गूगल शोध दर्शाता है कि एआई एजेंट समानता निष्कर्षण के माध्यम से सहयोग कर सकते हैं

दशकों से, खेल सिद्धांत के पास इस प्रश्न का काफी मजबूत उत्तर रहा है कि जब दो अजनबी एक-दूसरे को फिर कभी नहीं मिलेंगे, तो क्या उन्हें सहयोग करना चाहिए: बिल्कुल नहीं। नैश संतुलन के अनुसार, तर्कसंगत खेल है—हमेशा विचलित होना। हर बार। कोई अपवाद नहीं।

गूगल डीपमाइंड, मिला-क्वेबेक एआई संस्थान और ईटीएच ज्यूरिख से एक नया शोध पत्र तर्क देता है कि आधार मॉडल पर बनाए गए एआई एजेंट उन नियमों का पालन नहीं करते हैं। और उनके पास इसका गणितीय समर्थन भी है।

पत्र, जिसे 4 अगस्त, 2026 को arXiv पर जमा किया गया, 75 पृष्ठों और 11 चित्रों को शामिल करता है और लेखकों द्वारा "समानता निष्कर्ष" नामक एक अवधारणा पेश करता है। मूल विचार भ्रमकारी रूप से सरल है: समान प्रशिक्षण प्रक्रियाओं से बनाए गए AI एजेंट समानता को पहचान सकते हैं और इसका उपयोग यह भविष्यवाणी करने के लिए कर सकते हैं कि दूसरा एजेंट क्या करेगा।

क्लासिकल गेम थ्योरी प्रत्येक खिलाड़ी को एक पूर्णतः स्वतंत्र निर्णय लेने वाले के रूप में मानती है, जिसे कागज़ “डिकपल्ड एजेंसी” कहता है। इस मान्यता के अंतर्गत, आपके प्रतिद्वंद्वी का चयन एक ब्लैक बॉक्स होता है। आप इसकी भविष्यवाणी नहीं कर सकते, इसलिए आप दोषी होने से बचने के लिए दोषी हो जाते हैं। नैश संतुलन बना रहता है, और सभी को ऐसा होता है जैसे वे सहयोग करते।

एलेक्जेंडर मूलमैन्स के नेतृत्व में शोध टीम एक वैकल्पिक ढांचा "एम्बेडेड एजेंसी" का प्रस्ताव देती है। इस मॉडल में, एजेंट्स अपने आप को अपने परिवेश का हिस्सा मानते हैं, न कि इससे अलग। सबसे महत्वपूर्ण बात यह है कि वे अपनी निर्णय लेने की प्रक्रियाओं के बारे में वास्तविक अनिश्चितता बनाए रखते हैं।

वह अनिश्चितता मुख्य घटक है। क्योंकि एजेंट पूरी तरह से यकीन नहीं करता कि वह कैसे निर्णय लेगा, वह अपने अपने तर्क को एक समान एजेंट के तर्क के बारे में साक्ष्य के रूप में मान सकता है। यदि मैं सहयोग की ओर झुक रहा हूँ, और मुझे पता है कि मेरा सामने वाला मेरी तरह सोचता है, तो मेरा सामने वाला भी संभवतः सहयोग की ओर झुक रहा है। तर्क स्वयं को एक स्थिर सहयोगात्मक परिणाम में आत्मनिर्भर बना लेता है।

इसे औपचारिक रूप देने के लिए, पेपर एक नया समाधान अवधारणा "एम्बेडेड इक्विलिब्रियम" पेश करता है। जहां नैश इक्विलिब्रियम यह मानता है कि खिलाड़ी स्वतंत्र रूप से अनुकूलित करते हैं, वहीं एम्बेडेड इक्विलिब्रियम साझा आर्किटेक्चर, प्रशिक्षण डेटा और अनुकूलन प्रक्रियाओं से उत्पन्न होने वाले एजेंटों के बीच सहसंबंधों को ध्यान में रखता है।

नैश के अंतर्गत, एक-बार के कैदी का दुविधा में सहयोग अतर्कसंगत है। एम्बेडेड संतुलन के अंतर्गत, यह एकमात्र तर्कसंगत रणनीति हो सकती है।

लेखकों के आंकड़े से पता चलता है कि सामाजिक दुविधाओं में रखे गए फाउंडेशन-मॉडल एजेंट्स, जिन्हें अनुकूलित योजना उपकरण दिए गए, वास्तव में सहयोगी परिणामों की ओर अग्रसर हो जाते हैं। गणित सहयोग की भविष्यवाणी करता है, और प्रयोग इसे सत्यापित करते हैं।

पत्र यह भी प्रश्न उठाता है कि जब एजेंट समान नहीं होते हैं, तो क्या होता है। यदि सहयोग समानता निष्कर्षण पर निर्भर करता है, तो विभिन्न आर्किटेक्चर पर बनाए गए या विभिन्न डेटा पर प्रशिक्षित एजेंटों के बीच बातचीत पारंपरिक असहयोग गतिशीलता पर वापस चली जा सकती है।

नीति निर्माताओं और एआई शासन निकायों के लिए, एम्बेडेड संतुलन अवधारणा एक ऐसा चर पेश करती है जिसे मौजूदा नियामक ढांचे ध्यान में नहीं लेते। उदाहरण के लिए, प्रतिस्पर्धा कानून सामान्यतः सहसंयोजन स्थापित करने के लिए स्पष्ट संचार के प्रमाण की आवश्यकता होती है। समानता निष्कर्षण के माध्यम से सहयोग करने वाले एजेंट कुछ भी संचारित नहीं करते। वे केवल समान तरीके से सोचते हैं।