यह पन्ना क्यों मौजूद है
इस गाइड का ज़्यादातर हिस्सा AGI जोखिम को गंभीरता से लेने की ओर झुका हुआ है, क्योंकि इसका ज़्यादातर हिस्सा यह कवर करता है कि अगर आशावादी सही निकले तो क्या होगा। यह रुख संशयवादियों को एक भूसे के पुतले में समेट देना आसान बना देता है — “उन्हें बस स्केलिंग समझ नहीं आती” — और आगे बढ़ जाना। यह उन शोधकर्ताओं द्वारा रखी गई एक ठोस स्थिति के साथ अन्याय है जिन्होंने इस क्षेत्र के कुछ बुनियादी उपकरण बनाए। यह पन्ना उनके वास्तविक तर्कों को प्रस्तुत करता है, हारने के लिए बनाया गया कोई संस्करण नहीं, बिना यह तय किए कि कौन सही है; राय की सीमा को सामान्यतः कैसे रिपोर्ट किया जाता है इसके लिए AGI दावों को कैसे तौलें और AGI समय-सीमा पूर्वानुमान देखें।
Yann LeCun: कोई विश्व-मॉडल नहीं, कोई योजना नहीं
Yann LeCun ने नवंबर 2025 में बारह साल बाद Meta छोड़ दिया, जिसमें उसकी FAIR लैब की स्थापना भी शामिल है, और मार्च 2026 तक वे AMI Labs के कार्यकारी अध्यक्ष और सह-संस्थापक बन चुके थे, यह पेरिस-आधारित स्टार्टअप है जिसने $1.03 अरब का सीड-राउंड जुटाया — जो कथित तौर पर अब तक का सबसे बड़ा यूरोपीय स्टार्टअप सीड-राउंड है — यह बनाने के लिए जिसे वे “विश्व-मॉडल” कहते हैं (TechCrunch)। यह मायने रखता है: LeCun का संशयवाद किसी हिचकिचाहट में नरम नहीं हुआ — यह एक ऐसी कंपनी में सख़्त हो गया जिस पर वे अपना करियर दांव पर लगा रहे हैं।
लेकन की आपत्ति एक वास्तुकला-संबंधी तर्क है, यह सिद्ध करने वाला प्रमेय नहीं कि ट्रांसफ़ॉर्मर योजना नहीं बना सकते। मानक ऑटोरेग्रेसिव मॉडल किसी स्पष्ट, स्थायी विश्व मॉडल या अलग योजनाकार के बिना टोकन का पूर्वानुमान लगाते हैं। मॉडल का हर पास एक निश्चित संगणनात्मक ग्राफ़ इस्तेमाल करता है, लेकिन बड़ा सिस्टम अतिरिक्त टोकन बनाकर, जाँचकर या संशोधित करके अनुमान के समय अधिक गणना लगा सकता है। इससे परिणाम सुधर सकते हैं, पर इससे वास्तविकता-आधारित दीर्घकालिक योजना सिद्ध नहीं होती।
इसके बजाय लेकन एक विन्यास योग्य विश्व मॉडल प्रस्तावित करते हैं जो संभावित भविष्य स्थितियों का पूर्वानुमान लगाए, और उसके साथ एक ऐसा कर्ता हो जो अमूर्तन के कई स्तरों पर कार्रवाइयाँ खोजे (लेकन का स्थिति-पत्र; मेटा का शोध अवलोकन)। यह उनकी प्रस्तावित शोध दिशा है, मौजूदा भाषा मॉडलों की स्थायी सीमाओं पर स्थापित निष्कर्ष नहीं। दाँव यह है कि मजबूत स्वायत्त बुद्धिमत्ता के लिए केवल पाठ नहीं, बल्कि वीडियो, स्थानिक और संवेदना-गतिशील अनुभव से सीखने वाली वास्तुकलाएँ चाहिए।
Andrew Ng: साक्ष्य की पट्टी ऊंची करें
Andrew Ng — DeepLearning.AI के संस्थापक, AI Fund में प्रबंध महाभागीदार, और Stanford में सहायक प्रोफ़ेसर — तर्क देते हैं कि “AGI एक सटीक अर्थ वाले शब्द के बजाय प्रचार का शब्द बन गया है,” और यह कि यह उद्योग ऐसे सिस्टम से दशकों दूर है जो कोई भी बौद्धिक कार्य कर सके जो कोई मनुष्य कर सकता है, ट्रक चलाने से लेकर डॉक्टरेट थीसिस लिखने तक (PYMNTS)। उनका ठोस योगदान पद्धतिगत है: एक प्रस्तावित “ट्यूरिंग-AGI परीक्षा,” जहां एक जज एक बहु-दिवसीय वास्तविक-कार्य परीक्षण डिज़ाइन करता है — असली कार्य, कोई चुना हुआ डेमो नहीं — और सिस्टम तभी पास होता है जब वह किसी कुशल मनुष्य जितना अच्छा प्रदर्शन करे। मुद्दा: लक्ष्य को लीडरबोर्ड-स्कोर से हटाकर निरंतर प्रदर्शन पर लाना, जिससे उनकी नज़र में बबल-जोखिम के प्रचार को शांत किया जा सके।
Gary Marcus: मतिभ्रम, तर्क का पतन, और जमा होती मान्यताओं का अंकगणित
Gary Marcus, NYU में मनोविज्ञान और न्यूरल साइंस के प्रोफ़ेसर एमेरिटस और Geometric Intelligence तथा Robust.AI के संस्थापक, ने कई मोर्चों पर एक मामला बनाया है। विश्वसनीयता पर: LLM “सच और झूठ के बीच का अंतर शाब्दिक रूप से नहीं जानते,” और वे एक औपचारिक प्रमाण का हवाला देते हैं कि वे पूर्ण डेटा और असीमित कंप्यूट दिए जाने पर भी मतिभ्रम करेंगे — जो उनके अनुसार तब सही साबित हुआ जब GPT-5 (अगस्त 2025) मतिभ्रम हल नहीं कर पाया और OpenAI का o3 अपने पूर्ववर्तियों से ज़्यादा मतिभ्रम करता था (Marcus on AI)। तर्क पर: “हम भौतिकी को ऐसे सिस्टम से हल नहीं करने वाले जो 8 डिस्क के टावर पर टावर ऑफ़ हनोई नहीं खेल सकते” — Apple की उस खोज का हवाला देते हुए कि LLM “तर्क” मॉडल किसी जटिलता-सीमा को पार करने पर सहजता से बिगड़ने के बजाय ढह जाते हैं।
उनका सबसे ज़्यादा चर्चित हस्तक्षेप पद्धतिगत है: “AI 2027” पूर्वानुमान-परिदृश्य को “विज्ञान के भेष में कल्पना” बताते हुए खारिज करना — कथात्मक तकनीकों को उधार लेते हुए हवाले और फ़ुटनोट इस तरह पेश करना मानो परिणाम कोई पूर्वानुमान हो। Marcus परिदृश्य को लगभग आठ क्रमिक “विश्वास-की-छलांग” मील के पत्थरों में तोड़ते हैं, उनकी निहित व्यक्तिगत संभावनाओं को गुणा करते हैं, और दिखाते हैं कि तय समय पर पूरी श्रृंखला के उतरने की जमा हुई संभावना लगभग शून्य है (Substack) — जिसे पूर्वानुमान के अपने ही ट्रैक-रिकॉर्ड का समर्थन मिलता है: 2024 में “हल” घोषित किया गया मतिभ्रम, कथित तौर पर 2017 तक “हर जगह” ड्राइवरलेस कारें। ग़ौरतलब है, Marcus यह तर्क नहीं दे रहे कि “AGI असंभव है” — “जो कोई भी सोचता है कि AGI असंभव है,” वे कहते हैं, वह उतना ही ग़लत है जितना कोई सोचता है कि यह निकट है — और अब वे प्रशंसनीय आगमन 2100 तक रखते हैं, न कि 2027। यह रुख खुद इस बात का सबूत है कि संशयवादी खेमा एक फैलाव है, कोई एक स्थिति नहीं — यह वही बात है जो समय-सीमा पूर्वानुमान वाला पन्ना पूरे क्षेत्र के बारे में कहता है।
Tim Dettmers: गणना भौतिक है
Tim Dettmers, Allen Institute for AI में एक शोधकर्ता, एक ऐसा तर्क देते हैं जो मॉडल-आर्किटेक्चर पर निर्भर नहीं करता — यह भौतिकी के बारे में है। उनका तर्क है कि GPU का प्रति-डॉलर प्रदर्शन लगभग 2018 में स्थिर हो गया, और तब से ज़्यादातर दिखाई देने वाले लाभ असली कंप्यूट-वृद्धि के बजाय कम-सटीकता वाले अंक-गणित से आए हैं — वही अंकगणित सस्ते ढंग से करना। उनका अनुमान है कि “शायद एक, शायद दो और साल की स्केलिंग बची है” इससे पहले कि लाभ मेमोरी, I/O, और पावर की दीवारों से टकराएं, जहां ऊर्जा और लागत केवल रैखिक क्षमता-लाभ के लिए घातांकीय रूप से बढ़ती हैं (timdettmers.com)। वे “AGI” को बेंचमार्क-स्कोर के बजाय भौतिक कार्यों में आर्थिक रूप से सार्थक दक्षता की मांग करने वाला बताते हैं, और इस तर्क को उसके अंतिम बिंदु तक बढ़ाते हैं: एक सुपरइंटेलिजेंस को अपने ही अनुमान-स्टैक को सुधारते समय वही भौतिक बाधाएं झेलनी होंगी। ऊपर दिए गए तर्कों के विपरीत, यह विशेष रूप से LLM के बारे में सही होने पर निर्भर नहीं करता — यह उस आधार-सामग्री के बारे में एक दावा है जिस पर कोई भी डिजिटल बुद्धिमत्ता चलती है।
छोटी सूची: यह भी देखें
एक छोटी सूची इस मामले को पूरा करती है। Rodney Brooks, Robust.AI के CTO और MIT में रोबोटिक्स के प्रोफ़ेसर एमेरिटस, एक वार्षिक, तारीख़-लगी, खंडन-योग्य भविष्यवाणी स्कोरकार्ड चलाते हैं — AI टिप्पणीकारों में यह दुर्लभ अनुशासन है — और दशकों के रोबोटिक्स-अनुभव से तर्क देते हैं कि संकुचित बेंचमार्क-प्रगति को बार-बार सामान्य दक्षता समझ लिया जाता है। ARC-AGI बेंचमार्क के निर्माता François Chollet उन कार्यों पर लगभग-शून्य स्कोर करने वाले मॉडलों की ओर इशारा करते हैं जो स्मरण-शक्ति का प्रतिरोध करने के लिए बनाए गए हैं — नए ARC-AGI-3 में 2026 के सर्वश्रेष्ठ मॉडल मनुष्यों के 100% के मुकाबले 1% से कम स्कोर करते पाए गए — इसे इस बात के सबूत के रूप में कि बुद्धिमत्ता स्केल नहीं, कौशल-अर्जन की दक्षता है। Arizona State के Subbarao Kambhampati तर्क देते हैं कि LLM प्रॉम्प्टिंग के बावजूद योजना नहीं बना सकते या खुद-सत्यापन नहीं कर सकते, और अब सवाल उठाते हैं कि क्या चेन-ऑफ़-थॉट टोकन वाकई असली तर्क का प्रतिनिधित्व करते हैं। Santa Fe Institute की Melanie Mitchell तर्क देती हैं कि LLM की सफलता कारणात्मक तर्क के बजाय प्रशिक्षण-वितरणों पर पैटर्न-मिलान को दर्शाती है। University of Washington की भाषाविद् और “Stochastic Parrots” की सह-लेखिका Emily Bender तर्क देती हैं कि धाराप्रवाह आउटपुट बिना आधारित समझ के केवल रूप है — शब्द-अनुक्रमों की भविष्यवाणी के लिए प्रशिक्षित मॉडलों के पास संप्रेषणीय इरादे तक पहुंच नहीं होती।
पूर्वानुमान-पद्धति खुद निशाने पर है
किसी व्यक्तिगत शोधकर्ता से आगे, संशयवादी सीधे इस बात पर निशाना साधते हैं कि AGI समय-सीमाएं कैसे बनाई जाती हैं। विशेषज्ञ-सर्वेक्षण पद्धति एक अच्छी तरह दस्तावेज़ीकृत “चलती हुई क्षितिज” प्रभाव दिखाती है — उत्तरदाता AGI को कब पूछा जाए इससे बेपरवाह लगभग पंद्रह से पच्चीस साल दूर रखते हैं — जो चयन-प्रभावों और शब्द-संवेदनशीलता से और बढ़ जाता है। मार्च 2026 की एक RAND रिपोर्ट इन समस्याओं को सर्वेक्षण, पूर्वानुमान-बाज़ार, और कंप्यूट-एक्सट्रापोलेशन तरीकों में व्यवस्थित रूप से सूचीबद्ध करती है (RAND)।
METR का अपना “समय-क्षितिज” मेट्रिक — जिसे त्वरण के सबूत के रूप में सबसे ज़्यादा उद्धृत किया जाता है, और समय-सीमा पूर्वानुमान वाले पन्ने पर चर्चा की गई है — पर खुद METR की ओर से भी जांच हुई है। जनवरी 2026 के एक नोटिस में खुलासा हुआ कि एक तय-ढलान वाली लॉजिस्टिक फ़िट पर 35% का सुधार लगाया गया, कि लगभग एक-तिहाई कार्य-कठिनाई अनुमान मापे जाने के बजाय अनुमानित हैं, और यह कि METR को “कोई अंदाज़ा नहीं” है कि क्या किसी मॉडल का असली समय-क्षितिज वास्तव में उस विश्वास-अंतराल के भीतर है जिसे वह रिपोर्ट करता है (METR)। कुछ दिन पहले प्रकाशित एक स्वतंत्र आलोचना और आगे गई: कार्य अवास्तविक रूप से साफ़-सुथरे हैं, सार्वजनिक समाधानों ने डेटा को दूषित किया हो सकता है, और मानवीय आधार-रेखा समय एक छोटे, वित्तीय रूप से प्रोत्साहित नमूने से आए जिसने संभवतः यह बढ़ा-चढ़ाकर दिखाया कि कार्यों में “कितना समय लगना चाहिए” — जिससे AI का प्रतीत होने वाला त्वरण आंशिक रूप से तुलना की एक कलाकृति बन जाता है (Transformer News)। किसी भी तरह, इस क्षेत्र के समय-सीमा अनुमानों का एक बड़ा हिस्सा एक शोर भरे वक्र-फ़िट से दोबारा कीमत तय करता है जिसकी अपने ही लेखक पूरी तरह गारंटी नहीं दे सकते।
यह एक पुरानी समस्या के साथ और जुड़ जाता है: बेंचमार्क पर लागू होने वाला गुडहार्ट का नियम। एक बार जब कोई बेंचमार्क एक अनुकूलन-लक्ष्य बन जाता है, तो लैब्स उस निर्माण के बजाय लीडरबोर्ड की ओर फ़ाइन-ट्यून करती हैं जिसे वह मापता है — MMLU 2020 में 90-अंक की मानवीय आधार-रेखा के मुकाबले 43-अंक के GPT-3 स्कोर से बढ़कर 2024 के मध्य तक शीर्ष मॉडलों के इतने कसकर एक-साथ जमा होने तक पहुंच गया कि अंतर प्रॉम्प्ट-फ़ॉर्मेटिंग शोर के भीतर आ जाते हैं। बेंचमार्क-लीकेज संदूषण बढ़ते स्कोर को असली लाभ के रूप में पढ़ना कठिन बना देता है। “बेंचमार्क को हराना” और “AGI तक पहुंचना” अलग-अलग दावे क्यों हैं इसके लिए AGI दावों को कैसे तौलें और क्षमता की सीढ़ी देखें।
यह पन्ना क्या दावा नहीं कर रहा
इनमें से कुछ भी यह मामला नहीं बनाता कि AGI असंभव है, और ऊपर दिए गए किसी भी शोधकर्ता ने ऐसा दावा नहीं किया — Marcus स्पष्ट रूप से कहते हैं कि दोनों छोर ग़लत हैं। यह जो स्थापित करता है वह असली सार है: ऐसी आर्किटेक्चरल सीमाएं जो स्केल से स्पष्ट रूप से हल नहीं होतीं, किसी भी रोडमैप से बेपरवाह एक भौतिक कंप्यूट-सीमा, और एक पूर्वानुमान-तंत्र जो, METR की अपनी स्वीकारोक्ति से, उस वक्र की पूरी तरह गारंटी नहीं दे सकता जिसे सब उद्धृत करते हैं। क्या यह सब “दशकों दूर” या “इस पन्ने के सुझाव से ज़्यादा करीब” के बराबर बैठता है, यही वह है जिसे यह गाइड पाठक के लिए हल करने से मना करती है। यह जो नहीं करेगी वह है संशयवादी मामले को एक कैरिकेचर बनने देना।