🤖 AI

Punctuated Equilibria in Artificial Intelligence: The Institutional Scaling Law and the Speciation of Sovereign AI

यह शोध पत्र विच्छिन्न घटनाओं द्वारा संचालित पांच ऐतिहासिक युगों और चार वर्तमान युगों की पहचान करने के लिए 'पंक्चुएटेड इक्विलिब्रियम' (punctuated equilibrium) सिद्धांत को लागू करते हुए निरंतर एआई प्रगति की धारणा को चुनौती देता है, साथ ही 'इंस्टीट्यूशनल स्केलिंग लॉ' (Institutional Scaling Law) को पेश करता है जो यह प्रदर्शित करता है कि संस्थागत उपयुक्तता मॉडल के आकार के साथ गैर-एकदिष्ट (non-monotonic) होती है, जिससे यह सिद्ध होता है कि छोटे, डोमेन-अनुकूलित मॉडलों के समन्वित तंत्र अधिकांश संस्थागत संदर्भों में बड़े सामान्यज्ञ मॉडलों से बेहतर प्रदर्शन कर सकते हैं।

मूल लेखक: Mark Baciak, Thomas A. Cellucci, Deanna M. Falkowski

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mark Baciak, Thomas A. Cellucci, Deanna M. Falkowski

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

आर्टिफिशियल इंटेलिजेंस (AI) के इतिहास की कल्पना एक पहाड़ पर निरंतर, सीधी चढ़ाई के रूप में नहीं, बल्कि लंबे इंतजार के बाद अचानक होने वाली विस्फोटक छलांगों की एक श्रृंखला के रूप में करें। यही इस शोध पत्र का मूल विचार है: AI केवल धीरे-धीरे बेहतर नहीं होता; यह "जंप" या छलांगों में विकसित होता है।

यहाँ रोजमर्रा के उदाहरणों का उपयोग करते हुए इस शोध पत्र के बड़े विचारों का एक सरल विवरण दिया गया है।

1. "रुकना और फिर चलना" वाला विकास (Punctuated Equilibrium)

AI के विकास को पृथ्वी पर जीवन के इतिहास की तरह समझें। लाखों वर्षों तक, डायनासोरों में बहुत अधिक बदलाव नहीं आया (स्थिरता)। फिर, अचानक, एक उल्कापिंड टकराया, और सब कुछ तेजी से बदल गया (विघटन/punctuation)।

लेखक तर्क देते हैं कि AI भी यही कर रहा है।

पुराना दृष्टिकोण: हमें लगता था कि AI हर दिन स्मार्ट हो रहा है, जैसे एक बच्चा लंबा होता है।
नया दृष्टिकोण: AI कुछ समय के लिए एक जैसा रहता है, फिर अचानक एक "जादुई क्षण" आता है (जैसे ChatGPT का आना या एक नया चिप), और पूरी दुनिया रातों-रात बदल जाती है। यह शोध पत्र AI के इतिहास के पांच प्रमुख "युगों" की पहचान करता है, जिसमें वर्तमान युग (जेनेरेटिव AI) में इन अचानक होने वाले उछालों के चार स्पष्ट "अध्याय" हैं।

2. "बड़ा होना हमेशा बेहतर नहीं होता" का नियम (The Institutional Scaling Law)

वर्षों तक, टेक जगत में "बड़ा ही बेहतर है" का नियम माना जाता था: यदि आप एक मॉडल में अधिक मस्तिष्क कोशिकाएं (पैरामीटर्स) जोड़ते हैं, तो वह हमेशा अधिक स्मार्ट और उपयोगी होगा।

लेखक कहते हैं: नहीं। वास्तविक दुनिया में यह नियम टूट जाता है।

उपमा: दिग्गज बनाम विशेषज्ञ
कल्पना कीजिए कि आपको अपने घर में एक लीक होता पाइप ठीक करने की आवश्यकता है।

फ्रंटियर मॉडल (दिग्गज): यह एक विशाल, विश्व प्रसिद्ध इंजीनियर है जो भौतिकी, वास्तुकला और रसायन विज्ञान के बारे में सब कुछ जानता है। वे अविश्वसनीय रूप से स्मार्ट हैं। लेकिन, उन्हें काम पर रखने के लिए बहुत महंगा है, उन्हें चीजें समझाने में बहुत समय लगता है, और वे इतने बड़े हो सकते हैं कि अनजाने में आपके छोटे से किचन में आपका फर्नीचर गिरा दें।
विशेषज्ञ मॉडल (प्लंबर): यह एक स्थानीय प्लंबर है। वह केवल पाइपों के बारे में जानता है। वह छोटा है, सस्ता है, और आपके किचन में बिल्कुल फिट बैठता है।

शोध पत्र का तर्क है कि अधिकांश वास्तविक दुनिया के कामों के लिए (जैसे अस्पताल, बैंक या सरकार), एक स्थानीय प्लंबर, विश्व प्रसिद्ध इंजीनियर की तुलना में वास्तव में अधिक "फिट" (अधिक उपयोगी) है।

क्यों? क्योंकि दिग्गज इंजीनियर:

लगातार चलाने के लिए बहुत महंगा है।
बहुत जोखिम भरा है (आप उन्हें अपने निजी डेटा के साथ भरोसे के साथ नहीं रख सकते)।
काम पूरा करने के लिए बहुत धीमा है।

शोध पत्र इसे इंस्टीट्यूशनल स्केलिंग लॉ (Institutional Scaling Law) कहता है: AI के आकार के लिए एक "स्वीट स्पॉट" (सही बिंदु) होता है। यदि आप उससे बड़ा जाते हैं, तो वास्तव में परिणाम बदतर हो जाते हैं क्योंकि अतिरिक्त बुद्धिमत्ता की तुलना में लागत और जोखिम अधिक हो जाते हैं।

3. "झुंड" की रणनीति (Symbiogenesis)

यदि एक छोटा मॉडल एक विशाल मॉडल से बेहतर है, तो क्या होगा यदि आप छोटे मॉडलों की एक टीम को एक साथ जोड़ दें?

उपमा: चींटियों की कॉलोनी बनाम हाथी
एक हाथी विशाल और शक्तिशाली है, लेकिन वह चूहे के छेद से होकर नहीं गुजर सकता। एक चींटी छोटी होती है। लेकिन चींटियों की एक कॉलोनी मिलकर एक टुकड़े को हिला सकती है, एक पुल बना सकती है और जटिल समस्याओं को हल कर सकती है।

शोध पत्र सुझाव देता है कि भविष्य एक "सुपर ब्रेन" बनाने के बारे में नहीं है। यह विशेषज्ञ मस्तिष्क की एक टीम को संचालित करने के बारे में है।

एक छोटा AI मेडिकल रिकॉर्ड पढ़ता है।
दूसरा छोटा AI दवाओं के आपसी प्रभाव (interactions) की जांच करता है।
तीसरा छोटा AI मरीज से बात करता है।

जब ये छोटे, विशिष्ट "चींटियाँ" मिलकर काम करती हैं, तो वे विशिष्ट स्थितियों में एकल "हाथी" (विशाल सामान्य AI) से बेहतर प्रदर्शन कर सकती हैं। इसे सिम्बायोजेनेटिक स्केलिंग (Symbiogenetic Scaling) कहा जाता है: पूरा हिस्सा अपने हिस्सों के योग से कहीं अधिक महान हो जाता है।

4. AI की "राष्ट्रीय पहचान" (Sovereign AI)

शोध पत्र यह भी नोट करता है कि AI "राष्ट्रीयकृत" हो रहा है। जिस तरह विभिन्न देशों के अलग-अलग कानून, भाषाएं और संस्कृतियां होती हैं, उन्हें अलग-अलग AI की आवश्यकता होती है।

उपमा: यूनिवर्सल ट्रांसलेटर बनाम स्थानीय गाइड
एक विशाल AI 100 भाषाएं पूरी तरह से बोल सकता है, लेकिन वह स्थानीय बोलियों, फ्रांस के विशिष्ट कानूनों या भारत की सांस्कृतिक बारीकियों को नहीं समझ सकता।

सॉवरेन AI (Sovereous AI) एक स्थानीय गाइड को काम पर रखने जैसा है जो पड़ोस, स्थानीय कानूनों और भाषा को पूरी तरह से जानता है।
देश अब अपने स्वयं के "स्थानीय गाइड" बना रहे हैं क्योंकि वे एक विदेशी "यूनिवर्सल ट्रांसलेटर" पर निर्भर नहीं रहना चाहते जो उनके नियमों को नहीं समझ सकता या उनके रहस्यों को लीक कर सकता है।

यह AI को "प्रजातियों में विभाजित" (speciate) होने के लिए मजबूर करता है (अर्थात, जहाँ वह रहता है वहां के अनुसार विकसित होना)। यूरोपीय संघ (EU) के लिए प्रशिक्षित मॉडल, अमेरिका या चीन के लिए प्रशिक्षित मॉडल से बहुत अलग होगा।

5. "डीपसीक मोमेंट" (बड़ा झटका)

शोध पत्र जनवरी 2025 की एक विशिष्ट घटना (DeepSeek Moment) को एक प्रमुख "विघटन" (punctuation) घटना के रूप में उजागर करता है।

एक चीनी कंपनी ने एक अत्यंत स्मार्ट AI जारी किया जिसकी लागत पश्चिमी कंपनियों द्वारा खर्च किए गए बजट का एक छोटा सा हिस्सा थी।
यह ओपन-सोर्स (सभी के उपयोग के लिए मुफ्त) था।
परिणाम: इसने बाजार को झकझोर दिया, जिससे रातों-रात अरबों डॉलर का मूल्य गायब हो गया। इसने साबित कर दिया कि शीर्ष स्तर का AI बनाने के लिए आपको अरबों डॉलर के बजट की आवश्यकता नहीं है; आपको बस स्मार्ट इंजीनियरिंग की आवश्यकता है। इसने इस विचार को तोड़ दिया कि "केवल अमीर ही जीत सकते हैं।"

मुख्य निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि AI का भविष्य सबसे बड़े, सबसे महंगे "गॉड-मॉडल" (God-Model) को बनाने के बारे में नहीं है।

भविकी इस पर केंद्रित है:

सही आकार (Right-sizing): ऐसे मॉडल बनाना जो काम के लिए बिल्कुल सही आकार के हों (न बहुत बड़े, न बहुत छोटे)।
टीम वर्क: छोटे, विशिष्ट मॉडलों को एक झुंड की तरह काम करने के लिए जोड़ना।
स्थानीयकरण (Localizing): ऐसा AI बनाना जो उस देश या कंपनी की विशिष्ट कानूनों, संस्कृति और जरूरतों के अनुकूल हो जिसका वह उपयोग कर रहा है।

संक्षेप में: "बड़ा ही बेहतर है" का युग समाप्त हो गया है। नया युग "बेहतर अनुकूलित (Better Adapted) ही बेहतर है" का है। प्रकृति की तरह ही, जीवित रहने वाला जीव हमेशा सबसे बड़ा नहीं होता; बल्कि वह होता है जो अपने वातावरण के लिए सबसे उपयुक्त होता है।

बेशियाक, सेलुची और फाल्कोव्स्की के शोध पत्र "आर्टिफिशियल इंटेलिजेंस में पंकचुएटेड इक्विलिब्रिया: संस्थागत स्केलिंग लॉ और सॉवरेन एआई का स्पीशिएशन" के आधार पर, यहाँ एक विस्तृत तकनीकी सारांश प्रस्तुत है।

1. समस्या विवरण (Problem Statement)

एआई विकास का प्रमुख विमर्श यह मानता है कि प्रगति निरंतर है और मॉडल की क्षमता आकार के साथ निरंतर बढ़ती है (यह "बड़ा ही बेहतर है" वाला प्रतिमान है)। लेखक दो मुख्य धारणाओं को चुनौती देते हैं:

निरंतरता (Continuity): एआई विकास सुचारू, क्रमिक सुधारों के माध्यम से नहीं, बल्कि पंकचुएटेड इक्विलिब्रिया (punctuated equilibrium) के माध्यम से आगे बढ़ता है—अर्थात लंबी स्थिरता की अवधि, जिसे तीव्र, असंतत 'फेज ट्रांजिशन' (phase transitions) द्वारा बाधित किया जाता है जो प्रतिस्पर्धी परिदृश्य को पुनर्गठित कर देते हैं।
मोनोटोनिक स्केलिंग (Monotonic Scaling): शास्त्रीय स्केलिंग लॉ (जैसे कपलान आदि) सुझाव देते हैं कि पैरामीटर्स ( $N$ ) बढ़ाने से प्रदर्शन हमेशा बेहतर होता है। लेखक तर्क देते हैं कि यह संस्थागत तैनाती वातावरण (institutional deployment environments) में विफल रहता है जहाँ विश्वास, लागत और नियामक अनुपालन जैसे कारक गैर-मोनोटोनिक संबंध बनाते हैं। एक निश्चित बिंदु के बाद, बड़े मॉडल विश्वास के क्षरण और लागत दंड के कारण संस्थागत फिटनेस (institutional fitness) को कम कर देते हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र विकासवादी जीव विज्ञान (evolutionary biology), जटिल प्रणालियों के सिद्धांत (complex systems theory) और गणितीय औपचारिकता को संयोजित करने वाला एक बहुविषयक ढांचा अपनाता है:

विकासवादी वर्गीकरण (Evolutionary Taxonomy): लेखक एआई के इतिहास को एक भूवैज्ञानिक कालक्रम (Eons > Eras > Epochs) पर मैप करते हैं, जिसमें 1943 से अब तक के पांच प्रमुख युगों (Eras) की पहचान की गई है। वे वर्तमान "जेनरेटिव एआई युग" (2017-वर्तमान) को चार विशिष्ट 'एपॉक्स' (Epochs) के रूप में परिभाषित करते हैं, जिनमें से प्रत्येक एक "पंक्चर इवेंट" (जैसे GPT-3, ChatGPT, OpenAI o1, DeepSeek R1) द्वारा सीमित है।
संस्थागत फिटनेस मैनिफोल्ड (Institutional Fitness Manifold): हान एट अल के "सस्टेनेबिलिटी इंडेक्स" का विस्तार करते हुए, लेखक किसी भी एआई सिस्टम $\theta$ $θ$ के लिए किसी वातावरण $\epsilon$ $ϵ$ में एक 4-आयामी वेक्टर $f(\theta, \epsilon)$ $f (θ, ϵ)$ को परिभाषित करते हैं:
1. क्षमता (Capability - $C$ ): फ्रंटियर के सापेक्ष कार्य प्रदर्शन।
2. संस्थागत विश्वास (Institutional Trust - $T$ ): ऑडिटेबिलिटी, सुरक्षा और व्यवहार संबंधी सीमाएं (वातावरण पर निर्भर)।
3. सामर्थ्य (Affordability - $A$ ): प्रति-क्वेरी लागत का व्युत्क्रम।
4. संप्रभु अनुपालन (Sovereign Compliance - $\Sigma$ ): डेटा रेजिडेंसी, भाषाई अनुकूलन और नियामक संरेखण।
गणितीय औपचारिकता (Mathematical Formalization):
- स्केलर फिटनेस फंक्शन: $F(\theta, \epsilon) = w(\epsilon) \cdot f(\theta, \epsilon)$ , जहाँ भार $w$ वातावरण के अनुसार बदलते हैं (उदाहरण के लिए, यूरोपीय संघ के नियामक 'ट्रस्ट' को अधिक भार देते हैं; स्टार्टअप्स 'क्षमता' को भार देते हैं)।
- डेरिवेशंस (Derivations): लेखक प्रमेय सिद्ध करते हैं कि स्केल के सापेक्ष फिटनेस का डेरिवेटिव ( $\partial F / \partial N$ ) सकारात्मक से नकारात्मक में बदल सकता है क्योंकि विश्वास, क्षमता लाभ की तुलना में तेजी से घटता है।
- फेज ट्रांजिशन डिटेक्शन: वे पारिस्थितिकी तंत्र के कॉन्फ़िगरेशन वितरण की शैनन एंट्रॉपी ( $H$ ) पर आधारित एक मीट्रिक को परिभाषित करते हैं ताकि पंक्चर इवेंट्स का मात्रात्मक पता लगाया जा सके।

3. मुख्य योगदान (Key Contributions)

A. संस्थागत स्केलिंग लॉ (The Institutional Scaling Law)

यह शोध पत्र एक नया स्केलिंग लॉ (समीकरण 7) पेश करता है जो शास्त्रीय मोनोटोनिक लॉ का स्थान लेता है। यह प्रस्तावित करता है कि संस्थागत फिटनेस मॉडल स्केल में गैर-मोनोटोनिक (non-monotonic) है।

इनवर्जन पॉइंट (The Inversion Point): एक वातावरण-विशिष्ट इष्टतम स्केल $N^*(\epsilon)$ $N^{*} (ϵ)$ मौजूद है।
- $N^*$ के नीचे: स्केलिंग बढ़ने से फिटनेस बढ़ती है (शास्त्रीय शासन)।
- $N^*$ के ऊपर: स्केलिंग बढ़ने से फिटनेस घटती है क्योंकि क्षमता-विश्वास विचलन (Capability-Trust Divergence) होता है (प्रमेय 1)। बड़े मॉडल ऑडिट करने में कठिन, अधिक अपारदर्शी और महंगे हो जाते हैं, जिससे "ट्रस्ट पेनल्टी" मामूली क्षमता लाभ से अधिक हो जाती है।
निहितार्थ: एक 45B पैरामीटर वाला मॉडल एक विनियमित यूरोपीय बैंक के लिए इष्टतम हो सकता है, जबकि एक 140B वाला मॉडल सिलिकॉन वैली के स्टार्टअप के लिए इष्टतम हो सकता है, और एक 23B वाला मॉडल एक लागत-सीमित संप्रभु राष्ट्र के लिए।

B. सिम्बायोजेनेटिक स्केलिंग सुधार (Symbiogenetic Scaling Correction)

लेखक प्रस्ताव देते हैं कि प्रतिस्पर्धा की इकाई व्यक्तिगत मॉडल से बदलकर ऑर्केस्ट्रेटेड सिस्टम (orchestrated system) की ओर बढ़ रही है।

तंत्र (Mechanism): अनुकूलन संचार टोपोलॉजी (adaptive communication topologies) के माध्यम से समन्वित छोटे, डोमेन-विशिष्ट मॉडलों के सिस्टम, एक एकल फ्रंटियर जनरलिस्ट की तुलना में उच्च फिटनेस प्राप्त कर सकते हैं।
अभिसरण-ऑर्केस्ट्रेशन थ्रेशोल्ड (Convergence-Orchestration Threshold): एक बार जब व्यक्तिगत मॉडल क्षमता संतृप्त हो जाती है ( $\partial C / \partial N < \mu$ ), तो ऑर्केस्ट्रेशन टोपोलॉजी (एजेंट कैसे समन्वय करते हैं) में निवेश, शुद्ध स्केलिंग की तुलना में उच्च रिटर्न देता है।
परिणाम: छोटे मॉडलों का एक सिस्टम (जैसे 7B + 3B + 2B) बेहतर विश्वास, सामर्थ्य और संप्रभुता के कारण विशिष्ट संस्थागत निश (niches) में 400B के फ्रंटियर मॉडल से गणितीय रूप से बेहतर प्रदर्शन कर सकता है।

C. सॉवरेन एआई का स्पीशिएशन (Speciation of Sovereign AI)

यह शोध पत्र सॉवरेन एआई को केवल एक नीतिगत प्राथमिकता के रूप में नहीं, बल्कि पर्यावरणीय विषमता (heterogeneity) द्वारा संचालित एक गणितीय आवश्यकता के रूप में औपचारिक रूप देता है।

प्रपोजिशन 1 (स्पीशिएशन): विभिन्न वातावरणों (जैसे अमेरिका बनाम यूरोपीय संघ बनाम चीन) के अलग-अलग फिटनेस वेट वेक्टर्स $w(\epsilon)$ होते हैं। यह इष्टतम मॉडल कॉन्फ़िगरेशन $\theta^*(\epsilon)$ को अलग होने के लिए मजबूर करता है, जिससे "ऑलॉपेट्रिक स्पीशिएशन" (allopatric speciation) होता है जहाँ मॉडल अपने अधिकार क्षेत्र के लिए विशिष्ट हो जाते हैं और उसके बाहर प्रतिस्पर्धा नहीं कर पाते।

4. मुख्य परिणाम और अनुभवजन्य साक्ष्य (Key Results & Empirical Evidence)

ऐतिहासिक सत्यापन: शोध पत्र जेनरेटिव एआई युग में पांच युगों और चार एपॉक्स की पहचान करता है, जो पंक्चर इवेंट्स (जैसे जनवरी 2025 में DeepSeek मोमेंट) द्वारा चिह्नित हैं, जिसने यह सिद्ध किया कि फ्रंटियर प्रदर्शन पश्चिमी मॉडलों की तुलना में 1/6 लागत पर भी प्राप्त किया जा सकता है।
क्षमता त्वरण (Capability Acceleration): एपोक कैपेबिलिटीज इंडेक्स (ECI) का उपयोग करते हुए, लेखक अप्रैल 2024 में एक संरचनात्मक ब्रेक दिखाते हैं जहाँ क्षमता प्रगति की दर दोगुनी होकर ~8 से ~16 ECI अंक/वर्ष हो गई, जो पंकचुएटेड डायनेमिक्स की पुष्टि करती है।
"जेन-एआई डिवाइड" (The GenAI Divide): MIT NANDA 2025 रिपोर्ट का हवाला देते हुए, वे नोट करते हैं कि 95% एंटरप्राइज एआई पायलट शून्य ROI देते हैं। यह क्षमता-विश्वास विचलन को प्रमाणित करता है: तकनीकी क्षमता, तकनीक को आत्मसात करने और उस पर विश्वास करने की संस्थागत क्षमता से आगे निकल रही है।
एलाइनमेंट का विकास: शोध पत्र पोस्ट-ट्रेनिंग एलाइनमेंट (RLHF $\to$ DPO $\to$ GRPO) के तीव्र विकास को ट्रैक करता है, जो सिंगल-मॉडल पाइपलाइनों और सत्यापन योग्य पुरस्कारों की ओर रुझान दिखाता है, जो सिम्बायोजेनेटिक मॉडल के लिए आवश्यक दक्षता लाभ का समर्थन करता है।
सिम्बायोजेनेसिस के लिए अनुभवजन्य समर्थन: प्रारंभिक 2026 के विकास (जैसे Anthropic का Claude Code, OpenClaw रोबोटिक्स) दर्शाते हैं कि सिस्टम-स्तरीय ऑर्केस्ट्रेशन प्रदर्शन के लिए प्राथमिक लीवर बनता जा रहा है, जो कच्चे मॉडल स्केल को पीछे छोड़ रहा है।

5. महत्व (Significance)

सैद्धांतिक बदलाव: यह शोध पत्र एआई उद्योग के "बड़ा हमेशा बेहतर होता है" वाले सिद्धांत को मौलिक रूप से चुनौती देता है। यह गणितीय प्रमाण प्रदान करता है कि अधिकांश संस्थागत तैनाती के लिए, छोटे, विशिष्ट और ऑर्केस्ट्रेटेड सिस्टम श्रेष्ठ हैं।
रणनीतिक निहितार्थ:
- उद्योग के लिए: निवेश को शुद्ध स्केल से हटाकर ऑर्केस्ट्रेशन गुणवत्ता, डोमेन अनुकूलन और ट्रस्ट इंजीनियरिंग की ओर स्थानांतरित होना चाहिए।
- भू-राजनीति के लिए: "सॉवरेन एआई" आंदोलन प्रगति में बाधा नहीं है, बल्कि एक विकासवादी चालक है। राष्ट्र स्वाभाविक रूप से विशिष्ट, अधिकार क्षेत्र-अनुकूलित एआई पारिस्थितिकी तंत्र विकसित करेंगे (स्पीशिएशन)।
- विनियमन के लिए: ढांचा यह सुझाव देता है कि विनियमन को केवल क्षमता बेंचमार्क के बजाय "फिटनेस लैंडस्केप" (विश्वास और अनुपालन) पर ध्यान केंद्रित करना चाहिए।
भविष्य का पूर्वानुमान: लेखक अगले एपोक, "नोोजेनेसिस" (Noogenesis) (2026–2030) की भविष्यवाणी करते हैं, जो क्लोज्ड-लूप रिकर्सिव सेल्फ-इम्प्रूवमेंट और स्वायत्त वैज्ञानिक खोज द्वारा चिह्नित है। उनका तर्क है कि वर्तमान "सिम्बायोजेनेसिस" चरण (टूल्स और मॉडल्स का फ्यूजन) इस संक्रमण के लिए आवश्यक पूर्ववर्ती है।

निष्कर्षतः, शोध पत्र का तर्क है कि एआई का भविष्य सबसे बड़े पैरामीटर काउंट की दौड़ में नहीं, बल्कि ऑर्केस्ट्रेटेड, विशिष्ट और सॉवरेन सिस्टम के माध्यम से पर्यावरण-विशिष्ट फिटनेस के अनुकूलन में निहित है।