जब एआई ने विज्ञान की मदद करना छोड़ा और खुद विज्ञान करने लगा

एक ऐसी घटना हुई है जिस पर मिल रहे ध्यान से कहीं अधिक सावधानीपूर्वक विचार किए जाने की ज़रूरत है।

6 अक्टूबर को OpenAI ने गणित से जुड़ी 722 पांडुलिपियाँ सार्वजनिक GitHub रिपॉज़िटरी में प्रकाशित कीं। ये शोधपत्र एक ऐसे आंतरिक अग्रणी मॉडल ने तैयार किए हैं जिसे अब तक जारी नहीं किया गया है और जिसका नाम आम जनता को मालूम नहीं है। इनके परिणाम गणित की 17 शाखाओं में फैले हैं और 372 अलग-अलग समूहों में व्यवस्थित हैं। इनमें किए गए कुछ दावे, यदि सत्यापित हो जाएँ, तो दशकों से अनसुलझी समस्याओं पर वास्तविक प्रगति माने जाएँगे।

तत्काल प्रतिक्रिया हमेशा की तरह दो खेमों में बँट गई। एक खेमे ने कहा कि यह असाधारण और परिवर्तनकारी है। दूसरे ने कहा, ज़रा ठहरिए; इनमें से किसी भी बात की विशेषज्ञों ने समीक्षा नहीं की है और हमें नहीं पता कि इनमें से कुछ भी सही है या नहीं।

दोनों प्रतिक्रियाएँ सही हैं, लेकिन दोनों ही एक अधिक अहम सवाल छोड़ देती हैं: क्या ये नतीजे सही हैं, और इस जवाब की पुष्टि कौन कर रहा है?

दो सवाल। जवाब सिर्फ़ एक का मिला है।

मैं उन दो बातों को अलग करना चाहता हूँ जिन्हें मीडिया कवरेज एक साथ रखती रही है। उनका अलग-अलग विश्लेषण ज़रूरी है, क्योंकि उनके निहितार्थ बिल्कुल अलग हैं।

पहला सवाल: क्या ये गणितीय नतीजे सही हैं? इसका जवाब गणितज्ञों को देना है और इसमें कई महीने लगेंगे। 722 पांडुलिपियों में से लगभग पाँचवें हिस्से में Lean के प्रमाण हैं, यानी ऐसे औपचारिक प्रमाण जिनकी मशीन से जाँच की गई है। बाकी लगभग 580 पांडुलिपियों में ऐसे प्रमाण नहीं हैं। रिपॉज़िटरी की README फ़ाइल में OpenAI ने भी माना है कि जिन नतीजों को औपचारिक रूप नहीं दिया गया, उनमें कुछ समस्याएँ हो सकती हैं। गणित का समुदाय इनकी सावधानीपूर्वक जाँच करेगा। कुछ नतीजे सही साबित होंगे। कुछ शायद नहीं। यह प्रक्रिया अनिवार्य है, लेकिन अभी तक हुई नहीं है।

दूसरा सवाल अलग है: इसका क्या मतलब है कि एक एआई मॉडल ने गणित की 17 शाखाओं में फैली 722 पांडुलिपियाँ तैयार कीं और हर नतीजे के लिए लगभग तीन घंटे की सोच के बराबर संगणकीय क्षमता का इस्तेमाल किया?

एक एआई प्रणाली ने वास्तव में गणितीय खोज करने वाले तंत्र की तरह काम किया। उसने लगभग 4,000 समस्याएँ खुद अपने सामने रखीं और संख्या सिद्धांत, ज्यामिति, सैद्धांतिक कंप्यूटर विज्ञान, गणितीय भौतिकी और तर्कशास्त्र में नया गणितीय काम किया। गणित के अध्ययन के लिए नतीजों का सत्यापन अहम है, लेकिन यह उपलब्धि और यह क्षमता बाकी हर चीज़ के लिए मायने रखती है।

वह मॉडल जिसका इस्तेमाल कोई नहीं कर सकता

मुझे सबसे उल्लेखनीय बात 722 शोधपत्र नहीं, बल्कि उन्हें तैयार करने वाला मॉडल लगती है—उसका अब तक कोई नाम नहीं है और न ही उसे कोई API दी गई है। OpenAI से बाहर का कोई ग्राहक या शोधकर्ता, और न ही उस पर काम आगे बढ़ाने की कोशिश कर रही कोई कंपनी, इसका इस्तेमाल कर सकती है। OpenAI ने ऐसी क्षमता के नतीजे प्रकाशित किए हैं जिसे बाज़ार ने अभी देखा नहीं है और जिस तक उसकी पहुँच भी नहीं है।

निवेश के लिहाज़ से यह एक बहुत स्पष्ट संकेत है। कंपनी ने अग्रणी स्तर की ऐसी क्षमता दिखाई है जो परिभाषा के अनुसार, बाज़ार द्वारा आँकी गई क्षमता से आगे है। इस उपलब्धि के साथ OpenAI के आंतरिक मॉडल जो कर सकते हैं और बाज़ार जिन क्षमताओं को उनका मानता है, उनके बीच का अंतर बढ़ गया है।

हालाँकि, यह अंतर हमेशा इतना बड़ा नहीं रहेगा। मॉडल जारी होने पर, प्रतिस्पर्धियों के बराबरी पर पहुँचने पर, या इन नतीजों से नए मानक तैयार होने पर—जिनके अनुसार हर कोई अपने प्रदर्शन को बेहतर बनाने लगेगा—यह अंतर घटेगा। लेकिन अभी, अक्टूबर 2026 में, एआई प्रणाली की गणितीय क्षमता का सार्वजनिक और दस्तावेज़ीकृत प्रदर्शन मौजूद है, जिसका कंपनी से बाहर कोई भी व्यक्ति इस्तेमाल या पूरी तरह मूल्यांकन नहीं कर सकता।

इससे निवेश की मूल परिकल्पना कैसे बदलती है

क्रांतियों में निवेश में, मैं अभिसरण प्रभाव को इस सिद्धांत के रूप में समझाता हूँ कि जब परिवर्तनकारी तकनीकें एक-दूसरे से मिलती हैं, तो उनका संयुक्त नतीजा जोड़ने से नहीं, गुणा करने से बनता है। दो और दो का योग चार नहीं होता। इससे ऐसी चीज़ पैदा होती है जिसे दोनों में से कोई भी तकनीक अकेले नहीं बना सकती।

मैं पिछले दो वर्षों से एआई और वैज्ञानिक खोज के मेल को भविष्य की ओर देखने वाले निवेश विषय के रूप में लिखता आ रहा हूँ। एआई और क्वांटम कंप्यूटिंग के मेल से दवा की खोज की समय-सीमा वर्षों से घटकर हफ़्तों तक आना। एआई से तैयार आणविक सिमुलेशन के ज़रिए पदार्थ विज्ञान में प्रगति। गणितीय आधारों के एआई-सहायित विश्लेषण से क्रिप्टोग्राफ़ी का नया रूप लेना।

ये शुरुआती संकेतों पर आधारित पूर्वानुमान थे। इस सप्ताह उनमें से एक सच हो गया।

17 शाखाओं में फैली 722 पांडुलिपियों के स्तर पर एआई मॉडल का वास्तविक गणितीय खोज करना, एआई और वैज्ञानिक ज्ञान के बीच उस संबंध से बिल्कुल अलग है जिसे हम अब तक मानकर चल रहे थे। जिन शाखाओं में इसका सबसे अधिक महत्व है, वे ठीक वही हैं जिन पर मेरी नज़र रही है। संख्या सिद्धांत क्रिप्टोग्राफ़ी का गणितीय आधार है, और क्रिप्टोग्राफ़ी हर ब्लॉकचेन प्रणाली तथा सुरक्षित संचार प्रोटोकॉल की नींव है। गणितीय भौतिकी पदार्थ विज्ञान और क्वांटम कंप्यूटिंग के हार्डवेयर का आधार है। सैद्धांतिक कंप्यूटर विज्ञान एल्गोरिदम के विकास की रीढ़ है। इनमें से किसी भी शाखा में प्रगति का असर आगे चलकर उत्पादों, कंपनियों और पूरे उद्योगों तक पहुँचता है।

जब एआई इन शाखाओं को अकेले काम कर रहे मानव शोधकर्ताओं से तेज़ी से आगे बढ़ा सकता है, तो आगे तक पहुँचने वाली यह प्रगति भी तेज़ हो जाती है। निवेशकों के लिए सवाल यह है कि किस चीज़ में तेज़ी आएगी, उसे रफ़्तार देने वाले कारक क्या हैं, यह कितनी तेज़ी से होगा और इस तेज़ी की राह में कौन सही जगह पर मौजूद है।

सत्यापन की वह अर्थव्यवस्था जो अभी अस्तित्व में नहीं है

इस कहानी में निवेश से जुड़ा एक ऐसा विशिष्ट निहितार्थ है जिसे मैंने किसी को स्पष्ट रूप से सामने रखते नहीं देखा।

722 पांडुलिपियों में से 162 में Lean के ऐसे प्रमाण हैं जिनकी मशीन से जाँच की गई है। बाकी में ऐसा नहीं है। शुरुआती निगरानी के लिए OpenAI ने Institute for Advanced Study के एक सलाहकार समूह पर भरोसा किया। समूह ने इस रिलीज़ को पहला कदम बताया, जो गणितीय ज्ञान में परिणामों को शामिल करने की प्रक्रिया को पूरा नहीं करता, बल्कि उसकी शुरुआत करता है।

व्यावहारिक रूप से इसका मतलब है कि अब हम ऐसी दुनिया में हैं, जहाँ AI प्रणालियाँ गणितीय और वैज्ञानिक दावे मौजूदा मानवीय व्यवस्थाओं की उन्हें सत्यापित करने की क्षमता से तेज़ी से तैयार कर सकती हैं। दावे तैयार करने और उन्हें सत्यापित करने के बीच का यह अंतर कोई अस्थायी समस्या नहीं है। यह क्षमता के साथ बढ़ता है। वैज्ञानिक परिणाम तैयार करने की AI की क्षमता में हर सुधार सत्यापन के इस अंतर को और बढ़ा देता है—जब तक कि इसे पाटने के लिए कुछ बनाया न जाए।

इस अंतर को पाटने के लिए एक नई तरह की व्यवस्था चाहिए: औपचारिक सत्यापन के उपकरण, AI की मदद से प्रमाणों की जाँच और गणितीय दावों को ज्ञात परिणामों तथा आंतरिक रूप से सुसंगत रूपरेखाओं के आधार पर परखने वाली स्वचालित प्रक्रियाएँ। Lean की प्रमाण-प्रणाली एक शुरुआत है, लेकिन यह इस रिलीज़ के केवल 22% हिस्से को कवर करती है और आने वाले परिणामों की मात्रा के लिए बनाई ही नहीं गई थी।

AI से तैयार विज्ञान के सत्यापन की अर्थव्यवस्था का महत्त्व काफी बड़ा होने वाला है, जबकि आज इसका अस्तित्व मुश्किल से ही है। इसे बनाने वाली कंपनियाँ ऐसा काम करेंगी जिसकी सचमुच ज़रूरत है, जो केवल उपयोगी भर नहीं है। यही किसी ऐसी व्यवस्था की सबसे टिकाऊ नींव होती है जिसे बनाया जा सकता है।

वह रेखा, जो 80 वर्षों से खिसकती आ रही है

जब कंप्यूटरों ने पहली बार मनुष्यों से तेज़ी से संख्यात्मक गणनाएँ करनी शुरू कीं, तो अधिकांश गणितज्ञों ने इसे गणित के बजाय महज़ गणना कहकर खारिज कर दिया। मशीनें गणना कर सकती थीं। वे खोज नहीं कर सकती थीं। यही वह रेखा थी।

तब से यह रेखा लगातार खिसकती रही है। चार-रंग प्रमेय जैसे बड़े परिणामों के कंप्यूटर-सहायता से दिए गए प्रमाणों को 1980 और 1990 के दशकों में विवाद का सामना करना पड़ा, क्योंकि मनुष्य उन प्रमाणों की पूरी तरह जाँच नहीं कर सकते थे। 2000 और 2010 के दशकों में स्वचालित प्रमेय-प्रमाणक आगे बढ़े। हर बार रेखा खिसकी, वही तर्क सामने आया: यह वास्तविक गणित नहीं है; यह तो बस गणना है।

रेखा एक बार फिर खिसकी है—पिछले कई वर्षों की तुलना में कहीं अधिक स्पष्ट रूप से, और ऐसे तरीके से जिसे खारिज करना कठिन है, क्योंकि इसके नतीजे एक सार्वजनिक GitHub रिपॉज़िटरी में मौजूद हैं, जिसकी कोई भी जाँच कर सकता है।

मैं यह दावा नहीं कर रहा कि सभी 722 परिणाम जाँच-पड़ताल में सही साबित होंगे। मेरा दावा यह है कि इन्हें तैयार करके दिखाई गई क्षमता वैज्ञानिक क्षेत्रों में AI क्या कर सकती है, उसमें वास्तविक और टिकाऊ बदलाव का संकेत देती है।

निवेशकों के लिए निर्णायक मोड़

Investing in Revolutions में मेरा तर्क है कि निवेश के सबसे बड़े अवसर निर्णायक मोड़ों पर पैदा होते हैं—जब परिवर्तनकारी प्रौद्योगिकियाँ ऐसी दहलीज़ पार करती हैं जो बुनियादी तौर पर बदल देती है कि क्या-क्या संभव हो सकता है। यह भी ऐसा ही एक क्षण है।

मौलिक वैज्ञानिक खोजें करने की AI की उभरती क्षमता इस बात में बदलाव का संकेत है कि नवाचार कैसे होता है और मूल्य कहाँ पैदा होगा। इसके प्रभाव AI विकसित करने वाली कंपनियों से आगे तक पहुँचते हैं—दवा खोज, उन्नत सामग्री, ऊर्जा, कूटलेखन और औद्योगिक R&D तक—जहाँ तेज़ अनुसंधान विकास की समय-सीमा घटा सकता है, लागत कम कर सकता है और पूरी तरह नए बाज़ार खोल सकता है।

निवेशकों के लिए अवसर इस निर्णायक मोड़ को उसके व्यावसायिक प्रभाव स्पष्ट होने से पहले पहचानने में है। इसका मतलब है AI से पैदा हुई खोजों को सत्यापित करने के लिए ज़रूरी बुनियादी ढाँचे और उन कंपनियों की पहचान करना, जो इन खोजों को स्वामित्व वाली प्रौद्योगिकियों, विस्तार योग्य व्यवसायों और टिकाऊ प्रतिस्पर्धी बढ़त में बदलने की सबसे बेहतर स्थिति में हैं।

अलग-अलग निष्कर्षों का सत्यापन अभी बाकी है, लेकिन व्यापक संकेत स्पष्ट है: AI वैज्ञानिक खोज में सहायता करने से आगे बढ़कर उसे संभावित रूप से दिशा देने की ओर जा रही है। जो निवेशक इस बदलाव के महत्त्व और इसके प्रभावों के मिलने के बिंदुओं को समझते हैं, वे इससे पैदा होने वाले मूल्य का लाभ उठाने की सबसे बेहतर स्थिति में होंगे।