कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट दोस्त है जिसने लगभग लिखी गई हर किताब पढ़ ली है, लेकिन एक पेंच यह है: उसने कुछ साल पहले पढ़ना बंद कर दिया था। वह अविश्वसनीय रूप से प्रवाहपूर्ण है और कविताएँ लिख सकता है, गणित की समस्याओं को हल कर सकता है और चुटकुले सुना सकता है, लेकिन उसका ज्ञान समय में जम गया है। यदि आप उससे किसी नई फिल्म या ताज़ा खबर के बारे में पूछते हैं, तो वह आत्मविश्वास के साथ चीजें बना सकता है क्योंकि वह यह नहीं जानता कि जो उसने सीखा है और जो वास्तव में सच है, उनके बीच क्या अंतर है। यह एक "हैलुसिनेशन" (hallucination) जैसा है। इसे ठीक करने के लिए, वैज्ञानिकों ने एक तरकीब निकाली जिसे रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) कहा जाता है। इसे ऐसे सोचें जैसे कि उस रोबोट को एक लाइब्रेरी कार्ड और एक लाइब्रेरियन दे दिया गया हो। सवाल का जवाब देने से पहले, रोबोट जल्दी से लाइब्रेरी में जाता है, सबसे प्रासंगिक किताबें (या दस्तावेज़) उठाता है, और अपना उत्तर बनाने के लिए उन्हें पढ़ता है। इस तरह, रोबोट केवल अपनी याददाश्त से अनुमान नहीं लगा रहा है; वह अपने उत्तर को वास्तविक, अद्यतित साक्ष्यों पर आधारित कर रहा है।

लेकिन यहाँ समस्या यह है: केवल लाइब्रेरी होना ही काफी नहीं है। आपको यह भी जानना होगा कि कैसे सही किताब ढूँढनी है, लाइब्रेरियन से कैसे सही सवाल पूछना है, और पन्नों को बिना भ्रमित हुए कैसे पढ़ना है। यदि रोबोट गलत किताबें उठा लेता है, या यदि लाइब्रेरियन बहुत धीमा है, तो उत्तर अभी भी खराब होगा। यहीं वह पेपर आता है जिसे हम अब एक्सप्लोर करने जा रहे हैं। यह एक विशाल "सिस्टमैटिक रिव्यू" (systematic review) है, जो एक बहुत ही व्यवस्थित जासूसी कहानी की तरह है जहाँ लेखक, अब्दुल्ला करासन ने यह खोजने के लिए एक खोज की कि वैज्ञानिकों ने इस "लाइब्रेरी सर्च" वाले हिस्से को स्मार्ट बनाने के लिए 2024 और 2026 के बीच कौन सी नई तरकीबें ईजाद की हैं। उन्होंने केवल एक या दो विचारों को नहीं देखा; उन्होंने 173 अलग-अलग अध्ययनों को ट्रैक किया ताकि यह देखा जा सके कि क्या काम कर रहा है, क्या विफल हो रहा है, और यह क्षेत्र किस दिशा में बढ़ रहा है।

महान लाइब्रेरी खोज (The Great Library Hunt)

कल्पना कीजिए कि AI अनुसंधान की दुनिया एक विशाल, अराजक बाज़ार है जहाँ सैकड़ों आविष्कारक हमारे रोबोट दोस्त के लिए एक आदर्श "सर्च इंजन" बनाने की कोशिश कर रहे हैं। कुछ लोग किताबों को छोटा और ले जाने में आसान बनाने की कोशिश कर रहे हैं (चंकिंग/chunking); अन्य रोबोट को बेहतर सवाल पूछना सिखाने की कोशिश कर रहे हैं (क्वेरी रीफॉर्म्यूलेशन/query reformulation); और कुछ तथ्यों के आपस में जुड़ने के जटिल मानचित्र (नॉलेज ग्राफ/knowledge graphs) बना रहे हैं। समस्या यह है कि हर कोई अपने विचारों को एक साथ चिल्लाकर बता रहा है, अलग-अलग भाषाओं का उपयोग कर रहा है और सफलता को अलग-अलग तरीकों से माप रहा है। यह बताना कठिन है कि कोई नया आविष्कार वास्तव में एक बड़ी सफलता है या सिर्फ एक फैंसी खिलौना।

इस अराजकता में व्यवस्था लाने के लिए, अब्दुल्ला करासन एक मास्टर लाइब्रेरियन की तरह काम करते हैं। उन्होंने सबसे प्रासंगिक पेपर्स को खोजने के लिए सख्त नियमों का एक सेट बनाया, छह प्रमुख डिजिटल पुस्तकालयों (दुनिया के सबसे बड़े बुकस्टोर की डिजिटल शेल्फ की तरह) को स्कैन किया। उन्होंने उन सभी को फ़िल्टर कर दिया जो स्पष्ट रूप से रोबोट के "सर्च" वाले हिस्से को बेहतर बनाने का वादा नहीं करते थे। अंत में, उन्होंने जनवरी 2024 से मार्च 2026 के बीच प्रकाशित 173 अध्ययनों का एक संग्रह एकत्र किया। फिर उन्होंने इन अध्ययनों को एक विशाल मानचित्र में वर्गीकृत किया, इस आधार पर कि वे क्या ठीक करने की कोशिश कर रहे थे और वे प्रक्रिया में कहाँ कर रहे थे।

खोज प्रक्रिया का मानचित्र (The Map of the Search Process)

यह पेपर रोबोट की खोज प्रक्रिया को एक पाइपलाइन में तोड़ देता है, जैसे कि एक कारखाने में असेंबली लाइन। करासन ने पाया कि शोधकर्ता इस लाइन के विभिन्न हिस्सों को बेहतर बनाने की कोशिश कर रहे हैं, लेकिन वे इसे समान रूप से नहीं कर रहे हैं।

1. प्री-रिट्रीवल स्टेज (खोज से पहले)
यह रोबोट के आने से पहले ही लाइब्रेरी को तैयार करने जैसा है।

• चंकिंग और इंडेक्सिंग (Chunking and Indexing): कल्पना कीजिए एक विशाल विश्वकोश की। यदि आप पन्नों को छोटे, यादृच्छिक टुकड़ों में काटते हैं, तो आप शायद एक वाक्य का अर्थ खो देंगे। यदि आप उन्हें बड़े ब्लॉकों में रखते हैं, तो रोबोट अभिभूत हो जाएगा। पेपर नोट करता है कि शोधकर्ता इन टुकड़ों (chunks) के लिए "गोल्डिलॉक्स" (Goldilocks) आकार खोजने की कोशिश कर रहे हैं—कभी इन्हें डायनेमिक बनाना तो कभी दस्तावेज़ की संरचना (जैसे एक टेबल को एक साथ रखना) का उपयोग करना ताकि यह सुनिश्चित हो सके कि रोबोट को जानकारी के सही हिस्से मिलें।
• क्वेरी रीफॉर्म्यूलेशन (Query Reformulation): यह रोबोट को बेहतर सवाल पूछना सिखाने के बारे में है। कभी-कभी उपयोगकर्ता पूछता है, "खेल किसने जीता?" लेकिन लाइब्रेरी "चैंपियनशिप परिणामों" द्वारा व्यवस्थित है। शोधकर्ता रोबोट को प्रश्न को फिर से लिखने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं ताकि लाइब्रेरियन उत्तर तेजी से ढूंढ सके। पेपर में इस पर ध्यान केंद्रित करने वाले केवल 5 अध्ययन मिले, जो यह सुझाव देते हैं कि यह लाइब्रेरी का एक उपेक्षित कोना है।

2. रिट्रीवल स्टेज (वास्तविक खोज)
यह मुख्य क्रिया का केंद्र है, जहाँ रोबोट वास्तव में किताबें उठाता है।

• हाइब्रिड और डेंस रिट्रीवल (Hybrid and Dense Retrieval): यह एक साथ दो अलग-अलग खोज उपकरणों का उपयोग करने जैसा है। एक उपकरण सटीक शब्दों की तलाश करता है (जैसे कीवर्ड सर्च), और दूसरा शब्दों के अर्थ की तलाश करता है (जैसे कॉन्सेप्ट सर्च)। पेपर इस बात पर प्रकाश डालता है कि इन दोनों को मिलाना (जिसे "हाइब्रिड रिट्रीवल" कहा जाता है) एक बहुत ही लोकप्रिय और सफल रणनीति है, कई अध्ययन दिखाते हैं कि यह केवल एक के उपयोग से बेहतर काम करता है।
• नॉलेज-ग्राफ रिट्रीवल (Knowledge-Graph Retrieval): यह सबसे बड़ा वर्ग है, जिसमें 25 अध्ययन हैं। एक मकड़ी के जाल की कल्पना करें जहाँ प्रत्येक तथ्य एक बिंदु है और प्रत्येक संबंध एक धागा है। केवल एक किताब उठाने के बजाय, रोबोट जुड़े हुए तथ्यों के पूरे पथ को खोजने के लिए धागों का पीछा करता है। यह "बिजली के बल्ब का आविष्कार करने वाले व्यक्ति का चचेरा भाई कौन है?" जैसे जटिल प्रश्नों के लिए बहुत अच्छा है क्योंकि यह एक तथ्य से दूसरे तथ्य तक कूद सकता है। हालाँकि, पेपर नोट करता है कि इन जालों को बनाना महंगा और बनाए रखना कठिन है।
• मल्टीमॉडल रिट्रीवल (Multimodal Retrieval): यह तब होता है जब रोबोट केवल टेक्स्ट ही नहीं, बल्कि चित्र, ऑडियो और वीडियो भी खोजता है। यहाँ 13 अध्ययन हैं, जो दिखाते हैं कि यह क्षेत्र केवल शब्दों से आगे बढ़ रहा है।

3. पोस्ट-रिट्रीवल स्टेज (खोज के बाद)
एक बार जब रोबोट किताबों का ढेर उठा लेता है, तो उसे उन्हें छाँटने की आवश्यकता होती है।

• री-रैंकिंग और रिफाइनमेंट (Re-ranking and Refinement): रोबोट शायद 100 पन्ने उठा ले, लेकिन केवल शीर्ष 5 ही वास्तव में उपयोगी होते हैं। शोधकर्ता "फिल्टर" बना रहे हैं जो बेकार चीज़ों को फेंक देते हैं और सबसे अच्छे पन्नों को ऊपर रखते हैं। पेपर में यहाँ केवल 6 अध्ययन मिले, जो आश्चर्यजनक रूप से कम हैं, जबकि यह समझना कितना महत्वपूर्ण है कि परिणामों को साफ करना।
• जेनरेशन स्टेज (उत्तर देना): यहाँ रोबोट अंतिम उत्तर लिखता है।
• रीजनिंग और फेथफुलनेस (Reasoning and Faithfulness): कुछ शोधकर्ता रोबोट को खोजते समय "सोचना" सिखा रहे हैं। केवल एक किताब उठाकर पढ़ने के बजाय, रोबोट अपने काम की जाँच कर सकता है, एक फॉलो-अप प्रश्न पूछ सकता है, या सत्यापित कर सकता है कि तथ्य समझ में आ रहे हैं या नहीं। पेपर ने पाया कि हालांकि इससे उत्तर अधिक विश्वसनीय होते हैं, लेकिन इससे रोबोट धीमा और चलाने में महंगा भी हो जाता है।

चार बड़ी आश्चर्यजनक बातें (The Four Big Surprises)

इन 173 अध्ययनों को छाँटने के बाद, करासन ने चार प्रमुख पैटर्न पाए जो हमें बताते हैं कि आज यह क्षेत्र कहाँ खड़ा है।

1. प्रयास का असंतुलन (The Imbalance of Effort)
सबसे स्पष्ट निष्कर्ष यह है कि हर कोई प्रक्रिया के मध्य भाग (रिट्रीवल स्टेज) के प्रति जुनूनी है। किताबें बेहतर तरीके से कैसे उठाई जाएँ, इस पर दर्जनों अध्ययन हैं, लेकिन सवाल कैसे बेहतर पूछें या खोज के बाद परिणामों को कैसे साफ करें, इस पर बहुत कम अध्ययन हैं। यह एक ऐसी टीम की तरह है जिसमें 50 लोग लाइब्रेरी की शेल्फ को तेज़ बनाने की कोशिश कर रहे हैं, लेकिन केवल 5 लोग रोबोट को सही किताब के लिए पूछना सिखाने की कोशिश कर रहे हैं। पेपर सुझाव देता है कि यह एक छूटा हुआ अवसर है क्योंकि "पूछने" या "साफ करने" वाले हिस्सों को ठीक करना सस्ता और उतना ही प्रभावी हो सकता है।

2. माप की समस्या (The Messy Measurement Problem)
पेपर बताता है कि अलग-अलग आविष्कारों की तुलना करना बहुत कठिन है क्योंकि हर कोई सफलता को अलग तरह से मापता है। एक अध्ययन कह सकता है कि उनका रोबोट "बेहतर" है क्योंकि उसने 90% बार सही किताब ढूँढ ली। दूसरा अध्ययन कह सकता है कि उनका रोबोट "बेहतर" है क्योंकि अंतिम उत्तर अधिक सटीक था। एक मानक पैमाने के बिना, यह जानना असंभव है कि कौन सा आविष्कार वास्तव में सबसे अच्छा है। पेपर सुझाव देता है कि इस क्षेत्र को परीक्षण करने के लिए एक मानक तरीके पर सहमत होने की आवश्यकता है, विशेष रूप से चिकित्सा जैसे उच्च-जोखिम वाले क्षेत्रों में।

3. सटीकता की छिपी हुई लागत (The Hidden Cost of Accuracy)
कई "स्मार्टेस्ट" तरकीबों के साथ एक भारी कीमत आती है जिसके बारे में हमेशा बात नहीं की जाती है। उदाहरण के लिए, नॉलेज ग्राफ (तथ्यों का मकड़ी का जाल) बनाना बहुत समय और पैसा लेता है। जटिल रीजनिंग लूप का उपयोग करने से रोबमा को उत्तर देने में अधिक समय लगता है। पेपर नोट करता है कि बहुत कम अध्ययन (केवल 3) वास्तव में यह मापते हैं कि इन तरकीबों में कितना समय या पैसा खर्च होता है। जैसे-जैसे ये रोबोट लैब से वास्तविक जीवन में आ रहे हैं, यह "छिपी हुई लागत" एक बड़ी समस्या बन सकती है।

4. स्वास्थ्य सेवा का पूर्वाग्रह (The Healthcare Bias)
सबसे चौंकाने वाला निष्कर्ष यह है कि लगभग सभी गंभीर परीक्षण स्वास्थ्य सेवा (healthcare) में हो रहे हैं। 173 अध्ययनों में से, 35 विशेष रूप से चिकित्सा अनुप्रयोगों के बारे में थे, और कई सबसे कठोर परीक्षण क्लिनिकल ट्रायल या सर्जरी पर किए गए थे। हालांकि यह चिकित्सा रोबोटों को सुरक्षित बनाने के लिए अच्छा है, लेकिन यह सवाल भी उठता है: क्या ये तरकीबें खेती, वित्त या कानून जैसे अन्य क्षेत्रों में भी काम करती हैं? पेपर सुझाव देता है कि क्योंकि प्रमाण अस्पतालों पर केंद्रित है, इसलिए हमें वास्तव में नहीं पता कि ये तरीके हर जगह काम करते हैं या नहीं।

आगे क्या? (What's Next?)

पेपर निष्कर्ष निकालता है कि यह क्षेत्र सरल, एक-चरणीय खोजों से हटकर अधिक जटिल, "मॉड्यूलर" प्रणालियों की ओर बढ़ रहा है। केवल एक किताब उठाकर पढ़ने के बजाय, भविष्य के रोबोट अपनी खोज की योजना बना सकते हैं, अपने काम की जाँच कर सकते हैं, और यहाँ तक कि प्रश्न के आधार पर विभिन्न उपकरणों का उपयोग कर सकते हैं। यह एक साधारण टॉर्च से अपग्रेड होकर एक पूर्ण स्विस आर्मी नाइफ बनने जैसा है।

हालाँकि, लेखक चेतावनी देते हैं कि इससे पहले कि हम बहुत उत्साहित हों, हमें इस अव्यवस्था को ठीक करने की आवश्यकता है। हमें "पूछने" और "साफ करने" के चरणों को अनदेखा करना बंद करना होगा, हमें यह मापना शुरू करना होगा कि इन तरकीबों में कितना समय और पैसा लगता है, और हमें चिकित्सा के अलावा अन्य क्षेत्रों में इन रोबोटों का परीक्षण करना होगा। जब तक हम ऐसा नहीं करते, हम बहुत ही शानदार सर्च इंजन बना रहे होंगे जो अस्पताल में तो पूरी तरह काम करते हैं लेकिन किराने की दुकान में बुरी तरह विफल हो जाते हैं। यह पेपर यह दावा नहीं करता है कि इसने समस्या को हल कर दिया है; इसके बजाय, यह एक स्पष्ट मानचित्र प्रदान करता है कि वर्तमान में अनुसंधान कहाँ है और उन खाली स्थानों की ओर इशारा करता है जिन्हें भविष्य के वैज्ञानिकों को भरने की आवश्यकता है।