वह परिदृश्य जिसे इस गाइड को गंभीरता से लेना ज़रूरी है
इस स्तंभ का हर पन्ना एक तेज़ी से बदलते क्षेत्र के बारे में तर्क करता है, और पूर्वानुमान तथा डैशबोर्ड वाले पन्ने निरंतर तेज़ प्रगति को कार्यशील परिकल्पना मानते हैं। यह पन्ना उसका प्रतिसंतुलन है: अगर AGI तय समय पर न आए तो? एक गंभीर गाइड को परिणामों के पूरे बंटवारे के लिए योजना बनानी चाहिए, न कि सबसे संभावित सुर्खी के लिए, और उस बंटवारे में ठहराव भी शामिल है। यह ऐतिहासिक रूप से दस्तावेज़ीकृत घटना के बारे में परिदृश्य-विश्लेषण है, यह दावा नहीं कि प्रगति रुक चुकी है।
पिछले दो शीतकाल असल में कैसे दिखे थे
यह क्षेत्र पहले भी यहां से गुज़र चुका है, दो बार।
पहला शीतकाल (लगभग 1974–1980) एक सीधे संस्थागत झटके के बाद आया। यूके साइंस रिसर्च काउंसिल द्वारा नियुक्त सर जेम्स लाइटहिल की 1973 की रिपोर्ट Artificial Intelligence: A General Survey ने निष्कर्ष निकाला कि AI शोध के बड़े-बड़े वादे — मशीन अनुवाद, रोबोटिक्स, सामान्य समस्या-समाधान — अपने अनुमानित पैमाने के करीब भी पूरे नहीं हो पाए, और फंडिंग को संकुचित क्षेत्रों की ओर मोड़ने की सिफ़ारिश की। कुछ ही वर्षों में, अटलांटिक के दोनों ओर प्रमुख सरकारी फंडर्स पीछे हट गए, और स्नातकोत्तर कार्यक्रम तेज़ी से सिकुड़ गए।
दूसरे शीतकाल (लगभग 1987–1993) ने एक अलग शिकार लिया: एक्सपर्ट सिस्टम। इन नियम-आधारित वाणिज्यिक उत्पादों ने 1980 के दशक के दौरान भारी कॉर्पोरेट और सरकारी निवेश खींचा था, फिर अपनी ही भंगुरता के तले ढह गए — ऐसे सिस्टम जो सीख नहीं सकते थे, अपवादों को संभाल नहीं सकते थे, और जिन्हें बनाए रखना महंगा था। बाज़ार की इस तबाही ने पूरे सिंबॉलिक-AI प्रतिमान की फंडिंग को अपने साथ नीचे खींच लिया। नेशनल एकेडमीज़ के संघीय कंप्यूटिंग शोध के इतिहास, Funding a Revolution (1999), में यह दर्ज है कि कैसे DARPA की वापसी और Lisp मशीन विक्रेताओं के लुप्त होने ने एक उप-क्षेत्र की विफलता को पूरे अनुशासन के सूखे में बदल दिया (National Academies Press)। पूर्ण कथात्मक इतिहास के लिए Crevier की AI: The Tumultuous History of the Search for Artificial Intelligence (1993) और Nilsson की The Quest for Artificial Intelligence (2009) पढ़ने लायक हैं — दोनों केवल तथ्यों के लिए नहीं बल्कि पैटर्न के लिए भी।
पैटर्न यह है: हर शीतकाल कोई तकनीकी मृत-अंत नहीं था बल्कि एक विश्वसनीयता-और-फंडिंग पतन था। विज्ञान परछाइयों में आगे बढ़ता रहा; पैसा, प्रतिभा, और सार्वजनिक धैर्य नहीं बढ़ा। शीतकाल तब समाप्त हुआ जब एक कम-लागत वाले प्रदर्शन — शतरंज, फिर ImageNet — ने इस क्षेत्र को लगभग रातों-रात फिर से निवेश-योग्य बना दिया।
झूठी सुबह का पक्ष
ठहराव के तर्क के सबसे मज़बूत संस्करण के तीन पहलू हैं।
डेटा और एल्गोरिथमिक सीमाएं। मानव-जनित पाठ पर Epoch के विश्लेषण ने अनुमान लगाया कि यदि तत्कालीन रुझान बने रहे तो उच्च-गुणवत्ता वाले सार्वजनिक प्रशिक्षण डेटा का भंडार लगभग एक दशक के भीतर समाप्त हो जाएगा (Villalobos et al., 2022), जिससे सिंथेटिक डेटा और अन्य विकल्पों पर निर्भरता बढ़ेगी जिनका दीर्घकालिक मूल्य वाकई अनिश्चित है। अलग से, इस क्षेत्र ने बार-बार बेंचमार्क संतृप्ति को सामान्य दक्षता समझने की भूल की है — यह एक चेतावनी है जिसे इस गाइड के उभरती क्षमताएं और ट्यूरिंग-टेस्ट वाले पन्ने विस्तार से समझाते हैं। बेंचमार्क संतृप्त हो सकते हैं जबकि वास्तविक-दुनिया की विश्वसनीयता — वह चीज़ जिसके लिए अर्थव्यवस्थाएं असल में भुगतान करती हैं — बुरी तरह पिछड़ जाती है।
असमानता ही सीमा हो सकती है, फ़र्श नहीं। यह लगातार पाया जाने वाला तथ्य कि मॉडल कुछ आयामों में अति-मानवीय हैं और आसन्न आयामों में अकथनीय रूप से कमज़ोर, इसका एक निराशावादी पाठ है: कि नेक्स्ट-टोकन-भविष्यवक्ता को स्केल करने से व्यापकता तो मिलती है, लेकिन उस तरह का मज़बूत, संयोजक तर्क नहीं मिलता जिसकी स्केलिंग-नियम आशावादी उम्मीद करते हैं। Chollet का यह तर्क कि समकालीन बेंचमार्क बुद्धिमत्ता को बढ़ा-चढ़ाकर दिखाते हैं क्योंकि वे नवीनता के तहत कौशल-अर्जन की मांग करने के बजाय स्मरण-शक्ति की अनुमति देते हैं, इस संशयवाद का प्रामाणिक कथन है (Chollet, 2019)।
अतिशेष दोनों तरफ़ काटता है। भले ही लाभ असली हों, हो सकता है वे पहले ही निकाले जा चुके हों: “क्षमता अतिशेष” तर्क यह संकेत देता है कि आज के मॉडल अपने प्रशिक्षण से कम प्रदर्शन करते हैं क्योंकि उत्पाद, मूल्यांकन, और संगठन अभी तक उनके बराबर नहीं पहुंचे हैं। यदि ऐसा है, तो आगे की स्केलिंग से घटते हुए दृश्य लाभ मिलते हैं — जिसे बाज़ार पठार समझकर पढ़ता है, चाहे अंतर्निहित कारण जो भी हो। स्केल के विरुद्ध जाने वाली एक दस्तावेज़ीकृत घटना भी है: व्युत्क्रम स्केलिंग, जहां बड़े मॉडल कुछ कार्यों में — जैसे कुछ तरह के सत्यनिष्ठ या संवेदनशील तर्क में — बदतर स्कोर करते हैं (McKenzie et al., 2023)।
शीतकाल के विरुद्ध पक्ष
शीतकाल के समर्थकों को यह समझाना होगा कि यह चक्र पिछले दो चक्रों से क्यों मिलता-जुलता है, और अंतर बड़े हैं।
इस बार पैसा असली है। पिछले शीतकाल बिना राजस्व के प्रचार-प्रसार के बाद आए थे। मौजूदा चक्र में तैनाती-राजस्व दसियों अरब डॉलर सालाना में मापा जाता है और निजी जेनरेटिव-AI निवेश लगातार रिकॉर्ड बना रहा है — Stanford AI Index 2025 अकेले 2024 में 33.9 अरब डॉलर के निजी जेनरेटिव-AI निवेश की रिपोर्ट करता है, जो साल-दर-साल तेज़ी से बढ़ा है। इतने बड़े पैमाने की फंडिंग बेंचमार्क के निराश करने से भाप नहीं बनती; यह तब भाप बनती है जब बैलेंस शीट टूटती हैं।
हार्डवेयर आधार विशाल है। पहले के शीतकाल कुछ अनुदान काटकर क्षेत्र को भूखा रख सकते थे। आज यह क्षेत्र एक पूंजी-गहन सेमीकंडक्टर, क्लाउड, और ऊर्जा निर्माण पर सवार है जिसके निवेशक दशकों के प्रतिफल की उम्मीद करते हैं। यह निरंतर प्रगति के लिए एक फ़र्श है — और, ज़्यादा अंधेरे ढंग से, एक ऐसा हितधारक-समूह है जो सावधानी के रुकने का इशारा करने पर भी धकेलता रहेगा।
व्यापक एकीकरण अपनी खुद की मांग पैदा करता है। करोड़ों लोग और कंपनियों का एक बड़ा हिस्सा अब सामान्य काम के लिए AI सिस्टम पर निर्भर हैं। उपयोगिता, नवीनता के विपरीत, फैशन से बाहर नहीं जाती। सबूत का भार शीतकाल के तर्क पर है: उसे यह दिखाना होगा कि प्रगति केवल धीमी नहीं होती, बल्कि इतनी और इतने लंबे समय तक धीमी होती है कि इतने बड़े स्थापित आधार के सामने फंडिंग-पतन दोहराया जा सके।
एक शीतकाल का क्या अर्थ होगा
मान लीजिए ठहराव होता है। इसके बाद जो होगा वह वाकई दोधारी है।
प्रतिभा का बिखराव। एक शीतकाल अग्रणी शोधकर्ताओं को हेज फंड, बायोटेक, और जो भी अगला गर्म क्षेत्र हो, उस ओर धकेलता है। यह सुरक्षा के लिए एक तरह से बुरा है — अलाइनमेंट विशेषज्ञता, जो पहले से ही मुट्ठी भर लैब्स में सीमित और पतली है, बिखर जाती है — और शायद दूसरी तरह से अच्छा भी: खतरनाक क्षमता वाला काम धीमा हो जाता है जबकि उन्हीं में से कुछ दिमाग़ संकुचित, ज़्यादा परीक्षण-योग्य समस्याओं पर काम करने लगते हैं। शुद्ध प्रभाव पहले से जानना असंभव है, लेकिन अलाइनमेंट प्रतिभा का बिखराव एक वास्तविक लागत है जिसे शीतकाल-आशावादी अक्सर नज़रअंदाज़ कर देते हैं।
हार्डवेयर अतिशेष। रुकी हुई सॉफ़्टवेयर प्रगति चिप्स को पिघला नहीं देती। एक ऐसी दुनिया जो कल फ्रंटियर मॉडलों को प्रशिक्षित करना बंद कर दे, फिर भी तैनात क्षमता का एक विशाल भंडार रखेगी, जिसका बड़ा हिस्सा सुरक्षा-स्टाफिंग बनाए रखने के लिए कम-प्रोत्साहित होगा। शीतकाल मौजूदा सिस्टम के इर्द-गिर्द के बचाव को पतला करता है; यह सिस्टम को खुद पतला नहीं करता।
गलत-पठन का जोखिम। यही सबसे बुरा हिस्सा है। एक वास्तविक बहु-वर्षीय पठार को राजनीतिक रूप से “खतरा टल गया” के रूप में पढ़ा जाएगा — एक निष्कर्ष जो सक्रिय रूप से ग़लत होगा। रुकी हुई प्रगति खंडित प्रगति नहीं है। अंतर्निहित चालक (कंप्यूट, एल्गोरिथमिक दक्षता, वाणिज्यिक प्रोत्साहन) पृष्ठभूमि में जमा होते रहेंगे, और जब पुनः आरंभ होगा, वह संभवतः तेज़ और पहले से कम निगरानी वाला होगा उस उभार की तुलना में जो इससे पहले आया था। इस गाइड का लाभ और अवसर-लागत पर विश्लेषण भी इसी तरह काटता है: एक ठहरा हुआ परिवर्तन भी वास्तविक लाभ लाता है, और जो दुनिया जल्दी जीत घोषित कर देती है वह लाभ और सतर्कता दोनों गंवा देती है।
गलत-पठन के जोखिम पर ज़ोर देना ज़रूरी है: सबसे खतरनाक शीतकाल वह है जो जनता को यह यक़ीन दिला दे कि खतरा टल गया है। ऐतिहासिक शीतकाल पुनः आरंभ में समाप्त हुए हैं। किसी ठहराव में कुछ भी यह गारंटी नहीं देता कि सुरक्षा-कार्य अगले पिघलाव तक बचा रहेगा।
सुर्खी के लिए नहीं, बंटवारे के लिए योजना बनाएं
एक गाइड के लिए ईमानदार रुख वही है जिससे यह पन्ना शुरू हुआ था: विश्लेषण को न तो निरंतर घातांकीय प्रगति पर दांव पर लगाएं, न ही किसी ठहराव पर। क्षमता के समय पर आने, देर से आने, असमान रूप से आने, और इस साइट पर कहीं और वर्णित संस्थागत विफलताओं के बीच आने — सबके लिए तैयार रहें, क्योंकि यही तैयारियां (मज़बूत संस्थाएं, संरक्षित ज्ञान, वितरित प्रतिक्रिया-क्षमता) पूरे बंटवारे में काम आती हैं। एक शीतकाल समय को बदल देगा। यह इस बात को नहीं बदलेगा कि एक अच्छी तरह तैयार समाज कैसा दिखता है।