AI और सृजनात्मकता: जब हम 'बोरिंग काम' को बाहर सौंप देते हैं, तो क्या होता है?

AI आपकी प्रतिभा को चुरा रहा है।

लेखक, स्रोत: युआन जेन बिजनेस नोट्स

पिछले दो वर्षों में, लगभग हर AI कंपनी एक ही कहानी को साझा कर रही है:

AI को दोहराव वाले कार्य सौंपें, ताकि मनुष्य अधिक रचनात्मक कार्यों के लिए समय निकाल सकें।

यह बात बिल्कुल तार्किक लगती है। AI को डेटा संग्रहीत करने, टेबल्स को संसाधित करने और मीटिंग के नोट्स लिखने के लिए छोड़ दें, और इंसान को रणनीति, उत्पाद और रचनात्मकता पर विचार करने के लिए छोड़ दें, यह एक पूर्ण सामाजिक विभाजन की तरह है।

लेकिन यह एक छिपा हुआ पूर्वधारण है: दोहराव वाला कार्य और रचनात्मक कार्य, दो अलग चीजें हैं जिन्हें एक ही ढंग से अलग किया जा सकता है।

इतिहास में दिए गए उत्तर इतने स्पष्ट नहीं थे।

असली महत्वपूर्ण रचनाएँ अक्सर दोहराव के बाद नहीं, बल्कि दोहराव, विफलता और ध्यान भटकने के बीच के अंतराल में होती हैं। आप किसी समस्या के साथ लंबे समय तक लड़ते हैं, बार-बार गणना करते, देखते और संशोधित करते हैं, और फिर किसी सामान्य क्षण में अचानक सभी टुकड़े एक साथ जुड़ जाते हैं।

अगर AI हमारे लिए सभी बोझिल काम ले लेता है, तो इससे सिर्फ समय ही नहीं, बल्कि कुछ और भी मुक्त हो सकता है।

यह प्रेरणा के उत्पादन के लिए आवश्यक स्थान को भी ले सकता है।

न्यूटन और सेब की कहानी, मानव इतिहास की सबसे सफल "अभिनवता की कथा" है।

एक सेब पेड़ से गिरा और न्यूटन को चोट पहुंचाई। न्यूटन को एक प्रतिभाशाली विचार आया और उन्होंने गुरुत्वाकर्षण की खोज की।

असली संस्करण इतना आसान नहीं होता।

न्यूटन के मित्र विलियम स्टिकली ने अपने स्मृतिचार में लिखा है कि 1726 में, दोनों एक सेब के पेड़ के नीचे चाय पी रहे थे। न्यूटन ने याद किया कि उस समय वह गहरी चिंतन की स्थिति में था, जब उसने एक सेब के गिरने को देखा, और सोचा: सेब हमेशा धरती की ओर लंबवत क्यों गिरता है, न कि ऊपर या दाईं-बाईं ओर? इसके बाद, उसने "क्रमिक रूप से" इस बल को पृथ्वी, चंद्रमा और अन्य खगोलीय पिंडों तक विस्तारित किया।[1]

चित्र 1｜एप्पल ने कोई उत्तर नहीं दिया, यह केवल न्यूटन के लंबे समय तक के विचार और संचयित सामग्री को जला दिया।

सेब ने न्यूटन को नहीं मारा, और न ही इससे सीधे कोई नियम बाहर निकला।

यह एक माचिस की तरह है, जो पहले से ही सामग्री से भरे हुए एक गोदाम में गिर गई।

गणितज्ञ पॉइनकैरे का अनुभव अधिक आम है।

उसने एक प्रकार के फलन पर लगातार शोध किया, बहुत सारी गणनाएँ कीं, लेकिन बार-बार असफल हो गया। बाद में उसने अपना काम अस्थायी रूप से छोड़ दिया और यात्रा पर निकल पड़ा। जिस क्षण उसने एक पब्लिक कार में सवारी की, उसके मन में एक महत्वपूर्ण संबंध अचानक उभरा: उसके द्वारा अध्ययन किए जा रहे परिवर्तन, गैर-यूक्लिडीय ज्यामिति में होने वाले परिवर्तनों के समान थे।

यह विचार बहुत तेजी से आया, यहां तक कि तार्किक रूप से उसे तब निकालने का समय नहीं था। यात्रा के बाद, पॉइंकरे मेज के पास लौटे और इसे पूरी तरह से सत्यापित करने के लिए समय बिताया।

उसने बाद में रचनात्मक प्रक्रिया को कई चरणों में विभाजित किया: पहले चेतनापूर्ण कठिन तैयारी, फिर ऐसा प्रतीत होने वाला निष्क्रिय अवधि, उसके बाद अचानक प्रकाश, और अंत में कठोर सत्यापन में वापसी। [2]

Fermat's Last Theorem के प्रमाण के लिए भी ऐसा ही है।

एंड्रयू वाइल्स ने सात साल तक गुप्त रूप से काम किया, 1993 में उन्होंने साबित करने में सफलता की घोषणा की, लेकिन कुछ महीनों बाद एक खाई पाई गई। उन्होंने एक साल और काम किया, अपने छात्र रिचर्ड टेलर के साथ बार-बार समाधान ढूंढते हुए, और सिर्फ 1994 सितंबर में ही खाई को भर पाए।[3]

लोग अंतिम क्षण को याद रखते हैं, लेकिन गणितज्ञ वास्तव में हजारों अवैध गणनाओं, असफल मार्गों और दोहरावों का अनुभव करते हैं।

आइडिया कभी आसमान से गिरकर नहीं मिलता। यह थोड़ी-थोड़ी मेहनत के बाद दिमाग द्वारा दी जाने वाली देर से मिलने वाली रिवॉर्ड है।

हम आज अपने कार्य को दो श्रेणियों में बांटना पसंद करते हैं: कम मूल्य वाले को मशीनों को सौंप दें और उच्च मूल्य वाले को इंसानों के लिए बनाए रखें।

समस्या यह है कि मानव मस्तिष्क परामर्श रिपोर्ट के टेबल के अनुसार काम नहीं करता।

एक पत्रकार दर्जनों वार्षिक वित्तीय विवरणों को संशोधित करते समय संभवतः दो सेट के आंकड़ों में असंगति पाएगा; एक उत्पाद प्रबंधक खराब समीक्षाओं को एक-एक करके देखते समय अचानक एहसास कर सकता है कि उपयोगकर्ता वास्तव में फीचर के बारे में शिकायत नहीं कर रहे हैं; एक डॉक्टर बार-बार छवियों को देखते हुए ही असामान्यताओं के प्रति अपनी अंतर्दृष्टि धीरे-धीरे विकसित करता है।

ये सभी कार्य अकेले उन्नत नहीं लगते, यहां तक कि बहुत उबाऊ भी लगते हैं। लेकिन ये आपके मस्तिष्क में कई छोटे-छोटे पैटर्न छोड़ जाते हैं।

अक्सर, अनुभव को सीधे समझना केवल उस अनुभव का परिणाम होता है जिसे इतना परिपक्व किया जा चुका होता है कि उसे वाक्यवार समझाया नहीं जा सकता।

पेनिसिलिन की खोज भी इसी तरह हुई।

1928 में, फ्लेमिंग छुट्टियों से लौटे, और उन्होंने पाया कि एक स्टैफिलोकोकस के संस्करण का पेट्री डिश मोल्ड से संक्रमित हो गया था, और मोल्ड के आसपास बैक्टीरिया नहीं उगे। संक्रमण यादृच्छिक था, लेकिन खोज नहीं। एक ऐसा व्यक्ति, जो बैक्टीरिया की लंबे समय तक निरीक्षण नहीं करता, केवल एक ऐसा गंदा पेट्री डिश ही देखता है, जिसे फेंक देना चाहिए।

ध्यान देने योग्य बात यह है कि फ्लेमिंग ने इसके आधार पर तुरंत दवा नहीं बनाई। लगभग दस साल बाद, फ्लोरी, चेन और एक टीम ने इस शोध को फिर से शुरू किया। उन्होंने मोल्ड की खेती के लिए दूध के बर्तन, खाद्य के डिब्बे और यहां तक कि नहाने के टब का उपयोग किया, और संयुक्त राज्य अमेरिका में उच्च उत्पादकता वाले जीवाणुओं की खोज की, जिससे अंततः प्रयोगशाला में हुई एक अनिच्छित घटना को एक ऐसा औद्योगिक उत्पाद बनाया जा सका जो जीवन बचा सकता है।[4]

चित्र 2｜प्रदूषण यादृच्छिक है, लेकिन खोज लंबे समय तक के अवलोकन पर निर्भर करती है; दवाएँ अधिकांशतः अगले दशक के इंजीनियरिंग पर आधारित होती हैं।

इतिहास "यूरेका" (Eureka, ग्रीक शब्द जिसका अर्थ है "मैंने खोज लिया" या "मैंने पाया") की कहानियाँ पसंद करता है, लेकिन उद्योग वास्तव में यूरेका के बाद की लंबी, दोहराई गई और सुंदर नहीं लगने वाली इंजीनियरिंग पर निर्भर करता है।

आइंस्टीन ने बाद में गणितज्ञ एडामर को अपने विचार करने के तरीके का वर्णन करते हुए कहा कि सबसे पहले पूर्ण भाषा नहीं, बल्कि चित्र, प्रतीक और गतिशील तत्व प्रकट होते हैं। वह इन्हें बार-बार संयोजित करता था, और भाषा बाद में आती थी।[5]

सृजन खाली से उत्पन्न करना नहीं, बल्कि पुनर्व्यवस्थित करने जैसा है।

तुमने क्या देखा, क्या किया, कहाँ असफल रहे, इससे तुम्हारे दिमाग में क्या चीजें फिर से जुड़ सकती हैं, यह तय होता है।

अगर सभी डेटा हमेशा AI द्वारा सारांशित किया जाता है, पहला ड्राफ्ट हमेशा AI द्वारा उत्पन्न किया जाता है, और डेटा हमेशा AI द्वारा साफ किया जाता है, तो वास्तव में लोगों के लिए बहुत आसान हो जाएगा। लेकिन समय के साथ, हम जिसे जानते हैं, वह केवल मशीन द्वारा प्रसंस्कृत उत्पाद होता है, न कि कच्चे, विरोधाभासी, शोर से भरे कच्चे माल।

दक्षता बढ़ गई है, लेकिन महसूस करने की क्षमता कम हो सकती है।

वॉल्टर आइसेकसन ने अपनी पुस्तक 'इनोवेटर्स' में एक प्रश्न पूछा: कंप्यूटर और इंटरनेट का आविष्कार किसने किया?

अंततः उसे एहसास हुआ कि इस सवाल का जवाब किसी एक व्यक्ति के नाम से नहीं दिया जा सकता।

डिजिटल क्रांति किसी प्रतिभाशाली व्यक्ति द्वारा गैराज में अचानक विचार से नहीं आई। प्रारंभिक कंप्यूटर, ट्रांजिस्टर, चिप, सॉफ्टवेयर और इंटरनेट सभी एक पीढ़ी से दूसरी पीढ़ी तक के सुधारों से आए। किसी ने अवधारणा प्रस्तुत की, किसी ने सर्किट को सोल्ड किया, किसी ने प्रोग्राम लिखा, और किसी ने महंगे प्रोटोटाइप को सामान्य लोगों के लिए उपयोगयोग्य बनाया।

जब पुस्तक में हार्वर्ड मार्क I कंप्यूटर का उल्लेख किया जाता है, तो ग्रेस हॉपर के विवरण में हावर्ड एइकेन पर अधिक जोर दिया जाता है, जबकि IBM के संस्करण में उन इंजीनियरों पर जोर दिया जाता है जिनके नाम याद नहीं रखे गए: काउंटर, पंच कार्ड रीडर आदि कई छोटे सुधार, जो अंतिम मशीन का निर्माण करते हैं।[6]

चित्र 3｜द इनोवेटर्स बार-बार सूचित करता है: डिजिटल क्रांति बहुत से लोगों, बहुत सी चक्रों और आंशिक सहयोग से आती है।

यह प्रतिभा को नकारना नहीं है, बल्कि नवाचार की वास्तविक संरचना को पुनः स्थापित करना है।

एक नवीन घटना, जिसमें आमतौर पर कुछ लोगों की कल्पनाशीलता और बहुत सारे लोगों की कठिन मेहनत दोनों की आवश्यकता होती है। पहले वाले दिशा बदलते हैं, जबकि दूसरे वाले नई दिशा को वास्तविकता में बदलते हैं। दोनों के बीच प्रतिस्थापन का संबंध नहीं है।

AI का सबसे आकर्षक पहलू यह है कि यह दोनों भूमिकाओं को एक साथ निभाने का ऐसा प्रतीत होता है: आइडिया देना और उसे लागू करना।

लेकिन यहाँ भी नए समस्याएँ उभरी हैं।

2024 में, साइंस एडवांसेज़ ने जनरेटिव AI और लेखन पर एक प्रयोग प्रकाशित किया। AI विचारों की सहायता प्राप्त करने वालों ने औसतन अधिक रचनात्मक और अधिक पूर्ण कहानियाँ लिखीं, विशेष रूप से उन लोगों के लिए जिनकी मूल रचनात्मकता कम थी; हालाँकि, सभी कृतियों को एक साथ देखने पर, AI सहायता प्राप्त कहानियाँ एक-दूसरे के अधिक समान प्रतीत हुईं। [7]

AI ने व्यक्तिगत सीमा को ऊपर उठाया है और समूह के अंतर को संकुचित कर दिया है।

यह आज के कंटेंट प्लेटफॉर्म की तरह है: हर कोई पहले की तुलना में अधिक बेहतर लिख रहा है, शीर्षक, संरचना, प्रभावशाली वाक्य सब कुछ मौजूद है; दस लेख पढ़ने के बाद भी, ऐसा लगता है जैसे आपने केवल एक ही पढ़ा हो।

जब सभी एक ही मॉडल से "पहला विचार" मांगते हैं, तो हम खाली पृष्ठों को छोड़ देते हैं और संभवतः उस सबसे आसानी से भविष्यवाणी किए जा सकने वाले उत्तर की ओर एक साथ बढ़ जाते हैं।

इसका मतलब यह नहीं है कि लोगों को AI को अस्वीकार करना चाहिए और कॉपी-पेस्ट और मैकेनिकल टाइपसेटिंग पर समय बर्बाद करना चाहिए।

कैलकुलेटर ने गणित को नहीं बर्बाद किया, और सर्च इंजन ने ज्ञान को नहीं बर्बाद किया। उपकरण वास्तव में उस चीज़ को बदल देते हैं जिस क्षमता को मनुष्य को बनाए रखना होता है।

AI हमारे लिए ईंटें ढो सकता है, लेकिन इसलिए मनुष्य को यह नहीं भूलना चाहिए कि दीवार यहाँ क्यों बनाई गई है।

यह चिंता केवल दार्शनिक चर्चा नहीं रह गई है। 2025 में, माइक्रोसॉफ्ट रिसर्च जैसे संस्थानों ने 319 ज्ञान-आधारित कर्मचारियों का सर्वेक्षण किया और 936 वास्तविक AI उपयोग के मामलों को एकत्रित किया। परिणाम दर्शाते हैं: जितना अधिक व्यक्ति AI पर भरोसा करता है, उतना ही कम वह कार्य में आलोचनात्मक चिंतन (Critical thinking, एक तर्कसंगत और प्रतिबिंबात्मक चिंतन का तरीका) करता है; जबकि जितना अधिक वह अपने पेशेवर निर्णय पर भरोसा करता है, उतना ही अधिक आलोचनात्मक चिंतन करता है। AI ने चिंतन को समाप्त नहीं किया, बल्कि इसे "खुद से उत्पन्न करने" से "जांचने, समेकित करने और निगरानी करने" की ओर स्थानांतरित कर दिया। समस्या यह है कि यदि व्यक्ति केवल एक चिकनी पूर्ण उत्पाद देखता है, तो जांच सहमति के सिर हिलाने में ही समाप्त हो सकती है। [8]

सबसे सीधा संकेत लेखन और प्रोग्रामिंग से आता है। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के मीडिया लैब द्वारा किए गए 54 लोगों के एईजी लेखन प्रयोग में पाया गया कि लगातार बड़े मॉडल का उपयोग करने वाले प्रतिभागियों के दिमाग के नेटवर्क कनेक्शन सबसे कमजोर थे, और उन्हें लेख की सामग्री की याददाश्त और "यह मेरा काम है" का अहसास भी कम था; हालांकि, यह अध्ययन अभी एक छोटे नमूने का प्रीप्रिंट है, इसलिए इससे यह निष्कर्ष नहीं निकाला जा सकता कि AI लोगों को स्थायी रूप से मूर्ख बना देगा।[9] METR ने 16 पेशेवर ओपन-सोर्स डेवलपर्स और 246 वास्तविक कार्यों पर यादृच्छिक परीक्षण किए, जिसमें पाया गया कि 2025 की शुरुआत के AI उपकरणों के उपयोग के बाद, डेवलपर्स को कार्य पूरा करने में 19% अधिक समय लगा। सबसे दिलचस्प बात यह है कि उन्होंने पहले से ही अनुमान लगाया था कि AI से उनका काम तेज़ होगा।[10] METR के 2026 में किए गए अनुसरण में, यह निष्कर्ष निकाला गया कि नई पीढ़ी के उपकरणों ने संभवतः तेज़ी लाई है, हालांकि प्रतिभागियों और कार्यों में स्पष्ट चयन पूर्वाग्रह होने के कारण, इसका परिमाण सटीक रूप से मूल्यांकन किया जा सकता है।[11] AI सबसे पहले संभवतः क्षमता को ही कमजोर नहीं करता, बल्कि मनुष्य को स्वयं सोचते हुए महसूस करने की पहचान को।

व्यक्तिगत स्तर पर, कम से कम तीन चीजें आसानी से बाहर नहीं दी जानी चाहिए।

सबसे पहले, समस्या कहाँ से आती है।

शुरू में AI से पूछना बंद करें कि “मुझे क्या लिखना चाहिए?” या “मुझे क्या अध्ययन करना चाहिए?” पहले ग्राहक के स्थान पर जाएं, पहले मूल सामग्री पढ़ें, पहले खुद को जहाँ कुछ अजीब लगे, वहाँ महसूस करें। एक अच्छा प्रश्न, अक्सर दूसरों द्वारा बेहद मुश्किल समझे जाने वाले विवरणों से उत्पन्न होता है।

दूसरा, पहला निर्णय कहाँ से आता है।

AI को विस्तारित करने, विरोध करने और जानकारी जोड़ने की अनुमति दें, लेकिन सबसे पहले एक मॉडल द्वारा संशोधित न हुए कच्चे संस्करण को छोड़ दें। भले ही केवल कुछ वाक्य हों, अपनी मूल दृष्टि को जानें। नहीं तो, मनुष्य और AI के सहयोग का अर्थ आसानी से मनुष्य का AI के लिए सुधार करना बन जाएगा।

तीसरा, परिणाम किसके द्वारा जिम्मेदार है।

जब तक आपने नीचे की तह का काम नहीं किया, तब तक आपको नहीं पता कि AI कहाँ गलत है। जिसने कभी कोड नहीं लिखा है, वह कठिनाई से जान पाएगा कि कोड सिर्फ चल रहा है या लाइव के लिए तैयार है; जिसने कभी फाइनेंशियल स्टेटमेंट्स नहीं पढ़े हैं, वह भी एक सुंदर विश्लेषण में छिपे कैलकुलेशन एरर को पहचानने में कठिनाई महसूस करेगा।

तो, AI को क्या सौंपा जा सकता है?

मापदंड “रचनात्मकता है या नहीं” या “दोहराया गया है या नहीं” नहीं है, बल्कि तीन बातें हैं: स्वीकृति मानदंड स्पष्ट हैं या नहीं, प्रक्रिया ट्रेस की जा सकती है या नहीं, और त्रुटि के बाद क्या रिवर्स किया जा सकता है। डेटा ट्रांसक्रिप्शन, फॉर्मेटिंग, ज्ञात नियमों के तहत डेटा क्लीनिंग, कोड टेम्पलेट और टेस्ट केस, एक ही विषय पर बहुत सारे संस्करण और डिज़ाइन स्केचेस — सभी को AI के लिए सौंपा जा सकता है। रणनीतिक विकल्प, तथ्यात्मक मानदंड, ब्रांड की सुंदरता, सिस्टम आर्किटेक्चर और अंतिम स्वीकृति — इन्हें केवल इसलिए AI के साथ साथ में नहीं भेजना चाहिए कि AI तेज़ है।

अपना काम AI को सौंपने के बाद, व्यक्ति को AI के साथ "अपने आप से लड़ना" होगा। कार्य शुरू करने से पहले, अपना निर्णय और स्वीकृति मानदंड लिखें; जब AI उत्पादन करे, तो उसे विपरीत राय, विफलता की शर्तें और साक्ष्य के स्रोत भी प्रस्तुत करने दें; उत्पादन के बाद, व्यक्ति मूल सामग्री पर लौटें, तथ्यों की जांच करें, महत्वपूर्ण संख्याओं की पुनः गणना करें, और महत्वपूर्ण परीक्षणों को एक बार फिर से चलाएं; कुछ समय बाद, AI का उपयोग न करते हुए "बिना सहायता के प्रशिक्षण" का आयोजन करें। लेखक को स्वतंत्र साक्षात्कार और प्रारंभिक प्रस्तुति बनाए रखनी चाहिए, प्रोग्रामर को कोड समीक्षा और त्रुटि निवारण बनाए रखना चाहिए, डिज़ाइनर को अवधारणा के चयन और अंतिम दृश्य निर्णय बनाए रखने चाहिए। केवल वे ही सचमुच AI को कार्य सौंपने के पात्र हैं, जो सत्यापन कर सकें, प्रतिकूलता को स्वीकार कर सकें, और कार्य पर पुनः नियंत्रण प्राप्त कर सकें।

कंपनी के लिए वास्तविक चिंता का विषय यह नहीं है कि कर्मचारी कितना AI उपयोग कर रहे हैं, बल्कि यह है कि संगठन अभी भी प्राथमिक अनुभव का उत्पादन कर रहा है या नहीं।

अगर युवा लोग बेसिक एनालिसिस नहीं करते, ग्राहकों के साथ आवश्यकताओं को नहीं बातचीत करते, और पहले ड्राफ्ट में असफलता नहीं झेलते, तो कंपनी को छोटे समय में तेज़ डिलीवरी मिलेगी, लेकिन लंबे समय में निर्णय लेने की क्षमता विकसित करने का मार्ग खो सकती है।

पहले, एक नया उपयोगकर्ता तीन साल के कठिन प्रयास से धीरे-धीरे एक अनुभवी, अंतर्दृष्टि वाला व्यक्ति बन जाता था। अब, AI नए उपयोगकर्ता को पहले दिन ही सत्तर प्रतिशत का उत्तर देने की अनुमति देता है।

लेकिन सत्तर से नब्बे तक पहुँचने के लिए उसे अभी भी समस्याओं को अपनी आँखों से देखना, गलतियाँ करनी और परिणामों के लिए कीमत चुकानी होगी।

क्या एआई रचनात्मकता में वृद्धि कर रहा है, या रचनात्मकता को कम कर रहा है?

The answer depends on where we place it.

जब AI को पहले से सोचे गए दोहराव वाले कार्यों को संभालने के लिए दिया जाता है, तो यह एक लीवरेज होता है; लेकिन जब AI हमें वास्तविकता से संपर्क करने, समस्याएँ बनाने और पहला निर्णय लेने से बचा देता है, तो यह धीरे-धीरे एक टेकरी बन जाता है।

वास्तविक रचनात्मकता कभी भी केवल “एक विचार निकालना” नहीं होती।

इसमें सामग्री की परिचितता, असामान्यताओं के प्रति संवेदनशीलता, लंबे समय तक बिना उत्तर के सहनशीलता, और एक झलक आने के बाद उसे बार-बार साकार करने की क्षमता शामिल है।

ये भाग धीमे होते हैं और अनाकर्षक होते हैं, और इन्हें प्रदर्शन रिपोर्ट में शामिल करना भी कठिन होता है। लेकिन ऐतिहासिक महान प्रमेय, वैज्ञानिक खोजें और उद्योग के नवीनीकरण लगभग सभी यहीं से उत्पन्न हुए हैं।

AI हमारी सेब चुनने में निश्चित रूप से मदद कर सकता है।

लेकिन उस व्यक्ति को गुरुत्वाकर्षण के बारे में सोचने की क्षमता यह निर्भर करती है कि सेब गिरने से पहले वह कितनी देर तक सोच रहा था।

Reference materials

[1] विलियम स्टुकले, सर आइजैक न्यूटन के जीवन के स्मृतियाँ, न्यूटन प्रोजेक्ट (ऑक्सफोर्ड विश्वविद्यालय)।

[2] हेनरी पॉइनकैरे, “ल'इनवेंशन मैथेमैटीकव”, 1908।

[3] ऑक्सफोर्ड विश्वविद्यालय के गणित संस्थान और ब्रिस्टोल विश्वविद्यालय के एंड्रयू वाइल्स और फर्मा के अंतिम प्रमेय के बारे में डेटा।

[4] साइंस म्यूजियम ग्रुप, “पेनिसिलिन का विकास कैसे हुआ?”

[5] जैक्स अडामर, गणितज्ञ का मन: गणितीय क्षेत्र में आविष्कार का मनोविज्ञान।

[6] वॉल्टर आइसेनसन, दि इनोवेटर्स: हाउ ए ग्रुप ऑफ हैकर्स, जीनियसेस, एंड जीक्स क्रिएटेड दि डिजिटल रिवोल्यूशन।

[7] अनिल आर. दोशी और ओलिवर पी. हॉसर, “जनरेटिव एआई व्यक्तिगत रचनात्मकता को बढ़ाता है लेकिन नए सामग्री की सामूहिक विविधता को कम करता है,” साइंस एडवांसेज, 2024।

[8] हाओ-पिंग ली आदि, “जनरेटिव एआई का आलोचनात्मक चिंतन पर प्रभाव”, CHI 2025।

[9] नतालिया कोस्मिना आदि, “चैटजीपीटी पर आपका मस्तिष्क: निबंध लेखन कार्य के लिए एआई सहायक के उपयोग से संज्ञानात्मक ऋण का संचय”, 2025 का प्रीप्रिंट।

[10] जोएल बेकर आदि, “मेजरिंग द इम्पैक्ट ऑफ ईयर-2025 एआई ऑन एक्सपीरियंस्ड ओपन-सोर्स डेवलपर प्रोडक्टिविटी”, METR, 2025।

[11] जोएल बेकर आदि, “हम अपने डेवलपर उत्पादकता प्रयोग डिज़ाइन को बदल रहे हैं”, METR, 2026।