किस तरह का दावा किया जा रहा है, वहां से शुरू करें
“AI यह कर सकता है,” “AGI जल्द ही आ जाएगी,” और “यह सिस्टम विनाश ला सकता है” एक जैसे दावे नहीं हैं। इन्हें अलग-अलग सबूत चाहिए। कोई चमकदार प्रदर्शन यह स्थापित कर सकता है कि किसी मॉडल ने अनुकूल परिस्थितियों में एक बार सफलता पाई। यह विश्वसनीयता, आर्थिक मूल्य, या सुरक्षित स्वायत्त संचालन स्थापित नहीं करता। कोई पूर्वानुमान भविष्य के बारे में एक निर्णय व्यक्त करता है। यह किसी मौजूदा क्षमता का माप नहीं है।
यह इसलिए मायने रखता है क्योंकि AGI की कोई सार्वभौमिक रूप से स्वीकृत परीक्षा नहीं है। परिभाषाएं व्यापकता, प्रदर्शन, स्वायत्तता, सीखने, भौतिक दक्षता, और आर्थिक प्रभाव के अलग-अलग संयोजनों पर ज़ोर देती हैं। यह पूछने के बजाय कि क्या कोई एक सुर्खी AGI साबित करती है, पाठकों को यह पूछना चाहिए कि क्या मापा गया, किन परिस्थितियों में, और निष्कर्ष सबूत से कितना आगे जाता है।
नीचे दी गई सीढ़ी कोई कठोर रैंकिंग नहीं है जिसमें एक स्तर की हर वस्तु नीचे की हर चीज़ को हरा देती है। कोई पुनरुत्पादनीय प्रयोगशाला-मूल्यांकन किसी संकुचित तंत्र के लिए शोर भरे तैनाती-डेटा से ज़्यादा मज़बूत सबूत हो सकता है। इसका उद्देश्य उन अनुमान-चरणों को उजागर करना है जिन्हें प्रचारात्मक और अलार्मवादी दावे अक्सर छुपा देते हैं।
स्तर एक: किस्सा और चुना हुआ प्रदर्शन
किस्से संभावनाओं और विफलता-स्थितियों को उजागर करते हैं। किसी एजेंट द्वारा कोई एप्लिकेशन बनाने की स्क्रीन-रिकॉर्डिंग दिखाती है कि कम से कम एक रन ने दिखाया गया परिणाम पैदा किया, यह मानते हुए कि प्रदर्शन असली है। कोई आश्चर्यजनक मतिभ्रम दिखाता है कि विफलता हो सकती है। इनमें से कोई भी हमें यह नहीं बताता कि यह व्यवहार कितनी बार होता है।
पूछें कि क्या प्रस्तुतकर्ता ने सबसे अच्छा रन चुना, रुकावटों या विफलताओं को संपादित किया, छुपी हुई मानवीय सहायता इस्तेमाल की, या किसी परिचित कार्य को चुना। पूरा प्रॉम्प्ट, उपकरण, मॉडल-संस्करण, नमूना-सेटिंग, प्रयासों की संख्या, और विफलता-मामले खोजें। इनके बिना, परिणाम को जांचने लायक एक सुराग मानें — कोई दर नहीं।
प्रदर्शन अभी भी उपयोगी बने रहते हैं। नई क्षमताएं अक्सर औपचारिक माप मौजूद होने से पहले अस्त-व्यस्त रूप में दिखाई देती हैं। ग़लती है “हो सकता है” को “आमतौर पर होता है” में, फिर “अर्थव्यवस्था को बदल देगा” में बदल देना।
स्तर दो: बेंचमार्क या नियंत्रित मूल्यांकन
कोई मूल्यांकन कार्यों, परिस्थितियों, और एक स्कोरिंग-नियम को परिभाषित करता है। यह किसी किस्से से ज़्यादा व्यवस्थित रूप से सिस्टम की तुलना कर सकता है। मज़बूत मूल्यांकन होल्ड-आउट कार्यों का उपयोग करते हैं, संदूषण रोकते हैं, अनिश्चितता रिपोर्ट करते हैं, स्कैफ़ोल्डिंग और मानवीय सहायता का दस्तावेज़ीकरण करते हैं, और प्रासंगिक विफलता-स्थितियों का परीक्षण करते हैं। स्वतंत्र पुनरुत्पादन भरोसा बढ़ाता है।
बेंचमार्क-स्कोर फिर भी भ्रामक हो सकते हैं। प्रशिक्षण-डेटा में समान सवाल हो सकते हैं। टीमें किसी सार्वजनिक परीक्षण के लिए अनुकूलन कर सकती हैं। बहुविकल्पीय ज्ञान किसी अपरिचित कार्यस्थल में कौशल स्थापित नहीं करता। औसत विनाशकारी टेल-विफलताओं को छुपा देते हैं। 90 प्रतिशत बार सफल होने वाला सिस्टम किसी 30-चरण वर्कफ़्लो में अनुपयोगी हो सकता है क्योंकि त्रुटियां जुड़ती जाती हैं।
International AI Safety Report 2026 उस समस्या के लिए “मूल्यांकन-अंतर” शब्द का इस्तेमाल करता है जिसमें नियंत्रित पूर्व-तैनाती परीक्षण वास्तविक-दुनिया के प्रदर्शन का भरोसेमंद पूर्वानुमान नहीं लगाते। यह मौजूदा क्षमता-प्रोफ़ाइल को “असमान” भी बताता है: कार्यों और संदर्भों में प्रदर्शन काफ़ी अलग-अलग होता है, और सिस्टम कठिन मूल्यांकनों में सफल होने के बावजूद प्रतीत होने वाले साधारण काम में विफल हो सकते हैं। ये माप की सीमाओं के बारे में निष्कर्ष हैं, यह सबूत नहीं कि हर बेंचमार्क बेकार है। एक भरोसेमंद लेख को स्कोर और यह दोनों बताना चाहिए कि परीक्षण क्या छोड़ देता है।
स्तर तीन: प्रतिकूल, कारणात्मक, और उत्थान (uplift) अध्ययन
जोखिम-दावों को किसी मानक बेंचमार्क से कहीं ज़्यादा चाहिए। रेड टीमें निषिद्ध या ख़तरनाक व्यवहार को उकसाने के तरीके खोजती हैं। कारणात्मक प्रयोग एक विशेषता बदलते हैं और परखते हैं कि क्या परिणाम बदलते हैं। उत्थान-अध्ययन इस बात की तुलना करते हैं कि लोग AI के साथ क्या हासिल कर सकते हैं, किसी सार्थक आधार-रेखा के मुकाबले, जैसे अकेला इंटरनेट।
ये अध्ययन अलग-अलग सवालों के जवाब देते हैं। कोई रेड-टीम खोज परीक्षित हमले के तहत सुगमता दिखाती है, जनसंख्या-व्यापी घटना-दर नहीं। कोई क्षमता-मूल्यांकन यह दिखा सकता है कि कोई मॉडल हानिकारक योजना बना सकता है बिना यह दिखाए कि कोई असली अभिनेता उसे क्रियान्वित कर सकता है। कोई उत्थान-अध्ययन दुरुपयोग के लिए ज़्यादा प्रासंगिक हो सकता है, लेकिन उसके प्रतिभागी, समय-सीमा, आधार-रेखा, परिणाम-माप, और सुरक्षा-उपाय तय करते हैं कि इसका क्या मतलब है।
छोटे नमूने व्यापक अनिश्चितता पैदा करते हैं। विशेषज्ञ प्रतिभागी नौसिखिया-उत्थान को कम आंक सकते हैं लेकिन परिष्कृत हमलावरों का बेहतर प्रतिनिधित्व करते हैं। प्रॉक्सी-कार्य वास्तविक नुकसान पैदा करने से बचते हैं लेकिन वास्तविक-दुनिया की बाधाओं को छोड़ सकते हैं। जैसे-जैसे मॉडल और नियंत्रण बदलते हैं, परिणाम जल्दी पुराने पड़ जाते हैं। अच्छी रिपोर्टिंग उन सीमाओं को “AI सक्षम बनाता है” या “AI जोखिम नहीं बढ़ाता” में संकुचित करने के बजाय नाम देती है।
स्तर चार: क्षेत्र और तैनाती का सबूत
वास्तविक-दुनिया का डेटा अपनाव, उत्पादकता, घटनाएं, दुरुपयोग, और संगठनात्मक अनुकूलन उजागर कर सकता है। यादृच्छिक क्षेत्र-प्रयोग और सावधानी से डिज़ाइन किए गए अर्ध-प्रयोग कारणात्मक प्रभावों का अनुमान लगा सकते हैं। घटना-डेटाबेस और शिकायत-डेटा बार-बार होने वाला नुकसान दिखा सकते हैं। ऑडिट ऐसी असमानताओं का पता लगा सकते हैं जिन्हें किसी डेवलपर की प्रयोगशाला ने परीक्षित नहीं किया।
तैनाती-सबूत के भी अंधे-धब्बे होते हैं। कंपनियां जो उजागर करती हैं उससे ज़्यादा देखती हैं। उपयोगकर्ता चुनते हैं कि किसी उपकरण को अपनाना है या नहीं और कैसे, जिससे सरल तुलनाएं पक्षपाती हो जाती हैं। रिपोर्ट की गई घटनाएं सभी घटनाओं के बराबर नहीं हैं। ग्राहक-सहायता में उत्पादकता-लाभ स्वतः शोध, प्रबंधन, चिकित्सा, या रोबोटिक्स तक सामान्यीकृत नहीं होता।
पाठकों को जनसंख्या, सेटिंग, तुलना-समूह, समय-अवधि, परिणाम, और हितों के टकराव को देखना चाहिए। “श्रमिकों ने ज़्यादा कार्य पूरे किए” “व्यवसाय ने ज़्यादा मूल्य पैदा किया” से अलग है, और दोनों “रोज़गार घटा” से अलग हैं। जेनरेटिव AI के बारे में मौजूदा श्रम-सबूत को काल्पनिक AGI के बारे में सबूत के रूप में दोबारा लेबल नहीं किया जाना चाहिए।
स्तर पांच: रुझान-एक्सट्रापोलेशन और पूर्वानुमान
पूर्वानुमान मापों को मान्यताओं के साथ जोड़ते हैं। कंप्यूट-रुझान, एल्गोरिथमिक प्रगति, निवेश, बेंचमार्क-प्रदर्शन, और एजेंट-विश्वसनीयता किसी पूर्वानुमान को सूचित कर सकते हैं, लेकिन इनमें से कोई भी अकेले AGI की तारीख़ तय नहीं करता। बाधाएं ढीली पड़ सकती हैं, बंधी रह सकती हैं, या बदल सकती हैं। परिभाषाएं बदल सकती हैं।
METR का समय-क्षितिज शोध उन कार्यों के मानव-विशेषज्ञ पूर्णता-समय का अनुमान लगाता है जिन पर किसी परीक्षित एजेंट के एक बताई गई विश्वसनीयता के साथ सफल होने की भविष्यवाणी की जाती है, आमतौर पर 50 या 80 प्रतिशत। इसकी मौजूदा सुइट मुख्य रूप से स्व-निहित, अच्छी तरह निर्दिष्ट सॉफ़्टवेयर-इंजीनियरिंग, मशीन-लर्निंग, और साइबर-सुरक्षा कार्यों से बनी है जिनके स्पष्ट स्कोरिंग-नियम हैं। यह माप किसी परिभाषित एजेंट-सेटअप और कार्य-वितरण के बारे में उपयोगी सबूत है। यह वह समय नहीं है जब तक AI स्वायत्त रूप से चलता है, न ही सारे आर्थिक रूप से मूल्यवान काम का कोई माप, न ही AGI की ओर उलटी गिनती करने वाली कोई घड़ी। METR यह भी चेतावनी देता है कि उसकी मौजूदा कार्य-सुइट के साथ 16 घंटे से ऊपर के माप अविश्वसनीय हैं।
किसी पूर्वानुमान का आकलन उसकी परिचालन-परिभाषा, तारीख़, संभावना, मॉडल, आधार-दर, और ट्रैक-रिकॉर्ड से करें। एक कैलिब्रेटेड पूर्वानुमान प्रभावी रूप से कहता है, “30 प्रतिशत नियत परिणाम लगभग 30 प्रतिशत बार होने चाहिए।” बिना समाधान-मानदंड वाली एक आत्मविश्वासी तारीख़ को स्कोर नहीं किया जा सकता। विशेषज्ञ-सर्वेक्षण सूचित विश्वासों को पकड़ते हैं लेकिन असहमति को प्रायोगिक सबूत में नहीं बदलते।
परिदृश्य एक और उद्देश्य पूरा करते हैं। वे शर्तयुक्त रास्तों की खोज करते हैं: अगर क्षमताएं, पहुंच, स्वायत्तता, और संस्थागत प्रतिक्रिया निर्दिष्ट मूल्य लें, तो क्या होता है? कोई परिदृश्य सबसे संभावित भविष्य हुए बिना भी कमज़ोरियां उजागर कर सकता है। इसे उसी अनुसार लेबल करें।
स्तर छह: तंत्र और सैद्धांतिक तर्क
कुछ गंभीर AGI जोखिमों को संबंधित सिस्टम के बिना सीधे प्रदर्शित नहीं किया जा सकता — और उन्हें केवल सबूत हासिल करने के लिए बनाया भी नहीं जाना चाहिए। शोधकर्ता इसके बजाय इनाम-हैकिंग, इंस्ट्रुमेंटल संसाधन-अन्वेषण, प्रतिस्पर्धी दौड़, या अधिकार के क्रमिक हस्तांतरण जैसे तंत्र प्रस्तावित करते हैं। औपचारिक मॉडल यह स्पष्ट कर सकते हैं कि क्या कोई निष्कर्ष मान्यताओं से निकलता है।
केंद्रीय सवाल यह नहीं है कि तर्क कितना जीवंत लगता है। यह है कि किन आधारों को अनुभवजन्य समर्थन प्राप्त है। क्या सिस्टम का कोई स्थायी उद्देश्य है? क्या यह ज़रूरी समयावधि में योजना बना सकता है? क्या इसकी उपकरणों, पैसे, अवसंरचना, या अपनी ही प्रतियों तक पहुंच है? क्या निगरानी विफल होगी? क्या संस्थाएं प्रतिक्रिया दे सकती हैं? हर कड़ी पूरी श्रृंखला की संभावना को बदल सकती है।
प्रत्यक्ष विनाश-डेटा की अनुपस्थिति शून्य-जोखिम का सबूत नहीं है। न ही कोई तार्किक रूप से संभव रास्ता बड़ी संभावना स्थापित करता है। अनिश्चितता के तहत फ़ैसलों को परिणाम, उलटाव-क्षमता, चेतावनी-समय, और सुरक्षा-उपायों की लागत तथा प्रभावशीलता पर विचार करना चाहिए। यह एक जोखिम-प्रबंधन निर्णय है, यह कोई खोज नहीं कि सिद्धांत अवलोकन बन गया है।
गंभीर दावों के लिए एक साक्ष्य-कार्ड इस्तेमाल करें
किसी भी बड़े बयान के लिए, छह फ़ील्ड दर्ज करें:
- दावा: वह संकुचित प्रस्ताव जो वास्तव में कहा गया है।
- स्थिति: देखा गया परिणाम, अनुमान, पूर्वानुमान, परिदृश्य, या सिफ़ारिश।
- स्रोत: प्राथमिक अध्ययन, आधिकारिक डेटा, संश्लेषण, कंपनी-रिपोर्ट, मीडिया, या राय।
- दायरा: मॉडल, संस्करण, कार्य, जनसंख्या, क्षेत्राधिकार, और तारीख़।
- अनिश्चितता: नमूना-आकार, विश्वास-अंतराल, पुनरुत्पादन, गायब डेटा, और प्रशंसनीय विकल्प।
- अपडेट-ट्रिगर: वह सबूत जो दावे को मज़बूत, कमज़ोर, या रद्द करेगा।
NIST का स्वैच्छिक Generative AI Profile AI जोखिम-प्रबंधन ढांचे का एक क्रॉस-सेक्टर साथी है, कोई AGI परीक्षा या प्रमाणन नहीं। यह ढांचे के Govern, Map, Measure, और Manage कार्यों के तहत सुझाई गई कार्रवाइयों को व्यवस्थित करता है और जोखिम-प्रबंधन को एक जीवन-चक्र गतिविधि मानता है। व्यापक NIST AI RMF माप-मार्गदर्शन दस्तावेज़ीकृत परीक्षण, अनिश्चितता के माप, तैनाती-प्रासंगिक माप, निगरानी, और जहां यह आंतरिक पूर्वाग्रह कम कर सके वहां स्वतंत्र समीक्षा की मांग करता है। सटीक टेम्प्लेट उतना मायने नहीं रखता जितना साक्ष्य-श्रृंखला को ऑडिट-योग्य बनाना।
भरोसे को सबूत से मिलाएं
भरोसेमंद AGI कवरेज को झूठी तटस्थता की ज़रूरत नहीं है। कुछ तथ्य अच्छी तरह स्थापित हैं: मॉडल कई मूल्यांकनों में सुधर रहे हैं, असली नुकसान पहले से हो रहे हैं, क्षमताएं असमान बनी हुई हैं, और संस्थाओं के पास अधूरी दृश्यता है। अन्य प्रस्ताव — AGI की तारीख़ें, असंतत टेकऑफ़, डिजिटल चेतना, स्थिर अलाइनमेंट, विलुप्ति-संभावनाएं — गहराई से विवादित बने हुए हैं।
अनुशासित प्रतिक्रिया सटीकता है। किसी परिणाम का वर्णन करते समय “अध्ययन ने पाया” कहें, उससे आगे बढ़ते समय “लेखक अनुमान लगाते हैं” कहें, विश्वास रिपोर्ट करते समय “पूर्वानुमानकर्ता संभावना देते हैं” कहें, और किसी रास्ते की खोज करते समय “यह परिदृश्य मानता है” कहें। फिर स्रोत को दावे के पास ही जोड़ें।
वह भाषा किसी उलटी गिनती या घोषणा से कम नाटकीय लग सकती है। यह ज़्यादा उपयोगी है। मानवता उन्नत AI के बारे में बेहतर फ़ैसले तभी लेगी जब उसे पता हो कि सबूत क्या समर्थन करता है, वह कहां रुकता है, और आकलन को क्या बदल सकता है।