विज्ञान और इंजीनियरिंग लंबे समय से एक सरल, मानवीय लय पर निर्भर रहे हैं: कुछ प्रयास करें, देखें कि क्या यह काम करता है, गलती से सीखें, और फिर से प्रयास करें। दशकों से, यह चक्र खोज का इंजन रहा है, जहाँ एक शोधकर्ता एक प्रोटोटाइप बनाता है, उसका परीक्षण करता है, और परिणामों का उपयोग अगले संस्करण को परिष्कृत करने के लिए करता है। लेकिन जैसे-जैसे कंप्यूटर अपना स्वयं का कोड लिखने और अपने स्वयं के प्रयोग चलाने के लिए पर्याप्त शक्तिशाली हो गए हैं, एक नया प्रश्न उभरा है। क्या एक मशीन उसी तरह सीख सकती है जैसे एक इंसान अपनी विफलताओं से सीखता है? चुनौती केवल यह नहीं है कि मशीन को एक परिणाम मिल जाता है, बल्कि यह है कि वह समझ सके कि उसे वह परिणाम क्यों मिला। जब एक कंप्यूटर किसी डिज़ाइन के एक हजार रूपांतरों का परीक्षण करता है, तो वह अक्सर डेटा का एक पहाड़ पैदा करता है जो उसे बताता है कि क्या हुआ, लेकिन यह नहीं कि किस विशिष्ट परिवर्तन ने अंतर पैदा किया। उस स्पष्टता के बिना, मशीन को बार-बार एक ही सबक सीखने के लिए मजबूर होना पड़ता है, जिससे उन रास्तों पर समय और ऊर्जा बर्बाद होती है जो कहीं नहीं ले जाते।

यह वही समस्या है जिसे 'सैपिएंट इंटेलिजेंस' (Sapient Intelligence) के शोधकर्ताओं की एक टीम ने हल करने का संकल्प लिया। उन्होंने PRAXIST नामक एक प्रणाली बनाई, जिसे न केवल समाधान खोजने के लिए, बल्कि इस बात का एक स्पष्ट, ऑडिट योग्य इतिहास बनाने के लिए डिज़ाइन किया गया है कि वे समाधान कैसे खोजे गए। प्रत्येक प्रयास को एक नई शुरुआत के रूप में देखने के बजाय, PRAXIST अनुसंधान को एक निरंतर संवाद के रूप में देखता है। यह एक प्रयोग के परिणामों को लेता है, उन्हें विशिष्ट पाठों में तोड़ता है—क्या काम किया, क्या विफल रहा, और क्या केवल एक भाग्यशाली अनुमान था—और उन पाठों को एक स्थायी रिकॉर्ड के रूप में सहेजता है। जब सिस्टम अपने प्रयोगों के अगले दौर को शुरू करता है, तो वह केवल अतीत के सबसे अच्छे स्कोर को नहीं देखता; वह उन विशिष्ट तंत्रों को देखता है जिन्होंने वह स्कोर अर्जित किया। वह पूछता है, "क्या इस डिज़ाइन के इस हिस्से ने वास्तव में सुधार किया, या यह कुछ और था?" इस प्रश्न का उत्तर देकर, सिस्टम अपने इतिहास के केवल उपयोगी हिस्सों को आगे ले जा सकता है, जिससे पहले की तुलना में बहुत कम प्रयास के साथ अधिक मजबूत और विश्वसनीय समाधान बनते हैं।

शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण पचहत्तर विभिन्न मशीन-लर्निंग इंजीनियरिंग चुनौतियों के एक विशाल सेट पर किया, जिसमें मेडिकल इमेज में बीमारियों की पहचान करने से लेकर शेयर बाजार के रुझानों की भविष्यवाणी करने तक शामिल थे। उन्होंने अपनी प्रणाली की तुलना एक शक्तिशाली, मानक एआई कोडिंग असिस्टेंट से की जो उपलब्ध सबसे उन्नत लैंग्वेज मॉडल्स में से एक पर चल रहा था। मानक असिस्टेंट ने लगभग तेहत्तर प्रतिशत कार्यों पर पदक प्राप्त किया, लेकिन इसे करने के लिए उसने लगभग अड़तीस हजार डॉलर की कंप्यूटिंग लागत खर्च की। PRAX-IST सिस्टम ने, जो एक अलग अंतर्निहित मॉडल और अपने काम को व्यवस्थित करने के एक बहुत अधिक स्मार्ट तरीके का उपयोग करता है, सभी कार्यों पर अस्सी प्रतिशत सफलता के साथ पदक अर्जित किए, और यह सब केवल लगभग तीन हजार डॉलर खर्च करके किया। दूसरे शब्दों में, नए सिस्टम ने लागत के लगभग एक-बारहवें हिस्से में बेहतर समाधान खोज लिए।

लेकिन वास्तविक नवाचार केवल बचत में नहीं, बल्कि पद्धति में निहित है। शोधकर्ताओं ने देखा कि अधिकांश स्वचालित प्रणालियाँ अपने इतिहास को केवल स्कोर की एक सरल सूची की तरह मानती हैं, जिसमें केवल उच्चतम संख्या रखी जाती है और बाकी को छोड़ दिया जाता है। हालाँकि, PRAXIST इतिहास को एक वंशावली (family tree) की तरह मानता है। हर बार जब सिस्टम कोई नया सॉफ़्टवेयर या नया नियंत्रण तंत्र बनाता है, तो वह सफलता या विफलता की ओर ले जाने वाले विशिष्ट डिज़ाइन विकल्पों को रिकॉर्ड करता है। यदि रॉकेट लैंडिंग एल्गोरिदम में किसी विशेष बदलाव के कारण वाहन दुर्घटनाग्रस्त हुआ, तो उस विफलता को एक मृत अंत के रूप में नहीं, बल्कि एक मूल्यवान सबक के रूप में रिकॉर्ड किया जाता है जो भविष्य के प्रयासों को बताता है कि किन चीजों से बचना है। यदि ट्रेडिंग रणनीति में किसी विशेष बदलाव ने लाभ में सुधार किया, तो उस सफलता को उस सटीक कारण के साथ टैग किया जाता है कि वह क्यों काम कर गया, ताकि सिस्टम जान सके कि उसे दूसरे संदर्भ में उसी बदलाव का उपयोग कैसे करना है। यह प्रक्रिया सिस्टम को "टाइप्ड एविडेंस" (typed evidence) विरासत में लेने की अनुमति देती है, जिसका अर्थ है कि वह ठीक जानता है कि समाधान के कौन से हिस्से सिद्ध रूप से काम करते हैं और कौन से अभी भी केवल अनुमान हैं।

यह देखने के लिए कि यह वास्तविक दुनिया में कैसे काम करता है, टीम ने PRAXIST को चार जटिल, ओपन-एंडेड इंजीनियरिंग समस्याओं पर लागू किया जिनका कोई एक सही उत्तर नहीं था। एक मामले में, उन्होंने सिस्टम को एक पुन: प्रयोज्य रॉकेट (reusable rocket) के लिए वर्टिकल लैंडिंग कंट्रोलर डिजाइन करने को कहा। शुरुआती बिंदु एक ऐसा कंट्रोलर था जो केवल चार प्रतिशत समय सफल होता था। एक मानक स्वचालित ऑप्टिमाइज़र ने सैकड़ों रूपांतरों का परीक्षण किया और सफलता दर को सत्रह प्रतिशत तक सुधारने में कामयाब रहा, लेकिन वह रॉकेट को हर बार सुरक्षित रूप से उतारने में सक्षम नहीं था। हालाँकि, PRAXIST ने एक अलग रास्ता अपनाया। इसने केवल यादृच्छिक बदलाव नहीं किए; इसने सुधारों की एक वंशावली बनाई। इसने पहले ईंधन प्रबंधित करने के लिए एक गवर्नर जोड़ा, फिर उड़ान के चरणों के बीच संक्रमण को संभालने के लिए एक गाइड जोड़ा, और अंत में रॉकेट के फिन्स (fins) पर बलों को संतुलित करने के लिए एक विशिष्ट गणितीय उपकरण जोड़ा। अभियान के अंत तक, सिस्टम ने एक ऐसा कंट्रोलर तैयार किया जिसने हर परीक्षण रन में सफलतापूर्वक रॉकेट को उतारा, यानी सौ प्रतिशत का परफेक्ट स्कोर। महत्वपूर्ण रूप से, सिस्टम ने पूरी यात्रा को रिकॉर्ड किया, यह दिखाते हुए कि कैसे प्रत्येक छोटे सुधार ने अंतिम सफलता तक पहुँचाया।

एक अन्य प्रयोग में, सिस्टम ने स्वायत्त ट्रेडिंग (autonomous trading) की समस्या का सामना किया। लक्ष्य एक ऐसी रणनीति बनाना था जो समय के साथ लाभ को अधिकतम करने के लिए शेयरों को खरीदने और बेचने का काम करे। बेसलाइन रणनीति, जो उपलब्ध प्रत्येक स्टॉक की समान मात्रा खरीदती थी, वार्षिक विकास दर तेईस प्रतिशत प्राप्त करती थी। PRAXIST ने एक अधिक जटिल, अनुकूलन योग्य रणनीति खोजी जो बाजार के पैटर्न से सीखती है और अपने व्यवहार को निष्पादन लागत के आधार पर समायोजित करती है। इस नई रणनीति ने तरेर प्रतिशत की वृद्धि दर हासिल की, जो बेसलाइन से दोगुने से भी अधिक है। सिस्टम ने केवल एक भाग्यशाली संयोजन नहीं खोजा; इसने खोज को विशिष्ट परिवर्तनों तक ट्रैक किया, जैसे कि रणनीति जोखिम को कैसे संभालती है और वह अपने ट्रेडों के समय को कैसे प्रबंधित करती है। शोधकर्ता सिस्टम की "वंशानुक्रम" (lineage) को देख सकते थे और उस सटीक क्षण को देख सकते थे जब रणनीति ने उस सामान्य बाधा से बचना सीखा जो इसके प्रदर्शन को नुकसान पहुँचा रही थी।

सिस्टम ने रोबोटिक्स और भौतिकी के क्षेत्र में भी अपनी उपयोगिता सिद्ध की। एक परीक्षण में, जिसमें एक रोबोट शामिल था जो नेविगेट करने के लिए कैमरों और लेजर का उपयोग करता है, मानक प्रणाली बहुत अधिक कंप्यूटिंग शक्ति बर्बाद कर रही थी क्योंकि वह रेडंडेंट जानकारी के साथ अपने मानचित्र को लगातार अपडेट कर रही थी। PRAXIST ने महसूस किया कि रोबोट को वीडियो के हर फ्रेम को देखने की आवश्यकता नहीं है; उसे केवल तभी देखना चाहिए जब नई जानकारी वास्तव में उपयोगी हो। रोबोट को अनावश्यक अपडेट छोड़ने के लिए सिखाकर, सिस्टम ने नेविगेशन में सटीकता खोए बिना विजुअल प्रोसेसिंग समय को सतहत्तर प्रतिशत तक कम कर दिया। इसी तरह, एक परमाणु संलयन रिएक्टर (nuclear fusion reactor) को नियंत्रित करने के सिमुलेशन में, सिस्टम ने एक ऐसा कंट्रोलर डिजाइन किया जिसने मौजूदा मानव-डिजाइन कंट्रोलर्स की तुलना में प्लाज्मा को लंबे समय तक स्थिर रखा, भले ही इसमें शामिल भौतिकी अत्यधिक कठिन और अप्रत्याशित है।

इन परिणामों को जो चीज़ महत्वपूर्ण बनाती है, वह है पारदर्शिता। पारंपरिक स्वचालित अनुसंधान में, जब कोई सिस्टम समाधान खोज लेता है, तो वह अक्सर एक "ब्लैक बॉक्स" होता है। आप जानते हैं कि यह काम करता है, लेकिन आप नहीं जानते कि क्यों, और आप आसानी से यह नहीं बता सकते कि क्या सफलता थोड़ी अलग स्थिति में भी बनी रहेगी। PRAXIST हर परिणाम के साथ एक विस्तृत कहानी जोड़कर इसे बदल देता है। यह समाधान की "वंशावली" को रिकॉर्ड करता है, जो साक्ष्यों की एक श्रृंखला है जो दिखाती है कि कौन से तंत्रों का परीक्षण किया गया, किन्हें मान्य किया गया, और किन्हें त्याग दिया गया। इसका मतलब है कि मानव वैज्ञानिक सिस्टम के काम को देख सकते हैं, उसके पीछे के तर्क को समझ सकते हैं, और यहाँ तक कि कुछ नया बनाने के लिए उसके सर्वोत्तम हिस्सों को भी ले सकते हैं। यह कंप्यूटर को केवल उत्तर देने वाले उपकरण से बदलकर एक ऐसे सहयोगी में बदल देता है जो अपने तर्क का दस्तावेजीकरण करता है।

शोधकर्ता इस बात पर जोर देते हैं कि यह दृष्टिकोण मानव वैज्ञानिकों को बदलने के बारे में नहीं है, बल्कि उन्हें एक अधिक शक्तिशाली उपकरण देने के बारे में है। हजारों विविधताओं के परीक्षण और सीखे गए पाठों को व्यवस्थित करने के उबाऊ काम को संभालकर, यह सिस्टम मनुष्यों को बड़े चित्र (big picture) पर ध्यान केंद्रित करने के लिए मुक्त करता है। प्रयोगों की पीढ़ियों में ज्ञान को विरासत में लेने की क्षमता का अर्थ है कि सिस्टम को हर बार नई समस्या का सामना करने पर शून्य से शुरुआत करने की आवश्यकता नहीं है। यह अपने अतीत की विफलताओं और सफलताओं के ज्ञान को आगे बढ़ा सकता है, एक विश्वसनीय ज्ञान की नींव बना सकता है जो हर प्रयास के साथ मजबूत होती जाती है। केवल सर्वोत्तम स्कोर की खोज से हटकर साक्ष्य की गहरी समझ की ओर यह बदलाव जटिल इंजीनियरिंग चुनौतियों के प्रति हमारे दृष्टिकोण में एक मौलिक परिवर्तन का प्रतिनिधित्व करता है।

अंत में, PRAXIST की कहानी मशीनों में स्मृति की शक्ति के बारे में है। लंबे समय तक, कंप्यूटर गणना में उत्कृष्ट थे लेकिन अपने इतिहास से एक संरचित तरीके से सीखने में कमजोर थे। यह प्रणाली दिखाती है कि जब आप किसी मशीन को न केवल यह रिकॉर्ड करने की क्षमता देते हैं कि क्या हुआ, बल्कि यह भी कि वह क्यों हुआ, तो वह उन समस्याओं को हल कर सकती है जो पहले पहुंच से बाहर थीं। यह सामान्य अर्थ में अधिक बुद्धिमान होने से नहीं, बल्कि इस बात के प्रति अधिक सावधान होने से होता है कि वह क्या याद रखता है और वह अपनी स्मृति का उपयोग कैसे करता है। परिणाम एक ऐसी प्रणाली है जो न केवल अधिक कुशल और लागत प्रभावी है, बल्कि अधिक भरोसेमंद भी है, क्योंकि इसके द्वारा प्रस्तावित प्रत्येक समाधान इस बात का स्पष्ट, निरीक्षण योग्य विवरण प्रदान करता है कि उस तक कैसे पहुँचा गया। यह स्वायत्त अनुसंधान का भविष्य है: एक ऐसी मशीन जो समाधान तक पहुँचने के लिए अनुमान नहीं लगाती, बल्कि एक ऐसी मशीन जो एक समय में एक प्रयोग के माध्यम से साक्ष्य की एक विरासत बनाती है।