Mini Amusement Parks (MAPs): A Testbed for Modelling Business Decisions
यह शोध पत्र मिनी एम्यूजमेंट पार्क्स (MAPs) को प्रस्तुत करता है, जो एक नवीन एम्यूजमेंट-पार्क सिम्युलेटर है जिसे जटिल, वास्तविक दुनिया के व्यावसायिक निर्णय लेने वाले कार्यों पर AI एजेंटों को समग्र रूप से बेंचमार्क करने के लिए डिज़ाइन किया गया है, जो यह प्रकट करता है कि वर्तमान अत्याधुनिक LLMs लॉन्ग-होरिज़न ऑप्टिमाइज़ेशन, सैंपल-एफिशिएंट लर्निंग, स्थानिक तर्क और वर्ल्ड मॉडलिंग में मानव बेसलाइन की तुलना में काफी कम प्रदर्शन करते हैं।
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
कल्पना कीजिए कि आपको दुनिया के सबसे अराजक, अप्रत्याशित और लाभदायक मनोरंजन पार्क (amusement park) की चाबियाँ सौंपी गई हैं। आपका काम क्या है? मैनेजर बनना। आपको तय करना होगा कि रोलर कोस्टर कहाँ रखने हैं, कितने आइसक्रीम स्टॉल खोलने हैं, सफाईकर्मी को कब काम पर रखना है, और क्या आपको अपना पैसा एक नई, बेहद महंगी राइड पर रिसर्च करने में खर्च करना चाहिए या नहीं। लेकिन यहाँ एक पेंच है: मेहमान मूडी हैं, राइड्स अचानक खराब हो जाती हैं, और अगर आपने कोई गलत कदम उठाया, तो दोपहर से पहले ही आपका पार्क दिवालिया हो सकता है।
यह मिनी एम्यूजमेंट पार्क्स (MAPS) की दुनिया है, जो शोधकर्ताओं द्वारा बनाया गया एक नया, वीडियो गेम जैसा सिम्युलेटर है, जिसका उद्देश्य यह परीक्षण करना है कि आर्टिफिशियल इंटेलिजेंस (AI) कितनी अच्छी तरह एक वास्तविक व्यवसाय चला सकता है।
बड़ा परीक्षण: AI बनाम मानव प्रबंधक
शोधकर्ताओं ने दुनिया के सबसे स्मार्ट AI मॉडल्स (जैसे GPT-5, Claude और Gemini) और विशेषज्ञ मानव खिलाड़ियों के बीच एक मुकाबला आयोजित किया। लक्ष्य सरल था: यह देखना कि कौन सबसे मूल्यवान पार्क बना सकता है।
परिणाम एक बड़ा वेक-अप कॉल थे। यहाँ तक कि बेहतरीन AI मॉडल्स भी संघर्ष करते दिखे।
- इजी (Easy) मोड पर, शीर्ष AI (GPT-5) मानव विशेषज्ञों द्वारा प्राप्त स्कोर के केवल 8.80% तक ही पहुँच सका। इसका मतलब है कि इंसान 11.4 गुना बेहतर थे।
- मीडियम (Medium) मोड पर, जहाँ खेल अधिक कठिन हो जाता है और इसमें दीर्घकालिक सोच की आवश्यकता होती है, यह अंतर और बढ़ गया। AI का प्रदर्शन मानव स्कोर के मात्र 4.44% तक गिर गया, जिससे इंसान 15.3 गुना अधिक श्रेष्ठ साबित हुए।
यह एक फॉर्मूला 1 कार को एक बच्चे को देने और एक पेशेवर रेसर को एक प्रो को देने जैसा है। बच्चा (AI) मुश्किल से कार को आगे बढ़ा पाता है, जबकि प्रो (इंसान) ट्रैक पर लैप लगा रहा होता है।
AI क्यों विफल हुआ?
पेपर सुझाव देता है कि AI केवल "गणित में बुरा" नहीं है; इसके पास कुछ बहुत ही मानवीय सुपरपावर्स की कमी है। शोधकर्ताओं ने पाँच विशिष्ट क्षेत्रों की पहचान की जहाँ AI लड़खड़ाया:
"लंच में क्या है?" वाली समस्या (अल्पदर्शिता/Short-Sightedness):
इंसान आगे की योजना बनाते हैं। वे जानते हैं कि यदि वे आज एक विशाल रोलर कोस्टर बनाते हैं, तो उन्हें अगले महीने के लिए अधिक स्टाफ रखना होगा और पैसे बचाने होंगे। हालाँकि, AI अल्पदर्शी होता है। वह तत्काल इनाम (जैसे एक राइड बनाना) को पकड़ लेता है बिना इसके परिणामों के बारे में सोचे। यह एक बच्चे के सारा कैंडी अभी खा लेने जैसा है और फिर पेट दर्द होने पर यह भूल जाना कि उन्हें बाकी दिन के लिए ऊर्जा की आवश्यकता है। जब खेल कठिन हुआ (मीडियम मोड), तो AI का प्रदर्शन गिर गया क्योंकि वह अगले टर्न से आगे नहीं देख सका।"आंखों पर पट्टी" वाली समस्या (स्थानिक तर्क/Spatial Reasoning):
एक वास्तविक पार्क में, आप दुकान कहाँ रखते हैं, यह मायने रखता है। आप चाहते हैं कि वह एक रास्ते के पास हो, न कि किसी कोने में फंसी हुई। AI अक्सर राइड्स को ऐसी जगहों पर रखता है जहाँ पहुँचना कठिन हो या उन्हें एक साथ क्लस्टर कर देता है, जिससे भीड़ का प्रवाह अनसुना हो जाता है। दिलचस्प बात यह है कि AI को पार्क की एक तस्वीर (विज़न) देने से मदद नहीं मिली; वास्तव में, इसने चीजों को और खराब कर दिया। AI विजुअल डेटा से भ्रमित लग रहा था, जबकि चीजों को रखने के लिए नियमों के एक साधारण सेट (एक ह्यूरिस्टिक) ने वास्तव में AI को बेहतर प्रदर्शन करने में मदद की।"अनुमान लगाने का खेल" वाली समस्या (स्टोकेस्टिसिटी/Stochasticity):
वास्तविक जीवन अव्यवस्थित होता है। कभी-कभी कोई राइड बिना किसी कारण के खराब हो जाती है; कभी-कभी कोई मेहमान बस चिड़चिड़ा होता है। इसे "स्टोकेस्टिसिटी" कहा जाता है। AI इस यादृच्छिकता (randomness) को संभालने में संघर्ष करता रहा। वह बुरी किस्मत के कारण आए बुरे दिन और एक बुरे निर्णय के कारण आए बुरे दिन के बीच अंतर नहीं कर सका। जब शोधकर्ताओं ने भविष्य की भविष्यवाणी करने के लिए AI का उपयोग करने की कोशिश की (एक वर्ल्ड मॉडल), तो इसने अक्सर चीजों को और खराब कर दिया, जिससे निर्णय धीमे और अधिक महंगे हो गए।"भूलने की बीमारी" वाली समस्या (सक्रिय सीखना/Active Learning):
इंसान प्रयोग करने में माहिर होते हैं। यदि आप एक नई रणनीति आजमाते हैं और वह विफल हो जाती है, तो आप सीखते हैं कि क्यों और कुछ और प्रयास करते हैं। शोधकर्ताओं ने AI को एक "सैंडबॉक्स" मोड दिया—एक सुरक्षित अभ्यास क्षेत्र जहाँ वह वास्तविक परीक्षण से पहले 100 दिनों तक प्रयोग कर सके। आश्चर्यजनक रूप से, इससे ज्यादा मदद नहीं मिली। AI ज्यादातर वही दोहराता रहा जो पहले से ही निर्देश पुस्तिका में था या ऐसे नोट्स बनाता रहा जो बाद में काम आने के लिए बहुत विशिष्ट थे। वह यह समझने में विफल रहा कि पार्क कैसे काम करता है, उसका एक सच्चा "मानसिक मॉडल" बनाने में।"रिसर्च रैबिट होल" वाली समस्या:
खेल के कठिन संस्करण में, आपको नई राइड्स बनाने से पहले उन पर रिसर्च करनी होती है। AI अक्सर तुरंत सबसे महंगी, चमकदार राइड्स पर रिसर्च करने का चुनाव करता है, भले ही वह उन्हें बनाने में सक्षम न हो। यह एक छात्र द्वारा फेरारी खरीदने की कोशिश करने जैसा है, जबकि उसके पास अभी ड्राइवर का लाइसेंस तक नहीं है।
पेपर किन बातों को खारिज करता है
पेपर इस बारे में बहुत स्पष्ट है कि क्या काम नहीं करता है:
- सिर्फ AI को एक तस्वीर देना समाधान नहीं है। AI के "दिमाग" में विजुअल इनपुट जोड़ने से स्थानिक समस्याओं का समाधान नहीं हुआ; वास्तव में, इसने केवल टेक्स्ट की तुलना में चीजों को अधिक भ्रमित कर दिया।
- वर्तमान "वर्ल्ड मॉडल्स" तैयार नहीं हैं। शोधकर्ताओं ने AI को भविष्य की भविष्यवाणी करने में मदद करने के लिए एक विशिष्ट AI तकनीक (WALL-E) का उपयोग किया, लेकिन इसने वास्तव में AI के प्रदर्शन को और खराब कर दिया और इसे चलाने की लागत भी बहुत अधिक हो गई।
- अभ्यास हमेशा पूर्णता नहीं लाता। केवल AI को 100 दिनों के लिए सैंडबॉक्स में खेलने देने से वह अपने आप स्मार्ट नहीं हुआ। कई मामलों में, AI या तो बदतर हो गया या वैसा ही रहा क्योंकि वह यह नहीं समझ पाया कि अपनी गलतियों से क्या सीखना है।
हम कितने आश्वस्त हैं?
ये निष्कर्ष MAPS गेम वातावरण के भीतर सिमुलेशन और मापन पर आधारित हैं। शोधकर्ताओं ने संख्याओं को प्राप्त करने के लिए कई बार विशिष्ट लेआउट (मैप्स) के माध्यम से AI और मानव खिलाड़ियों को चलाया। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने पार्क के मूल्य, खर्च किए गए धन और लिए गए समय को मापा।
पेपर सुझाव देता है कि जबकि AI कई चीजों में बेहतर हो रहा है, वास्तविक व्यवसाय चलाने की जटिल, परस्पर जुड़ी और अप्रत्याशित प्रकृति को संभालने के लिए उसे अभी एक लंबा रास्ता तय करना है। मानव विशेषज्ञों और AI के बीच का अंतर केवल थोड़ा सा नहीं है; यह एक गहरी खाई है। शोधकर्ता आशा करते हैं कि इस "मिनी एम्यूजमेंट पार्क" का उपयोग करके, हम अंततः ऐसे AI का निर्माण करना शुरू कर सकते हैं जो एक सच्चे मानव प्रबंधक की तरह सोच, योजना और अनुकूलन कर सके।
तब तक, यदि आप एक थीम पार्क चलाना चाहते हैं, तो आपको एक मानव प्रबंधक पर ही भरोसा करना चाहिए—और शायद AI को बहुत छोटी डोर पर रखें।
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।