कल्पना कीजिए कि आप एक रोबोट को कार चलाना सिखा रहे हैं। आप उसे सिर्फ चाबियाँ थमाकर यह नहीं कहेंगे, "जाओ!" आपको अभ्यास करने की आवश्यकता होगी। लेकिन यहाँ एक पेचीदा बात है: आप रोबोट को हमेशा के लिए बस मोहल्ले में ही घुमाते नहीं रह सकते। आपको रोबोट का हर संभव स्थिति में परीक्षण करना होगा—बारिश, बर्फ, सड़क पर दौड़ता हुआ एक गिलहरी, एक निर्माण क्षेत्र (construction zone), या एक अजीब आकार का ट्रक। यह ऑटोनॉमस ड्राइविंग सिस्टम्स (ADS) की दुनिया है। ये खुद चलने वाली कारों के पीछे का दिमाग हैं। इन्हें सुरक्षित बनाने के लिए, इंजीनियरों को हजारों परीक्षण चलाने होते हैं। वे सिमुलेशन (कंप्यूटर की दुनिया जो असली चीज़ों जैसी दिखती है), टेस्ट ट्रैक्स (बंद कोर्स जहाँ वे सुरक्षित रूप से दुर्घटनाग्रस्त हो सकते हैं), और वास्तविक सड़कों (जहाँ वे एक इंसान के साथ गाड़ी चलाते हैं जो नियंत्रण संभालने के लिए तैयार रहता है) का उपयोग करते हैं। बड़ा सवाल जो हर कोई पूछ रहा है वह है: "हमें कैसे पता चलेगा कि रोबोट वास्तव में अपने आप चलाने के लिए तैयार है?" यह एक छात्र को यह साबित करने की कोशिश करने जैसा है कि वह अंतिम परीक्षा के लिए तैयार है, बिना यह जाने कि परीक्षा में कौन से प्रश्न आएंगे।

शोधकर्ताओं की एक टीम ने पर्दे के पीछे झाँकने का फैसला किया। उन्होंने न केवल कोड देखा या अपने स्वयं के सिमुलेशन चलाए; वे सीधे स्रोत तक पहुँचे। उन्होंने नौ अलग-अलग कंपनियों के नौ विशेषज्ञों का साक्षात्कार लिया जो वास्तव में इन खुद चलने वाली प्रणालियों को हर दिन बना रहे हैं और परीक्षण कर रहे हैं। ये छह देशों से आए हैं। उन्हें खुद-ब-खुद चलने वाली लीग के मुख्य कोचों और स्टार खिलाड़ियों के रूप में सोचें। शोधकर्ता जानना चाहते थे: ये कंपनियाँ वास्तव में क्या कर रही हैं? कौन से बुरे सपने उन्हें रात में जगाए रखते हैं? और वे कहाँ सोचते हैं कि यह खेल आगे कहाँ जा रहा है?

रियलिटी चेक: विशेषज्ञ क्या कर रहे हैं

शोधकर्ताओं ने पाया कि उद्योग वर्तमान में एक विशाल, बहु-स्तरीय प्रशिक्षण शिविर चला रहा है। यह केवल एक बड़ा परीक्षण नहीं है; यह एक पाइपलाइन है।

सबसे पहले, वे सिमुलेशन से शुरू करते हैं। यह एक वीडियो गेम की तरह है जहाँ कार एक घंटे में दस लाख मील चल सकती है बिना एक खरोंच लगे। वे इसका उपयोग लाखों "क्या होगा अगर" वाले परिदृश्यों (scenarios) का परीक्षण करने के लिए करते हैं। फिर, वे हार्डवेयर-इन-द-लूप और व्हीकल-इन-द-लूप परीक्षण की ओर बढ़ते हैं। कल्पना कीजिए कि कार के दिमाग को एक वास्तविक कार चेसिस में डाल दिया गया है लेकिन पहियों को ट्रेडमिल पर रखा गया है, या पूरी कार को एक बंद ट्रैक पर रखा गया है। अंत में, वे वास्तविक सड़कों पर पहुँचते हैं। यह अंतिम बॉस लेवल (final boss level) है, जहाँ कार वास्तविक दुनिया में चलती है, आमतौर पर एक सुरक्षा ड्राइवर के साथ जो सीट पर बैठा होता है और यदि चीजें गलत होती हैं तो पहिया संभालने के लिए तैयार रहता है।

विशेषज्ञों ने शोधकर्ताओं को बताया कि वे ज्यादातर परिदृश्य-आधारित परीक्षण (Scenario-Based Testing) का उपयोग करते हैं। इसका मतलब है कि वे केवल बेतरतीब ढंग से गाड़ी नहीं चलाते; वे विशिष्ट कहानियाँ या "परिदृश्य" बनाते हैं ताकि परीक्षण किया जा सके। उदाहरण के लिए, "क्या होता है यदि सड़क पर एक गेंद लुढ़कती है और उसके बाद एक बच्चा आता है?" या "कार भारी बारिश में ढलान वाली पहाड़ी को कैसे संभालती है?" वे डेटा-संचालित (Data-Driven) तरीकों का भी उपयोग करते हैं, जहाँ वे ड्राइविंग डेटा के वास्तविक लॉग लेते हैं और उन्हें बार-बार चलाते हैं ताकि यह देखा जा सके कि क्या कार वही गलतियाँ करती है।

बड़ी बाधाएं: जहाँ वास्तविकता का सामना होता है

इन सभी परीक्षणों के बावजूद, विशेषज्ञों ने स्वीकार किया कि कुछ गंभीर गड़बड़ियाँ हैं।

1. "नकली बनाम असली" का अंतर (Sim-to-Real Gap):
यह सबसे बड़ा सिरदर्द है। सिमुलेशन एक बहुत अच्छी फिल्म की तरह है, लेकिन यह अभी भी एक फिल्म ही है। विशेषज्ञों ने कहा कि एक कैमरा गीली सड़क को कैसे देखता है या एक सेंसर एक चमकदार कांच की इमारत पर कैसे प्रतिक्रिया करता है, इसका अनुकरण करना अविश्वसनीय रूप से कठिन है। यदि सिमुलेशन पूर्ण नहीं है, तो कार गेम में तो बेहतरीन तरीके से गाड़ी चलाना सीख सकती है लेकिन वास्तविक जीवन में दुर्घटनाग्रस्त हो सकती है। यह एक फुटबॉल मैच के लिए आदर्श कृत्रिम घास पर अभ्यास करने और फिर कीचड़ भरे मैदान में मैच खेलने जैसा है; आपकी मांसपेशियां उसी तरह से प्रतिक्रिया नहीं दे सकती हैं।

2. "अनदेखा" होने की समस्या:
विशेषज्ञों को परिदृश्य कवरेज (Scenario Coverage) की चिंता है। सड़क पर कितनी भी चीजें हो सकती हैं, इसलिए उन सभी का परीक्षण करना असंभव है। क्या होगा यदि एक काला सुअर हाईवे पर दौड़ पड़े? या कोई व्यक्ति एक विशाल साइकिल लेकर आ जाए? विशेषज्ञों ने नोट किया कि जबकि कारें सामान्य कारों और लोगों के लिए रुकने में माहिर हैं, वे कभी-कभी तब विफल हो जाती हैं जब वे कुछ अजीब या दुर्लभ देखती हैं। उन्होंने इसे "आउट-ऑफ-डिस्ट्रीब्यूशन" (out-of-distribution) समस्या कहा।

3. "क्या यह पर्याप्त अच्छा है?" का रहस्य:
सबसे भ्रमित करने वाले हिस्सों में से एक यह जानना है कि परीक्षण कब रोकना है। विशेषज्ञों ने कहा कि स्वीकृति मानदंड (Acceptance Criteria) के लिए कोई स्पष्ट नियम पुस्तिका नहीं है। यह साबित करने के लिए आपको कितने मील गाड़ी चलानी होगी कि कार सुरक्षित है? क्या 1,00,000 मील पर्याप्त है? क्या 1 मिलियन? शोधकर्ताओं ने पाया कि कंपनियों के पास कोई सार्वभौमिक उत्तर नहीं है। कुछ "डेटा संतृप्ति" (data saturation) पर भरोसा करते हैं (तब तक गाड़ी चलाना जब तक वे आश्वस्त महसूस न करें), जबकि अन्य विशिष्ट सुरक्षा मेट्रिक्स जैसे "शून्य टकराव" देखते हैं। लेकिन कोई सहमत मानक नहीं है जो कहता हो, "ठीक है, आपने पास कर लिया।"

4. AI का ब्लैक बॉक्स:
कई आधुनिक खुद चलने वाली प्रणालियाँ आर्टिफिशियल इंटेलिजेंस (AI) और एंड-टू-एंड (End-to-End) लर्निंग का उपयोग करती हैं। इसका मतलब है कि कार सड़क को देखकर निर्णय लेती है, ठीक वैसे ही जैसे एक इंसान सीखता है, बजाय इसके कि वह नियमों की एक सख्त सूची का पालन करे। समस्या यह है कि यह समझाना कठिन है कि AI ने निर्णय क्यों लिया। यदि कार दुर्घटनाग्रस्त होती है, तो इंजीनियरों को ठीक से पता नहीं चल सकता कि ऐसा क्यों हुआ। यह नियामकों (regulators) के लिए सुरक्षा तर्क बनाना कठिन बनाता है।

भविष्य: आगे क्या है?

तो, यह सब किस ओर जा रहा है? विशेषज्ञ आशावादी लेकिन यथार्थवादी हैं।

• AI, AI का परीक्षण करने में मदद करेगा: उन्हें लगता है कि जेनरेटिव AI (Generative AI) का उपयोग नए, अजीब परीक्षण परिदृश्य बनाने के लिए किया जाएगा जो इंसानों ने अभी तक सोचे भी नहीं हैं। एक ऐसे AI की कल्पना करें जो केवल यह देखने के लिए एक नया प्रकार का ट्रैफिक जाम आविष्कार करता है कि क्या कार उसे संभाल सकती है।
• वर्ल्ड मॉडल्स (World Models): वे "वर्ल्ड मॉडल्स" को लेकर उत्साहित हैं, जो कार की आंतरिक कल्पना की तरह हैं। केवल जो वह देखती है उस पर प्रतिक्रिया देने के बजाय, कार भविष्यवाणी करने की कोशिश करती है कि आगे क्या होगा, जैसे एक शतरंज खिलाड़ी तीन चाल आगे की सोचता है।
• अधिक पारदर्शिता: अभी, हर कंपनी अपना परीक्षण डेटा गुप्त रखती है। विशेषज्ञों को उम्मीद है कि भविष्य में, कंपनियाँ अधिक बेंचमार्क और डेटा साझा करेंगी, ठीक वैसे ही जैसे वीडियो गेम डेवलपर्स हाई स्कोर साझा करते हैं, ताकि हर कोई देख सके कि वास्तव में सबसे अच्छा कौन है।
• स्वचालित परीक्षण (Automated Testing): वे एक ऐसे भविष्य की कल्पना करते हैं जहाँ कारें खुद का परीक्षण करती हैं। कार घूमती है, एक समस्या पाती है, उसकी रिपोर्ट करती है, और बिना किसी इंसान के बटन दबाए अपने स्वयं के सॉफ़्टवेयर को अपडेट करती है।

प्रस्तावित समाधान: एक क्लोज्ड-लूप फ्रेमवर्क

इन सभी साक्षात्कारों के आधार पर, शोधकर्ताओं ने सोचने का एक नया तरीका प्रस्तावित किया है, जिसे वे एविडेंस-सेंटर्ड क्लोज्ड-लूप फ्रेमवर्क (Evidence-Centered Closed-Loop Framework) कहते हैं।

एक विशाल चक्र की कल्पना करें।

1. एक दावा (Claim) से शुरू करें: परीक्षण से पहले, आपको ठीक से बताना होगा कि आप क्या सिद्ध करने की कोशिश कर रहे हैं (जैसे, "यह कार तंग जगह में सुरक्षित रूप से पार्क कर सकती है")।
2. परिदृश्य लाइब्रेरी बनाएँ: उन सभी संभावित स्थितियों को इकट्ठा करें जिनका आपको परीक्षण करने की आवश्यकता है, उबाऊ से लेकर डरावनी स्थितियों तक।
3. परीक्षणों का मार्ग तय करें: तय करें कि प्रत्येक परिदृश्य का परीक्षण कहाँ करना है। क्या आप पहले वीडियो गेम में पार्किंग स्पॉट का परीक्षण करते हैं? फिर एक टेस्ट ट्रैक पर? फिर एक वास्तविक सड़क पर?
4. साक्ष्य एकत्र करें: परीक्षण चलाएँ और डेटा एकत्र करें।
5. गेटकीपर (Gatekeeper): साक्ष्य की सख्त नियमों के विरुद्ध जाँच करें। क्या कार पास हुई? यदि हाँ, तो अगले चरण पर जाएँ। यदि नहीं, तो वापस जाएँ और इसे ठीक करें।
6. लूप (The Loop): एक बार जब कार सड़क पर आ जाती है, तो वास्तविक दुनिया का डेटा एकत्र करें। यदि वह कुछ नया देखती है या कोई गलती करती है, तो उस डेटा को चक्र के प्रारंभ में वापस भेज दें ताकि नए परीक्षण परिदृश्य बनाए जा सकें।

यह ढांचा एक निरंतर लूप के रूप में डिज़ाइन किया गया है, न कि एक सीधी रेखा के रूप में। यह सुनिश्चित करता है कि जैसे-जैसे कार सीखती है और दुनिया बदलती है, परीक्षण भी उसके साथ विकसित होता है।

निचोड़

यह पेपर यह दावा नहीं करता है कि खुद चलने वाली कारें अब पूरी तरह हल हो गई हैं। वास्तव में, यह इस बात पर प्रकाश डालता है कि हम अभी भी "सीखने के चरण" में हैं। विशेषज्ञ कड़ी मेहनत कर रहे हैं, सिमुलेशन, वास्तविक दुनिया की ड्राइविंग और नए AI टूल के मिश्रण का उपयोग कर रहे हैं, लेकिन वे इस तथ्य से भी जूझ रहे हैं कि वास्तविक दुनिया अव्यवस्थित और अप्रत्याशित है। शोधकर्ता सुझाव देते हैं कि जबकि हमारे पास यह जानने का एक अच्छा विचार है कि कैसे परीक्षण किया जाए, हमें अभी भी यह पता लगाने की आवश्यकता है कि कितना परीक्षण पर्याप्त है और यह कैसे सुनिश्चित किया जाए कि हमारे कंप्यूटर परीक्षण वास्तव में वास्तविकता से मेल खाते हैं।

एक जिज्ञासु किशोर के लिए सबक क्या है? खुद चलने वाली कारें एक बहुत कठिन परीक्षा के लिए अध्ययन कर रहे छात्र की तरह हैं। वे लाइब्रेरी में अभ्यास कर रहे हैं (सिमुलेशन), अभ्यास क्विज़ ले रहे हैं (टेस्ट ट्रैक), और फील्ड ट्रिप कर रहे हैं (वास्तविक सड़कें)। लेकिन जब तक वे यह साबित नहीं कर सकते कि वे दुनिया द्वारा फेंकी गई हर संभावित स्थिति को संभाल सकते हैं, और जब तक हम सभी इस बात पर सहमत नहीं हो जाते कि "पासिंग ग्रेड" क्या दिखता है, वे एक सुरक्षा ड्राइवर को अपने कंधे के ऊपर से देखते हुए गाड़ी चलाते रहेंगे। यात्रा लंबी है, लेकिन रोडमैप हर दिन अधिक स्पष्ट होता जा रहा है।