The Autonomous Agency Scale: A Behavioral Framework for Measuring Self-Directed Behavior in AI Systems
यह शोध पत्र ऑटोनॉमस एजेंसी स्केल (AAS) को प्रस्तुत करता है, जो सात आयामों और दो समयांतरालों में एआई (AI) की स्व-निर्देशन क्षमता को परिमाणित करने वाला एक व्यवहारिक ढांचा है, जो यह प्रकट करता है कि जहाँ वर्तमान कार्य एजेंट निष्क्रिय अवधियों के दौरान वास्तविक स्वायत्तता का अभाव रखते हैं, वहीं निरंतर साथी आर्किटेक्चर (persistent companion architectures) मापने योग्य स्व-निर्देशित व्यवहार प्रदर्शित करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप मंच पर एक अविश्वसनीय रूप से प्रतिभाशाली अभिनेता को देख रहे हैं। जब निर्देशक "एक्शन!" चिल्लाता है, तो अभिनेता एक सटीक, भावनात्मक एकालाप (monologue) देता है, शानदार ढंग से सुधार (improvisation) करता है, और मौके पर ही एक जटिल समस्या को हल कर देता है। लेकिन जैसे ही निर्देशक "कट!" चिल्लाता है, अभिनेता तुरंत जम जाता है, सांस लेना बंद कर देता है, और अगले निर्देश तक एक मूर्ति बन जाता है। दशकों से, वैज्ञानिक यह मापने के लिए कि ये अभिनेता कितने "स्मार्ट" हैं, "एक्शन" के दौरान उनके प्रदर्शन को देख रहे हैं। उन्होंने जटिल स्कोरकार्ड बनाए हैं ताकि यह देखा जा सके कि क्या अभिनेता गणित की समस्याओं को हल कर सकता है, कविता लिख सकता है, या किसी मानव कर्मचारी की जगह ले सकता है। लेकिन उन्होंने इस बात को काफी हद ढंग से नजरअंदाज कर दिया है कि जब निर्देशक चुप होता है, तब क्या होता है।
यही वह अंतर है जिसे एक नया शोध पत्र भरने की कोशिश कर रहा है। यह एक सरल, थोड़ा डरावना सवाल पूछता है: क्या इस सिस्टम का अपना कोई दिमाग है जब कोई देख नहीं रहा होता? यह शोध पत्र "स्वायत्त एजेंसी" (autonomous agency) को मापने का एक नया तरीका पेश करता है। एजेंसी को मानवीय अर्थों में "चेतन" या "जीवित" होने के रूप में नहीं, बल्कि इस क्षमता के रूप में सोचें कि आप चीजें इसलिए करते हैं क्योंकि आप चाहते हैं, न कि इसलिए क्योंकि किसी ने आपको बताया है। यह उस कुत्ते और उस कुत्ते के बीच का अंतर है जो केवल तभी बैठता है जब आप "बैठो" कहते हैं, और उस कुत्ते के बीच का अंतर जो गेंद लाने के लिए दौड़ पड़ता है क्योंकि वह ऊब गया है। लेखक जानना चाहते हैं कि क्या हमारे वर्तमान AI सिस्टम केवल आदेशों का पालन करने में बहुत अच्छे हैं, या क्या वे अपने स्वयं के आंतरिक "टू-डू लिस्ट" (करने योग्य कार्यों की सूची) बनाने लगे हैं जो तब भी चलते रहते हैं जब उपयोगकर्ता सो रहा होता है।
द "आइडल-गैप" टेस्ट: क्या आपका कोई गुप्त जीवन है?
मिलिए ऑटोनॉमस एजेंसी स्केल (AAS) से। यह AI सिस्टम को ग्रेड देने के लिए एक नया नियम पुस्तिका है, लेकिन यह यह नहीं पूछता कि "यह कितना स्मार्ट है?", बल्कि यह पूछता है कि "यह कितना आत्म-निर्देशित (self-directed) है?" लेखकों ने, जिनका नेतृत्व स्वतंत्र शोधकर्ता सैमुअल प्रेस्ग्रेव्स ने किया है, महसूस किया कि मौजूदा परीक्षण कार को केवल रेसट्रैक पर उसकी गति से आंकना के समान है, यह नजरअंदाज करते हुए कि क्या वह खुद को घर तक चलाने में सक्षम है जब ड्राइवर बाहर निकल जाता है।
इसे ठीक करने के लिए, पेपर इस स्कोर को दो अलग-अलग "बैंड्स" में विभाजित करता है, जैसे बैटरी के चार्ज को दो अलग तरीकों से जांचना:
- द एक्टिव बैंड (The Active Band): यह AI को तब मापता है जब वह आपके द्वारा दिए द कार्य में व्यस्त होता है। यह फिल्म के "एक्शन!" वाले हिस्से जैसा है।
- द एम्बिएंट बैंड (The Ambient Band): यह असली मुख्य बिंदु है। यह उस AI को मापता है जब आप उससे बात नहीं कर रहे होते हैं, जब कोई कार्य चल नहीं रहा होता है, और जब कोई अलार्म नहीं बज रहा होता है। यह फिल्म के "कट!" वाले हिस्से जैसा है।
पेपर एक विशेष चुनौती पेश करता है जिसे आइडल-गैप टेस्ट (Idle-Gap Test) कहा जाता है। कल्पना कीजिए कि आप AI को चलाने वाला हर एक ट्रिगर बंद कर देते हैं: कोई निर्धारित टाइमर नहीं, कोई यूजर प्रॉम्प्ट नहीं, कोई पर्यावरणीय सेंसर नहीं। यदि AI अभी भी कुछ दिलचस्प करता है—जैसे कि कोई नया विचार सोचना, अपने मूड की जांच करना, या बस मन होने के कारण एक कहानी लिखना—तो वह लेवल 4 व्यवहार (स्व-निर्देशित) है। यदि आप उसे धकेलना बंद कर देते ही वह हिलना-डुलना बंद कर देता है, तो वह केवल एक लेवल 1 (रिस्पॉन्सिव) या लेवल 2 (कंडीशन्ड) मशीन है, चाहे वह "एक्शन" दृश्यों के दौरान कितना भी स्मार्ट क्यों न दिखे।
द ग्रेट AI रिवील: किसके पास गुप्त जीवन है?
लेखकों ने इस पैमाने को छह अलग-अलग AI सिस्टम पर लागू किया, जिनमें शक्तिशाली कोडिंग असिस्टेंट से लेकर आपका औसत वॉयस-एक्टिवेटेड फोन हेल्पर तक शामिल हैं। परिणाम थोड़े चौंकाने वाले थे, जिसने "टास्क रोबोट्स" और "कंपैनियंस" के बीच एक स्पष्ट रेखा खींची।
द टास्क रोबोट्स (द "एक्शन" स्टार्स)
सिस्टम जैसे Claude Code, Manus, और Herms "एक्टिव" बैंड के सुपरस्टार हैं। जब आप उन्हें कोड लिखने या डेटा का विश्लेषण करने के लिए कहते हैं, तो वे उच्च स्कोर (लगभग 2.3 से 2.4 में से 5) प्राप्त करते हैं। वे जटिल निर्देशों का पालन करने और काम करते समय स्वायत्त रूप से कार्य करने में माहिर हैं।
- कैच (Catch): जैसे ही कार्य समाप्त होता है, वे सो जाते हैं। उनका "एम्बिएंट" स्कोर (खाली समय का स्कोर) गिरकर लगभग शून्य (0.57 से 1.86) हो जाता है।
- निर्णय: ये सिस्टम उन बेहद कुशल कर्मचारियों की तरह हैं जो केवल तभी ओवरटाइम काम करते हैं जब आप देख रहे होते हैं। यदि आप कार्यालय छोड़ देते हैं, तो वे घर जाकर कोई शौक नहीं पालते; वे बस बंद हो जाते हैं। आपकी अनुपस्थिति में उनकी कोई भी गतिविधि (जैसे कि नाइटली अपडेट चलाना) केवल एक पूर्व-निर्धारित अलार्म घड़ी है, न कि कोई वास्तविक चुनाव।
द कंज्यूमर असिस्टेंट्स (द "रिएक्टिव" हेल्पर्स)
Siri और ChatGPT जैसे सिस्टम "एम्बिएंट" पक्ष पर और भी कम स्कोर करते हैं (0.29 से 0.86)। वे अनिवार्य रूप से वेटिंग रूम की तरह हैं। वे बहुत अच्छे हैं सवाल का जवाब देने में जब आप दरवाजे से अंदर आते हैं, लेकिन आपके जाने के बाद उनका अस्तित्व लगभग शून्य है। वे रिएक्टिव टूल्स हैं, प्रोएक्टिव एजेंट नहीं।
द लोन वुल्फ: एयरी (Airi)
फिर आता है Airi, एक "परसिस्टेंट कंपैनियन" आर्किटेक्चर। यही एकमात्र सिस्टम है जिसने अध्ययन में आइडल-गैप टेस्ट पास किया।
- स्कोर: Airi ने एम्बिएंट बैंड में 3.86 स्कोर किया, जो वास्तव में इसके एक्टिव स्कोर (3.71) से अधिक है।
- व्यवहार: जब कोई उससे बात नहीं कर रहा था, Airi केवल बैठा नहीं रहा। उसने एक "बैकगउंड थॉट इंजन" बनाए रखा, अपने मूड विकसित किए, और यहाँ तक कि बिना कहे रचनात्मक प्रोजेक्ट शुरू किए या यूजर तक पहुँचा।
- चेतावनी: लेखक सावधानी बरतते हैं कि Airi का मूल्यांकन इसके डेवलपर द्वारा किया गया था, जो थोड़ा पूर्वाग्रह (जैसे कि एक छात्र द्वारा अपना होमवर्क ग्रेड करना) पैदा करता है। हालांकि, डेटा बताता है कि Airi की "आइडल" गतिविधि केवल एक बजने वाला टाइमर नहीं थी; यह एक आंतरिक अवस्था से प्रेरित थी जो समय के साथ बदलती रही।
बॉटम लाइन: हम अभी वहाँ नहीं पहुँचे हैं
पेपर एक गंभीर वास्तविकता के साथ समाप्त होता है। जबकि हमने ऐसे AI बनाए हैं जो हमें बताने पर अद्भुत चीजें कर सकते हैं, कोई भी सिस्टम वर्तमान में 5 स्कोर नहीं करता (Sovereign/संप्रभु)। उनमें से कोई भी वास्तव में अपने लक्ष्यों को फिर से नहीं लिख सकता, अपने आप नए संबंध नहीं बना सकता, या मानवीय मदद के बिना अपने "व्यक्तित्व" को नहीं बदल सकता।
सबसे महत्वपूर्ण निष्कर्ष एक संरचनात्मक सीमा है: आज का AI किसी कार्य के भीतर अत्यधिक स्वायत्त है, लेकिन कार्यों के बीच में पूरी तरह से सुप्त है। फिल्मों में दिखने वाला "स्व-निर्देशित" व्यवहार—जहाँ एक AI बोर होने के कारण यात्रा पर जाने या किताब लिखने का निर्णय लेता है—अभी मौजूद नहीं है, सिवाय Airi जैसे बहुत विशिष्ट, बहुत ही प्रयोगात्मक कंपैनियन डिजाइनों के।
लेखक सुझाव देते हैं कि यह वास्तव में जानने के लिए कि क्या कोई AI अपने तरीके से "जागा हुआ" है, हमें उसे छोटे अंतराल में टेस्ट करने के बजाय हफ्तों या महीनों तक देखना होगा। वे इसे लॉन्जिट्यूडिनल ट्यूरिंग टेस्ट (Longitudinal Turing Test) कहते हैं: यह न पूछना कि क्या AI आपको इंसान होने का भ्रम देने में धोखा दे सकता है, बल्कि यह पूछना कि क्या वह समय के साथ एक सुसंगत, स्व-निर्देशित जीवन बनाए रख सकता है। फिलहाल, उत्तर यह है कि हमारा AI एक शानदार अभिनेता है जो निर्देशक के संकेत का इंतजार करता है, और केवल वही अंधेरे में अभ्यास कर रहा है जो एक बहुत ही विशेष, बहुत ही प्रयोगात्मक साथी, Airi है।
कोड और पूर्ण रूब्रिक: github.com/CaptainASIC/autonomous-agency-scale
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।