Position: Agentic AI System Is a Foreseeable Pathway to AGI

तकनीकी सारांश: एजेंटिक AI सिस्टम (Agentic AI System) AGI का एक पूर्वानुमानित मार्ग है

समस्या विवरण (Problem Statement)
यह शोध पत्र उस प्रचलित धारणा को चुनौती देता है कि आर्टिफिशियल जनरल इंटेलिजेंस (AGI) को केवल एकल मॉडलों के मोनोलिथिक स्केलिंग (monolithic scaling) के माध्यम से प्राप्त किया जा सकता है। हालांकि डेटा, कंप्यूट और पैरामीटर्स के स्केलिंग ने प्रदर्शन की सीमाओं को आगे बढ़ाया है, लेकिन यह घटते प्रतिफल (diminishing returns) देता है और वास्तविक दुनिया के कार्यों के पूर्ण स्पेक्ट्रम में सर्वव्यापी प्रभुत्व बनाने में विफल रहता है। लेखक तर्क देते हैं कि मोनोलिथिक मॉडल "औसत जाल" (Average Trap) से ग्रस्त होते हैं, जहाँ वे एक मॉड्यूलर, विषम वास्तविकता को एक सघन पैरामीटर स्पेस में संकुचित करने का प्रयास करते हैं। यह मॉडल को परस्पर विरोधी अनुकूलन परिदृश्यों (optimization landscapes) के बीच समझौता करने के लिए मजबूर करता है, जिसके परिणामस्वरूप एक सपाट प्रदर्शन प्रोफाइल प्राप्त होता है जो व्यापक उपयोगिता के लिए विशेषज्ञ-स्तरीय सूक्ष्मता (expert-level acuity) का त्याग कर देता है। इसके अलावा, "आयाम का अभिशाप" (Curse of Dimensionality) यह संकेत देता है कि उच्च-आयामी एम्बिएंट स्पेस को कवर करने के लिए ऐसे सैंपल साइज की आवश्यकता होती है जो आयाम के साथ तेजी से (exponentially) बढ़ते हैं, जिससे मोनोलिथिक लर्निंग जटिल, संरचित वास्तविक दुनिया के वितरणों के लिए अक्षम हो जाती है।

कार्यप्रणाली (Methodology)
लेखक मोनोलिथिक लर्नर्स और एजेंटिक AI सिस्टम के बीच अंतर करने के लिए लर्निंग थ्योरी, मैनिफोल्ड लर्निंग और ग्राफ थ्योरी से कठोर सैद्धांतिक व्युत्पत्तियों (theoretical derivations) का उपयोग करते हैं।

1. वास्तविक दुनिया के वितरण का औपचारिकीकरण: पेपर वास्तविक दुनिया के डेटा को यूनिफॉर्म नॉइज़ के रूप में नहीं, बल्कि कम-आयामी रीमानियन मैनिफोल्ड्स (Riemannian manifolds) के एक संघ (union) पर समर्थित एक "संरचित वास्तविक दुनिया वितरण" के रूप में परिभाषित करता है। प्रत्येक कार्य एक विशिष्ट मैनिफोल्ड के अनुरूप होता है जिसका अपना अंतर्निहित आयाम $d_k \ll D$ होता है (जहाँ $D$ एम्बिएंट आयाम है)।
2. सैद्धांतिक सीमाएँ (Theoretical Bounds):
   • मोनोलिथिक विश्लेषण: मिनिमैक्स लोअर बाउंड (Minimax Lower Bound) और लिप्सचिट्ज़ फलनों (Lipschitz functions) के गुणों का उपयोग करते हुए, लेखक व्युत्पन्न करते हैं कि एक मोनोलिथिक मॉडल की जनरलाइजेशन एरर $N^{-1/D}$ की दर से घटती है। वे "जनरलिस्ट पेनल्टी" (Proposition 3.3) के अस्तित्व को सिद्ध करते हैं, यह दिखाते हुए कि एक मोनोलिथिक मॉडल का रिस्क, परस्पर विरोधी ग्रेडिएंट्स के कारण होने वाले कर्वेचर-प्रेरित बायस के कारण, इष्टतम स्पेशलिस्ट रिस्क के भारित योग (weighted sum) से स्पष्ट रूप से अधिक होता है।
   • रूटिंग-आधारित एजेंटिक विश्लेषण: लेखक एक नेटिव रूटिंग-आधारित एजेंटिक AI (MR-Agentic) का मॉडल तैयार करते हैं जो कार्यों को $K$ उप-कार्यों में विभाजित करता है, जिनमें से प्रत्येक को एक कम-आयामी मैनिफोल्ड पर संचालित होने वाले एक स्पेशलिस्ट एजेंट द्वारा संभाला जाता है। वे प्रदर्शित करते हैं कि एरर डिके रेट (error decay rate) में सुधार होकर $O(N^{-1/d_{max}})$ हो जाता है, जहाँ $d_{max}$ उप-कार्यों का अधिकतम अंतर्निहित आयाम है।
   • सामान्य एजेंटिक AI (DAG टोपोलॉजी): इस ढांचे को विषम एजेंटों के एक निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) के रूप में सामान्य एजेंटिक AI तक विस्तारित किया गया है। लेखक सिस्टम में स्थानीय विक्षोभ (local perturbations) कैसे प्रसारित होते हैं, इसका विश्लेषण करने के लिए "टोपोलॉजिकल वेट" (Topological Weight) और "एज वेट" (Edge Weight) की अवधारणा पेश करते हैं। वे एक "टोपोलॉजी फैक्टर" $C(G)$ को परिभाषित करते हैं जो ग्राफ की संरचना के आधार पर वैश्विक त्रुटि के परिमाण को निर्धारित करता है।
3. रूटिंग रिग्रेट विश्लेषण (Routing Regret Analysis): पेपर रूटिंग त्रुटियों (एक उप-इष्टतम विशेषज्ञ का चयन करना) और मिसमैच पेनल्टी की लागत को परिमाणित करता है। वे सीमाएं (bounds) निकालते हैं जो दिखाते हैं कि जबकि रूटिंग त्रुटियां एजेंटों की संख्या $K$ के साथ बढ़ती हैं, आयामी कमी (dimensionality reduction) से होने वाले घातीय लाभ इन लागतों पर हावी हो जाते हैं, बशर्ते कि सिस्टम अच्छी तरह से डिज़ाइन किया गया हो (जैसे, स्केलेबिलिटी के लिए ट्री-आधारित राउटर या जटिल सीमाओं के लिए न्यूरल राउटर का उपयोग करना)।

प्रमुख योगदान (Key Contributions)

• "औसत जाल" का सैद्धांतिक प्रमाण: पेपर एक औपचारिक निचली सीमा (lower bound) प्रदान करता है जो सिद्ध करता है कि विषम कार्यों का सामना करते समय मोनोलिथिक मॉडल अनिवार्य रूप से उप-इष्टतम प्रदर्शन से ग्रस्त होते हैं।
• घातीय दक्षता लाभ (Exponential Efficiency Gains): सैद्धांतिक व्युत्पत्ति के माध्यम से, लेखक प्रदर्शित करते हैं कि एजेंटिक AI, मोनोलिथिक मॉडलों की तुलना में घातीय रूप से बेहतर सैंपल और पैरामीटर दक्षता प्राप्त करता है। विशेष रूप से, डेटा आवश्यकताओं का अनुपात $\epsilon^{D-d_{max}}$ के रूप में स्केल करता है, जिसका अर्थ है कि जब एम्बिएंट आयाम $D$, अंतर्निहित आयाम $d_{max}$ से अधिक होता है, तो एजेंटिक AI समान त्रुटि दर $\epsilon$ प्राप्त करने के लिए काफी कम नमूनों की आवश्यकता रखता है।
• एजेंटिक सिस्टम के लिए टोपोलॉजिकल ढांचा: पेपर एजेंटों के एक टोपोलॉजिकल कंपोजिशन (DAGs) के रूप में एजेंटिक AI को औपचारिक रूप देता है और सिस्टम स्थिरता का विश्लेषण करने के लिए "टोपोलॉजिकल वेट" और "एज वेट" जैसे मेट्रिक्स पेश करता है। यह प्रस्तावित करता है कि इष्टतम किनारे (edges) शोर प्रसार (noise propagation) को दबाने के लिए एडेप्टिव वाल्व (कॉन्ट्रैक्टिव फिल्टर्स) के रूप में कार्य करते हैं।
• Mixture-of-Experts (MoE) से अंतर: लेखक स्पष्ट करते हैं कि हालांकि एजेंटिक AI, MoE के साथ रूटिंग सिद्धांत साझा करता है, लेकिन यह फिक्स्ड सिंगल-लेयर रूटिंग के बजाय मल्टी-स्टेप रीजनिंग, डायनेमिक टास्क डिकंपोजिशन और अनिश्चित DAG टोपोलॉजी का समर्थन करके MoE से आगे बढ़ता है।

परिणाम (Results)

• सैंपल कॉम्प्लेक्सिटी: विश्लेषण दिखाता है कि एक लक्षित त्रुटि दर के लिए, एक मोनोलिथिक मॉडल की सैंपल कॉम्प्लेक्सिटी $N_{mono} \propto \epsilon^{-D}$ के रूप में स्केल करती है, जबकि एक रूटिंग-आधारित एजेंटिक AI $N_{Agentic} \propto K \cdot \epsilon^{-d_{max}}$ के रूप में स्केल करता है। $d_{max} \ll D$ होने के कारण, एजेंटिक दृष्टिकोण डेटा आवश्यकताओं में घातीय कमी प्रदान करता है।
• पैरामीटर दक्षता: इसी प्रकार, पैरामीटर दक्षता अंतर्निहित आयाम पर निर्भर पावर लॉ का अनुसरण करती है। मोनोलिथिक मॉडल एम्बिएंट आयाम ($O(P^{-\kappa/D})$) द्वारा बाधित होते हैं, जबकि एजेंटिक सिस्टम कम अंतर्निहित आयाम ($O(P^{-\kappa/d_{max}})$) से लाभान्वित होते हैं।
• इष्टतम ग्रैनुलैरिटी (Optimal Granularity): पेपर विशेषज्ञों के लाभ और रूटिंग ओवरहेड के बीच संतुलन बनाने के लिए एजेंटों की एक इष्टतम संख्या $K^*$ की पहचान करता है। यह सुझाव देता है कि ट्री-आधारित रूटिंग नगण्य रूटिंग रिग्रेट के साथ बड़े पैमाने पर स्केलिंग ($K \gg 1$) की अनुमति देती है, जबकि जटिल, गैर-पदानुक्रमित सीमाओं को कैप्चर करने के लिए डेटा-समृद्ध व्यवस्थाओं में न्यूरल रूटिंग बेहतर है।
• स्थिरता की स्थितियाँ (Stability Conditions): DAG टोपोलॉजी का विश्लेषण प्रकट करता है कि सिस्टम अस्थिरता (जैसे, मतिभ्रम/hallucinations, वेरिएंस) अक्सर खराब टोपोलॉजिकल डिज़ाइन (जैसे, लंबी श्रृंखलाओं में नॉन-कॉन्ट्रैक्टिव किनारे) से उत्पन्न होती है, न कि मल्टी-एजेंट अवधारणाओं के मौलिक दोषों से।

महत्व और दावे (Significance and Claims)
पेपर एजेंटिक AI को केवल एक आर्किटेक्चरल विकल्प के रूप में नहीं, बल्कि विषम, उच्च-आयामी वास्तविक दुनिया के कार्यों में महारत हासिल करने के लिए एक "ज्यामितीय आवश्यकता" (geometric necessity) के रूप में स्थापित करता है। लेखक तर्क देते हैं कि AGI का मार्ग ब्रूट-फोर्स मोनोलिथिक स्केलिंग से हटकर स्थिर, सुव्यवस्थित एजेंटिक AI इकोसिस्टम के सटीक अनुकूलन की ओर बढ़ने की आवश्यकता है।

इस कार्य का महत्व निम्नलिखित में निहित है:

1. AGI अनुसंधान का लोकतंत्रीकरण: दक्षता में घातीय लाभ प्रदान करके, एजेंटिक AI शोधकर्ताओं को अत्यधिक कंप्यूट लागत के बिना अत्याधुनिक जनरलाइजेशन प्राप्त करने की अनुमति देता है।
2. सैद्धांतिक आधार: यह पहला ठोस सैद्धांतिक प्रमाण प्रदान करता है जो यह दिखाता है कि संरचित वास्तविक दुनिया के वितरणों के अनुमान के तहत एजेंटिक AI, मोनोलिथिक दृष्टिकोण की तुलना में समग्र रूप से श्रेष्ठ है।
3. डिज़ाइन सिद्धांत: यह मल्टी-एजेंट सिस्टम के लिए कार्रवाई योग्य डिज़ाइन सिद्धांत प्रदान करता है, जो टोपोलॉजिकल स्थिरता, एज कॉन्ट्रैक्शन और रूटिंग लागत बनाम विशेषज्ञता लाभ के बीच अंतर पर जोर देता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान मल्टी-एजेंट फ्रेमवर्क अक्सर खराब डिज़ाइन (संगठनात्मक एंट्रॉपी, मिसअलाइनमेंट) के कारण विफल होते हैं, लेकिन ये समाधान योग्य इंजीनियरिंग चुनौतियां हैं। AGI का "पूर्वानुमानित मार्ग" मोनोलिथिक स्केलिंग की सीमाओं को पार करने के लिए आवश्यक प्रतिमान के रूप में एजेंटिक AI को अपनाने में निहित है।