AI हाइलाइट्स — पूरी तस्वीर — 2026-10-16 (शुक्र) शाम की खबरें

सुर्खियों में जब कटौती की घोषणाएँ और बाज़ार की चिंता एक ही दिन साथ-साथ दिखती हैं, तो ऐसा लगता है कि AI नौकरियों और अर्थव्यवस्था को नीचे खींच रहा है। उदाहरण के लिए, CWT Italy ने 190 नौकरियों में कटौती की है, और CNBC की रिपोर्ट है कि Wall Street पर AI को लेकर चिंताएँ फिर भड़क उठी हैं। इसी बीच, JPMorgan का अनुमान है कि Alphabet के शेयर में 24% बढ़त की संभावना है। केवल सुर्खियों से अलग-अलग कटौतियों के कारण या बाज़ार के नज़रिए की दिशा तय नहीं होती। इस आधे दिन में मैं यह जानना चाहता हूँ कि तकनीक को अपनाने को सुर्खियों का उत्साह प्रभावित करता है, या फिर बुनियादी ढाँचा, जैसे पुनःप्रशिक्षण की व्यवस्थाएँ, मूल्यांकन और नियामक प्रणालियाँ, और कार्यस्थल पर इसे भरोसेमंद ढंग से इस्तेमाल करने का तरीका। नीचे, हम हर खंड की सामग्री के आधार पर इन तीनों क्षेत्रों की वास्तविक प्रगति देखेंगे।

सुर्खियों में छंटनी और अर्थव्यवस्था की वास्तविक तस्वीर के बीच अंतर

रिपोर्ट किया गया कि CWT Italy ने 190 नौकरियों में कटौती करने का फैसला किया है और AI को लेकर बहस तेज़ हो रही है (Business Travel News Europe)। वीडियो वितरण कंपनी Netflix ने भी छंटनी की घोषणा की, और CNBC की ``सुबह देखने लायक 5 बातें'' के अनुसार Wall Street में AI को लेकर चिंताएँ फिर से भड़क रही हैं (CNBC)। जब कटौती की घोषणाएँ और बाज़ार की चिंता एक ही दिन की सुर्खियों में साथ दिखती हैं, तो ऐसा लगता है कि AI सीधे रोज़गार और अर्थव्यवस्था को नीचे ला रहा है। हालाँकि, सामग्री से हम केवल यह पुष्टि कर सकते हैं कि कटौती और AI से जुड़ी चर्चाएँ एक साथ हो रही हैं। सुर्खियों से यह स्पष्ट नहीं है कि अलग-अलग कटौतियाँ AI के कारण हैं या अन्य परिस्थितियों के कारण।

दूसरी ओर, बाज़ार का नज़रिया एकतरफ़ा नहीं है। JPMorgan का अनुमान है कि Alphabet के शेयर में 24% की बढ़त की संभावना है (Barron's)। जहाँ AI को लेकर चिंताओं की चर्चा हो रही है, वहीं AI से जुड़ी प्रमुख कंपनियों के शेयर भावों के लिए तेज़ी के अनुमान भी लगाए जा रहे हैं। राज्य वित्त के मामले में, न्यूयॉर्क राज्य के बजट निदेशक ने चेतावनी दी है कि संघीय कदम और AI में सुस्ती राज्य के वित्त को नुकसान पहुँचाएंगे (POLITICO Pro)। यानी एक ही समय में कुछ आवाज़ें AI को चिंता का कारण बता रही हैं, कुछ इसे विकास की गुंजाइश का प्रमाण मान रही हैं, और कुछ इसे सार्वजनिक वित्त पर नीचे की ओर दबाव के रूप में देख रही हैं।

इन परिस्थितियों में, शिकागो के फ़ेडरल रिज़र्व बैंक के अध्यक्ष ने कहा, ``AI के बिना भी अर्थव्यवस्था मंदी में नहीं है'' (Yahoo Finance)। यह बयान दिखाता है कि हमें AI की मौजूदगी या अनुपस्थिति से स्वतंत्र रूप से अर्थव्यवस्था की स्थिति को देखना चाहिए। केवल छंटनी की संख्या या शेयरों की कीमतों में उतार-चढ़ाव से अर्थव्यवस्था का आकलन करने पर AI के प्रभाव को ज़रूरत से ज़्यादा या कम आँका जा सकता है। गवर्नर की टिप्पणी अर्थव्यवस्था को देखने का सिर्फ़ एक नज़रिया है, और यह कटौतियों या चिंताओं की रिपोर्टों को ख़ारिज नहीं करती। फिर भी, यह सुर्खियों में बनी धारणाओं को अर्थव्यवस्था की वास्तविक स्थिति से अलग करने का एक मानक बन सकती है।

निवेश संबंधी निर्णयों को प्रभावित करने के संदर्भ में, बताया गया है कि CNH द्वारा AI-युक्त कृषि मशीनरी को बेहतर बनाने का भी निर्णयों पर असर पड़ सकता है (Yahoo Finance)। यहाँ AI छंटनी के कारण के रूप में नहीं, बल्कि उत्पाद के मूल तत्व के रूप में सामने आता है। जहाँ सुर्खियाँ कटौती और शेयर कीमतों पर केंद्रित हैं, वहीं कंपनियाँ वास्तव में किस चीज़ में निवेश कर रही हैं, वह कहीं और दिखाई देता है। ऐसे समय में जब AI को लेकर धारणाएँ बँटी हुई हैं, पाठक यह नहीं जानना चाहते कि इसे लेकर कितना शोर मचाया जा रहा है, बल्कि यह जानना चाहते हैं कि ज़मीनी स्तर पर इसका कार्यान्वयन किस रूप में हो रहा है। अगले खंड में हम उस बुनियादी ढाँचे को देखेंगे जो इसके अपनाए जाने को सहारा देता है।

लोगों का पालन-पोषण करने वालों के लिए तैयारी

छंटनी की सुर्खियों के बावजूद, कंपनियाँ और उद्योग संगठन तैनाती से पहले लोगों को प्रशिक्षित करने की तैयारी कर रहे हैं। TechBullion के अनुसार Mohammed Shahin AI की शुरुआत के लिए मानव संसाधन विकसित करने के साधन के रूप में रीस्किलिंग और HR रणनीतियों की वकालत करते हैं। यहाँ आधार यह है कि AI लागू करने से पहले HR को यह तय करना चाहिए कि मौजूदा कर्मचारी उसका उपयोग कैसे और किन कार्यों में करेंगे। नर्सिंग केयर क्षेत्र में भी ऐसा ही चलन दिख रहा है। AHCA/NCAL ने AI मानव संसाधन विषय पर एक वेबिनार की घोषणा की है। कार्यक्रम की तारीख बाद में बताई जाएगी, और अभी हम केवल इतना पुष्टि कर सकते हैं कि नर्सिंग केयर उद्योग संगठनों ने AI को मानव संसाधन के मुद्दे के रूप में देखना शुरू कर दिया है।

शिक्षा के क्षेत्र में भी हलचल है। Oracle Blogs के अनुसार, Oracle Academy ने भारत के राष्ट्रीय शिक्षा सम्मेलन में AI पाठ्यक्रम को अपनाने की पैरवी की। जहाँ कॉर्पोरेट पुनः-प्रशिक्षण मौजूदा कर्मचारियों को लक्षित करता है, वहीं यह एक ऐसी पहल है जो शैक्षिक पाठ्यक्रम के चरण से ही सीखी गई सामग्री को शामिल करती है। दूसरी पहल Polytechnic University of Valencia (UPV) की है। विश्वविद्यालय ने एक ऐसा AI विकसित किया है जो सोशल मीडिया वीडियो में लैंगिक भेदभाव का पता लगाता है। यह लोगों को प्रशिक्षित करने की कहानी नहीं है, बल्कि AI द्वारा संभाली जाने वाली सामग्री में पूर्वाग्रह खोजने की कहानी है। फिर भी, शुरुआत से पहले निष्पक्षता की पुष्टि करने वाली व्यवस्था तैयार करने के लिहाज़ से, यह मानव संसाधन विकास की ही दिशा में बढ़ रही है।

साथ-साथ पढ़ने पर स्पष्ट होता है कि कटौती पर बहस और पूर्वाग्रह के निवारण व सुधार पर बहस अलग-अलग जगहों पर चल रही हैं। जहाँ कटौती वाली सुर्खियाँ इस पर केंद्रित हैं कि AI कितनी नौकरियों की जगह लेगा, वहीं Shahin का पुनःप्रशिक्षण सिद्धांत, AHCA/NCAL वेबिनार, Oracle Academy का पाठ्यक्रम समर्थन और UPV का डिटेक्शन AI इस पर बात करते हैं कि प्रतिस्थापन होने से पहले किस चीज़ की तैयारी करनी चाहिए। पाठक यह देखना चाहता है कि जो संगठन AI को अपनाने की बात कर रहा है, क्या वह प्रशिक्षण योजना, मानव संसाधनों के पुनर्आवंटन और आउटपुट में पूर्वाग्रह जाँचने का तरीका भी बताता है। इन तैयारियों का होना या न होना, सुर्खियों के आँकड़ों से कहीं अधिक, लागू करने के नतीजे को प्रभावित कर सकता है।

जहाँ तैयारियाँ लोगों और निष्पक्षता पर केंद्रित हैं, वहीं AI द्वारा दिए गए उत्तरों को सत्यापित और विनियमित करने की व्यवस्थाओं पर भी सवाल उठ रहे हैं। अगले खंड में हम सत्यापन और विनियमन से जुड़ी हलचल देखेंगे।

मूल्यांकन और संवाद के जरिए सुरक्षा को जोड़ने वाला एक ढांचा

बाहरी मूल्यांकन और अंतरराष्ट्रीय संवाद के ज़रिए खतरनाक AI के विरुद्ध तैयारी को समर्थन देने की एक मुहिम जारी है। Nvidia के CEO ने खतरनाक AI को लेकर अमेरिका और चीन के बीच संवाद का आह्वान किया (Cheddar)। Anthropic ने रेटिंग एजेंसी METR को कर्मचारी-स्तर की पहुँच दी है, जिससे वह अत्याधुनिक मॉडलों का मूल्यांकन कर सके (TradingView)। पहला देशों के बीच चर्चा के मंच की मांग है, जबकि दूसरा एक परिचालन बदलाव है जो तीसरे पक्षों को डेवलपर के भीतर जैसी परिस्थितियों में मॉडल की जांच करने देता है। जितना रिपोर्ट किया गया है, उसके अनुसार किसी भी पक्ष के विशिष्ट समझौते का ब्योरा ज्ञात नहीं है। फिर भी देखा जा सकता है कि तैयारी पर ध्यान केवल हर कंपनी की स्वयं-रिपोर्टिंग तक सीमित नहीं है, बल्कि बाहरी मूल्यांकन और संवाद तक भी फैला है।

यह दिशा शोधकर्ताओं की रुचियों से भी मेल खाती है। हमारी साइट पर प्रस्तुत तीनों प्रीप्रिंट की अभी सहकर्मी समीक्षा (peer review) नहीं हुई है, और मूल जानकारी arXiv पर प्रकाशित है। पहला X-Ragent है, जो चेस्ट एक्स-रे की व्याख्या करने वाले एजेंट से संबंधित है। किसी छवि की व्याख्या करते समय केवल निष्कर्षों के आधार पर किसी नतीजे तक पहुँचना संभव नहीं होता, और ऐसी स्थितियाँ होती हैं जिनमें मापे गए मानों जैसे पूरक प्रमाण भी जोड़े जाते हैं। लेखक बताते हैं कि यह सीखने की व्यवस्था कि प्रमाण कब चाहिए, और अप्रासंगिक मापों को अनुमान से बाहर रखने की व्यवस्था, दोनों कमज़ोर हैं। इसलिए हम दोनों को अलग-अलग प्रशिक्षित करते हैं और ऐसे पुरस्कार का उपयोग करते हैं जो प्रक्रिया का मूल्यांकन केवल उसी प्रक्षेप-पथ को देता है जिसमें निदान सही हो।

दूसरा Agent-Reflex उस व्यवहार पर केंद्रित है जब टूल गड़बड़ या त्रुटिपूर्ण प्रतिक्रिया देता है। वास्तविक संचालन में एजेंट को गलत प्रतिक्रियाएँ मिलती हैं और बीच-बीच में उपयोगकर्ताओं से सुधार भी प्राप्त होते हैं। लेखकों का कहना है कि ऐसी स्थितियों में विफलता पर विचार करने और उससे उबरने की सीख को प्रोत्साहित करने वाले शिक्षक संकेत मौजूदा तरीकों में सीमित हैं। इसलिए सीखने के तीसरे चरण में हम सफल और असफल ट्रैजेक्टरी के जोड़ों से दोबारा उपयोग किए जा सकने वाले ``चिंतन के कौशल'' निकालते हैं। तीसरा VRSD उस बिंदु से संबंधित है कि जब मॉडल ऐसे शिक्षक से सीखता है जिसे उत्तर पता है, तो वह बिना जाँचे कथन करने लगता है। On-policy self-distillation केवल शिक्षक को सत्यापित उत्तर जैसी विशेषाधिकार प्राप्त जानकारी देता है। लेखकों के अनुसार, इससे शिक्षक तर्क में उन शॉर्टकट की ओर झुक जाता है जिनमें सत्यापन या पुनर्विचार बहुत कम होता है, और आउटपुट की विविधता तेज़ी से घट जाती है। VRSD विशेषाधिकार प्राप्त जानकारी को हटाता नहीं है, बल्कि सिस्टम प्रॉम्प्ट के माध्यम से उसके उपयोग को समायोजित करता है।

तीनों पुस्तकों में समानता यह है कि वे न केवल परिणामों की शुद्धता को जाँचती हैं, बल्कि इस व्यवहार को भी परखती हैं कि प्रमाण कब खोजना है, इनपुट खराब होने पर कैसे रुकना है, और बिना पुष्टि किए कथन करना है या नहीं। ये उसी तरह के प्रश्न हैं जो बाहरी मूल्यांकन ढाँचे पूछना चाहते हैं। जब पाठक किसी मॉडल को अपनाने का निर्णय ले रहे हों, तो सटीकता के आँकड़ों के अलावा यह देखना भी उचित है कि इस व्यवहार की पुष्टि किसने की और किन परिस्थितियों में। अगले भाग में हम विचार करेंगे कि इस पुष्टि को मौके पर उपयोग में कैसे लागू किया जाए।

ऐसे उपयोग जो चिकित्सा, मन और रिश्तों तक फैले हैं

अमेरिकी खाद्य एवं औषधि प्रशासन (FDA) ने कथित तौर पर स्तन कैंसर की पुनरावृत्ति का अनुमान लगाने वाले एक AI टूल को मंज़ूरी दी है (ABC News)। यह मंज़ूरी इस बात का उदाहरण है कि AI का आउटपुट चिकित्सीय निर्णयों की सामग्री के रूप में सार्वजनिक समीक्षा से गुज़र रहा है। मानसिक स्वास्थ्य के क्षेत्र में बताया गया कि AI-संचालित ऐप का उपयोग करने वाले उपयोगकर्ताओं की सामाजिक खुशहाली में सुधार हुआ (2 Minute Medicine)। एक निदान जैसा पूर्वानुमान है, दूसरा रोज़मर्रा का भावनात्मक सहारा, और दोनों के उद्देश्य अलग हैं। फिर भी उनमें एक बात समान है: दोनों को मानव स्वास्थ्य और भावनाओं से गहराई से जुड़ी परिस्थितियों में व्यावहारिक रूप से इस्तेमाल किया जा रहा है। इसे अपनाने पर विचार करते समय पाठकों को यह पढ़ना होगा कि प्रभावी होने की रिपोर्टें और उसकी पुष्टि के लिए अपनाई गई प्रक्रियाएँ अलग-अलग चीज़ें हैं। FDA की मंज़ूरी बाद वाली का एक उदाहरण है, और ऐप की रिपोर्टिंग एक अलग स्तर की है।

हालाँकि, डिवाइस जितना मनुष्यों के करीब होता है, असंगत उपयोग का उपयोगकर्ता पर प्रभाव उतना ही अधिक होता है। New York Post ने बताया कि AI चैटबॉट का उपयोग तीन-व्यक्ति संबंधों में करने वाले "AI polys" अधिक आम होते जा रहे हैं, और विशेषज्ञ मानसिक बीमारी के जोखिम की चेतावनी दे रहे हैं। Vietnam.vn ने कवर किया कि MoMo उपयोगकर्ताओं को बनाए रखने के लिए Tesla के दर्शन और अनुकूल नियमों का कैसे उपयोग कर रहा है। सहानुभूति किसी सेवा का मूल्य है, और साथ ही यह निरंतर उपयोग को प्रोत्साहित करने का साधन भी हो सकती है। बेहतर खुशी की रिपोर्टें संबंधों के गहराने की चेतावनियों के साथ-साथ आती हैं। इसलिए, उपयोगकर्ताओं की ऊँची संख्या या उच्च निरंतरता दर को इस बात का प्रमाण मानने से बचना बेहतर है कि उपयोगकर्ताओं को मिलने वाले लाभ बड़े हैं।

प्रौद्योगिकी के बाहर से भी सवाल उठ रहे हैं। The Conversation ने किसान-लेखक Berry के नज़रिए से इस बहस को प्रस्तुत किया कि AI के युग में कोई चीज़ जीवित प्राणी है या मशीन। TCNJ Signal News में एक राय-आलेख का तर्क है कि AI कला ग्राहकों को दूर कर देगी। यह एक छात्र मीडिया की राय है और बिक्री या आगंतुकों में वास्तविक बदलाव दिखाने वाला सर्वे नहीं है। फिर भी, ऐसा लगता है कि AI के उपयोग से ग्राहकों का भरोसा कमज़ोर पड़ सकता है, यह चिंता उत्पादन और ग्राहक सेवा के मोर्चे तक पहुंच रही है।

चिकित्सा अनुमोदन, भावनात्मक सहारे में प्रभावशीलता की रिपोर्टें, संबंधों को लेकर चेतावनियाँ और ग्राहकों की प्रतिक्रिया को लेकर चिंताएँ, सभी में इस बात का निर्णय करना पड़ता है कि तकनीक का उपयोग कैसे किया जाता है, चाहे उसका प्रदर्शन कैसा भी हो। जिन क्षेत्रों में लोग शामिल हैं, वहाँ यह तय करना कि किस दायरे की ज़िम्मेदारी किसकी होगी और लोग कहाँ से कमान संभालेंगे, यह तय करने से ज़्यादा महत्वपूर्ण है कि इसे लागू किया जा सकता है या नहीं।

छंटनी और शेयर कीमतों से जुड़ी सुर्खियाँ ध्यान खींचती हैं, लेकिन उनमें हमें यह दिखता है कि वे छंटनी और AI पर एक साथ चर्चा कर रही हैं। निर्णायक कारक निरंतर रखरखाव था। मानव संसाधन के मोर्चे पर, AI लागू करने से पहले पुनः प्रशिक्षण की योजना बनाने की दिशा में हलचल है, और यही दिशा नर्सिंग केयर उद्योग संगठनों और शैक्षिक पाठ्यक्रमों में भी देखी जा सकती है। सुरक्षा के मामले में, हर कंपनी की स्वयं-रिपोर्टिंग के पूरक के रूप में बाहरी संगठनों के मूल्यांकन और अंतरराष्ट्रीय संवाद का विस्तार हो रहा है। चिकित्सा और मनोवैज्ञानिक क्षेत्रों में, कुछ मामले FDA की मंजूरी जैसी प्रक्रियाओं से पुष्ट होते हैं, जबकि कुछ केवल उपयोगकर्ताओं द्वारा रिपोर्ट किए जाते हैं, और उपयोग जितना मनुष्यों के करीब होता है, विसंगतियों का प्रभाव उतना ही अधिक होता है। लागू करने पर विचार करते समय, ध्यान सुर्खियों के माहौल से हटकर लोगों की तैयारी, सत्यापन तंत्र और उपयोग की निश्चितता जैसी बातों पर चला जाता है।

प्रश्न 1: अपने काम में AI का उपयोग करते समय, उसे कैसे इस्तेमाल करना है और कौन-से कदम उठाने हैं, यह कौन तय करता है, और उपयोगकर्ताओं को कैसे तैयार किया जाता है? प्रश्न 2: क्या AI के आउटपुट या उपयोग में कोई समस्या न होने के दावे का आधार स्वयं की रिपोर्टिंग के बजाय बाहरी मूल्यांकन या सार्वजनिक प्रक्रियाओं से पुष्ट किया गया है? प्रश्न 3: क्या कर्मचारियों और निवेश से जुड़े फ़ैसले सुर्खियों या शेयर कीमतों में उतार-चढ़ाव के बजाय इस आधार पर लिए जाते हैं कि पुनः प्रशिक्षण और सत्यापन की व्यवस्था मौजूद है या नहीं?

अंत में, तीन प्रश्न

- अपने काम में AI का उपयोग करते समय, यह कौन तय करता है कि उसका उपयोग कैसे किया जाए, कौन-से कदम उठाए जाएँ, और उपयोगकर्ताओं को कैसे तैयार किया जाता है? Q2: क्या AI के आउटपुट या उपयोग में कोई समस्या नहीं है, यह कहने का आधार स्व-रिपोर्टिंग के बजाय बाहरी मूल्यांकन या सार्वजनिक प्रक्रियाओं के माध्यम से पुष्ट किया गया है? Q3: क्या कर्मियों और निवेश के फ़ैसले सुर्खियों या शेयर कीमतों के उतार-चढ़ाव के बजाय इस बात पर आधारित हैं कि पुनः प्रशिक्षण और सत्यापन तंत्र मौजूद हैं या नहीं? - क्या AI के आउटपुट या उपयोग में कोई समस्या नहीं है, यह कहने का आधार स्व-रिपोर्टिंग के बजाय बाहरी मूल्यांकन या सार्वजनिक प्रक्रियाओं के माध्यम से पुष्ट किया गया है? Q3: क्या कर्मियों और निवेश के फ़ैसले सुर्खियों या शेयर कीमतों के उतार-चढ़ाव के बजाय इस बात पर आधारित हैं कि पुनः प्रशिक्षण और सत्यापन तंत्र मौजूद हैं या नहीं? - क्या स्टाफिंग और निवेश के फ़ैसले सुर्खियों या शेयर कीमतों के उतार-चढ़ाव के बजाय इस बात पर आधारित हैं कि रीस्किलिंग और सत्यापन तंत्र मौजूद हैं या नहीं?