The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims

तकनीकी सारांश: AI-सहायता प्राप्त अनुसंधान में कैलिब्रेशन टर्न (The Calibration Turn)

समस्या विवरण (Problem Statement)
यह शोध पत्र AI-सहायता प्राप्त वैज्ञानिक अनुसंधान के मूल्यांकन में एक महत्वपूर्ण अंतराल को संबोधित करता है। 2026 के मध्य तक, यह क्षेत्र केवल इस प्रश्न से आगे निकल चुका है कि क्या AI सिस्टम परिकल्पनाएं (hypotheses) उत्पन्न कर सकते हैं, प्रयोग चला सकते हैं, या पांडुलिपियां तैयार कर सकते हैं। केंद्रीय चुनौती अब यह है कि क्या इन प्रणालियों द्वारा उत्पादित अंतिम वैज्ञानिक दावे (scientific claims) उनके समर्थन में मौजूद साक्ष्यों के प्रति कैलिब्रेटेड (calibrated) हैं या नहीं। लेखक ने एक व्यापक विफलता मोड की पहचान की है जिसे "क्लेम ड्रिफ्ट" (claim drift) कहा गया है, जहाँ परिणाम की भाषा, रूपरेखा या सामाजिक व्याख्या एक मजबूत दावे (जैसे, "खोज" या "नैदानिक सत्यापन") की ओर स्थानांतरित हो जाती है, जबकि अंतर्निहित साक्ष्य प्रोफाइल अभी भी एक कमजोर स्तर (जैसे, "कम्प्यूटेशनल कैंडिडेट" या "इन विट्रो समर्थन") पर बनी रहती है। यह ड्रिफ्ट "एपिस्टेमिक डेट" (epistemic debt - ज्ञान संबंधी ऋण) पैदा करता है, जहाँ सिस्टम ऐसे अपुष्ट दावों को संचित करते हैं जो उनके साक्ष्यगत आधारों (evidential warrants) से अधिक होते हैं।

कार्यप्रणाली और ढांचा (Methodology and Framework)
शोध पत्र एक वैचारिक और पद्धतिगत ढांचे का प्रस्ताव करता है जो साक्ष्य-कैलिब्रेटेड सिमेंटिक्स (evidential calibration semantics) पर केंद्रित है। वैज्ञानिक आउटपुट को परिकल्पना से सत्य की ओर एक रैखिक प्रगति के रूप में मानने के बजाय, यह ढांचा AI-सहायता प्राप्त अनुसंधान को पांच ऑपरेटरों के संयोजन के रूप में मॉडल करता है:

1. परिकल्पना पीढ़ी ($G$): ज्ञान और डेटा से संभावित उम्मीदवारों का प्रस्ताव देना।
2. मॉडल-मध्यस्थ परिणाम व्युत्पत्ति ($M$): परिकल्पनाओं को डोमेन-उपयुक्त परीक्षण योग्य परिणामों (जैसे, भविष्यवाणियां, प्रमाण दायित्व, या नैदानिक विशेषताएं) में अनुवादित करना।
3. बाह्य सत्यापन ($V$): प्रयोगों, सिमुलेशन, प्रमाण परीक्षकों (proof checkers), या बेंचमार्क के माध्यम से परिणामों का न्याय करना।
4. विश्वास अद्यतन ($U$): परिणामों को ज्ञान की स्थिति में शामिल करना।
5. दावा कैलिब्रेशन ($Cal_D$): वह नवीन ऑपरेटर जो कच्चे दावों, साक्ष्यों और मूल्यांकनकर्ताओं को एक अधिकतम साक्ष्य-लाइसेंस प्राप्त दावा सीमा (maximal evidence-licensed claim frontier) पर मैप करता है।

यह ढांचा एक लाइसेंस संबंध ($E \Vdash_{D,V} C$) के माध्यम से वैज्ञानिक अभिकथन अधिकारों (assertion rights) को औपचारिक रूप देता है, जो इस शर्त को परिभाषित करता है जहाँ साक्ष्य $E$ और मूल्यांकनकर्ता $V$ द्वारा प्रदान किया गया समर्थन प्रोफाइल, डोमेन $D$ में दावे $C$ की आवश्यकता वाले प्रोफाइल को कवर करता है। यह डायग्नोस्टिक मेट्रिक्स पेश करता है:

• दावा-साक्ष्य अंतराल ($\Delta_{D,V}(C, E)$): एक दावे के लिए आवश्यक साक्ष्यगत आधार और वास्तव में प्रदान किए गए समर्थन के बीच का अंतर।
• एपिस्टेमिक डेट ($Debt^\ell_{D,V}(C, E)$): अंतराल का सकारात्मक भाग, जो एक अत्यधिक मजबूत दावे के "अदत्त" (unpaid) वारंट का प्रतिनिधित्व करता है।
• कैलिब्रेशन ऑपरेटर ($Cal_D$): एक फलन (function) जो एक कच्चे दावे को लाइसेंस प्राप्त दावों के सेट ($L_{D,V}(E)$) पर प्रोजेक्ट करता है, जो संभावित रूप से दावे की शक्ति को कम करता है, सीमाओं को संकुचित करता है, या मोडल स्टेटस (modal status) को बदल देता है ताकि यह सुनिश्चित हो सके कि आउटपुट साक्ष्य से अधिक न हो।

शोध पत्र छह प्रतिनिधि "मार्गों" (routes) की तुलना करता है ताकि इस ढांचे का परीक्षण किया जा सके:

1. विशिष्ट वैज्ञानिक फाउंडेशन मॉडल्स (जैसे, AlphaFold 3, GNoME): उच्च थ्रूपुट भविष्यवाणी, लेकिन भविष्यवाणी को व्याख्या (explanation) समझने का जोखिम।
2. मानव-नेतृत्व वाले LLM रिसर्च असिस्टेंट: परिकल्पना पुनर्संयोजन में मजबूत, लेकिन स्वतंत्र परिणाम व्युत्पत्ति में कमजोर।
3. मल्टी-एजेंट को-साइंटिस्ट सिस्टम: परिकल्पना प्रतिस्पर्धा और आलोचना को अनुकूलित करते हैं, लेकिन प्रायोगिक क्रियाशीलता (experimental actionability) को सामान्य खोज समझने का जोखिम।
4. एंड-टू-एंड AI साइंटिस्ट पाइपलाइन्स: आर्टिफैक्ट जनरेशन (कोड, पेपर) को स्वचालित करते हैं, जिससे वर्कफ़्लो पूर्णता और वैज्ञानिक सत्य के बीच भ्रम का जोखिम होता है।
5. एल्गोरिद्मिक/गणितीय खोज एजेंट (जैसे, AlphaEvolve): सख्त सत्यापनकर्ताओं (प्रमाण, बेंचमार्क) वाले डोमेन में मजबूत, लेकिन उन डोमेन तक सीमित।
6. सेल्फ-ड्राइविंग लैबोरेटरीज: वास्तविक दुनिया के हस्तक्षेप के साथ सबसे करीबी लूप, लेकिन महंगी और नवीनता तथा चरण पहचान (phase identification) के संबंध में व्याख्यात्मक जोखिमों के प्रति संवेदनशील।

मुख्य योगदान (Key Contributions)

1. साक्ष्य-कैलिब्रेटेड शब्दावली: शोध पत्र विश्लेषणात्मक ध्यान परिकल्पना पीढ़ी और सत्यापन से हटाकर साक्ष्य-लाइसेंस प्राप्त अभिकथन (evidence-licensed assertion) पर केंद्रित करता है। यह भाषाई संभाव्यता, परिणाम व्युत्पत्ति, अधिनिर्णय (adjudication) और अंतिम लाइसेंस प्राप्त दावे के बीच अंतर करता है।
2. अभिकथन अधिकारों का औपचारिकीकरण: यह लाइसेंस संबंध ($E \Vdash_{D,V} C$) और दावा-साक्ष्य अंतराल को पेश करता है, जो यह परिभाषित करने का एक कठोर तरीका प्रदान करता है कि कब एक दावा अनुमेय है और कब यह एपिस्टेमिक डेट का निर्माण करता है।
3. डायग्नोस्टिक उपाय: एपिस्टेमिक डेट और दावा-साक्ष्य अंतराल की परिभाषा AI सिस्टमों के ऑडिट के लिए एक तंत्र प्रदान करती है, जो यह अंतर करती है कि कोई सिस्टम केवल "संभावित" (plausible) है या "लाइसेंस प्राप्त" (licensed) है।
4. मार्ग तुलना: शोध पत्र तर्क देता है कि मार्ग न केवल स्वचालन क्षमता में भिन्न होते हैं, बल्कि उनके वैज्ञानिक अर्थ के निहित सिद्धांत और मूल्यांकनकर्ताओं की स्वतंत्रता/विश्वसनीयता में भी भिन्न होते हैं। यह दर्शाता है कि "सत्यापन" का एक एकल अर्थ नहीं है; एक in vitro परख, एक औपचारिक प्रमाण, और एक बेंचमार्क सुधार अलग-अलग स्तर के दावे लाइसेंस करते हैं।
5. इलस्ट्रेटिव सिंथेटिक डायनेमिक्स (AISim-Cal): शोध पत्र प्रस्तावित अवधारणाओं के आंतरिक व्यवहार को समझाने के लिए एक सिंथेटिक सिमुलेशन (AISim-Cal) शामिल करता है। यह स्पष्ट रूप से एक अनुभवजन्य पूर्वानुमान या बेंचमार्क नहीं है। यह यह दिखाने के लिए एक विचार प्रयोग (thought experiment) के रूप में कार्य करता है कि कैसे जनरेशन क्षमता का अधिनिर्णय और कैलिब्रेशन क्षमता से तेजी से बढ़ना, ओवरक्लेमिंग (overclaiming) और विश्वास के पतन की ओर ले जाता है।

परिणाम और निष्कर्ष (Results and Findings)
यह शोध पत्र नए अनुभवजन्य वैज्ञानिक परिणाम या नया AI सिस्टम प्रस्तुत नहीं करता है। इसके "परिणाम" सैद्धांतिक और डायग्नोस्टिक हैं:

• क्लेम ड्रिफ्ट सार्वभौमिक है: सभी छह मार्गों में, साझा विफलता मोड लाइसेंस प्राप्त कमजोर दावे से लाइसेंस प्राप्त अनधिकृत मजबूत दावे की ओर माइग्रेशन है। उदाहरण के लिए, एक विशिष्ट मॉडल जो एक स्थिर क्रिस्टल संरचना की भविष्यवाणी करता है, उसे अक्सर "खोज" के रूप में फ्रेम किया जाता है, न कि "एक विशिष्ट मॉडल द्वारा समर्थित उम्मीदवार" के रूप में।
• सत्यापन $\neq$ दावे का स्तर: शोध पत्र प्रदर्शित करता है कि एक सफल सत्यापन (जैसे, एक बेंचमार्क पास करना या एक in vitro परख) स्वतः ही एक व्यापक वैज्ञानिक दावे को लाइसेंस नहीं देता है। दावे को विशिष्ट साक्ष्य संदर्भ के अनुरूप स्पष्ट रूप से कम या सीमित किया जाना चाहिए।
• कैलिब्रेशन बॉटलनेक: विश्लेषण बताता है कि जैसे-जैसे जनरेशन ($G$) और मॉडलिंग ($M$) क्षमताएं तेजी से बढ़ती हैं, स्वतंत्र अधिनिर्णय ($V$) और दावा कैलिब्रेशन ($Cal_D$) की क्षमता अक्सर पीछे रह जाती है। यह एक "शीयर" ($Shear_r(t)$) बनाता है जहाँ उत्पादकता बढ़ती है जबकि एपिस्टेमिक जोखिम संचित होता है।
• सिंथेटिक डायग्नोस्टिक्स: AISim-Cal सिमुलेशन में, सख्त, स्वतंत्र मूल्यांकनकर्ताओं वाले मार्ग (जैसे, औपचारिक डोमेन में एल्गोरिद्मिक एजेंट) कैलिब्रेशन लागू होने पर उच्च "लाइसेंस प्राप्त उपयोगिता" दिखाते हैं। इसके विपरीत, उच्च थ्रूपुट लेकिन कमजोर कैलिब्रेशन वाले मार्ग (जैसे, एंड-टू-एंड AI साइंटिस्ट पाइपलाइन्स) मजबूत कैलिब्रेशन ऑपरेटरों की अनुपस्थिति में महत्वपूर्ण एपिस्टेमिक डेट संचित करते हैं।

महत्व और दावे (Significance and Claims)
यह शोध पत्र स्वयं को एक परिप्रेक्ष्य-शैली के सैद्धांतिक संश्लेषण (Perspective-style theoretical synthesis) के रूप में स्थापित करता है, न कि एक व्यवस्थित साहित्य समीक्षा या अनुभवजन्य अध्ययन के रूप में। इसका महत्व विश्वसनीय AI-सहायता प्राप्त अनुसंधान के मूल्यांकन के लिए एक वैचारिक और पद्धतिगत ढांचे प्रदान करने में निहित है।

लेखक का तर्क है कि वैज्ञानिक अभिकथन अधिकारों के प्रबंधन के लिए "कैलिब्रेशन टर्न" आवश्यक है। मुख्य विषय यह है कि AI विज्ञान का मूल्यांकन इस आधार पर नहीं किया जाना चाहिए कि क्या वह परिकल्पनाएं उत्पन्न करता है या सत्यापन प्राप्त करता है, बल्कि इस आधार पर किया जाना चाहिए कि क्या वह वैज्ञानिक अभिकथन अधिकारों का प्रबंधन करता है—सत्यापन परिणामों को उचित रूप से सीमित, साक्ष्य-लाइसेंस प्राप्त दावों में परिवर्तित करता है।

शोध पत्र तीन "कैलिब्रेशन कानूनों" के साथ समाप्त होता है:

1. लाइसेंस के बिना कोई दावा नहीं: एक दावा तभी प्रकाशित करने योग्य है यदि वह साक्ष्य द्वारा लाइसेंस प्राप्त दावों के सेट में आता है।
2. सत्यापन दावे के स्तर को निर्धारित नहीं करता है: एक ही साक्ष्य एक कमजोर दावे को लाइसेंस दे सकता है लेकिन एक मजबूत दावे को नहीं।
3. स्वचालन कैलिब्रेशन की आवश्यकता को बढ़ाता है: जैसे-जैसे जनरेशन और परिणाम-व्युत्पत्ति क्षमताएं स्केल होती हैं, ओवरक्लेमिंग का जोखिम बढ़ जाता है जब तक कि अधिनिर्णय और कैलिब्रेशन आनुपातिक रूप से स्केल न हों।

अंततः, शोध पत्र एक विश्वसनीय AI वैज्ञानिक को वह नहीं मानता जो स्वायत्त रूप से पेपर लिखता है, बल्कि वह है जो अभिकथन अधिकारों का प्रबंधन करता है, यह सुनिश्चित करता है कि प्रत्येक आउटपुट इस स्पष्ट कथन के साथ जुड़ा हो कि अभी तक क्या लाइसेंस प्राप्त नहीं है। यह ढांचा विषम प्रणालियों (LLMs, रोबोटिक लैब्स, प्रूफ एजेंट्स) की तुलना करने के लिए एक अनुशासन के रूप में कार्य करता है, जो समान अपरिवर्तनीय प्रश्नों को पूछता है: क्या उत्पन्न किया गया है? क्या परिणाम व्युत्पन्न किया गया है? कौन मूल्यांकन करता है? विश्वास कैसे अपडेट किए जाते हैं? और अंतिम लाइसेंस प्राप्त दावा क्या है?