AI for Scientific Discovery is a Social Problem
यह शोध पत्र तर्क देता है कि वैज्ञानिक खोज में एआई (AI) का असमान प्रभाव मुख्य रूप से तकनीकी सीमाओं के बजाय सामाजिक और संस्थागत बाधाओं से उपजा है, जिसके लिए सामूहिक सामाजिक परियोजनाओं की ओर बढ़ने की आवश्यकता है जो न्यायसंगत सहयोग, अंतःविषय शिक्षा और साझा बुनियादी ढांचे को प्राथमिकता देती हों।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
वैज्ञानिक खोज की दुनिया की कल्पना एक विशाल, वैश्विक निर्माण स्थल (construction site) के रूप में करें। दशकों से, वैज्ञानिक ब्लूप्रिंट, हथौड़ों और कड़ी मेहनत का उपयोग करके पुल बना रहे हैं, बीमारियों का इलाज कर रहे हैं और ब्रह्मांड को समझ रहे हैं। अब, एक नया उपकरण आया है: आर्टिफिशियल इंटेलिजेंस (AI)। यह एक सुपर-पावर्ड रोबोट की तरह है जो एक सेकंड में लाखों किताबें पढ़ सकता है और यह अनुमान लगा सकता है कि सामग्रियां कैसे व्यवहार करेंगी।
जिस शोध पत्र (paper) के बारे में आप पूछ रहे हैं, वह तर्क देता है कि हालांकि यह रोबोट अद्भुत है, लेकिन हम इसका उपयोग एक ऐसे तरीके से करने की कोशिश कर रहे हैं जो त्रुटिपूर्ण है। हम AI को एक "जादुई छड़ी" के रूप में मान रहे हैं जो अपने आप सब कुछ हल कर देगी, लेकिन वास्तव में, निर्माण स्थल अव्यवस्थित है, कार्यकर्ता एक ही भाषा नहीं बोलते हैं, और रोबोट एक कोने में फंसा हुआ है क्योंकि किसी ने उसे सही निर्देश या सही सामग्री नहीं दी है।
यहाँ उस शोध पत्र का मुख्य संदेश है, जिसे चार सरल समस्याओं और चार समाधानों में विभाजित किया गया है, रोजमर्रा के उपमाओं (analogies) का उपयोग करते हुए।
बड़ी समस्या: हम गलत चीज़ पर ध्यान केंद्रित कर रहे हैं
यह पेपर कहता है कि हम एक "स्वायत्त AI वैज्ञानिक" (Autonomous AI Scientist) के विचार के प्रति जुनूनी हैं।
- उपमा: एक ऐसी फिल्म की कल्पना करें जहाँ एक रोबोट अकेले एक कमरे में बैठता है, लाइब्रेरी की हर किताब पढ़ता है, और अचानक बिना किसी मानव डॉक्टर से बात किए या लैब में कदम रखे, कैंसर का इलाज खोज लेता है।
- वास्तविकता: विज्ञान इस तरह से काम नहीं करता है। वास्तविक विज्ञान एक टीम वर्क है। इसके लिए अव्यवस्थित प्रयोगों, विफल परीक्षणों और मानवीय अंतर्ज्ञान की आवश्यकता होती है। यह मानकर कि AI यह सब अकेले कर सकता है, हम वास्तविक काम की अनदेखी कर रहे हैं: डेटा को साफ करना, लैब बनाना और परिणामों की जांच करना। हम रोबोट की प्रशंसा मेनू पढ़ने के लिए कर रहे हैं, जबकि उन रसोइयों (chefs) को भूल रहे हैं जो वास्तव में भोजन पकाते हैं।
चार बड़ी बाधाएं (क्यों रोबोट फंसा हुआ है)
1. "अकेला जीनियस" का मिथक बनाम टीम
- समस्या: हमें "जीनियस" व्यक्तियों या अकेले काम करने वाले AI की कहानियाँ पसंद हैं। यह हमें उन हजारों लोगों को भूलने पर मजबूर कर देता है जो वास्तव में महत्वपूर्ण लेकिन उबाऊ काम करते हैं: डेटा व्यवस्थित करना, कंप्यूटर ठीक करना और प्रयोग चलाना।
- उपमा: एक ब्लॉकबस्टर फिल्म के लिए पूरी क्रेडिट एक सुपरस्टार को मिलते हुए देखें, जबकि लाइटिंग क्रू, पटकथा लेखक और कैटरर्स को कोई उल्लेख नहीं मिलता। विज्ञान में, यदि हम केवल AI मॉडल का जश्न मनाते हैं, तो हम उन लोगों को भुगतान करना और सम्मान देना बंद कर देते हैं जिन्होंने डेटासेट और बुनियादी ढांचा बनाया है। उनके बिना, AI केवल एक फैंसी कैलकुलेटर है जिसके पास गणना करने के लिए कुछ भी नहीं है।
2. "गलत लक्ष्य" की समस्या
- समस्या: वैज्ञानिक और AI शोधकर्ता अलग-अलग खेल खेल रहे हैं। AI शोधकर्ता "अगले शब्द की भविष्यवाणी करने" या "एक टेस्ट पर उच्चतम स्कोर प्राप्त करने" में जीतना चाहते हैं। वैज्ञानिक यह समझना चाहते हैं कि क्यों कुछ होता है (अर्थात "तंत्र" या mechanism)।
- उपमा: एक GPS ऐप की कल्पना करें जो आपको गंतव्य तक पहुँचने का सटीक रास्ता तो बताता है (भविष्यवाणी/Prediction) लेकिन यह नहीं बताता कि सड़क क्यों अवरुद्ध है या ट्रैफिक सिस्टम कैसे काम करता है (समझ/Understanding)।
- एक AI आपको बता सकता है, "यह दवा काम करेगी," लेकिन यदि यह नहीं समझा सकता कि यह क्यों काम करती है, तो एक असली डॉक्टर इस पर भरोसा नहीं कर पाएगा या इसमें सुधार नहीं कर पाएगा।
- पेपर कहता है कि हमें ऐसा AI चाहिए जो केवल उत्तर का अनुमान न लगाए, बल्कि उत्तर के पीछे के तर्क को समझने में हमारी मदद करे।
3. "बेबेल का टॉवर" डेटा समस्या (भाषा और प्रारूप की समस्या)
- समस्या: विज्ञान का डेटा हर जगह है, लेकिन यह सभी अलग-अलग भाषाओं और प्रारूपों में है। एक लैब डेटा को स्प्रेडशीट में सहेजती है; दूसरी इसे एक अजीब कोड में सहेजती है; तीसरी इसे एक निजी तिजोरी में बंद रखती है।
- उपमा: एक विशाल लेगो (Lego) महल बनाने की कल्पना करें, लेकिन कमरे में मौजूद हर व्यक्ति के पास लेगो का अलग बॉक्स है। किसी के पास लाल ईंटें हैं, किसी के पास नीली, कुछ के पास ऐसे टुकड़े हैं जो फिट नहीं होते, और कुछ अपने टुकड़े जेब में छिपा रहे हैं।
- क्योंकि डेटा मानकीकृत (standardized) नहीं है, AI मॉडल दुनिया के पूरे ज्ञान से सीख नहीं सकते। उन्हें जानकारी के छोटे, अलग-थलग द्वीपों से सीखने के लिए मजबूर किया जाता है, जो उन्हें कमजोर और गलत बनाता है।
4. "अमीर बनाम गरीब" कंप्यूटर समस्या
- समस्या: इन सुपर-स्मार्ट AI मॉडलों को प्रशिक्षित करने के लिए, आपको विशाल, महंगे कंप्यूटरों की आवश्यकता होती है। केवल अमीर विश्वविद्यालयों और बड़ी तकनीकी कंपनियों के पास ही वे होते हैं।
- उपमा: एक वैश्विक शतरंज टूर्नामेंट की कल्पना करें जहाँ अमीर खिलाड़ियों को सुपर-फास्ट कंप्यूटर मिलते हैं और गरीब खिलाड़ियों को पेंसिल और कागज से खेलना पड़ता है। अमीर खिलाड़ी हमेशा जीतेंगे, इसलिए नहीं कि वे अधिक बुद्धिमान हैं, बल्कि इसलिए क्योंकि उनके पास बेहतर उपकरण हैं।
- इसका मतलब है कि विज्ञान के लिए AI अमीरों का एक क्लब बनता जा रहा है, जिससे विकासशील देशों या छोटे कॉलेजों के प्रतिभाशाली वैज्ञानिक हाशिए पर चले जाते हैं।
चार समाधान (निर्माण स्थल को कैसे ठीक करें)
1. सबको एक ही भाषा बोलना सिखाएं
- समाधान: हमें वैज्ञानिकों को AI समझने के लिए और AI विशेषज्ञों को विज्ञान समझने के लिए प्रशिक्षित करने की आवश्यकता है।
- उपमा: शेफ और आर्किटेक्ट के बीच अनुवादक खड़ा करने के बजाय, हमें शेफ को ब्लूप्रिंट पढ़ना और आर्किटेक्ट को खाना बनाना समझने के लिए प्रशिक्षित करने की आवश्यकता है। हमें ऐसे "हाइब्रिड" विशेषज्ञों की आवश्यकता है जो अंतर को पाट सकें ताकि वे वास्तव में एक-दूसरे से बात कर सकें।
2. बेहतर "प्रशिक्षण मैदान" (Benchmarks) बनाएं
- समाधान: हजारों छोटे, अलग-अलग प्रतियोगिताओं के बजाय, समुदाय को मिलकर हल करने के लिए कुछ बड़े, कठिन समस्याओं पर सहमत होना चाहिए।
- उपमा: पेपर में उल्लेखित CASP प्रतियोगिता के बारे में सोचें। यह प्रोटीन फोल्डिंग के लिए एक वैश्विक "ओलंपिक्स" की तरह था। सभी नियमों और लक्ष्य पर सहमत हुए। क्योंकि वे सभी एक ही कठिन समस्या पर ध्यान केंद्रित कर रहे थे, उन्होंने बड़ी छलांग लगाई (जैसे AlphaFold)। हमें ऐसे और अधिक "ग्रैंड चैलेंज" की आवश्यकता है जहाँ सभी लोग सबसे कठिन 'अपस्ट्रीम' समस्याओं पर मिलकर काम करें, न कि केवल छोटी, आसान कार्यों पर।
3. "लेगो ब्रिक्स" (डेटा) को मानकीकृत करें
- समाधान: हमें डेटा के लिए सरल, खुले प्रारूपों (formats) पर सहमत होने की आवश्यकता है ताकि हर कोई इसे आसानी से साझा और पुन: उपयोग कर सके।
- उपमा: हमें कस्टम लेगो ब्रिक्स बनाना बंद करना होगा और यह सहमति बनानी होगी कि सभी ब्रिक्स एक साथ फिट होने चाहिए। यदि ब्राजील का एक वैज्ञानिक एक डेटासेट अपलोड करता है, तो जापान के एक वैज्ञानिक को उसे तुरंत डाउनलोड करने और उपयोग करने में सक्षम होना चाहिए, बिना महीनों अनुवाद में बिताए। पेपर सुझाव देता है कि जटिल, फैंसी प्रारूपों के बजाय सरल प्रारूप (जैसे मानक स्प्रेडशीट) बेहतर हैं जिन्हें कोई भी उपयोग कर सके।
4. उपकरणों को साझा करें (बुनियादी ढांचा)
- समाधान: हमें साझा, समुदाय के स्वामित्व वाले कंप्यूटर और डेटा केंद्र बनाने की आवश्यकता है, न कि केवल बड़ी तकनीकी कंपनियों को उन्हें रखने देने की।
- उपमा: हर परिवार अपना खुद का महंगा जनरेटर खरीदने के बजाय, हमें एक साझा पावर ग्रिड बनाना चाहिए जिसमें हर कोई प्लग कर सके। Hugging Face जैसे प्रोजेक्ट्स (जहाँ लेखक काम करते हैं) AI के लिए इसी तरह के "साझा पावर ग्रिड" के रूप में काम करने की कोशिश कर रहे हैं, जो मॉडलों और डेटा तक मुफ्त पहुंच प्रदान करते हैं ताकि एक छोटे लैब का वैज्ञानिक भी एक विशाल निगम के वैज्ञानिक के समान कार्य कर सके।
निष्कर्ष
पेपर का निष्कर्ष है कि विज्ञान के लिए AI केवल एक तकनीकी समस्या नहीं है; यह एक सामाजिक समस्या है।
आप केवल बेहतर कोड लिखकर विज्ञान को बदलने की उम्मीद नहीं कर सकते। आपको यह बदलना होगा कि हम मिलकर कैसे काम करते हैं। हमें AI को एक "जादुई रोबोट" के रूप में मानना बंद करना होगा जो मनुष्यों की जगह लेता है, और इसे एक टीम टूल के रूप में मानना शुरू करना होगा जिसके लिए निम्नलिखित की आवश्यकता है:
- डेटा का काम करने वाले लोगों के लिए उचित भुगतान।
- जानकारी को स्टोर करने के लिए साझा नियम।
- केवल अमीरों के लिए नहीं, बल्कि सभी के लिए सुलभ उपकरण।
- केवल भविष्यवाणी करने के बजाय, दुनिया को समझने पर ध्यान केंद्रित करना।
यदि हम इन सामाजिक मुद्दों को ठीक कर देते हैं, तो AI रोबोट के पास अंततः सही सामग्री, सही निर्देश और एक सही टीम होगी जो हमें एक बेहतर भविष्य बनाने में मदद करने के लिए तैयार होगी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।