Google Research ने 30 जुलाई, 2026 को Science One फ्रेमवर्क की घोषणा की, जिसका केंद्र एक "साक्ष्य श्रृंखला" (Chain-of-Evidence, CoE) तंत्र है, जो AI के अनुसंधान के प्रत्येक निष्कर्ष को स्रोत, कोड और प्रयोग रिकॉर्ड से जोड़ता है।

लेखक, स्रोत: 0x9999in1, ME News



TL;DR

• Google Research ने 30 जुलाई, 2026 को Science One फ्रेमवर्क की घोषणा की, जिसका केंद्र एक "साक्ष्य श्रृंखला" (Chain-of-Evidence, CoE) तंत्र है, जो AI के अनुसंधान के प्रत्येक निष्कर्ष को स्रोत, कोड और प्रयोग रिकॉर्ड से जोड़ता है।
• एआई अनुसंधान प्रणाली की पुरानी समस्याएं बहुत गंभीर हैं: उद्धरण गढ़ना, असंभव अंक, और विधि विवरण और कोड में असंगति। आधार प्रणाली में भ्रामक उद्धरणों की दर अधिकतम 21% है, और अंकों की पुनर्उत्पादन क्षमता केवल 42% है।
• Science One का प्रदर्शन है: शून्य भ्रांति संदर्भ, सभी स्कोर सत्यापित, और विधि और कोड के बीच उच्चतम संगति। यह प्रकट किया गया है कि इसके द्वारा उत्पन्न 337 संदर्भ सभी वास्तविक हैं, 12 दोहराये जा सकने वाले प्रयोग सभी सही हैं, और 15 शोध पत्रों में से 14 के कोड के साथ संगति है।
• मुख्य डिज़ाइन "बाद में संदर्भ जोड़ना" के बजाय "उत्पादन के साथ-साथ साक्ष्य एकत्र करना" है। संदर्भ मॉडल की याददाश्त से नहीं, बल्कि Semantic Scholar API से वास्तविक खोज से आते हैं।
• अधिक महत्वपूर्ण बात यह है कि Science One ने "ईमानदारी" के लिए "क्षमता" का बलिदान नहीं किया है। इसने MLE-Bench पर 2 स्वर्ण और 2 रजत पदक जीते हैं और Parameter-Golf पर तब का सर्वोत्तम परिणाम प्राप्त किया है।
• इस बात का वास्तविक महत्व इस बात में नहीं है कि एक और AI पेपर लिख रहा है, बल्कि इस बात में है कि यह पहली बार "सत्यापनयोग्य" को आर्किटेक्चर की नींव के रूप में लेता है, न कि बाद में जोड़ा गया बचाव।

एक कठोर प्रश्न पूछते हैं: क्या आप AI द्वारा लिखित शोध पत्र पर विश्वास करेंगे?

इन दो वर्षों में, AI अनुसंधान प्रणाली में भयानक प्रगति हुई है।

यह शोध पत्र पढ़ सकता है। अनुमान लगा सकता है। प्रयोग चला सकता है। एक पूर्ण संरचित, व्यावसायिक शैली का शोध पत्र पूरी तरह से लिख सकता है। आप एक नज़र में देखें, तो कोई कमी नहीं दिखेगी।

लेकिन समस्या इस "एक नजर में" में छिपी है।

एक नजर देखने में कोई समस्या नहीं, लेकिन गहराई से खोदने पर?

Google Research ने इस बात की गहराई से जांच की। उन्होंने पांच प्रमुख स्वायत्त अनुसंधान प्रणालियों को निकाला, पांच सिस्टम ऑप्टिमाइजेशन कार्यों पर कुल 75 पेपर बनाए, और हर एक का पूछताछ किया: आपने जिस स्रोत का हवाला दिया है, क्या वह वास्तव में मौजूद है? आपने जो स्कोर दिया है, क्या कोड को फिर से रन करने पर वही स्कोर मिलता है? आप कहते हैं कि आपने किसी एल्गोरिथम का उपयोग किया है, क्या कोड में वास्तव में ऐसा लिखा है?

परिणाम अच्छा नहीं लग रहा है।

प्रत्येक बेसलाइन सिस्टम कम से कम एक व्यवस्थित त्रुटि करता है। हॉलूसिनेशन रेफरेंस दर 21% तक हो सकती है—यानी प्रत्येक पांच रेफरेंस में से एक ऐसे पेपर की ओर इशारा कर सकता है जो मौजूद नहीं है। स्कोर वेरिफिकेशन की पास रेट केवल 42% है। विधि और कोड की संगति 20% से 80% के बीच उतार-चढ़ाव करती है।

इस 42% को अच्छी तरह से समझें। आधे से अधिक पेपर्स में दिए गए परिणामों को कोड दोहराकर पुनः प्राप्त नहीं किया जा सकता।

This is not a small bug. This is a collapse of trust.

क्योंकि अनुसंधान का नींव तर्क "पुनर्निर्मणीयता" और "अनुसरणीयता" है। एक शोध पत्र का मूल्य इस बात पर नहीं होता कि यह कितना आसानी से पढ़ा जा सकता है, बल्कि इस बात पर होता है कि क्या कोई अन्य व्यक्ति इसके संदर्भों, कोड और डेटा के माध्यम से आगे बढ़कर यह सत्यापित कर सकता है कि यह झूठ नहीं बोल रहा है। AI ने शोध पत्र की "पृष्ठीय गुणवत्ता" को बढ़ाया है, लेकिन सबसे नींव के स्तंभ को हटा दिया है।

जितना बाहरी रूप से चमकदार होता है, उतना ही छिपा हुआ समस्या होती है। यही सबसे खतरनाक बात है।

गूगल का उत्तर: विश्वास पर नहीं, श्रृंखला पर

साइंस वन का विचार, सरल शब्दों में कहें तो, बहुत साधारण है।

चूंकि आप AI पर अपने आप सच्चाई बरतने की उम्मीद नहीं कर सकते, इसलिए इसे जंजीरों से बांध दें।

यह श्रृंखला, "साक्ष्य श्रृंखला" (Chain-of-Evidence) है।

गूगल ने इसकी एक बहुत सटीक तुलना की: डेटाबेस के क्षेत्र में एक अवधारणा है जिसे ACID कहते हैं, यह आपके डेटाबेस को कैसे बनाया गया है, इससे कोई फर्क नहीं पड़ता, बस यह निर्धारित करता है कि एक लेन-देन को "विश्वसनीय" होने के लिए किन गुणों को पूरा करना होगा। एविडेंस चेन भी ऐसी ही है। यह आपके एक वैज्ञानिक एजेंट को कैसे बनाना है, इसे निर्धारित नहीं करती, बल्कि यह कहती है: आपके द्वारा उत्पादित हर चीज़, जिसे आप विश्वास करना चाहते हैं, उसे क्या पूरा करना होगा।

One principle, two halves.

पहला अर्धभाग पूर्णता कहलाता है: कागजात में प्रत्येक दावा—चाहे वह एक संदर्भ हो, एक संख्या हो, एक विधि वर्णन हो, या एक निष्कर्ष हो—सभी को एक दस्तावेजीकृत साक्ष्य श्रृंखला से जोड़ा जाना चाहिए।

Second half called correctness: This chain must truly support the phrase it's挂着.

बस इतना है कि आप जो भी कहते हैं, उसका स्रोत होना चाहिए; और यह स्रोत वास्तव में आपके इस कथन को साबित कर सके।

लेकिन इसे कैसे लागू किया जाए? कुंजी समय है।

वर्तमान प्रणाली कैसे काम करती है? सबसे पहले लंबा-लंबा शोध पत्र लिख देते हैं, फिर वापस जाकर संदर्भ और साक्ष्य भर देते हैं। यह उसी तरह है जैसे पहले कहानी बना दें और फिर उसे सिद्ध करने के लिए साक्ष्य ढूंढें। जहां साक्ष्य न मिलें, वहां बस झूठ बुन देते हैं। यही भ्रामक संदर्भों का मूल कारण है।

Science One उल्टा काम करता है। यह "इस वाक्य को बनाने के क्षण" में ही साक्ष्य श्रृंखला तैयार कर देता है। दावे और साक्ष्य एक साथ उगते हैं, बाद में सिले नहीं जाते।

इस क्रम का बदलना, पूरी बात की आत्मा है।

अलग-अलग देखें: तीन मॉड्यूल, प्रत्येक एक झूठ का एक हिस्सा संभालता है

Science One की आर्किटेक्चर तीन भागों में विभाजित है, जिनमें से प्रत्येक एक झूठ बोलने की संभावना को सटीक रूप से रोकता है।

पहला ब्लॉक, समस्या जांचकर्ता, उद्धरण झूठ का प्रबंधन करता है।

यह मॉडल की "याददाश्त" के आधार पर संदर्भ प्रस्तुत नहीं करता। मॉडल की याददाश्त भ्रम का अड्डा है—यह एक ऐसी पेपर को "याद" करता है जो वास्तव में मौजूद नहीं है। Science One सीधे Semantic Scholar API से जुड़ता है, ताकि एक वास्तविक संदर्भ नेटवर्क बनाया जा सके, जिसमें प्रत्येक विषय के लिए अधिकतम 100 पूर्ण पाठ PDF पढ़े जाते हैं और एक संरचित शोध सारांश तैयार किया जाता है। अंतिम पेपर में प्रत्येक संदर्भ इस वास्तविक API खोज से आता है, जिससे मॉडल की याददाश्त पर निर्भरता पूरी तरह से कट जाती है।

संदर्भ नहीं "सोचे" जाते, बल्कि "खोजे" जाते हैं। इस कट के साथ, भ्रामक संदर्भों की जड़ काट दी गई है।

दूसरा ब्लॉक, एंजिन डिस्कवरी, प्रयोग रिकॉर्ड झूठ बोलने का प्रबंधन करता है।

यह एक समानांतर "खोज—उपयोग" रणनीति का उपयोग करता है, जिसमें एक से अधिक शाखाओं पर एक साथ समाधान का प्रयास किया जाता है। प्रत्येक चक्र में, एक सॉल्वर समाधान को लागू करता है, और एक विशेष मूल्यांकनकर्ता इसे स्कोर देता है। अच्छा प्रदर्शन करने वाली शाखाओं को बार-बार सुधारा जाता है, और सभी मूल मूल्यांकन आउटपुट को एक कठोर, केवल-पढ़ने योग्य रिकॉर्ड में शामिल किया जाता है।

पढ़ने के लिए केवल। ये दो शब्द महत्वपूर्ण हैं। जैसे ही मूल अंक दर्ज हो जाते हैं, उन्हें बदला नहीं जा सकता। बाद में अपनी थीसिस के लिए बेहतर अंक चाहिए? क्षमा करें, लेजर यहाँ है, इसे बदला नहीं जा सकता।

तीसरा खंड, पेपर लेखक और घोषणा सत्यापनकर्ता, जो विधि और कोड में असंगति का प्रबंधन करता है।

असली पेपर को रेंडर करने से पहले, यह प्रत्येक तथ्यात्मक दावे को संरचित करता है, प्रत्येक वाक्य को एक इनलाइन साक्ष्य लेबल से चिह्नित करता है, जो कार्यस्थल में किसी विशिष्ट उत्पाद से जुड़ा होता है। फिर एक विशेष जांचकर्ता, प्रत्येक दावे को उसके दावे के स्रोत के साथ तुलना करता है।

अगर मेल नहीं खाता तो क्या करें? यहाँ एक बहुत ही बुद्धिमानी भरा बिंदु है। यह सिर्फ इसे हटाने का नहीं, बल्कि "वापस खींचने" का है—बात को थोड़ा संयमित बनाएं, ताकि यह साक्ष्य के समर्थन की सीमा में वापस आ जाए। साक्ष्य कितना समर्थन करता है, उतना ही कहें।

न फूलें, न ही बर्बाद करें। यह संतुलन, एक जैसा निर्णय से अधिक उन्नत है।

Transcript: The cost of honesty, are you getting dumber?

यहाँ तक, एक तीखा प्रश्न उठना चाहिए।

AI को इतनी सारी चेन लगाकर, जिससे यह हर वाक्य के लिए सबूत ढूंढने के लिए डरता रहे, क्या यह बड़े पैमाने पर अन्वेषण नहीं कर पाएगा? क्या "ईमानदारी" के लिए "कुशलता" का बलिदान किया जा रहा है?

यह चिंता बहुत तर्कसंगत है। यह सभी "सुरक्षा" और "क्षमता" का एक पारंपरिक विरोधाभास है।

Science One का उत्तर है: नहीं।

सबसे पहले ईमानदारी के स्तंभ को देखें। एक ही ऑडिट प्रोटोकॉल के तहत—जिसे Google CoE Audit कहता है, एक फॉरेंसिक की तरह स्वचालित समीक्षा उपकरण—प्रत्येक संदर्भ को वास्तविक सामयिक शैक्षणिक डेटाबेस के साथ पुनः जांचा जाता है—Science One चारों पूर्णता जांचों में अग्रणी है। इसके संदर्भों में कोई भ्रम नहीं है, प्रत्येक संदर्भ एक वास्तविक, खोजने योग्य शोध पत्र की ओर इशारा करता है; स्कोर प्रमाणीकरण पूर्णतः सटीक है; और विधि और कोड की संगति सबसे अधिक है। प्रकाशित डेटा के अनुसार, इसने 337 संदर्भों को पूरी तरह से वास्तविक बनाया है, 12 पुनर्निर्मित प्रयोगों के परिणाम सभी सही हैं, और 15 शोध पत्रों में से 14 के कोड सामग्री के साथ संगत हैं।

बेसलाइन में उन "हाइब्रिड न्यूरो-सिम्बोलिक सॉल्वर्स" जैसे शानदार नामों की तुलना करें—ये नाम शानदार लगते हैं, लेकिन कोड खोलकर देखें, तो ये सिर्फ एक साधारण निर्धारित ह्यूरिस्टिक नियम हैं। नाम लोगों के लिए होते हैं, कोड ही सच होता है।

अब क्षमता वाले स्तंभ को देखें।

ADRS बेंचमार्क पर पांच कार्यों में से, Science One ने मानव विशेषज्ञों के स्तर को बराबर किया या उसे पार किया, जिनमें से दो (Cloudcast और EPLB) सभी प्रणालियों में सर्वश्रेष्ठ परिणाम प्राप्त किए।

इस चक्र के बाहर, यह और भी कठिन बाहरी कार्यों की चुनौती लेता है। MLE-Bench में पांच कठिन Kaggle प्रतियोगिताओं में, जो चिकित्सा छवि, सूक्ष्म-स्तरीय पहचान और 3D अनुभव को कवर करती हैं, इसने 2 स्वर्ण पदक और 2 रजत पदक हासिल किए—जिनमें से 3D वस्तु निर्धारण की प्रतियोगिता में, अन्य प्रणालियाँ पूरी तरह से असफल रहीं, जबकि इसने चैम्पियनशिप स्तर का स्कोर प्राप्त किया। Parameter-Golf नामक इस प्रतियोगिता में, जहाँ हार्डवेयर और फ़ाइल आकार कठोरता से सीमित हैं, अन्य प्रणालियाँ कोई भी मान्य प्रस्तुति प्रस्तुत नहीं कर पाईं, जबकि यह सभी सीमाओं का पालन करते हुए 27 अप्रैल, 2026 तक का सर्वश्रेष्ठ परिणाम प्राप्त करता है। और यह केवल हाइपरपैरामीटर ट्यूनिंग से नहीं, बल्कि वास्तविक रूप से नवीन एल्गोरिदमिक तकनीकों की खोज से हासिल किया गया है।

तो उत्तर स्पष्ट है: ईमानदारी, इसे मूर्ख न बनाएं।

यही तो मेरे लिए सबसे महत्वपूर्ण बात है। अगर Science One केवल "संकुचित" होकर ही साफ़ है, तो इसकी कोई कीमत नहीं है—क्योंकि कोई भी एक मंद और ईमानदार शोध उपकरण का उपयोग नहीं करेगा। लेकिन यह साबित करता है कि सत्यापन और उच्च प्रदर्शन एक साथ प्राप्त किए जा सकते हैं। इससे "ईमानदारी को कठोर प्रतिबंध के रूप में लेना" केवल एक नैतिक आह्वान से बदलकर इंजीनियरिंग के दृष्टिकोण से लाभदायक विकल्प बन गया है।

मेरा निर्णय: यह महत्वपूर्ण है, लेकिन इसे अभी देवता न बनाएं

इतनी बड़ी तारीफ के बाद, दो पानी के बाल्टी ठंडा पानी डालना जरूरी है।

पहला बिंदु: Google स्वयं अंत में स्पष्ट रूप से लिखता है कि Science One एक प्रयोगात्मक अनुसंधान प्रोटोटाइप है, जो सीधे उत्पादन में उपयोग के लिए एक उपकरण नहीं है।

यह निर्धारित सीमा है, न कि विनम्रता। यह पांच कार्यों को संभालता है, जो "स्पष्ट मूल्यांकनकर्ता वाले, जिन्हें स्वचालित रूप से स्कोर दिया जा सकता है" जैसे क्षेत्र हैं। दूसरे शब्दों में, अच्छा या बुरा मशीन द्वारा वस्तुनिष्ठ रूप से निर्धारित किया जा सकता है। लेकिन वास्तविक अग्रणी शोध क्या है? कई परिकल्पनाओं का मूल्य, कई निष्कर्षों का महत्व, अल्पकाल में किसी भी मूल्यांकनकर्ता द्वारा स्कोर नहीं किया जा सकता। साक्ष्य श्रृंखला "झूठे संदर्भ" को रोक सकती है, लेकिन "एक साधारण समस्या का चयन" को नहीं। यह ईमानदारी को नियंत्रित करता है, लेकिन स्वाद को नहीं।

दूसरा बिंदु: साक्ष्य श्रृंखला की खुद में लागत होती है। प्रत्येक विषय पर 100 पीडीएफ पढ़ना, प्रत्येक वाक्य के लिए साक्ष्य बनाना, टैग जोड़ना और फिर से जांचना—यह प्रक्रिया सस्ती नहीं है। यह सच्चाई की तलाश में कैलकुलेशन क्षमता और समय का उपयोग करती है। इसे स्केल करते समय इस खर्च का आकलन कैसे किया जाए, अभी तक कोई उत्तर नहीं है।

लेकिन इन दोनों पानी के बर्तन को खत्म करने के बाद भी, मुझे लगता है कि यह एक अल्पमूल्यांकित बात है।

क्यों?

क्योंकि इसने प्रश्न पूछने का तरीका बदल दिया है।

पिछले दो वर्षों में, सभी लोग पूछ रहे थे: क्या AI अनुसंधान कर सकता है? यह कितना मजबूत हो सकता है? लोग इस बात की तुलना कर रहे थे कि कौन अधिक समस्याएँ हल कर सकता है, कौन अधिक स्कोर प्राप्त करता है। Science One द्वारा उठाया गया प्रश्न एक अलग आयाम का है: AI द्वारा किया गया अनुसंधान, क्या विश्वसनीय हो सकता है?

These two questions are not on the same track.

जब और अधिक प्रणालियाँ सुंदर समाधान देने लगेंगी, तो समाधान क्षमता अंतर नहीं रह जाएगी। उस समय, वास्तविक अंतर यह होगा कि उनके आउटपुट पर भरोसा किया जा सकता है या नहीं। Google ने "सत्यापनयोग्यता" को "प्रथम श्रेणी का नागरिक" बना दिया है, और कहा है कि इसे एक आर्किटेक्चरल प्रतिबंध होना चाहिए, न कि बाद में किया गया उपाय—मुझे लगता है कि यह निर्णय सही है, और यह समय पर आया है।

क्योंकि विश्वास को इकट्ठा करना धीमा होता है, लेकिन गिरना तेज़ी से होता है। यदि AI शोध शुरुआती चरण में ही ऐसे कई ऐसे लेखों के माध्यम से पूरे शैक्षणिक समुदाय के विश्वास का उपयोग करता है, जो बाहर से चमकदार लगते हैं लेकिन वास्तव में भरमार से भरे हुए हैं, तो बाद में इसे वापस पाने की कीमत असहनीय होगी। Science One विश्वास के गिरने से पहले ही, नींव में लगी इस्पात की छड़ों को मजबूत करने का काम कर रहा है।

अंत

शुरुआती सवाल पर वापसी: क्या आप विश्वास करेंगे कि AI ने शोध पत्र लिखा है?

Science One से पहले, ईमानदार जवाब है—कम से कम। जितना अच्छा लिखा गया है, उतना अधिक सावधान रहें।

Science One ने AI को अधिक बुद्धिमान नहीं बनाया। इसने एक अलग, अधिक साधारण और अधिक कठिन काम किया: इसने AI को अपनी हर बात के लिए जांचने योग्य सबूत छोड़ना सिखाया।

बहुत सारे बुद्धिमान AI पहले से ही काफी हैं।

अपने लिए जिम्मेदारी लेने वाला AI अभी शुरू हुआ है।

यह कदम छोटा है, यह एक प्रोटोटाइप है, और अभी भी कई समस्याएँ अनसुलझी हैं। लेकिन दिशा सही है। कभी-कभी, किसी चीज का वास्तविक महत्व इस बात में नहीं होता कि यह अभी कितनी तेज़ चल रही है, बल्कि यह इस बात में होता है कि यह किस जगह पर मापदंड स्थापित कर रही है।

साइंस वन ने मापदंड को "ऐसा लिखा गया है या नहीं" से "जांच के लिए टिकता है या नहीं" पर ले आया है।

यह एक छोटा सा बदलाव, मूल्यवान है।

संदर्भ सामग्री

1. Google शोध ब्लॉग।《Science One फ्रेमवर्क: चेन-ऑफ-इविडेंस के माध्यम से एक सत्यापनीय स्वायत्त शोध फ्रेमवर्क》, 30 जुलाई, 2026।
2. Google Cloud AI शोध। arXiv:2605.26340《Science One Framework / Chain-of-Evidence》पेपर।
3. AlphaSignal.《Google का Science One फ्रेमवर्क AI शोध के झूठे संदर्भ संकट को सुधारता है》, 2026 जुलाई।
4. Zhiding Network. "Science One Framework: A Verifiable Autonomous Scientific Research System Based on Evidence Chains," July 31, 2026.
5. Sakana AI. arXiv:2504.08066《The AI Scientist v2》(बेसलाइन के साथ तुलना)।
6. OpenAI. GitHub प्रोजेक्ट "Parameter-Golf" बेंचमार्क।
7. arXiv:2410.07095 MLE-Bench बेंचमार्क पेपर।
8. arXiv:2510.06189 ऑटोमेटेड डिज़ाइन ऑफ रिसर्च सिस्टम्स (ADRS) बेंचमार्क।