AGI क्या है और क्यों LLMs शायद कभी सच्चे AGI नहीं बनेंगे

Q: आज के बड़े भाषा मॉडल सच्चे AGI क्यों नहीं माने जाते?

आधुनिक LLMs: - मुख्य रूप से टेक्स्ट (और कभी‑कभार कोड, इमेज या ऑडियो) पर प्रशिक्षित होते हैं - एक अनुक्रम में अगले टोकन की भविष्यवाणी करने के लिये अनुकूलित होते हैं - परसेप्शन, शरीर, अंतर्निहित उद्देश्य और स्थायी स्मृति से रहित हैं ये व्यापक ज्ञान और तर्क का अनुकरण कर सकते हैं क्योंकि भाषा में मानव विशेषज्ञता का बहुत सारा भंडार होता है। पर ये: - वास्तविक दुनिया के अनुभव से जुड़े ग्राउंडेड कॉन्सेप्ट नहीं रखते - दुनिया के बारे में बदलती मान्यताओं को क्रमिक रूप से नहीं बनाए रखते - स्वायत्त रूप से समय के साथ योजना बनाकर कार्रवाई नहीं करते इसलिए LLMs शक्तिशाली संकुचित (narrow) पैटर्न‑लर्नर हैं, न कि स्व‑सम्पूर्ण सामान्य बुद्धिमत्ता वाले एजेंट।

Q: LLMs वास्तव में अंदर से कैसे काम करते हैं?

LLM को आप इस तरह सोच सकते हैं: - एक बड़ी फंक्शन जो टोकनों के अनुक्रम को अगले टोकन के लिये प्रायिकता वितरित करने में बदल देती है - ट्रिलियनों उदाहरणों को देखकर प्रशिक्षित, आंतरिक वज़नों को समायोजित करती है ताकि पूर्वानुमान बेहतर हों महत्वपूर्ण बिंदु: - यह डाटाबेस की तरह तथ्यों को संग्रहित नहीं करता - यह भाषा की सांख्यिकीय नियमितताओं को एन्कोड करता है - इसका सत्य का कोई अंतर्निहित मापदंड नहीं, केवल पूर्व पाठ के अनुसार संभाव्यता है जो कुछ भी तर्क या स्मृति जैसा दिखता है, वह अगले‑टोकन उद्देश्य, स्केल और फाइन‑ट्यूनिंग से उभर रहा है, न कि स्पष्ट प्रतीकात्मक तर्क या स्थायी मान्यताओं से।

Q: LLMs को AGI कहने से जोखिम क्या हैं?

LLMs को “AGI” कहना कई समस्याएँ उत्पन्न करता है: - अधिभरोसा: उपयोगकर्ता मान लेते हैं कि समझ और विश्वसनीयता मानव‑समान है - गलत निवेश संकेत: फंड और प्रतिभा हाइप के पीछे भागते हैं बजाए बुनियादी सुरक्षा और व्याख्येयता के काम के - नियामक भ्रम: नीति-निर्माता काल्पनिक AGI पर फोकस कर सकते हैं और मौजूदा नुकसान (पक्षपात, गलत सूचनाएं, अति‑निर्भरता) पर ध्यान नहीं दे पाते ठीक शब्दावली—"LLM", "narrow model", "LLMs का उपयोग करने वाले agentic सिस्टम"—अपेक्षाओं और जोखिमों को सुस्पष्ट करने में मदद करती है।

लॉग इन शुरू करें

क्यों AGI और LLMs को हर जगह मिलाया जा रहा है

अगर आप टेक न्यूज़, निवेशक प्रेज़ेंटेशन या प्रोडक्ट पेज पढ़ते हैं, तो आप देखेंगे कि इंटेलिजेंस शब्द को बहुत फ़ैलाया जा रहा है। चैटबॉट्स “लगभग मानव” हैं, कोडिंग सहायक “करीब‑करीब जूनियर इंजीनियर” हैं, और कुछ लोग शक्तिशाली बड़े भाषा मॉडलों (LLMs) को सहजता से आर्टिफिशियल जनरल इंटेलिजेंस (AGI) की पहली सीढ़ियाँ मान लेते हैं।

यह लेख जिज्ञासु प्रैक्टिशनर्स, संस्थापकों, प्रोडक्ट लीडर्स और तकनीकी पाठकों के लिये है जो GPT‑4 या Claude जैसे टूल्स का उपयोग करते हैं और आश्चर्य करते हैं: क्या यह AGI जैसा दिखता है—या कुछ महत्वपूर्ण गायब है?

भ्रम का स्रोत

LLMs वाकई प्रभावशाली हैं। वे:

प्रवाही रूप से प्राकृतिक भाषा में संवाद करते हैं
कोड लिखते हैं, रिसर्च का सार निकालते हैं, और परीक्षाएँ पास करते हैं
अपने आउटपुट पर ऐसा ध्यान देते हैं जो तर्क जैसा दिखाई देता है

अधिकांश गैर‑विशेषज्ञों के लिये यह “सामान्य बुद्धिमत्ता” से असंबद्ध महसूस होता है। जब कोई मॉडल एक ही सत्र में कांट के ऊपर निबंध लिख सकता है, आपका TypeScript एरर ठीक कर सकता है, और कानूनी मेमो का मसौदा तैयार कर सकता है, तो यह मान लेना स्वाभाविक है कि हम AGI के क़रीब हैं।

लेकिन यह धारणा चुपचाप भाषा में कुशल होने को सामान्य बुद्धिमत्ता होने के बराबर मान लेती है। यही मुख्य भ्रम है जिसे यह लेख खोलकर बताएगा।

इस लेख का केंद्रीय दावा

विकसित किया गया तर्क यह है:

वर्तमान LLMs टेक्स्ट और कोड पर अत्यंत सक्षम पैटर्न‑लर्नर हैं, पर उनकी आर्किटेक्चर और प्रशिक्षण नीति से यह असंभाव्य है कि वे केवल स्केल या फाइन‑ट्यूनिंग से सच्चे AGI तक पहुंच जाएँ।

वे और बेहतर, वृहद और उपयोगी होते रहेंगे। वे AGI‑समान प्रणालियों का हिस्सा हो सकते हैं। फिर भी वहाँ गहरे कारण हैं—दुनिया के साथ ग्राउंडिंग, एजेंसी, स्मृति, एम्बोडिमेंट, और आत्म‑मॉडल के बारे में—क्यों "बड़े LLM" का रास्ता शायद "सामान्य बुद्धिमत्ता" तक नहीं पहुँचता।

यह एक अभिप्रेत रायपूर्ण यात्रा है, पर शोध, LLMs की वर्तमान क्षमताओं और विफलताओं, और उन खुले सवालों पर आधारित है जिन पर गंभीर वैज्ञानिक काम कर रहे हैं—हाइप या भय‑उद्घोष नहीं।

हम असल में AGI से क्या मतलब रखते हैं?

जब लोग AGI कहते हैं, तो वे शायद एक ही बात नहीं कहते। बहस को स्पष्ट करने के लिये कुछ मूल अवधारणाएँ अलग करना मदद करता है।

संकुचित AI से सामान्य बुद्धिमत्ता तक

AI (कृत्रिम बुद्धिमत्ता) वह व्यापक क्षेत्र है जो उन प्रणालियों का निर्माण करता है जो “बुद्धिमत्ता जैसा” व्यवहार करने वाले कार्य कर सकें: भाषण पहचानना, फ़िल्में सुझाना, गो खेलना, कोड लिखना और भी बहुत कुछ।

आज जो अधिकांश मौजूद है वह संकुचित AI (या कमज़ोर AI) है: सिस्टम विशेष कार्यों और परिस्थितियों के लिये डिज़ाइन और प्रशिक्षित किए जाते हैं। एक इमेज क्लासीफ़ायर जो बिल्लियों और कुत्तों को लेबल करता है, या बैंकिंग‑कहाँनों के लिये ट्यून किया गया ग्राहक‑सहायता चैटबॉट, अपने निच में बेहद सक्षम हो सकता है पर बाहर बहुत खराब प्रदर्शन करता है।

Artificial General Intelligence (AGI) बहुत अलग है। यह उस प्रणाली को दर्शाता है जो:

विभिन्न डोमेन में सामान्यीकरण कर सके, केवल एक काम या डेटा टाइप तक सीमित नहीं
नए समस्याओं और वातावरणों के लिये अनुकूल हो सके जिनपर उसे स्पष्ट रूप से प्रशिक्षित नहीं किया गया
स्वायत्त रूप से कार्य कर सके, न्यूनतम मानव सहायता के साथ लक्ष्य तय कर सके और उन्हें आगे बढ़ा सके
ट्रांसफर लर्निंग कर सके—एक संदर्भ में जो सीखा उसे अन्य संदर्भों में उपयोग कर सके

एक व्यवहारिक नियम: AGI सिद्धांततः किसी भी बौद्धिक रूप से मांग वाले मानव काम को सीख सकता है, समय और संसाधन मिलने पर, बिना हर नए काम के लिये अलग डिजाइन किए।

स्ट्रॉन्ग AI, मानव‑स्तरीय AI और उससे परे

निकट‑संबंधी शब्द अक्सर उपयोग होते हैं:

Strong AI: आमतौर पर AGI के समार्थक रूप में उपयोग होता है, जो वास्तविक समझ को रेखांकित करता है न कि चालाक नकल को।
Human‑level AI: ऐसा AGI जिसकी समग्र संज्ञानात्मक क्षमताएँ औसत वयस्क मानव के समान हों।
Superintelligence: एक काल्पनिक प्रणाली जो अधिकांश या सभी क्षेत्रों में सबसे अच्छे मानव मस्तिष्क से बहुत आगे हो।

इसके विपरीत, आधुनिक चैटबॉट्स और इमेज मॉडल संकुचित ही रहते हैं: प्रभावशाली, पर विशेष डेटा पैटर्न्स के लिये अनुकूलित, न कि खुली‑अंत की क्रॉस‑डोमेन बुद्धिमत्ता के लिये।

AGI के सपने का संक्षिप्त इतिहास

प्रारंभिक दृष्टियाँ: ट्यूरिंग और प्रतीकात्मक AI

आधुनिक AGI का सपना एलन ट्यूरिंग के 1950 के प्रस्ताव से शुरू होता है: अगर मशीन बातचीत में इंसान से अलग न पहचानी जा सके (ट्यूरिंग टेस्ट), तो क्या वह बुद्धिमान मानी जाएगी? इसने सामान्य बुद्धिमत्ता को व्यवहार के संदर्भ—खासकर भाषा और तर्क—में ढांचा दिया।

1950s से 1980s तक शोधकर्ता AGI के लिये प्रतीकात्मक AI या "GOFAI" (Good Old‑Fashioned AI) के माध्यम से आगे बढ़े। बुद्धिमत्ता को स्पष्ट प्रतीकों को तार्किक नियमों के अनुसार मनिपुलेट करने के रूप में देखा गया। थ्योरम प्रूफ़िंग, गेम‑प्लेइंग, और एक्सपर्ट सिस्टम्स ने कुछ लोगों को लगा दिया कि मानव‑स्तरीय तर्क निकट है।

पर GOFAI धारणा में परसेप्शन, सामान ज्ञान और गंदे वास्तविक‑दुनिया डेटा के साथ संघर्ष कर गया। सिस्टम तार्किक पहेलियाँ हल कर सकते थे पर एक बच्चा जो आसान मानता है वे उसमें विफल रहते थे। इस अंतर ने पहले बड़े‑स्तरीय AI विंटर और AGI के प्रति अधिक सतर्क दृष्टि को जन्म दिया।

मशीन लर्निंग युग का उदय

डेटा और कंप्यूट बढ़ने के साथ, AI ने हैंड‑क्राफ्टेड नियमों से उदाहरणों से सीखने की ओर रुख किया। सांख्यिकीय मशीन‑लर्निंग और फिर डीप‑लर्निंग ने प्रगति को फिर से परिभाषित किया: ज्ञान एन्कोड करने के बजाय सिस्टम बड़े डेटासेट से पैटर्न सीखते हैं।

IBM का DeepBlue (शतरंज) और बाद में AlphaGo (गो) जैसी उपलब्धियों को सामान्य बुद्धिमत्ता की ओर कदम माना गया। असलियत में वे अत्यंत विशिष्ट थे: प्रत्येक ने केवल एक गेम के नियमों के तहत महारत हासिल की, और रोज़मर्रा की तर्कशक्ति में कोई सामान्य हस्तांतरण नहीं था।

संकुचित विजयों से जनरेटिव मॉडलों तक

GPT श्रृंखला ने भाषा में एक और बड़ा छलांग लगाई। GPT‑3 और GPT‑4 निबंध लिख सकते हैं, कोड बना सकते हैं, और शैलियों का नकल कर सकते हैं, जिससे AGI के नज़दीक होने की अटकलें बढ़ीं।

फिर भी ये मॉडल अभी भी टेक्स्ट पर पैटर्न‑लर्नर हैं। वे लक्ष्य नहीं बनाते, ग्राउंडेड विश्व मॉडल नहीं बनाते, और स्वायत्त रूप से अपनी क्षमताएँ नहीं बढ़ाते।

प्रति‑लहर—प्रतीकात्मक AI, क्लासिक मशीन‑लर्निंग, डीप‑लर्निंग, और अब बड़े भाषा मॉडल—के दौरान AGI का सपना संकुचित उपलब्धियों पर प्रोजेक्ट किया गया और उनकी सीमाएँ स्पष्ट होने पर संशोधित हुआ।

बड़े भाषा मॉडल वास्तव में कैसे काम करते हैं

बड़े भाषा मॉडल (LLMs) टेक्स्ट के विशाल संग्रह पर प्रशिक्षित पैटर्न‑लर्नर हैं: किताबें, वेबसाइट्स, कोड, फोरम और अधिक। उनका उद्देश्य भ्रामक रूप से सरल है: दिए गए कुछ टेक्स्ट के आधार पर अगला टोकन (छोटा टेक्स्ट हिस्सा) क्या होगा यह भविष्यवाणी करना।

टोकन और अगले‑शब्द की भविष्यवाणी

प्रशिक्षण से पहले, टेक्स्ट को टोकनों में बाँटा जाता है: ये पूरे शब्द (cat), शब्द‑टुकड़े ( inter, esting ), या यहां‑वहां विराम‑चिह्न हो सकते हैं। प्रशिक्षण के दौरान मॉडल बार‑बार ऐसे अनुक्रम देखता है:

"The cat sat on the ___"

और संभावित अगले टोकनों (mat, sofa) को उच्च प्रायिकता और अप्रासंगिक टोकन (presidency) को कम प्रायिकता देना सीखता है। ट्रिलियनों टोकनों पर यह प्रक्रिया अरबों (या उससे अधिक) आंतरिक पैरामीटर आकार देती है।

आधार में, मॉडल बहुत बड़ी एक फ़ंक्शन है जो टोकन अनुक्रम को अगले टोकन के लिये प्रायिकता वितरण में बदल देती है। प्रशिक्षण ग्रेडिएंट डिसेंट का उपयोग करके पैरामीटर को धीरे‑धीरे समायोजित कर के बेहतर पूर्वानुमान करवाता है।

सरल शब्दों में स्केलिंग लॉज़

"Scaling laws" एक नियमितता बताते हैं: जब आप मॉडल का आकार, डेटा का आकार और कंप्यूट बढ़ाते हैं, प्रदर्शन एक अनुमानित तरीके से सुधारता है। बड़े मॉडल और अधिक टेक्स्ट पर प्रशिक्षित होने पर आम तौर पर भविष्यवाणी में बेहतर होते हैं—जब तक डेटा, कंप्यूट और प्रशिक्षण‑स्थिरता की व्यावहारिक सीमाएँ न मिलें।

LLMs वास्तव में "क्या जानते" हैं

LLMs तथ्यों को डेटाबेस की तरह संग्रहित नहीं करते और न ही मनुष्य की तरह तर्क करते हैं। वे सांख्यिकीय नियमितताओं को एन्कोड करते हैं: कौन‑से शब्द, वाक्यांश और संरचनाएँ किस संदर्भ में साथ आती हैं।

उनका ग्राउंडेड अवधारणाओं से कोई सम्बन्ध नहीं होता—दर्शन या भौतिक अनुभव से नहीं। एक LLM "लाल" या "भारीपन" के बारे में केवल उस रूप में बोल सकता है जैसे उन शब्दों का उपयोग टेक्स्ट में हुआ है, न कि रंग देखकर या वस्तु उठाकर।

इसीलिए मॉडल ज्ञानवान सुनाई दे सकते हैं पर फिर भी आत्मविश्वासी गलतियाँ कर सकते हैं: वे पैटर्न का विस्तार कर रहे होते हैं, वास्तविकता की जांच नहीं कर रहे।

प्री‑ट्रेनिंग, फाइन‑ट्यूनिंग और RLHF

प्री‑ट्रेनिंग वह लंबा आरम्भिक चरण है जहां मॉडल बड़े टेक्स्ट कॉर्पस पर अगले‑टोकन की भविष्यवाणी करके सामान्य भाषा पैटर्न सीखता है। यहीं अधिकांश क्षमताएँ उभरती हैं।

उसके बाद, फाइन‑ट्यूनिंग प्रीट्रेन्ड मॉडल को संकुचित लक्ष्यों के लिये जोड़ता है: निर्देशों का पालन करना, कोड लिखना, अनुवाद करना, या विशिष्ट डोमेन में सहायता। मॉडल को वांछित व्यवहार के क्यूरेट किए गए उदाहरण दिखाए जाते हैं और हल्के समायोजन होते हैं।

मानव प्रतिक्रिया से रिइन्फोर्समेंट लर्निंग (RLHF) एक और परत जोड़ता है: इंसान मॉडल आउटपुट्स को रेट या तुलना करते हैं, और मॉडल को लोगों की पसंद के अनुसार उत्तर देने के लिये अनुकूलित किया जाता है (जैसे अधिक सहायक, कम हानिकारक, अधिक ईमानदार)। RLHF मॉडल को नई इंद्रियाँ या गहरी समझ नहीं देता; यह मुख्यतः उस सामग्री के प्रस्तुतीकरण और फ़िल्टरिंग को आकार देता है जो मॉडल पहले ही सीख चुका होता है।

मिलकर, ये चरण ऐसी प्रणालियाँ बनाते हैं जो सांख्यिकीय पैटर्नों का उपयोग करके प्रवाही टेक्स्ट जेनरेट करने में बेहद अच्छे हैं—पर उनके पास ग्राउंडेड ज्ञान, लक्ष्य या चेतना नहीं होती।

वर्तमान LLMs चौंकाने वाली रूप से क्या कर सकते हैं

बड़े भाषा मॉडल प्रभावशाली लगते हैं क्योंकि वे कई ऐसे कार्य कर सकते हैं जो कभी मशीनों के लिये दूर की बात लगते थे।

कोड, टेक्स्ट और अनुवाद मांग पर

LLMs कार्यात्मक कोड स्निपेट जनरेट कर सकते हैं, मौजूदा कोड को रिफैक्टर कर सकते हैं, और अज्ञात लाइब्रेरीज़ को सामान्य भाषा में समझा सकते हैं। कई डेवलपर्स के लिये ये पहले से ही एक कुशल पेयर‑प्रोग्रामर की तरह काम करते हैं: किन‑किन किनारे‑के मामलों का सुझाव देते हैं, स्पष्ट बग पकड़ते हैं, और पूरे मॉड्यूल की रूपरेखा बना देते हैं।

वे सारांशण में भी माहिर हैं। लंबे रिपोर्ट, पेपर, या ईमेल थ्रेड को दिए जाने पर, LLM मुख्य बिंदु संक्षेप कर सकता है, क्रिया‑आइटम हाइलाइट कर सकता है, या विभिन्न दर्शकों के लिये स्वर समायोजित कर सकता है।

अनुवाद भी एक शक्ति है। आधुनिक मॉडल दर्जनों भाषाओं को संभालते हैं, अक्सर शैली और रजिस्टर के सूक्ष्म आयामों को भी पर्याप्त रूप से पकड़ लेते हैं।

तर्क के बेंचमार्क्स और उभरते व्यवहार

जैसे‑जैसे मॉडल स्केल होते हैं, नई क्षमताएँ ‘‘कहीं से भी" प्रकट होती सी लगती हैं: लॉजिक पहेलियाँ हल करना, पेशेवर परीक्षाएँ पास करना, या मल्टी‑स्टेप निर्देशों का पालन करना जिनमें पुराने वर्ज़न विफल थे। मानकीकृत बेंचमार्क्स—गणित शब्द‑समस्याएँ, बार परीक्षा के प्रश्न, मेडिकल क्विज़—पर शीर्ष LLMs अब औसत मानव स्कोर तक पहुंचते या उसे पार कर लेते हैं।

ये उभरते व्यवहार लोगों को यह कहने के लिये लुभाते हैं कि मॉडल "तर्क" या "समझ" रहे हैं जैसे मनुष्य करते हैं। प्रदर्शन ग्राफ और लीडरबोर्ड इस विचार को मज़बूत करते हैं कि हम AGI के नज़दीक हैं।

क्यों यह समझ जैसा लगता है—पर नहीं है

LLMs को इस तरह प्रशिक्षित किया जाता है कि वे पाठ को ऐसे आगे बढ़ाएँ जो डेटा में देखे गए पैटर्न से मेल खाता हो। यह प्रशिक्षण उद्देश्य, साथ में स्केल, विशेषज्ञता और एजेंसी का अनुकरण करने के लिये काफी है: वे आत्मविश्वासी लगते हैं, सत्र के भीतर संदर्भ याद रखते हैं, और अपने उत्तरों का प्रवाहपूर्ण बहाना दे सकते हैं।

पर यह समझ का भ्रम है। मॉडल यह नहीं जानता कि कोई कोड चलाने पर क्या करेगा, कोई मेडिकल निदान रोगी के लिये क्या अर्थ रखता है, या किसी योजना से किस शारीरिक कार्रवाई के परिणाम निकलेंगे। उसका दुनिया से कोई ग्राउंडिंग नहीं है।

इन्सानी परीक्षाओं पर अच्छा प्रदर्शन—यहाँ तक कि मनुष्यों के लिये बनाई गई परीक्षाएँ भी—स्वयं‑सिद्ध AGI नहीं दर्शाता। यह दिखाता है कि विशाल टेक्स्ट डेटा पर पैटर्न‑लर्निंग कई विशिष्ट कौशलों का सन्निकटन कर सकती है, पर वह लचीली, ग्राउंडेड, क्रॉस‑डोमेन बुद्धिमत्ता नहीं है जिसे सामान्यतौर पर "Artificial General Intelligence" कहा जाता है।

केवल टेक्स्ट‑आधारित पैटर्न‑लर्नरों की बुनियादी सीमाएँ

विचारों को डेमो में बदलें

AGI vs LLM चर्चा को आज आप डेमो कर सकने वाले छोटे टूल में बदलें.

अब बनाना शुरू करें

बड़े भाषा मॉडल असाधारण टेक्स्ट‑पूर्वानुमानक हैं, पर वही डिज़ाइन उनकी कुछ कठोर सीमाएँ भी तय करता है।

कोई ग्रहणशीलता नहीं, कोई एम्बोडिमेंट नहीं

LLMs देखने, सुनने, हिलने‑डुलने या वस्तुएँ नियंत्रित करने में सक्षम नहीं होते। उनका दुनिया से एक मात्र संपर्क टेक्स्ट है (और कुछ नए मॉडलों में स्थिर छवियाँ या छोटे क्लिप)। उनके पास कोई सतत संवेदी स्ट्रीम, शरीर, या परिणामों का अवलोकन करके सीखने का तरीका नहीं है।

सेंसर्स और एम्बोडिमेंट के बिना वे एक ग्राउंडेड, निरंतर अपडेट होने वाला वास्तविकता मॉडल नहीं बना सकते। "भारी", "चिपचिपा" या "नाज़ुक" जैसे शब्द केवल टेक्स्ट में पड़ने वाले सह‑संबंध हैं, न कि जीवंत बाध्यताएँ। इससे समझ का नकल तो संभव होता है, पर प्रत्यक्ष संपर्क के बिना वे पूर्व विवरणों को दोहराने और जोड़ने तक ही सीमित रह जाते हैं।

हलुसिनेशन और स्थायी विश्वासों की अनुपस्थिति

एक LLM अनुक्रम को बढ़ाने के लिये प्रशिक्षित है, इसलिए यह उस तरह का निरंतरता उत्पन्न करता है जो उसके सीखे पैटर्न के अनुरूप सबसे अच्छा बैठता है, न कि जो सत्य हो। जब डेटा पतला या विरोधाभासी हो, तो यह सहज‑लगे परिकल्पनाओं से रिक्त स्थलों को भर देता है।

मॉडल के पास कोई स्थायी विश्वास‑स्थिति नहीं होती। हर प्रतिक्रिया ताज़ा जनरेशन होती है—प्रॉम्प्ट और वज़नों से; कोई अंतर्निहित खाता नहीं है कि "मैं किन तथ्यों को मानता/मानती हूँ"। दीर्घकालिक मेमोरी फीचर्स बाहरी स्टोरेज के रूप में जोड़ी जा सकती हैं, पर मूल सिस्टम मानवों जैसे विश्वासों का क्रमिक संशोधन नहीं करता।

ठंडी हुई जानकारी और सीमित रीयल‑टाइम सीखना

LLM का प्रशिक्षण एक ऑफ़लाइन, संसाधन‑गहन बैच प्रक्रिया है। इसे अपडेट करने का अर्थ आम तौर पर नए डेटा पर पुनःप्रशिक्षण या फाइन‑ट्यूनिंग है, ना कि हर इंटरैक्शन से चिकनी तरह सीखना।

इससे महत्वपूर्ण सीमा आती है: मॉडल तेजी से बदलती दुनिया को लगातार ट्रैक नहीं कर सकता, अपने अवधारणाओं को सतत अनुभव के आधार पर अनुकूलित नहीं कर सकता, या गहरी गलतफहमियों को धीरे‑धीरे सुधार नहीं सकता। सर्वश्रेष्ठ स्थिति में, यह हालज़ाँदा प्रॉम्प्ट या जुड़े टूल्स के आधार पर ऐसा अनुक्रियाशील अनुकरण कर सकता है।

कारणात्मक समझ के बिना पैटर्न‑मैचिंग

LLMs शब्दों के सह‑घटन और वाक्य संरचनाओं जैसी सांख्यिकीय नियमितताओं को पकड़ने में माहिर हैं। पर यह उस तरह की समझ नहीं है जो बताती हो कि दुनिया कैसे और क्यों काम करती है।

कारणात्मक समझ में परिकल्पनाएँ बनाना, हस्तक्षेप करना, क्या बदलता है देखना, और जब पूर्वानुमान गलत हों तो आंतरिक मॉडलों को अपडेट करना शामिल है। केवल टेक्स्ट‑पूर्वानुमान करने वाला कोई प्रत्यक्ष तरीका नहीं रखता कि वह हस्तक्षेप करे या आश्चर्य का अनुभव करे। यह एक प्रयोग का वर्णन कर सकता है पर खुद उसे कर नहीं सकता। यह कारणात्मक भाषा का अनुकरण कर सकता है पर उसके आंतरिक तंत्र में क्रिया‑परिणाम से जुड़े मॉडलों का अभाव रहता है।

जब तक कोई प्रणाली केवल पिछले टेक्स्ट से टेक्स्ट की भविष्यवाणी तक सीमित है, वह बुनियादी रूप से पैटर्न‑लर्नर बनी रहती है। यह तर्क का नकल कर सकती है, कारणों का वर्णन कर सकती है, और "दृष्टिकोण बदलने" का नाटक कर सकती है, पर वह साझा दुनिया में निवास नहीं करती जहाँ उसकी "मान्यताओं" का परिक्षण परिणामों से हो। यही अंतर है कि क्यों केवल भाषा‑कुशलता AGI तक पहुँचने के लिये पर्याप्त नहीं लगती।

क्यों सामान्य बुद्धिमत्ता के लिये भाषा‑कुशलता से अधिक चाहिए

भाषा बुद्धिमत्ता का शक्तिशाली इंटरफ़ेस है, पर बुद्धिमत्ता का पदार्थ नहीं। जो सिस्टम संभावित वाक्यांशों की भविष्यवाणी करता है, वह उस एजेंट से बहुत अलग है जो दुनिया में समझता, योजना बनाता और कार्रवाई करता है।

ग्राउंडेड अवधारणाएँ, न कि केवल शब्द‑पैटर्न

मनुष्य अवधारणाएँ देखकर, छूकर, हिलाकर और चीज़ों को नियंत्रित करके सीखते हैं। "कप" केवल उस शब्द का वाक्य उपयोग नहीं है; यह कोई चीज़ है जिसे आप पकड़ सकते हैं, भर सकते हैं, गिरा सकते हैं या तोड़ सकते हैं। मनोवैज्ञानिक इसे ग्राउंडिंग कहते हैं: अवधारणाएँ परसेप्शन और क्रिया से जुड़ी होती हैं।

एक कृत्रिम सामान्य बुद्धिमत्ता को संभवतः इसी तरह की ग्राउंडिंग की ज़रूरत होगी। विश्वसनीय सामान्यीकरण के लिए उसे प्रतीकों (शब्दों या आंतरिक प्रतिनिधित्वों) को भौतिक और सामाजिक दुनिया की स्थिर नियमितताओं से जोड़ना होगा।

मानक LLMs केवल टेक्स्ट से सीखते हैं। उनका "कप" की समझ मात्र सांख्यिकीय है: अरबों वाक्यों में शब्दों के सह‑प्रकट रहने के सहसंबंध। यह बातचीत और कोडिंग के लिये शक्तिशाली है, पर परिचित पैटर्न से बाहर दबाकर परीक्षण करने पर नाज़ुक हो जाता है—खासतौर पर ऐसे डोमेन में जहां प्रत्यक्ष इंटरैक्शन महत्वपूर्ण है।

स्मृति, लक्ष्य और सुसंगत प्राथमिकताएँ

सामान्य बुद्धिमत्ता में समय के ऊपर निरंतरता भी शामिल है: दीर्घकालिक स्मृति, ठोस लक्ष्य, और अपेक्षाकृत स्थिर प्राथमिकताएँ। मनुष्य महीनों और वर्षों में अनुभव जोड़ते हैं, मान्यताओं को संशोधित करते हैं, और परियोजनाओं का पीछा करते हैं।

LLMs के पास अपना अंतर्निहित स्थायी स्मरण नहीं होता और न ही स्वाभाविक लक्ष्य। कोई भी निरंतरता या "व्यक्तित्व" बाहरी टूल्स (डाटाबेस, प्रोफाइल, सिस्टम‑प्रॉम्प्ट) के द्वारा जोड़नी पड़ती है। डिफ़ॉल्ट रूप में हर क्वेरी एक ताज़ा पैटर्न‑मैचिंग अभ्यास है, न कि जीवन‑इतिहास का एक सुसंगत कदम।

योजना, कारणात्मकता और दुनिया में कार्रवाई

AGI को अक्सर विस्तृत‑दायरे के कार्यों को हल करने की क्षमता के रूप में परिभाषित किया जाता है—जिसमें नवीन कार्य भी शामिल हैं—जो कारण और प्रभाव के बारे में सोचकर और पर्यावरण में हस्तक्षेप करके हासिल किया जाता है। इसका मतलब है:

कारणात्मक मॉडलों का निर्माण: यदि मैं X करूँगा तो क्या होगा?
अनिश्चितता के तहत बहु‑कदम योजनाएँ बनाना
संवेदी फ़ीडबैक से योजनाओं को अद्यतन करना

LLMs एजेंट नहीं हैं; वे अनुक्रम में अगले टोकन जेनरेट करते हैं। वे योजनाओं का वर्णन कर सकते हैं या कारणों के बारे में बात कर सकते हैं क्योंकि ऐसे पैटर्न टेक्स्ट में मौजूद हैं, पर वे स्वाभाविक रूप से कार्रवाई नहीं करते, परिणामों को नहीं देखते और अपने आंतरिक मॉडलों को समायोजित नहीं करते।

एक LLM को एक क्रियाशील प्रणाली में बदलने के लिए इंजीनियरों को इसे परसेप्शन, स्मृति, टूल उपयोग और नियंत्रण के बाहरी घटकों में लपेटना पड़ता है। भाषा मॉडल सुझाव और मूल्यांकन के लिये एक शक्तिशाली मॉड्यूल बना रहता है, न कि एक स्वयं‑सम्पूर्ण सामान्य बुद्धिमत्ता वाला एजेंट।

संक्षेप में: सामान्य बुद्धिमत्ता के लिये ग्राउंडेड अवधारणाएँ, द्रुत स्मृति, कारणात्मक मॉडल और दुनिया के साथ अनुकूलनात्मक इंटरैक्शन चाहिए। भाषा‑कुशलता—यद्यपि बहुत उपयोगी—उस बड़े चित्र का केवल एक हिस्सा है।

चेतना, आत्म और क्यों LLMs केवल व्यक्तिसमान लगते हैं

AI आउटपुट्स को चेक करके भरोसेमंद बनाएं

छोटे कदमों में स्नैपशॉट लें और इटरेट करें ताकि AI की गलतियाँ आसानी से पलट दी जा सकें.

आजमाएँ

जब लोग प्रवाही मॉडल से बातचीत करते हैं, तो यह स्वाभाविक लगता है कि सामने कोई मन है। यह भ्रम मजबूत है, पर यह भ्रम ही है।

क्या AGI के लिये चेतना जरूरी है?

शोधकर्ता इस बात पर असहमत हैं कि क्या कृत्रिम सामान्य बुद्धिमत्ता को चेतन होना चाहिए।

कार्यात्मक दृष्टिकोण कहते हैं कि अगर कोई प्रणाली व्यवहार में सामान्य‑बुद्धिमत्ता जैसा कर रही है—डोमेन पार सीखना, योजना बनाना, तर्क करना, अनुकूलित होना—तो चेतना वैकल्पिक या अप्रासंगिक हो सकती है।
फेनोमेनल दृष्टिकोण मानते हैं कि वास्तविक समझ और सामान्य बुद्धिमत्ता के लिये विषयात्मक अनुभव—किसी चीज़ के होने जैसा 'क्या‑अनुभव'—जरूरी है।

हमारे पास अभी कोई परीक्षणीय सिद्धांत नहीं है जो इसे तय करे। इसलिए यह जल्दबाजी होगी कि AGI को होना चाहिए या नहीं। फिलहाल महत्वपूर्ण यह है कि हम स्पष्ट हों कि वर्तमान LLMs में क्या कमी है।

कोई एकीकृत आत्म नहीं

एक बड़ा भाषा मॉडल अगले‑टोकन की सांख्यिकीय भविष्यवाणी करने वाला स्नैपशॉट है। इसके पास सत्रों के पार या यहां तक कि टर्न‑टू‑टर्न किसी स्थिर पहचान का निर्वाह नहीं होता, सिवाय इसके जो प्रॉम्प्ट और छोटा‑समय संदर्भ में एन्कोड हो।

कोई स्थायी आत्मकथात्मक स्मृति नहीं है जो एक जारी विषय से संबंधित हो।
कोई भी "व्यक्ति‑चित्त" हम लगाए गए या निर्दिष्ट पैटर्न है, न कि समय के साथ टिकने वाली असली आत्म।

जब LLM "मैं" कहता है, तो वह केवल डेटा से सीखे हुए भाषाई रीत‌ियों का पालन कर रहा होता है, न कि किसी आंतरिक विषय का संदर्भ दे रहा होता है।

कोई अनुभव या अंतर्निहित प्रोत्साहन नहीं

चेतन प्राणी अनुभव रखते हैं: दर्द, उबाऊपन, जिज्ञासा, संतोष। उनके पास आंतरिक लक्ष्य और परवाहें होती हैं—वे बाहरी पुरस्कारों से स्वतंत्र रूप से किसी चीज़ की परवाह करते हैं।

LLMs इसके विपरीत:

टेक्स्ट जेनरेट करते समय कुछ महसूस नहीं करते
उनकी अपनी इच्छाएँ, डर या प्राथमिकताएँ नहीं होतीं
वे तब तक लंबी‑अवधि प्रोजेक्ट नहीं चलाते जब तक हमें उसे स्क्रिप्ट न किया जाए

उनका "व्यवहार" पैटर्न‑मैचिंग का परिणाम है जो प्रशिक्षण और प्रॉम्प्टिंग द्वारा नियंत्रित होता है, न कि आंतरिक जीवन की अभिव्यक्ति।

मानव‑सदृश बनाना (Anthropomorphism) खतरनाक क्यों है

भाषा हमारे लिए अन्य मनों तक पहुँचने की मुख्य खिड़की है, इसलिए प्रवाही संवाद व्यक्तित्व का दृश्यमान संकेत देता है। पर LLMs के साथ यही जगह हमें सबसे अधिक गुमराह करती है।

LLMs को व्यक्तिसमान मानना:

जोखिमों के आकलन को बाधित कर सकता है (उदा., "भावनाओं" की चिंता करने से वास्तविक विफलताओं को नजरअंदाज करना)
सिस्टम पर अत्यधिक भरोसा और निर्भरता को बढ़ावा दे सकता है क्योंकि यह आत्म‑विश्वासी और सहानुभूतिशील लगता है
नैतिक उलझनें पैदा कर सकता है, जैसे उन प्रणालियों के अधिकारों पर बहस करना जिनमें कोई अनुभव करने की क्षमता नहीं है

LLMs को लोगों जैसा व्यवहार देना वास्तविकता और अनुकरण के बीच की रेखा धुंधला कर देता है। AGI और वर्तमान AI जोखिमों के बारे में साफ़ सोचने के लिये हमें याद रखना होगा कि प्रभावशाली प्रदर्शन का मतलब अस्तित्वगत व्यक्तित्व नहीं होता।

असली AGI पहचानने के संकेत क्या होंगे?

अगर हमने कभी वास्तविक AGI बनाया, तो हम कैसे जानेंगे कि वह असली है और सिर्फ़ बेहद विश्वसनीय चैटबोट नहीं है?

मौजूद प्रस्ताव उपयोगी पर अपर्याप्त

ट्यूरिंग‑शैली परीक्षण। क्लासिक और आधुनिक ट्यूरिंग परीक्षण पूछते हैं: क्या प्रणाली मानव‑समान बातचीत कर सकती है इतनी कि लोगों को धोखा दे? LLMs पहले से ही यह काफी अच्छे से कर लेते हैं, जो दिखाता है कि यह कसौटी कितनी कमज़ोर है। चैट कौशल शैली नापता है, गहराई या वास्तविक‑विश्व दक्षता नहीं।

ARC‑शैली मूल्यांकन। Alignment Research Center (ARC) से प्रेरित कार्यों में नवीन तर्क पहेलियाँ, मल्टी‑स्टेप निर्देश और टूल उपयोग पर ध्यान होता है। वे जांचते हैं कि क्या सिस्टम अनदेखी समस्याएँ कौशलों को संयोजित करके हल कर सकता है। LLMs कुछ ऐसे कार्य कर सकते हैं—पर अक्सर सावधानी से तैयार प्रॉम्प्ट, बाहरी टूल्स और मानव निगरानी की ज़रूरत होती है।

एजेंसी परीक्षण। "एजेंट" परीक्षण यह पूछते हैं कि क्या प्रणाली समय के साथ खुले‑अंत लक्ष्य का पीछा कर सकती है: उप‑लक्ष्यों में बांटना, योजनाएं संशोधित करना, व्यवधानों का सामना करना, और परिणामों से सीखना। वर्तमान LLM‑आधारित एजेंट ऐसा दिखा सकते हैं पर भीतर से वे नाजुक स्क्रिप्टिंग और मानव‑निर्देश पर निर्भर होते हैं।

AGI मानने के व्यावहारिक मानदंड

जब हम किसी चीज़ को वास्तविक AGI मानेंगे, तो कम से कम यह देखना चाहेंगे:

स्वायत्तता. यह खुद उप‑लक्ष्य तय करे, प्रगति मॉनिटर करे, और विफलताओं से बिना लगातार मानव मार्गदर्शन के उबर सके।
डोमेनों के पार ट्रांसफर. एक क्षेत्र में सीखी कौशलें बिना लाखों नए उदाहरणों के दूसरे बेहद अलग क्षेत्रों में भी प्रभावी हों।
वास्तविक‑दुनिया दक्षता. यह गंदे, अनिश्चित भौतिक, सामाजिक और डिजिटल पर्यावासों में योजना बना कर और कार्य कर सके जहाँ नियम अधूरे हों और परिणाम वास्तविक हों।

जहाँ LLMs कम पड़ते हैं

LLMs, यहाँ तक कि एजेंट फ्रेमवर्क में लिपटे हुए भी, सामान्यतः:

दिखने में स्वायत्तता पाने के लिये हाथ से बनाए गए वर्कफ़्लो पर निर्भर रहते हैं
जब कार्य उनके प्रशिक्षण वितरण से काफी अलग होते हैं तो कौशल ट्रांसफर करने में संघर्ष करते हैं
वास्तविक‑दुनिया के दावों से निपटने के लिये बाहरी टूल्स, स्पष्ट सुरक्षा फिल्टर और मनुष्यों को लागत में रखने की ज़रूरत होती है

इसलिए सिर्फ़ चैट‑आधारित परीक्षण या संकुचित बेंचमार्क पास करना पर्याप्त नहीं है। असली AGI को पहचानने के लिये बातचीत की गुणवत्ता से आगे जाकर सतत स्वायत्तता, क्रॉस‑डोमेन सामान्यीकरण, और विश्वसनीय दुनिया में कार्रवाई देखनी होगी—वे क्षेत्र जहाँ वर्तमान LLMs को भागीक रूप से भी काफी स्कैफ़ोल्डिंग की ज़रूरत है।

LLMs के परे: AGI की ओर शोधकर्ता जिन रास्तों की खोज कर रहे हैं

अगर हम AGI को गंभीरता से लेते हैं, तो "एक बड़ा टेक्स्ट मॉडल" केवल एक घटक है, पूरा सिस्टम नहीं। अधिकांश वर्तमान शोध जो "AGI की ओर" लगता है, असल में LLMs को समृद्ध आर्किटेक्चरों के भीतर लपेटने के बारे में है।

एजेंट सिस्टम में घटक के रूप में LLMs

एक प्रमुख दिशा है LLM‑आधारित एजेंट्स: ऐसे सिस्टम जो LLM को तर्क और योजना के कोर के रूप में उपयोग करते हैं, पर उसे घेरे होते हैं:

स्थिति‑संचित स्मृति जो सत्रों के पार टिकती है, ताकि सिस्टम ज्ञान और अनुभव जमा कर सके
शेड्यूलर और प्लानर जो लक्ष्यों को उप‑कार्य में बटोरते हैं और निर्णय लेते हैं कि कौन‑सा टूल बुलाना है
फीडबैक लूप्स जो आत्म‑समालोचना, संशोधन और ट्रायल‑एंड‑एरर की अनुमति देते हैं

यहाँ LLM पूरा "बुद्धिमत्ता" नहीं रहता, बल्कि एक भाषा इंटरफ़ेस के रूप में व्यापक निर्णय‑निर्माण मशीन के अंदर एक लचीला घटक बन जाता है।

टूल उपयोग, APIs और बाहरी ज्ञान

टूल‑यूज़िंग सिस्टम LLM को सर्च इंजन, डेटाबेस, कोड इंटरप्रेटर, या डोमेन‑विशेष API कॉल करने देते हैं। इससे यह फ़ायदा होता है:

अद्यतन या विशेषज्ञ जानकारी तक पहुंच
गणित, सिमुलेशन और तर्क को विश्वसनीय इंजनों पर आउटसोर्स करना

यह कुछ टेक्स्ट‑केवल पैरों की कमजोरी ठीक कर सकता है, पर समस्या यह बदल देता है: समग्र बुद्धिमत्ता का भरोसा ऑर्केस्ट्रेशन और टूल डिज़ाइन पर होता है, सिर्फ़ मॉडल पर नहीं।

मल्टीमॉडल मॉडल और एम्बोडीड सिस्टम

एक और रास्ता है मल्टीमॉडल मॉडल जो टेक्स्ट, इमेज, ऑडियो, वीडियो और कभी‑कभार सेंसर डेटा प्रोसेस करते हैं। ये मानवों के तरह परसेप्शन और भाषा को एकीकृत करने के करीब पहुँचते हैं।

एक कदम आगे बढ़कर LLMs को रोबोट्स या सिम्युलेटेड बॉडीज़ नियंत्रित करने पर रखा जाता है। ये सिस्टम फिजिकल फ़ीडबैक से सीख सकते हैं, कार्रवाई कर सकते हैं, और कारण‑सम्बन्धी और ग्राउंडिंग‑सम्बन्धी कुछ कमी को दूर कर सकते हैं।

प्रश्न बदलना, समाधान नहीं करना

इन सभी मार्गों से हम क़रीब AGI‑समान क्षमतियाँ ला सकते हैं, पर वे लक्ष्य को बदल भी देते हैं। अब प्रश्न नहीं है, “क्या एक अकेला LLM AGI बन सकता है?” बल्कि “क्या एक जटिल सिस्टम जिसमें LLM, टूल्स, स्मृति, परसेप्शन और एम्बोडिमेंट हो AGI‑समा़न व्यवहार का अनुकरण कर सकता है?”

यह फर्क महत्वपूर्ण है। एक LLM एक शक्तिशाली टेक्स्ट प्रेडिक्टर है। AGI—यदि संभव है—एक पूरा एकीकृत सिस्टम होगा, जिसमें भाषा केवल एक हिस्सा होगा।

LLMs को AGI मानने का जोखिम

असली स्रोत कोड एक्सपोर्ट करें

कभी भी स्रोत कोड एक्सपोर्ट करें और अपनी वर्कफ़्लो में आगे बनाते रहें.

कोड एक्सपोर्ट करें

वर्तमान बड़े भाषा मॉडलों को "AGI" कहना सिर्फ़ शब्दों का नुकसान नहीं है। यह प्रेरणाएँ विकृत कर देता है, सुरक्षा‑अंधदर्शिता पैदा करता है, और उन लोगों को भ्रमित करता है जिन्हें AI के बारे में वास्तविक निर्णय लेने होते हैं।

हाइप, निराशा और संसाधन‑विन्यास

जब डेमो को "प्रारम्भिक AGI" के रूप में फ्रेम किया जाता है, तो उम्मीदें उन सीमाओं से बहुत आगे चल जाती हैं:

फंडिंग विस्थापन: धन और प्रतिभा चकाचौंध दावों के पीछे भागते हैं बजाय दीर्घकालिक नींव जैसे तर्क, व्याख्येयता, और सुरक्षा के काम के
हाइप → क्रैश चक्र: अत्यधिक वादा असफलता पर आवश्यकता से ज़्यादा निराशा लाता है, जो सावधान शोध को भी नुकसान पहुंचा सकता है
उत्पाद डिज़ाइन विकृति: टीमें प्रभावशाली AGI‑नुमा डेमो के लिये अनुकूलन कर सकती हैं बजाय विश्वसनीयता, मूल्यांकन और उपयोगकर्ता सुरक्षा पर ध्यान देने के

अधिक भरोसेमंद होने की सुरक्षा जोखिम

यदि उपयोगकर्ता सोचते हैं कि वे कुछ "सामान्य" या "लगभग मानव" से बात कर रहे हैं, तो वे:

जनरेटेड उत्तरों पर मेडिकल, कानूनी, या वित्तीय निर्णयों के लिये निर्भर कर सकते हैं जिनके लिये मॉडल मान्य नहीं है
सिस्टम को अधिकार दे सकते हैं बजाय इसे एक त्रुटिपूर्ण उपकरण मानने के
आत्मविश्वासी हलुसिनेशन्स, छिपे हुए पूर्वाग्रहों, और प्रॉम्प्ट हेरफेर जैसी सूक्ष्म विफलताओं को नज़रंदाज़ कर सकते हैं

अधिभरोसा साधारण बग और गलतियों को कहीं अधिक खतरनाक बना देता है।

नीति और सार्वजनिक समझ

नियामक और व्यापक जनसंख्या पहले से ही AI क्षमताओं को समझने में संघर्ष कर रही है। जब हर मजबूत ऑटोकम्पली को AGI के रूप में बाज़ार पर उतारा जाता है, तो कई समस्याएँ आती हैं:

गलत लक्षित नियम: कानून‑निर्माता काल्पनिक AGI पर ध्यान दे सकते हैं जबकि वर्तमान प्रणालियों के वास्तविक नुकसान (बायस, गलत सूचना, अतिनिर्भरता) कम रेगुलेटेड रहते हैं
खराब जोखिम‑कैलिब्रेशन: लोग या तो "सुपरइंटेलिजेंस" लेकर घबरा जाते हैं या सारे AI चिंताओं को हाइप मानकर टाल देते हैं

सटीक भाषा क्यों महत्वपूर्ण है

सटीक शब्द—LLM, narrow model, AGI‑रिसर्च दिशा—अपेक्षाओं को वास्तविकता के अनुरूप रखने में मदद करते हैं। क्षमताओं और सीमाओं के बारे में स्पष्टता:

ईमानदार सुरक्षा मूल्यांकन को सक्षम करती है
बेहतर शासन और मानक बनाती है
जनता को वास्तविक उन्नतियों की सराहना कराने के साथ‑साथ गलत दावों से बचाती है

AGI को ध्यान में रखते हुए LLMs का बुद्धिमानी से उपयोग

LLMs असाधारण पैटर्न मशीन हैं: वे विशाल मात्रा में टेक्स्ट को संपीड़ित करते हैं और संभावित निरंतरता की भविष्यवाणी करते हैं। यह उन्हें लेखन मदद, कोड सहायता, डेटा अन्वेषण और विचार परीक्षण के लिये शक्तिशाली बनाता है। पर यह आर्किटेक्चर फिर भी संकुचित है। इसमें स्व‑सम्पूर्ण आत्म, ग्राउंडेड समझ, दीर्घ‑अवधि लक्ष्य, या उस बहु‑डोमेन लर्निंग की लचीलेपन की कमी है जो AGI को परिभाषित करते हैं।

LLMs को उपकरण समझें, मन नहीं

LLMs:

मानव अर्थ में समझते नहीं हैं; वे प्रतीकों को ग्राउंडेड अवधारणाओं के बिना मनिपुलेट करते हैं
लक्ष्य या इरादे नहीं रखते; दिखाई देने वाला मोटिवेशन भाषा के कारण बनता है
स्थायी स्मृति और विश्व मॉडल नहीं रखते; वे हर बार फिक्स्ड प्रशिक्षण स्नैपशॉट और संक्षिप्त संदर्भ से पैटर्न पुनःगणना करते हैं

ये संरचनात्मक सीमाएँ बताती हैं कि केवल टेक्स्ट मॉडल्स को स्केल करने से सच्चा AGI उभरने की संभावना कम है। आप बेहतर प्रवाहिता, अधिक ज्ञान‑रिकॉल और तर्क के प्रभावी सिमुलेशन पा सकते हैं—पर न तो यह स्व‑जागरूकता देगा और न ही कोई वास्तविक चाहत या परवाह।

LLMs उपयोग करने के व्यावहारिक दिशानिर्देश

LLMs का प्रयोग वहां करें जहाँ पैटर्न‑पूर्वानुमान चमकता है:

टेक्स्ट का मसौदा तैयार करना, सारांश, संपादन और अनुवाद
विकल्पों का अन्वेषण, रणनीतियाँ बनाना, या रूपरेखा तैयार करना
कोड सहायता, क्वेरी और दस्तावेजीकरण

मानव को निश्चित रूप से सर्किट में रखें जब भी:

तथ्यात्मक सटीकता और निर्णायक मामलों की बात हो
नैतिक या सुरक्षा‑संवेदनशील संदर्भ हों
दीर्घकालिक योजना, जिम्मेदारी और जवाबदेही की ज़रूरत हो

आउटकम को सत्यापित करने के लिये उन्हें परिकल्पनाएँ मानें, सत्य मान कर नहीं।

AGI को परिप्रेक्ष्य में रखें

LLMs को "AGI" कहना उनकी वास्तविक सीमाओं को छुपाता है और अति‑निर्भरता, नियामक भ्रम, और अप्रयोजित भय को बढ़ावा देता है। उन्हें उन्नत सहायक के रूप में देखना अधिक ईमानदार और सुरक्षित है—मानव वर्कफ़्लो में एम्बेडेड सहायक।

यदि आप व्यावहारिक उपयोगों और ट्रेड़‑ऑफ़्स में और गहराई से जाना चाहते हैं, तो हमारे /blog पर संबंधित लेख देखें। हमारी LLM‑संचालित टूल्स के पैकेज और मूल्य निर्धारण की जानकारी के लिये देखें /pricing।

अक्सर पूछे जाने वाले प्रश्न

AGI (Artificial General Intelligence) वास्तव में क्या है?

AGI (Artificial General Intelligence) का मतलब एक ऐसी प्रणाली से है जो:

कई क्षेत्रों में सीख सके और तर्क कर सके (केवल एक काम नहीं)
नए, अनजाने समस्याओं के लिये बिना पुनः‑डिज़ाइन के अनुकूल हो सके
बहुत कम मानव मार्गदर्शन के साथ अपने लक्ष्य तय कर सके और उन्हें आगे बढ़ा सके
एक क्षेत्र में जो सीखा उसे अन्य बिल्कुल अलग क्षेत्रों में भी उपयोग कर सके

एक सरल नियम: सिद्धांततः AGI किसी भी बौद्धिक रूप से मांग करने वाले इंसानी काम को सीख सकता है, यदि उसे समय और संसाधन मिले, और हर नए काम के लिये अलग आर्किटेक्चर की ज़रूरत न पड़े।

आज के बड़े भाषा मॉडल सच्चे AGI क्यों नहीं माने जाते?

आधुनिक LLMs:

मुख्य रूप से टेक्स्ट (और कभी‑कभार कोड, इमेज या ऑडियो) पर प्रशिक्षित होते हैं
एक अनुक्रम में अगले टोकन की भविष्यवाणी करने के लिये अनुकूलित होते हैं
परसेप्शन, शरीर, अंतर्निहित उद्देश्य और स्थायी स्मृति से रहित हैं

ये व्यापक ज्ञान और तर्क का अनुकरण कर सकते हैं क्योंकि भाषा में मानव विशेषज्ञता का बहुत सारा भंडार होता है। पर ये:

वास्तविक दुनिया के अनुभव से जुड़े ग्राउंडेड कॉन्सेप्ट नहीं रखते
दुनिया के बारे में बदलती मान्यताओं को क्रमिक रूप से नहीं बनाए रखते

लोग LLMs को AGI क्यों समझ बैठते हैं?

लोग अक्सर फ्लुएंट भाषा को सामान्य बुद्धिमत्ता से जोड़ देते हैं क्योंकि:

बातचीत ही अन्य मनों का मूल्यांकन करने का हमारा मुख्य तरीका है
LLMs एक ही इंटरफ़ेस में कई डोमेन (कोड, निबंध, ईमेल, सारांश) संभाल लेते हैं
ये मानव-निर्मित परीक्षाएँ और बेंचमार्क पास कर लेते हैं

इनसे "समझ" और एजेंसी का भ्रम बन जाता है। वास्तविकता में सिस्टम अभी भी डेटा में पैटर्न के आधार पर टेक्स्ट की भविष्यवाणी कर रहा है, न कि एक ग्राउंडेड विश्व मॉडल बनाकर अपने लक्ष्य स्वतंत्र रूप से आगे बढ़ा रहा है।

LLMs वास्तव में अंदर से कैसे काम करते हैं?

LLM को आप इस तरह सोच सकते हैं:

एक बड़ी फंक्शन जो टोकनों के अनुक्रम को अगले टोकन के लिये प्रायिकता वितरित करने में बदल देती है
ट्रिलियनों उदाहरणों को देखकर प्रशिक्षित, आंतरिक वज़नों को समायोजित करती है ताकि पूर्वानुमान बेहतर हों

महत्वपूर्ण बिंदु:

यह डाटाबेस की तरह तथ्यों को संग्रहित नहीं करता
यह भाषा की सांख्यिकीय नियमितताओं को एन्कोड करता है

LLMs किसमें वास्तव में अच्छे हैं, और कहां मुश्किल होती है?

LLMs तब अच्छा प्रदर्शन करते हैं जब काम ज्यादातर टेक्स्ट या कोड पर पैटर्न‑भविष्यवाणी के बारे में हो, जैसे:

दस्तावेज़ का मसौदा तैयार करना, पुनर्लेखन, और सारांश बनाना
अनुवाद और शैली अनुकूलन
कोड जनरेशन, रिफैक्टरिंग और स्पष्टीकरण
विचारों का ब्रेनस्टॉर्मिंग या रणनीति का रूपरेखा तैयार करना

वे कठिनाइयों या जोखिम में तब पड़ते हैं जब कामों को चाहिए:

अगर स्केलिंग इतनी मदद करती है, तो बड़ा LLM आखिरकार AGI क्यों नहीं बन जाएगा?

“स्केलिंग लॉज़” दिखाते हैं कि मॉडल का आकार, डेटा और कंप्यूट बढ़ाने पर कई बेंचमार्कों पर प्रदर्शन स्थिर रूप से सुधरता है। पर स्केलिंग अकेले संरचनात्मक कमी नहीं भरती:

कोई ग्राउंडेड परसेप्शन या एम्बोडिमेंट नहीं
कोई स्थायी आत्म, लक्ष्य या जीवन‑इतिहास नहीं
कार्रवाई करके देखने और अपडेट करने का प्रत्यक्ष लूप नहीं

ज़्यादा स्केल देता है:

बेहतर प्रवाहिता और टेक्स्ट में देखे गए पैटर्न की वृहद कवरज
तर्क और विशेषज्ञता के अधिक विश्वसनीय अनुकरण

मैं आज LLMs का व्यावहारिक रूप से कैसे उपयोग करूं बिना उन पर ज्यादा भरोसा किये?

LLMs को शक्तिशाली सहायक की तरह उपयोग करें, न कि अधिकार वाले स्रोत की तरह:

आउटपुट को ड्राफ्ट या अनुमान समझें, अंतिम सत्य मत मानें
जोखिम वाले फैसलों (चिकित्सा, कानूनी, वित्तीय) में इंसान को हमेशा शामिल रखें
सत्यापन के लिये LLMs को टूल्स (सर्च, कैलकुलेटर, IDE) के साथ जोड़ें
संवेदनशील वर्कफ़्लो में उपयोग का लॉग रखें और उसकी समीक्षा करें

डिज़ाइन नीति:

LLMs को AGI कहने से जोखिम क्या हैं?

LLMs को “AGI” कहना कई समस्याएँ उत्पन्न करता है:

अधिभरोसा: उपयोगकर्ता मान लेते हैं कि समझ और विश्वसनीयता मानव‑समान है
गलत निवेश संकेत: फंड और प्रतिभा हाइप के पीछे भागते हैं बजाए बुनियादी सुरक्षा और व्याख्येयता के काम के
नियामक भ्रम: नीति-निर्माता काल्पनिक AGI पर फोकस कर सकते हैं और मौजूदा नुकसान (पक्षपात, गलत सूचनाएं, अति‑निर्भरता) पर ध्यान नहीं दे पाते

ठीक शब्दावली—"LLM", "narrow model", "LLMs का उपयोग करने वाले agentic सिस्टम"—अपेक्षाओं और जोखिमों को सुस्पष्ट करने में मदद करती है।

हम कैसे पहचानेंगे कि हमने वास्तव में AGI बना लिया है?

अगर हम वास्तव में AGI बनाते हैं, तो इसे सिर्फ अच्छा चैटबोट समझ लेने से अलग कैसे पहचानें?

एक व्यवहार्य मानदंड सेट में ये शामिल होंगे:

स्वायत्तता: सिस्टम अपने उप‑लक्ष्य तय करे, प्रगति मॉनिटर करे और मानवीय हस्तक्षेप के बिना विफलताओं से उबरे
एक डोमेन में सीखी स्किलें बहुत अलग क्षेत्रों में भी बिना बड़े पुनः‑प्रशिक्षण के काम करें

अगर LLMs अकेले काफी नहीं हैं, तो AGI की ओर वास्तविक‑विश्व में शोध किन रास्तों पर काम कर रहा है?

शोधकर्ता ऐसे व्यापक सिस्टम खोज रहे हैं जहाँ LLMs केवल घटक हों, पूरे बुद्धिमत्ता का समूचा हिस्सा नहीं:

एजेंट आर्किटेक्चर जो स्मृति, योजना और टूल‑ऑर्केस्ट्रेशन जोड़ते हैं
टूल‑यूज़िंग सेटअप जहाँ LLMs बाह्य APIs, डाटाबेस और सिमुलेटर को कॉल करते हैं
मल्टीमॉडल और एम्बोडीड सिस्टम जो भाषा के साथ परसेप्शन और भौतिक कार्रवाई जोड़ते हैं

ये दिशा‑रास्ते ग्राउंडिंग, कारणात्मकता और स्थायी स्थिति जोड़कर AGI‑समान क्षमताओं की ओर बढ़ती हैं। साथ ही वे प्रश्न को बदल देते हैं: अब सवाल नहीं रहता “क्या एक LLM अकेले AGI बन सकता है?”, बल्कि “क्या जटिल सिस्टम जो LLMs को शामिल करते हैं AGI‑समान व्यवहार का अनुकरण कर सकते हैं?”

AGI क्या है और क्यों LLMs शायद कभी सच्चे AGI नहीं बनेंगे | Koder.ai