कल्पना कीजिए कि आप एक जासूस हैं जो किसी रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन किसी अपराध स्थल के बजाय, आप एक हलचल भरी शहर की सड़क, एक भीड़भाड़ वाले थीम पार्क या एक छोटे से सर्किट बोर्ड को देख रहे हैं। लंबे समय से, कंप्यूटर वैज्ञानिकों ने रोबोटों को केवल लिखित रिपोर्टों का उपयोग करके एक महान जासूस बनने के लिए प्रशिक्षित किया है। वे रोबोट को "लोगों के दौड़ने वाला एक व्यस्त पार्क" जैसा विवरण देते थे, और रोबोट अनुमान लगाने की कोशिश करता था कि वहां कौन सा व्यवसाय शुरू किया जा सकता है। लेकिन समस्या यह है: एक लिखित विवरण एक धुंधले, ब्लैक-एंड-व्हाइट स्केच की तरह है। यह आसमान का रंग, भीड़ का अराजक भंवर, या किसी सामग्री की विशिष्ट बनावट को छोड़ देता है। वास्तविक दुनिया में, सबसे महत्वपूर्ण सुराग अक्सर वे होते हैं जिन्हें आप देख सकते हैं लेकिन आसानी से कह नहीं सकते। यह शोध पत्र आर्टिफिशियल इंटेलिजेंस के उस रोमांचक कोने में उतरता है जहाँ कंप्यूटर केवल तथ्यों की सूची पढ़ने के बजाय, चित्रों और टेक्स्ट को एक साथ देखकर नए व्यावसायिक विचार सोचने के लिए सीखते हैं।

इस अध्ययन के पीछे के शोधकर्ताओं ने महसूस किया कि जबकि AI लिखने में बेहतर हो रहा है, यह "व्यावसायिक अवसरों" को देखने में अभी भी थोड़ा अनाड़ी है। उन्होंने MBA-Bench नामक एक विशाल प्रशिक्षण मैदान बनाया, जो 3-0,000 वास्तविक दुनिया के दृश्यों का एक विशाल पुस्तकालय है। प्रत्येक दृश्य केवल एक फोटो नहीं है; यह एक पूर्ण पहेली का टुकड़ा है जिसमें छवि, एक विवरण, एक विशिष्ट व्यावसायिक प्रश्न (जैसे, "हम यहाँ पैसा कैसे बचा सकते हैं?") और वास्तविक दुनिया का बाजार डेटा शामिल है। उन्होंने अपने नए AI एजेंटों, जिन्हें MBA-b और MBA-k नाम दिया गया है, का परीक्षण पुराने मॉडलों के विरुद्ध किया जो केवल टेक्स्ट विवरण पढ़ते थे। परिणाम क्रांतिकारी थे: AI को वास्तव में चित्र देखने देने से, नए एजेंटों ने काफी अधिक रचनात्मक और व्यावहारिक व्यावसायिक विचार उत्पन्न किए। वास्तव में, उन्होंने टेक्स्ट-ओनली मॉडलों को भारी अंतर से पीछे छोड़ दिया—कभी-कभी 70% से भी अधिक—और कुछ सबसे महंगे, "क्लोज्ड-सोर्स" सुपर-कंप्यूटरों को भी कड़ी टक्कर दी।

समस्या: "अंधा" बिजनेस कंसल्टेंट

कल्पना कीजिए कि आप एक कंपनी शुरू करने में मदद करने के लिए एक बिजनेस कंसल्टेंट को काम पर रखते हैं। यदि आप उन्हें केवल एक लिखित नोट देते हैं जिसमें लिखा है, "वहाँ लोगों की भीड़ है," तो वे एक सामान्य नींबू पानी (लेमोनेड) के स्टाल का सुझाव दे सकते हैं। लेकिन यदि आप उन्हें उसी भीड़ की एक फोटो दिखाते हैं, तो वे देख सकते हैं कि हर कोई भारी सर्दियों के कोट पहने हुए है, ठंड से कांप रहा है, और एक बंद, बर्फीले फव्वारे की ओर देख रहा है। अचानक, विचार बदल जाता है: शायद हॉट चॉकलेट कार्ट या एक गर्म आश्रय ही असली विजेता है।

यह वही अंतराल है जिसे यह शोध पत्र संबोधित करता है। पिछले AI सिस्टम उस अंधे कंसल्टेंट की तरह थे। वे "कैप्शन्स" (विवरणों) पर निर्भर थे। लेकिन जैसा कि लेखकों ने पाया, कैप्शन वास्तविक दुनिया के जटिल विवरणों को पकड़ने में बहुत खराब हैं। एक कैप्शन कह सकता है "एक भीड़," लेकिन यह भीड़ की घनत्व (density), लोगों के चलने की दिशा, या किसी सामग्री की अजीब बनावट को छोड़ देता है। शोध पत्र तर्क देता है कि यदि आप वास्तव में अभिनव व्यावसायिक विचार उत्पन्न करना चाहते हैं, तो आपको केवल मेनू पढ़ना नहीं है; आपको रसोई को देखना होगा।

समाधान: एक नया प्रशिक्षण मैदान और दो नए एजेंट

इसे ठीक करने के लिए, टीम ने MBA-Bench बनाया। इसे एक उच्च-तकनीकी वीडियो गेम स्तर के रूप में सोचें जिसे विशेष रूप से व्यवसाय पर AI को प्रशिक्षित करने के लिए डिज़ाइन किया गया है। उन्होंने केवल रैंडम तस्वीरें नहीं लीं; उन्होंने छह विशिष्ट "दुनियाओं" या डोमेन में 2,000 छवियों को क्यूरेट किया जहाँ दृश्य विवरण सबसे अधिक मायने रखते हैं:

1. सामान्य (General): पार्क या कार्यालय जैसे रोजमर्रा के दृश्य।
2. स्थानिक लेआउट (Spatial Layout): भीड़भाड़ वाली मोबाइल ऐप स्क्रीन जहाँ बटन का प्लेसमेंट मायने रखता है।
3. भीड़ (Crowding): ऐसे दृश्य जहाँ बहुत से लोग घूम रहे हैं।
4. दृश्य स्थिति (Visual Condition): दोष या सतह की खामियों को दिखाने वाली छवियां।
5. आकार और बनावट (Shape & Texture): ऊन या कपड़े जैसी सामग्रियों के क्लोज-अप।
6. तकनीकी विशेषताएं (Technical Features): सर्किट बोर्ड और तारों के विस्तृत शॉट।

प्रत्येक छवि के लिए, उन्होंने केवल एक कैप्शन नहीं लिखा। उन्होंने एक स्मार्ट AI (GPT-4o) का उपयोग किया जो एक मार्केट रिसर्चर की तरह काम करता है। इसने चित्र को देखा, इंटरनेट से वास्तविक डेटा मांगा (DuckDuckGo नामक सर्च इंजन का उपयोग करके), और फिर तीन अलग-अलग व्यावसायिक दृष्टिकोणों के लिए पांच "रेफरेंस आइडियाज" उत्पन्न किए: पैसा बचाना, नई तकनीक का उपयोग करना, या उपयोगकर्ता अनुभव में सुधार करना। इससे AI को सीखने के लिए 30,000 उच्च-गुणवत्ता वाले उदाहरणों का एक डेटासेट तैयार हुआ।

फिर, उन्होंने इस खेल को खेलने के लिए दो विशेष AI एजेंट बनाए:

• MBA-b (द ब्लाइंड एजेंट): यह एजेंट उन स्थितियों के लिए प्रशिक्षित है जहाँ उसे सटीक ग्रेडिंग रूब्रिक (मानदंड) का पता नहीं होता। यह दो बड़े लक्ष्यों पर ध्यान केंद्रित करता है: रचनात्मकता (Creativity) (क्या विचार नया और अलग है?) और व्यवहार्यता (Feasibility) (क्या यह वास्तव में संभव और वास्तविकता पर आधारित है?)।
• MBA-k (द नोन एजेंट): यह एजेंट तब प्रशिक्षित होता है जब उसे पता होता है कि उसे किन विशिष्ट मानदंडों पर परखा जाएगा। यह आठ अलग-अलग मेट्रिक्स के लिए अनुकूलित होता है, जिसमें ऊपर दिए गए दो के अलावा "प्रतिस्पर्धात्मक लाभ" और "बाजार का आकार" जैसे छह विशिष्ट व्यावसायिक आयाम शामिल हैं।

उन्होंने कैसे सीखा: "कोच" और "जज"

प्रशिक्षण प्रक्रिया एक स्पोर्ट्स टीम के ओलंपिक की तैयारी करने जैसा था। पहले, उन्होंने SFT (Supervised Fine-Tuning) नामक विधि का उपयोग किया। कल्पना कीजिए कि एक कोच खिलाड़ी (AI) को एक आदर्श चाल (रेफरेंस आइडियाज) का वीडियो दिखाता है और कहता है, "बिल्कुल ऐसा ही करो।" AI इन चालों की नकल करने का अभ्यास करता रहा जब तक कि उसने बुनियादी बातें सीख नहीं लीं।

लेकिन वास्तविक नवाचार के लिए केवल नकल करना पर्याप्त नहीं है। इसलिए, वे दूसरे चरण पर बढ़े: GRPO (Group Relative Policy Optimization)। यहीं से यह मजेदार होता है। केवल नकल करने के बजाय, AI को एक साथ चार अलग-अलग विचारों का एक समूह बनाने के लिए कहा गया। फिर, एक "जज" (एक बहुत ही स्मार्ट AI) ने उन चारों विचारों को देखा और उनकी आपस में रैंकिंग की। यदि एक विचार अन्य की तुलना में अधिक रचनात्मक या अधिक वास्तविक था, तो उसे एक "रिवॉर्ड" (पुरस्कार) मिला। AI ने अपनी रणनीति को अधिक रिवॉर्ड पाने के लिए समायोजित करना सीखा, जो अनिवार्य रूप से उसे बिना किसी मानव द्वारा हर उत्तर को ग्रेड किए, अधिक रचनात्मक और व्यावहारिक बनने के लिए खुद को सिखाता है।

परिणाम: देखना ही विश्वास करना है

जब टीम ने अपने नए एजेंटों का परीक्षण किया, तो परिणाम स्पष्ट थे। "टेक्स्ट-ओनली" मॉडल (जो केवल कैप्शन पढ़ते थे) संघर्ष करते रहे, विशेष रूप से "भीड़" या "तकनीकी विशेषताओं" जैसे जटिल डोमेन में। वे उन दृश्य संकेतों को मिस कर गए जो एक व्यावसायिक विचार को व्यवहार्य बनाते हैं।

मल्टीमॉडल मॉडल (वे जो चित्र देख सकते थे) बहुत बेहतर थे, लेकिन लेखकों के नए एजेंट, MBA-b और MBA-k, चैंपियन थे।

• MBA-b ने टेक्स्ट-ओनली बेसलाइन को 63.9% और मल्टीमॉडल बेसलाइन को 25.6% से पीछे छोड़ दिया।
• MBA-k और भी मजबूत था, जिसने टेक्स्ट-ओनली बेसलाइन को 77.1% और मल्टीमॉडल बेसलाइन को 35.8% से पीछे छोड़ दिया।

शायद सबसे प्रभावशाली बात यह है कि MBA-k ने उन सबसे शक्तिशाली, महंगे "क्लोज्ड-सोर्स" मॉडलों (जैसे GPT-5 या Gemini) के लगभग बराबर प्रदर्शन किया जो बड़ी टेक कंपनियों द्वारा गुप्त रखे जाते हैं। यह सुझाव देता है कि सही प्रशिक्षण और डेटा के साथ, ओपन-सोर्स मॉडल दिग्गजों को टक्कर दे सकते हैं।

उन्होंने क्या नहीं पाया (और आगे क्या है)

शोध पत्र सावधानी से यह नोट करता है कि उन्होंने क्या हल नहीं किया। AI अभी भी एक व्यस्त सड़क के शोर को "सुन" नहीं सकता या बेकरी की "महक" नहीं ले सकता; यह केवल देखता और पढ़ता है। लेखक यह भी बताते हैं कि AI यह नहीं जानता कि उद्यमी कौन है। एक अरबपति के लिए एक महान विचार एक कॉलेज छात्र के लिए असंभव हो सकता है, लेकिन वर्तमान प्रणाली सभी के साथ एक जैसा व्यवहार करती है।

इसके अलावा, अध्ययन से पता चलता है कि हालांकि AI व्यावसायिक अवसर पहचानने में बेहतर हो रहा है, लेकिन यह रचनात्मकता की तुलना में "तकनीकी वैधता" (इस बात के बारीक विवरण कि क्या तकनीक वास्तव में काम करती है) के मामले में अभी भी संघर्ष करता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में वीडियो (गति देखने के लिए) और व्यक्तिगत उपयोगकर्ता प्रोफाइल शामिल होने चाहिए ताकि ये विचार वास्तव में वास्तविक दुनिया के लिए तैयार हो सकें।

संक्षेप में, यह शोध पत्र साबित करता है कि यदि आप चाहते हैं कि एक AI एक महान बिजनेस थिंकर बने, तो आपको उसे दुनिया को देखने देना होगा, न कि केवल उसके बारे में पढ़ना। AI को आँखें और एक ऐसा दिमाग देकर जो चित्रों को बाजार डेटा से जोड़ सके, हम ऐसी मशीनों के करीब पहुँच रहे हैं जो हमें अगली बड़ी चीज़ का सपना देखने में मदद कर सकती हैं।