AI Highlights — पूरी तस्वीर — 2026-10-24 (शनि) दैनिक समाचार

Warp Sciences ने AI और रोबोट की मदद से रासायनिक प्रयोग चलाने वाली एक लैब बनाने के लिए $215 मिलियन जुटाए हैं। इसी दौरान खबर आई कि American Express अपने 5% कर्मचारियों की कटौती कर रही है, और Colliers ने चेतावनी दी कि AI प्रतिभा की कमी यूरोप में विकास में बाधा बन सकती है। जहाँ फंडिंग और अपेक्षाएँ दोनों ऊँची हैं, वहाँ कर्मचारियों की फेरबदल और कर्मचारियों की कमी एक साथ हो रही हैं। इस आधे दिन में हम जो लेख पढ़ेंगे, उनमें साझा दृष्टिकोण यह है कि सफलता और विफलता का अंतर इस बात से कम तय होता है कि AI में कितना पैसा लगाया गया, और इस बात से ज़्यादा कि वह निवेश मौके पर सत्यापन से कैसे गुज़रता है और उसे किसके हाथों से चलाया जाता है। निदान, वाणी वर्गीकरण और पूर्वानुमान के शोध भी पाठकों के सामने उपयुक्त परिस्थितियों में मिले नतीजों और वास्तविक परिवेश के नतीजों के बीच के अंतर को रखते हैं।

ड्रग डिस्कवरी AI में भारी धनराशि जुटी, साझेदारी भी

Warp Sciences ने AI-संचालित ड्रग डिस्कवरी लैब बनाने के लिए $215 मिलियन जुटाए (citybiz)। BRIDGE के अनुसार, यह कंपनी ड्रग डिस्कवरी के लिए AI और रोबोट की मदद से रासायनिक प्रयोग करती है, और कंपनी ने Lightspeed के नेतृत्व में सीरीज़ A के ज़रिए फंडिंग जुटाई। सीरीज़ A चरण में $200 मिलियन से अधिक जुटाए गए। इन पैसों का इस्तेमाल कहाँ होगा, यह भी ध्यान देने योग्य बिंदु है। लक्ष्य केवल सॉफ़्टवेयर और मॉडल विकसित करना नहीं, बल्कि वास्तव में प्रयोग करने वाली लैब बनाना और रासायनिक प्रयोगों को स्वचालित करना भी है।

एक और कंपनी, AI ड्रग डिस्कवरी कंपनी Pathos ने 3 बिलियन डॉलर के मूल्यांकन पर 237 मिलियन डॉलर जुटाए (STAT)। Reuters के अनुसार, Pathos दवा विकास को आगे बढ़ाने के लिए Bristol Myers और Tempus AI के साथ साझेदारी करेगी (Reuters)। यहाँ जुटाई गई राशि और मूल्यांकन में किसी बड़ी दवा कंपनी के साथ साझेदारी के व्यावहारिक संबंध भी शामिल हैं। धन जुटाए जाने का कारण केवल AI का वादा नहीं है। ऐसा लगता है कि मूल्यांकन में यह भी देखा जाएगा कि इसे दवा कंपनियों की विकास प्रक्रिया में कैसे शामिल किया जाएगा।

दोनों कंपनियों द्वारा जुटाई गई कुल राशि $452 million बैठती है। यह पैमाना दर्शाता है कि ड्रग डिस्कवरी AI से अपेक्षाएँ एल्गोरिदम की श्रेष्ठता से आगे बढ़कर प्रयोगात्मक उपकरणों और साझेदारों सहित पूरे व्यवसाय में निवेश तक फैली हैं। पाठकों को इन आँकड़ों से ऊँचा मूल्यांकन स्वयं नहीं समझना चाहिए। असली सवाल यह है कि क्या धन का उपयोग स्वचालित प्रयोगात्मक व्यवस्थाओं या बड़ी फ़ार्मास्युटिकल कंपनियों के साथ सहयोग के रूप में किया जा रहा है।

हालाँकि, इस बार प्रस्तुत सभी सामग्री धन जुटाने और सहयोग की घोषणाएँ हैं, ड्रग डिस्कवरी के परिणामों की रिपोर्ट नहीं। धन पहले जुटा लिया जाएगा, लेकिन यह अलग से पुष्टि करना आवश्यक है कि लैब चलाने के लिए मानव संसाधन और वास्तविक विकास स्थल पर सत्यापन उसी गति से आगे बढ़ेंगे या नहीं।

कर्मचारियों की कटौती और मानव संसाधन की कमी एक साथ बढ़ रही है

Demokratis.co.id की रिपोर्ट के अनुसार, American Express अपने कार्यबल में 5% की कटौती करेगी। शीर्षक के अनुसार इसका कारण AI के अनुकूल होना है। यह कटौती संकेत देती है कि AI के आने से न केवल संचालन की दक्षता बढ़ी है, बल्कि अब यह रोज़गार की संरचना को ही नए सिरे से गढ़ने के चरण में पहुँच गया है। 5% सभी कर्मचारियों का प्रतिशत है, कोई मौद्रिक राशि नहीं। किसी कंपनी ने AI में बड़ी रकम निवेश की है या नहीं, इसके बजाय यह बात उसकी गंभीरता का बेहतर संकेतक है कि क्या वह निवेश कर्मचारियों की संरचना में बदलाव के रूप में दिखता है। जब पाठक अपनी कंपनियों और कारोबारी साझेदारों को देखें, तो यह तय करना कि कौन-से काम घट रहे हैं और किन कामों की माँग है, AI से जुड़े बजट की राशि की तुलना में वास्तविक स्थिति का अधिक सटीक संकेतक है।

दूसरी ओर, केवल लोगों की अधिकता की बात करना पर्याप्त नहीं है। Data Center Solutions के अनुसार, प्रॉपर्टी सर्विसेज की दिग्गज कंपनी Colliers ने चेतावनी दी है कि AI प्रतिभा की कमी यूरोप की AI वृद्धि में बाधा बन सकती है। American Express की 5% कटौती और Colliers की चेतावनी लगभग एक ही समय पर आई अलग-अलग रिपोर्टें हैं। फिर भी, इन्हें साथ रखकर देखने पर एक ही तस्वीर उभरती है। मौजूदा नौकरियाँ छंटनी और पुनर्गठन के दायरे में हैं, जबकि AI को डिज़ाइन करने, चलाने और मैदान में उसका रखरखाव करने वाले लोग पर्याप्त नहीं हैं। यह इंगित किया गया है कि मानव संसाधनों की आपूर्ति यूरोपीय क्षेत्र में विकास की ऊपरी सीमा हो सकती है, यानी केवल धन जुटा लेने से विकास की गारंटी नहीं मिलती। जो पाठक AI अपनाने की योजना बना रहे हैं, उन्हें उपकरण और अनुबंध सुनिश्चित करने के साथ-साथ यह भी पहले जाँच लेना चाहिए कि कर्मचारी कहाँ से जुटाए जाएँगे।

औज़ारों और उन्हें इस्तेमाल करने वालों के बीच के संबंध को बदलने की कोशिशें उद्योग के बाहर भी हो रही हैं। Frieze ने चित्रकार David Salle को प्रमुखता से दिखाया, जो अपने स्टूडियो में AI को आमंत्रित कर रहे हैं। एटेलियर वह स्थान है जहाँ रचनाकार अपनी कृतियाँ अपने हाथों से पूरी करते हैं। इस क्षेत्र में AI का आना अपने आप में इस बात का संकेत माना जा सकता है कि काम की ज़िम्मेदारी संभालने वालों और उनका सहयोग करने वाले औज़ारों के बीच भूमिकाओं के बँटवारे पर फिर से विचार किया जा रहा है। कंपनियों में कर्मचारियों की कटौती, स्थानीय स्तर पर मानव संसाधन की कमी और व्यक्तिगत उत्पादन स्थल, इन तीनों मुद्दों का पैमाना भले अलग है, पर इन सभी में एक बात समान है: कौन किस काम का प्रभारी है, और AI कितनी हद तक ज़िम्मेदारी संभालेगा। इन तथ्यों के आधार पर लगता है कि हम ऐसे चरण की ओर बढ़ रहे हैं जहाँ अपनाने की सफलता या विफलता इस बात से नहीं मापी जाती कि कितनी राशि निवेश की गई, बल्कि इस बात से मापी जाती है कि क्या परिणामों को ज़मीनी स्तर पर वास्तविक उपयोग के ज़रिए सत्यापित किया जा सकता है, और क्या इसे चलाने में सक्षम लोगों को सुनिश्चित किया जा सकता है। अगले खंड में हम देखेंगे कि यह सत्यापन कितना आगे बढ़ा है।

निदान और पूर्वानुमान में इंसानों से आगे निकलने वाले सत्यापन सामने आने लगे हैं

Microsoft ने एक अध्ययन प्रस्तुत किया जिसमें दिखाया गया कि डॉक्टरों के एक समूह पर आधारित AI ने निदान की सटीकता में डॉक्टरों को पीछे छोड़ दिया (Medical Economics)। कहा जाता है कि इस डिज़ाइन में AI का उपयोग उस तरह से चिकित्सा करने के तरीके को दोहराने के लिए किया जाता है, जिसमें कई विशेषज्ञ चर्चा करके किसी निष्कर्ष पर पहुँचते हैं। अब तक AI निदान सहायता की चर्चा अक्सर अकेले डॉक्टरों की मदद करने वाले औज़ार के रूप में होती रही है। इस बार तुलना का विषय अलग-अलग डॉक्टरों का निर्णय है, और मूल्यांकन का आधार सहायता की सुविधा से हटकर स्वयं निदान की सटीकता पर आ गया है। हालांकि, यह परिणाम शोध के दायरे में प्राप्त हुआ है। क्या वही सटीकता वास्तविक बाह्य रोगी (आउटपेशेंट) और आपातकालीन परिस्थितियों में भी बनी रहती है, इसके लिए आगे के सत्यापन की प्रतीक्षा करनी होगी।

उपचार के चयन के करीब के क्षेत्रों में भी पूर्वानुमानों का परीक्षण शुरू हो गया है। BostonGene अपने AI का उपयोग करके CAR-T थेरेपी की प्रभावकारिता और विषाक्तता का अनुमान लगाने के शोध में सहयोग करेगी (RegMedNet)। CAR-T थेरेपी में उपचार संबंधी निर्णय दो बातों पर केंद्रित होते हैं: उन रोगियों की पहचान करना जिनके लाभान्वित होने की उम्मीद की जा सकती है, और गंभीर दुष्प्रभावों के जोखिम का पहले से अनुमान लगाना। यदि पूर्वानुमान का दायरा निदान से बढ़कर उपचार की प्रभावकारिता और विषाक्तता तक फैल जाता है, तो AI का आउटपुट डॉक्टरों के लिए केवल एक विचारणीय बिंदु नहीं रहेगा, बल्कि उपचार शुरू करने और उसके प्रबंधन के निर्णयों का आधार बन जाएगा। संयुक्त शोध का यह स्वरूप दर्शाता है कि परियोजना केवल किसी पद्धति के प्रस्तुत करने तक सीमित नहीं है, बल्कि क्लिनिकल पक्ष के डेटा और विशेषज्ञता को शामिल करने और सत्यापित करने के चरण में प्रवेश कर चुकी है।

चिकित्सा के बाहर भी ऐसे उदाहरण हैं जहाँ AI साइट पर निगरानी का काम संभालता है। EdenCore ने FIRA USA (Fruit Growers News) में अपनी AI-आधारित फल निगरानी तकनीक का प्रदर्शन किया। अब तक फलों की स्थिति को लगातार देखने और समझने का काम खेतों में जाने वाले लोग करते आए हैं। अगर यह निगरानी AI को संभालनी है, तो उसे अपनाने का मूल्य इस बात पर निर्भर करेगा कि क्या वह निर्णय लेने में काम आने वाली जानकारी लगातार जुटा सकता है। चूँकि इस तकनीक का प्रदर्शन अभी केवल एक प्रदर्शनी में हुआ है, इसलिए यह देखना ज़रूरी है कि खेतों में इसका उपयोग कैसे होता है और क्या यह नतीजे देगी।

निदान, उपचार पूर्वानुमान और फलों के अवलोकन जैसे क्षेत्र भले अलग-अलग हों, उनमें समानता यह है कि AI ने अवलोकन और पूर्वानुमान की भूमिका निभाना शुरू कर दिया है, जो मानवीय निर्णय का प्रवेश-द्वार है। यहाँ सवाल शोध या प्रदर्शनी के माहौल में प्रदर्शन का नहीं है, बल्कि यह है कि क्या वही नतीजे वास्तविक परिवेश में दोहराए जा सकते हैं, और क्या उन्हें स्वीकार करके इस्तेमाल करने वाले पर्याप्त लोग होंगे।

दैनिक जीवन के करीब AI और वास्तविक परिवेश में उसकी पुष्टि

Bioengineer.org पर एक AI वॉइस मॉडल को प्रमुखता से दिखाया गया है, जो वास्तविक परिवेश की रिकॉर्डिंग का उपयोग करके डिसार्थरिया की गंभीरता को वर्गीकृत करता है। डिसार्थरिया एक ऐसी स्थिति है जिसमें बोली की स्पष्टता प्रभावित होती है। इस रिपोर्ट की उल्लेखनीय बात यह है कि इसमें निर्धारित परिस्थितियों में एकत्र की गई ऑडियो के बजाय वास्तविक परिवेश की रिकॉर्डिंग शामिल हैं। घर पर या नर्सिंग केयर की जगह पर शांत कमरे या समर्पित माइक्रोफ़ोन की उम्मीद नहीं की जा सकती। इस स्थिति में इसका उपयोग हो सकता है या नहीं, यह इस पर निर्भर करता है कि क्या यह शोर या बोलने वाले की आवाज़ के कंपन वाली बोली के आधार पर वर्गीकरण कर सकता है। इसे अपनाने पर विचार करने वालों को केवल सटीकता के आँकड़े देखने की ही नहीं, बल्कि यह भी जाँचने की ज़रूरत है कि सटीकता किन रिकॉर्डिंग परिस्थितियों में हासिल की गई थी।

दैनिक जीवन के पक्ष में, AI रिश्तों और हमारे समय के उपयोग के तरीके में अपना दायरा बढ़ा रहा है। Hokuriku Regional Development Bureau के पेज में AI गर्लफ्रेंड ऐप्स की कीमतों की तुलना, AI Lover के मुफ़्त संस्करण और सावधानियों की जानकारी शामिल है। मूल्य संरचना और मुफ़्त संस्करण के दायरे की तुलना करने वाले लेखों का होना दिखाता है कि इस तरह के ऐप आज़माने के चरण से आगे बढ़कर ऐसे चरण में पहुँच गए हैं जहाँ कुछ लोग लागत पर विचार करके इन्हें चुन रहे हैं। उपयोगकर्ताओं को अलग से विचार करना चाहिए कि वे मुफ़्त में क्या शुरू कर सकते हैं और जारी रखने के लिए उन्हें क्या भुगतान करना होगा। इसी बीच, Unite.AI ने बताया कि तीन हाई स्कूल छात्रों ने MyDaye AI लॉन्च किया है। यह व्यस्त शेड्यूल को दैनिक योजनाओं में शामिल करने का एक औज़ार है, और इसे बनाने वाले उपयोगकर्ताओं की पीढ़ी के करीब हैं।

भावनाओं से जुड़े क्षेत्रों में हम कारों की भी बात कर सकते हैं। Yahoo! News ने Mazda के Vision Cross Compact को प्रमुखता से दिखाया, जिससे अगली पीढ़ी की Mazda 2 को लेकर उम्मीदें जुड़ी हैं। कहा जा रहा है कि यह कार "सहानुभूतिपूर्ण AI" से लैस एक "सबसे अच्छे दोस्त" के रूप में ध्यान खींच रही है। हालांकि, ये उम्मीदें एक ऐसी कार को लेकर हैं जो अभी अवधारणा के चरण में है, और असल ड्राइविंग में गाड़ी चलाते समय सहानुभूति कैसे काम करती है, यह अभी तक पुष्ट नहीं हुआ है।

अब तक के चारों मामले अलग-अलग परिस्थितियों से जुड़े हैं: चिकित्सा सहायता, प्रेम, स्कूल का काम और समय-सारणी, तथा परिवहन। फिर भी, इन सबमें समान बात यह है कि AI का उपयोग लोगों के जीवन के ब्योरों और भावनाओं के करीब होने लगा है। ऐसे में अगला सवाल उसके उच्च प्रदर्शन के बारे में उतना नहीं है, बल्कि इस बारे में है कि मैदान में उसका उपयोग कौन जारी रखेगा और इसके लिए ज़िम्मेदार कौन होगा।

पहली नज़र में ड्रग डिस्कवरी AI के लिए फंडिंग की राशि, कर्मचारियों में कटौती की दर, निदान की सटीकता की तुलना और वास्तविक परिवेश की रिकॉर्डिंग से वर्गीकरण अलग-अलग विषय लगते हैं। लेकिन हर खंड में एक बात समान थी: कार्यान्वयन की सफलता या विफलता मापने के मानदंड निवेश राशि और अपेक्षाओं से हटकर ज़मीनी प्रदर्शन और नेतृत्व करने वाले लोगों को सुनिश्चित करने की ओर बढ़ रहे हैं। फंडिंग बड़ी होने पर भी लैब प्रयोग कर पाएगी या नहीं, यह एक अलग सवाल बना रहता है। शोध के दायरे में हासिल की गई सटीकता आउटपेशेंट सेटिंग या घर पर भी बनी रहती है या नहीं, इसके लिए अलग से सत्यापन की ज़रूरत है। यही स्थिति इस तथ्य में भी दिखती है कि कुछ कंपनियाँ कर्मचारियों में कटौती कर रही हैं जबकि अन्य मानव संसाधन की कमी की शिकायत कर रही हैं। AI में क्या निवेश किया गया है, यह देखने के बजाय यह देखना कि किन परिस्थितियों में क्या सत्यापित किया जा सकता है और क्या इसे संभालने के लिए पर्याप्त लोग हैं, भविष्य में इसे अपनाने का निर्णय लेने के लिए सुराग देगा।

प्र1: अपने काम में AI का उपयोग करते समय, उसकी सटीकता और प्रभावशीलता किन शर्तों में सत्यापित की गई थी, और क्या आप इसे अपने कार्यस्थल की परिस्थितियों के आधार पर समझा सकते हैं? प्र2: जब AI के आउटपुट पर आधारित कोई निर्णय गलत निकलता है, तो हम कितना पीछे जाकर जाँच सकते हैं कि ज़िम्मेदारी कहाँ है और सत्यापन के रिकॉर्ड क्या हैं? प्र3: AI से जुड़े बजट के अलावा, कर्मचारियों की व्यवस्था करने और साइट पर प्रदर्शन करने के लिए कितने संसाधन आवंटित किए गए हैं? क्या आप उस आवंटन को प्रबंधन के निर्णय के रूप में समझा सकते हैं?

अंत में, तीन प्रश्न

- जब काम में AI का उपयोग किया जाता है, तो किन परिस्थितियों में उसकी सटीकता और प्रभावशीलता की पुष्टि की गई थी, और क्या आप इसे अपने कार्यस्थल की परिस्थितियों के संदर्भ में समझा सकते हैं? प्रश्न 2: जब AI आउटपुट पर आधारित कोई निर्णय गलत साबित होता है, तो हम कितना पीछे जाकर यह जाँच सकते हैं कि जिम्मेदारी कहाँ है और सत्यापन के रिकॉर्ड क्या हैं? प्रश्न 3: AI से जुड़े बजट के अलावा, कर्मचारियों की व्यवस्था करने और साइट पर प्रदर्शन आयोजित करने के लिए कितने संसाधन आवंटित किए गए हैं? क्या आप उस आवंटन को प्रबंधन के निर्णय के रूप में समझा सकते हैं? - जब AI आउटपुट पर आधारित कोई निर्णय गलत साबित होता है, तो हम कितना पीछे जाकर यह जाँच सकते हैं कि जिम्मेदारी कहाँ है और सत्यापन के रिकॉर्ड क्या हैं? प्रश्न 3: AI से जुड़े बजट के अलावा, कर्मचारियों की व्यवस्था करने और साइट पर प्रदर्शन आयोजित करने के लिए कितने संसाधन आवंटित किए गए हैं? क्या आप उस आवंटन को प्रबंधन के निर्णय के रूप में समझा सकते हैं? - AI से जुड़े बजट के अलावा, कर्मचारियों की व्यवस्था करने और साइट पर प्रदर्शन आयोजित करने के लिए कितने संसाधन आवंटित किए गए हैं, और क्या इस आवंटन को प्रबंधन के निर्णय के रूप में समझाया जा सकता है?