क्या हुआ?
पेंग्रुई हान, जैकब एंड्रियास, एवेलिना फेडोरेंको और एंड्रिया ग्रेगोर डी वर्दा द्वारा arXiv (2608.13567) पर पोस्ट किए गए एक प्रीप्रिंट में बताया गया है कि बड़े भाषा मॉडल मानव मस्तिष्क को प्रतिबिंबित करने वाला एक मॉड्यूलर आंतरिक संगठन विकसित करते हैं, जिसमें ऐसे कार्य होते हैं जो मनुष्यों में समान मस्तिष्क नेटवर्क को मॉडल में अतिव्यापी न्यूरॉन्स की भर्ती करते हैं।
"मॉड्यूलर कॉग्निटिव आर्किटेक्चर इमर्जेस इन लार्ज लैंग्वेज मॉडल्स" शीर्षक वाला एक प्रीप्रिंट 27 जून 2026 को arXiv को सबमिट किया गया था और पहचानकर्ता arXiv:2608.13567 के तहत अगस्त 2026 की लिस्टिंग में दिखाई देता है। सूचीबद्ध लेखक पेंग्रुई हान, जैकब एंड्रियास, एवेलिना फेडोरेंको और एंड्रिया ग्रेगोर डी वर्दा हैं। पेपर आर्टिफिशियल इंटेलिजेंस (cs.AI) के तहत दायर किया गया है और कंप्यूटेशन एंड लैंग्वेज (cs.CL) और मशीन लर्निंग (cs.LG) के तहत क्रॉस-लिस्ट किया गया है। सबमिशन संस्करण 1 है और, सभी arXiv प्रीप्रिंट्स की तरह, जर्नल पीयर रिव्यू के माध्यम से नहीं किया गया है।
सार कार्य को एक विशिष्ट प्रश्न के परीक्षण के रूप में स्थापित करता है: मानव मस्तिष्क कार्यात्मक विशेषज्ञता दिखाता है, जिसमें भाषा, औपचारिक तर्क, अन्य दिमागों के बारे में तर्क और भौतिक दुनिया के बारे में तर्क का समर्थन करने वाले अलग-अलग नेटवर्क होते हैं। लेखक पूछते हैं कि क्या वह मॉड्यूलर संगठन एक बुनियादी सिद्धांत है कि बुद्धिमान सिस्टम कैसे बनाया जाना चाहिए, या जीव विज्ञान के लिए विशेष रूप से एक विकासवादी दुर्घटना है। उनकी रणनीति पूरी तरह से अलग अनुकूलन प्रक्रिया द्वारा उत्पादित सिस्टम में एक ही संगठन की तलाश करना है - प्राकृतिक चयन के बजाय पाठ पर ग्रेडिएंट-आधारित प्रशिक्षण।
रिपोर्ट की गई विधि उन्हीं चार संज्ञानात्मक डोमेन में फैले 46 कार्यों में सर्किट विश्लेषण है: भाषा, औपचारिक तर्क, सामाजिक तर्क और भौतिक तर्क। शीर्षक निष्कर्ष, जैसा कि सार में बताया गया है, एक एकल सहसंबंध के बजाय एक दोहरा पैटर्न है। मनुष्यों में समान नेटवर्क पर चलने वाले कार्य भाषा मॉडल में अतिव्यापी न्यूरॉन्स की भर्ती करते हैं; विभिन्न मानव नेटवर्क पर आधारित कार्य अलग-अलग न्यूरॉन्स की भर्ती करते हैं। लेखकों ने निष्कर्ष निकाला है कि मस्तिष्क और कृत्रिम तंत्रिका नेटवर्क में मॉड्यूलरिटी के अभिसरण उद्भव से पता चलता है कि मॉड्यूलरिटी बुद्धिमान प्रणालियों की एक मौलिक संपत्ति हो सकती है।
वह अंतिम वाक्य एक व्याख्या है जो लेखक प्रस्तुत करते हैं, न कि कोई माप जो वे रिपोर्ट करते हैं। दोनों को अलग करना उचित है: अनुभवजन्य दावा इस बारे में है कि कौन सी इकाइयाँ विशिष्ट मॉडलों के अंदर किस कार्य समूह के लिए सक्रिय होती हैं; सामान्य तौर पर बुद्धिमान प्रणालियों के बारे में दावा एक प्रजाति और एक मॉडल वर्ग के बीच एकल तुलना से निकाला गया एक निष्कर्ष है।
सार्वजनिक रूप से दिखाई देने वाला सार पृष्ठ उन कई प्रश्नों का उत्तर नहीं देता है जिनकी पाठक को परिणाम का मूल्यांकन करने के लिए आवश्यकता होगी। इसमें विश्लेषण किए गए मॉडलों का नाम, उनकी संख्या, उनका आकार या क्या वे ओपन-वेट थे या एपीआई के माध्यम से एक्सेस किए गए थे, इसका नाम नहीं दिया गया है। यह नहीं बताता है कि व्यक्तिगत न्यूरॉन्स को कैसे चुना गया या थ्रेशोल्ड किया गया, कितना ओवरलैप ओवरलैप के रूप में गिना जाता है, कौन से सांख्यिकीय नियंत्रण लागू किए गए थे, या क्या विश्लेषण में कारण हस्तक्षेप के साथ-साथ सहसंबंधी माप भी शामिल थे। टिप्पणियाँ फ़ील्ड एक बाहरी लिंक की ओर इशारा करती है जो कैप्चर किए गए पृष्ठ में पढ़ने योग्य नहीं है, इसलिए यह अज्ञात है कि कोड, कार्य सूची या डेटा जारी किया गया है या नहीं। सबमिशन लगभग 6.5 एमबी पर सूचीबद्ध है, जो एक आंकड़े-भारी पेपर के अनुरूप है, लेकिन यह इसकी सामग्री के बारे में कुछ नहीं कहता है।
यह क्यों मायने रखता है?
यदि किसी मॉडल के अंदर के कार्यों को पूरे नेटवर्क में फैलाए जाने के बजाय स्थानीयकृत किया जाता है, तो निगरानी, संपादन और सुरक्षा हस्तक्षेप अधिक सुव्यवस्थित हो जाते हैं - और मस्तिष्क-मॉडल अभिसरण एक वास्तविक वैज्ञानिक दावा है। लेकिन ओवरलैपिंग न्यूरॉन्स स्वयं कारण मॉड्यूल का प्रमाण नहीं हैं, और सार पृष्ठ यह नहीं बताता है कि कौन से मॉडल का परीक्षण किया गया था।
व्यावहारिक दांव व्याख्यात्मकता है। बड़े मॉडलों के लिए अधिकांश सुरक्षा और निरीक्षण उपकरण - भ्रामक व्यवहार की निगरानी करना, खतरनाक ज्ञान को हटाना, ऑडिट करना कि किसी सिस्टम ने एक दिया गया उत्तर क्यों दिया - यदि प्रासंगिक गणना नेटवर्क के एक पहचाने जाने योग्य उपसमूह में रहती है तो यह कहीं अधिक आसान है। यदि अलग-अलग कार्य परिवार विश्वसनीय रूप से इकाइयों की अलग-अलग आबादी की भर्ती करते हैं, तो यह लक्षित हस्तक्षेप का समर्थन करता है। यदि सब कुछ उलझा हुआ है, तो हस्तक्षेप कुंद हो जाते हैं और असंबंधित क्षमताओं को नुकसान पहुंचाते हैं। चार व्यापक संज्ञानात्मक डोमेन में स्वच्छ कार्यात्मक पृथक्करण दिखाने वाला परिणाम ट्रैक्टेबल मामले के पक्ष में एक बिंदु होगा।
वैज्ञानिक हिस्सेदारी अभिसरण ही है. मानवीय पक्ष पर, भाषा-चयनात्मक नेटवर्क और अन्य प्रकार के तर्क का समर्थन करने वाले नेटवर्क के बीच अलगाव, इस पेपर से स्वतंत्र, वर्षों से निर्मित न्यूरोइमेजिंग कार्य के एक बड़े समूह पर निर्भर करता है। यहां जो नया है वह यह दावा है कि एक पूरी तरह से अलग प्रक्रिया द्वारा प्रशिक्षित प्रणाली एक तुलनीय विभाजन पर उतरती है। यदि यह बात कायम रहती है, तो यह सबूत है कि कार्यात्मक विशेषज्ञता जैविक विकास की विचित्रताओं के बजाय समस्याओं की संरचना से प्रेरित होती है - संज्ञानात्मक विज्ञान के साथ-साथ मशीन लर्निंग में भी इसका महत्व है।
मुख्य सीमा ओवरलैप और तंत्र के बीच का अंतर है। ओवरलैपिंग न्यूरॉन्स को सक्रिय करने वाले दो कार्य यह स्थापित नहीं करते हैं कि वे न्यूरॉन्स एक मॉड्यूल लागू करते हैं, कि मॉड्यूल आवश्यक है, या कि इसे हटाने से उन कार्यों को चुनिंदा रूप से ख़राब कर दिया जाएगा। स्थापित व्याख्यात्मक कार्य ने पॉलीसिमेंटिक न्यूरॉन्स का भी दस्तावेजीकरण किया है - एकल इकाइयाँ जो कई असंबंधित संगणनाओं में भाग लेती हैं - जो न्यूरॉन को विश्लेषण की एक प्रतिस्पर्धी इकाई बनाती है। सार में "सर्किट विश्लेषण" शब्द का अर्थ अक्सर कारणात्मक हस्तक्षेप होता है, लेकिन सार पृष्ठ यह नहीं बताता कि क्या किया गया था, इसलिए साक्ष्य की ताकत का आकलन अकेले स्रोत से नहीं किया जा सकता है।
दूसरी सीमा यह है कि मानचित्रण केवल वर्गीकरण जितना ही अच्छा है। चार डोमेन और उन्हें 46 कार्यों का असाइनमेंट शोधकर्ताओं द्वारा चुने गए विकल्प हैं, जिन्हें मानव न्यूरोइमेजिंग साहित्य द्वारा सूचित किया गया है। संज्ञानात्मक कार्यों का एक अलग विभाजन एक अलग तस्वीर पेश कर सकता है कि मॉडल उन्हें कितनी सफाई से अलग करता है। इस आकार के परिणाम सतही रूप की उलझनों के प्रति भी संवेदनशील होते हैं: एक ही डोमेन में कार्य अक्सर शब्दावली, वाक्य संरचना और उत्तर प्रारूप साझा करते हैं, और ओवरलैपिंग सक्रियण साझा अमूर्त गणना के बजाय इसे प्रतिबिंबित कर सकता है।
सामान्य पाठकों के लिए, इस निष्कर्ष को इस सबूत के रूप में नहीं पढ़ा जाना चाहिए कि भाषा मॉडल लोगों की तरह सोचते हैं, जागरूक हैं, या उनमें इंसानों जैसी समझ है। दावा आंतरिक सक्रियता के सांख्यिकीय संगठन के बारे में है, न कि व्यक्तिपरक अनुभव के बारे में या इन कार्यों पर मानवीय सटीकता से मेल खाने के बारे में। एआई मार्केटिंग में मस्तिष्क उपमाओं का बड़े पैमाने पर उपयोग किया जाता है, और यह ठीक उसी प्रकार का परिणाम है जो कागज़ों की तुलना में अधिक मजबूत दावे में तब्दील हो जाता है।
इंटरैक्टिव तंत्र: यह वास्तव में कैसे काम करता है
इस विकास के पीछे अंतर्निहित प्रौद्योगिकी का अंतःक्रियात्मक रूप से अन्वेषण करें।
In AI, what are a model's "parameters"?
आगे क्या देखना है
संपूर्ण पेपर और कोड, विश्लेषण किए गए मॉडलों की पहचान और संख्या, कारण-संबंधी पृथक्करण परिणामों से पता चलता है कि एक कल्पित मॉड्यूल को नुकसान पहुंचाने से उसके डोमेन का चयनात्मक रूप से क्षरण होता है, और तुलना मानव-नेटवर्क मैपिंग की सहकर्मी समीक्षा पर निर्भर करती है।
जांचने वाली पहली चीज़ पूरा पेपर है और टिप्पणी क्षेत्र में लिंक के पीछे क्या है। विशिष्ट आइटम जो मायने रखते हैं: कौन से मॉडल का विश्लेषण किया गया और कितने, क्या वे कई परिवारों और पैरामीटर स्केल में फैले हुए हैं, 46 कार्यों की पूरी सूची, भर्ती किए गए न्यूरॉन को कॉल करने के लिए उपयोग किया जाने वाला मानदंड, और क्या कोड और डेटा जारी किया गया है ताकि अन्य लोग विश्लेषण को फिर से चला सकें। बड़े भाषा मॉडल की सामान्य संपत्ति के रूप में प्रस्तुत किए गए परिणाम को एक से अधिक मॉडल में धारण करने की आवश्यकता होती है।
दूसरा कारणात्मक साक्ष्य है। प्रेरक अनुवर्ती परीक्षण एक घाव अध्ययन है: सामाजिक-तर्क आबादी के रूप में पहचानी गई इकाइयों को दबाएं और जांचें कि क्या सामाजिक-तर्क कार्यों पर प्रदर्शन गिरता है जबकि भाषा और भौतिक-तर्क कार्य लगभग स्थिर रहते हैं। उस प्रकार के दोहरे पृथक्करण मानव तंत्रिका विज्ञान साहित्य में उपयोग किए जाने वाले मानक हैं, और उसी मानक को मॉडलों पर लागू करने से दावा विचारोत्तेजक से ठोस हो जाएगा।
तीसरा यह है कि संज्ञानात्मक विज्ञान और व्याख्यात्मकता समुदाय कैसे प्रतिक्रिया देते हैं। सहकर्मी समीक्षा मानव-नेटवर्क मैपिंग का परीक्षण करेगी, और अन्य समूह विभिन्न न्यूरॉन-चयन मानदंडों के साथ समान कार्यों का पुनर्विश्लेषण कर सकते हैं। उभरती संरचना के निष्कर्षों का एक मिश्रित ट्रैक रिकॉर्ड है: कुछ को मॉडलों में दोहराया गया है, अन्य नेटवर्क के गुणों के बजाय जांच पद्धति की कलाकृतियाँ निकले हैं।
अतिरेक पर आसन्न कार्य के साथ एक जीवंत तनाव भी है। एक अलग हालिया प्रीप्रिंट ने बताया कि मिश्रण-विशेषज्ञ मॉडल की बाद की परतें सीमित क्षति के साथ भारी विशेषज्ञ मास्किंग को सहन करती हैं - जिसके परिणामस्वरूप पता चलता है कि आंतरिक विशेषज्ञता काफी हद तक अनावश्यक हो सकती है। बड़े पैमाने पर पृथक्करण की मजबूती के साथ स्वच्छ कार्यात्मक मॉड्यूलरिटी को समेटना एक खुला प्रश्न है, और साक्ष्य की दो पंक्तियाँ एक साथ कैसे फिट होती हैं, यह इस बारे में बहुत कुछ कहेगा कि मॉड्यूलरिटी का दावा कितना भार वहन करता है।
अंत में, देखें कि क्या उस पर कुछ बनाया गया है। व्याख्यात्मक परिणाम का परीक्षण यह है कि क्या यह अभ्यास बदलता है - क्या सुरक्षा टीमें निगरानी, लक्षित अनलर्निंग या क्षमता नियंत्रण के लिए डोमेन-स्थानीयकृत संरचना का उपयोग करती हैं, या क्या यह मॉडल आंतरिक के बारे में एक वर्णनात्मक खोज बनी हुई है। स्रोत में कुछ भी कार्य से जुड़े किसी परिनियोजन, उत्पाद या उपकरण का संकेत नहीं देता है।