कल्पना कीजिए कि आप ट्रकों के एक विशाल बेड़े के कप्तान हैं, जिन्हें पूरे देश में गोदामों (वेयरहाउस) का एक नेटवर्क स्थापित करने का काम सौंपा गया है। आपका काम यह तय करना है कि प्रत्येक गोदाम कितना बड़ा होना चाहिए, इससे पहले कि आपको पता चले कि वास्तव में कितने पैकेज आएंगे। यदि आप उन्हें बहुत छोटा बनाते हैं, तो आप घिर जाएंगे, पैकेज बाहर जमा होने लगेंगे, जिससे आपको लेट फीस के रूप में पैसा चुकाना पड़ेगा। यदि आप उन्हें बहुत बड़ा बनाते हैं, तो आप खाली जगह के लिए किराया दे रहे हैं, जो कि बर्बादी है। यह "हब क्षमता नियोजन" (hub capacity planning) की क्लासिक पहेली है। दशकों से, गणितज्ञों और कंप्यूटर वैज्ञानिकों ने इसे हल करने के लिए सुपर-स्मार्ट कैलकुलेटर बनाए हैं। ये कैलकुलेटर "500 ट्रक" या "$10 प्रति घंटा" जैसे नंबरों को प्रोसेस करने में माहिर हैं। लेकिन उनकी एक कमी है: वे समाचार नहीं पढ़ सकते। वे नहीं समझते कि एक तूफान आने वाला है, एक नए कानून ने परमिट को महंगा कर दिया है, या एक स्थानीय कारखाने ने अभी-एक हजार नए कर्मचारी रखे हैं। वे एक शानदार शेफ की तरह हैं जो रेसिपी का पूरी तरह से पालन कर सकता है लेकिन सूप को चखने से इनकार कर देता है यह देखने के लिए कि क्या इसमें नमक की जरूरत है।

यहीं से कहानी दिलचस्प हो जाती है। वैज्ञानिकों ने हाल ही में एक नए प्रकार के कंप्यूटर मस्तिष्क की खोज की है जिसे लार्ज लैंग्वेज मॉडल (LLM) कहा जाता है। आप इन्हें उन चैटबॉट्स के रूप में जानते होंगे जो कविताएं लिख सकते हैं, लेखों का सारांश बना सकते हैं, या आपकी दिनचर्या के बारे में बात कर सकते हैं। वे मानवीय भाषा और वास्तविक दुनिया के अनिश्चित संदर्भों को समझने में अद्भुत हैं। मुख्य सवाल जो शोधकर्ताओं ने पूछा था वह यह था: क्या हम नंबरों को प्रोसेस करने वाले कैलकुलेटर को भाषा के जानकार चैटबॉट के साथ टीम में लगा सकते हैं? क्या हम चैटबॉट को समाचार पढ़ने दे सकते हैं और उसे कैलकुलेटर को यह बताने दें, "हे, यहाँ एक बड़ा गोदाम बनाओ क्योंकि वह तूफान आ रहा है," जबकि कैलकुलेटर यह जांचता रहे कि क्या यह वास्तव में ट्रैफिक प्रवाह के लिए सही है?

आप जिस शोध पत्र को पढ़ने जा रहे हैं, वह ठीक इसी साझेदारी की खोज करता है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जहाँ एक AI एजेंट प्राकृतिक भाषा में लिखे गए व्यावसायिक रिपोर्ट पढ़ता है—जैसे "सवाना में श्रम की कमी का सामना करना पड़ रहा है" या "अटलांटा में लॉजिस्टिक्स का उछाल आ रहा है"—और इस जानकारी का उपयोग गोदाम नियोजन को निर्देशित करने के लिए करता है। उन्होंने केवल AI से अनुमान लगाने के लिए नहीं कहा; उन्होंने एक चतुर लूप बनाया जहाँ AI एक सुझाव देता है, एक गणितीय मॉडल यह परीक्षण करता है कि ट्रक वास्तव में कैसे चलेंगे, और फिर AI अगले बार बेहतर अनुमान लगाने के लिए परिणाम से सीखता है। यह एक कोच और खिलाड़ी के साथ अभ्यास करने जैसा है: कोच (AI) मौसम की रिपोर्ट पढ़ता है और खिलाड़ी (गणितीय मॉडल) को रणनीति बदलने के लिए कहता है, और खिलाड़ी यह देखने के लिए एक ड्रिल चलाता है कि क्या नई रणनीति काम करती है।

टीम ने इसे दक्षिण-पूर्वी अमेरिका के तीन राज्यों को कवर करने वाले एक वास्तविक माल परिवहन नेटवर्क पर टेस्ट किया, जिसमें 13 प्रमुख हब शामिल थे। उन्होंने सिस्टम को 15 अलग-अलग व्यावसायिक परिदृश्य दिए, जिनमें पर्यावरणीय जुर्माने से लेकर मांग में अचानक उछाल तक शामिल थे। परिणाम चौंकाने वाले थे। एक पारंपरिक गणित मॉडल, जिसने टेक्स्ट को अनदेखा किया और केवल पुराने डेटा को देखा, अंततः एक ऐसे प्लान के साथ समाप्त हुआ जो आदर्श समाधान से 11.0% दूर था। लेकिन नया AI-निर्देशित सिस्टम, जो वास्तव में व्यावसायिक संदर्भ को "पढ़" सकता था, बहुत करीब पहुँच गया, जिसने केवल 2.8% का अंतर (optimality gap) प्राप्त किया। दूसरे शब्दों में, AI को मानवीय समाचार और गणितीय तर्क के बीच एक अनुवादक के रूप में उपयोग करके, टीम ने पाया कि वे नेटवर्क को काफी स्मार्ट और कुशल बना सकते हैं। उन्होंने दिखाया कि हालांकि AI खुद जटिल गणित नहीं कर सकता, लेकिन यह एक "संदर्भगत सेतु" (contextual bridge) के रूप में एकदम सही है, जो गणितीय मॉडलों को दुनिया को उसी तरह देखने में मदद करता है जैसे इंसान देखते हैं।

स्मार्ट ब्रिज की कहानी

तो, यह वास्तव में कैसे काम करता है? कल्पना कीजिए कि आप दोस्तों के एक समूह के लिए एक बड़ी रोड ट्रिप की योजना बना रहे हैं, लेकिन आपको अभी तक सटीक ट्रैफिक स्थितियों का पता नहीं है। आपके पास एक GPS (गणितीय मॉडल) है जो औसत ट्रैफिक के आधार पर सबसे तेज़ रास्ता बताता है। लेकिन आपके पास एक दोस्त (AI) भी है जिसने अभी-अभी स्थानीय समाचार पढ़ा है। समाचार पत्र कहता है, "अटलांटा में एक बड़ा उत्सव हो रहा है जिससे जाम लग गया है," और "सवाना में एक नया पुल खुला है, जिससे यात्रा तेज हो गई है।"

आपका GPS उत्सव या पुल के बारे में नहीं जानता; वह केवल पुराने मानचित्र को जानता है। यदि आप केवल GPS का पालन करते हैं, तो आप उत्सव के ट्रैफिक में फंस सकते हैं। यदि आप बिना मैप चेक किए केवल अपने दोस्त की बात सुनते हैं, तो आप ऐसा रास्ता ले सकते हैं जो कागज पर तो अच्छा दिखता है लेकिन वास्तव में बहुत दूर है। शोधकर्ताओं ने एक सिस्टम बनाया है जहाँ दोस्त और GPS एक लूप में एक-दूसरे से बात करते हैं।

सबसे पहले, दोस्त (AI) समाचार पत्र पढ़ता है। यह समाचार को समझने के लिए "चेन-ऑफ-थॉट" नामक एक विशेष सोचने की प्रक्रिया का उपयोग करता है। यह खुद से पूछता है: "यदि उत्सव हो रहा है, तो क्या इसका मतलब है कि हमें अटलांटा में अधिक स्थान की आवश्यकता है? या हमें इससे बचना चाहिए?" फिर यह एक सरल तालिका बनाता है, जो प्रत्येक समाचार को एक विशिष्ट कार्य से जोड़ता है, जैसे "हब 52 की क्षमता बढ़ाएं" या "हब 42 की क्षमता घटाएं।" यह प्रत्येक निर्णय के लिए एक आत्मविश्वास स्तर भी निर्धारित करता है, जैसे, "मैं उत्सव के बारे में 100% निश्चित हूँ, लेकिन मैं पुल के बारे में केवल 50% निश्चित हूँ।"

इसके बाद, AI इस योजना को GPS (ऑप्टिमाइज़ेशन मॉडल) को भेजता है। GPS केवल "हाँ" या "नहीं" नहीं कहता। यह एक सिमुलेशन चलाता है। यह कहता है, "ठीक है, यदि हम आपके सुझाव के अनुसार चलते हैं, तो यहाँ ट्रैफिक का प्रवाह कैसा होगा। हम देखते हैं कि हब 52 90% भर गया है, जो अच्छा है, लेकिन हब 42 खाली है, जो कि बर्बादी है।" महत्वपूर्ण रूप से, GPS AI को अंतिम लागत डॉलर में नहीं बताता है। क्यों? क्योंकि GPS अभी भी पुराने मानचित्र (पुराने खर्चों) का उपयोग कर रहा है और वह अभी तक उत्सव के बारे में नहीं जानता है। यदि वह AI को लागत बताता, तो AI उन नंबरों से भ्रमित हो सकता था जो नई वास्तविकता को नहीं दर्शाते। इसके बजाय, GPS केवल AI को ट्रैफिक फ्लो डेटा देता है: "देखो, यहाँ बाधाएँ (bottlenecks) कहाँ हैं।"

AI फिर इस फीडबैक को देखता है। वह कहता है, "आह, मैं समझ गया। भले ही उत्सव हब 52 को महंगा बना देता है, लेकिन ट्रैफिक इतना भारी है कि हमें वहां अतिरिक्त स्थान की आवश्यकता है। लेकिन हब 42 खाली है, इसलिए मैं वहां क्षमता बढ़ाने में गलत था।" AI अपनी तालिका को अपडेट करता है और फिर से प्रयास करता है। वह इसे बार-बार करता रहता है, अपनी योजना को परिष्कृत करता रहता है, जब तक कि ट्रैफिक का प्रवाह बिल्कुल सही न हो जाए और बाधाएं खत्म न हो जाएं।

परिणाम: एक स्मार्ट नेटवर्क

जब शोधकर्ताओं ने इसे अमेरिका के एक वास्तविक माल नेटवर्क पर परखा, तो अंतर स्पष्ट था। काम करने का पुराना तरीका—केवल ऐतिहासिक डेटा के साथ गणितीय मॉडल का उपयोग करना—परिणाम को सर्वोत्तम संभव परिणाम से 11.0% दूर छोड़ गया। इसका मतलब है कि वे या तो खाली गोदामों के लिए बहुत अधिक भुगतान कर रहे थे या ओवरफ्लो होने के कारण बहुत अधिक जुर्माना भर रहे थे।

हालाँकि, नए AI-निर्देशित सिस्टम ने उस अंतर को घटाकर केवल 2.8% कर दिया। यह एक बहुत बड़ा सुधार है। AI ने सफलतापूर्वक पहचान लिया कि कौन से हब नए नियमों या श्रम समस्याओं के कारण बहुत महंगे हो रहे हैं और वहां निवेश करना बंद करने का निर्णय लिया। साथ ही, इसने पहचाना कि कहाँ मांग बढ़ रही है और वहां क्षमता बढ़ाई।

सबसे दिलचस्प निष्कर्षों में से एक यह था कि AI ने "छिपे हुए" सच को कैसे संभाला। शोधकर्ताओं ने एक गुप्त "वास्तविक" मॉडल बनाया जिसमें व्यावसायिक परिवर्तनों (जैसे "लागत 9 गुना बढ़ गई") के लिए सटीक नंबर थे ताकि यह देखा जा सके कि AI ने कितना अच्छा प्रदर्शन किया। AI ने कभी भी इन नंबरों को नहीं देखा; उसने केवल टेक्स्ट देखा। फिर भी, इसने लगभग उतना ही सही कदम उठाया जितना कि यदि उसके पास नंबर होते। उदाहरण के लिए, जब टेक्स्ट में कहा गया कि एक हब की लागत "लगभग नौ गुना" बढ़ गई है, तो AI ने वहां क्षमता को भारी रूप से कम करने का सही निर्णय लिया, भले ही उसे सटीक गुणक (multiplier) का पता नहीं था। उसने शब्दों से ही बदलाव की दिशा और परिमाण को समझ लिया।

अध्ययन ने यह भी दिखाया कि AI जटिल पैटर्न पहचानने में सक्षम है। एक मामले में, AI ने महसूस किया कि एक विशिष्ट ह-ब की क्षमता बढ़ाकर, वह दूर स्थित दूसरे हब पर दबाव कम कर सकता है, जिससे बहुत पैसा बच सकता है। इस तरह की "नेटवर्क थिंकिंग" करना इंसानों के लिए दिमाग में कठिन है और पुराने गणितीय मॉडलों के लिए सही संदर्भ के बिना कठिन है।

यह क्यों मायने रखता है

यह शोध पत्र सुझाव देता है कि हमें स्मार्ट गणित और मानवीय संदर्भ के बीच चुनाव करने की आवश्यकता नहीं है। हमारे पास दोनों हो सकते हैं। LLMs को एक "संदर्भगत सेतु" के रूप में उपयोग करके, हम उस अव्यवस्थित, वास्तविक दुनिया की जानकारी को, जिससे इंसान हर दिन निपटते हैं, ऑपरेशंस रिसर्च की कठोर और सटीक दुनिया में डाल सकते हैं। AI एक अनुवादक के रूप में कार्य करता है, जो "श्रम की कमी" को "क्षमता कम करें" में और "लॉजिस्टिक्स उछाल" को "क्षमता बढ़ाएं" में बदल देता है।

शोधकर्ता सावधानीपूर्वक नोट करते हैं कि यह एक विशिष्ट नेटवर्क पर एक सिमुलेशन है, और हालांकि परिणाम आशाजनक हैं, लेकिन यह कोई जादुई समाधान नहीं है जो हर समस्या को तुरंत हल कर देता है। लेकिन मूल विचार—कि एक AI टेक्स्ट पढ़कर और ट्रैफिक फ्लो की जांच करके योजना को बार-बार परिष्कृत कर सकता है—योजना बनाने के बारे में सोचने का एक शक्तिशाली नया तरीका है। यह कंप्यूटर को एक कठोर कैलकुलेटर से बदलकर एक लचीले साथी में बदल देता है जो माहौल को समझ सकता है, समाचार पढ़ सकता है, और हमें एक बेहतर, अधिक उत्तरदायी दुनिया बनाने में मदद कर सकता है।