़ी मात्रा में पाठ पर प्रशिक्षित किया गया है, न कि उस तरीके से जो एक व्यक्ति करता है।
कृत्रिम बुद्धिमत्तालेख
नई फिल्म 'Artificial' OpenAI के 2023 बोर्डरूम संकट को AI-जोखिम बहस में नाटकीय रूप देती है
"Artificial," Luca Guadagnino की एक त्रासद-कॉमेडी है जो OpenAI के 2023 बोर्डरूम संकट के बारे में है, Sam Altman की बर्खास्तगी और पुनः नियुक्ति को कृत्रिम बुद्धिमत्ता के बारे में व्यापक जनता की चिंता के लेंस के रूप में नाटकीय बनाती है। फिल्म Andrew Garfield को अभिनीत करती है, कृत्रिम बुद्धिमत्ता के विकास को Geoffrey Hinton के शुरुआती शोध से ChatGPT की रिलीज़ तक दिखाती है। यह 25 दिसंबर 2026 को अमेरिकी सिनेमाघरों में खुलता है।
कृत्रिम बुद्धिमत्तालेख
पालंटियर के एलेक्स कार्प कहते हैं कि व्यापार कार्यकर्ता और न्यूरोडाइवर्जेंट लोग AI युग में समृद्ध होंगे
पालंटियर के सीईओ एलेक्स कार्प ने मार्च 2026 में कहा कि केवल दो प्रकार के कार्यकर्ताओं को AI-संचालित अर्थव्यवस्था में भविष्य के बारे में आत्मविश्वास हो सकता है: जिनके पास व्यावसायिक प्रशिक्षण है, और जो न्यूरोडाइवर्जेंट हैं। उन्होंने तर्क दिया कि कुशल व्यापार स्वचालन के प्रतिरोधी हैं जबकि न्यूरोडाइवर्जेंट सोच पैटर्न अपरंपरागत समस्या-समाधान के लिए उपयुक्त हैं, और पालंटियर ने दोनों समूहों को लक्ष्य करते हुए सशुल्क फेलोशिप खोली हैं।
कृत्रिम बुद्धिमत्तालेख
OpenAI की बड़े पैमाने पर गणित रिलीज़ से शैक्षणिक गणितज्ञों में कैरियर का डर
6 अक्टूबर 2026 को, OpenAI ने 722 कृत्रिम बुद्धिमत्ता द्वारा उत्पन्न पांडुलिपियों को प्रकाशित किया जो 372 समस्या परिवारों में आयोजित थीं, जिनमें Navier-Stokes Millennium Prize सवाल पर एक विवादास्पद दावा शामिल था। Fields Medalist ह्यूगो ड्यूमिनिल-कोपिन ने कहा कि उन्होंने अपने 16 शोध प्रश्नों को इन पत्रों में पाए जाने के बाद रो दिया, इसे अपने क्षेत्र की विध्वंस कह रहे हैं, जबकि गणितज्ञों के एक समूह ने सहकर्मियों से OpenAI के साथ काम करना बंद करने का आग्रह किया।