कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ कंप्यूटर प्रोग्राम केवल किसी इंसान द्वारा लिखे गए कठोर निर्देश मैनुअल का पालन नहीं करते, बल्कि वे अपनी गलतियों से सीख सकते हैं और बेहतर होने के लिए अपने स्वयं के नियमों को फिर से लिख सकते हैं। यह "स्व-विकसित एजेंटों" (self-evolving agents) का सपना है। इन्हें एक वीडियो गेम के पात्र की तरह समझें जो, बॉस की लड़ाई हारने के बाद, केवल फिर से शुरू नहीं करता; बल्कि वह रुकता है, यह समझने की कोशिश करता है कि वह क्यों हारा, अपनी खुद की रणनीति गाइड को बदलता है, और फिर से प्रयास करता है। लंबे समय तक, वैज्ञानिकों का मानना था कि इसके काम करने के लिए, एक इंसान को कंप्यूटर के पालन करने के लिए एक बहुत ही विशिष्ट, चरण-दर-चरण रेसिपी बनानी होगी। यह रेसिपी एक सख्त कोच की तरह थी जो खिलाड़ी को ठीक से बताती थी कि कब स्कोरबोर्ड देखना है, कब अपना हथियार बदलना है, और कब अभ्यास करना बंद करना है। लेकिन जैसे-जैसे कंप्यूटर अधिक स्मार्ट होते गए—जटिल तर्क करने में सक्षम "फ्रंटियर मॉडल" बनते गए—शोधकर्ताओं ने विचार करना शुरू किया: क्या हमें अभी भी उस सख्त कोच की आवश्यकता है? या क्या कंप्यूटर अपना खुद का अभ्यास रूटीन बना सकता है यदि हम उसे केवल एक लक्ष्य और एक बजट दे दें?

यह शोध पत्र, जिसका शीर्षक "Rethinking Self-Evolving Agents" है, सीधे उसी प्रश्न में उतरता है। शोधकर्ताओं, माइक्रोसॉफ्ट रिसर्च के हुई ज़्यू (Hui Xue) और फैन यांग (Fan Yang) ने यह देखने के लिए एक दिलचस्प प्रयोग किया कि क्या एक सुपर-स्मार्ट एआई बिना किसी पूर्व-लिखित स्क्रिप्ट के अपनी सीखने की प्रक्रिया को व्यवस्थित कर सकता है। उन्होंने पुराने तरीके की तुलना की, जहाँ ढांचा (कोच) सुधार की प्रक्रिया के हर चरण को निर्देशित करता है, बनाम एक नया तरीका जिसे "ओपन-एंडेड ऑप्टिमाइज़ेशन" (OEO) कहा जाता है। OEO में, एआई को एक स्पष्ट लक्ष्य, किए जाने वाले कार्यों की एक सूची और एक सीमा दी जाती है कि वह कितनी "ऊर्जा" (या टोकन) खर्च कर सकता है, लेकिन यह तय करने का अधिकार उसे मिलता है कि वह बेहतर होने के लिए उस ऊर्जा का उपयोग कैसे करे। यह एक शेफ को सामग्री की एक सूची और समय की सीमा देने जैसा है, लेकिन उन्हें यह तय करने देने जैसा है कि वे केक बेक करें या स्टिर-फ्राई करें, बजाय इसके कि उन्हें एक विशिष्ट रेसिपी का पालन करने के लिए मजबूर किया जाए।

परिणाम आश्चर्यजनक रूप से स्पष्ट थे। एक शीर्ष-स्तरीय एआई (GPT-5.5) को "शेफ" के रूप में उपयोग करते समय, ओपन-एंडेड दृष्टिकोण उतना ही अच्छा था, और अक्सर सख्त, पूर्व-लिखित रेसिपी से कहीं बेहतर था। वास्तव में, 14 अलग-अलग परीक्षणों में, ओपन-एंडेड एआई 12 बार जीता, एक बार बराबरी हुई, और केवल एक बार बहुत मामूली अंतर (0.21 प्रतिशत अंक) से हारा। और भी अधिक प्रभावशाली बात यह है कि इसने लगभग 34.3% "ऊर्जा" बजट का उपयोग करते हुए यह उपलब्धि हासिल की जो सख्त विधि को आवश्यक था। यह साबित होता है कि यदि एआई पर्याप्त स्मार्ट है, तो उसे यह बताने के लिए कोच की आवश्यकता नहीं है कि अभ्यास कैसे किया जाए; वह चलते-चलते सीखने का सबसे अच्छा तरीका खुद ढूंढ सकता है।

हालाँकि, यह शोध पत्र एक बहुत ही महत्वपूर्ण रेखा खींचता है। यह स्वतंत्रता तभी काम करती है जब एआई वास्तव में सक्षम हो। जब शोधकर्ताओं ने सिस्टम का परीक्षण एक "मध्यम" या "कमजोर" एआई के साथ किया, तो ओपन-एंडेड दृष्टिकोण विफल रहा। कमजोर एआई भ्रमित हो गए, वे समझ नहीं पाए कि आगे क्या करना है, और उन्होंने टूटे हुए परिणाम दिए। उन मामलों में, सख्त, पूर्व-लिखित रेसिपी (कोच) चीजों को आगे बढ़ाने के लिए आवश्यक थी। अध्ययन बताता है कि सख्त नियम हमेशा आवश्यक नहीं होते हैं, लेकिन वे कम सक्षम दिमागों के लिए एक सहायक मचान (scaffold) के रूप में कार्य करते हैं। मुख्य निष्कर्ष यह नहीं है कि हमें सभी नियमों को फेंक देना चाहिए, बल्कि यह है कि हमें सबसे स्मार्ट एआई को अपने सीखने की प्रक्रिया का नेतृत्व करने देना चाहिए, जबकि उन लोगों के लिए प्रशिक्षण पहिए (training wheels) चालू रखने चाहिए जो अभी चलना सीख रहे हैं।

मुख्य खोज: बस कौन चलाएगा?

इस शोध पत्र का मुख्य निष्कर्ष यह है कि अत्यधिक सक्षम एआई मॉडल के लिए, "निर्धारित अनुकूलन पाइपलाइन" (prescribed optimization pipeline)—वह कठोर, चरण-दर-चरण योजना जो इंसान कंप्यूटर के लिए लिखते थे—सफलता के लिए अब एक आवश्यकता नहीं है। अतीत में, SKILLOPT (जो एक चरणबद्ध, चरण-दर-चरण प्रशिक्षण पाइपलाइन का उपयोग करता है) और GEPA (जो एक चिंतनशील विकासवादी खोज का उपयोग करता है) जैसे सिस्टम स्वर्ण मानक थे। वे एक फैक्ट्री असेंबली लाइन की तरह काम करते थे: ढांचा तय करता था कि साक्ष्य कैसे एकत्र किए जाएं, कोड को कैसे संपादित किया जाए, और कब रुकना है।

शोधकर्ताओं ने यह परीक्षण करने के लिए ओपन-एंडेड ऑप्टिमाइज़ेशन (OEO) पेश किया कि क्या एआई स्टीयरिंग व्हील संभाल सकता है। OEO में, ढांचा अभी भी सड़क के नियम निर्धारित करता है (लक्ष्य, बजट, और कौन सा डेटा अनुमत है), लेकिन एआई रास्ता तय करता है। वह साक्ष्य एकत्र करने, अपने स्वयं के निर्देशों को फिर से लिखने या तब रुकने का निर्णय ले सकता है जब उसे लगता है कि वह पूरा हो गया है।

जब उन्होंने GPT-5.5-संचालित OEO को सख्त विधियों के विरुद्ध खड़ा किया, तो परिणाम चौंकाने वाले थे। 8 अलग-अलग बेंचमार्क सेटिंग्स में, OEO ने हर मामले में सख्त SKILLOPT पद्धति को हराया या बराबरी की। GEPA पद्धति के मुकाबले, OEO 6 में से 5 बार जीता, एकमात्र हार 0.21 प्रतिशत अंक का सूक्ष्म अंतर था। शायद सबसे रोमांचक हिस्सा दक्षता है: OEO ने उस टोकन बजट का केवल 34.3% औसत उपयोग किया जो SKILLOPT को उपयोग करने के लिए कॉन्फ़िगर किया गया था। इसका मतलब है कि एआई न केवल बेहतर हुआ; बल्कि वह पुराने तरीके के आधे से भी कम "ईंधन" का उपयोग करके बेहतर हुआ।

"आसान रास्ता" को खारिज करना

जश्न मनाने से पहले, शोधकर्ताओं को यह सुनिश्चित करना था कि वे मूर्ख न बन जाएं। उन्होंने पूछा: "क्या एआई केवल इसलिए भाग्यशाली है क्योंकि वह पहले से ही उत्तर जानता है?" या "क्या इसने बस कोड को एक बार फिर से लिखा और काम खत्म कर दिया?"

इसका परीक्षण करने के लिए, उन्होंने एक "जीरो-इंटरेक्शन" कंट्रोल चलाया। उन्होंने एआई को प्रारंभिक कौशल दिया और बिना किसी अभ्यास या फीडबैक लूप के इसे केवल एक बार फिर से लिखने के लिए कहा। परिणामों ने दिखाया कि यह "वन-शॉट" पुन: लेखन पर्याप्त नहीं था। कुछ कार्यों पर, वन-शॉट पुन: लेखन ने एआई को वास्तव में बदतर बना दिया। अन्य पर, इसने स्कोर में सुधार किया, लेकिन फिर भी यह इंटरैक्टिव OEO से काफी पीछे रह गया (उदाहरण के लिए, LiveMath कार्य पर, वन-शॉट पुन: लेखन OEO से 30 प्रतिशत अंक से भी पीछे था)। यह साबित करता है कि लाभ केवल एआई के पूर्व-मौजूदा ज्ञान से नहीं आए थे; वे इंटरैक्टिव लूप से आए थे जहाँ एआई समय के साथ सीख सकता था, अनुकूलित हो सकता था और अपनी रणनीति को परिष्कृत कर सकता था।

क्षमता की सीमा: हमें कोच की आवश्यकता कब होती है?

शोध पत्र ने इस स्वतंत्रता की एक महत्वपूर्ण सीमा भी खोजी। "ओपन-एंडेड" दृष्टिकोण कोई जादुई समाधान नहीं है जो हर एआई के लिए काम करता है। शोधकर्ताओं ने "मध्यम" और "कमजोर" ऑप्टिमाइज़र (कम सक्षम मॉडल) के साथ सिस्टम का परीक्षण किया।

यहाँ कहानी बदल गई। जब ऑप्टिमाइज़र केवल "मध्यम" सक्षम था, तो सख्त SKILLOPT पाइपलाइन ने OEO की तुलना में बेहतर प्रदर्शन किया। जब ऑप्टिमाइज़र "कमजोर" था, तो OEO सिस्टम पूरी तरह से टूट गया; कमजोर एआई ओपन इंटरफेस के माध्यम से एक वैध क्रिया भी उत्पन्न नहीं कर सका, और कोई प्रगति नहीं हुई। इसके विपरीत, सख्त पाइपलाइन ने कमजोर एआई को आगे बढ़ाया, भले ही वह सबसे कुशल नहीं था।

यह सुझाव देता है कि सख्त, पूर्व-लिखित पाइपलाइन एक "मचान" (scaffold) के रूप में कार्य करती है। एक जीनियस-स्तर के एआई के लिए, मचान अनावश्यक है और बाधा भी बन सकता है। लेकिन एक ऐसे शिक्षार्थी के लिए जो अभी भी अपने पैर जमा रहा है, वह मचान उन्हें खाई में गिरने से बचाने के लिए आवश्यक है।

पथ बनाम गंतव्य

अंत में, शोधकर्ताओं ने यह देखने के लिए कि एआई कैसे सीख रहा है, "हुड के नीचे" देखा। उन्होंने "यात्रा" (एआई द्वारा किए गए विशिष्ट संपादन और परिवर्तन) की तुलना "गंतव्य" (अंतिम प्रदर्शन स्कोर) से की।

उन्होंने पाया कि दोनों विधियाँ बहुत अलग रास्ते अपनाती हैं। OEO सिस्टम ने सख्त SKILLOPT सिस्टम की तुलना में बड़े, साहसी बदलाव किए और अपने इतिहास को अधिक बार फिर से लिखा। हालाँकि, इन बिल्कुल अलग रास्तों के बावजूद, वे अक्सर एक ही समस्याओं को हल करते थे। कई मामलों में, दोनों विधियों द्वारा उत्पादित अंतिम कौशल परीक्षण के प्रश्नों के समान सेट पर सही थे, भले ही कौशल का टेक्स्ट बहुत अलग दिखता था।

यह हमें बताता है कि किसी समस्या को हल करने का केवल एक ही "सही" तरीका नहीं है। सख्त पाइपलाइन एआई को एक संकीर्ण, सुरक्षित पथ पर ले जाती है, जबकि ओपन-एंडेड दृष्टिकोण इसे एक व्यापक, अधिक अराजक परिदृश्य का पता लगाने देती है। दोनों एक ही गंतव्य तक पहुँच सकते हैं, लेकिन ओपन-एंडेड दृष्टिकोण अधिक लचीलेपन और कम ईंधन के साथ वहाँ पहुँचता है, बशर्ते ड्राइवर कुशल हो।

निचोड़

शोध पत्र निष्कर्ष निकालता है कि हमें यह सोचना चाहिए कि हम स्व-विकसित एजेंटों को कैसे बनाते हैं। हमें हर एआई को एक कठोर, पूर्व-लिखित बॉक्स में डालने की आवश्यकता नहीं है। इसके बजाय, हमें एक "क्षमता-अनुकूलित" (capability-adaptive) दृष्टिकोण अपनाना चाहिए। यदि एआई पर्याप्त स्मार्ट है ("फ्रंटियर" मॉडल), तो हम उसे चाबियाँ सौंप सकते हैं और उसे अपनी सीखने की प्रक्रिया स्वयं रचने दे सकते हैं। हमें बस सुरक्षा घेरे (guardrails) बनाए रखने की आवश्यकता है: लक्ष्य, बजट और जुड़ाव के नियम। लेकिन कम सक्षम मॉडलों के लिए, पुराना, सख्त कोचिंग अभी भी यह सुनिश्चित करने का सबसे अच्छा तरीका है कि वे प्रभावी ढंग से सीखें। यह "एक आकार सबके लिए उपयुक्त" से "सही मस्तिष्क के लिए सही उपकरण" की ओर एक बदलाव है।