चैटबॉट से "डिजिटल सहकर्मी" तक
Tencent के Youtu Lab और कई चीनी विश्वविद्यालयों का एक नया सर्वेक्षण पेपर कृत्रिम बुद्धिमत्ता के अगले चरण के बारे में एक स्पष्ट तर्क प्रस्तुत करता है: बेहतर उत्तर पर्याप्त नहीं हैं। शोधकर्ताओं का कहना है कि यदि AI सिस्टम को वास्तविक सहकर्मी के रूप में कार्य करना है, तो उन्हें प्रतिक्रिया उत्पादन से आगे बढ़कर स्थायी कार्य वातावरण में पूर्ण कार्यों को विश्वसनीय रूप से पूरा करना होगा।
28 जून की The Decoder की रिपोर्ट में वर्णित यह बदलाव, AI विकास में केंद्रीय प्रश्नों में से एक को पुनर्परिभाषित करता है। अब मुद्दा सिर्फ यह नहीं है कि कोई मॉडल अधिक धाराप्रवाह या अधिक सटीक उत्तर दे सकता है या नहीं। यह है कि क्या मॉडल उपयोगकर्ता के इरादे को ले सकता है, उपकरणों और फ़ाइलों के साथ बातचीत कर सकता है, अप्रत्याशित परिस्थितियों के अनुकूल हो सकता है, और तब तक जारी रख सकता है जब तक काम वास्तव में पूरा न हो जाए।
पेपर की भाषा में, गंतव्य चैटबॉट के बजाय एक "डिजिटल सहकर्मी" है। पहली बार पढ़ने पर यह ब्रांडिंग भाषा लगती है, लेकिन अंतर्निहित अंतर व्यावहारिक है। चैटबॉट जवाब देता है। सहकर्मी निष्पादित करता है।
एक-शॉट इंटेलिजेंस की सीमा
सर्वेक्षण बड़े भाषा मॉडल के विकास को कई चरणों में ट्रेस करता है। शुरुआती चरण में, सिस्टम मुख्य रूप से सबसे संभावित अगले टोकन की भविष्यवाणी करके तेज़ी से टेक्स्ट उत्पन्न करते थे। उनकी क्षमताएं मॉडल पैरामीटर में संपीड़ित पैटर्न और जानकारी पर बहुत अधिक निर्भर करती थीं। इसने उन्हें ड्राफ्टिंग, सारांशीकरण और सामान्य प्रश्नोत्तर के लिए उपयोगी बनाया, लेकिन इसने स्पष्ट सीमाएं भी लगाईं।
The Decoder द्वारा पेपर के सारांश के अनुसार, वे सिस्टम आमतौर पर समाधानों की व्यापक खोज नहीं करते थे, मध्यवर्ती चरणों को मान्य नहीं करते थे, या समस्याओं को हल करते समय स्थिति की स्थायी भावना बनाए नहीं रखते थे। वे एक पास में आउटपुट उत्पन्न करते थे, और इसका मतलब था कि जब किसी कार्य के लिए कई आश्रित क्रियाओं या समय के साथ सत्यापन की आवश्यकता होती थी, तो उनकी विश्वसनीयता अक्सर टूट जाती थी।
शोधकर्ता बाद के "थिंकिंग LLM" चरण का वर्णन करते हैं जिसमें मॉडल अनुमान के दौरान अधिक कंप्यूट खर्च करते हैं ताकि समाधान पथों का पता लगा सकें, मध्यवर्ती तर्क की जांच कर सकें और गलतियों को सुधार सकें। रिपोर्ट इस चरण को OpenAI के o1 और DeepSeek-R1 जैसी प्रणालियों से जोड़ती है, जिन्हें तेज़, सहज व्यवहार से धीमी, अधिक जानबूझकर तर्क की ओर बढ़ने के रूप में चित्रित किया गया है।
यह परिवर्तन मायने रखता है, लेकिन पेपर तर्क देता है कि यह अभी भी पर्याप्त नहीं है। बेहतर तर्क उत्तर की गुणवत्ता में सुधार करता है। यह स्वचालित रूप से एक भरोसेमंद एजेंट नहीं बनाता है जो वास्तविक कार्यप्रवाह के अंदर काम कर सके।
एजेंट अभी भी क्यों टूटते हैं
सर्वेक्षण पहली पीढ़ी के AI एजेंटों में चार संरचनात्मक कमजोरियों की पहचान करता है। The Decoder द्वारा सारांशित, वे एजेंट अपने पर्यावरण को केवल टुकड़ों में देखते हैं, टूल कॉल में स्थायी स्थिति बनाए रखने में विफल होते हैं, जब कुछ अप्रत्याशित होता है तो टूट जाते हैं, और अक्सर कार्यों को पूरा नहीं करते हैं।
ये समस्याएं किसी भी ऐसे व्यक्ति से परिचित हैं जिसने कोडिंग, शोध, फ़ाइल संचालन या प्रशासनिक कार्यों के लिए LLM को स्वायत्त सहायक के रूप में उपयोग करने का प्रयास किया है। एक मॉडल API को कॉल कर सकता है, ब्राउज़र खोल सकता है, या कोड लिख सकता है, फिर भी रुक सकता है क्योंकि वह ट्रैक खो देता है कि क्या बदला, एक छोटी सी त्रुटि से उबर नहीं पाता, या एक स्थिर कार्यक्षेत्र का अभाव होता है जिसमें पिछली क्रियाएं उपलब्ध रहती हैं।
पेपर का उत्तर संज्ञानात्मक जितना ही पर्यावरणीय है। यह स्थायी, सुरक्षित कार्यक्षेत्रों की ओर इशारा करता है जहां फ़ाइलें, सत्र, लॉग, अनुमतियां, ब्राउज़र स्थिति और पुन: प्रयोज्य कौशल पूरे कार्य में उपलब्ध रहते हैं। इस सेटअप में, मॉडल केवल पृथक टूल कॉल उत्पन्न नहीं कर रहा है। यह संदर्भ की निरंतरता के भीतर काम कर रहा है।
पुन: प्रयोज्य कौशल की भूमिका
पेपर के सबसे मजबूत विचारों में से एक यह है कि भरोसेमंद AI सहकर्मियों की ओर प्रगति पुन: प्रयोज्य "कौशल" पर निर्भर करती है। The Decoder इसे इरादे को पूर्ण कार्य में बदलने के लिए एक मुख्य आवश्यकता के रूप में प्रस्तुत करता है। कौशल, इस ढांचे में, अस्पष्ट प्रतिभाएं नहीं हैं बल्कि पोर्टेबल कार्य प्रक्रियाएं हैं जिन्हें सिस्टम एक स्थिर वातावरण में बार-बार लागू कर सकता है।
यह जोर उल्लेखनीय है क्योंकि यह AI उपयोगिता के बेंचमार्क को स्थानांतरित करता है। उद्योग ने अक्सर प्रभावशाली एकल-टर्न प्रदर्शन को पुरस्कृत किया है: एक बेहतर सारांश, एक तेज उत्तर, कोड का एक अधिक पॉलिश ब्लॉक। सर्वेक्षण तर्क देता है कि वास्तविक उपयोगिता कहीं और है। मूल्यवान प्रणाली वह है जो पर्याप्त स्थिरता के साथ बार-बार क्रियाओं के अनुक्रम को निष्पादित कर सकती है ताकि उस पर भरोसा किया जा सके।
स्थायी वातावरण उन कौशलों को संभव बनाते हैं। यदि प्रत्येक क्रिया के बाद फ़ाइलें, लॉग, अनुमतियां और कार्य संदर्भ गायब हो जाते हैं, तो मॉडल को बार-बार दुनिया का पुनर्निर्माण करना होता है। यदि वह स्थिति बनी रहती है, तो सिस्टम दिनचर्या बना सकता है, परिणामों को सत्यापित कर सकता है, और शुरू से पुनरारंभ किए बिना विफलता से उबर सकता है।
AI प्रगति के मापन में बदलाव
रिपोर्ट बताती है कि यह AI मूल्यांकन में एक गहरा बदलाव दर्शाता है। पुराने चैटबॉट प्रतिमान के तहत, प्रगति को उत्तर गुणवत्ता से मापा जा सकता था: प्रवाह, तथ्यात्मकता, कोडिंग सटीकता, या पृथक समस्याओं पर बेंचमार्क स्कोर। "डिजिटल सहकर्मी" प्रतिमान के तहत, सफलता को पूर्ण कार्यों के विरुद्ध मापा जाना है।
यह एक कठिन मानक है। पूर्ण कार्य के लिए मॉडल को लक्ष्य को समझना, उपकरण चुनना, स्थिति बनाए रखना, त्रुटियों का पता लगाना, आउटपुट को सत्यापित करना और केवल तभी रुकना होता है जब पूर्णता मानदंड पूरे होते हैं। इसके लिए गंदी, वास्तविक दुनिया की स्थितियों में कुछ हद तक मजबूती की भी आवश्यकता होती है जहां पर्यावरण मॉडल के पैरों के नीचे बदल सकता है।
सर्वेक्षण कथित तौर पर OpenHands और SWE-agent जैसी प्रणालियों को इस नए युग से जुड़े उदाहरणों के रूप में उद्धृत करता है, जिसे The Decoder "OpenClaw युग" का लेबल देता है। नामकरण वास्तुशिल्प बिंदु से कम मायने रखता है: AI सिस्टम अधिक सक्षम हो जाते हैं जब वे पृथक टेक्स्ट जनरेशन के बजाय निरंतर निष्पादन के लिए डिज़ाइन किए गए वातावरण में एम्बेडेड होते हैं।
यह अब क्यों मायने रखता है
पेपर एक व्यापक उद्योग संक्रमण के बीच में आता है। AI कंपनियां मॉडलों की तर्क और मल्टीमॉडल क्षमताओं में सुधार जारी रखती हैं, लेकिन उद्यम खरीदार और तकनीकी टीमें संकीर्ण कार्यप्रवाहों में श्रम प्रतिस्थापन के बारे में तेजी से चिंतित हैं: क्या सिस्टम एक टिकट हल कर सकता है, कोडबेस अपडेट कर सकता है, दस्तावेज़ एकत्र कर सकता है, जांच चला सकता है, और निरंतर पर्यवेक्षण के बिना एक सत्यापन योग्य परिणाम उत्पन्न कर सकता है?
सर्वेक्षण का उत्तर यह है कि यह केवल उसी चैटबॉट पैटर्न को स्केल करने से नहीं होगा। उत्तर देने के बिंदु पर अधिक बुद्धिमत्ता मदद करती है, लेकिन यह स्थायी संदर्भ, टिकाऊ स्थिति, टूल ग्राउंडिंग और पुन: प्रयोज्य निष्पादन पैटर्न की आवश्यकता को समाप्त नहीं करती है।
वह स्थिति यह भी स्पष्ट करती है कि कुछ डेमो उन उत्पादों की तुलना में अधिक प्रभावशाली क्यों लगते हैं जिनका वे प्रतिनिधित्व करने वाले होते हैं। एक मॉडल अत्यधिक सक्षम दिख सकता है जब एक एकल पॉलिश प्रॉम्प्ट को हल करते हुए दिखाया जाता है। यह बहुत कम विश्वसनीय हो जाता है जब उसे रुकावटों, अस्पष्टता और सत्यापन की आवश्यकता के साथ एक संपूर्ण कार्य प्रक्रिया को नेविगेट करने के लिए कहा जाता है।
व्यावहारिक निष्कर्ष
सर्वेक्षण का सबसे उपयोगी योगदान वैचारिक अनुशासन हो सकता है। यह एक ऐसी समस्या को भाषा देता है जिसे कई उपयोगकर्ता पहले से देखते हैं: AI अक्सर एक शानदार उत्तरदाता और एक अविश्वसनीय समाप्तकर्ता के रूप में प्रदर्शन करता है। उत्तर उत्पादन को कार्य पूर्णता से अलग करके, पेपर डेवलपर्स को बुनियादी ढांचे और उत्पाद डिज़ाइन विकल्पों की ओर इशारा करता है जो उस अंतर को बंद करने के लिए मायने रखते हैं।
यदि शोधकर्ता सही हैं, तो AI में अगली बड़ी छलांग केवल स्मार्ट मॉडल द्वारा परिभाषित नहीं की जाएगी। इसे उन प्रणालियों द्वारा परिभाषित किया जाएगा जो निर्देशों को पूर्ण कार्य में बदलने के लिए पर्याप्त समय तक बने रह सकते हैं, कार्य कर सकते हैं, याद रख सकते हैं और सत्यापित कर सकते हैं। दूसरे शब्दों में, भविष्य के सहकर्मी को एक जैसा बोलने से अधिक करने की आवश्यकता होगी।
यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on the-decoder.com