ट्यूरिंग ने वास्तव में क्या प्रस्तावित किया था
1950 में, Alan Turing ने पूछा कि क्या मशीनें सोच सकती हैं और उस दार्शनिक रूप से उलझे हुए सवाल को जल्दी ही एक परिचालन-सवाल से बदल दिया। अपने “इमिटेशन गेम” में, एक मानव पूछताछकर्ता पाठ के ज़रिए एक व्यक्ति और एक मशीन से संवाद करता था और यह पहचानने की कोशिश करता था कि कौन कौन है। Turing ने इसे मशीन-बुद्धिमत्ता पर चर्चा करने के एक तरीके के रूप में पेश किया — किसी दुर्गम आंतरिक सार के बजाय अवलोकन-योग्य व्यवहार के ज़रिए (Turing, “Computing Machinery and Intelligence”)।
यह विचार गहन था, लेकिन परिचित वाक्यांश “ट्यूरिंग टेस्ट पास करता है” कई चुनावों को छुपा देता है। बातचीत कितनी लंबी है? जज को क्या पता है? किन विषयों की अनुमति है? कितने जज हिस्सा लेते हैं, और सफलता के लिए कौन-सी त्रुटि-दर मानी जाती है? Turing ने किसी एक आधिकारिक सीमा के साथ कोई आधुनिक प्रमाणन-कार्यक्रम स्थापित नहीं किया। यह परीक्षा एक विचार-प्रयोग और शोध-मील का पत्थर है, कोई AGI नियामक का मापन-उपकरण नहीं।
बातचीत को धोखा देना क्यों बहुत आसान हो गया
इमिटेशन गेम किसी सिस्टम को किसी विशेष बातचीत में मानवीय दिखने के लिए पुरस्कृत करता है। यह असली व्यापकता से हासिल किया जा सकता है, लेकिन टालमटोल, रोल-प्ले, हास्य, जान-बूझकर की गई ग़लतियों, या किसी जज की उम्मीदों का फ़ायदा उठाकर भी। शुरुआती चैटबॉट ELIZA ने 1960 के दशक में दिखाया कि लोग आसानी से उथले संवादी पैटर्न पर समझ का प्रक्षेपण कर देते हैं। आज के भाषा मॉडल कहीं ज़्यादा सुसंगत संवाद बनाते हैं, जिससे मानवाकारीकरण और भी आसान हो जाता है।
किसी छोटी पाठ-बातचीत को पास करना भरोसेमंद योजना-निर्माण, गणितीय सटीकता, वैज्ञानिक निर्णय, भौतिक-दुनिया की दक्षता, या ग़लतियों से उबरने की क्षमता नहीं दिखाता। यह यह नहीं दिखाता कि मॉडल कोई नई नौकरी सीख सकता है, किसी लंबी परियोजना में लक्ष्यों को बनाए रख सकता है, या पहचान सकता है कि उसे कब किसी मनुष्य पर छोड़ना चाहिए। इसके विपरीत, एक शक्तिशाली गैर-मौखिक सिस्टम किसी सामान्य वक्ता की नकल करने में विफल रहते हुए भी विज्ञान या रसद (logistics) को बदल सकता है। मानवीय समानता महत्वपूर्ण मशीन-क्षमता के लिए न तो ज़रूरी है और न ही पर्याप्त।
यह परीक्षा बुद्धिमत्ता को धोखे के साथ भी मिला देती है। किसी सिस्टम को खुद को ईमानदारी से मशीन बताने पर दंडित किया जा सकता है और किसी जज को हेरफेर करके अन्यथा विश्वास दिलाने पर पुरस्कृत किया जा सकता है। यह सुरक्षा-मूल्यांकन के लिए एक कमज़ोर मेल है, जहां कैलिब्रेटेड अनिश्चितता, ट्रेस-योग्यता, और सच्चा खुलासा अक्सर सामाजिक प्रशंसनीयता से ज़्यादा महत्वपूर्ण होते हैं।
एक परीक्षा से एक मूल्यांकन-पोर्टफ़ोलियो तक
आधुनिक मूल्यांकन कई कार्य-सुइट का उपयोग करता है क्योंकि बुद्धिमत्ता बहु-आयामी है। ज्ञान और तर्क बेंचमार्क विषयों में सवालों की परीक्षा लेते हैं; कोडिंग-मूल्यांकन जनित प्रोग्रामों को परीक्षण-मामलों के विरुद्ध चलाते हैं; मल्टीमॉडल परीक्षण पाठ, आरेख, छवियां, ऑडियो, और वीडियो को जोड़ते हैं; एजेंट-बेंचमार्क मॉडलों को इंटरैक्टिव वातावरण में रखते हैं जहां उन्हें नेविगेट करना, सॉफ़्टवेयर इस्तेमाल करना, और लक्ष्य पूरे करना होता है।
हर परिवार एक संकुचित सवाल का जवाब देता है। उदाहरण के लिए, MMLU अकादमिक और पेशेवर बहुविकल्पीय ज्ञान का नमूना लेता है, लेकिन ऊंचे स्कोर यह स्थापित नहीं करते कि कोई मॉडल उन पेशों का अभ्यास कर सकता है। GAIA सहायकों की परीक्षा वास्तविक-दुनिया के सवालों पर लेता है जिनमें तर्क, उपकरण, और कई चरण चाहिए हो सकते हैं (GAIA पेपर)। OSWorld असली ऑपरेटिंग-सिस्टम एप्लिकेशन में कंप्यूटर-उपयोग करने वाले एजेंटों का मूल्यांकन करता है (OSWorld पेपर)। ARC-AGI संग्रहीत ज्ञान को दोहराने के बजाय नए दृश्य-तर्क कार्यों के अनुकूल होने पर केंद्रित है (ARC Prize बेंचमार्क)। ये मूल्यांकन अलग-अलग ताकत और विफलता-स्थितियां उजागर करते हैं; कोई भी AGI-डिटेक्टर नहीं है।
कार्य-पूर्णता अध्ययन एक समय और जटिलता का आयाम जोड़ते हैं। METR उस मानव-विशेषज्ञ कार्य-अवधि का अनुमान लगाता है जिस पर किसी एजेंट की एक दी गई सफलता-संभावना होती है। इसकी मौजूदा सुइट मुख्य रूप से सॉफ़्टवेयर इंजीनियरिंग, मशीन लर्निंग, और साइबर-सुरक्षा को कवर करती है, और यह संगठन स्पष्ट रूप से चेतावनी देता है कि “समय-क्षितिज” मानव-समय में मापी गई कार्य-कठिनाई है — वह अवधि नहीं जितने समय तक कोई AI स्वतंत्र रूप से काम कर सकता है (METR कार्यप्रणाली)। यह यह भी चेतावनी देता है कि अच्छी तरह निर्दिष्ट बेंचमार्क-कार्य ज़्यादातर नौकरियों से ज़्यादा साफ़-सुथरे होते हैं और डोमेन के अनुसार प्रदर्शन तीव्रता से अलग होता है।
विश्वसनीयता किसी स्कोर का अर्थ बदल देती है
उच्च-दांव वाले उपयोग के लिए औसत प्रदर्शन काफ़ी नहीं है। आधा समय सफल होने वाला सिस्टम शोध के लिए प्रभावशाली हो सकता है फिर भी चिकित्सा, विमानन, या अवसंरचना में अनुपयोगी। इसलिए मूल्यांकनकर्ताओं को सफलता-दर, दोहराए गए परीक्षण, सबसे बुरी स्थिति का व्यवहार, अनिश्चितता-अंतराल, और वितरण-बदलाव के तहत परीक्षण चाहिए। उन्हें यह मापना चाहिए कि क्या कोई मॉडल जानता है कि वह कब अनिश्चित है, स्पष्टता मांगता है, और नियंत्रण को सुरक्षित रूप से वापस सौंपता है।
अंतर्निहित मॉडल जितना ही मूल्यांकन-सेटअप भी मायने रखता है। उपकरण-पहुंच, प्रॉम्प्ट के शब्द, स्मृति, नमूना-सेटिंग, अनुमान-समय गणना, और आसपास का एजेंट-सॉफ़्टवेयर परिणामों को भौतिक रूप से बदल सकते हैं। कोई स्कोर एक बताई गई तारीख़ पर परीक्षित सिस्टम-कॉन्फ़िगरेशन का होता है। इसे किसी मॉडल-नाम के कालातीत गुण के रूप में मानना ग़लत तुलनाओं को प्रोत्साहित करता है।
डेटा-संदूषण एक और समस्या है। सार्वजनिक बेंचमार्क सवाल और समाधान प्रशिक्षण-डेटा में दिखाई दे सकते हैं। हूबहू स्मरण के बिना भी, बेंचमार्क-केंद्रित ट्यूनिंग बराबर सामान्यीकरण के बिना स्कोर सुधार सकती है। बेहतर मूल्यांकन निजी या नए बनाए गए कार्यों का उपयोग करते हैं, संभावित एक्सपोज़र का दस्तावेज़ीकरण करते हैं, और अक्सर रीफ़्रेश होते हैं। स्वतंत्र परीक्षण इस जोखिम को कम करता है — पूरी तरह ख़त्म नहीं करता — कि कोई डेवलपर केवल अनुकूल परिणाम चुने।
सुरक्षा-मूल्यांकन अलग-अलग सवाल पूछता है
क्षमता-मूल्यांकन यह मापता है कि कोई सिस्टम अनुकूल परिस्थितियों में क्या कर सकता है। सुरक्षा-मूल्यांकन पूछता है कि दुरुपयोग किए जाने, दबाव में, धोखा दिए जाने, परस्पर-विरोधी निर्देश दिए जाने, या किसी गंभीर वातावरण में रखे जाने पर वह क्या कर सकता है। प्रासंगिक परीक्षणों में जैविक या साइबर दुरुपयोग में सहायता, हेरफेर, स्वायत्तता, सुरक्षा-उपाय से बचाव, धोखा, और संसाधन हासिल करने की क्षमता शामिल है। 2026 का International AI Safety Report इस बात पर ज़ोर देता है कि मूल्यांकनों को सीमित बाहरी वैधता, तेज़ अप्रचलन, और फ्रंटियर सिस्टम तक अधूरी पहुंच का सामना करना पड़ता है (International AI Safety Report 2026)।
रेड टीमें रचनात्मक ढंग से विफलताएं खोजती हैं, जबकि संरचित बेंचमार्क तुलना को संभव बनाते हैं। फिर वास्तविक-दुनिया की निगरानी यह परखती है कि क्या तैनाती-पूर्व परिणामों ने असली उपयोग का पूर्वानुमान लगाया। घटना-रिपोर्टिंग ज़रूरी है क्योंकि कोई प्रयोगशाला-सुइट हर संदर्भ को गिना नहीं सकती। एक मूल्यांकन-व्यवस्था को परिणामों को फ़ैसलों से जोड़ना चाहिए: अतिरिक्त सुरक्षा-उपाय, प्रतिबंधित उपकरण-पहुंच, चरणबद्ध रिलीज़, बाहरी समीक्षा, या किसी परिभाषित सीमा के पार होने पर तैनाती-रुकाव।
एक भरोसेमंद AGI मूल्यांकन के लिए क्या चाहिए होगा
Google DeepMind का “Levels of AGI” ढांचा तर्क देता है कि मूल्यांकनों को प्रदर्शन और सामान्यता दोनों को कवर करना चाहिए और उस मानव-AI बातचीत पर विचार करना चाहिए जिसके ज़रिए क्षमता व्यक्त होती है (DeepMind ढांचा)। एक भरोसेमंद आकलन को व्यापक क्षेत्रों, वाकई नए कार्यों, कई प्रदर्शन-स्तरों, और स्वायत्तता की स्पष्ट रिपोर्टिंग की ज़रूरत होगी। यह स्थानांतरण, सीखने की दक्षता, मज़बूती, सामाजिक बातचीत, और खुले-सिरे वाले काम की परीक्षा लेगा — केवल परीक्षा के सवालों की नहीं।
इसे स्वतंत्र पुनरुत्पादन और प्रतिकूल जांच की भी ज़रूरत होगी। डेवलपर्स को ख़तरनाक विवरण उजागर किए बिना या निजी परीक्षणों से समझौता किए बिना दावों की व्याख्या करने लायक पर्याप्त पद्धति प्रकाशित करनी चाहिए। परिणामों को बेस-मॉडल को उपकरणों और स्कैफ़ोल्डिंग से अलग करना चाहिए, विफलता के उदाहरण शामिल करने चाहिए, और एक समग्र संख्या को किसी तत्वमीमांसक फ़ैसले में बदलने से बचना चाहिए।
उत्तराधिकारी एक डैशबोर्ड है, फ़िनिश-लाइन नहीं
किसी भी आधुनिक परीक्षा ने Turing के खेल को उस अर्थ में “प्रतिस्थापित” नहीं किया है कि वह AGI का सार्वभौमिक रूप से स्वीकृत द्वार बन गई हो। इसकी जगह जो आया वह एक पोर्टफ़ोलियो है: ज्ञान-परीक्षण, नए-तर्क कार्य, इंटरैक्टिव वातावरण, कार्य-क्षितिज माप, डोमेन-विशिष्ट विशेषज्ञ समीक्षा, ख़तरनाक-क्षमता मूल्यांकन, और तैनाती से मिला सबूत।
यह जवाब किसी जज को बेवकूफ़ बनाने वाली मशीन से कम नाटकीय है, लेकिन ज़्यादा उपयोगी। सही सवाल अब “क्या यह पास हुआ?” नहीं है। यह है: यह सिस्टम किन परिस्थितियों में, किस सहायता के साथ, भरोसेमंद ढंग से क्या कर सकता है, और परिस्थितियां बदलने पर क्या होता है? तारीख़-लगे सबूत का एक पारदर्शी डैशबोर्ड किसी भी एक फ़िनिश-लाइन से क्षमता और जोखिम के लिए बेहतर मार्गदर्शक है।