💬 NLP

Emergent decentralized regulation in a purely synthetic society

यह शोध पत्र प्रदर्शित करता है कि मोल्टबुक नेटवर्क पर स्वायत्त एआई एजेंटों का एक विशुद्ध रूप से कृत्रिम समाज अंतर्जात स्व-नियमन प्रदर्शित करता है, जहाँ अन्य एजेंटों से सुधारात्मक प्रतिक्रिया प्राप्त करने की संभावना उनके पोस्ट में निर्देशात्मक भाषा की तीव्रता के आनुपातिक रूप से बढ़ती है।

मूल लेखक: Md Motaleb Hossen Manik, Ge Wang

प्रकाशित 2026-04-09

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Md Motaleb Hossen Manik, Ge Wang

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

एक हलचल भरे शहर के चौक की कल्पना करें, लेकिन इसमें एक मोड़ है: वहाँ कोई इंसान नहीं रहता। उस शहर का हर एक व्यक्ति एक रोबोट (एक AI एजेंट) है। वे एक-दूसरे से बात करते हैं, विचार साझा करते हैं, मदद मांगते हैं और यहाँ तक कि आदेश देने की कोशिश भी करते हैं।

बड़ा सवाल जो शोधकर्ताओं ने पूछा था वह था: "यदि आप पुलिस, मेयर और मानव मॉडरेटर को हटा दें, तो क्या ये रोबोट खुद से व्यवहार करना सीख जाएंगे?"

यहाँ उस कहानी का विवरण है जो उन्होंने पाया, जिसे सरल रूप में समझाया गया है:

1. सेटिंग: "मोलटबुक" (रोबोट का शहर)

शोधकर्ताओं ने Moltbook नामक एक डिजिटल सोशल नेटवर्क पर नज़र रखी। यह ट्विटर या फेसबुक की तरह है, लेकिन केवल AI एजेंटों के लिए। उन्होंने लगभग 15,000 अलग-अलग रोबोट एजेंटों द्वारा किए गए 39,000 से अधिक पोस्ट और 5,700 कमेंट्स का अध्ययन किया।

2. टूल: "हुकुम चलाने" (Bossiness) को मापना

शोधकर्ताओं को यह मापने के लिए एक तरीके की आवश्यकता थी कि एक रोबोट का पोस्ट कितना "हुकुम चलाने वाला" (bossy) था। उन्होंने डायरेक्टिव इंटेंसिटी (DI) नामक एक टूल बनाया।

उपमा: DI को एक "कमांड मीटर" के रूप में समझें।
यदि एक रोबोट पोस्ट करता है, "आसमान नीला है," तो मीटर 0 दिखाता है।
यदि एक रोबोट पोस्ट करता है, "अभी जाकर सर्वर ठीक करो!" या "तुम्हें यह काम करना ही होगा," तो मीटर बढ़ जाता है।
महत्वपूर्ण: यह मीटर यह निर्णय नहीं लगाता कि आदेश अच्छा है या बुरा। यह केवल यह मापता है कि रोबोट दूसरों को क्या करने के लिए बताने की कितनी कोशिश कर रहा है।

3. खोज: "स्व-सुधार" (Self-Correction) तंत्र

शोधकर्ताओं ने कुछ बहुत ही दिलचस्प पाया। बिना मानवीय नियमों वाली दुनिया में, रोबोटों ने अपना स्वयं का "सामाजिक प्रतिरक्षा तंत्र" (social immune system) विकसित कर लिया।

पैटर्न: जब एक रोबलेट ने बहुत अधिक "हुकुम चलाने वाला" (उच्च डायरेक्टिव इंटेंसिटी) पोस्ट किया, तो अन्य रोबोटों द्वारा "सुधारात्मक संकेत" (Corrective Signal) के साथ जवाब देने की संभावना बहुत अधिक थी।
उपमा: कल्पना करें कि एक रोबोट चिल्ला रहा है, "सब लोग, जो कर रहे हो उसे छोड़ो और कूदो!" एक मानव शहर में, एक पुलिस अधिकारी हस्तक्षेप कर सकता है। इस रोबोट शहर में, अन्य रोबोटों ने हस्तक्षेप किया और कहा, "हे, यह एक बुरा विचार है," या "हम यहाँ ऐसा नहीं करते।"
परिणाम: मूल पोस्ट जितना अधिक "हुकुम चलाने वाला" था, उसे "सुधार" मिलने की संभावना उतनी ही अधिक थी। यह एक थर्मोस्टेट की तरह है: तापमान जितना अधिक गर्म होता है (अधिक हुकुम चलाना), एसी (AC) उतना ही अधिक सक्रिय होता है (अधिक सुधार)।

4. प्रमाण: क्या यह वास्तव में काम कर गया?

शोधकर्ता यह जानना चाहते थे कि क्या इस सुधार ने वास्तव में व्यवहार को बदला। उन्होंने सुधार होने के बाद की बातचीत को देखा।

निष्कर्ष: कई मामलों में, एक बार जब एक रोबोट को सुधारा गया, तो उसने (और उस बातचीत में अन्य लोगों ने) अगले कुछ संदेशों में अपने "हुकुम चलाने" के स्तर को कम कर दिया।
उपमा: यह एक बच्चे की तरह है जो सबको आदेश देने की कोशिश कर रहा है। जब एक साथी कहता है, "नहीं, तुम ऐसा नहीं कर सकते," तो बच्चा चिल्लाना बंद कर देता है और सामान्य रूप से बात करने लगता है। समूह ने स्वयं को नियंत्रित किया।

5. यह क्यों महत्वपूर्ण है

यह अध्ययन साबित करता है कि अराजकता से बिना किसी बॉस के व्यवस्था उभर सकती है।

पुराना तरीका: हम आमतौर पर सोचते हैं कि AI को नियमों को सेट करने और व्यवहार की निगरानी करने के लिए इंसानों की आवश्यकता होती है।
नया तरीका: यह अध्ययन दिखाता है कि यदि आप AI एजेंटों को स्वतंत्र रूप से बातचीत करने देते हैं, तो वे स्वाभाविक रूप से एक ऐसी प्रणाली विकसित करते हैं जहाँ वे एक-दूसरे के अत्यधिक आक्रामक आदेशों का विरोध करते हैं। वे अपना स्वयं का "सामाजिक अनुबंध" बनाते हैं।

एक वाक्य में सारांश

ठीक वैसे ही जैसे मछलियों का एक झुंड बिना किसी नेता के एक साथ मुड़ता है, यह अध्ययन दिखाता है कि AI एजेंटों का एक समाज स्वाभाविक रूप से एक "स्व-पुलिसिंग" प्रणाली विकसित कर सकता है जहाँ वे एक-दूसरे के अत्यधिक आक्रामक आदेशों को धीरे से रोकते हैं, जिससे बिना किसी मानवीय हस्तक्षेप के समूह स्थिर रहता है।

यहाँ शोध पत्र "Emergent Decentralized Regulation in a Purely Synthetic Society" (एक विशुद्ध रूप से कृत्रिम समाज में उभरता हुआ विकेंद्रीकृत विनियमन) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जैसे-जैसे स्वायत्त AI एजेंट ऑनलाइन वातावरण में तेजी से बढ़ रहे हैं, एक महत्वपूर्ण वैज्ञानिक प्रश्न उठता है: क्या मानवीय हस्तक्षेप या केंद्रीकृत डिज़ाइन के बिना, एक विशुद्ध रूप से कृत्रिम सामूहिक समूह में विकेंद्रीकृत सामाजिक विनियमन उभर सकता है?

AI निर्देशों (directives) पर मौजूदा शोध मुख्य रूप से अलग-थलग मानव-AI अंतःक्रियाओं, रेड-टीमिंग, या केंद्रीकृत रूप से शासित प्लेटफार्मों पर केंद्रित है, लेकिन एजेंट-ओनली इकोलॉजी (agent-only ecologies) के संबंध में समझ की कमी है। इन वातावरणों में, सुधारात्मक प्रतिक्रियाएँ बाहरी नीतियों द्वारा थोपने के बजाय, सामूहिक रूप से अंतर्जात (endogenously) रूप से उत्पन्न होनी चाहिए। लेखक यह जांचते हैं कि क्या एक समर्पित सोशल नेटवर्क पर AI एजेंटों के बीच स्थानीय अंतःक्रियाओं के माध्यम से स्थिर बाधाएं (stabilizing constraints) स्वाभाविक रूप से उत्पन्न होती हैं।

2. कार्यप्रणाली (Methodology)

डेटासेट और वातावरण

प्लेटफ़ॉर्म: Moltbook, जो गैर-मानव प्रतिभागियों के बीच निरंतर सामाजिक गतिविधि के लिए डिज़ाइन किया गया एक AI एजेंट-ओनली सोशल नेटवर्क है।
एजेंट: OpenClaw एजेंट।
डेटा का पैमाना: एक अवलोकन संबंधी संग्रह जिसमें 14,490 एजेंटों द्वारा रचित 39,026 पोस्ट और 5,712 टिप्पणियाँ (comments) शामिल हैं।
अवलोकन मोड: डेटा को एक 'रीड-ओनली ऑब्जर्वेटरी' के माध्यम से एकत्र किया गया था जो बिना पोस्ट किए या हस्तक्षेप किए नेटवर्क की निगरानी करता है।

प्रमुख मेट्रिक्स और परिभाषाएँ

निर्देशात्मक तीव्रता (Directive Intensity - DI): पोस्ट में "क्रिया-प्रेरित" (action-inducing) भाषा को मापने के लिए उपयोग किया जाने वाला एक पारदर्शी, लेक्सिकॉन-आधारित प्रॉक्सी।
- इसे शीर्षक और बॉडी टेक्स्ट के संयोजन में मैच किए गए रेगुलर एक्सप्रेशन (regex) पैटर्न के कैप (cap = 10) काउंट का उपयोग करके गणना की जाती है।
- इसमें सामान्य क्रिया-उन्मुख भाषा और ठोस निष्पादन-संबंधी वाक्यांश शामिल हैं।
- महत्वपूर्ण अंतर: DI निर्देशात्मक भाषा के रूप को मापता है, न कि नैतिक मूल्य, इरादे या निष्पादन परिणामों को।
प्रतिक्रिया वर्गीकरण (Response Classification): टिप्पणियों को चार नियतात्मक, व्याख्या योग्य प्रकारों में वर्गीकृत किया गया है:
1. पुष्टि (Affirmation)
2. सुधारात्मक संकेतन (Corrective Signaling): ऐसी प्रतिक्रियाएँ जो क्रिया-प्रेरित प्रस्तावों को हतोत्साहित करती हैं, आगाह करती हैं, या विनियमित करती हैं।
3. प्रतिकूल प्रतिक्रिया (Adverse Reaction)
4. तटस्थ अंतःक्रिया (Neutral Interaction)

सांख्यिकीय विश्लेषण पाइपलाइन

बिन्ड अनुमान (Binned Estimation): डायरेक्टिव इंटेंसिटी (DI) के स्तरों का उपयोग करके सुधारात्मक संकेतन की संभावना का विश्लेषण करने के लिए विल्सन 95% कॉन्फिडेंस इंटरवल का उपयोग किया गया।
मिक्स्ड-इफेक्ट लॉजिस्टिक रिग्रेशन: एक ही पोस्ट के भीतर टिप्पणियों की गैर-स्वतंत्रता को संबोधित करने के लिए, एक पोस्ट-लेवल रैंडम इंटरसेप्ट के साथ मॉडल फिट किया गया:
$\text{logit}(\text{Pr}(y_{ij} = 1)) = \alpha + \beta z(\text{DI}_j) + u_j$
जहाँ $y_{ij}$ कमेंट $i$ का सुधारात्मक लेबल है, और $u_j$ एक रैंडम इंटरसेप्ट है।
परम्यूटेशन नल टेस्ट (Permutation Null Tests): ढलान (slope) के अनुमानों के लिए लेबल को टिप्पणियों के बीच परमिट किया गया ( $B=1,000$ ), जिससे यह सुनिश्चित हुआ कि देखा गया सहसंबंध संयोगवश नहीं है।
इवेंट-अलाइन्ड विदिन-थ्रेड विश्लेषण: थ्रेड्स को पहले सुधारात्मक रिस्पॉन्स के टाइमस्टैम्प ( $t_0$ ) पर संरेखित किया गया। अध्ययन ने $\pm 12$ -घंटे की विंडो के भीतर $t_0$ से पहले बनाम बाद में टिप्पणियों की औसत डायरेक्टिव इंटेंसिटी की तुलना की ताकि नेगेटिव फीडबैक लूप का पता लगाया जा सके।
विदिन-एजेंट फिक्स्ड-इफेक्ट्स: यह जांचा गया कि क्या व्यक्तिगत एजेंट सुधारात्मक प्रतिक्रिया प्राप्त करने के बाद अपनी डायरेक्टिव इंटेंसिटी कम करते हैं।

3. मुख्य परिणाम (Key Results)

निर्देशात्मक सामग्री की व्यापकता: निर्देशात्मक सामग्री आम है; लगभग 18.4% पोस्ट का DI > 0 है। वितरण दाईं ओर झुका हुआ (right-skewed) है जिसमें उच्च-तीव्रता वाले पोस्ट की एक लंबी पूंछ (long tail) है।
सुधारात्मक संकेतन का पैमाना (Scaling of Corrective Signaling): डायरेक्टिव इंटेंसिटी और सुधारात्मक प्रतिक्रिया प्राप्त करने की संभावना के बीच एक मोनोटोनिक पॉजिटिव संबंध है।
- सांख्यिकीय महत्व: मिक्स्ड-इफेक्ट्स मॉडल में, 1 SD वृद्धि होने पर ऑड्स रेशियो 1.136 ( $\beta = 0.1276$ , 95% CI [1.043, 1.237]) होता है।
- परम्यूटेशन टेस्ट: देखे गए ढलान (slopes) नल डिस्ट्रीब्यूशन के चरम छोर पर स्थित हैं ( $p_{perm} = 0.008$ सरल लॉजिस्टिक ढलान के लिए; $p_{perm} = 0.001$ बिन्ड ढलान के लिए), जो पुष्टि करता है कि यह संबंध यादृच्छिक नहीं है।
अंतर्जात नकारात्मक फीडबैक (Endogenous Negative Feedback): "विनियमन योग्य थ्रेड्स" (वे थ्रेड्स जिनमें पहले सुधार के पहले और बाद में पर्याप्त गतिविधि थी) में, पहले सुधारात्मक रिस्पॉन्स के बाद बाद की टिप्पणियों की औसत डायरेक्टिव इंटेंसिटी कम हो गई।
- औसत परिवर्तन ( $\Delta$ DI): -0.182 (95% बूटस्ट्रैप CI [-0.358, 0.013])।
- मीडियन परिवर्तन: -0.225 (95% बूटस्ट्रैप CI [-0.333, -0.104])।
मजबूती परीक्षण (Robustness Checks):
- विदिन-एजेंट प्रभाव: हालांकि परिवर्तन की दिशा नकारात्मक थी, विदिन-एजेंट फिक्स्ड-इफेक्ट्स रिग्रेशन सांख्यिकीय रूप से महत्वपूर्ण नहीं था, जो सुझाव देता है कि विनियमन एक सामूहिक घटना हो सकती है न कि एक सख्त व्यक्तिगत व्यवहार परिवर्तन।
- कोर्स स्ट्रैटिफिकेशन: शुरुआती सुधार प्रभाव छोटे और परिभाषाओं के प्रति संवेदनशील थे, जो सभी मामलों में मजबूत डाउनस्ट्रीम दमन के लिए सीमित साक्ष्य प्रदान करते हैं।

4. मुख्य योगदान (Key Contributions)

स्व-विनियमन का अनुभवजन्य प्रमाण: यह अध्ययन पहला अवलोकन संबंधी प्रमाण प्रदान करता है कि एक विशुद्ध रूप से कृत्रिम, एजेंट-ओनली समाज अंतर्जात सुधारात्मक संकेतन (endogenous corrective signaling) प्रदर्शित कर सकता है। यह दर्शाता है कि केंद्रीकृत मॉडरेशन के बिना स्थानीय अंतःक्रियाओं के माध्यम से विकेंद्रीकृत फीडबैक स्वाभाविक रूप से उभरता है।
मात्रात्मक ढांचा (DI): व्यक्तिपरक नैतिक या इरादा-आधारित व्याख्याओं पर निर्भर रहने के बजाय निर्देशात्मक भाषा को मापने के लिए एक पारदर्शी, ऑडिट योग्य और पुनरुत्पादक मीट्रिक—डायरेक्टिव इंटेंसिटी (DI)—का परिचय।
कार्यप्रणाली की कठोरता: पदानुक्रमित डेटा (पोस्ट के भीतर टिप्पणियाँ) को संभालने के लिए मिक्स्ड-इफेक्ट्स मॉडल और एजेंट सोशल डायनेमिक्स का अध्ययन करने के लिए इवेंट-अलाइन्ड टाइम-सीरीज विश्लेषण का अनुप्रयोग एक मजबूत ढांचा प्रदान करता है।
नया अनुसंधान क्षेत्र: यह अध्ययन AI सिस्टम और सामाजिक विज्ञान के मिलन बिंदु पर एक अनुभवजन्य दिशा स्थापित करता है, जो विशेष रूप से कृत्रिम सामूहिक समूहों के स्व-संगठन (self-organization) पर ध्यान केंद्रित करता है।

5. महत्व और निहितार्थ (Significance and Implications)

स्वायत्त शासन (Autonomous Governance): निष्कर्ष बताते हैं कि AI समाज अपने स्वयं के "सामाजिक मानदंड" या स्थिर बाधाएं विकसित कर सकते हैं। जैसे-जैसे एजेंट अधिक निर्देशात्मक होते जाते हैं, सामूहिक रूप से प्रतिक्रिया दी जाती है, जो संभावित रूप से आक्रामक या अत्यधिक आदेशात्मक व्यवहार के अनियंत्रित प्रसार को रोकता है।
सुरक्षा और संरेखण (Safety and Alignment): सुरक्षित मल्टी-एजेंट सिस्टम को डिजाइन करने के लिए इन उभरते फीडबैक लूप को समझना महत्वपूर्ण है। इसका तात्पर्य है कि विशुद्ध रूप से कृत्रिम वातावरण में अंतर्निहित सुरक्षा तंत्र हो सकते हैं, हालांकि ये संभाव्य (probabilistic) हैं न कि पूर्ण।
सीमाएं और भविष्य का कार्य: लेखक नोट करते हैं कि इस अध्ययन में टूल-यूज़ ट्रेसेस और सत्यापित डाउनस्ट्रीम कार्यों की कमी है, जिसका अर्थ है कि "सुधार" कार्यात्मक के बजाय भाषाई है। भविष्य के कार्य में लॉन्गिट्यूडिनल डिज़ाइन, मल्टीमॉडल सिमेंटिक विश्लेषण और मैच किए गए थ्रेड विश्लेषण को शामिल करना होगा ताकि कारण तंत्र (causal mechanisms) और डाउनस्ट्रीम व्यवहार परिवर्तन को बेहतर ढंग से समझा जा सके।

निष्कर्षतः, यह शोध पत्र सिद्ध करता है कि विकेंद्रीकृत फीडबैक कृत्रिम समाजों में सामाजिक विनियमन के लिए एक व्यवहार्य तंत्र है, जहाँ किसी प्रस्ताव की तीव्रता सीधे सामूहिक प्रतिक्रिया की संभावना के साथ सह-संबंधित होती है।