AI की वैज्ञानिक पहुँच गणित से आगे बढ़ी

AI गणितीय प्रमाण से व्यापक वैज्ञानिक सिद्धांत की ओर बढ़ रहा है

MIT के शोधकर्ता नील थॉम्पसन द्वारा चर्चा किए गए शोध के अनुसार, कृत्रिम बुद्धिमत्ता प्रणालियाँ गणित से आगे के क्षेत्रों में सैद्धांतिक प्रश्नों पर मापने योग्य प्रगति दिखाने लगी हैं। विश्लेषण से संकेत मिलता है कि गणित के कुछ हिस्सों में अब दिखाई दे रही क्षमता-वृद्धि प्रायिकता, सांख्यिकी, अर्थशास्त्र, उच्च-ऊर्जा सिद्धांत, गुरुत्वाकर्षण, ब्रह्मांड विज्ञान और क्वांटम भौतिकी तक फैल सकती है।

निष्कर्ष यह नहीं है कि AI ने वैज्ञानिकों का स्थान ले लिया है या वह स्वतंत्र रूप से आधुनिक शोध कार्यक्रम चला सकता है। अध्ययन ने एक सीमित लेकिन महत्वपूर्ण कार्य पर ध्यान केंद्रित किया: ऐसे सैद्धांतिक प्रश्नों को हल करना जिनके उत्तर बाद में शोध-पत्रों में स्थापित किए गए। इन क्षेत्रों में शोधकर्ताओं ने 2024 के मध्य से 2026 के मध्य के बीच सबसे सक्षम मॉडलों की सफलता दर में तेज सुधार पाया।

यह रुझान महत्वपूर्ण है क्योंकि सैद्धांतिक कार्य अक्सर वह भाषा, मॉडल और पूर्वानुमान उपलब्ध कराता है जिस पर प्रायोगिक विज्ञान निर्भर करता है। यदि शोधकर्ता AI का विश्वसनीय रूप से उपयोग करके इस कार्य के कुछ हिस्सों का अन्वेषण कर सकें, तो इसका प्रभाव केवल व्यक्तिगत गणनाओं पर नहीं, बल्कि वैज्ञानिक जाँच की गति और संगठन पर भी पड़ सकता है।

समस्याओं के छोटे हिस्से से एक-तिहाई से अधिक तक

गेब्रियल मानसो और क्लाउडियो मायरीन वर्दुन के साथ किए गए थॉम्पसन के अध्ययन में दिसंबर 2025 से मई 2026 के बीच प्रकाशित शोध-पत्रों से लिए गए प्रश्नों पर कई OpenAI मॉडलों का परीक्षण किया गया। समूह ने o1, o3, GPT-5, GPT-5.1, GPT-5.4 और GPT-5.5 सहित मॉडलों की जाँच की।

आकलन में शामिल सैद्धांतिक क्षेत्रों में सर्वश्रेष्ठ प्रणालियाँ 2024 के मध्य में लगभग 2% समस्याएँ सही हल करने से बढ़कर 2026 के मध्य तक लगभग 35% तक पहुँच गईं। यह अभी भी सार्वभौमिक दक्षता से बहुत दूर है और इसका अर्थ यह नहीं कि हर सही दिखने वाला उत्तर भरोसेमंद है। फिर भी वृद्धि का पैमाना उल्लेखनीय है: जो उपकरण बहुत कम सफल होता है, वह जिज्ञासा भर हो सकता है, जबकि कोई ऐसा उपकरण जो किसी बेंचमार्क में महत्वपूर्ण योगदान दे सके, सामान्य शोध प्रक्रिया का हिस्सा बन सकता है।

शोधकर्ताओं ने भाषा मॉडलों के परीक्षण में एक प्रमुख चिंता को कम करने के लिए मूल्यांकन तैयार किया: क्या प्रणाली केवल प्रशिक्षण के दौरान देखी गई सामग्री को दोहरा रही है। प्रश्न उन शोध-पत्रों से लिए गए थे जो बाद के प्रकाशनों में संबंधित समाधान आने से पहले पोस्ट किए गए थे और प्रकाशित समाधान ही सही उत्तर माने गए। परीक्षण के दौरान इंटरनेट पहुँच बंद थी, इसलिए प्रणालियाँ वेब से उत्तर प्राप्त नहीं कर सकती थीं।

यह व्यवस्था बेंचमार्क-आधारित मूल्यांकन की हर सीमा को समाप्त नहीं करती। हालांकि, इसका उद्देश्य समस्या-समाधान को सीधे खोजने या याद रखने से अलग करना है। इसलिए अध्ययन का परिणाम इस बात का प्रमाण है कि परीक्षण किए गए मॉडल कम-से-कम कुछ ऐसे प्रश्नों के समाधान उत्पन्न कर सकते थे जिनके उत्तर उनकी उपलब्ध प्रशिक्षण सामग्री में मौजूद नहीं थे।

सीमित निष्कर्ष, सामान्य वैज्ञानिक विकल्प नहीं

इस कार्य का दायरा महत्वपूर्ण है। टीम ने उन क्षेत्रों पर ध्यान केंद्रित किया जहाँ मॉडल सिमुलेशन चलाए या भौतिक प्रयोग किए बिना समस्याओं का समाधान कर सकते थे। विज्ञान का बड़ा हिस्सा केवल प्रतीकात्मक तर्क तक सीमित नहीं किया जा सकता। प्रयोगशाला कार्य, उपकरणों का डिजाइन, क्षेत्रीय अवलोकन, डेटा संग्रह, सिमुलेशन और पुनरुत्पादन इस बात की खोज के आवश्यक हिस्से बने हुए हैं कि दुनिया कैसे काम करती है।

सिद्धांत-प्रधान विषयों में भी सही समाधान उपयोगी शोध योगदान के समान नहीं होता। वैज्ञानिकों को धारणाओं का आकलन करना, महत्वपूर्ण प्रश्न चुनना, परिणामों की व्याख्या करना और यह तय करना होता है कि प्रस्तावित तर्क कठोर जाँच में टिकता है या नहीं। ये तकनीकी होने के साथ-साथ सामाजिक प्रक्रियाएँ भी हैं, जिनमें सहकर्मी समीक्षा, बहस और संचित प्रमाण शामिल होते हैं।

फिर भी, अध्ययन के लिए चुने गए क्षेत्र हाशिए के नहीं हैं। प्रायिकता और सांख्यिकी पूरे विज्ञान और उद्योग में निष्कर्ष निकालने की प्रक्रिया को आकार देते हैं। आर्थिक सिद्धांत नीति और बाजार विश्लेषण को प्रभावित करता है। उच्च-ऊर्जा भौतिकी, ब्रह्मांड विज्ञान और क्वांटम भौतिकी ऐसे क्षेत्र हैं जहाँ किसी प्रश्न के डिटेक्टर, दूरबीन या प्रयोगशाला उपकरण तक पहुँचने से पहले अमूर्त तर्क आगे बढ़ने में केंद्रीय भूमिका निभा सकता है।

यदि AI इन क्षेत्रों में नियमित या मध्यवर्ती कार्य का अधिक हिस्सा संभालने में सक्षम हो जाता है, तो तत्काल प्रभाव असमान हो सकता है। शोधकर्ता इसका उपयोग संभावित तरीकों को तैयार करने, व्युत्पत्तियों की जाँच करने, वैकल्पिक रूपों का अन्वेषण करने या प्रारंभिक विश्लेषण को तेज करने के लिए कर सकते हैं। इन उपयोगों का मूल्य सत्यापन पर निर्भर करेगा। गलत निष्कर्ष तक तेज़ी से पहुँचने का रास्ता धीमी गणना जितनी ही प्रभावी ढंग से समय नष्ट कर सकता है।

गणित का उदाहरण अपेक्षाओं को आकार दे रहा है

यह नया आकलन ऐसे समय आया है जब गणित पहले ही AI की क्षमता के अत्यंत चर्चित प्रदर्शनों का सामना कर रहा है। OpenAI ने हाल ही में घोषणा की कि एक अप्रकाशित मॉडल ने Navier-Stokes समीकरणों से जुड़ी लंबे समय से चली आ रही एक बड़ी चुनौती को हल किया है, जो द्रव की गति का वर्णन करते हैं। उस घटना ने विवाद खड़ा किया और यह रेखांकित किया कि गणित और AI से जुड़े असाधारण दावों की सावधानीपूर्वक स्वतंत्र जाँच आवश्यक है।

थॉम्पसन के लिए व्यापक संकेत यह है कि सैद्धांतिक विषय ऐसे दौर के करीब पहुँच सकते हैं जिसमें AI की भूमिका तेजी से बदलती है। उनका अनुमान है कि कुछ ही वर्षों में प्रणालियाँ जो कर सकती हैं, उससे कई सैद्धांतिक प्रश्नों का स्वरूप बदल जाएगा। यह अपेक्षा अध्ययन की रुझान-रेखा पर आधारित है, न कि इस प्रमाण पर कि कोई विशेष क्षेत्र पूरी तरह स्वचालित हो जाएगा।

निकट भविष्य की सबसे संभावित तस्वीर सहयोगात्मक है, एकाकी नहीं: वैज्ञानिक एजेंडा और मानक तय करेंगे, जबकि AI प्रणालियाँ समस्या-अन्वेषण का बढ़ता हिस्सा संभालेंगी। इससे उन्नत विश्लेषणात्मक उपकरणों तक पहुँच व्यापक हो सकती है, लेकिन मशीन-निर्मित कार्य को सत्यापित करने की क्षमता और अधिक मूल्यवान भी बन सकती है। शोध संस्थानों को यह तय करना होगा कि योगदान का श्रेय कैसे दिया जाए, छात्रों को कैसे प्रशिक्षित किया जाए और सूक्ष्म गलतियों को पकड़ने के लिए आवश्यक स्वतंत्र विशेषज्ञता को कैसे सुरक्षित रखा जाए।

आगे किन बातों पर नज़र रखें

• क्या प्रदर्शन में सुधार नए बनाए गए प्रश्नों पर भी जारी रहता है या केवल पूर्वव्यापी मूल्यांकन तक सीमित रहता है।
• विशेषज्ञ समीक्षा और औपचारिक सत्यापन के बाद मॉडल-निर्मित समाधान कितनी बार सही रहते हैं।
• क्या सिमुलेशन, प्रयोग या विशेष डेटा की आवश्यकता होने पर प्रणालियाँ उपयोगी योगदान दे सकती हैं।
• AI के नियमित शोध उपकरण बनने पर वैज्ञानिक समूह लेखन, प्रशिक्षण और गुणवत्ता-नियंत्रण की प्रक्रियाओं को कैसे अपनाते हैं।

अध्ययन यह स्थापित नहीं करता कि वैज्ञानिक सिद्धांत की समस्याएँ हल करने के लिए AI डिफ़ॉल्ट तरीका बन जाएगा। यह अवश्य दिखाता है कि इस संभावना को अब गंभीरता से क्यों लिया जा रहा है। दो वर्ष से भी कम समय में, परीक्षण की गई सबसे सक्षम प्रणालियाँ चुने गए प्रश्नों के छोटे हिस्से को हल करने से बढ़कर एक-तिहाई से अधिक प्रश्न हल करने लगीं। कठिन तर्क पर आधारित विषयों के लिए यह ऐसा बदलाव है जिस पर करीबी नज़र रखना जरूरी है।

यह लेख Wired की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।