एआई मॉडल और प्लेटफ़ॉर्म
Anthropic का अतिथि निबंध AI से वैज्ञानिक मॉडलों की संभावित श्रेणियाँ लौटाने का आग्रह करता है
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Anthropic ने 6 नवंबर, 2026 को एक अतिथि शोध-निबंध प्रकाशित किया। इसमें AI for Science के अनुदान-प्राप्तकर्ता Jakob Macke, Daniel Gedon और Stefan Wahl का तर्क है कि LLM एजेंटों को सबसे बेहतर मेल खाने वाला एक मॉडल देने के बजाय संभावित वैज्ञानिक मॉडलों के भारित वितरण लौटाने चाहिए। लेखक ELLIS Institute Tübingen और the University of Tübingen के शोधकर्ता हैं।
उनका मुख्य भेद किसी तंत्र को समझने और केवल उसके प्रेक्षणों की पुनरावृत्ति करने के बीच है। कई अलग-अलग पैरामीटर व्यवस्थाएँ समान आउटपुट दे सकती हैं, और समीकरणों की भिन्न संरचनाएँ उन्हीं मापों की व्याख्या कर सकती हैं। इसलिए, केवल एक पर्याप्त उत्तर देने वाला एजेंट उन विकल्पों को छिपा देता है जो अलग-अलग तंत्रों या पूर्वानुमानों का समर्थन कर सकते हैं।
मॉडल बनाना, उन पर सीमाएँ लगाना और उनकी व्याख्या करना
निबंध में वैज्ञानिक मॉडलिंग को तीन दोहराए जाने वाले चरणों में बाँटा गया है: मॉडल के घटक और समीकरण बनाना, मापों के आधार पर समायोज्य पैरामीटरों पर सीमाएँ लगाना, और यह समझना कि परिणाम वास्तविक तंत्र के बारे में क्या बताता है। इसका ऐतिहासिक उदाहरण Hodgkin और Huxley का तंत्रिका-कोशिका मॉडल है। दोनों ने चौथी घात वाला पद चुना, क्योंकि सरल रूप उनके आँकड़ों से कम मेल खाते थे। इस बीच, 1951 में Cambridge University का कंप्यूटर बंद पड़ जाने के बाद Huxley ने हाथ से चलने वाले कैलकुलेटर की मदद से समीकरण हल करने में तीन सप्ताह से अधिक समय लगाया।
खारिज किए गए विकल्पों का यही इतिहास इस उदाहरण का मुख्य बिंदु है। चौथी घात ने झिल्ली के एक द्वार में कई गतिशील हिस्सों से जुड़ी परिकल्पना को समर्थन दिया; यह जाने बिना कि कम घातें असफल रही थीं, केवल संख्यात्मक मेल से उस व्याख्या को उचित नहीं ठहराया जा सकता था। लेखक इस उदाहरण के आधार पर AI के लिए एक मानक तय करते हैं: मॉडलिंग प्रक्रिया से सामने आई हर बात को सुरक्षित रखा जाए—इसमें असफल विकल्प और बाकी अनिश्चितताएँ भी शामिल हैं।
पैरामीटरों के वितरण से मॉडल-वितरण तक
बेयज़ीय अनुमान समस्या के पैरामीटर वाले पहलू को संबोधित करता है: इसमें आँकड़ों से मेल और पूर्वज्ञान के आधार पर संभावित व्यवस्थाओं को प्रायिकता-वितरण के रूप में दर्शाया जाता है। यांत्रिक सिमुलेटरों के लिए पारंपरिक संभाव्यता-आधारित गणनाएँ अक्सर साध्य नहीं होतीं। PNAS की 2020 की एक समीक्षा बताती है कि संभाव्यता निकालने के लिए सिमुलेटर के भीतर निष्पादन के हर संभावित मार्ग पर परोक्ष रूप से समाकलन करना पड़ता है।
इसके बजाय, सिमुलेशन-आधारित अनुमान पैरामीटरों के नमूने लेता है, सिमुलेटर चलाता है और उससे बने कृत्रिम आउटपुट पर एक तंत्रिका-आधारित आकलक को प्रशिक्षित करता है। SNPE विधि के लिए चलाया जा सकने वाला मॉडल, पैरामीटरों पर पूर्व निर्धारित सीमाएँ और प्रेक्षित आँकड़े या सारांश विशेषताएँ चाहिए; इसमें संभाव्यता की गणना या अवकलनीय मॉडल कोड की आवश्यकता नहीं होती। Hodgkin-Huxley के अनुकरण किए गए प्रयोग में, एक दौर में सात वोल्टेज विशेषताओं के आधार पर आठ जैवभौतिक पैरामीटरों का अनुमान लगाने के लिए 100,000 सिमुलेशन किए गए। विशेषताएँ जोड़ने से पश्च-वितरण का दायरा संकरा हुआ और यह पता चला कि प्रेक्षणों ने किन पैरामीटरों पर मज़बूत या कमज़ोर सीमाएँ लगाईं। आरंभिक सिमुलेशन और प्रशिक्षण के बाद, सीखा हुआ विकल्प नए आँकड़ों का तेज़ी से आकलन कर सकता है।
निबंध इसी तर्क को पैरामीटरों से आगे बढ़ाकर मॉडल-संरचनाओं पर लागू करता है। LLM एजेंट सिमुलेटर के संभावित कोड लिख सकता है, उसे चला सकता है, उसके पैरामीटरों पर सीमाएँ लगा सकता है, आउटपुट की प्रेक्षणों से तुलना कर सकता है और समीकरणों में संशोधन कर सकता है। अलग-अलग बार चलाने पर अलग, लेकिन समान रूप से पर्याप्त संरचनाएँ मिल सकती हैं। इसलिए प्रस्तावित आउटपुट संभावित मॉडलों का एक भारित समूह है: आँकड़ों से समर्थन पाने वाले विकल्पों का भार बढ़ता है, अत्यधिक लचीले मेल को कम महत्त्व दिया जाता है, और बेहतर विकल्पों से आगे के रूपांतर तैयार किए जाते हैं। टिके रहने वाले मॉडलों में साझा विशेषताएँ बताती हैं कि साक्ष्य किस बात का समर्थन करते हैं; वहीं असहमति कमज़ोर साक्ष्य और संभावित अगले प्रयोगों की ओर संकेत करती है।
ModelSMC निष्पादन योग्य मॉडलों में खोज करता है
2026 में प्रकाशित पहले के ModelSMC शोधपत्र में Wahl और उनके सहयोगियों—जिनमें Macke और Gedon भी शामिल हैं—ने इस दृष्टिकोण को निष्पादन योग्य सिमुलेटर प्रोग्रामों पर प्रायिकतामूलक अनुमान के रूप में औपचारिक रूप दिया। हर संभावित मॉडल एक कण होता है, जिसे LLM पूर्वज कार्यान्वयनों, मूल्यांकन से मिली प्रतिक्रिया और कार्य-संदर्भ के आधार पर प्रस्तावित या परिष्कृत करता है। संभाव्यता-आधारित भार और पुनःनमूनाकरण से समूह आशाजनक संरचनाओं पर केंद्रित होता है। खोज के दौरान पैरामीटरों को सीमांतित किया जाता है, न कि हर संरचना के लिए एक ही अनुकूलित अनुमान में समेट दिया जाता है। इस कार्य में Anthropic के AI for Science कार्यक्रम से मिले API उपयोग-क्रेडिट का उल्लेख है। यह कार्यक्रम 5 मई, 2025 को शुरू किया गया था और संस्थानों से संबद्ध चुनिंदा शोधकर्ताओं के लिए है, विशेष रूप से जीवविज्ञान और जीवन-विज्ञान के क्षेत्र में।
प्रयोगों में कृत्रिम महामारी-विज्ञान गतिशीलता, गुर्दे में एल्डोस्टेरोन के नियमन का एक सिमुलेटर और वास्तविक वोल्टेज की 10 रिकॉर्डिंग पर आधारित Hodgkin-Huxley संरचना-खोज कार्य शामिल थे। लेखकों के अनुसार, अधिक भार वाले तंत्रिका-विज्ञान मॉडलों में बार-बार धीमी पोटैशियम धारा का M-प्रकार जुड़ा; कभी-कभी इसके साथ एक और चैनल भी जोड़ा गया। यह मॉडल-परिवार 10 में से नौ बार पहले स्थान पर रहा। कुल मिलाकर, समान संसाधन-बजट पर इसकी मात्रात्मक कार्यक्षमता FunSearch+ और एक-कण वाले रूपांतर के बराबर थी। लेखकों का दावा किसी भी स्थिति में बेहतर प्रदर्शन का नहीं, बल्कि मॉडल-परिवारों के पश्च-विश्लेषण के लाभ का है।
व्याख्या और सत्यापन
ModelSMC की दर्ज लागतों और निर्भरताओं को उसके परिणामों जितना ही महत्त्व देना चाहिए। बार-बार सिमुलेशन चलाना और संभाव्यता का अनुमान लगाना संगणनात्मक रूप से महँगा है; गलत विनिर्देशन की स्थिति में संभाव्यता के अनुमानक पूर्वाग्रह पैदा कर सकते हैं; और खोज इस बात पर निर्भर करती है कि LLM उपयोगी संरचनाएँ प्रस्तावित करे। अतिथि निबंध इससे व्यापक सावधानी भी जोड़ता है: इन प्रणालियों की अधिकतर जाँच ज्ञात मॉडलों को फिर से खोजने के लिए हुई है, जबकि ऐसे वैज्ञानिक प्रश्नों पर उनकी प्रभावशीलता के साक्ष्य बहुत कम हैं जिनका उत्तर पहले से ज्ञात नहीं है।
लेखकों के अनुसार, व्याख्या ऐसा सबसे कठिन चरण है जिसे किसी और को सौंपा जा सकता है, क्योंकि डेटा के साथ मॉडल का मेल मापा जा सकता है, जबकि समझ में सुधार के लिए उतना स्पष्ट उद्देश्य उपलब्ध नहीं है। किसी प्रणाली में व्यवधान डालने के बाद, डेटा के साथ मेल खाने वाले मॉडलों के बीच सहमति से पूर्वानुमान अधिक मजबूत होता है, जबकि असहमति अनसुलझे तंत्रों को उजागर करती है और अगले प्रयोग की दिशा बता सकती है। यह आवश्यकता तब और महत्वपूर्ण हो जाती है, जब एआई संक्षिप्त और मनुष्यों के लिए आसानी से समझे जा सकने वाले मॉडलों की ऐतिहासिक बाध्यता को कम कर दे, क्योंकि बड़े मॉडलों के साथ अनिश्चितता को स्पष्ट रूप से दर्ज करने और तंत्रों के संक्षिप्त सारांश देने की जरूरत बढ़ जाती है।
इसलिए, लेखकों का तय किया गया मानक केवल ऐसे मॉडल से आगे जाता है जो डेटा के साथ मेल खाता हो: एआई प्रणाली को अपने उत्तर के पीछे मौजूद साक्ष्यों का दस्तावेज़ीकरण करना चाहिए। इसमें वे माप शामिल होने चाहिए जो प्रत्येक घटक को निर्धारित करते हैं, वे संभावित विकल्प जो सफल नहीं हुए, अनसुलझी बची अनिश्चितता और खोज के दौरान उठे सवाल। सत्यापन के इस सीमित आधार को देखते हुए, निर्णायक सवाल यह है कि क्या मॉडल-वितरणों को सुरक्षित रखने से—अस्वीकृत विकल्पों के इतिहास के साथ—वास्तव में खुले वैज्ञानिक प्रश्नों पर समझ विकसित होती है।
