सहायता, स्वचालन, और पुनरावर्ती सुधार अलग-अलग दावे हैं
AI सिस्टम पहले से ही सॉफ़्टवेयर और मशीन-लर्निंग कार्य में मदद करते हैं। वे कोड लिखते हैं, साहित्य खोजते हैं, प्रयोगों का विश्लेषण करते हैं, परीक्षण सुझाते हैं, और डीबग करने में मदद करते हैं। AI शोध के हिस्सों को स्वचालित करने से विकास-चक्र छोटे हो सकते हैं। इनमें से कोई भी बात, अपने आप में, पुनरावर्ती स्व-सुधार को साबित नहीं करती: एक ऐसा चक्र जिसमें कोई AI सिस्टम अपने उत्तराधिकारियों को बनाने वाली प्रक्रिया में महत्वपूर्ण सुधार करता है, वे उत्तराधिकारी उसे और आगे सुधारते हैं, और क्षमता-वृद्धि मानवीय नियंत्रण से परे तेज़ हो जाती है।
एक स्पष्ट विश्लेषण तीन स्तरों को अलग करता है:
- शोध सहायता: लोग योजना, निर्णय-क्षमता, और एकीकरण का काम अपने पास रखते हुए AI उपकरणों का उपयोग करते हैं।
- वर्कफ़्लो स्वचालन: एक एजेंट सीमित हस्तक्षेप के साथ कोई सीमाबद्ध शोध या इंजीनियरिंग कार्य पूरा करता है।
- छोर-से-छोर AI R&D स्वचालन: सिस्टम महत्वपूर्ण एल्गोरिथमिक प्रगति पैदा करने और उन्हें बेहतर सिस्टम में एकीकृत करने के लिए ज़रूरी अधिकांश काम खुद करते हैं।
केवल तीसरा स्तर ही सबसे मज़बूत फ़ीडबैक-लूप तर्क बनाता है, और तब भी हार्डवेयर, प्रयोग, संगठन, और तैनाती के फ़ैसले गति को सीमित कर सकते हैं।
देखी गई कोडिंग क्षमता
कोडिंग मौजूदा सबसे मज़बूत क्षेत्रों में से एक है। सार्वजनिक एजेंट चुनिंदा रिपॉज़िटरी-समस्याओं को ठीक कर सकते हैं और काम करने वाले प्रोग्राम बना सकते हैं। फिर भी बेंचमार्क अक्सर एक साफ़-सुथरी समस्या, परीक्षण, उपकरण, और स्वचालित रूप से ग्रेड किए जाने वाला एंडपॉइंट उपलब्ध कराते हैं। परिपक्व विकास में अदस्तावेज़ीकृत संदर्भ, समन्वय, उत्पाद-निर्णय, सुरक्षा, और रखरखाव शामिल होता है।
अपने परिचित रिपॉज़िटरी में 246 कार्य पूरे करने वाले 16 अनुभवी ओपन-सोर्स डेवलपर्स पर METR के यादृच्छिक अध्ययन में पाया गया कि 2025 की शुरुआत के AI उपकरणों ने पूर्णता-समय को 19 प्रतिशत बढ़ा दिया, भले ही डेवलपर्स का मानना था कि उपकरणों ने उन्हें तेज़ बनाया है (METR डेवलपर-उत्पादकता अध्ययन)। यह एक संकुचित, तारीख़-सीमित परिणाम है — यह सबूत नहीं कि बाद के उपकरण या अन्य डेवलपर्स भी धीमे हैं। यह दिखाता है कि बेंचमार्क में मिले लाभ को सीधे आर्थिक त्वरण में क्यों नहीं बदला जा सकता।
METR ने 2026 में एक बड़ा फ़ॉलो-अप शुरू किया और जैसे-जैसे उपकरण और उपयोग विकसित हुए, अपना डिज़ाइन बदला (METR उत्थान अपडेट)। वास्तविक उत्पादकता समीक्षा-भार, कार्य-चयन, डेवलपर की परिचितता, एजेंट इंटरफ़ेस, और परीक्षणों से गुज़र जाने वाली त्रुटियों पर निर्भर करती है।
AI शोध बेंचमार्क से मिले सबूत
RE-Bench एजेंटों और मानव विशेषज्ञों को सात खुली मशीन-लर्निंग शोध-इंजीनियरिंग परिस्थितियों में रखता है। अपने मूल अध्ययन में, सर्वश्रेष्ठ एजेंटों ने दो घंटे के बजट के साथ मनुष्यों से लगभग चार गुना ज़्यादा स्कोर किया। मनुष्यों ने अतिरिक्त समय के साथ ज़्यादा सुधार किया, आठ घंटे पर एजेंटों को थोड़ा-सा पीछे छोड़ दिया, और 32 घंटों में एजेंट के स्कोर से लगभग दोगुना हासिल किया (RE-Bench पेपर)।
यह परिणाम मज़बूत लघु-अवधि प्रयोग को दिखाता है: एजेंट कई संभावित समाधान तेज़ी से बना और परख सकते हैं और कभी-कभी उत्कृष्ट अनुकूलन-कार्य पैदा कर सकते हैं। यह एक सीमा भी दिखाता है: एजेंट अटक जाते हैं, फिर से दिशा तय नहीं कर पाते, या लंबे बजट से कम लाभ पाते हैं। सात कार्य शोध के पूरे बंटवारे का प्रतिनिधित्व नहीं कर सकते, और बार-बार नमूना लेना एक निरंतर वैज्ञानिक के बराबर नहीं है।
अन्य मूल्यांकन प्रक्रिया के अन्य हिस्सों को कवर करते हैं। OpenAI का PaperBench एजेंटों से कहता है कि वे विवरणों से 20 ICML पेपर के परिणामों को दोहराएं और प्रयोग चलाएं (PaperBench)। MLE-bench Kaggle-शैली की प्रतियोगिताओं के ज़रिए मशीन-लर्निंग इंजीनियरिंग का मूल्यांकन करता है (MLE-bench)। ये बेंचमार्क सार्थक कौशलों को मापते हैं लेकिन मौलिक सिद्धांत-निर्माण, एजेंडा-निर्धारण, प्रयोगशाला प्रबंधन, सहकर्मी-समीक्षा, या सुरक्षित तैनाती को साबित नहीं करते।
डेवलपर्स क्या रिपोर्ट करते हैं
फ्रंटियर लैब्स अब स्वचालित R&D को एक जोखिम-सीमा के रूप में देखते हैं। Anthropic की फरवरी 2026 की जोखिम रिपोर्ट ने कहा कि Claude Opus 4.6 प्रमुख क्षेत्रों में R&D के लिए ज़रूरी गतिविधियों के पूर्ण स्वचालन पर या उसके बहुत करीब नहीं था, जबकि यह चेतावनी भी दी कि आंशिक स्वचालन भी प्रगति को तेज़ कर सकता है (Anthropic जोखिम रिपोर्ट)। यह एक डेवलपर का स्व-मूल्यांकन है, जिसमें संपादन और एक हितों का टकराव शामिल है।
Anthropic ने जुलाई 2026 में अपनी ज़िम्मेदार स्केलिंग नीति के संस्करण 3.4 में अपनी स्वचालित-R&D सीमा को फिर से संशोधित किया, जो दिखाता है कि जिस चीज़ को मापा जा रहा है वह अभी तय नहीं है (Anthropic RSP आर्काइव)। कंपनी की सीमाएं आंतरिक कार्रवाई का मार्गदर्शन कर सकती हैं, लेकिन उन्हें वैज्ञानिक सहमति नहीं माना जाना चाहिए।
अगस्त 2026 में, Anthropic के शोधकर्ताओं ने ऐसे प्रयोगों की रिपोर्ट दी जिनमें स्वचालित शोध-एजेंटों ने चुनिंदा अलाइनमेंट-विफलताओं के लिए उपचार खोजे (Anthropic स्वचालित-शोध रिपोर्ट)। यह उत्साहजनक सबूत है कि AI-त्वरित शोध सुरक्षा को मज़बूत कर सकता है। यह निर्मित कार्यों पर पहले-पक्ष का शोध भी है, न कि व्यापक स्वचालित अलाइनमेंट-विज्ञान का प्रमाण।
फ़ीडबैक-लूप का तर्क
एक सरल चक्र के चार चरण हैं: AI को AI पर शोध करने के लिए तैनात करना; एक एल्गोरिथमिक या इंजीनियरिंग सुधार हासिल करना; एक बेहतर सिस्टम को प्रशिक्षित या कॉन्फ़िगर करना; उस सिस्टम का उपयोग करके आगे के सुधार पैदा करना। त्वरण कई कारकों के गुणनफल पर निर्भर करता है, न कि केवल चक्र के अस्तित्व पर।
शोध-कवरेज: एजेंट कितना प्रासंगिक काम कर सकते हैं? कोडिंग सहायता का मूल्य है, लेकिन समस्या-चयन, मूल्यांकन, हार्डवेयर, डेटा, प्रबंधन, और सुरक्षा में लोग बाधा बने रह सकते हैं।
सुधार का आकार: अधिकांश प्रयोग विफल होते हैं या छोटे लाभ देते हैं। किसी एजेंट को ऐसे नवाचार पैदा करने होंगे जो अगले सिस्टम को वास्तव में बेहतर बनाएं, न कि सिर्फ़ किसी बेंचमार्क को अनुकूलित करें।
चक्र-समय: प्रशिक्षण, चिप निर्माण, डेटा-सेंटर निर्माण, मूल्यांकन, और तैनाती में कोड लिखने से कहीं ज़्यादा समय लग सकता है। बेहतर शोध तुरंत कंप्यूट नहीं बना सकता।
पुनर्निवेश: संगठनों को लाभ को आगे की क्षमता में लगाने का चुनाव करना होता है। वे इसके बजाय इसे लागत, विश्वसनीयता, उत्पाद, या सुरक्षा में आवंटित कर सकते हैं।
घटते प्रतिफल: जैसे-जैसे आसान सुधार समाप्त होते जाते हैं, नई खोजें कठिन हो सकती हैं। कोई चक्र बिना विस्फोटक रूप से तेज़ हुए जारी रह सकता है।
सत्यापन: अविश्वसनीय शोध समीक्षा और पुनरुत्पादन की लागत पैदा करता है। यदि सिस्टम मूल्यांकनों में हेरफेर कर सकते हैं, तो तेज़ आउटपुट भरोसेमंद प्रगति को धीमा कर सकता है।
इसलिए पुनरावर्ती सुधार एक शर्तयुक्त परिदृश्य है। यह कोड-जनरेशन दरों से सीधा एक्सट्रापोलेशन नहीं है।
सॉफ़्टवेयर हार्डवेयर से तेज़ चल सकता है
एल्गोरिथमिक दक्षता, प्रशिक्षण-नुस्खे, डेटा-क्यूरेशन, अनुमान-विधियां, कंपाइलर, और एजेंट-स्कैफ़ोल्ड मौजूदा हार्डवेयर के भीतर सुधर सकते हैं। ये “सॉफ़्टवेयर” लाभ तेज़ी से फैल सकते हैं और प्रति-चिप क्षमता बढ़ा सकते हैं। AI इन क्षेत्रों की खोज में मदद कर सकता है, जिससे एक सच्चा सकारात्मक फ़ीडबैक-चैनल बनता है।
लेकिन फ्रंटियर मॉडल अब भी ऊर्जा, चिप्स, नेटवर्किंग, मेमोरी, सुविधाओं, और आपूर्ति-श्रृंखलाओं पर निर्भर हैं। कोई सिस्टम हर भौतिक बाधा को पुनरावर्ती ढंग से संपादित करके पार नहीं कर सकता। यह संसाधनों के उपयोग को बेहतर बना सकता है या हार्डवेयर डिज़ाइन करने में मदद कर सकता है, जबकि निर्माण और निर्माण-कार्य में वास्तविक समय लगता ही है।
इसलिए सबसे तेज़ रास्ता सॉफ़्टवेयर और प्रक्रिया-सुधार का एक उछाल हो सकता है जिसके बाद भौतिक या संगठनात्मक सीमाएं आ जाएं — न कि हमेशा के लिए चलने वाला एक सहज घातांक। अन्य रास्ते भी संभव बने रहते हैं; उपलब्ध सबूत भरोसे से किसी एक को नहीं चुन सकते।
यह लूप जोखिम क्यों बढ़ा सकता है
तेज़ क्षमता-चक्र मूल्यांकन, नियमन, और संस्थागत सीखने से आगे निकल सकते हैं। यदि आंतरिक शोध-एजेंटों की पहुंच मॉडल-भार, प्रशिक्षण अवसंरचना, कोड-तैनाती, और संवेदनशील मूल्यांकनों तक हो, तो किसी गलती या दुर्भावनापूर्ण उपयोग का असर बड़ा हो जाता है। प्रतिस्पर्धी दबाव डेवलपर्स को निगरानी के परिपक्व होने से पहले ही स्वचालन इस्तेमाल करने के लिए प्रोत्साहित कर सकता है।
यह लूप सत्ता को भी केंद्रित कर सकता है। कंप्यूट और स्वचालित शोध-सिस्टम वाले संगठन आगे निकल सकते हैं, जिससे और ज़्यादा पूंजी और प्रतिभा आकर्षित होगी। दूसरी ओर, कुशल एल्गोरिदम फैल सकते हैं और केंद्रीकरण को कम कर सकते हैं। इन विरोधाभासी प्रभावों को मान लेने के बजाय मॉडल किया जाना चाहिए।
यह लूप सुरक्षा क्यों सुधार सकता है
AI कमज़ोरियां खोज सकता है, परीक्षण बना सकता है, घटनाओं का विश्लेषण कर सकता है, व्याख्या-योग्यता उपकरणों को बेहतर बना सकता है, और नियमित सत्यापन को स्वचालित कर सकता है। सुरक्षा-शोध को उसी पैमाने और पुनरावृत्ति से लाभ हो सकता है। महत्वपूर्ण शासन-प्रश्न यह है कि क्या सुरक्षा-क्षमता, क्षमता के साथ और उससे पहले बढ़ती है — न कि यह कि क्या AI शोध-सहायता अंतर्निहित रूप से खतरनाक है।
नियंत्रणों में सैंडबॉक्स-किए गए शोध-वातावरण, सुरक्षित मूल्यांकन-सेट, न्यूनतम-विशेषाधिकार पहुंच, स्वतंत्र निगरानी, चरणबद्ध एकीकरण, पुनरुत्पादन-योग्य प्रयोग, और प्रशिक्षण या तैनाती तक पहुंचने से पहले मानवीय अनुमोदन शामिल हैं। शोध-एजेंटों को अपने ही मूल्यांकनकर्ता, प्रमाण-पत्रों, या उत्पादन-सिस्टम को बदलने में सक्षम नहीं होना चाहिए।
संगठन क्षमता और सुरक्षा दोनों के त्वरण को माप सकते हैं: बचाए गए शोधकर्ता-घंटे, सत्यापित खोजें, पकड़े गए विफल प्रयोग, समीक्षा-भार, घटना-दर, और स्वतंत्र पुनरुत्पादन के लिए ज़रूरी समय।
वह सबूत जो आकलन बदल देगा
एक तेज़ फ़ीडबैक-लूप के लिए मज़बूत सबूत में शामिल होगा: एजेंट जो कई क्षेत्रों में नए, महत्वपूर्ण एल्गोरिथमिक विकास पैदा करते हैं; स्वतंत्र पुनरुत्पादन; लंबी परियोजनाओं में निरंतर सफलता; कम हुआ छोर-से-छोर चक्र-समय; और लगातार सिस्टम जो मानवीय काम में बराबर वृद्धि के बिना शोध-एजेंट को मापने-योग्य रूप से बेहतर बनाते हैं।
निकट-अवधि की विस्फोटक त्वरण के विरुद्ध सबूत में शामिल होगा: मानवीय एजेंडा-निर्धारण पर निरंतर निर्भरता, तेज़ी से घटते प्रतिफल, ऊंची सत्यापन-लागत, लंबी परियोजनाएं चलाने में असमर्थता, और कंप्यूट या प्रयोग की सख्त बाधाएं।
व्यावहारिक निष्कर्ष
AI-त्वरित AI शोध सहायता और चुनिंदा सीमाबद्ध स्वचालन के स्तर पर पहले से ही असली है। बेंचमार्क लघु-अवधि की शोध-इंजीनियरिंग में उल्लेखनीय क्षमता दिखाते हैं, जबकि वास्तविक-दुनिया के उत्पादकता-अध्ययन और लंबे बजट महत्वपूर्ण अंतराल उजागर करते हैं। 13 सितंबर 2026 तक कोई सार्वजनिक सबूत छोर-से-छोर स्वायत्त AI R&D या एक बेकाबू पुनरावर्ती-सुधार लूप को साबित नहीं करता।
सही प्रतिक्रिया न तो खारिज करना है, न ही इसे अनिवार्य मानना है। हर बाधा पर नज़र रखें, तैनात शोध-सिस्टम का परीक्षण करें, उसके उपकरणों और मूल्यांकनकर्ताओं की रक्षा करें, और कवरेज, सुधार के आकार, चक्र-समय, और पुनर्निवेश के बारे में मान्यताओं को स्पष्ट रूप से बताएं।