कल्पना कीजिए कि आप एक कस्टम रोबोट बनाने की कोशिश कर रहे हैं, लेकिन ब्लूप्रिंट बनाने के बजाय, आप बस एक बहुत ही बातूनी, सुपर-स्मार्ट रोबोट दोस्त से बात करते हैं जो मनगढ़ंत चीजें बनाना पसंद करता है। आप कहते हैं, "मुझे एक ऐसा रोबोट चाहिए जो खाना बना सके और सफाई भी कर सके," और आपका दोस्त उत्साह में आकर आपसे पुर्जों (parts) की सूची बताने लगता है। लेकिन क्योंकि वह बहुत उत्सुक है, वह गलती से ऐसा हिस्सा सुझा सकता है जो फिट न बैठता हो, या दो ऐसे हिस्से जो एक साथ रखने पर फट जाएं, या फिर ऐसा हिस्सा भी बना सकता है जिसका अस्तित्व ही न हो। यह Requirements Engineering (आवश्यकता इंजीनियरिंग) की पेचीदा दुनिया है: वह प्रक्रिया जिसमें यह तय किया जाता है कि किसी सॉफ्टवेयर या मशीन को वास्तव में क्या करने की आवश्यकता है। लंबे समय तक, विशेषज्ञों ने सख्त, गणितीय "नियमों की किताबों" (जिन्हें औपचारिक मॉडल कहा जाता है) का उपयोग किया है ताकि यह सुनिश्चित किया जा सके कि हर हिस्सा पूरी तरह से फिट बैठे, लेकिन ये नियम पुस्तिकाएं इंसानों के पढ़ने के लिए कठिन हैं। हाल ही में, हमने Large Language Models (LLMs) का उपयोग करना शुरू किया है—वही AI जो कविताएं लिखता है और सवालों के जवाब देता है—ताकि हम अपनी इच्छाओं को सरल अंग्रेजी में समझा सकें। समस्या यह है कि ये AI दोस्त बातें करने में तो माहिर हैं लेकिन नियम पुस्तिका के सख्त नियमों का पालन करने में बहुत खराब हैं, जिससे वे अक्सर ऐसे डिज़ाइन बना देते हैं जो दिखने में तो अच्छे लगते हैं लेकिन बनाने की कोशिश करने पर बिखर जाते हैं।

यह शोध पत्र इस समस्या को हल करने के लिए एक चतुर नई टीम-अप पेश करता है। लेखकों ने एक ऐसा सिस्टम बनाया है जहाँ वह बातूनी AI (LLM) एक रचनात्मक विचार देने वाला (brainstormer) के रूप में कार्य करता है, जो आपके प्राकृतिक भाषा के विवरण के आधार पर सुझाव देता है, जबकि एक सख्त, अडिग "नियम-जांचकर्ता" (symbolic validator) पहरेदार के रूप में खड़ा रहता है। इसे एक रसोई में एक रचनात्मक शेफ और एक स्वास्थ्य निरीक्षक (health inspector) के रूप में सोचें जो एक साथ काम कर रहे हैं। शेफ स्वादिष्ट और अनोखे व्यंजनों का सुझाव देता है, लेकिन निरीक्षक तुरंत जांच करता है कि सामग्री सुरक्षित है या नहीं और क्या कदम कानून का पालन करते हैं। यदि शेफ केक के साथ जहर मिलाने का सुझाव देता है, तो निरीक्षक उसे तुरंत रोक देता है। शोध पत्र दिखाता है कि यह टीम-अप AI द्वारा की जाने वाली लगभग सभी गलतियों को ठीक करने में सफल रहा है, जिससे बिखरे हुए, असंभव विचारों को ठोस, निर्माण योग्य योजनाओं में बदल दिया गया। उन्होंने AI के आत्मविश्वास को मापने का एक नया तरीका भी पेश किया, जो यह अंतर करता है कि कौन सी चीजें AI को अनिवार्य रूप से चुननी ही होंगी, कौन सी चीजें वह स्वतंत्र रूप से चुन सकता है, और कौन सी चीजें उसने गलत चुनीं।

रचनात्मक शेफ और सख्त निरीक्षक की कहानी

सॉफ्टवेयर की दुनिया में, एक भी लाइन कोड लिखने से पहले, आपको यह तय करना होता है कि प्रोग्राम को वास्तव में क्या करना चाहिए। इसे Requirements Engineering कहा जाता है। कल्पना कीजिए कि आप एक "स्मार्ट होम" डिजाइन कर रहे हैं। आपको यह तय करना होगा: क्या इसमें बैकअप बैटरी है? क्या यह वाई-फाई या ब्लूटूथ का उपयोग करता है? क्या आप आवाज से लाइट को नियंत्रित कर सकते हैं? यदि आप इन विकल्पों को गलत चुनते हैं, तो पूरा घर काम नहीं कर पाएगा।

पारंपरिक रूप से, विशेषज्ञों ने OOMRAM (ऑब्जेक्ट-ओरिएंटेड मेथड फॉर रिक्वायरमेंट्स ऑथरिंग एंड मैनेजमेंट) नामक एक कठोर प्रणाली का उपयोग किया है। OOMRAM को एक विशाल, जटिल फ्लोचार्ट या विकल्पों के पेड़ के रूप में सोचें। इसके सख्त नियम हैं: "यदि आप 'स्मार्ट होम' चुनते हैं, तो आपको एक पावर सोर्स चुनना ही होगा। यदि आप 'वाई-फाई' चुनते हैं, तो आप एक ही समय में 'ब्लूटूथ' नहीं चुन सकते।" यह एक वीडियो गेम कैरेक्टर क्रिएटर जैसा है जहाँ आप तलवार और ढाल दोनों तब तक नहीं लगा सकते जब तक गेम यह न कहे कि वे एक साथ नहीं चल सकते। समस्या यह है कि इन फ्लोचार्ट्स को समझना इंसानों के लिए कठिन है। आप बस यह नहीं कह सकते, "मुझे एक ऐसा घर चाहिए जो आरामदायक और सुरक्षित महसूस हो," और उम्मीद नहीं कर सकते कि फ्लोचार्ट आपकी बात समझ जाएगा। आपको हर एक विकल्प का सटीक नाम पता होना चाहिए।

यहाँ आता है Large Language Model (LLM)। यह वह AI है जो आपके वाक्य, "मुझे वॉयस कंट्रोल वाला एक आरामदायक घर चाहिए," को समझ सकता है और अनुमान लगा सकता है कि आपका मतलब किन विकल्पों से है। यह एक सुपर-फास्ट, रचनात्मक सहायक की तरह है जो आपकी भाषा बोलता है। लेकिन यहाँ एक पेंच है: AI थोड़ा दिवास्वप्न देखने वाला (daydreamer) है। यह एक ऐसा "क्वांटम बैटरी" बना सकता है जिसका अस्तित्व ही नहीं है, या यह भूल सकता है कि आप वाई-फाई और ब्लूटूथ दोनों एक साथ नहीं रख सकते, जिससे एक ऐसा डिज़ाइन बन सकता है जो तार्किक रूप से टूटा हुआ हो।

न्यूरो-सिंबोलिक टीम-अप

लेखकों ने इसे ठीक करने के लिए एक सिस्टम बनाया है। उन्होंने चार "एजेंटों" (छोटे कंप्यूटर प्रोग्राम) की एक टीम बनाई है जो मिलकर काम करते हैं:

1. नेविगेटर (The Navigator): यह एजेंट विशाल फ्लोचार्ट (OOMRAM लैटिस) को देखता है और तय करता है कि आगे किस हिस्से को देखना है। यह एक टुर गाइड की तरह है जो भूलभुलैया में अगले दरवाजे की ओर इशारा करता है।
2. इंटरप्रेटर (The Interpreter - AI): यह LLM है। यह आपके "प्रोजेक्ट विजन" (आप जो चाहते हैं उसका विवरण) को सुनता है और सुझाव देता है कि फ्लोचार्ट पर कौन से बटन दबाने हैं। यह अनुमान लगाने की कोशिश करता है कि कौन से विकल्प आपके विवरण के अनुकूल हैं।
3. वैलिडेटर (The Validator - इंस्पेक्टर): यह सख्त, नियम मानने वाला हिस्सा है। यह AI का उपयोग नहीं करता; यह शुद्ध गणित का उपयोग करता है। यह AI द्वारा दिए गए हर सुझाव की फ्लोचार्ट के नियमों के विरुद्ध जांच करता है। क्या AI ने दो ऐसी चीजें चुनीं जो एक साथ नहीं चल सकतीं? क्या वह कोई अनिवार्य हिस्सा चुनना भूल गया? यदि उत्तर "हाँ" है, तो वैलिडेटर कहता है, "नहीं, फिर से कोशिश करो," और AI को अपनी गलती सुधारने के लिए वापस भेज देता है।
4. स्क्राइब (The Scribe): एक बार जब सब कुछ स्वीकृत हो जाता है, तो यह एजेंट अंतिम, सटीक आवश्यकताओं की सूची लिखता है।

जादू तब होता है जब AI और इंस्पेक्टर एक लूप में एक-दूसरे से बात करते हैं। AI सुझाव देता है, इंस्पेक्टर जांच करता है, और यदि कोई त्रुटि होती है, तो AI फिर से प्रयास करता है। यह तब तक चलता रहता है जब तक कि डिज़ाइन एकदम सही न हो जाए।

तीन-मूल्य वाला स्कोरकार्ड: सत्य, शायद, और असत्य

इस शोध पत्र का सबसे दिलचस्प हिस्सा यह है कि वे AI के काम को कैसे मापते हैं। आमतौर पर, हम बस कहते हैं कि उत्तर "सही" है या "गलत"। लेकिन लेखक महसूस कर गए कि यह बहुत सरल है। कभी-कभी AI कुछ ऐसा चुन लेता है जो अनुमत तो है लेकिन अनिवार्य नहीं है। इसे संभालने के लिए, उन्होंने एक Three-Valued Scorecard बनाया:

• सत्य (Truth - T): AI ने वह चुना जिसे चुनना अनिवार्य था। उदाहरण के लिए, यदि विजन कहता है "स्मार्ट होम," तो सिस्टम को एक पावर सोर्स चुनना ही होगा। यदि AI इसे चुनता है, तो वह सत्य है।
• अनिश्चितता (Indeterminacy - I): AI ने कुछ ऐसा चुना जो अनुमत था, लेकिन विजन ने इसके लिए मजबूर नहीं किया था। शायद विजन ने सिर्फ "स्मार्ट होम" कहा, और AI ने "ब्लूटूथ" के बजाय "वाई-फाई" चुना। दोनों वैध हैं, लेकिन विजन ने यह नहीं बताया कि कौन सा चुनना है। यह अनिश्चितता है। यह एक "स्वतंत्र विकल्प" है।
• असत्य (Falsity - F): AI ने कुछ ऐसा चुना जिसने नियमों को तोड़ दिया। जैसे, वाई-फाई और ब्लूटूथ दोनों को एक साथ चुन लेना जब नियम कहते हैं कि आप ऐसा नहीं कर सकते। यह असत्य है।

इस स्कोरकार्ड का उपयोग करके, शोधकर्ता देख सके कि AI कहाँ अनुमान लगा रहा था और कहाँ आदेशों का पालन कर रहा था।

उन्होंने क्या पाया

टीम ने अपने सिस्टम का परीक्षण 37 अलग-अलग प्रोजेक्ट विजनों के साथ 11 अलग-अलग प्रकार के अनुप्रयोगों (जैसे रिकॉर्ड-कीपिंग सिस्टम, स्मार्ट होम और कार मनोरंजन सिस्टम) में किया। अधिकांश परीक्षणों के लिए उन्होंने एक "लाइटवेट" AI मॉडल (Llama 3.1 8B) का उपयोग किया।

यहाँ क्या हुआ:

• फिक्स रेट (The Fix Rate): सख्त इंस्पेक्टर के बिना, AI बड़ी गलतियाँ करता था। लेकिन इंस्पेक्टर के साथ, सिस्टम ने लगभग सभी को ठीक कर दिया। 37 में से 35 मामलों में (94.6%), अंतिम परिणाम में शून्य संरचनात्मक त्रुटियां थीं।
• बचे हुए मामले (The Leftovers): शेष 2 मामलों में, AI एक लूप में फंस गया और टेस्ट रोकने से पहले एक विशिष्ट प्रकार की त्रुटि को ठीक नहीं कर सका। इससे 1,500 से अधिक निर्णयों में से केवल 6 छोटी त्रुटियां (0.39%) बचीं।
• "शायद" का क्षेत्र (The "Maybe" Zone): शोधकर्ताओं ने पाया कि AI द्वारा किए गए सभी निर्णयों में से लगभग 24.7% "अनिश्चितता" (Indeterminacy) थे। इसका मतलब है कि AI वैध विकल्पों के बीच चुनने की अपनी स्वतंत्रता का उपयोग कर रहा था, जो वास्तव में एक अच्छी बात है! यह दिखाता है कि सिस्टम जानता है कि "क्या करना जरूरी है" और "क्या चुनना विकल्प है" के बीच क्या अंतर है।
• मजबूत AI: जब उन्होंने एक बहुत अधिक स्मार्ट, "फ्रंटियर" AI मॉडल (NVIDIA Nemotron 3 Ultra) के साथ सिस्टम का परीक्षण किया, तो उसने 100% विजनों को एकदम सही तरीके से पूरा किया, जिसमें शून्य त्रुटियां थीं।

यह क्यों महत्वपूर्ण है

यह शोध पत्र तर्क देता है कि केवल AI को आवश्यकताएं लिखने देना खतरनाक है क्योंकि यह ऐसी चीजें बना सकता है जो काम नहीं करतीं। लेकिन एक सख्त, गणितीय "इंस्पेक्टर" को नियमों की जांच करने के लिए ज़िम्मेदारी देकर, आप AI को रचनात्मक होने दे सकते हैं बिना इस बात की चिंता किए कि वह तर्क के नियमों को तोड़ देगा।

लेखकों ने यह भी दिखाया कि यह सिस्टम तेज़ है। "इंस्पेक्टर" कुल समय का 0.4% से भी कम समय लेता है, जिसका अर्थ है कि यह काम को धीमा नहीं करता है। उन्होंने यह भी साबित किया कि यह सिस्टम अच्छी तरह से स्केल करता है: जैसे-जैसे विकल्पों की सूची बढ़ती है, AI को सिस्टम से बात करने की संख्या केवल एक सीधी रेखा में बढ़ती है, न कि किसी पागल कर्व (curve) में।

संक्षेप में, यह शोध पत्र साबित करता है कि आप अपनी पसंद की चीज़ पा सकते हैं और फिर भी नियमों का पालन भी कर सकते हैं: आप अपनी इच्छाओं को समझाने के लिए AI की लचीली, प्राकृतिक भाषा का उपयोग कर सकते हैं, जबकि एक सख्त, अटूट नियम पुस्तिका यह सुनिश्चित करती है कि जो आपको मिल रहा है वह वास्तव में निर्माण योग्य और सही है। यह "दिवास्वप्न देखने वाले" AI को एक विश्वसनीय इंजीनियर में बदल देता है।