तकनीकी सारांश: संज्ञानात्मक सामान्य संपदा की त्रासदी (The Tragedy of the Cognitive Commons)

1. समस्या विवरण

यह शोध पत्र एजेंटिक आर्टिफिशियल इंटेलिजेंस (AI) की तैनाती में एक विशिष्ट जोखिम को संबोधित करता है, जिसे मानक उत्पादकता-केंद्रित आर्थिक विश्लेषणों द्वारा अक्सर अनदेखा कर दिया जाता है: मानवता के साझा ज्ञान आधार के स्व-सुदृढ़ीकरण वाले क्षरण की क्षमता, जिसे "ज्ञान पतन" (knowledge collapse) कहा गया है।

एसेमोलु, कोंग और ओज़दाग्लार (2026a) के एक हालिया गतिशील मॉडल पर आधारित, लेखक उस परिदृश्य की जांच करते हैं जहाँ AI संदर्भ-विशिष्ट समाधानों को उत्पन्न करने के लिए मानवीय संज्ञानात्मक प्रयास का विकल्प बनता है, लेकिन सामूहिक ज्ञान के भंडार की पूर्ति करने में विफल रहता है। मूल समस्या एक नकारात्मक शिक्षण बाह्यता (negative learning externality) है: मानवीय प्रयास साथ ही साथ निजी संकेत (तत्काल कार्य समाधान) और पतले सार्वजनिक संकेत (सामूहिक ज्ञान भंडार में योगदान) दोनों उत्पन्न करता है। यदि AI समाधानों की निजी मांग को पूरा करता है, तो यह मनुष्यों के प्रयास करने के प्रोत्साहन को कम कर देता है, जिससे सार्वजनिक संकेत का अभाव हो जाता है। समय के साथ, यह "सामान्य ज्ञान" (G) को क्षीण कर देता है जिसकी आवश्यकता विशिष्ट सिफारिशों को समझने और उन्हें मान्य करने के लिए होती है, जिससे अंततः उन AI प्रणालियों की विश्वसनीयता भी घट जाती है, जो इसी आधार (substrate) पर निर्भर हैं।

2. कार्यप्रणाली और मॉडल पुनर्निर्माण

लेखक एसेमोलु आदि (2026a) के मॉडल का एक नपा-तुला मूल्यांकन प्रदान करते हैं, जो इसके तर्क को एक शैलीबद्ध ह्यूरिस्टिक रिडक्शन (heuristic reduction) के माध्यम से पुनर्गठित करता है ताकि उन मापदंडों को अलग किया जा सके जो परिणाम को संचालित करते हैं।

2.1 ज्ञान संबंधी द्वैतता (Epistemic Dichotomy)

मॉडल दो पूरक रूपों के बीच एक स्पष्ट अंतर पर आधारित है:

• सामान्य ज्ञान (G): एक सामाजिक, सामूहिक भंडार जो धीरे-धीरे संचित होता है (जैसे, नैदानिक सिद्धांत, कानूनी सिद्धांत)।
• संदर्भ-विशिष्ट ज्ञान (s): स्थानीय, निजी ज्ञान जो विशिष्ट स्थितियों की ओर उन्मुख होता है (जैसे, एक विशिष्ट रोगी के लक्षण)।

मॉडल एक मजबूत पूरकता (complementarity) मानता है: एक संदर्भ-विशिष्ट संकेत तभी सार्थक होता है जब एजेंट के पास उसे समझने के लिए सामान्य ढांचा मौजूद हो।

2.2 फीडबैक लूप

यह तंत्र मानवीय प्रयास (e) द्वारा संयुक्त उत्पादन द्वारा संचालित होता है:

1. उत्पादन: मानवीय प्रयास एक निजी संकेत (निर्णय की गुणवत्ता में सुधार) और एक "पतला" सार्वजनिक संकेत उत्पन्न करता है जो भंडार $G$ की पूर्ति करता है।
2. AI प्रतिस्थापन: एजेंटिक AI सटीकता $a$ के साथ लगभग शून्य सीमांत लागत पर एक निजी संकेत प्रदान करता है, जो मानवीय प्रयास का विकल्प बनता है लेकिन $G$ में योगदान नहीं देता है।
3. पतन तंत्र (The Collapse Mechanism): जैसे-जैसे AI की सटीकता ($a$) बढ़ती है, मानवीय प्रयास का सीमांत निजी रिटर्न कम होता जाता है। यदि मानवीय प्रयास पर्याप्त रूप से लोचदार (elastic) है (अर्थात, एजेंट AI उपलब्ध होने पर प्रयास को तेजी से कम कर देते हैं), तो सार्वजनिक संकेतों का प्रवाह कम हो जाता है।
4. क्षरण (Depreciation): सामान्य ज्ञान का भंडार $G$, क्षरण दर $\delta$ की दर से घटता है। यदि पूर्ति दर क्षरण से कम हो जाती है, तो $G$ में गिरावट आती है।
5. स्व-क्षयकारी (Self-Undermining): जैसे-जैसे $G$ घटता है, सामान्य और विशिष्ट ज्ञान के बीच की पूरकता कमजोर होती जाती है, जिससे AI की सिफारिशों का मूल्य कम हो जाता है और संभावित रूप से निम्न-ज्ञान वाले संतुलन (low-knowledge equilibrium) की ओर ले जाता है।

2.3 प्रमुख पैरामीटर

परिणाम तीन महत्वपूर्ण मापदंडों पर निर्भर करता है:

• $\varepsilon$ (प्रयास लोच - Effort Elasticity): AI की सटीकता के प्रति मानवीय प्रयास की प्रतिक्रियाशीलता।
• $\delta$ (क्षरण दर - Depreciation Rate): वह दर जिस पर बिना पूर्ति के सामान्य ज्ञान घटता है।
• $\lambda$ (सार्वजनिक-संकेत उत्पादकता - Public-Signal Productivity): वह दर जिस पर प्रयास सार्वजनिक ज्ञान में परिवर्तित होता है।

मॉडल यह मानता है कि पतन तभी होता है जब $\varepsilon$ उच्च हो, $\delta$ महत्वपूर्ण हो, और $\lambda$ कम हो, जिससे AI सटीकता और सामाजिक कल्याण के बीच एक गैर-एकदिष्ट (non-monotonic) संबंध बनता है।

3. मुख्य योगदान और संरचनात्मक आलोचनाएँ

यह शोध पत्र मूल मॉडल की पांच संरचनात्मक आलोचनाओं को प्रस्तुत करता है, यह तर्क देते हुए कि हालांकि बाह्यता वास्तविक है, मॉडल की धारणाएं बहुत कठोर या निराशावादी हो सकती हैं।

3.1 स्थिर ज्ञान वर्गीकरण (Fixed Knowledge Taxonomy)

मॉडल सामान्य और संदर्भ-विशिष्ट ज्ञान के बीच एक स्थिर अंतर मानता है। लेखक तर्क देते हैं कि यह नए, हाइब्रिड मानव-मशीन दक्षताओं के उद्भव की अनदेखी करता है। एक गतिशील वर्गीकरण उन नए ज्ञान रूपों या वितरित संज्ञान (distributed cognition) को ध्यान में रख सकता है जो पारंपरिक श्रेणियों के नुकसान की भरपाई कर सकते हैं।

3.2 सामान्य ज्ञान उत्पन्न करने की AI की क्षमता

मूल मॉडल यह मानता है कि $\gamma = 0$ (AI सामान्य ज्ञान में कुछ भी योगदान नहीं देता है)। लेखक इसे चुनौती देते हैं, वैज्ञानिक फाउंडेशन मॉडल्स (जैसे, AlphaFold) के साक्ष्य का हवाला देते हुए जो नई परिकल्पनाएं और सैद्धांतिक नियम उत्पन्न करते हैं। यदि AI सामान्य स्टॉक ($\gamma > 0$) में योगदान दे सकता है या मानवीय प्रयास की उत्पादकता ($\lambda$) बढ़ा सकता है, तो पतन का क्षेत्र सिकुड़ सकता है या समाप्त हो सकता है।

3.3 अपरिभाषित प्रयास लोच ($\varepsilon$)

मॉडल का विनाशकारी परिणाम पूरी तरह से इस धारणा पर टिका है कि मानवीय प्रयास अत्यधिक लोचदार है। लेखक तर्क देते हैं कि यह एक अपरिमित पैरामीटर है जो विभिन्न डोमेन में काफी भिन्न हो सकता है (जैसे, उपकरण कार्यों में उच्च, लाइसेंस या प्रतिष्ठा से बंधे व्यवसायों में निम्न)। मॉडल लोच के वितरण को एक एकल स्केलर के रूप में मानता है, जो समग्र गतिशीलता का गलत प्रतिनिधित्व कर सकता है।

3.4 संज्ञानात्मक चेतावनी का ऐतिहासिक पूर्वाभास

यह पत्र लेखन, प्रिंटिंग और इंटरनेट के संबंध में समान चेतावनियों के इतिहास के भीतर मॉडल को संदर्भ प्रदान करता है। हालांकि एजेंटिक AI केवल स्मृति को बाहरी बनाने के बजाय 'अनुमान लगाने' (inferential step) के चरण को प्रतिस्थापित करता है, लेखक आगाह करते हैं कि अतीत की संज्ञानात्मक गिरावट की भविष्यवाणियां अक्सर अनुकूल संस्थागत प्रतिक्रियाओं द्वारा गलत साबित हुई हैं।

3.5 प्रस्तावित समाधान की राजनीतिक निरर्थकता

मूल मॉडल मानवीय प्रयास को बनाए रखने के लिए AI की सटीकता को सीमित करने का सुझाव देता है। लेखक तर्क देते हैं कि प्रतिस्पर्धी दबावों और "सटीकता" को परिभाषित करने की कठिनाई के कारण यह राजनीतिक रूप से अव्यवहारिक है। इसके बजाय, वे मानव ज्ञान के एकत्रीकरण को मजबूत करने पर ध्यान केंद्रित करने का प्रस्ताव करते हैं।

4. अनुभवजन्य संकेत और साक्ष्य

लेखक अभिसारी लेकिन सीमित अनुभवजन्य साक्ष्य की समीक्षा करते हैं:

• स्टैक ओवरफ्लो (Stack Overflow): ChatGPT के रिलीज के बाद सार्वजनिक ज्ञान साझा करने में ~25% की गिरावट "पतले सार्वजनिक संकेत" की परिकल्पना का समर्थन करती है, हालांकि यह सामाजिक पतन को सिद्ध नहीं करती है।
• संज्ञानात्मक ऋण (Cognitive Debt): प्रायोगिक अध्ययन (जैसे, Kosmyna et al., 2025) बताते हैं कि AI के उपयोग के दौरान न्यूरल कनेक्टिविटी और प्रतिधारण (retention) में कमी आती है, जो प्रयास की मांग-पक्ष की वापसी का संकेत देता है।
• उत्पादकता लाभ: क्षेत्र अध्ययन (field studies) दिखाते हैं कि AI निजी उत्पादकता बढ़ाता है। लेखक नोट करते हैं कि यह मॉडल का खंडन नहीं करता है, बल्कि यह रेखांकित करता है कि निजी कार्य पूर्णता और सार्वजनिक संकेत सृजन के बीच अंतर करने की आवश्यकता है।

लेखक इस बात पर जोर देते हैं कि ये संकेत पुष्टि करते हैं कि तंत्र स्थानीय स्तर पर प्रशंसनीय है, लेकिन वे सामाजिक-स्तर के पतन की पुष्टि नहीं करते हैं, न ही वे प्रयास के पुनर्वितरण की संभावना को खारिज करते हैं।

5. परिणाम और महत्व

5.1 मुख्य निष्कर्ष: एक विश्वसनीय बाह्यता

पत्र निष्कर्ष निकालता है कि मॉडल का प्राथमिक मूल्य एक गारंटीकृत आपदा की भविष्यवाणी करना नहीं है, बल्कि एक विश्वसनीय नकारात्मक बाह्यता की पहचान करना है: संज्ञानात्मक सामान्य संपदा की त्रासदी। एजेंटिक AI निजी लाभ और सार्वजनिक योगदान के बीच के लिंक को तोड़ देता है, जिससे एक बाजार विफलता पैदा होती है जहाँ सामूहिक सामान्य ज्ञान का भंडार कम आपूर्ति वाला रह जाता है।

5.2 गैर-एकदिष्ट कल्याण (Non-Monotonic Welfare)

पत्र स्पष्ट करता है कि मॉडल यह दावा नहीं करता कि "अधिक सटीकता हमेशा खराब होती है।" बल्कि, यह एक गैर-एकदिष्ट संबंध का सुझाव देता है जहाँ सामाजिक कल्याण AI सटीकता के एक मध्यवर्ती स्तर पर चरम पर हो सकता है, यदि सामान्य ज्ञान की गतिशील हानि स्थिर लाभों से अधिक हो जाती है। हालांकि, यह प्रयास की अपरिमित लोच पर निर्भर करता है।

5.3 नीति और अनुसंधान एजेंडा

लेखकों का तर्क है कि समाधान AI सटीकता को रोकने में नहीं है (जो राजनीतिक रूप से कठिन है) बल्कि मानव ज्ञान के बेहतर एकत्रीकरण में है।

• संस्थागत उपचार: सीखने की बाह्यता को आंतरिक बनाने के लिए अभ्यास के समुदायों (communities of practice), खुले भंडारों और पेशेवर मानकों को मजबूत करना।
• अनुसंधान प्राथमिकताएं:
  1. प्रयास लोच को मापना: यह अनुमान लगाने के लिए अनुभवजन्य डिजाइन विकसित करना कि विभिन्न डोमेन और संस्थागत संदर्भों में प्रयास कैसे प्रतिक्रिया करता है।
  2. सामान्य संपदा की निगरानी करना: संज्ञानात्मक सामान्य संपदा के स्वास्थ्य के लिए "डैशबोर्ड" संकेतक बनाना (जैसे, सार्वजनिक समस्या-समाधान की विविधता, योगदान दर)।
  3. AI योगदान का मॉडलिंग: AI के योगदान ($\gamma$) को शून्य के बजाय एक अंतर्जात (endogenous) चर के रूप में मानना।

5.4 पूर्वानुमान के लिए महत्व

यह पत्र दावा करता है कि मानक आर्थिक पूर्वानुमान, जो स्थिर कार्य विस्थापन पर ध्यान केंद्रित करते हैं, स्वाभाविक रूप से इस स्टॉक प्रभाव के प्रति अंधे हैं। ज्ञान पतन मॉडल एक आवश्यक सुधार के रूप में कार्य करता है, जो पूर्वानुमानकर्ताओं को ऐसे परिदृश्य विश्लेषण अपनाने का आग्रह करता है जो संज्ञानात्मक पूंजी के धीमे-चलने वाले आयामों को ध्यान में रखता है। अंतिम जोखिम कार्यों का विस्थापन नहीं है, बल्कि उस सामान्य संपदा का पतला होना है जो मानव निर्णय और मशीन विश्वसनीयता दोनों को संभव बनाता है।

संक्षेप में, यह पत्र "ज्ञान पतन" को एक नियतिवादी भविष्यवाणी के बजाय एक सशर्त जोखिम के रूप में पुनर्गठित करता, जो संस्थागत विकल्पों और मानवीय व्यवहार संबंधी प्रतिक्रियाओं पर निर्भर है, और यह अलार्मवाद से हटकर संज्ञानात्मक सामान्य संपदा के मापन और शासन की ओर बढ़ने का आह्वान करता है।