फैलाव ही सबसे महत्वपूर्ण नतीजा है
अत्यधिक सक्षम या मानव-स्तरीय AI के लिए भविष्यवाणियां कुछ वर्षों से लेकर कई दशकों तक फैली हैं, और कुछ शोधकर्ता तो यह भी संदेह करते हैं कि मौजूदा तरीके इसे पैदा भी कर सकते हैं या नहीं। यह असहमति किसी साझा वैज्ञानिक मॉडल के इर्द-गिर्द कोई मामूली त्रुटि-सीमा नहीं है। पूर्वानुमानकर्ता इस बात पर असहमत हैं कि AGI किसे माना जाए, कौन-से तकनीकी कदम बाकी हैं, कंप्यूट और डेटा जैसे इनपुट कितनी तेज़ी से बढ़ सकते हैं, और क्या प्रगति सहजता से जारी रहेगी। इसलिए किसी भी समय-सीमा को एक बताई गई परिभाषा के तहत एक तारीख़-लगे पूर्वानुमान के रूप में प्रस्तुत किया जाना चाहिए — किसी “AGI उलटी गिनती” के रूप में नहीं।
Demis Hassabis यह बताने का एक उपयोगी उदाहरण देते हैं कि सटीक श्रेय क्यों मायने रखता है। मार्च 2025 के एक CNBC साक्षात्कार में, Google DeepMind के मुख्य कार्यकारी ने कहा कि मानव-स्तरीय AI पांच से दस साल में आ सकती है। उन्होंने यह नहीं कहा कि AGI का सार्थक सबूत “इसी साल के भीतर” आ जाएगा (CNBC साक्षात्कार)। सही ढंग से उद्धृत पूर्वानुमान भी सवाल छोड़ता है: किन कार्यों में मानव-स्तरीय, किस विश्वसनीयता के साथ, और कितनी स्वायत्तता के साथ? यह उद्धरण एक विशेषज्ञ के निर्णय को दर्ज करता है, कोई मापी गई संभावना नहीं।
चार तरह के पूर्वानुमान जिन्हें मिलाया नहीं जाना चाहिए
लैब-प्रमुखों के बयान दृश्यमान हैं और फ्रंटियर सिस्टम के प्रत्यक्ष संपर्क से सूचित हैं, लेकिन ये तटस्थ माप नहीं हैं। अधिकारियों के पास प्रयोगों के बारे में मूल्यवान निजी जानकारी होती है, फिर भी वे ऐसे संगठनों का नेतृत्व भी करते हैं जो पूंजी, प्रतिभा, ग्राहकों, और राजनीतिक ध्यान के लिए प्रतिस्पर्धा करते हैं। उनके बयान कंपनी-विशिष्ट परिभाषाओं का इस्तेमाल कर सकते हैं और शायद ही कभी कोई पूर्ण पूर्वानुमान-मॉडल उजागर करते हैं।
शोधकर्ता सर्वेक्षण कई विचारों को जोड़ते हैं और विशेषज्ञ राय का वितरण उजागर करते हैं। 2023 का Expert Survey on Progress in AI, जो 2024 में प्रकाशित हुआ, 2,778 शोधकर्ताओं से जानकारी जुटाई और हर संभव कार्य में मनुष्यों से बेहतर प्रदर्शन करने वाली मशीनों के लिए अनुमानों की एक विस्तृत श्रृंखला रिपोर्ट की; लेखकों ने काफ़ी असहमति और सवाल के शब्दों के प्रति संवेदनशीलता पर भी ज़ोर दिया (Grace et al., 2024)। सर्वेक्षण किसी क्षण में विश्वासों का वर्णन करते हैं। वे उन विश्वासों को मान्य नहीं करते या यह गारंटी नहीं देते कि उत्तरदाता एक परिभाषा साझा करते हैं।
पूर्वानुमान-प्लेटफ़ॉर्म जैसे Metaculus लगातार पूर्वानुमानों को जोड़ते हैं। उनकी माध्यिकाएं सर्वेक्षणों से ज़्यादा तेज़ी से अपडेट हो सकती हैं, लेकिन परिणाम सटीक समाधान-मानदंड और प्रतिभागी-समूह पर निर्भर करता है। “कमज़ोर सामान्य AI,” “परिवर्तनकारी AI,” और “AGI” अलग-अलग सवाल हैं। किसी बाज़ार या समुदाय की माध्यिका को उसकी पुनर्प्राप्ति-तारीख़, सवाल के शब्दों, सीमा, और समाधान-शर्तों के साथ दिखाया जाना चाहिए, न कि उसे साइट-भर की एक अंतिम-तारीख़ में बदल दिया जाए।
मॉडल-आधारित प्रक्षेपण कंप्यूट, बेंचमार्क-प्रदर्शन, एल्गोरिथमिक दक्षता, या एजेंट पूरे कर सकने वाले कार्यों की लंबाई के रुझानों को एक्सट्रापोलेट करते हैं। ये मान्यताओं को दृश्यमान बनाते हैं, जो मूल्यवान है, लेकिन एक्सट्रापोलेशन तब विफल हो सकता है जब कोई बेंचमार्क संतृप्त हो जाए, कोई संसाधन-बाधा बंध जाए, या कोई नया प्रतिमान रुझान बदल दे। कोई वक्र पिछले मापों के बारे में सबूत है; उसका विस्तार एक शर्तयुक्त पूर्वानुमान है।
मौजूदा क्षमता-रुझान वास्तव में क्या दिखाते हैं
तेज़ सुधार का असली सबूत मौजूद है। Stanford AI Index गिरती हुई अनुमान-लागत और मांग वाले बेंचमार्क पर बढ़ते स्कोर दस्तावेज़ीकृत करता है, साथ ही यह भी दिखाता है कि कठिन मूल्यांकन अभी हल नहीं हुए हैं और मानकीकृत ज़िम्मेदार-AI मूल्यांकन असमान है (Stanford AI Index 2025)। METR रिपोर्ट करता है कि किसी दी गई सफलता-संभावना पर फ्रंटियर एजेंट जिन सॉफ़्टवेयर-उन्मुख कार्यों को पूरा करते हैं, उनकी मानव-विशेषज्ञ अवधि तेज़ी से बढ़ी है (METR समय-क्षितिज)। ये चुनिंदा सिस्टम और परीक्षणों के बारे में अवलोकन हैं, किसी नज़दीक आती AGI तारीख़ के प्रत्यक्ष अवलोकन नहीं।
METR का मेट्रिक ग़लत बताया जाना विशेष रूप से आसान है। कई घंटों का 50-प्रतिशत समय-क्षितिज इसका मतलब है कि, METR की कार्य-सुइट पर, फ़िट किया गया मॉडल इतने लंबे समय के कार्यों को पूरा करने की 50-प्रतिशत संभावना का पूर्वानुमान लगाता है जितना किसी मानव विशेषज्ञ को लगता है। इसका मतलब यह नहीं है कि AI उतने घंटों तक स्वायत्त रूप से काम करता है। ये कार्य मुख्य रूप से सॉफ़्टवेयर इंजीनियरिंग, मशीन लर्निंग, और साइबर-सुरक्षा से जुड़े हैं; ये असामान्य रूप से स्व-निहित और वस्तुनिष्ठ रूप से ग्रेड-योग्य हैं; सोलह घंटे से ऊपर के अनुमानों को अभी अविश्वसनीय बताया गया है; और असली नौकरियां कहीं ज़्यादा अस्त-व्यस्त होती हैं। METR के शोधकर्ताओं ने चेतावनी दी है कि त्रुटि-सीमाएं लगभग दो के गुणक तक फैल सकती हैं और डोमेन-अंतर परिमाण के क्रमों तक फैल सकते हैं (METR सीमा-नोट)।
ये परिणाम एक संकुचित निष्कर्ष का समर्थन करते हैं: डिजिटल कार्य-पूर्णता के कुछ रूप तेज़ी से सुधर रहे हैं। ये अपने आप में यह स्थापित नहीं करते कि कोई सिस्टम कब एक भरोसेमंद वैज्ञानिक, प्रबंधक, देखभालकर्ता, राजनीतिक निर्णयकर्ता, या मानवीय श्रम का सामान्य विकल्प बनेगा।
उचित पूर्वानुमान अलग-अलग क्यों होते हैं
जल्दी आगमन की उम्मीद करने वाले पूर्वानुमानकर्ता अक्सर स्केलिंग की निरंतरता, बेहतर तर्क-समय गणना, सिंथेटिक डेटा, उपकरण-उपयोग, और AI-सहायता प्राप्त शोध पर ज़ोर देते हैं। अगर ये रुझान एक-दूसरे को मज़बूत करते हैं, तो प्रगति तेज़ हो सकती है। वे यह भी तर्क दे सकते हैं कि आर्थिक रूप से परिवर्तनकारी सिस्टम को मानवीय बुद्धिमत्ता की हर विशेषता को पुनरुत्पादित करने की ज़रूरत नहीं है; व्यापक डिजिटल दक्षता पर्याप्त हो सकती है।
लंबी समय-सीमा वाले पूर्वानुमानकर्ता विश्वसनीयता, आधार, निरंतर सीखने, कारणात्मक समझ, रोबोटिक्स, और बेंचमार्क तथा खुले-सिरे वाले काम के बीच के अंतर पर ज़ोर देते हैं। वे व्यावहारिक बाधाओं की ओर भी इशारा करते हैं: ऊर्जा, चिप्स, डेटा-सेंटर निर्माण, उच्च-गुणवत्ता डेटा, मूल्यांकन, और सिस्टम को सुरक्षित रूप से तैनात करने की संगठनों की क्षमता। कुछ को मौजूदा बड़े-मॉडल तरीकों से आगे आर्किटेक्चरल प्रगति की उम्मीद है। इनमें से किसी भी स्थिति को केवल आत्मविश्वास या वरिष्ठता से तय नहीं किया जा सकता।
परिभाषाएं असहमति का एक और स्रोत बनाती हैं। ऐसा सिस्टम जो ज़्यादातर दूरस्थ कंप्यूटर-काम को स्वचालित कर सके, भौतिक कार्यों में विफल होते हुए भी आर्थिक रूप से परिवर्तनकारी हो सकता है। ऐसा मॉडल जो व्यापक परीक्षा-बैटरी पर सामान्य मनुष्यों से ऊपर स्कोर करता है, फिर भी स्वतंत्र रूप से काम करने के लिए बहुत अविश्वसनीय हो सकता है। कोई पूर्वानुमानकर्ता किसी भी सिस्टम को AGI कह सकता है; दूसरा इस शब्द को वास्तविक दुनिया में मज़बूत मानव-समतुल्य सीखने के लिए सुरक्षित रख सकता है।
एक ज़िम्मेदार समय-सीमा ट्रैकर कैसे बनाए रखें
एक उपयोगी ट्रैकर को मूल शब्दों, वक्ता, तारीख़, स्रोत, परिभाषा, और पूर्वानुमान-सीमा को संरक्षित रखना चाहिए। इसे व्यक्तिगत अनुमान को संगठनात्मक प्रतिबद्धता से अलग करना चाहिए, बाद के संशोधनों को दर्ज करना चाहिए, और किसी पुरानी भविष्यवाणी को कभी चुपचाप नहीं बदलना चाहिए। समग्र पूर्वानुमानों को केवल एक माध्यिका के बजाय अनिश्चितता-अंतराल दिखाना चाहिए। पन्ने को संभावित प्रोत्साहनों और यह भी उजागर करना चाहिए कि क्या पूर्वानुमान सार्वजनिक या निजी सबूत पर निर्भर करता है।
पाठक पांच सवाल लागू कर सकते हैं:
- किस परिणाम की भविष्यवाणी की जा रही है? AGI, मानव-स्तरीय AI, कार्य-स्वचालन, या सुपरइंटेलिजेंस?
- कौन-सी संभावना और तारीख़ जुड़ी हुई है? “हो सकता है” कोई माध्यिका पूर्वानुमान नहीं है।
- अनुमान को कौन-सा सबूत चला रहा है? स्केलिंग, कोई सर्वेक्षण, निजी प्रयोग, या अंतर्ज्ञान?
- पूर्वानुमानकर्ता का मन क्या बदल देगा? ऐसा पूर्वानुमान जिसका संभावित खंडन न हो, उसका मूल्यांकन करना कठिन है।
- क्या इसे स्कोर किया गया है? पिछली भविष्यवाणियां अपनी अंतिम-तारीख़ के बाद भी दृश्यमान रहनी चाहिए।
व्यावहारिक निष्कर्ष
योजना किसी एक तारीख़ चुनने पर निर्भर नहीं होनी चाहिए। निकट-अवधि के नुकसान और अवसर कार्रवाई के लायक हैं चाहे AGI 2028 में आए, 2040 में, या कभी नहीं। सरकारें और संगठन परिदृश्य-सीमाओं का उपयोग कर सकते हैं: तेज़ क्षमता-लाभ के लिए तैयार रहें, ऐसी नीतियां बनाएं जो धीमी प्रगति के तहत भी उपयोगी बनी रहें, और मज़बूत सुरक्षा-उपायों के लिए मापने-योग्य ट्रिगर परिभाषित करें।
अनिश्चितता खुद कार्रवाई-योग्य है। यह विपणन-लेबल के बजाय क्षमताओं की निगरानी करने, मूल्यांकन और लचीलेपन में निवेश करने, और एक तय अनुसूची पर पूर्वानुमानों की समीक्षा करने का तर्क देती है। कोई समय-सीमा-पन्ना यह दिखाकर भरोसा कमाता है कि तारीख़ें कितना कम साबित करती हैं, किसी चलती हुई माध्यिका को नियति की ओर उलटी गिनती करती घड़ी जैसा दिखाकर नहीं।