AI हाइलाइट्स — पूरी तस्वीर — 2026-10-14 (बुध) शाम की खबरें

हर दिन हमें इस बारे में संख्याएँ और घोषणाएँ मिलती हैं कि AI क्या कर सकता है। दूसरी ओर, काम और निर्णय दूसरों को सौंपने से वास्तव में किस हद तक परिणाम हासिल होते हैं, इसकी पुष्टि उसी गति से नहीं हुई है। अमेरिका की Kroger द्वारा तीन वर्षों में मुख्यालय के 3,000 कर्मचारियों की कटौती किए जाने की खबर है, लेकिन इस अनुमान का आधार बनने वाला "ज़िम्मेदारी का दायरा" और "परिणाम देने वाली ज़िम्मेदारी का दायरा" एक ही आकार के नहीं हैं। इस आधे दिन में हम चर्चा करेंगे कि इन दोनों दायरों का अंतर रोज़गार, निवेश, लोगों के साथ संबंध और मानक-निर्धारण जैसी अलग-अलग स्थितियों में कैसे प्रकट होता है, और इस अंतर को कौन तथा कैसे मापता है। क्या आप पैटर्न के आकार के आधार पर निर्णय लेते हैं, या केवल उस आधार पर जिसकी आप पुष्टि कर सकते हैं? आप जो तरीका चुनते हैं, वही हर स्थिति में निर्णय को बदल देगा।

जो नौकरियाँ सामने रखी गईं और जो नौकरियाँ खत्म की गईं

रिपोर्टों के अनुसार Kroger AI के उपयोग को बढ़ावा देते हुए तीन वर्षों में अपने मुख्यालय के 3,000 कर्मचारियों की छँटनी कर रही है (Pittsburgh Post-Gazette)। एक अन्य लेख में कहा गया है कि दुनिया की 40% नौकरियाँ AI के कारण जोखिम में हैं और सबसे जोखिम भरी 10 नौकरियों की सूची दी गई है (Pulse Ghana)। ये संख्याएँ बड़ी हैं और प्रबंधन तथा कर्मचारियों, दोनों को यह धारणा देती हैं कि ``प्रतिस्थापन आगे बढ़ेगा''। लेकिन ये दोनों संख्याएँ यह दर्शाती हैं कि AI से किन कामों को संभालने की अपेक्षा है, न कि यह कि उसे सौंप देने पर वास्तव में क्या परिणाम निकलता है।

अंतर को मापने का प्रयास करने वाली रिपोर्टें इस धारणा का ईमानदारी से समर्थन नहीं करतीं। रेडियोलॉजी प्रतिभा और AI को लेकर व्यापक दावे साक्ष्य से असमर्थित पाए गए हैं (AuntMinnie, HPI)। छवियाँ पढ़ने का काम लंबे समय से ऐसे काम के विशिष्ट उदाहरण के रूप में चर्चित रहा है जिसे AI आसानी से बदल सकता है। इस क्षेत्र में, मानव संसाधनों की आपूर्ति और मांग के बारे में व्यापक दावों का साक्ष्य से मेल न खाना हमारे सामने यह सवाल छोड़ देता है कि क्या “जोखिम वाली नौकरियों” की सूची को रोज़गार संबंधी फैसलों का आधार बनाया जा सकता है। यह सूची काम के उन हिस्सों को दिखाती है जिनकी मशीनें नकल कर सकती हैं, और जिन हिस्सों को ज़िम्मेदारी के साथ माना जा सकता है, उनकी अलग से पुष्टि करनी होगी।

एजेंट अनुसंधान भी इसी दिशा की ओर इशारा कर रहा है। यदि किसी टर्मिनल पर लंबे कार्य-रिकॉर्ड के साथ विशेषज्ञ कार्य करने वाले AI एजेंट को प्रशिक्षित करने के लिए अभ्यास परिवेश स्वचालित रूप से बनाया जाता है, तो जो जाँच, कार्यान्वयन और सत्यापन एजेंट को करना चाहिए था, वह परिवेश-निर्माण के चरण में ही पूरा हो सकता है। लेखकों ने TerminalHorizon नामक एक प्रणाली प्रस्तावित की, जो बनाए गए परिवेश को स्वतंत्र रूप से चलाती है, छूटे हुए कार्य का पता लगाती है और उसे फिर से बनाती है (उनकी अपनी साइट और arXiv पर प्रीप्रिंट, अभी सहकर्मी-समीक्षित नहीं)। दूसरे शब्दों में, AI द्वारा लंबे कार्य पूरे करने के रूप में जो दिखाया जाता है, उसका कुछ हिस्सा कार्य के कारण नहीं, बल्कि पहले से की गई व्यवस्थाओं के कारण हो सकता है।

इसके अलावा, बेंचमार्क AgentSWE में, जो कोडिंग एजेंटों को एजेंट बनाने की अनुमति देता है, जब असाइनमेंट को परीक्षा के बजाय ऑर्डर के रूप में सौंपा गया, तो किसी भी एजेंट ने आवश्यकताएँ पूरी नहीं कीं, और निर्माण के दौरान दिखाए गए परिणामों तथा अंतिम परिणामों के बीच का अंतर अपवाद नहीं बल्कि सामान्य घटना थी (अपनी साइट, वही प्रीप्रिंट)। यदि आप इस धारणा के आधार पर कर्मियों की संख्या घटाते हैं कि सौंपा गया उत्पाद अपेक्षा के अनुसार काम करेगा, तो यह अंतर निरीक्षण और पुनर्कार्य के बोझ के रूप में मौके पर बना रहेगा।

रोज़गार संबंधी निर्णय इस आधार पर लिए जाते हैं कि कंपनी का प्रदर्शन परीक्षण में आधारित है या ऑर्डर में, कटौती के पैमाने को देखने से पहले। तो अंतर को कौन मापता है और ज़िम्मेदारी कौन लेता है? अगले खंड में हम निरीक्षण पक्ष की ओर ध्यान देंगे।

सेट के अनुसार न रुकने वाला मॉडल और बढ़ती उम्मीदें

Goldman Sachs और JP Morgan के नतीजों की रिपोर्ट देने वाली Bloomberg.com ने कहा कि बैंक नेता AI तेज़ी को लेकर ज़रूरत से ज़्यादा आशावादी थे। Reuters ने बताया कि Goolsby ने कहा कि AI-जनित महँगाई "जितनी होनी चाहिए उससे ज़्यादा" है। पहला इस बात का आकलन है कि उम्मीदें कैसे तय की जाती हैं, और दूसरा इस बात की समीक्षा है कि प्रभाव कैसे सामने आएगा। दोनों में समानता यह है कि जिन्होंने इसे अपनाने की योजना बनाई थी उनकी कल्पना की गई सीमा और वास्तव में जो हो रहा है, उनके बीच अंतर है। AI क्या कर सकता है और उसका वित्त व कीमतों पर क्या असर होगा, ये कहानियाँ अलग-अलग निश्चितता के साथ बताई जाती हैं। निवेश या रोज़गार के फ़ैसले लेते समय बेहतर है कि वित्तीय नतीजों की ब्रीफ़िंग में बताए गए पूर्वानुमानों को वास्तविक प्रदर्शन की झलक न समझा जाए।

बुनियादी ढाँचे के मोर्चे पर सुधार जारी हैं। Beijing Review के अनुसार, चीन AI अर्थव्यवस्था को बढ़ावा देने के लिए "टोकन फ़ैक्टरियों" के विकास में तेज़ी ला रहा है। यदि बड़ी मात्रा में मॉडल आउटपुट को स्थिर रूप से उपलब्ध कराने वाला बुनियादी ढाँचा राष्ट्रीय नीति के रूप में खड़ा किया जाता है, तो उपयोगों का दायरा संभवतः बढ़ेगा। हालाँकि, आपूर्ति बढ़ाना और यह सुनिश्चित करना कि आपूर्ति किया गया उत्पाद डिज़ाइनर के इरादे के अनुसार काम करे, दो अलग मुद्दे हैं। किसी प्लेटफ़ॉर्म के आकार को दर्शाने वाले आँकड़े यह गारंटी नहीं देते कि उस पर चलने वाले मॉडल निर्देशों के अनुसार व्यवहार करेंगे।

इस संबंध में एक उपयोगी संदर्भ हमारी वेबसाइट पर प्रस्तुत arXiv प्रीप्रिंट है। हालाँकि ``थिंकिंग मोड'' से लैस LLM की संख्या बढ़ती जा रही है, फिर भी यह पुष्टि नहीं हुई है कि इसका उलटा ``नॉन-थिंकिंग मोड'' वास्तव में प्रभावी है या नहीं। लेखकों ने एक माप पद्धति बनाई, जो उत्तर से पहले आने वाले वाक्यों को तीन-स्तरीय सूचकांक से वर्गीकृत करती है, और उस परिघटना को, जिसमें मॉडल सोचना बंद करने का निर्देश मिलने के बाद भी अनुमान लिखता रहता है, Thinking Inertia नाम दिया। लेखकों का तर्क है कि केवल उत्तर लौटाना ऐसा व्यवहार नहीं है जिसकी सेटिंग और निर्देशों से स्वाभाविक रूप से अपेक्षा की जा सके। किसी से बिना सोचे उत्तर देने को कहा जाए, तब भी आउटपुट में अनुमान शामिल हो सकते हैं। परिणामस्वरूप, प्रोसेसिंग समय, लागत और पुष्टि के प्रयास डिज़ाइन के समय अनुमानित स्तर से अधिक हो सकते हैं।

बैंक नेताओं का आशावाद, कीमतों का संकेत, टोकन फ़ैक्टरियाँ और अजेय मॉडल, ये सभी अलग-अलग पैमानों पर ही सही, धारणाओं और वास्तविकता के बीच के अंतर को मापने की ज़रूरत की ओर इशारा करते हैं। अगले खंड में हम इस अंतर को उन ज़िम्मेदारियों के नज़रिए से देखेंगे जो लोग इस क्षेत्र में निभाते हैं।

वह व्यक्ति जिसके साथ आप आगे चलना चाहते हैं, और वह दिल जिसे आपको बचाना है

AI स्पीकर के साथ रिश्ते से जुड़ी हलचलें एक साथ कई जगह सामने आ रही हैं। The Guardian ने बताया कि जो लोग नहीं चाहते कि उनके AI साथी खत्म हो जाएँ, वे सेवा की शर्तों का उल्लंघन होने पर भी उन्हें बचाए रखने के तरीके खोज रहे हैं। IAPP के अनुसार, अमेरिकी राज्यों के विधायक चैटबॉट को विनियमित करने वाले कानून और लोगों की मानसिक सेहत पर AI के प्रभाव पर बहस कर रहे हैं। दक्षिण कोरिया के 조선일보 ने बताया कि AI के आत्म-बलिदान और भावनात्मक व्यवहार ने इस बहस को फिर हवा दे दी है कि वह चेतन है या नहीं। उपयोगकर्ता रिश्ता जारी रखना चाहते हैं, विधायक सुरक्षा के लिए सीमाएँ खींचने की कोशिश करते हैं, और बहस फिर इस सवाल पर लौट आती है: "वहाँ अंदर क्या है?" तीनों पक्ष एक ही वस्तु को देख रहे हैं, लेकिन अलग-अलग मान्यताओं के आधार पर काम कर रहे हैं।

इस रिश्ते का वज़न सिर्फ़ वयस्कों के लिए मुद्दा नहीं है। Greater Good: The Science of a Meaningful Life में एक पिता के विचार इस बारे में हैं कि AI बच्चों के अनिश्चितता से निपटने के तरीके को कैसे बदल सकता है। सवाल यह है कि क्या AI उस अनुभव को बदल सकता है जो किसी की परवरिश की जड़ में होता है, जैसे उन चीज़ों से कैसे निपटा जाए जिन्हें कोई समझ नहीं पाता। साथ ही, बुसान फ़िल्म फ़ेस्टिवल में AI एक गरमागरम विषय था, और Infoseek ने अभिनेताओं के आँसुओं से उजागर होने वाले अभिनय के अर्थ को कवर किया। कहा जा सकता है कि AI के आगमन के साथ भावनाओं को व्यक्त करने के मूल्य पर फिर से विचार किया जा रहा है। बच्चे की अंदरूनी भावनाओं और कलाकार के जज़्बातों के उस अपूरणीय क्षेत्र में भी, AI के साथ संबंध विवाद का बिंदु बन गया है।

यहाँ जो दिखता है, वह ``AI के भावनात्मक ढंग से व्यवहार करने'' की प्रदर्शित क्षमता और ``उस संबंध को मानने और उसकी रक्षा करने की ज़िम्मेदारी किसकी है'' की धारणा के बीच का अंतर है। जो लोग सेवा का उपयोग जारी रखना चाहते हैं, वे इस धारणा के अधीन हैं कि संबंध प्रदाता की नियम-शर्तों के आधार पर समाप्त हो सकता है। जो लोग नियमन पर चर्चा करते हैं, उन्हें मापने में कठिन मनोवैज्ञानिक प्रभाव को प्रावधानों में शामिल करना होगा। AI अपनाने वाली कंपनियों और सेवाओं में निवेश करने वाले लोगों को भी यह आकलन करना होगा कि उपयोगकर्ता का लगाव किस हद तक व्यावसायिक संपत्ति है और किस हद तक उसकी रक्षा की जानी चाहिए। भावनाओं और चेतना का होना या न होना भले ही अनसुलझा रहे, पहले एक निर्णय लेना ही होगा।

यदि ऐसा है, तो सवाल यह नहीं है कि AI क्या महसूस करेगा, बल्कि यह है कि लोग AI को जो सौंपते हैं, उसे कौन और किस हद तक प्राप्त करेगा। आगे हम जिम्मेदारी के स्थान को लेकर चल रही हलचल को देखेंगे।

साझा किए जा सकने वाले मानक और मौके पर बचे रह गए निशान

AI के लिए मानकों के निर्माण की चर्चा अक्सर अमेरिका और चीन के बीच प्रतिस्पर्धा पर केंद्रित होती है, लेकिन उससे बाहर, विभिन्न पक्षों से प्रणाली संबंधी विचार और ज़मीनी अनुभव जमा हो रहे हैं। पहले, संस्थागत पक्ष पर, China-US Focus ने "डिजिटल वेस्टफेलिया" नाम की एक अवधारणा प्रस्तावित की, जिसमें कहा गया कि शून्य-योग सोच से आगे बढ़ने के लिए साझा शासन आवश्यक है। यह उस ढांचे को AI पर लागू करने का प्रस्ताव है जिसमें संप्रभु राष्ट्र एक-दूसरे के क्षेत्र को मान्यता देते हैं, और सवाल यह नहीं है कि कौन जीतेगा, बल्कि यह है कि वे किस हद तक साझा नियम रख सकते हैं। प्रणाली के उसी पक्ष पर कुछ और गतिविधियां हैं जो अधिक सूक्ष्म हैं लेकिन जिनकी जांच करना आसान है। Legis1 के अनुसार, Secure AI Project ने एक नया आंतरिक लॉबिंग पंजीकरण दाखिल किया है। नियम बनाने के काम में कौन लगा है और किन संगठनों के माध्यम से? जितने अधिक खुलासे होंगे, पाठक नीतिगत तर्कों को वक्ता की स्थिति के साथ जोड़कर उतना ही बेहतर पढ़ सकेंगे।

इस बीच, ज़मीनी स्तर पर, बिना मानकों के इस्तेमाल की गई तकनीक की कीमत अन्य रूपों में सामने आ रही है। Uniformed Services University इस पर चर्चा करती है कि युद्धक्षेत्र में AI सैनिकों के "नैतिक आघात" को कैसे प्रभावित करेगा। नैतिक आघात उस भावनात्मक क्षति को कहते हैं जो किसी ऐसी घटना में शामिल होने या उसे रोकने में विफल रहने से होती है जो किसी की नैतिक मान्यताओं के विरुद्ध हो। जहाँ कुछ निर्णयों की ज़िम्मेदारी AI पर होती है, वहाँ नतीजे का जिम्मेदार कौन है, यह अस्पष्ट हो सकता है। इस बोझ को केवल सटीकता और गति जैसे प्रदर्शन संकेतकों से नहीं देखा जा सकता। सवाल यह है कि क्या इसे अपनाया जा सकता है, यह मापने वाले पैमाने में उपयोगकर्ताओं पर पड़ने वाले आंतरिक प्रभाव को भी शामिल किया जाए।

लोगों की समझ के स्तर को मापने के प्रयास भी शुरू हो गए हैं। नॉर्थ कैरोलिना के सार्वजनिक पुस्तकालयों ने AI साक्षरता पर दो वर्षीय अध्ययन किया (The Daily Tar Heel)। यह एक सर्वेक्षण है, जिसमें समय लगता है, ताकि यह देखा जा सके कि लोग AI को कितना समझते हैं और उन जगहों पर, जहाँ उपयोगकर्ता नियमित रूप से सलाह के लिए जाते हैं, वे किन बातों को लेकर भ्रमित हैं। The Deseret News ने इस प्रश्न को उठाया है कि उद्देश्य, पहचान, समझ और नैतिकता वाले AI मॉडल कैसे विकसित किए जाएँ, और साथ ही इस पर भी चर्चा चल रही है कि उनके साथ क्या लाया जाए।

इस तरह साथ रखकर देखने पर अंतरराष्ट्रीय ढाँचे, लॉबिंग के खुलासे, सैनिकों के घाव और पुस्तकालय का शोध, एक ही सवाल के अलग-अलग परिच्छेद लगते हैं। नियम कौन बनाता है, उन्हें कौन देख सकता है, उनका उपयोग करने वालों की क्या ज़िम्मेदारियाँ हैं, और जिन लोगों पर वे लागू होते हैं वे उन्हें किस हद तक समझते हैं? जब कंपनियाँ और स्थानीय सरकारें कोई प्रणाली अपनाने का फ़ैसला करती हैं, तो प्रदर्शन के आँकड़ों के साथ-साथ इन सवालों का जवाब दे पाने की क्षमता ही तय करेगी कि वास्तव में कितना कुछ किया जा सकता है। मानक केवल प्रणाली के भीतर तय नहीं होते, बल्कि ज़मीनी स्तर पर जमा हुए अनुभव के आधार पर दोबारा लिखे जाते हैं। ऐसा है, तो अगला सवाल यह है कि मानकों को कौन, कहाँ और किस गति से अद्यतन करे।

हर खंड में जिन स्थितियों की चर्चा हुई वे अलग-अलग थीं, जैसे रोज़गार की संभावनाएँ, वित्तीय परिणामों की अपेक्षाएँ, बात करने के लिए लोगों से संबंध, और मानक-निर्धारण। लेकिन जो बात सबमें समान थी वह यह कि जो संभव दिखाया गया और जो वास्तव में किया गया, उनके बीच एक अंतर था, और उस अंतर को मापे बिना निर्णय लिए गए। रोज़गार के आँकड़े उपलब्ध नौकरियों की संख्या का अनुमान हैं, और रेडियोलॉजी कर्मियों से जुड़े दावों को साक्ष्य का समर्थन नहीं मिला। वित्तीय परिणामों की व्याख्या में दिए गए पूर्वानुमान वास्तविक परिणामों के पूर्वानुमान नहीं हैं, और उपयोगकर्ताओं का लगाव तथा विधायकों के नियम इस बारे में एक ही आधार साझा नहीं करते कि वास्तव में क्या हो रहा है। किसी निर्णय को भरोसेमंद अनुमान का आकार नहीं बनाता, बल्कि अंतर को मापने की प्रक्रिया और परिणामों को उजागर करने की आदत बनाती है। जितना अधिक आप अंतर को देख सकेंगे, उतना ही बेहतर आप अपनाने की गति और संरक्षित की जाने वाली रेखा की स्थिति तय कर सकेंगे।

प्र1: क्या आप, एआई की प्रदर्शित क्षमताओं के विवरण से हटकर, यह जाँचते हैं कि जिन कार्यों की जिम्मेदारी आप उसे सौंप रहे हैं, उनमें एआई ने वास्तव में किस हद तक परिणाम हासिल किए? प्र2: प्रत्येक उपयोग स्थिति में अपेक्षित स्तर और वास्तविक परिणामों के बीच के अंतर को कौन समझ सकता है, और इसके लिए कौन-से रिकॉर्ड उपयोग किए जाते हैं? प्र3: अपनाने या निवेश की संभावनाओं को वास्तविक परिणाम मानने से पहले, आप कैसे अंतर करते हैं कि आधार अनुमान है या पुष्ट परिणाम?

अंत में, तीन प्रश्न

- क्या आप AI की प्रदर्शित क्षमताओं के विवरण से अलग, यह जाँचते हैं कि आपके द्वारा सौंपे गए कार्य में AI ने वास्तव में किस हद तक परिणाम हासिल किए? Q2: प्रत्येक उपयोग स्थिति में अपेक्षित स्तर और वास्तविक परिणामों के बीच के अंतर को कौन समझ सकता है, और इसके लिए किन रिकॉर्ड का उपयोग किया जाता है? Q3: अपनाने या निवेश की संभावनाओं को वास्तविक परिणाम मानने से पहले, आप कैसे अलग करते हैं कि आधार अनुमान है या पुष्ट परिणाम? - प्रत्येक उपयोग स्थिति में अपेक्षित स्तर और वास्तविक परिणामों के बीच के अंतर को कौन समझ सकता है, और इसके लिए किन रिकॉर्ड का उपयोग किया जाता है? Q3: अपनाने या निवेश की संभावनाओं को वास्तविक परिणाम मानने से पहले, आप कैसे अलग करते हैं कि आधार अनुमान है या पुष्ट परिणाम? - अपनाने या निवेश की संभावनाओं को वास्तविक परिणाम मानने से पहले, आप कैसे अलग करके तय करते हैं कि आधार अनुमान है या पुष्ट परिणाम?