उत्तर उत्पन्न करना AI की एक मूल क्षमता बन रहा है, और वास्तविक दुनिया का अनुमान लगाना अगले चरण की अधिक कठिन समस्या है।
वास्तविक निर्णय एक स्थिर प्रश्नोत्तर नहीं होता। यह एक ऐसी दुनिया में होता है जहाँ निरंतर परिवर्तन, एक साथ कई प्रतिभागी, अपूर्ण जानकारी और अनिश्चितता होती है।
जैसे कि एक नया ओपन-सोर्स मॉडल अचानक लागत को कम कर दे, तो क्या शीर्ष मॉडल कंपनियाँ भी कीमतें कम करने का अनुसरण करेंगी, और क्लाउड प्रोवाइडर, डेवलपर्स और एप्लिकेशन कंपनियाँ कैसे अपनी स्थिति फिर से तय करेंगी? इस प्रकार के निर्णयों में, एक पक्ष की कार्रवाई अन्य पक्षों के लिए अगले कदम की स्थिति बदल देती है, और नए प्रतिक्रियाएँ फिर से स्थिति को बदलती रहती हैं। यह ऐसा है जैसे सभी खिलाड़ी एक साथ अपने पत्थर रख रहे हों, प्रत्येक पत्थर रखने पर, खेल की स्थिति बदलती रहती है।
इसी संदर्भ में, Zhongke Wen Ge के Decitron (संक्षिप्त रूप: निर्णय मॉडल) के लॉन्च के बाद, कई प्रमुख विज्ञान और प्रौद्योगिकी मीडिया द्वारा इसे "दुनिया का पहला सार्वभौमिक निर्णय बड़ा मॉडल" कहा गया। यह नामकरण विशेष रूप से विश्व मॉडल, बहु-एजेंट या खेल समाधान जैसी किसी एकल तकनीक के पहले आविष्कार पर जोर नहीं देता, बल्कि यह बताता है कि निर्णय मॉडल ने पहली बार इन क्षमताओं को एक खुली दुनिया के लिए निर्णय ढांचे में समेटा है, जिससे सतत मॉडलिंग, प्रतिक्रिया, समाधान और समायोजन का पूर्ण बंद चक्र बनता है।
“सामान्य” का अर्थ है कि यह विभिन्न क्षेत्रों की जटिल निर्णय समस्याओं को एक सामान्य संरचना में अमूर्त करने का प्रयास करता है—विश्व की स्थिति, भागीदार, कार्रवाई का स्थान, प्रतिबंध संबंध, बहु-चरणीय बातचीत और अनिश्चित परिणाम, और एक ही संदर्भ में लगातार निष्कर्ष निकालना और हल ढूंढना।
तकनीकी रिपोर्ट का पता: https://chinaxiv.org/abs/202608.00064
8 अगस्त को, डिसिट्रॉन डिसीजन मशीन की पूर्ण तकनीकी रिपोर्ट जारी की गई, जिसमें पहली बार उसके तीन प्रमुख तकनीकी योगदानों का व्यवस्थित रूप से खुलासा किया गया:
पहला, एक स्पष्ट विश्व मॉडल MetaWorld प्रस्तुत करना, जो बहु-स्रोती जानकारी को संरचित, स्थायी और गणना योग्य विश्व अवस्था और उसके कारण-प्रभाव मॉडलिंग में संगठित करता है; दूसरा, State–Action–Outcome (SAO) प्रारूपित प्रतिनिधित्व का उपयोग करना, जो जटिल निर्णय को गणना योग्य अभिव्यक्ति और तर्क के रूप में परिवर्तित करता है; तीसरा, एक मिश्रित तर्क आर्किटेक्चर AutoABM बनाना, जो बहु-एजेंट सिमुलेशन, खेल तर्क और प्रारूपित अनुकूलन को एकीकृत करता है, और बहु-एजेंट निर्णय प्रक्रिया प्रणाली के आधार पर खेल संतुलन, रणनीति योजना और सीमा संतुष्टि जैसे जटिल निर्णय समस्याओं को हल करता है। ये तीनों मिलकर निर्णय मशीन की तकनीकी आधारशिला का निर्माण करते हैं, जिसका लक्ष्य AI प्रणाली के एकल निर्णय को, विश्व के परिवर्तन के साथ सतत अद्यतन होने वाली एक गणना और प्रक्रिया में परिवर्तित करना है।
एआई को वास्तविक निर्णयों में शामिल करने के लिए किस प्रकार की व्यवस्था की आवश्यकता होती है?
वर्तमान में, 'निर्णय प्रतिक्रिया' के चारों ओर, AI को आवश्यक कुछ महत्वपूर्ण क्षमताएँ (जैसे विश्व मॉडल, बहु-एजेंट, खेल तर्क, संभाव्यता भविष्यवाणी) पहले ही क्रमिक रूप से उभर चुकी हैं। वास्तविक कठिनाई यह है: जब AI बंद कार्य से खुली वास्तविक दुनिया में प्रवेश करता है, तो इन क्षमताओं को एक ही, निरंतर अद्यतन होते विश्व की स्थिति के चारों ओर सहयोग से काम करना होगा, और केवल एक ही Prompt में परस्पर स्वतंत्र विश्लेषण प्रदान नहीं करना चाहिए।
सबसे पहले वर्ल्ड मॉडल को देखें। वर्ल्ड मॉडल का उल्लेख करते समय, लोग आमतौर पर Sora, World Labs, V-JEPA जैसे मुख्य रूप से दृश्य, स्थानिक, भौतिक या रोबोटिक वातावरण के लिए डिज़ाइन किए गए भौतिक वर्ल्ड मॉडल को याद करते हैं। जबकि डिसीजन मशीन द्वारा प्रस्तावित MetaWorld अधिक जटिल निर्णय-लेने के परिदृश्यों पर ध्यान केंद्रित करता है: अर्थव्यवस्था, नीति, उद्यमिक प्रतिस्पर्धा, भू-राजनीति आदि खुले प्रणालियाँ, जिनमें प्रणाली मॉडलिंग के लिए संबंधित संस्थाएँ, चर, संबंध और प्रतिबंध अधिक जटिल होते हैं।
मेटावर्ल्ड को सामाजिक प्रणाली की ओर एक विश्व मॉडल के विस्तार के रूप में देखा जा सकता है, जिसे तीन प्रकार की जटिल समस्याओं का सामना करना पड़ता है: नियमों में अंतर, प्रतिबिंबितता (कारण और परिणाम के बीच द्विदिशात्मक अंतःक्रिया और चक्रीय प्रभाव) और पूरी तरह से दूर नहीं किए जा सकने वाली अनिश्चितता। इससे एक सीधा प्रश्न उठता है: यदि वर्तमान दुनिया के बारे में निर्णय में विचलन होता है, तो आगे के अनुमान भी क्या भटक जाएंगे?
सामाजिक प्रणाली में प्रवेश करने के बाद, केवल परिवेश की स्थिति को बनाए रखना पर्याप्त नहीं है; AI को अन्य प्रतिभागियों के व्यवहार का भी आकलन करना होगा। Meta के CICERO, पeking University आदि टीमों द्वारा प्रस्तावित Richelieu ने सीमित जानकारी के साथ कई एजेंट्स के बीच अंतःक्रिया और खेल की क्षमता को दर्शाया है; और खुली दुनिया के वास्तविक निर्णयों के लिए, सभी पक्षों की कार्रवाई को सिमुलेट करने के बाद, यह भी आकलन करना होगा कि रणनीति संभव है या नहीं, खेल किन संतुलनों पर समाप्त हो सकता है और विभिन्न भविष्यों की संभावना और शर्तें क्या हैं।
इसका अर्थ ही यह है कि इसकी मिश्रित निष्कर्षण आर्किटेक्चर AutoABM, LLM की अर्थपूर्ण समझ, SAO संरचित प्रतिनिधित्व, बहु-एजेंट मॉडलिंग और सिमुलेशन, और रणनीति निष्कर्षण एवं अनुकूलन को एक ही कार्यान्वयन श्रृंखला में एकीकृत करती है, जिससे “दुनिया को समझना — प्रतिकृति करना — निर्णय लेना — भविष्य का मूल्यांकन करना” ये चार चरण सुचारू रूप से जुड़ जाते हैं।
कैसे डिसीजन मशीन एक जटिल अनुमान को पूरा करती है?
डिसीजन मशीन इनपुट और टास्क, डेटा और ज्ञान, मॉडलिंग और फॉर्मलाइजेशन, सिमुलेशन और रीजनिंग, प्रेडिक्शन और कैलिब्रेशन, रिपोर्टिंग और एक्सप्लेनेशन छह स्तरों से बनी है, जो वास्तविक जानकारी से निर्णय आउटपुट तक का पूरा लिंक बनाती है।
अगले चरण में, हम "अगले छह महीनों में, एक जटिल व्यापारिक टकराव कैसे विकसित हो सकता है?" के मामले के साथ देखते हैं कि निर्णय यंत्र कैसे वास्तविक जानकारी से शुरू करके वर्तमान दुनिया की स्थिति का निर्माण करता है, सभी पक्षों की कार्रवाई का अनुकरण करता है, भविष्य में संभावित विभिन्न पथों का अनुमान लगाता है, और ये पथ किन परिस्थितियों में घटित होंगे।
पहला चरण: भविष्य का अनुमान लगाने से पहले, सबसे पहले यह समझें कि "अभी क्या हो रहा है" और कौन से तथ्यों पर विश्वास किया जा सकता है।
वास्तविक दुनिया की जानकारी अनियमित होती है, जिसमें दोहराव या विरोधाभास हो सकते हैं, या फिर यह पुरानी हो सकती है। निर्णय मशीन पहले उपयोगकर्ता के प्रश्न को एक संरचित कार्य में बदलती है, जिसमें स्पष्ट रूप से निर्धारित किया जाता है कि क्या उत्तर देना है, किन प्रमुख पक्षों से संबंधित है, कितने समय तक निरीक्षण करना है, और कौन-सी सीमाएँ हैं। उदाहरण के लिए, प्रणाली पहले इस विवाद में शामिल मुख्य पक्षों, समय सीमा और वर्तमान विवाद के केंद्र को पहचानती है, फिर कस्टम्स, सप्लाई चेन, उद्योग नीति, कंपनी के व्यवहार जैसी संभावित स्थिति परिवर्तन को प्रभावित करने वाली शर्तों को सुव्यवस्थित करती है, और इन तत्वों के चारों ओर समाचार प्रतिवेदन, सोशल मीडिया, अनुसंधान प्रतिवेदन आदि विभिन्न स्रोतों से जानकारी एकत्र करती है।
चित्र 2: डेटा प्रोसेसिंग प्रवाह आरेख
एकत्रित जानकारी को पहले डुप्लिकेट हटाने, समूहीकरण और घटना निकालने के माध्यम से घटना समय रेखा और अधिक विस्तृत साक्ष्य इकाइयों के सेट में व्यवस्थित किया जाता है। फिर प्रणाली Evidence Quality Score (EQS) के माध्यम से प्रत्येक जानकारी की गुणवत्ता का मूल्यांकन करती है, जिसमें वर्तमान प्रश्न के साथ संबंध, स्रोत की विश्वसनीयता, सामग्री की समयोचितता और पूर्णता, तथा विभिन्न स्रोतों के बीच समरूपता शामिल है। साक्ष्य के विभिन्न आत्मविश्वास स्तर के आधार पर उनकी दिशा निर्धारित की जाती है, जहाँ उच्च आत्मविश्वास वाले साक्ष्य सीधे अगले अनुमान चरण में शामिल हो जाते हैं।
यदि मौजूदा साक्ष्य अपर्याप्त हैं या विभिन्न स्रोतों से विरोधाभासी जानकारी मिलती है, तो सिस्टम ReAct के आधार पर वैकल्पिक तर्क और खोज को जारी रखता है, वर्तमान में अभावित जानकारी के आधार पर अगली खोज को समायोजित करता है, और नई प्राप्त जानकारी को मौजूदा समयरेखा में शामिल करता है।
चित्र 3: ReAct आधारित निष्कर्षण और अनुसंधान के वैकल्पिक तंत्र का उपयोग
दूसरा कदम, छानबीन किए गए तथ्यों को एक निरंतर अपडेट होते हुए 'विश्व अवस्था' में बदलना। तथ्य तंत्र को बताते हैं कि क्या हुआ, और अब आगे यह निर्णय लेना होगा: इन परिवर्तनों को एक साथ जोड़ने पर, वर्तमान में विश्व की स्थिति क्या है।
डिसीजन मशीन State–Action–Outcome (SAO) प्रतिनिधित्व का उपयोग करके इस प्रक्रिया को सूत्रबद्ध करती है, जहाँ State वर्तमान विश्व स्थिति का वर्णन करता है, Action प्रत्येक Agent द्वारा वर्तमान स्थिति में अपनाए गए कार्रवाई को दर्ज करता है, और Outcome कार्रवाई से उत्पन्न लाभ, हानि, लागत और जोखिम आदि परिणामों को दर्ज करता है। ध्यान दें कि State मैक्रो स्थिति और अधिक सूक्ष्म, मापने योग्य स्थितियों को अलग करता है। उदाहरण में, घर्षण में वृद्धि मैक्रो स्थिति हो सकती है, जबकि शुल्क स्तर, माल की कीमतें, आपूर्ति श्रृंखला पर प्रभाव की मात्रा आदि अधिक सूक्ष्म स्थिति रेकॉर्ड में शामिल हो सकते हैं।
इसके अलावा, प्रणाली बाह्य सदमों, जैसे नीति में अचानक परिवर्तन, पर्यावरणीय परिवर्तन या एजेंट द्वारा नियंत्रित न होने वाली अन्य घटनाओं को अलग से ध्यान में रखती है। एक कार्रवाई और बाह्य घटना के बाद, दुनिया की स्थिति अद्यतन हो जाती है। अद्यतन स्थिति अगली कार्रवाई के लिए प्रारंभिक बिंदु बन जाती है। इस प्रकार, एक निरंतर SAO पथ बनता है।
चित्र 4: SAO चलाने की प्रक्रिया
इन स्थितियों को वास्तविक रूप से बनाए रखने की जिम्मेदारी MetaWorld की है, जो एक ऐसी संरचित दुनिया की स्थिति उत्पन्न करता है जिसे गणना और अद्यतन किया जा सकता है। स्थिति को तीन स्तरों में विभाजित किया जा सकता है: Environment Layer सभी प्रतिभागियों द्वारा साझा की जाने वाली समग्र परिस्थिति, जैसे स्थिति चरण, संसाधन मूल्य आदि को रिकॉर्ड करता है; Agent Metrics Layer प्रत्येक Agent के संसाधन, क्षमताओं और लक्ष्य प्रगति को रिकॉर्ड करता है; Relationship Matrix Layer विभिन्न Agent के बीच संबंधों में परिवर्तन को रिकॉर्ड करता है।
MetaWorld अभी तक कारण-प्रभाव DAG (Causal Directed Acyclic Graph) का उपयोग करता है ताकि स्थिति कैसे बदलती है, इसे सीमित किया जा सके: मॉडलिंग चरण में चरों के बीच संभावित प्रभावों को कारण-प्रभाव ग्राफ में संगठित किया जाता है। निष्कर्ष निकालने के दौरान, सिस्टम नोड स्थितियों और कारण-प्रभाव एज के वजन को अपडेट करता है, लेकिन प्रत्येक चक्र पर एक नया कारण-प्रभाव ग्राफ नहीं बनाता है।
यह लंबी अवधि के अनुमान के लिए महत्वपूर्ण है। पिछली टैरिफ परिवर्तन ने कीमतों को प्रभावित किया, जिसने व्यवसायों के चयन और अन्य प्रतिभागियों की प्रतिक्रियाओं को बदल दिया, और इन परिवर्तनों को आगे गणना करने के लिए संरक्षित रखा जाना चाहिए। मेटावर्ल्ड इस निरंतर अपडेट होने वाले "विश्व लेखा पुस्तक" की भूमिका निभाता है।
चरण तीन, विश्व अवस्था के साथ, विभिन्न एजेंट कार्रवाई करना शुरू कर देते हैं। पारंपरिक एजेंट-आधारित मॉडलिंग (ABM) आमतौर पर विशेषज्ञों को पहले से प्रतिभागियों, व्यवहार नियमों, पर्यावरणीय चर और अंतर्क्रिया तंत्र को परिभाषित करने की आवश्यकता होती है। एक अलग प्रश्न पूछने पर, बहुत सी चीजों को पुनः मॉडल करना पड़ता है। डिसीजन मशीन द्वारा प्रस्तावित AutoABM इस चरण को स्वचालित करता है: प्राकृतिक भाषा प्रश्न के सामने, सिस्टम बाहरी साक्ष्य के साथ मिलाकर, प्रतिभागियों, लक्ष्य और सीमाओं, कार्रवाई के स्थान, पर्यावरणीय चर और कारण-प्रभाव संबंधों को निकालता है, और फिर इसके आधार पर बहु-एजेंट अनुमान पर्यावरण का निर्माण करता है।
एक व्यापार संघर्ष में एक साथ सरकार, उद्यम, उद्योग संगठन, उपभोक्ता आदि विभिन्न एजेंट हो सकते हैं, जिनमें से प्रत्येक के अपने लक्ष्य, संसाधन, जोखिम की प्रवृत्ति और अतिक्रमण नहीं की जा सकने वाली लाल रेखाएँ होती हैं। ये एजेंट परमेश्वर के दृष्टिकोण के बिना होते हैं और केवल अपने पास उपलब्ध स्थानीय जानकारी के आधार पर कार्रवाई करते हैं।
एक अभियान के दौरान, एजेंट पिछली बातचीत और इतिहास के ट्रैक को निकालता है, फिर वर्तमान स्थिति में अवसर, जोखिम और सीमाओं का आकलन करता है, कुछ विकल्प रणनीतियाँ बनाता है और एक चुनता है। प्रत्येक चक्र केवल एक ही दिशा में आगे नहीं बढ़ता; प्रणाली एक साथ कई अलग-अलग विश्व स्थितियाँ विकसित करती है, जिसमें सापेक्षिक स्थिर संतुलन मार्ग, अधिक आशावादी या निराशावादी विकास दिशाएँ, और कम संभावना वाले किंतु एक बार होने पर स्थिति को स्पष्ट रूप से बदल देने वाले उच्च प्रभाव शाखाएँ शामिल हैं। इसके बाद, ये मार्गों को छाँटा और सत्यापित किया जाता है, विश्व स्थिति को अद्यतन किया जाता है, और अगले चक्र में प्रवेश किया जाता है। जैसे-जैसे सभी पक्ष कार्रवाई करते रहते हैं, कुछ मार्गों के लिए स्थिति समाप्त हो जाती है, जबकि कुछ मार्ग अधिक संभव होते जा रहे होते हैं।
चित्र 5: एजेंट व्यवहार प्रतिरूप
बहु-एजेंट प्रतिरूपण के अलावा, जटिल निर्णय के लिए एक «गणितीय न्यायाधीश» की आवश्यकता होती है। बहु-एजेंट कई ऐसे संभावित भविष्य के मार्ग प्रस्तुत कर सकते हैं जो तर्कसंगत लगते हैं, लेकिन सोचना और करना अलग बात है; वास्तविक निर्णय बजट, संसाधन, समय, नीति सीमाओं और सभी पक्षों के बीच संतुलन जैसी कठोर सीमाओं से प्रभावित होते हैं।
डिसीजन मशीन ने एक फॉर्मल सॉल्वर क्षमता को एकीकृत किया है, जिसमें क्लासिक गेम थ्योरी, संसाधन आवंटन और अनुकूलन, पथ निर्धारण और शेड्यूलिंग, अनिश्चितता के तहत प्रायिकता निष्कर्ष और सीमा संतुष्टि जैसे पाँच प्रकार की समस्याएँ शामिल हैं। उदाहरण के लिए, सीमित बजट के साथ संसाधनों का कैसे आवंटन किया जाए, बहु-पक्षीय गेम में कौन सा संतुलन बन सकता है, या कोई रणनीति पहले से निर्धारित सीमा को पार करती है या नहीं—ये सभी इस स्तर पर गणना के लिए आ सकते हैं। गेम समस्याओं पर, सिस्टम में प्रिजनर्स' डिलेमा, डीयर हंटिंग गेम, काउर्डगेम, जीरो-सम गेम सहित 9 प्रकार के क्लासिक अणुगेम शामिल हैं, जो 144 Robinson–Goforth 2×2 गेम टोपोलॉजी को कवर करते हैं, ताकि विभिन्न गेम संरचनाओं की पहचान और समाधान किया जा सके।
इस स्तर का मुख्य उद्देश्य बहु-एजेंट द्वारा उत्पन्न विकल्प रणनीतियों को गणनीय खेल, प्रतिबंध और अनुकूलन ढांचे में वापस शामिल करना है, ताकि "अर्थपूर्ण" को "औपचारिक रूप से जांचने योग्य" बनाया जा सके।
TMGBench बेंचमार्क पर, निर्णय यंत्र की संतुलन शुद्धता 99.4% है, टॉपोलॉजी पहचान शुद्धता 100% है, औसत समाधान समय 0.8 सेकंड है, और व्याख्यायोग्यता स्कोर 4.3/5.0 है।
सारणी 2: पाँच प्रमुख समाधान समस्या प्रकार
मल्टी-एजेंट सिमुलेशन और फॉर्मल सॉल्विंग के बीच भूमिकाएँ स्पष्ट हैं: पहला संभावित पथों को विस्तारित करता है; दूसरा यह जाँचता है कि ये पथ प्रतिबंधों और खेल संरचना के तहत स्थिर हैं या नहीं।
प्रतिकृति के अंतिम चरण में, एक महत्वपूर्ण प्रश्न शेष रह जाता है: पहले विकसित की गई विभिन्न भविष्य की राहों में से प्रत्येक की संभावना कितनी है? इसके लिए, निर्णय मशीन ने भविष्यवाणी और समायोजन चरण (Forecasting & Calibration) स्थापित किया है।
पिछले चरण में प्राप्त उम्मीदवार मार्गों के आधार पर, इस स्तर पर अनिश्चितता को आगे संभाला जाता है: सिस्टम मॉडल निष्कर्ष और बाहरी समायोजन संकेतों को जोड़कर विभिन्न परिणामों के लिए प्रायिकताएँ आवंटित करता है, और फिर भविष्यवाणी बाजार की जानकारी, ऐतिहासिक भविष्यवाणी प्रदर्शन और प्रायिकता स्कोरिंग नियमों का उपयोग करके इन प्रायिकताओं को समायोजित करता है। निर्णय मशीन अब केवल "क्या हो सकता है" के परिदृश्य वर्णन नहीं देती, बल्कि विभिन्न मार्गों के साथ संबंधित प्रायिकता आकलन भी जुड़े होते हैं, और ये नए सबूतों और निष्कर्षों के साथ अपडेट होते रहते हैं।
हम इसे एक गतिशील भविष्य का मानचित्र समझ सकते हैं: व्यापार तनाव का बढ़ना, दोनों पक्षों का अस्थायी शामिल होना, या नए अप्रत्याशित चरणों का आना—ये सभी अलग-अलग शाखाएँ बन सकते हैं। सिस्टम प्रत्येक मार्ग की संभावना का आकलन करता है और यह तय करता है कि कौन से परिवर्तन किसी विशेष मार्ग को अधिक संभाव्य बना सकते हैं।
चित्र 6: संभावना भविष्यवाणी मॉड्यूल
इस प्रकार, निर्णय मशीन एक पूर्ण निर्णय प्रक्रिया को जोड़ देती है।
Experimental validation: Is this decision framework effective?
रिपोर्ट में निर्णय मशीन के अनुमान प्रणाली की जांच के लिए कई प्रयोग समूहों का उपयोग किया गया है, जिनमें सबसे अधिक देखने योग्य परिणाम «घटना अनुमान और प्रायिकता भविष्यवाणी» हैं।
सबसे पहले, स्वयं बनाए गए घटना भविष्यवाणि सेट को देखें, और देखें कि क्या संरचित निष्कर्षण घटना भविष्यवाणि में सुधार कर सकता है। टीम ने 74 घटनाओं और 370 द्विआधारी निर्णय प्रश्नों का एक सेट बनाया है, जो कई अत्यधिक अस्थिर घटना श्रेणियों को कवर करता है और विभिन्न भविष्यवाणि अवधियों को मूल्यांकन में शामिल करता है। टीम के मूल्यांकन सेटअप के अनुसार, डिसीजन मशीन का समग्र परिणाम 78.41% है।
इसके अलावा, LLM-NEWS सेटिंग में 3-30 दिन के शॉर्ट-टर्म ग्रुप के लिए, डिसीजन मशीन का परिणाम 72.80% है, जबकि GPT-5.5 और Claude-4.7 क्रमशः 35.43% और 44.62% हैं; मध्यम और लंबी अवधि में प्रवेश करने के बाद, यह अंतर धीरे-धीरे कम होता जा रहा है। अर्थात, संरचित निष्कर्षण उन शॉर्ट-टर्म परिदृश्यों में अपेक्षाकृत अधिक लाभदायक है, जहां स्थिति तेजी से बदल रही होती है और ऐतिहासिक पैटर्न का उपयोग कठिन होता है।
फिर ओपन प्रेडिक्शन मार्केट बेंचमार्क PolyBench पर सप्लीमेंटरी एक्सपेरिमेंट्स।
डिसिजन मशीन की FFA (अंतिम भविष्यवाणी सटीकता) 81.20% है, EVPA (अपेक्षित उतार-चढ़ाव भविष्यवाणी सटीकता) 73.40% है, और MSE (माध्य वर्ग त्रुटि) 0.822 है, जो Gemini-3-Flash, MiMo-V2-Flash और Grok-4.1-Fast की तुलना में बेहतर है। इससे स्पष्ट होता है कि डिसिजन मशीन बाजार की संभावना परिवर्तन की दिशा को पकड़ने और संभावना त्रुटि को नियंत्रित करने में बेहतर प्रदर्शन कर रही है।
डिसिजन AI, बड़े मॉडल की प्रतिस्पर्धा इकाई को बदल रहा है
जनरेटिव AI टोकन को मूल गणना इकाई के रूप में उपयोग करता है और यह सवाल का जवाब देता है: "अगला अनुभाग कैसे उत्पन्न किया जाए"; डिसीजन AI तो दुनिया की स्थिति में परिवर्तन को मूल गणना विषय के रूप में लेता है और यह सवाल का जवाब देता है: "एक कार्रवाई अगली दुनिया को कैसे बदल देगी"? पहला यह ध्यान रखता है कि उत्तर त論िक है, दूसरा कारण-प्रभाव, वास्तविक सीमाओं, प्रतिद्वंद्वी प्रतिक्रियाओं और संभावनाओं में परिवर्तन को भी संभालना अनिवार्य करता है। दोनों के बीच सरल क्षमता का योग नहीं है, बल्कि गणना परिप्रेक्ष्य में परिवर्तन है।
बड़े पैरामीटर स्केल और अधिक शक्तिशाली भाषाई क्षमता के आधार पर निर्णय एआई स्वाभाविक रूप से उभरना कठिन है। खुली दुनिया में प्रवेश करने के बाद, बेस मॉडल महत्वपूर्ण रहता है, लेकिन यह पूरे सिस्टम से निर्णय प्रणाली के घटक में बदलने लगता है। एआई प्रतिस्पर्धा की इकाई भी एकल मॉडल से पूर्ण सिस्टम की ओर स्थानांतरित हो रही है।
डिसिजन मशीन का तकनीकी अर्थ यह है कि यह अतीत की विखंडित क्षमताओं को एक साझा निर्णय संरचना में संगठित करती है। 'सार्वभौमिक' का अर्थ यह नहीं है कि यह सभी क्षेत्रों के भविष्य का पूर्वानुमान लगाती है, बल्कि यह है कि विभिन्न क्षेत्रों की समस्याओं को स्थिति, कार्रवाई, परिणाम, प्रतिबंध और अनिश्चितता में अनुवादित किया जा सकता है और एक ही अनुमान और समाधान ढांचे में शामिल किया जा सकता है।
इस दृष्टिकोण से, 'विश्व का पहला सार्वभौमिक निर्णय बड़ा मॉडल' का वास्तविक मूल्य केवल एक 'पहला' हासिल करने तक सीमित नहीं है, बल्कि इस बात के साथ है कि 'सार्वभौमिक निर्णय बड़ा मॉडल' को एक अपेक्षाकृत पूर्ण तकनीकी रूपरेखा मिल गई है: दुनिया का वर्णन स्पष्ट अवस्था के साथ करना, कार्रवाई को बहु-बुद्धिमान के साथ विस्तारित करना, रणनीति की जांच खेल और अनुकूलन के माध्यम से करना, और फिर विभिन्न भविष्य के पथों को संभावना के साथ समायोजित करना। इसके संगत, AI के मूल्यांकन मानदंड भी बदलने लगे हैं — केवल यह देखना कि उत्तर सही हैं या नहीं, बल्कि यह भी देखना कि क्या अवस्था सुसंगठित रहती है, क्या प्रतिक्रिया की जांच की जा सकती है, क्या संभावनाएँ विश्वसनीय हैं, और क्या नई जानकारी आने पर इसे समय पर अपडेट किया जा सकता है।
After all, an answer that sounds right doesn't equal a decision that can withstand real-world changes.
यह लेख वेचेन ग्रुप "मशीन जीन" (ID: almosthuman2014) से आया है, लेखक: डिसीजन एआई पर ध्यान केंद्रित करने वाले