यह पन्ना बाकियों से अलग क्यों पढ़ा जाता है
इस मैनुअल का अधिकांश हिस्सा अनिश्चितता, ख़तरे, और जो सत्यापित किया जा सकता है उसमें ईमानदार कमियों के इर्द-गिर्द बना है। यह पन्ना अलग है: यह ऐसे AI-चालित वैज्ञानिक नतीजे इकट्ठा करता है जो तारीख़-लगे, जांचे जा सकने वाले हैं, और एक मामले में पहले से ही एक नोबेल पुरस्कार अपने साथ रखते हैं — फिर भी उसी शोध कार्यक्रम ने, जिसने वह नोबेल-विजेता तरीका पैदा किया, एक औपचारिक रूप से सुधारा गया Nature लेख और एक ऐसा डायग्नॉस्टिक टूल भी पैदा किया जो लैब में काम किया और असली क्लिनिक में लड़खड़ा गया। दोनों तथ्यों को एक साथ थामे रखना — असली उपलब्धि और असली अति-दावा, एक ही लैब से, कभी-कभी एक ही साल में — इसी पन्ने का मक़सद है, कोई हल की जाने वाली विरोधाभास नहीं।
नीचे जो कुछ भी है वह किसी वैज्ञानिक या चिकित्सीय समस्या पर लागू संकीर्ण, कार्य-विशिष्ट मशीन लर्निंग से जुड़ा है, AGI से नहीं। कि कोई भविष्य का सामान्य सिस्टम एक साथ पूरे विज्ञान को तेज़ कर देगा, यह एक परिदृश्य है, जिसे AI के फ़ायदे और देरी की अवसर-लागत पर संबोधित किया गया है; यह पन्ना उसी तक सीमित रहता है जो लॉन्च हो चुका, प्रकाशित हो चुका, या पीयर-रिव्यू हो चुका है।
प्रोटीन संरचनाएं, सुलझाई गईं: AlphaFold और 2024 का नोबेल पुरस्कार
सबसे स्पष्ट मामला प्रोटीन संरचना की भविष्यवाणी है। अक्टूबर 2024 में रॉयल स्वीडिश एकेडमी ऑफ़ साइंसेज़ ने रसायन विज्ञान का नोबेल पुरस्कार संयुक्त रूप से Google DeepMind के Demis Hassabis और John Jumper को, “प्रोटीन संरचना की भविष्यवाणी के लिए,” और University of Washington के David Baker को, कम्प्यूटेशनल प्रोटीन डिज़ाइन के लिए दिया (NobelPrize.org, 9 अक्टूबर, 2024) — यह क्षेत्र का सबसे बड़ा सम्मान है, AlphaFold2 के मूल 2020 नतीजों के चार साल बाद, और इसकी पुष्टि उस अनुशासन ने की जिसने वे साल इस टूल का वास्तव में इस्तेमाल करते हुए बिताए: रिपोर्ट के अनुसार 190 देशों में दो करोड़ से ज़्यादा शोधकर्ताओं ने लगभग सभी 20 करोड़ ज्ञात प्रोटीनों के लिए संरचनाओं की भविष्यवाणी की, जिनकी सटीकता कठिन लक्ष्यों पर प्रयोगात्मक तरीकों के क़रीब पहुंच गई (Nature News, 9 अक्टूबर, 2024)।
संरचना से दवा तक: Isomorphic Labs, अब भी पाइपलाइन में
DeepMind के प्रोटीन-फ़ोल्डिंग काम से Isomorphic Labs अलग होकर बनी, जिसे संरचना-भविष्यवाणी को दवा-खोज तक ले जाने के लिए बनाया गया। जनवरी 2024 में इसने Eli Lilly और Novartis के साथ मिलकर लगभग 3 अरब डॉलर के संभावित माइलस्टोन-मूल्य के सौदे किए, जिनका लक्ष्य “अदवा-योग्य” छोटे-अणु लक्ष्य थे (TechCrunch, 7 जनवरी, 2024)। 2026 की शुरुआत तक, माध्यमिक रिपोर्टिंग ने इस सहयोग को कई प्री-क्लिनिकल उम्मीदवार पैदा करने वाला बताया — जो किसी क्लिनिकल ट्रायल से अब भी सालों दूर हैं, स्वीकृत दवा की तो बात ही छोड़िए। इस लेखन के समय तक इस साझेदारी से कोई दवा मानव-परीक्षणों में दाख़िल नहीं हुई है।
AlphaFold ने एक लंबी पाइपलाइन के एक क़दम को तेज़ किया; यह नहीं दिखाया गया है कि इसने पाइपलाइन के नतीजे को तेज़ किया हो, स्वीकृत उपचारों में मापा गया, न कि माइलस्टोन भुगतानों में। AI के फ़ायदे और देरी की अवसर-लागत मापे गए फ़ायदे और अनुमानित फ़ायदे के बीच रेखा खींचता है — यह साफ़ तौर पर एक अनुमानित फ़ायदा है।
सामग्री-खोज — और एक सुधार जो साबित करता है कि व्यवस्था काम करती है
यहां सबसे ज़्यादा सीखने लायक़ मामला मटीरियल साइंस का है, ठीक इसलिए क्योंकि यह किसी साफ़-सुथरी सफलता की कहानी बनकर नहीं रह गया। नवंबर 2023 में DeepMind ने Nature में GNoME प्रकाशित किया: एक सिस्टम जिसने 2.2 करोड़ संभावित क्रिस्टल संरचनाओं की भविष्यवाणी की, जिनमें से क़रीब 3,81,000 को स्थिर बताया गया — पूरे पिछले ऐतिहासिक रिकॉर्ड से लगभग 45 गुना ज़्यादा स्थिर-लेकिन-अवास्तविक यौगिक (Merchant et al., Nature, 29 नवंबर, 2023)। एक साथी पेपर ने एक स्वायत्त रोबोटिक प्रयोगशाला, “A-Lab,” का वर्णन किया, जिसने इन भविष्यवाणियों का इस्तेमाल करते हुए बिना किसी मानवीय हस्तक्षेप के, सत्रह दिनों में दर्जनों नई सामग्रियां संश्लेषित कीं।
2024 में, तीन बाहरी रसायनज्ञों — Robert Palgrave (UCL), Leslie Schoop (Princeton), और Susan Latturner (Florida State) — ने पाया कि A-Lab के लगभग दो-तिहाई “नए” यौगिक दरअसल पहले से ज्ञात संरचनाएं थीं, ग़लत पहचाने गए क्योंकि इसके X-ray विवर्तन विश्लेषण ने किसी प्रशिक्षित क्रिस्टलोग्राफ़र द्वारा किए जाने वाले सावधान Rietveld परिष्करण के बजाय नौसिखिया-स्तर की पैटर्न-मिलान का इस्तेमाल किया; कई पहले से ही Inorganic Crystal Structure Database में मौजूद थे। 19 जनवरी, 2026 को, Nature ने एक औपचारिक लेखक-सुधार प्रकाशित किया जिसमें स्वीकार किया गया कि नवीनता के दावे “ग़लत व्याख्या के अधीन” थे — प्लेटफ़ॉर्म की अपनी सूची के लिए नए, ज़रूरी नहीं कि विज्ञान के लिए नए हों।
यह AI की विफलता की कहानी नहीं है। GNoME की संरचना-भविष्यवाणियां वह हिस्सा नहीं थीं जो ग़लत निकलीं; अति-दावा इस बात में था कि आगे चलकर “नया” कैसे परिभाषित किया गया — और इसे दो साल बाद सामान्य पीयर-रिव्यू के ज़रिए पकड़ा और औपचारिक रूप से सुधारा गया। यही व्यवस्था का इरादे के मुताबिक़ काम करना है: एक Nature प्रकाशन मज़बूत सबूत है, पर जांच से अछूता नहीं, और किसी दावे की असली स्थिति वह है जो जांच में टिकी रहती है, न कि जो लॉन्च वाले हफ़्ते प्रेस-विज्ञप्ति ने कहा था।
गणित: ओलंपियाड में AlphaProof, समय से बाहर
जुलाई 2024 में DeepMind ने घोषणा की कि AlphaProof और AlphaGeometry 2 ने उस साल के International Mathematical Olympiad में छह में से चार समस्याएं हल कीं, 42 में से 28 अंक के साथ — रजत-पदक स्तर, पहली बार किसी AI सिस्टम ने यह हासिल किया (DeepMind, 25 जुलाई, 2024)। DeepMind ने ख़ुद बताया कि एक समस्या मिनटों में हल हो गई पर बाक़ी को तीन दिन तक की गणना लगी, यह ध्यान देने लायक़ है क्योंकि मानव प्रतियोगी वही छह समस्याएं साढ़े चार घंटे के दो सत्रों में हल करते हैं। इसे असली IMO प्रविष्टि के रूप में न तो जमा किया गया न आंका गया और किसी प्रतियोगिता-नतीजे के रूप में इसकी स्वतंत्र रूप से पीयर-रिव्यू नहीं हुई; यह कंपनी द्वारा चलाया गया एक बेंचमार्क है, ईमानदारी से लेबल किया गया, यह दावा नहीं कि AI ओलंपियाड गणितज्ञों के सामने आने वाली असली बाधाओं के तहत उनसे मुक़ाबला करता है।
मौसम पूर्वानुमान: एक मामला जिसे पीयर-रिव्यू पहले ही सुलझा चुका है
मौसम पूर्वानुमान एक उपयोगी तुलना है क्योंकि ज़मीनी सच्चाई रोज़ आती है और इसे बाद में तोड़ा-मरोड़ा नहीं जा सकता। DeepMind का GraphCast, नवंबर 2023 में Science में प्रकाशित, यूरोपीय मौसम एजेंसी के ऑपरेशनल HRES मॉडल से हज़ारों मूल्यांकित वेरिएबल-और-लीड-टाइम संयोजनों के भारी बहुमत पर बेहतर निकला, और एक सिंगल TPU पर एक मिनट से कम में दस-दिन का वैश्विक पूर्वानुमान बनाता है (DeepMind, 14 नवंबर, 2023)। पूर्वानुमानों को हर दिन असली मौसम के मुक़ाबले आंका जाता है, इसलिए यह उन क्षेत्रों में से एक है जहां अति-दावा करना ज़्यादा कठिन है, और सालों बाद भी नतीजा टिका हुआ है।
चिकित्सा, नियामक स्तर पर: FDA मंज़ूरियां कई गुना बढ़ीं
क्लिनिकल AI नयेपन से रोज़मर्रा के नियामक कारोबार में बदल चुका है। अप्रैल 2018 में, IDx-DR (अब LumineticsCore) चिकित्सा में पहला FDA-प्राधिकृत पूरी तरह स्वायत्त AI डायग्नॉस्टिक सिस्टम बना, बिना किसी चिकित्सक की व्याख्या के डायबिटिक रेटिनोपैथी का पता लगाने के लिए मंज़ूर, 900-विषयों के एक ट्रायल पर आधारित जिसने विशेषज्ञ-ग्रेडिंग के मुक़ाबले 87.2% संवेदनशीलता और 90.7% विशिष्टता दिखाई (npj Digital Medicine, 2018)। ऐसी मंज़ूरियां अब सामान्य बात हैं: AI-सक्षम उपकरणों के लिए FDA प्राधिकरण 2024 के अंत तक लगभग 758 से बढ़कर दिसंबर 2025 तक 1,039 हो गए, रफ़्तार लगभग 21 से बढ़कर लगभग 30 प्रति माह हो गई, जिसमें GE HealthCare, Siemens Healthineers, Philips, और Canon आगे रहे (The Imaging Wire, 11 मार्च, 2026)। एक मंज़ूरी एक असली, जांचने-लायक़ तथ्य है — यह “यह टूल आपके अस्पताल में अच्छी तरह काम करता है” के दावे के बराबर नहीं है, जहां से अगला भाग शुरू होता है।
लैब-से-क्लिनिक की खाई: जब मॉडल किसी असली मरीज़ से मिलता है
सत्यापित सटीकता और तैनाती की वास्तविकता के बीच की खाई का सबसे स्पष्ट दस्तावेज़ीकृत मामला Google Health का डायबिटिक-रेटिनोपैथी सिस्टम है, जिसने ट्रायल में 90% से ज़्यादा संवेदनशीलता और विशिष्टता हासिल की। नवंबर 2018 से अगस्त 2019 के बीच थाईलैंड के 11 क्लिनिकों में तैनात, इसने नर्सों द्वारा जमा की गई लगभग 1,940 तस्वीरों में से क़रीब 21% को “ग्रेड न किए जाने योग्य” बताकर ख़ारिज कर दिया — ज़्यादातर ऐसी रोशनी की स्थितियां जिन्हें कोई मानव पाठक बिना दोबारा सोचे स्वीकार कर लेता — जिससे कामकाज बाधित हुआ और उन मरीज़ों के लिए दौरे लंबे हो गए जो अक्सर जांच के लिए घंटों यात्रा करके आए थे। यह खोज CHI 2020 में पीयर-रिव्यू हुई, जो ह्यूमन-कंप्यूटर इंटरैक्शन का एक अग्रणी मंच है, और उस समय MIT Technology Review ने इसे रिपोर्ट किया (MIT Technology Review, 27 अप्रैल, 2020)। रेडियोलॉजी AI की बाद की समीक्षाएं इसे एक बार-बार दोहराया जाने वाला पैटर्न बताती हैं: असली-दुनिया का प्रदर्शन स्थानीय उपकरण और कार्यप्रवाह पर निर्भर करता है, अकेले किसी मॉडल के सटीकता-आंकड़े पर नहीं।
एक अलग FDA-मंज़ूर स्ट्रोक टूल, Viz.ai, इस विभाजन को अलग तरीक़े से दिखाता है: लगभग एक दर्ज़न अध्ययनों और 15,000 से ज़्यादा मरीज़ों को समेटने वाली एक व्यवस्थित समीक्षा और मेटा-विश्लेषण ने अस्पताल के कार्यप्रवाह को तेज़ किया, बिना उन क्लिनिकल नतीजों में सांख्यिकीय रूप से सार्थक सुधार के जिन्हें बेहतर बनाने के लिए वे कार्यप्रवाह मौजूद हैं। तेज़ होना अपने-आप बेहतर होने की गारंटी नहीं है।
यह पैटर्न बाक़ी साइट के बारे में क्या कहता है
ऊपर हर मामला उन्हीं मुट्ठी भर फ़्रंटियर लैब्स ने पैदा किया जिनकी चर्चा यह मैनुअल कहीं और भी करता है — मुख्य रूप से Google DeepMind — जिनकी शोध-संस्कृति फ़्रंटियर AI लैब्स कैसे अलग हैं पर कवर की गई है, और जिनकी वैज्ञानिक क्षमता का मुट्ठी भर संगठनों में संकेंद्रण सत्ता का संकेंद्रण: गिनी-चुनी लैब्स क्यों मायने रखती हैं पर अपना अलग विषय है। वह संकेंद्रण दोनों तरफ़ काम करता है: यही वजह है कि एक ही कार्यक्रम दो साल के भीतर एक नोबेल पुरस्कार, एक रजत-पदक ओलंपियाड प्रदर्शन, और एक सुधारा गया Nature लेख जमा कर सकता है, और यही वजह है कि इन दावों की पहली छवि किसी लैब के अपने प्रचार से होकर गुज़रती है और बाद में ही उस पीयर-रिव्यू से जो उसके प्रति जवाबदेह नहीं है।
इनमें से कोई भी बात नतीजों को ख़ारिज करने की दलील नहीं है। नोबेल पुरस्कार प्रचार नहीं है; एक मिनट से कम में तैयार दस-दिन का पूर्वानुमान प्रचार नहीं है। पर “AI विज्ञान को तेज़ कर रहा है” उतना ही सच है जितना इस तकनीक के बारे में ज़्यादातर टिकाऊ दावे सच होते हैं: असमान रूप से, जिसमें सबसे स्पष्ट सफलताएं उन समस्याओं में हैं जिनकी ज़मीनी सच्चाई साफ़ और जांचने लायक़ है — एक फ़ोल्ड हुआ प्रोटीन, कल का मौसम, किसी क्रिस्टल की मापी गई स्थिरता — और एक स्थायी खाई जहां भी आख़िरी क़दम किसी अस्त-व्यस्त क्लिनिक या बिना-जांची प्रेस-विज्ञप्ति से होकर गुज़रता है। वह अनुशासन जिसने GNoME की ग़लती को, दो साल बाद, पकड़ा, वही अनुशासन है जिसे यह पन्ना पाठकों से इस साइट पर हर जगह लागू करने के लिए कहता है।