DeepMind ने Co-Scientist को एक लैब-निष्पादन शोध प्रणाली में विस्तारित किया

DeepMind ने Co-Scientist को विचार-निर्माण से आगे धकेला

Google DeepMind का कहना है कि उसका AI शोध सिस्टम Co-Scientist अब परिकल्पनाएँ बनाने से आगे बढ़कर वैज्ञानिक कार्यप्रवाह के एक बड़े हिस्से में भाग ले रहा है, जिसमें प्रयोगों की योजना बनाना, कोड लिखना, कुछ लैब उपकरणों को संचालित करना, परिणामों का विश्लेषण करना और वैज्ञानिक पांडुलिपियाँ तैयार करना शामिल है। Google द्वारा बंद-चक्र शोध प्रक्रिया के रूप में वर्णित यह अपडेट, उस Co-Scientist संस्करण से एक उल्लेखनीय विस्तार है जिसे कंपनी ने फरवरी 2025 में पेश किया था।

प्रदत्त रिपोर्ट के अनुसार, यह नया सिस्टम वर्तमान Gemini मॉडलों पर आधारित है और इसे एक शोध प्रश्न लेने, उससे परिकल्पनाएँ निकालने, उन्हें प्रायोगिक योजनाओं या मशीन-पठनीय प्रोटोकॉल में बदलने, परिणामी डेटा का विश्लेषण करने, और फिर पेपर-लंबाई का आउटपुट तैयार करने के लिए डिज़ाइन किया गया है। Google यह भी कहता है कि सिस्टम में सत्यापन मॉड्यूल शामिल हैं, जो उत्पन्न पाठ में संख्यात्मक दावों की तुलना उसके द्वारा बनाए गए कोड के निष्पादन लॉग्स से करते हैं, ताकि गढ़े हुए या असंगत परिणामों को कम किया जा सके।

यह इसलिए महत्वपूर्ण है क्योंकि विज्ञान में AI प्रणालियों की केंद्रीय कमजोरियों में से एक विश्वसनीय साक्ष्य और सुगम भाषा के बीच का अंतर रहा है। एक ऐसी प्रणाली जो अपने लिखे हुए कथनों को अपने वास्तविक निष्पादित कार्य से जोड़ सकती है, भले ही एक सीमित कार्यप्रवाह के भीतर, मशीन-जनित शोध आउटपुट के सबसे स्पष्ट विफलता-मोड्स में से एक को संबोधित करती है। यह भरोसे की समस्या को पूरी तरह हल नहीं करती, लेकिन यह दिखाती है कि डेवलपर मानते हैं कि व्यावहारिक वैज्ञानिक स्वायत्तता को पहले कहाँ सुधारना होगा।

तीन क्षेत्र, स्वायत्तता के तीन स्तर

रिपोर्ट में पदार्थ विज्ञान, जीवविज्ञान और कंप्यूटर विज्ञान में सत्यापन प्रयासों का वर्णन है, जिनमें हर डोमेन ने मशीन स्वतंत्रता का अलग स्तर दिखाया। पदार्थ संबंधी कार्य में, Co-Scientist ने मनुष्यों के लिए संश्लेषण व्यंजन प्रस्तावित किए। जीवविज्ञान में, उसने विशेषज्ञ फीडबैक के साथ एक पूर्वानुमान पाइपलाइन बनाई। कंप्यूटर विज्ञान में, Google का कहना है कि सिस्टम ने पूरी तरह अपने दम पर काम किया।

यह चरणबद्ध संरचना महत्वपूर्ण है। एक सार्वभौमिक स्वायत्त वैज्ञानिक का दावा करने के बजाय, Google एक स्पेक्ट्रम प्रस्तुत कर रहा है: उन स्थितियों में मानव-निर्देशित उपयोग जहाँ भौतिक प्रयोग महंगे और संवेदनशील हैं, सहयोगात्मक उपयोग जहाँ विशेषज्ञ निगरानी केंद्रीय बनी रहती है, और उच्च स्वायत्तता जहाँ प्रायोगिक वातावरण पहले से ही सॉफ्टवेयर-नेटिव है। यह विभाजन उस वास्तविकता को दर्शाता है कि AI प्रणालियाँ आम तौर पर डिजिटल डोमेनों में गीले लैबों या उन्नत सामग्री सुविधाओं की तुलना में तेज़ी से आगे बढ़ सकती हैं, जहाँ समय, संदूषण, हार्डवेयर भिन्नता और सुरक्षा सीमाएँ स्वचालन को सीमित करती हैं।

पदार्थ विज्ञान का उदाहरण वादे और सीमाएँ, दोनों दिखाता है। रिपोर्ट के अनुसार Co-Scientist को एक अर्ध-स्वचालित उच्च-तापमान भट्ठी के साथ जोड़ा गया था और उसने एक वांछित द्वि-आयामी सामग्री की ओर एक अधिक सुरक्षित मार्ग पहचाना, जिसे पहले मुख्यतः खतरनाक एचिंग के माध्यम से बनाया गया था। 25 दौर के मानव परिशोधन के बाद, टीम ने ऐसी परतदार संरचनाएँ तैयार कीं जिनके गुण लक्ष्य सामग्री से मिलते-जुलते थे। लेकिन रिपोर्ट यह भी नोट करती है कि परमाण्विक संरचना की निर्णायक पुष्टि अभी लंबित है।

यह सावधानीपूर्ण टिप्पणी महत्वपूर्ण है। प्रणाली ने भले ही रेसिपी जनरेशन को तेज़ किया हो और खोज-क्षेत्र को संकुचित किया हो, लेकिन वैज्ञानिक दावे का सबसे मजबूत संस्करण अभी स्थापित नहीं हुआ है। दूसरे शब्दों में, परिणाम प्रक्रिया-प्रदर्शन के रूप में आशाजनक है, न कि इस बात का अंतिम प्रमाण कि लक्ष्य सामग्री पूरी तरह अपेक्षित रूप में प्राप्त हो गई थी।

गति के साथ व्यावहारिक समझौते भी आते हैं

दूसरे पदार्थ प्रयोग में, रिपोर्ट कहती है कि तीन सेमीकंडक्टर थिन-फिल्म्स पहली ही कोशिश में संश्लेषित की गईं। Co-Scientist ने उपकरण नियंत्रण के लिए Gemini 3 Deep Think का उपयोग किया, और Google का कहना है कि इससे रेसिपी विकास दिनों से मिनटों तक सिमट गया। यदि यह समय-समानता व्यापक उपयोग में भी सही बैठती है, तो यह R&D में AI के लिए सबसे स्पष्ट व्यावसायिक तर्कों में से एक की ओर इशारा करती है: प्रयोगशाला परिवेशों में महंगे पुनरावृत्ति चक्रों को संक्षिप्त करना, जहाँ शोधकर्ता अक्सर प्रक्रियाएँ ठीक करने में काफी समय लगाते हैं।

साथ ही, रिपोर्ट कई सीमाएँ भी पहचानती है जो इस घोषणा को सीधे-सीधे लैब स्वचालन में सफलता के रूप में पढ़े जाने से रोकती हैं। मनुष्यों को अब भी नमूने और अग्रद्रव्य पदार्थ मैन्युअल रूप से लोड करने पड़े। तेज़ मोड ने अधिक सावधानी से अनुकूलित रेसिपीज़ की तुलना में छोटे और कम समान क्रिस्टल बनाए। और रेसिपीज़ की दूसरे प्रयोगशालाओं में स्थानांतरण-क्षमता अभी भी अनसुलझी है।

ये विवरण इसलिए मायने रखते हैं क्योंकि पुनरुत्पादकता शोध का एक परिभाषित मानक है। कोई प्रणाली जो एक उपकरण-संयोजन, एक प्रयोगशाला की सेटअप, और एक टीम की निगरानी के साथ अच्छा प्रदर्शन करती है, उसने अभी यह नहीं दिखाया कि वह सामान्यीकृत हो सकती है। वैज्ञानिक स्वचालन तब अधिक मूल्यवान बनता है जब प्रक्रियाएँ उपकरणों, ऑपरेटरों और पर्यावरणीय स्थितियों में बदलाव के बावजूद बनी रहती हैं। रेसिपी ट्रांसफ़र को एक खुले प्रश्न के रूप में रेखांकित करके, रिपोर्ट परोक्ष रूप से यह उजागर करती है कि एक प्रभावशाली प्रदर्शन और व्यापक रूप से तैनात किए जा सकने वाले प्लेटफ़ॉर्म के बीच अभी भी कितना इंजीनियरिंग कार्य बाकी है।

AI शोध अवसंरचना के लिए यह कदम क्यों महत्वपूर्ण है

इस अपडेट का सबसे निर्णायक हिस्सा शायद कोई एकल प्रयोग नहीं है। यह परिकल्पना निर्माण, निष्पादन योजना, उपकरण नियंत्रण, विश्लेषण और पांडुलिपि मसौदा तैयार करने को एक जुड़े हुए सिस्टम में जोड़ने का विचार है। यह आर्किटेक्चर दिखाता है कि फ्रंटियर AI डेवलपर वैज्ञानिक टूलिंग के अगले चरण को कहाँ देखते हैं: एक ऐसे चैटबॉट के रूप में नहीं जो शोधकर्ता को अलग-अलग चरणों में सहायता करे, बल्कि एक ऑर्केस्ट्रेटर के रूप में जो प्रस्तावित, चलाए गए, और देखे गए काम का आंतरिक रिकॉर्ड बनाए रखते हुए कार्य को कई चरणों में आगे बढ़ा सके।

यदि ऐसे सिस्टम परिपक्व होते हैं, तो वे उन क्षेत्रों में शोध की अर्थव्यवस्था बदल सकते हैं जहाँ खोज-क्षेत्र बहुत बड़े हैं और पुनरावृत्ति महँगी है। सामग्री खोज, जैविक पूर्वानुमान, और मॉडल डिज़ाइन ऐसे सभी क्षेत्र हैं जहाँ शोधकर्ताओं के सामने मैन्युअल रूप से परखने के लिए बहुत सारे संभावित संयोजन होते हैं। एक ऐसा उपकरण जो विकल्पों को तेज़ी से संकुचित करे, निष्पादन योग्य प्रक्रियाएँ लिखे, और दावे से परिणाम तक संरचित निशान बनाए रखे, पूर्ण स्वायत्तता तक न पहुँचने पर भी उपयोगी हो सकता है।

लेकिन यह घोषणा AI विज्ञान कवरेज के एक व्यापक पैटर्न के भीतर भी बैठती है: क्षमता का विस्तार अक्सर स्वतंत्र सत्यापन से आगे निकल जाता है। प्रदत्त रिपोर्ट इन परिणामों का श्रेय Google को देती है और तीन विषयों में प्रयोगों का वर्णन करती है, लेकिन यहाँ बाहरी प्रतिकृति का प्रमाण नहीं देती। इससे कार्य अमान्य नहीं हो जाता, लेकिन दावों की व्याख्या को प्रभावित करना चाहिए। सबसे मजबूत व्याख्या यह है कि Google एक अधिक एकीकृत शोध एजेंट दिखा रहा है, जिसके कुछ प्रयोगात्मक रूप से आधारित सफलताएँ और स्पष्ट सीमाएँ हैं, न कि यह कि एक सामान्य-उद्देश्य स्वायत्त वैज्ञानिक आ चुका है।

• Google का कहना है कि Co-Scientist अब परिकल्पना से लेकर ड्राफ्ट पेपर तक, शोध चक्र के अधिक हिस्से को संभालता है।
• रिपोर्ट के अनुसार सिस्टम का परीक्षण पदार्थ विज्ञान, जीवविज्ञान और कंप्यूटर विज्ञान में स्वायत्तता के अलग-अलग स्तरों के साथ किया गया।
• सत्यापन मॉड्यूल लिखित संख्यात्मक दावों की तुलना निष्पादन लॉग्स से करने के लिए बनाए गए हैं।
• पुनरुत्पादकता, अन्य लैबों में स्थानांतरण, और तेज़ संचालन के गुणात्मक समझौतों को लेकर खुले प्रश्न बने हुए हैं।

AI सेक्टर के लिए, यह फिर भी एक महत्वपूर्ण बदलाव है। प्रतिस्पर्धा अब केवल इस बात पर नहीं है कि कौन-सा मॉडल शोध-पत्रों का सारांश दे सकता है या विचार सुझा सकता है। यह तेजी से इस बात पर केंद्रित हो रही है कि कौन-से सिस्टम तर्क को उपकरणों, डेटा पाइपलाइनों और ऑडिट किए जा सकने वाले आउटपुट से जोड़ सकते हैं। यहाँ वर्णित Co-Scientist, उस दिशा में एक कदम है।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.