Position: AI Agents in Scientific Teams Should Be Studied as Human-Agent Systems

तकनीकी सारांश: वैज्ञानिक टीमों में AI एजेंटों का अध्ययन मानव-एजेंट प्रणालियों (Human-Agent Systems) के रूप में किया जाना चाहिए

समस्या विवरण
यह शोध पत्र बड़े भाषा मॉडल (LLM) आधारित "AI वैज्ञानिकों" के संबंध में वर्तमान साहित्य में एक महत्वपूर्ण अंतराल की पहचान करता है। जबकि मौजूदा शोध तेजी से वैज्ञानिक खोज करने के लिए एजेंटों की स्वायत्त क्षमताओं पर ध्यान केंद्रित कर रहा है, यह दृष्टिकोण वैज्ञानिक टीम वर्क में निहित सामाजिक और सहयोगात्मक गतिशीलता की काफी अनदेखी करता है। वर्तमान प्रणालियाँ अक्सर मानव भागीदारी को उच्च-स्तरीय लक्ष्य निर्धारण और अंतिम सत्यापन तक सीमित मानती हैं, जो मानव-मानव टीमों की विशिष्ट पुनरावृत्ति (iterative) और संयुक्त सहभागिता को समझने में विफल रहती हैं। लेखक तर्क देते हैं कि AI वैज्ञानिकों का अलगाव में अध्ययन करना "वैज्ञानिक टीम वर्क के सामाजिक पहलुओं" की उपेक्षा करता है और निकट भविष्य के जोखिमों को संबोधित करने में विफल रहता है, जैसे कि वैज्ञानिक जांच का समरूपीकरण (homogenization) और विषय विविधता में कमी, जो एजेंटों को मानव-एजेंट गतिशीलता को ध्यान में रखे बिना तैनात करने से उत्पन्न होते हैं।

कार्यप्रणाली (Methodology)
लेखक मानव-एजेंट प्रणालियों (HAS) के लेंस के माध्यम से साहित्य समीक्षा, अनुभवजन्य विश्लेषण और केस स्टडी परीक्षण को संयोजित करते हुए एक बहुआयामी दृष्टिकोण अपनाते हैं।

1. साहित्य समीक्षा और वर्गीकरण अनुप्रयोग: लेखक हालिया AI वैज्ञानिक प्रणालियों (जैसे, AI Scientist v2, Kosmos, Co-Scientist, Denario) की समीक्षा करते हैं और उन्हें मानव फीडबैक के प्राथमिक चैनल के आधार पर वर्गीकृत करते हैं। वे इन प्रणालियों का विश्लेषण करने के लिए Zou et al. (2025a) से एक वर्गीकरण (taxonomy) को अपनाते हैं, जो तीन आयामों पर आधारित है:

   • प्रकार (Type): मूल्यांकनात्मक (गुणवत्ता मूल्यांकन), मार्गदर्शन (निर्देश/आलोचना), या सुधारात्मक (संपादन/सुधार)।
   • विस्तार (Granularity): स्थूल (एक आउटपुट के लिए एकल मूल्यांकन) या सूक्ष्म (लक्षित चरण-वार फीडबैक)।
   • चरण (Phase): पूर्व-कार्य (योजना), मध्य-कार्य (निष्पादन), या उत्तर-कार्य (मूल्यांकन)।
     समीक्षा से पता चलता है कि अधिकांश प्रणालियाँ आर्टिफैक्ट-स्तर (post-task) या खोज-चरण-स्तर (mid-task) के फीडबैक पर निर्भर करती हैं, जिनमें बहुत कम लचीले, अतुल्यकालिक (asynchronous) या सूक्ष्म हस्तक्षेप का समर्थन करती हैं।

2. प्रारंभिक अनुभवजन्य प्रयोग: फीडबैक के संबंध में एजेंट व्यवहार का परीक्षण करने के लिए, लेखकों ने AstaBench एंड-टू-एंड डिस्कवरी (E2E) बेंचमार्क पर GPT-5-mini के साथ एक ReAct-आधारित एजेंट हार्नेस का उपयोग करके एक प्रयोग किया। उन्होंने तीन स्थितियों की तुलना की:

   • एक बेसलाइन योजना-केंद्रित एजेंट।
   • एक एजेंट जिसमें सिस्टम प्रॉम्प्ट में "यूजर से पूछें" (ask user) टूल और फीडबैक वर्गीकरण शामिल है।
   • एक एजेंट जिसे हमेशा "यूजर से पूछें" टूल को कॉल करने के लिए स्पष्ट प्रति-चरण निर्देश दिए गए हैं।
     अध्ययन ने फीडबैक अनुरोधों के प्रकार, विस्तार और चरण को वर्गीकृत करने के लिए LLM-as-a-judge का उपयोग किया।

3. केस स्टडी विश्लेषण: लेखकों ने एजेंटों के साथ सहयोग करने वाले वैज्ञानिकों के प्रकाशित वृत्तांतों का विश्लेषण किया (जैसे, Gemini 3 Pro के साथ कॉम्प्लेक्सिटी थ्योरी परिणाम का "वाइब-कोडिंग" करना; GPT-5 के साथ कम हुआ भौतिकी मॉडलिंग) ताकि पारस्परिक संवर्धन (mutual augmentation) और तालमेल (synergy) के पैटर्न को गुणात्मक रूप से चित्रित किया जा सके।

4. सैद्धांतिक मॉडलिंग: लेखक HAS के लिए एक खिलौना उपयोगिता मॉडल (toy utility model) प्रस्तावित करते हैं, जिसे $U(H, A) = CA(H, A) - CD(H, A)$के रूप में परिभाषित किया गया है, जहाँ$CA$सहयोग लाभ (पूरकता) का प्रतिनिधित्व करता है और$CD$ सहयोग हानि (समन्वय लागत) का प्रतिनिधित्व करता है।

मुख्य परिणाम

• फीडबैक सीमाएँ: साहित्य समीक्षा इंगित करती है कि अधिकांश AI वैज्ञानिक प्रणालियाँ मानव संपर्क को निरंतर, पुनरावृत्त सहयोग के बजाय पर्यवेक्षी भूमिकाओं (स्कोपिंग, ऑडिटिंग, अनुमोदन) तक सीमित रखती हैं। आर्टिफैक्ट-स्तर का फीडबैक सबसे आम है, जबकि अतुल्यकालिक स्टीयरिंग और सूक्ष्म व्यवधान दुर्लभ हैं।
• एजेंट फीडबैक व्यवहार: प्रारंभिक प्रयोग में, स्पष्ट प्रति-चरण निर्देशों के बिना वाला एजेंट मदद कब मांगनी है, यह जानने में विफल रहा, और अक्सर अस्पष्ट स्थितियों में धारणाएं बनाता रहा। जब हर चरण पर पूछने के लिए मजबूर किया गया, तो प्रमुख फीडबैक प्रकार मूल्यांकनात्मक (मध्य-कार्य के दौरान होने वाला) था, इसके बाद मार्गदर्शन (पूर्व-कार्य) था। सुधारात्मक फीडबैक शायद ही कभी मांगा गया। यह सुझाव देता है कि वर्तमान एजेंट सूक्ष्म, सुधारात्मक मानव इनपुट प्राप्त करने के लिए स्वयं को विनियमित करने में संघर्ष करते हैं।
• जोखिम साक्ष्य: पेपर साक्ष्य उद्धृत करता है कि AI-संवर्धित अनुसंधान तीन गुना अधिक पेपर उत्पन्न कर सकता है जिसमें विषयों की खोज में 5% की कमी आती है। यह मतिभ्रम (hallucination), पूर्वाग्रह प्रसार, और उन कनिष्ठ शोधकर्ताओं के बीच "कौशल ह्रास" (de-skilling) के जोखिमों को भी उजागर करता है जो विचारशील प्रक्रियाओं को सौंप देते हैं।
• तालमेल पैटर्न: केस स्टडीज ने प्रदर्शित किया कि प्रभावी तालमेल तब होता है जब मनुष्य वैचारिक ढांचा, डोमेन निर्णय और एपिस्टेमिक सत्यापन प्रदान करते हैं, जबकि एजेंट कार्यान्वयन और मसौदा तैयार करने में तेजी लाते हैं। हालांकि, यह तालमेल नाजुक है; विशेषज्ञ निरीक्षण के बिना, एजेंट जटिल मुद्दों को नजरअंदाज करने या समय से पहले आत्मविश्वास दिखाने जैसे विफलता मोड प्रदर्शित करते हैं।

प्रमुख योगदान

1. विश्लेषण की इकाई का पुनर्निर्धारण: पेपर का तर्क है कि अनुसंधान के फोकस को स्वायत्त "AI वैज्ञानिकों" से बदलकर मानव-एजेंट प्रणालियों (HAS) की ओर ले जाने की आवश्यकता है, जहाँ विश्लेषण की इकाई मानव-एजेंट युग्म है।
2. परस्पर क्रिया का वर्गीकरण (Taxonomy of Interaction): यह फीडबैक चैनलों (आर्टिफैक्ट, चरण, योजना, अतुल्यकालिक) और आयामों (प्रकार, विस्तार, चरण) के आधार पर वर्तमान AI वैज्ञानिक प्रणालियों का एक संरचित वर्गीकरण प्रदान करता है, जो गहरे, पुनरावृत्त सहयोग का समर्थन करने वाली प्रणालियों की कमी को रेखांकित करता है।
3. जोखिम शमन ढांचा: यह तर्क देता है कि HAS लेंस मतिभ्रम, पूर्वाग्रह और वैज्ञानिक विशेषज्ञता के क्षरण सहित निकटतम जोखिमों को कम करने के लिए आवश्यक है, यह सुनिश्चित करते हुए कि मानव निरीक्षण खोज लूपों में एकीकृत रहे न कि केवल उत्तर-घटना (post-hoc) समीक्षा तक सीमित रहे।
4. गणितीय ढांचे का प्रस्ताव: लेखक सहयोग लाभ को अधिकतम करने और समन्वय लागत को न्यूनतम करने के लिए एक उपयोगिता मॉडल ($U = CA - CD$) पेश करते हैं।
5. मूल्यांकन मार्ग: पेपर एक चरणबद्ध मूल्यांकन रणनीति का प्रस्ताव करता है, जो कम लागत वाले प्रॉक्सी (जैसे, समीक्षा समय, हस्तक्षेप घनत्व, सिम्युलेटेड ऑरेकल सिनर्जी) से लेकर अधिक महंगे सेंटॉर मूल्यांकन (Centaur evaluations) (मानव और एजेंट अकेले के मुकाबले HAS की तुलना) की ओर बढ़ता है।

महत्व और दावे
पेपर का दावा है कि AI वैज्ञानिकों का अध्ययन HAS के रूप में करना अल्प-अन्वेषित और कम आंका गया है। इसका महत्व इस प्रकार है:

• निकट-अवधि के जोखिमों को कम करना: मानव भागीदारी को केंद्र में रखकर, HAS लेंस मतिभ्रम का पता लगाने, पूर्वाग्रह को रोकने और उन वैज्ञानिक कौशलों को संरक्षित करने के ठोस मार्ग प्रदान करता है जो स्वचालन पर अत्यधिक निर्भरता के कारण नष्ट हो सकते हैं।
• तालमेल को अनलॉक करना: यह सुझाव देता है कि वास्तविक वैज्ञानिक सफलता के लिए "मानव-एजेंट तालमेल" की आवश्यकता हो सकती है जहाँ संयुक्त टीम अकेले किसी भी सदस्य से बेहतर प्रदर्शन करती है, जो वर्तमान में पूरी तरह से स्वायत्त एजेंटों या अकेले काम करने वाले मनुष्यों के लिए अप्राप्य स्थिति है।
• व्यावहारिक अनुसंधान दिशा: लेखक तर्क देते हैं कि सुरक्षित और प्रभावी मानव-एजेंट सह-खोज प्राप्त करने के लिए HAS लेंस को अपनाना एक व्यावहारिक मार्ग है। वे वैज्ञानिक खोज में मानव-एजेंट तालमेल की गतिशीलता को विशेष रूप से लक्षित करने वाले गणितीय ढांचे और मूल्यांकन मेट्रिक्स विकसित करने के लिए नए शोध का आह्वान करते हैं, न कि एजेंटों को अलग-थलग अनुकूलन समाधानकर्ताओं (optimization solvers) के रूप में देखने का।

पेपर निष्कर्ष निकालता है कि हालांकि HAS का मूल्यांकन जटिल और महंगा है, लेकिन हल्के मेट्रिक्स का उपयोग करने वाला एक चरणबद्ध दृष्टिकोण इन प्रणालियों की उपयोगिता को मान्य कर सकता है, जो अंततः एक ऐसे वैज्ञानिक वातावरण को बढ़ावा देगा जहाँ AI मानव विचार प्रक्रिया को बदलने के बजाय उसे सशक्त बनाता है।