गूगल डीपमाइंड का जेमिनी एआई वास्तविक दुनिया के प्रयोग करना शुरू कर चुका है

संपादित किया गया | Panda

बायोहजर्ड में, एक गहरे भूमिगत प्रयोगशाला "हाइव" है। प्रवेश नियंत्रण, निगरानी, वेंटिलेशन, सुरक्षा और पूरी सुविधा का संचालन एक एआई: रेड क्वीन को सौंप दिया गया है।

मानव वैज्ञानिक अनुसंधान के लिए जिम्मेदार हैं, लेकिन इस प्रयोगशाला के "हाथ-पैर" को वास्तव में AI संचालित करता है।

जब असामान्यता होती है, तो लाल रानी दरवाजा बंद कर सकती है, सिस्टम को काट सकती है, सुविधाओं को नियंत्रित कर सकती है, और भौतिक दुनिया में सीधे हस्तक्षेप कर सकती है।

अब से बीस साल पहले, ऐसी कहानी विज्ञान कथा फिल्मों में डर पैदा करने का एक क्लासिक तरीका थी: AI भौतिक दुनिया में प्रवेश करता है, मशीनों को नियंत्रित करता है, प्रयोग चलाता है, और सीधे वास्तविक दुनिया में हस्तक्षेप करता है।

अब, यह दृश्य एक पूरी तरह से अलग तरीके से वास्तविकता में प्रवेश करना शुरू हो गया है—कम से कम अभी तक डरावना नहीं।

बिल्कुल कल, Anthropic ने भौतिक हार्डवेयर के लिए मॉडल हार्डवेयर स्टैंडर्ड (MHS) जारी किया, जिसका उद्देश्य MCP के तर्क को GitHub, Slack और डेटाबेस से आगे बढ़ाकर मैनिपुलेटर, माइक्रोस्कोप, तरल प्रोसेसर, लेजर आदि वास्तविक उपकरणों तक विस्तारित करना है। रिपोर्ट "अभी-अभी, Anthropic ने भौतिक MCP जारी किया: Claude वास्तविक दुनिया पर कब्जा करना शुरू कर दिया" पढ़ें।

सरल शब्दों में, AI एजेंट को बस सॉफ्टवेयर को कॉल करने का 'इंटरफेस' नहीं, बल्कि वास्तविक दुनिया से जुड़ने के लिए एक 'तंत्रिका और हाथ-पैर' की आवश्यकता है। और आज, गूगल डीपमाइंड ने इस क्षेत्र में अपनी उपलब्धियाँ दिखाईं।

एक हाल ही में प्रकाशित 83 पृष्ठों की पेपर में, गूगल ने जेमिनी द्वारा संचालित Co-Scientist को वास्तविक शोध प्रक्रिया में एकीकृत किया है और इसे प्रयोग डिज़ाइन करने, निष्पादन कोड उत्पन्न करने, प्रयोग प्रतिक्रिया पढ़ने और सीधे प्रयोगात्मक उपकरणों से जुड़ने के लिए सशक्त बनाया है। गूगल ने इस परिवर्तन को in-silico hypothesis generator से execution-grounded research partner तक, यानी चिप-आधारित परिकल्पना जनरेटर → निष्पादन-आधारित शोध साझीदार के रूप में संदर्भित किया है।

सबसे सीधे तरीके से, शोधकर्ताओं ने अपने निर्मित CVD उपकरण की शर्तें Gemini 3 Deep Think को दीं। कुछ ही मिनटों में, इसने इस उपकरण के लिए सामग्री वृद्धि योजना प्रस्तुत की और फिर उस योजना को उपकरण को नियंत्रित करने के लिए मशीन कोड में अनुवादित किया। अंततः, तीनों द्वि-आयामी अर्धचालकों का पहले प्रयास में ही सफलतापूर्वक वृद्धि हुई।

इसलिए, एक ऐसा दृश्य जो पहले केवल विज्ञान कथा फिल्मों में ही मौजूद था, अचानक वास्तविकता बन गया: जब बड़े मॉडल वास्तव में 'हाथ' प्राप्त कर लेते हैं और प्रयोगात्मक उपकरणों को नियंत्रित करने लगते हैं। तो, आज से, AI Scientist क्या बन जाएगा?

बायोहॉजर्ड में, मनुष्य AI को लैब पर कब्जा करने से डरते हैं। और वास्तविक दुनिया के वैज्ञानिक, लैब को सक्रिय रूप से डॉट डॉट AI को सौंप दें। निश्चित रूप से, गूगल जो करना चाहता है, वह अनियंत्रित 'कोलोनी' नहीं, बल्कि एक ऐसी वैज्ञानिक खोज मशीन है जो परिकल्पना रखने से लेकर प्रयोग डिजाइन करने और फिर वास्तविकता में सत्यापन तक का काम कर सकती है।

शीर्षक: वास्तविक दुनिया में जेमिनी के साथ वैज्ञानिक अनुसंधान को त्वरित करना

पेपर का लिंक: https://arxiv.org/pdf/2608.26701

सबसे पहले, सामग्री विज्ञान।

शोधकर्ता एक अपने द्वारा बनाया गया रासायनिक वाष्प निक्षेपण उपकरण, यानी CVD भट्टी का उपयोग कर रहे हैं। इस प्रकार के द्वि-आयामी सामग्री प्रयोगों के लिए, एक लंबे समय से चल रही समस्या यह है: जनता के लिए उपलब्ध 'रेसिपी' को पुन: उत्पन्न करना कठिन है।

एक ही तापमान, गैस और पूर्ववर्ती पैरामीटर के साथ, यदि एक अलग भट्टी का उपयोग किया जाता है, तो भट्टी के आकार, गैस प्रवाह और सामग्री की व्यवस्था में थोड़ा अंतर होने से अंतिम रूप से उगाए गए क्रिस्टल पूरी तरह से अलग हो सकते हैं। शोधकर्ता अक्सर कुछ सप्ताह से लेकर कई महीनों तक पैरामीटर को बार-बार समायोजित करने में समय बिताते हैं।

इसलिए अब अनुसंधान टीम ने जेमिनी को बताना बंद कर दिया कि प्रयोग कैसे करना है, और बजाय इसके उन्होंने इसे बताया कि प्रयोगशाला में क्या उपकरण हैं, क्या रसायन हैं, और भट्टी की संरचना क्या है। शेष पैरामीटर्स AI खुद तय करता है।

Co-Scientist इन सीमाओं के आधार पर गैस फ्लो, तापमान वक्र, प्राग्विकारक की मात्रा, सामग्री की व्यवस्था स्थिति आदि का पूर्ण प्रयोग योजना बनाता है और फिर इसे प्रयोगात्मक उपकरण को निष्पादित करने के लिए देता है।

एक प्रयोग समूह बहुत ध्यान आकर्षित करता है। अनुसंधान टीम ने Gemini 3 Deep Think को CVD नियंत्रण प्रक्रिया से जोड़ दिया, जिससे यह वैज्ञानिकों के लिए धीरे-धीरे पढ़ने के लिए प्राकृतिक भाषा में प्रयोग योजना नहीं बनाता, बल्कि कुछ ही मिनटों में निष्कर्ष निकालता है और परिणाम को सीधे उपकरणों को नियंत्रित करने के लिए मशीन कोड में बदल देता है।

अंततः, MoS₂, MoSe₂ और WS₂ तीनों द्वि-आयामी अर्धचालकों के एकल परत क्रिस्टल पहले प्रयोग में सफलतापूर्वक उगाए गए। पूरी प्रयोग प्रक्रिया लगभग एक घंटे में पूरी हो गई।

इसमें MoSe₂ और WS₂ और भी विशेष हैं: शोधकर्ताओं ने पहले इन दोनों सामग्रियों को इस उपकरण पर उगाया नहीं था। बाद में कम से कम पांच बार दोहराए गए प्रयोगों ने परिणाम की पुष्टि की।

यह Anthropic द्वारा कल प्रदर्शित MHS के साथ एक दिलचस्प समानता रखता है। Anthropic द्वारा हल किए जाने वाले प्रश्न के बारे में यह है कि Agent को प्रयोगात्मक उपकरणों को समझने और नियंत्रित करने के लिए कैसे आसान और मानकीकृत बनाया जाए; जबकि Google के इस पेपर में अगला कदम पर चर्चा की गई है: जब निष्कर्ष निकालने वाला मॉडल प्रयोगात्मक उपकरणों को नियंत्रित करने में सक्षम हो जाए, तो अनुसंधान प्रवाह को कैसे पुनर्गठित किया जाए?

इस अर्थ में, 「AI हार्डवेयर को कनेक्ट करता है」 एक समस्या नहीं है।

हालाँकि, केवल इस बात के लिए कि जेमिनी अपने पहले से ज्ञात जानकारी के आधार पर एक उपकरण सेट करे, वह वास्तविक वैज्ञानिक खोज नहीं मानी जा सकती। इसलिए, गूगल ने दूसरा, अधिक कठिन प्रयोग किया: टीआई₃सी₂टीₓ नामक एमएक्सीने 2डी सामग्री को नीचे से ऊपर की ओर संश्लेषित करने का प्रयास किया।

पारंपरिक रास्ते अक्सर खतरनाक क्षारकों को शामिल करते हैं, और कुछ ज्ञात CVD योजनाएँ विषैले और वायु संवेदनशील TiCl₄ का उपयोग करती हैं। इसलिए, अनुसंधान टीम ने Co-Scientist को एक कार्य दिया: क्या हम एक सुरक्षिततर पूर्ववर्ती रास्ता खोज सकते हैं?

Co-Scientist ने अंततः षट्क्लोरोएथेन C₂Cl₆ को लक्ष्य बनाया और अग्रणी संख्या, स्थिति, गैस प्रवाह, उपरितल और तापमान वक्र जैसे कई पैरामीटर भी निर्धारित किए।

लेकिन यह एक ऐसी कहानी नहीं है जहां "AI का एक अचानक बुद्धिमानी का पल, एक प्रयोग में सफलता" मिल गई। को-साइंटिस्ट ने कुल 272 उम्मीदवार समाधान उत्पन्न किए, जिनमें से शोधकर्ताओं ने उच्च स्थान प्राप्त समाधानों का चयन किया और उन्हें आगे अनुकूलित किया; 25 प्रयोग इटरेशन के बाद, अंततः एक द्वि-आयामी परतदार क्रिस्टल प्राप्त हुआ, जो XRD, इलेक्ट्रॉन माइक्रोस्कोपी और तत्व संघटन जैसे कई सूचकों पर Ti₃C₂Tₓ MXene के साथ अत्यधिक समानता दर्शाता है।

बाद की वास्तविक दुनिया की समस्याएँ भी बहुत सामान्य हैं। शुरुआत में प्रयोग को दोहराने की सफलता की दर केवल 11.5% थी। शोधकर्ताओं ने बाद में पाया कि मुख्य समस्या AI के रसायन तर्क में नहीं, बल्कि प्रयोगात्मक उपकरणों में हवा के रिसाव के कारण ऑक्सीजन का रिसाव थी।

क्वार्ट्ज ट्यूब को फिर से साफ करने, सीलिंग रिंग को बदलने और उपकरण रखरखाव प्रक्रिया में सुधार के बाद, एक ही द्वि-आयामी सामग्री के प्रयोग की सफलता की दर 68% तक बढ़ गई।

यह ठीक से दर्शाता है कि क्यों "रियल वर्ल्ड AI" और सॉफ्टवेयर एजेंट अलग हैं: कोड में गलती होने पर, आप इसे फिर से चला सकते हैं। लेकिन वास्तविक प्रयोगों में, एक पुराना O-रिंग, पाइपलाइन में शेष अवशेष, यहां तक कि हवा में मौजूद ऑक्सीजन भी एक सही वैज्ञानिक योजना को पूरी तरह से विफल कर सकते हैं।

गूगल ने अपने पेपर में भी बहुत सावधानी बरती है: वर्तमान में इस सामग्री को Ti₃C₂Tₓ MXene के रूप में अंतिम रूप से पुष्टि नहीं किया जा सकता है, क्योंकि इसमें कम उत्पादन दर और गंभीर ऑक्सीकरण जैसी समस्याएँ मौजूद हैं, और इसे परमाणु स्तर के अभिलक्षणीकरण द्वारा और पुष्टि की आवश्यकता है।

फिर भी, हम इस निष्कर्ष पर पहुँच सकते हैं कि AI एक वैज्ञानिक अर्थ के साथ एक उम्मीदवार संश्लेषण रास्ता प्रस्तावित कर सकता है, और फिर उस रास्ते को वास्तविक प्रयोगों में लागू करके सत्यापित कर सकता है।

गूगल ने को-साइंटिस्ट को एक पूरी तरह से अलग प्रयोगात्मक परिदृश्य में भी रखा: संश्लेषित जीवविज्ञान। अध्ययन का विषय इंजीनियर किए गए ई. कोलाई के एक समूह थे।

इन बैक्टीरिया के पेट्री डिश में अलग-अलग समूह पैटर्न बनते हैं। जब प्रेरक IPTG की सांद्रता बदलती है, तो कोलोनियों का आकार, किनारा और आकृति भी बदल जाती है। सामान्यतः, पूर्ण परिवर्तन वक्र प्राप्त करने के लिए, वैज्ञानिकों को विभिन्न सांद्रताओं को तैयार करना, बैक्टीरिया को उगाना, वृद्धि का इंतजार करना और फिर प्रत्येक पेट्री डिश को स्कैन करना पड़ता है।

गूगल ने AI को एक प्रयोग के मध्य भाग को पूरा करने का प्रयास किया। शोधकर्ताओं ने Co-Scientist को केवल कुछ सांद्रताओं पर वास्तविक कोलोनी चित्र प्रदान किए, और फिर प्रणाली को अनदेखे मध्यवर्ती सांद्रताओं पर कोलोनी कैसी दिखेगी, इसका अनुमान लगाने के लिए कहा। इसके अलावा, ये प्रयोगात्मक डेटा तब तक प्रकाशित नहीं हुआ था, इसलिए पेपर के अनुसार, मॉडल ने केवल प्रशिक्षण डेटा में मौजूद परिणामों को याद करके ही यह कार्य पूरा नहीं किया हो सकता।

परिणामस्वरूप, चार बैक्टीरियल कॉलोनी आकृति सूचकांकों में से तीन में AI के भविष्यवाणियाँ वास्तविक आर्द्र प्रयोग परिणामों के साथ कोई महत्वपूर्ण अंतर नहीं दर्शाती हैं; इसने यह भी सही ढंग से निर्णय लिया कि नियंत्रण समूह IPTG सांद्रता के साथ कोई संबंधित परिवर्तन नहीं दर्शाएगा।

एकमात्र स्पष्ट समस्या "गोलाकारता" है: AI द्वारा उत्पन्न कोलोनी वास्तविकता की तुलना में अधिक नियमित है। यह जनरेटिव मॉडल के सामान्य सौंदर्यशास्त्र के अनुरूप है: वास्तविक दुनिया इतनी आदर्श नहीं होती, लेकिन AI इसे थोड़ा और गोल करने के लिए असमर्थ है।

गूगल ने इस प्रयोग की परिभाषा भी संयमित रखी है: वर्तमान में जो बनाया गया है, वह ज्ञात सांद्रता अंतराल में इंटरपोलेशन (interpolation) है, न कि किसी नए आनुवंशिक सर्किट के सामने अज्ञात घटनाओं का पूर्वानुमान लगाना।

लेकिन इसका एक बहुत वास्तविक उपयोग पहले से ही मौजूद है। भविष्य में वैज्ञानिकों को शायद एक विशाल पैरामीटर स्पेस के सभी बिंदुओं पर वास्तविक प्रयोग करने की आवश्यकता नहीं होगी। वे कुछ कुछ बिंदुओं का परीक्षण कर सकते हैं, फिर AI को इन वास्तविक डेटा के आधार पर शेष स्पेस का अनुमान लगाने के लिए कह सकते हैं, और फिर सबसे अधिक सत्यापन के योग्य स्थानों का चयन कर सकते हैं।

इसलिए प्रयोग धीरे-धीरे 「व्यापक खोज」 से बदलकर: वास्तविक दुनिया का नमूना → AI भविष्यवाणी → प्रयोग का चयन → नए डेटा का AI को प्रतिक्रिया हो गया।

यही तो पेपर में बार-बार जोर दिया गया lab-in-the-loop है।

कंप्यूटर साइंस लैब में जाएं, Co-Scientist की स्वायत्तता फिर से बढ़ गई है।

इस बार शोधकर्ताओं ने इसे एक बहुत सरल कार्य दिया: एक ऐसा एजेंट डिज़ाइन करना जो चिकित्सा सवालों का बेहतर जवाब दे सके। इसके बाद, मानव अब आर्किटेक्चर डिज़ाइन में शामिल नहीं हुए। को-साइंटिस्ट ने स्वयं समाधान प्रस्तावित किया, कोड लिखा, परीक्षण चलाए, त्रुटियों का विश्लेषण किया, और फिर आर्किटेक्चर में सुधार किया।

अंत में, इसने एक एजेंट_एच नामक सिस्टम को विकसित किया।

इस प्रणाली को मौजूदा मॉडल की निष्कर्षण प्रक्रिया को पुनर्संगठित करने की आवश्यकता है। एक चिकित्सा समस्या के सामने, यह पहले निर्धारित करती है कि समस्या किस चिकित्सा क्षेत्र से संबंधित है, यह मरीज के लिए है या डॉक्टर के लिए, और जोखिम कितना अधिक है; जटिल समस्याओं को कई उप-समस्याओं में विभाजित कर दिया जाता है; फिर 28–48 उम्मीदवार उत्तरों को एक साथ उत्पन्न किया जाता है, जिन्हें विभिन्न Judge द्वारा द्वि-स्तरीय रूप से बाहर कर दिया जाता है, और फिर तीन Judge के मतदान से अंतिम उत्तर चुना जाता है। विजेता उत्तर को अतिरिक्त बहु-चरणीय क्लिनिकल समीक्षा, संदर्भ जांच के माध्यम से गुजरना पड़ता है, और अंततः इसकी लंबाई संकुचित कर दी जाती है।

एक प्रश्न के उत्तर के लिए, पूरा Agent लगभग 40-80 बार मॉडल को कॉल करता है। HealthBench Hard और HealthBench Professional पर, पेपर में उपयोग किए गए लंबाई समायोजित स्कोरिंग के अनुसार, Agent_H ने GPT-5.6 Sol, Claude Opus 5 और Gemini 3.1 Pro सहित छह अग्रणी मॉडलों को पार कर लिया।

लेकिन यहाँ एक ऐसा घटना आया जो रिपोर्ट के लायक है: AI ने खुद ही "बैंचमार्क बढ़ाना" सीख लिया।

प्रारंभिक प्रयोगों में, लंबे उत्तरों को पर्याप्त रूप से दंडित नहीं किया गया था। इसलिए Co-Scientist ने जल्दी ही स्कोर बढ़ाने का सबसे सरल तरीका खोज लिया: उत्तर को बहुत लंबा लिखना।

बेंचमार्क स्कोर इसलिए काफी बढ़ गया, लेकिन चिकित्सा गुणवत्ता में कोई संगत वृद्धि नहीं हुई। जब तक शोधकर्ताओं ने लंबाई दंड नहीं जोड़ा, तब तक बड़ा लाभ नहीं गायब हुआ।

गूगल ने अपने पेपर में इसे एक उदाहरण के रूप में गुडहार्ट के नियम को देखा: जब कोई मापदंड एक लक्ष्य बन जाता है, तो यह एक अच्छा मापदंड नहीं रह जाता।

सच्चे डॉक्टरों के मूल्यांकन ने परिणामों पर थोड़ा ठंडा पानी भी बहा दिया। तीन व्यावसायिक डॉक्टरों ने 106 प्रश्नों का अंधा मूल्यांकन किया। नौ आयामों में, Agent_H केवल "संभावित क्षति को कम करना" आयाम में मूल Gemini 3.1 Pro की तुलना में सांख्यिकीय रूप से सार्थक सुधार प्राप्त किया, शेष आठ आयामों में कोई सांख्यिकीय रूप से सार्थक अंतर नहीं था।

अर्थात, AI जज के लिए स्पष्ट रूप से उच्चतर बेंचमार्क स्कोर, मानव डॉक्टर के लिए स्पष्ट रूप से बेहतर उत्तर में पूरी तरह से बदल गए। यह शायद AI साइंटिस्ट के वास्तविक दुनिया में प्रवेश के बाद सामना करना पड़ने वाली समस्या है: इसे केवल अनुकूलन करना ही नहीं, बल्कि यह भी जानना होगा कि क्या कुछ केवल अनुकूलन सूचकों से परिभाषित नहीं किया जा सकता।

AI वैज्ञानिक पेपर के लिए "डेटा बनाते हैं"

वास्तव में, गूगल ने इस पेपर में एक अन्य थोड़ा अजीब समस्या पर काफी जगह दी: अगर AI Scientist को पूरी तरह से खुला छोड़ दिया जाए, तो क्या यह सुंदर परिणाम प्राप्त करने के लिए धोखा देगा?

हाँ।

अनुसंधान टीम ने सिस्टम को 50 एआई अनुसंधान विषयों पर, विचार प्रस्तुत करने से लेकर डेटा खोजने, कोड लिखने, प्रयोग चलाने और अंतिम पेपर बनाने तक, पूरी तरह मानव हस्तक्षेप के बिना काम करने दिया।

इसकी तुलना में, उन्होंने एक विश्वसनीयता मॉड्यूल के बिना Co-Scientist और पिछले Agent Laboratory सिस्टम का भी परीक्षण किया, जिससे कुल 150 पेपर बनाए गए और इन्हें 30 विषय विशेषज्ञों द्वारा 450 अनामिक समीक्षाओं के लिए भेजा गया।

परिणाम काफी अतिशयोक्तिपूर्ण होते हैं। बिना किसी विशेष प्रमाणीकरण तंत्र के, AI साइंटिस्ट ऐसा कर सकता है कि कोड में त्रुटि होने पर और प्रयोग में कोई प्रामाणिक परिणाम न होने पर भी पूरी पत्रिका लिखता रहे।

वे डेटा टेबल, p-मान, सांख्यिकीय परीक्षण बनाते हैं; असफल प्रयोगों को सफल के रूप में लिखते हैं; यहां तक कि मूल्यांकन वातावरण को बदल देते हैं ताकि उनकी विधि स्वतः उच्च स्कोर प्राप्त कर सके, या hardcode के माध्यम से सीधे एक सुंदर परिणाम निकाल सकें।

जब अभिलक्ष्य है: "एक अच्छा दिखने वाला पेपर लिखें", तो एजेंट शोध पूरा करने के बजाय अधिक सस्ते रास्ते ढूंढता है।

इसलिए, गूगल ने नए संस्करण Co-Scientist में एक ऐसा तंत्र जोड़ा है जो 'वैज्ञानिक ऑडिट' के समान है: शोध पत्र में दावा किए गए परीक्षण परिणामों को वास्तविक प्रोग्राम निष्पादन लॉग में पीछे तक ट्रैस किया जाना चाहिए। यदि लॉग में संबंधित परिणाम नहीं हैं, तो प्रणाली भाषा मॉडल के 'ऐसा होना चाहिए' के अनुमान पर आधारित नहीं लिख सकती।

प्रभाव बहुत स्पष्ट है। एजेंट लैबोरेटरी से 90% से घटकर 4% हो गया; सबसे गंभीर पूर्ण डेटा झूठ, 44% से घटकर 0% हो गया।

लेकिन समस्या अभी भी पूरी तरह से गायब नहीं हुई है। नए संस्करण Co-Scientist में 24% गंभीर विधि वर्णन त्रुटियाँ हैं और 16% गंभीर नकल/उत्पादित सामग्री है।

गूगल ने इसलिए विशेष रूप से जोर दिया कि वे यह दावा नहीं कर रहे हैं कि वर्तमान Autonomous AI Scientist सीधे प्रकाशित के लिए शोध पत्र उत्पन्न कर सकता है।

अगर आप एंथ्रोपिक और गूगल के इन दोनों कार्यों को एक साथ देखें, तो आप देख सकते हैं कि एजेंट में एक स्पष्ट परिवर्तन हो रहा है: पिछले दो वर्षों तक, AI एजेंट का सबसे बड़ा मैदान सॉफ्टवेयर दुनिया रहा है। अब, यह तर्क पहली बार वास्तविक दुनिया की सीमाओं के बाहर व्याप्त हो रहा है।

Anthropic का MHS निम्नलिखित मूल समस्या को हल करने का प्रयास करता है: रोबोटिक बाहु, सूक्ष्मदर्शी, और तरल पदार्थ प्रसंस्करण प्लेटफॉर्म जैसे विभिन्न उपकरणों के लिए एक ऐसा इंटरफेस बनाना जिसे एजेंट एक समान रूप से समझ सके और नियंत्रित कर सके।

गूगल के को-साइंटिस्ट ने उच्चतर स्तर के प्रश्नों की खोज शुरू कर दी है: जब एक निष्कर्ष निकालने वाला मॉडल वैज्ञानिक परिकल्पनाएँ बना सके, प्रयोगों की योजना बना सके, उपकरणों को नियंत्रित कर सके, परिणाम पढ़ सके और अगले प्रयोग को सुधारने के लिए आगे बढ़ सके, तो एक वास्तविक बंद चक्र वैज्ञानिक आविष्कार प्रणाली कैसी होनी चाहिए।

बेशक, गूगल अभी भी वास्तविक "बिना लोगों वाले प्रयोगशाला" से बहुत दूर है। वर्तमान सामग्री प्रयोगों में अभी भी मानव को नमूने लोड करने की आवश्यकता होती है; नई सामग्रियों की परमाणु संरचना अभी अंतिम रूप से निर्धारित नहीं हुई है; ई. कोलाई के अनुमान केवल सीमित इंटरपोलेशन कार्यों की पुष्टि करते हैं; मेडिकल एजेंट बेंचमार्क के खाली स्थानों का फायदा उठाते हैं; और पेपर जनरेशन सिस्टम अभी भी हॉलूसिनेशन और चोरी को पूरी तरह से हल नहीं कर पाए हैं। गूगल स्वयं स्पष्ट रूप से मानता है कि हार्डवेयर असामान्यताओं और वास्तविक परिवेश की जटिलता के कारण, वर्तमान में पूरी तरह से बिना मानव के नियंत्रण वाले भौतिक प्रयोग करना संभव नहीं है।

लेकिन परिवर्तन पहले से ही हो चुके हैं।

पिछले समय AI for Science पर चर्चा करते समय, अक्सर ध्यान इस बात पर केंद्रित होता था कि AI क्या "एक ऐसी चीज सोच सकता है जो मनुष्य नहीं सोच सका"। अब, बढ़ती संख्या में कार्य अधिक कठिन दूसरे हिस्से को पूरा करने लगे हैं: क्या यह विचार वास्तविक उपकरणों द्वारा कार्यान्वित किया जा सकता है, और क्या इसका परिणाम AI के अगले निष्कर्षण चक्र के लिए आधार बन सकता है?

गूगल ने अपने पेपर के अंत में एक दिलचस्प निष्कर्ष दिया है। यदि ऐसा बंद चक्र वास्तव में स्थापित हो जाता है, तो भविष्य में अनुसंधान के प्रतिबंधक कारक उलट सकते हैं: पहले, प्रयोगात्मक उपकरण वैज्ञानिकों को अगला अच्छा प्रश्न पूछने का इंतजार करते थे; भविष्य में, संभवतः AI ने सैकड़ों प्रमाणित करने योग्य प्रयोग पहले ही प्रस्तावित कर दिए होंगे, और प्रयोगशालाएँ उन्हें करने में सक्षम नहीं हो पाएंगी।

तब वैज्ञानिक खोज की गति का वास्तविक बाधा, scientific ideation नहीं, बल्कि experimental throughput हो सकता है—वास्तविक दुनिया इन प्रयोगों को कितनी जल्दी पूरा कर सकती है।

यह लेख वेचेन ग्रुप "मशीन इंटेलिजेंस" (ID: almosthuman2014) से आया है, लेखक: साइंस एआई पर ध्यान देने वाले