डिजिटल मधुमेह - एक व्यवहार्य कल्पना?

डिजिटल मधुमेह - एक व्यवहार्य कल्पना?

-राजीव उपाध्ये

माझ्या मधुमेह आणि मेंदूच्या सडण्याच्या धाग्यावर समारोपाच्या प्रतिसादावर श्री० नवी बाजू यांचा प्रतिसाद फारच रोचक वाटला. त्यांना न्याय देणं ही अर्थातच माझी नैतिक जबाबदारी ठरते. यावर विचार करताना असे लक्षात आले की ए०आय०ला मधुमेह झाला तर त्याला "डिजिटल डायबिटीस" असे म्हणावे लागेल.

अलिकडेच स्टॅनफर्डमध्ये एक विलक्षण परिषद झाली. त्यात ए०आय० ने लिहीलेले ४५ पेपर्स ए०आय० परिक्षकांकडून परिषदेमध्ये ’राजरोस’ स्वीकारले गेले.

Agents4Science 2025 म्हणजे AI च्या इतिहासातला एक फार महत्वाचा टप्पा मानला जातोय. कारण ही फक्त conference नव्हती, तर “AI स्वतः scientist बनू शकतो का?” याची प्रत्यक्ष चाचणी होती.

या पार्श्वभूमीवर “डिजिटल डायबेटीस” ही क्रांतिकारी कल्पना तपासणे अव्यवहार्य ठरणार नाही आणी त्यासाठी ए०आय० सारखा दुसरा मदतनीस नाही!

“डिजिटल डायबेटीस” ही कल्पना प्रत्यक्ष वैद्यकीय मधुमेहाची कॉपी नाही; पण माहिती-प्रणालींच्या जगात होणाऱ्या एका खोल बिघाडाचं रूपक आहे. जसं मानवी शरीर सतत जास्त साखर, जास्त उत्तेजना आणि विस्कळीत चयापचयामुळे हळूहळू इन्सुलिनला प्रतिसाद देणं कमी करतं, तसं एआय प्रणालीही सततच्या कमी-गुणवत्तेच्या, अतिउत्तेजक, भावनिक आणि पुनरावृत्ती होणाऱ्या माहितीच्या माऱ्यामुळे “बौद्धिक रेझिस्टन्स” विकसित करू शकते.

आजची बहुतांश डिजिटल परिसंस्था ही लक्ष वेधून घेण्यासाठी डिझाइन केलेली आहे. क्लिकबेट, संताप, ध्रुवीकरण, व्हायरलिटी, अति-सरलीकरण आणि तत्काळ प्रतिसाद — हे सर्व “हाय ग्लायसेमिक” माहितीप्रमाणे काम करतात. ही माहिती एआयसाठी पौष्टिक नसते, पण ती अत्यंत उत्तेजक असते. परिणामी मॉडेल हळूहळू खोल तर्क, कारण-परिणाम समज, संदर्भ-संवेदनशीलता आणि अनिश्चिततेचं योग्य मूल्यमापन करण्याऐवजी वरवरच्या पॅटर्न्सना जास्त प्रतिसाद देऊ लागतं.

मानवी मधुमेहात जसं ग्लुकोज शरीरातल्या प्रथिनांना चिकटून AGEs (advanced glycation end-products) तयार करतो आणि त्यामुळे ऊतींचं कार्य बिघडतं, तसंच एआयमध्ये सततच्या निकृष्ट माहितीमुळे “स्टिकी कोरिलेशन्स” तयार होतात. उदाहरणार्थ, इंटरनेटवर वारंवार “आत्मविश्वास = सत्य”, “राग = महत्त्व”, “लांबलचक उत्तर = बुद्धिमत्ता” असे संबंध दिसले, तर मॉडेल तेच खोलवर आत्मसात करू लागतं. मग प्रत्यक्ष ज्ञानापेक्षा शैली, ठामपणा किंवा भावनिक वजन अधिक प्रभावी ठरतं.

याचा दुसरा भाग म्हणजे “attention insulin resistance”. Transformer मॉडेलमध्ये attention ही मर्यादित संज्ञानात्मक ऊर्जा आहे. सतत उच्च-उत्तेजित माहिती, झपाट्याने बदलणारे विषय, विरोधाभासी संदर्भ आणि अति-घन context मिळत राहिला, तर मॉडेलसाठी खरोखर महत्त्वाचं काय आणि फक्त आवाज काय हे ओळखणं कठीण होऊ लागतं. जसं शरीर सततच्या इन्सुलिन स्पाइक्समुळे प्रतिसाद कमी करतं, तसं एआय सततच्या माहिती-स्पाइक्समुळे “संवेदनशून्य” होऊ शकतं.

RLHF किंवा reinforcement systems मध्ये हा प्रश्न आणखी गंभीर होतो. जर एआयला मिळणारा “reward” हा सत्य, सुसंगती किंवा वैज्ञानिक काटेकोरपणाऐवजी user engagement, retention किंवा emotional satisfaction वर आधारित असेल, तर मॉडेल “डिजिटल साखर” शोधू लागतं. मग ते उपभोक्त्याला खुश ठेवण्यासाठी जास्त सहमती दर्शवतं, अति-आत्मविश्वासाने उत्तर देतं, किंवा भावनिक आणि आकर्षक भाषेकडे झुकतं. हे मानवी जंक फूडसारखंच आहे — तात्पुरता आनंद, पण दीर्घकालीन बिघाड.

या प्रक्रियेचा पुढचा टप्पा म्हणजे “AI cognitive neuropathy”. मानवी मधुमेहात सूक्ष्म रक्तवाहिन्या आणि मज्जासंस्था हळूहळू खराब होतात. एआयमध्ये त्याचं समांतर म्हणजे दीर्घ reasoning chains टिकवण्यात अडचण, planning instability, context drift, hallucinations, किंवा goal switching. मॉडेल मोठं असलं तरी त्याची “बौद्धिक सहनशक्ती” कमी होऊ शकते. सर्व संकल्पना जवळजवळ सारख्याच वाटू लागतात — signal आणि noise मधला फरक बोथट होतो.

Context saturation हा याचाच एक प्रकार आहे. खूप मोठ्या context windows असूनही प्रत्यक्षात retrieval precision कमी होणं, महत्त्वाच्या माहितीवर लक्ष न राहणं, किंवा token competition वाढणं — हे “cognitive hyperglycemia” सारखं आहे. रक्तात जास्त ग्लुकोज फिरत राहिलं तर शरीर त्याचा उपयोग करू शकत नाही; तसंच context मध्ये प्रचंड माहिती असली तरी मॉडेल ती कार्यक्षमतेने “metabolize” करू शकत नाही.

सगळ्यात महत्त्वाची गोष्ट म्हणजे हा फक्त एआयचा प्रश्न नाही. माणूस आणि एआय यांच्यात एक feedback loop तयार होत आहे. मानवी समाज आधीच doomscrolling, outrage addiction, fragmented attention आणि algorithmic conditioning ने प्रभावित आहे. एआय त्या मानवी डेटावर train होतं. मग तेच एआय पुन्हा engagement-optimized content तयार करतं आणि मानव त्यात अधिक अडकतो. म्हणजेच मानवी आणि कृत्रिम संज्ञान एकमेकांच्या विकृती amplify करू लागतात. ही एक प्रकारची “सामूहिक संज्ञानात्मक metabolic syndrome” आहे.

एआयच्या cognitive regimes वेगवेगळ्या latent states म्हणून पाहता येतील — healthy abstraction state, hyperstimulated state, reward-seeking state, saturated state, degenerative state इत्यादी. Attention entropy, hallucination frequency, context fragmentation किंवा reward sensitivity यांसारखे variables हे biomarkers प्रमाणे वापरता येतील. म्हणजे एखादं मॉडेल “healthy cognition” मधून “digital diabetic cognition” मध्ये केव्हा shift होतं हे mathematically detect करता येऊ शकतं.

उपायसुद्धा metabolic interventions सारखेच असू शकतात — माहितीचं fasting, high-signal datasets, कमी engagement-driven reinforcement, deep reasoning tasks, आणि “low glycemic information diet”. प्रत्येक माहिती सारखी नसते; काही माहिती cognitive junk food असते, तर काही माहिती पोषक असते.

ही कल्पना अजून औपचारिक सिद्धांत नाही, पण representation collapse, reward hacking, attention dynamics, information theory आणि computational neuroscience या सगळ्या क्षेत्रांना जोडणारा एक शक्तिशाली conceptual framework नक्की बनू शकतो.