एजीआई और भविष्य की एआई

डीपमाइंड इंस्टीट्यूट ने एजीआई से अतिबुद्धिमत्ता तक पहुँचने के चार रास्ते बताए

Jonas Reeve
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुवैश्विक प्रभावी कंप्यूट हार्डवेयर और एल्गोरिदम में प्रति वर्ष कम से कम दस गुना बढ़ा है।
और देखें
  • वैश्विक प्रभावी कंप्यूट हार्डवेयर और एल्गोरिदम में प्रति वर्ष कम से कम दस गुना बढ़ा है।
  • केवल प्रशिक्षण कंप्यूट को सीमित करना जरूरी नहीं कि प्रगति को रोक दे, क्योंकि मार्ग संयोजित हो सकते हैं।
  • निकट अवधि की चुनौती यह है कि एजेंट की अधिक गति और संख्या को वास्तव में नई क्षमताओं से अलग पहचाना जाए।

डीपमाइंड इंस्टीट्यूट ने 19 नवंबर, 2026 को एक निबंध प्रकाशित किया, जिसमें एआई के मानव-स्तर की कृत्रिम सामान्य बुद्धिमत्ता (AGI) से कृत्रिम सामान्य अतिबुद्धिमत्ता (ASI) तक पहुँचने के चार रास्ते बताए गए हैं। साथ ही, इस बात पर ज़ोर दिया गया है कि तेज़ प्रगति जारी रहना संभव है, लेकिन इसकी कोई गारंटी नहीं है।

इन चार रास्तों में मॉडल और डेटा का लगातार विस्तार, तकनीकी प्रतिमानों में बदलाव, बड़ी संख्या में एजेंटों के बीच समन्वय और पुनरावर्ती आत्म-सुधार शामिल हैं—इसमें एआई प्रणालियाँ बाद में विकसित होने वाली प्रणालियों को बेहतर बनाने में योगदान देती हैं। हर रास्ते के सामने अलग-अलग तकनीकी अड़चनें और प्रगति मापने की समस्याएँ हैं।

इस निबंध में AGI का अर्थ ऐसी प्रणालियाँ हैं जो लगभग सभी संज्ञानात्मक कार्यों में मोटे तौर पर मनुष्यों के स्तर की क्षमता रखती हों। ASI को मानव विशेषज्ञों के बड़े समूहों से भरोसेमंद ढंग से बेहतर प्रदर्शन करना होगा—ऐसे कामों में, जिन्हें पूरा करने में उन समूहों को कई साल लग सकते हैं—और यह लगभग सभी मानवीय रुचि के कार्यों में कम संसाधन और कम समय लगाकर करना होगा। शतरंज, गो या प्रोटीन की संरचना का अनुमान लगाने जैसे सीमित क्षेत्रों में मनुष्यों से बेहतर प्रदर्शन को इस कसौटी पर खरा नहीं माना जाएगा।

यह निबंध एजीआई से एएसआई तक नामक तकनीकी रिपोर्ट पर आधारित है, जिसे Google DeepMind ने 12 जून, 2026 का बताया है; साथ ही, यह संस्थान में बाद में हुई चर्चाओं पर भी आधारित है। रिपोर्ट का arXiv पाठ ASI की कसौटी को इस तरह स्पष्ट करता है: 2010 में उपलब्ध तकनीक और सांस्कृतिक उत्पादों का इस्तेमाल करते हुए, किसी एक समस्या पर दस साल तक काम कर रहे, आपस में अच्छी तरह समन्वित दसियों हज़ार विशेषज्ञों से भरोसेमंद ढंग से बेहतर प्रदर्शन करना। पहले की रिपोर्ट में यही चार रास्तों वाला ढाँचा पेश किया गया था।

फिर भी, ASI बुद्धिमत्ता की सैद्धांतिक सीमाओं से काफी नीचे होगी। निबंध में भौतिक, तार्किक और जटिलता-संबंधी ऐसी बाधाओं की पहचान की गई है, जो वास्तविक दुनिया की प्रणालियों—जैसे जलवायु, प्रतिरक्षा प्रणालियों और मानव समाजों—के बारे में मनमाने ढंग से सटीक अनुमान लगाने से रोकेंगी। इसलिए मानव-स्तर की एआई एक निरंतरता में केवल एक बिंदु है; इस स्तर और उन सीमाओं के बीच का दायरा बहुत बड़ा है और उसका अधिकांश हिस्सा अब तक अज्ञात है।

संज्ञानात्मक औद्योगीकरण और घटती लागत

निबंध का अनुमान है कि वैश्विक प्रभावी संगणना—जिसमें हार्डवेयर में सुधार, एआई हार्डवेयर में निवेश और एल्गोरिदम की दक्षता शामिल हैं—हर साल कम-से-कम दस गुना बढ़ी है। इस दर को दस साल तक आगे बढ़ाकर देखने पर 10 अरब गुना वृद्धि होती है। यदि ये रुझान जारी रहते हैं, तो इस परिदृश्य के अनुसार आज जितने एआई एजेंट चलाए जा सकते हैं, उनमें से हर एक के लिए समान गुणवत्ता वाले एजेंटों की संख्या मानव आबादी से अधिक हो सकती है।

लागत का उदाहरण देते हुए निबंध में हार्डवेयर और अनुमान-प्रक्रिया की दक्षता में सुधार के कारण हर साल संगणना की माँग में लगभग 4 गुना कमी मानी गई है। इस दर से, संगणना टोकन पर 1 अरब डॉलर खर्च करने वाला कोई कार्य दस साल बाद 1,000 डॉलर में पूरा किया जा सकेगा। संज्ञानात्मक काम का इस तरह मानकीकरण और स्वचालन “संज्ञानात्मक औद्योगीकरण” कहलाता है; इसकी तुलना रोज़मर्रा के शारीरिक श्रम के वस्तुकरण से की गई है। अत्याधुनिक प्रणालियों में नाटकीय प्रगति न होने पर भी यह बदलाव ज्ञान-आधारित काम और व्यापक अर्थव्यवस्था को नया रूप दे सकता है।

निबंध चेतावनी देता है कि केवल विस्तार से पूर्ण AGI हासिल न हो पाए, यदि कुछ संज्ञानात्मक कार्यों के लिए मानव सहायता ज़रूरी हो। मोटे तौर पर मानव-स्तर की प्रणालियाँ उपलब्ध होने पर तेज़ और अधिक संख्या में काम करने वाले एजेंट कमज़ोर रूप की ASI तक पहुँचने की दूरी घटाने में मदद कर सकते हैं। इसमें डिजिटल प्रणालियों की तेज़ प्रसंस्करण क्षमता, स्मृति, अलग-अलग कंप्यूटिंग हार्डवेयर पर स्थानांतरित होने की क्षमता, कोड और स्मृति की स्थिति की लगभग बिना किसी हानि के प्रतिलिपि बनाने की सुविधा और अनुभव को उच्च बैंडविड्थ के साथ साझा करना सहायक हो सकते हैं।

चार रास्ते और उनकी सीमाएँ

लगातार विस्तार के सामने कई अड़चनें हैं: उच्च-गुणवत्ता वाले प्रशिक्षण डेटा का समाप्त होना; घटते प्रतिफल, क्योंकि क्षमता में हर अगले कदम के लिए संगणना और मॉडल के आकार में कई गुना वृद्धि करनी पड़ती है; और बिजली उत्पादन, पावर ग्रिड, चिप निर्माण तथा हार्डवेयर के आपसी संपर्कों से जुड़ी भौतिक या आर्थिक सीमाएँ। मौजूदा आर्किटेक्चर, डेटा और मूल्यांकनों के आधार पर तैयार किए गए स्केलिंग नियम भरोसे के साथ यह अनुमान नहीं लगा सकते कि AGI या ASI के लिए विस्तार कितना करना होगा।

तकनीकी प्रतिमानों में बदलाव का लक्ष्य निरंतर सीखने, दुनिया के कुछ प्रकार के मॉडल बनाने, निर्णय लेने और नमूना-दक्षता से जुड़ी कमियों को दूर करना है। नमूना-दक्षता का अर्थ है किसी तय क्षमता तक पहुँचने के लिए प्रणाली को कितने प्रशिक्षण डेटा की ज़रूरत होती है। मौजूदा प्रणालियाँ केवल पहले से मौजूद विचारों को नए ढंग से जोड़ने के बजाय वास्तव में नई अवधारणाएँ और अमूर्त विचार गढ़ने में भी असमर्थ हो सकती हैं। शोधकर्ताओं में इस बात पर मतभेद है कि प्रचलित ट्रांसफॉर्मर प्रतिमान में क्रमिक बदलाव इन कमियों को दूर कर सकते हैं या इसके लिए अधिक गहरे बदलाव ज़रूरी होंगे।

निबंध के अनुसार, एजेंटों के बीच समन्वय सामूहिक प्रगति का एक रास्ता है, लेकिन कई एजेंटों के विस्तार के नियम अभी उपलब्ध नहीं हैं। समन्वय में अक्षमताएँ, गलत सूचना, हेरफेर और मिलीभगत बड़े समूहों की क्षमता कम कर सकती हैं, इसलिए संस्थागत और संगठनात्मक सुरक्षा उपाय ज़रूरी होंगे। पुनरावर्ती आत्म-सुधार में कोड और हार्डवेयर डिज़ाइन, तैनाती के दौरान तैयार किए गए पुनः उपयोग योग्य डेटा या एजेंट समूहों के भीतर विशेषज्ञता के ज़रिए प्रतिपुष्टि चक्र बन सकते हैं। खराब प्रतिपुष्टि इन चक्रों को रोक सकती है या उनकी गुणवत्ता घटा सकती है; जहाँ नतीजों की स्वचालित जाँच संभव हो—जैसे गणितीय प्रमाणों के मामले में—वहाँ तेज़ प्रगति की उम्मीद है।

ये रास्ते एक-दूसरे की प्रगति को बढ़ा सकते हैं। निबंध का तर्क है कि यदि किसी एक रास्ते पर प्रगति रुक जाए, तो आर्थिक और भू-राजनीतिक प्रतिस्पर्धा प्रयासों को दूसरे रास्तों की ओर मोड़ सकती है; इसलिए केवल प्रशिक्षण संगणना पर रोक लगाने से कुल प्रगति रुकना ज़रूरी नहीं है। अन्य रास्तों के आगे बढ़ते रहने के दौरान किसी एक इनपुट को दबाने से क्षमता का “ओवरहैंग” भी पैदा हो सकता है, जिसके बाद बाधा हटने या उसे दरकिनार किए जाने पर प्रगति और तेज़ हो सकती है।

AGI से आगे की प्रगति को मापना

प्रस्तावित जवाब है अग्रणी प्रयोगशालाओं और राष्ट्रीय तथा वैश्विक संस्थानों तक फैले अंतर्विषयक कार्य के ज़रिए मॉडल बनाना, मापना, पूर्वानुमान करना और इस प्रक्रिया को दोहराना। कुछ आवश्यक मापदंडों के लिए अग्रणी मॉडलों तक पहुँच, पर्याप्त मूल्यांकन कंप्यूटिंग क्षमता और नई बेंचमार्किंग तथा मॉडलिंग विधियों की ज़रूरत है।

क्या ये रास्ते ASI तक पहुँचाएँगे और इसमें कितना समय लगेगा, यह अभी अनिश्चित है। निकट भविष्य की चुनौती ऐसे मूल्यांकन तैयार करना है जो एजेंटों की बढ़ती गति और संख्या को वास्तव में नई क्षमताओं से अलग पहचान सकें, साथ ही सार्वजनिक संस्थानों को इतनी पहुँच और कंप्यूटिंग क्षमता देना है कि वे उन रास्तों पर नज़र रख सकें जो एक-दूसरे को मज़बूत कर सकते हैं।

Jonas Reeve एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो संज्ञानात्मक AI, कृत्रिम सामान्य बुद्धिमत्ता (AGI), और मशीन इंटेलिजेंस की सैद्धांतिक नींव पर केंद्रित हैं। उनका कार्य यह जांचता है कि सीखना, तर्क, स्मृति और अमूर्तन दोनों जैविक और कृत्रिम प्रणालियों में कैसे उभरते हैं, और आधुनिक AI आर्किटेक्चर को संज्ञानात्मक विज्ञान और मन के दर्शन में लंबे समय से मौजूद प्रश्नों से जोड़ता है।

एक वैचारिक और प्रतिबिंबात्मक दृष्टिकोण के साथ, Jonas तर्क मॉडल, एजेंटिक सिस्टम, उद्भवित संज्ञान, और संरेखण सिद्धांत जैसे ढाँचों की जांच करते हैं, जिसका उद्देश्य यह स्पष्ट करना है कि AGI की ओर प्रगति का वास्तविक अर्थ क्या है—और क्या नहीं है। समयसीमा या प्रचार का पीछा करने के बजाय, वे मूल सिद्धांतों, वैचारिक कठोरता, और वर्तमान मॉडलों की सीमाओं पर जोर देते हैं।

Jonas Reeve द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा सटीकता, स्पष्टता, और उन्नत AI अवधारणाओं की जिम्मेदार चर्चा सुनिश्चित करने के लिए समीक्षित किए जाते हैं।