कंप्यूटर विज्ञान
ऐसी भाषा जो प्रोग्रामिंग के बारे में आपके सोचने के तरीके को प्रभावित नहीं करती, वह जानने लायक नहीं है।
— (1982)
अनुभवी डेवलपर AI के साथ खुद को तेज़ समझते रहे, जबकि माप में वे धीमे निकले — और यह AI कोडिंग पर अंतिम फैसला नहीं है
METR के एक यादृच्छिकीकृत नियंत्रित परीक्षण में सोलह अनुभवी ओपन-सोर्स डेवलपरों ने उन कोडबेस पर 246 वास्तविक कार्य किए जिन्हें वे अच्छी तरह जानते थे। आधे कार्यों में, यादृच्छिक रूप से, उन्हें 2025 की शुरुआत के AI औज़ार (Cursor Pro और Claude 3.5/3.7 Sonnet) इस्तेमाल करने दिए गए। उन्हें उम्मीद थी कि AI समय लगभग 24% घटाएगा; इसके बजाय कार्य पूरा करने में 19% अधिक समय लगा — और अध्ययन के बाद भी वे मानते रहे कि AI ने उन्हें लगभग 20% तेज़ किया। अनुभव और मापन के बीच यही अंतर अध्ययन का सबसे स्पष्ट और मजबूत परिणाम है। लेकिन नमूना केवल सोलह डेवलपरों का है, परिस्थिति बहुत संकरी है और औज़ार 2025 की शुरुआत के हैं: लेखक साफ कहते हैं कि इससे यह निष्कर्ष नहीं निकलता कि AI अधिकांश डेवलपरों की मदद नहीं करता। उनका 2026 का अनुवर्ती अध्ययन, अपनी सीमाओं के साथ, अब तेजी की दिशा में संकेत देता है।
एक cryptographic proof अपने रहस्य को इस तरह छिपा सकता है कि “गायब simulator” की अनुपस्थिति साबित करना कठिन हो जाए
Zero-knowledge proofs किसी कथन को बिना witness उजागर किए साबित करने देते हैं। Classical theory के अनुसार पूर्ण अर्थ में यह एक message, बिना trusted setup और perfect soundness के संभव नहीं है। Rahul Ilango का शोधपत्र उस असंभवता को मिटाता नहीं; वह लक्ष्य बदलता है। वास्तविक simulator मौजूद होने की मांग के बजाय वह यह मांगता है कि चुनी गई proof system यह कुशलतापूर्वक साबित न कर सके कि simulator मौजूद नहीं है। Proof complexity और cryptography से जुड़ी बड़ी मान्यताओं के तहत यह zero-knowledge के falsifiable, game-based परिणामों को गुण-दर-गुण वापस पाने के लिए पर्याप्त है। यह इंटरनेट में सीधे लगा देने वाला primitive नहीं, बल्कि proof theory का एक तरीका है जिसमें गणितीय अप्रमाण्यता cryptographic cover बनती है।
चिकित्सकीय AI औसतन निजी दिख सकती है, फिर भी कुछ मरीजों को उजागर कर सकती है — खासकर कम प्रतिनिधित्व वाले लोगों को
“गोपनीयता-सुरक्षित” कहे जाने वाले चिकित्सकीय AI मॉडल अक्सर एक औसत संख्या पर टिके होते हैं। यह अध्ययन कहता है कि वह कसौटी पर्याप्त नहीं है। लेखकों ने membership inference हमलों का अध्ययन किया — ऐसे हमले जो यह अनुमान लगाते हैं कि किसी व्यक्ति का रिकॉर्ड मॉडल के प्रशिक्षण डेटा में था या नहीं, और इस तरह किसी बीमारी से जुड़ी संवेदनशील जानकारी का संकेत दे सकते हैं। सात चिकित्सकीय डेटासेट (इमेजिंग, ECG और इलेक्ट्रॉनिक रिकॉर्ड) तथा अनेक मॉडलों में उन्होंने जोखिम को औसत के बजाय मरीज-दर-मरीज मापा। नतीजा: औसतन सुरक्षित दिखने वाला मॉडल भी कुछ व्यक्तियों को लगभग पूरी तरह पहचानने दे सकता है (attack AUC ≥ 0.95); सबसे अधिक उजागर लोग व्यवस्थित रूप से कम प्रतिनिधित्व वाले समूहों से आते हैं — अल्पसंख्यक जातीयता, दुर्लभ रोग या असामान्य इमेजिंग — और बड़े मॉडल में समस्या बढ़ती है। लेखक चिकित्सकीय AI छोड़ने को नहीं कहते; वे प्रति-मरीज गोपनीयता मापने, मॉडल तक पहुँच नियंत्रित करने और differential privacy इस्तेमाल करने की सलाह देते हैं। असुविधाजनक निष्कर्ष: “औसतन निजी” होना किसी व्यक्ति की गोपनीयता की गारंटी नहीं है।
Drawing AI को अपनी ही canvas देखने की ट्रेनिंग
Vector graphics बनाने वाले language models आम तौर पर “अंधे” काम करते हैं — drawing commands लिखते जाते हैं, लेकिन बनती हुई image देखते नहीं। नई method model को stroke-by-stroke canvas भरते हुए देखने देती है। दिलचस्प मोड़ यह है कि सिर्फ “आँखें” दे देने से performance खराब होती है: model को visual feedback इस्तेमाल करना दोबारा सीखना पड़ता है। सही retraining के बाद model उन rivals के बराबर या थोड़ा आगे पहुँचता है जिन्हें बीस गुना तक अधिक data मिला था। एक benchmark पर वास्तविक और सावधानी से मापा result — revolution नहीं।
एक AI एजेंट ने पूरा मरीज-मामला खुद संभाला — लेकिन सिम्युलेटर में, पुराने रिकॉर्डों पर
MIRA एक अलग तरह की चिकित्सकीय AI है: एक सवाल का जवाब देने के बजाय यह नकली अस्पताल रिकॉर्ड के भीतर पूरा मामला चलाती है — इतिहास लेती है, जाँचें मंगाती और पढ़ती है, निदान तक पहुँचती है और आदेश लिखती है। सार्वजनिक डेटाबेस के 574 पुराने मामलों और पहले से चुने गए आठ निदानों में लेखकों के अनुसार इसकी निदान-सटीकता चिकित्सकों से अधिक रही और इसके अधिकांश निर्णय दिशानिर्देशों के अनुरूप तथा दवा-सुरक्षा की दृष्टि से उचित थे। लेकिन हर सीमा महत्वपूर्ण है: यह केवल पाठ-आधारित सैंडबॉक्स में पुराने रिकॉर्डों पर चली; इसकी बढ़त खासकर उन रोगों में थी जिनके जाँच-नतीजे साफ थे; इसने डॉक्टरों से लगभग दोगुनी रक्त-जाँचें मंगाईं; और कई परिणामों को मूल चार्ट में दर्ज उत्तर के आधार पर अंक दिए गए। असली प्रगति यह है कि एक एजेंट पूरे कार्यप्रवाह में कार्रवाई कर सकता है — यह प्रमाण नहीं कि मशीन अब डॉक्टर से बेहतर निदान करती है। लेखकों के अनुसार सामान्यीकरण, सुरक्षा और शासन के लिए अभी वास्तविक दुनिया में भावी अध्ययन जरूरी हैं।
क्या बड़े robot “foundation models” सचमुच बेहतर काम करते हैं? सावधानी से मापा जवाब: थोड़ा हाँ — और अधिकांश अध्ययन शायद बता ही नहीं पाते
Toyota Research Institute ने “large behavior models” — लगभग 1,700 घंटे के विविध manipulation data पर pretraining पाए robot policies — को unusual rigor के साथ शुरुआत-से प्रशिक्षित single-task policies से तुलना की: blind, randomized, बड़े नमूने वाले trials (लगभग 1,800 real-world और 47,000+ simulation runs) और वास्तविक statistics। प्रति-task fine-tuning के बाद बड़े models औसतन बेहतर रहे, लगभग 3–5× कम task-specific data चाहिए था और परिस्थितियाँ बदलने पर वे अधिक robust थे; अधिक pretraining data के साथ performance धीरे-धीरे बढ़ी। लेकिन fine-tuning के बिना वे लगातार single-task models को नहीं हराते; कई effects इतने छोटे थे कि बड़े नमूनों के बिना दिखते ही नहीं; और साधारण data-normalisation choice architecture से अधिक महत्वपूर्ण निकली। यह robot-foundation-model दिशा के पक्ष में मापा हुआ evidence है — general-purpose robot या zero-shot generalist नहीं, और कोई “emergent leap” भी नहीं — साथ ही चेतावनी कि robotics में बहुत कुछ signal के बजाय noise मापा जा सकता है।
Language models hallucinate क्यों करते हैं — और हमारी grading उन्हें ऐसा करते रहने के लिए क्यों प्रोत्साहित करती है
जिन आत्मविश्वासी झूठे उत्तरों को हम “hallucinations” कहते हैं, वे कोई रहस्यमय glitch नहीं हैं। कुछ training की statistical by-product हैं; और वे इसलिए बने रहते हैं क्योंकि mainstream benchmarks ईमानदार “मुझे नहीं पता” की तुलना में confident guess को अधिक reward करते हैं। चार frontier models पर case study दिखाती है कि prompt में scoring rules साफ लिख देना (“open rubrics”) इस incentive को उलट सकता है।