Beyond Task Intelligence: Artificial Intelligence, Embodied Robotics, and the Epistemic Limits of Machine Cultural Understanding

एक ऐसी दुनिया की कल्पना करें जहाँ मशीनें सबसे तेज़ मानव धावक से भी अधिक तेज़ दौड़ सकती हैं, फिर भी एक साधारण केबल उठाने में संघर्ष करती हैं। यह रोबोटों के विफल होने की कहानी नहीं है, बल्कि इस बारे में एक गहरा पहेली है कि हम बुद्धिमत्ता को कैसे मापते हैं। आज, आर्टिफिशियल इंटेलिजेंस सिस्टम धाराप्रवाह निबंध लिख सकते हैं, भाषाओं का अनुवाद कर सकते हैं, और टेक्स्ट के विशाल पुस्तकालयों से तथ्यों को आश्चर्यजनक गति से प्राप्त कर सकते हैं। उनका परीक्षण विशिष्ट कार्यों पर किया जा रहा है, जैसे गणित की समस्याओं को हल करना या तस्वीरों में वस्तुओं की पहचान करना, और वे अक्सर जीत रहे हैं। लेकिन एक विशिष्ट परीक्षण जीतना यह नहीं दर्शाता कि मशीन वास्तव में उस दुनिया को समझती है जिसमें वह काम कर रही है। वैज्ञानिकों और विद्वानों के सामने सवाल अब यह नहीं है कि क्या एक मशीन कोई कार्य कर सकती है, बल्कि यह है कि क्या वह उस संदर्भ, इतिहास और मानवीय संबंधों को समझ सकती है जो उस कार्य को अर्थ देते हैं। यह निर्देशों के एक सेट का पूरी तरह से पालन करने और यह जानने के बीच का अंतर है कि कब वे निर्देश अब तर्कसंगत नहीं रह गए हैं।

लफबरो बरो यूनिवर्सिटी के प्रध्वी कुमार कन्यादरी द्वारा किया गया एक नया व्यवस्थित अध्ययन इस 'करने' और 'समझने' के बीच के अंतर की खोज करता है। यह शोध पत्र तर्क देता है कि जबकि मशीनें विशिष्ट, मापने योग्य कार्यों में अविश्वसनीय रूप से अच्छी होती जा रही हैं, वे अक्सर उस गहरे प्रकार के ज्ञान की कमी रखती हैं जिसे मनुष्य स्वाभाविक रूप से मानते हैं। यह गहरा ज्ञान केवल जानकारी होने के बारे में नहीं है; यह इस बारे में है कि वह जानकारी किसी विशिष्ट समय, स्थान और संस्कृति में कैसे फिट बैठती है। लेखक का सुझाव है कि हमें आर्टिफिशियल इंटेलिजेंस को केवल मानक परीक्षणों पर इसके स्कोर के आधार पर आंकना बंद कर देना चाहिए और यह पूछना शुरू करना चाहिए कि क्या यह मानव जीवन की जटिल, अनिश्चित और अक्सर विरोधाभासी प्रकृति को संभाल सकता है।

यह शोध पत्र 2026 वर्ल्ड ह्यूमनॉइड रोबोट गेम्स के एक चौंकाने वाले उदाहरण से शुरू होता है। इन आयोजनों में, 'तियांगोंग अल्ट्रा' जैसे रोबोटों ने 100 मीटर की दौड़ 8.64 सेकंड में पूरी की, जिसने उसेन बोल्ट के 9.58 सेकंड के मानव विश्व रिकॉर्ड को पीछे छोड़ दिया। ये मशीनें दौड़ने में अविश्वसनीय रूप दिशा और कुशल हैं। हालाँकि, वही रोबोट अक्सर बहुत सरल, रोजमर्रा के कार्यों, जैसे केबल प्लग करने या बदलते वातावरण में पैकेज संभालने में संघर्ष करते हैं। लेखक बताते हैं कि दौड़ना एक 'क्लोज्ड प्रॉब्लम' (बंद समस्या) है: ट्रैक समतल है, दूरी निश्चित है, और लक्ष्य स्पष्ट है। इसके विपरीत, केबल प्लग करना एक 'ओपन प्रॉब्लम' (खुली समस्या) है। रोबोट को प्लग के आकार को महसूस करना होगा, सॉकेट के प्रतिरोध को समझना होगा, और यदि केबल हिलती है तो अपनी पकड़ को समायोजित करना होगा। उसे एक ऐसी दुनिया के अनुकूल होना पड़ता है जो उसके लिए पूरी तरह से डिज़ाइन नहीं की गई है। रोबोट दौड़ जीत सकता है, लेकिन वह अभी तक दुनिया में रास्ता बनाना नहीं जानता।

यही पैटर्न भाषा और संस्कृति की दुनिया में भी दिखाई देता है। लार्ज लैंग्वेज मॉडल्स, जो कई आधुनिक चैटबॉट्स के पीछे के सिस्टम हैं, किसी भी मानव शोधकर्ता की तुलना में साहित्यिक उद्धरणों को पुनः प्राप्त कर सकते हैं या ऐतिहासिक घटनाओं का सारांश प्रस्तुत कर सकते हैं। फिर भी, जब किसी सांस्कृतिक अनुष्ठान की व्याख्या करने या सामाजिक रीति-रिवाज को समझाने के लिए कहा जाता है, तो ये सिस्टम अक्सर ऐसी गलतियाँ करते हैं जो वास्तविक समझ की कमी को उजागर करती हैं। वे किसी परंपरा की खूबसूरती से लिखी गई व्याख्या तो दे सकते हैं, लेकिन वह तथ्यात्मक रूप से गलत हो सकती है, या वे किसी समूह के बारे में हानिकारक रूढ़ियों को दोहरा सकते हैं क्योंकि वे उन डेटा पर आधारित होते हैं जिन पर उन्हें प्रशिक्षित किया गया है। शोध पत्र नोट करता है कि ये सिस्टम जानकारी प्राप्त तो कर सकते हैं, लेकिन वे अक्सर संस्कृति के "थिक डिस्क्रिप्शन" (गहन विवरण) को समझने में विफल रहते हैं—यह विचार कि एक ही क्रिया का अर्थ अलग-अलग हो सकता है, यह इस पर निर्भर करता है कि उसे कौन कर रहा है, वे कहाँ हैं, और उनका इतिहास क्या है।

लेखक इस समस्या को स्पष्ट करने के लिए तीन अलग-अलग तरीकों से बुद्धिमत्ता को मापने का परिचय देते हैं। पहला है 'टास्क कॉम्पिटेंस' (कार्य क्षमता), जो पूछता है कि क्या एक मशीन एक विशिष्ट ऑपरेशन कर सकती है, जैसे दौड़ना या कोई शब्द खोजना। दूसरा है 'कॉन्टेक्स्टुअल कॉम्पिटेंस' (संदर्भात्मक क्षमता), जो पूछता है कि क्या मशीन तब भी अच्छा प्रदर्शन कर सकती है जब स्थिति बदल जाती है, जैसे कि जब भाषा अलग हो, इतिहास जटिल हो, या भौतिक वातावरण अप्रत्याशित हो। तीसरा और सबसे कठिन है 'एपिस्टेमिक कॉम्पिटेंस' (ज्ञान संबंधी क्षमता)। यह पूछता है कि क्या मशीन जानती है कि उसके पास उत्तर देने के लिए पर्याप्त जानकारी नहीं है, या क्या वह पहचान सकती है कि प्रश्न ही त्रुटिपूर्ण है। वर्तमान आर्टिफिशियल इंटेलिजेंस पहले प्रकार की क्षमता में बहुत अच्छी है लेकिन अक्सर दूसरे और तीसरे में विफल रहती है। यह एक आत्मविश्वासपूर्ण उत्तर दे सकती है भले ही साक्ष्य मौजूद न हों, या जब विषय एक एकल, सरल स्पष्टीकरण के लिए बहुत जटिल हो।

शोध पत्र में रेखांकित की गई सबसे गंभीर समस्याओं में से एक "हैलुसिनेटेड" (भ्रामक) उद्धरणों की समस्या है। शैक्षणिक अनुसंधान में, एक उद्धरण उस स्रोत का संदर्भ होता है जो किसी बात को सिद्ध करता है। हालाँकि, ये सिस्टम कभी-कभी ऐसे स्रोत गढ़ते हैं जो वास्तविक दिखते हैं लेकिन अस्तित्व में नहीं होते, या वे वास्तविक पुस्तकों का हवाला देते हैं लेकिन दावा करते हैं कि उन पुस्तकों में ऐसी बातें कही गई हैं जो उन्होंने वास्तव में कभी नहीं कहीं। यह खतरनाक है क्योंकि यह साक्ष्य की कड़ी को तोड़ देता है। मानविकी में, ज्ञान दस्तावेजों, अभिलेखागारों और व्याख्याओं की एक श्रृंखला पर निर्मित होता है। यदि कोई मशीन उस श्रृंखला में एक फर्जी लिंक डाल देती है, तो पूरी संरचना ढह सकती है। शोध पत्र का तर्क है कि यह केवल बेहतर डेटा के साथ ठीक किया जाने वाला 'बग' नहीं है; यह इस बात में एक मौलिक अंतर है कि कैसे मशीनें सूचना को प्रोसेस करती हैं और कैसे मनुष्य ज्ञान का निर्माण करते हैं। मनुष्य जानते हैं कि कब रुकना है और कहना है, "मुझे नहीं पता," या "यह स्रोत अविश्वसनीय है।" मशीनें, कार्य पूरा करने के लिए प्रेरित होकर, अक्सर एक आत्मविश्वासपूर्ण लेकिन गलत उत्तर के साथ आगे बढ़ती हैं।

यह समीक्षा यह भी देखती है कि ये सिस्टम संस्कृति और प्रतिनिधित्व को कैसे संभालते हैं। विशिष्ट संस्कृतियों के लोगों की छवियां उत्पन्न करने के लिए पूछे जाने पर, ये सिस्टम अक्सर रूढ़ियों पर निर्भर करते हैं। उदाहरण के लिए, भारत के लोगों की छवियां उत्पन्न करते समय, सिस्टम लगातार आधुनिक परिवेश में उच्च-जाति के व्यक्तियों को दिखा सकता है जबकि निम्न-जाति के व्यक्तियों को केवल गरीबी या विरोध के दृश्यों में चित्रित कर सकता है। ऐसा इसलिए होता है क्योंकि सिस्टम मौजूदा डेटा में पैटर्न से सीखता है, और वे पैटर्न अक्सर ऐतिहासिक पूर्वाग्रहों को दर्शाते हैं। परिणाम एक ऐसी छवि है जो विश्वसनीय दिखती है लेकिन वास्तव में वास्तविकता का विरूपण है। शोध पत्र का सुझाव है कि एक सांस्कृतिक रूप से सम्मोहक छवि एक 'एपिस्टेमिक फेलियर' (ज्ञान संबंधी विफलता) हो सकती है, जिसका अर्थ है कि यह उस संस्कृति के सत्य का प्रतिनिधित्व करने में विफल रहती है जिसे वह दिखाने का दावा करती है।

लेखक का प्रस्ताव है कि हमें आर्टिफिशियल इंटेलिजेंस को परखने के लिए एक नए तरीके की आवश्यकता है, जो सरल स्कोर से परे हो। केवल यह पूछने के बजाय कि क्या एक मशीन किसी प्रश्न का सही उत्तर दे सकती है, हमें यह पूछना चाहिए कि क्या वह संदर्भ में बदलावों को संभाल सकती है। क्या वह कहानी को समझ सकती है यदि ऐतिहासिक काल बदल जाए? क्या वह पहचान सकती है कि किसी सांस्कृतिक शब्द का सीधा अनुवाद संभव नहीं है? क्या वह स्वीकार कर सकती है कि एक प्रश्न गलत धारणा पर आधारित है? शोध पत्र सुझाव देता है कि भविष्य के बेंचमार्क में "परटर्बेशन" (विक्षोभ) परीक्षण शामिल होने चाहिए, जहाँ शोधकर्ता जानबूझकर कार्य की स्थितियों को बदलते हैं ताकि यह देखा जा सके कि क्या सिस्टम विफल होता है। उन्हें "एपिस्टेमिक एब्स्टेंशन" (ज्ञान संबंधी त्याग) के लिए भी परीक्षण करना चाहिए, जिसमें सिस्टम को यह जानने के लिए पुरस्कृत किया जाए कि उसके पास उत्तर देने के लिए पर्याप्त जानकारी नहीं है।

इस नए दृष्टिकोण के लिए कंप्यूटर वैज्ञानिकों और मानविकी के विद्वानों, जैसे इतिहासकारों, मानवशास्त्रियों और साहित्यिक आलोचकों के बीच साझेदारी की आवश्यकता है। इन क्षेत्रों ने सदियों से इस बात का अध्ययन किया है कि ज्ञान कैसे बनाया जाता है, श्रेणियां कैसे बनती हैं, और शक्ति हमारे द्वारा सत्य माने जाने वाले तथ्यों को कैसे प्रभावित करती है। शोध पत्र का तर्क है कि इन विद्वानों को केवल तकनीक के आलोचक के रूप में नहीं, बल्कि इसे डिजाइन करने में सक्रिय भागीदार के रूप में होना चाहिए। वे यह परिभाषित करने में मदद कर सकते हैं कि एक मशीन के लिए "सांस्कृतिक रूप से सक्षम" होने का क्या अर्थ है और वे ऐसे परीक्षण बनाने में मदद कर सकते हैं जो वर्तमान प्रणालियों के छिपे हुए पूर्वाग्रहों और सीमाओं को प्रकट करते हैं।

शोध पत्र निष्कर्ष निकालता है कि आर्टिफिशियल इंटेलिजेंस का भविष्य तेज या अधिक शक्तिशाली मशीनें बनाने के बारे में नहीं है, बल्कि अधिक जवाबदेह सिस्टम बनाने के बारे में है। एक वास्तव में बुद्धिमान प्रणाली को न केवल एक समस्या को हल करने में सक्षम होना चाहिए; उसे स्वयं समस्या को समझने में भी सक्षम होना चाहिए। उसे पता होना चाहिए कि कब एक प्रश्न अनुचित है, कब एक श्रेणी पुरानी हो गई है, या कब एक प्रतिनिधित्व हानिकारक है। उसे अपने स्वयं के ज्ञान की सीमाओं को पहचानने में सक्षम होना चाहिए। लेखक का सुझाव है कि मानविकी इन क्षमताओं का परीक्षण करने के लिए सबसे उपयुक्त स्थान है, क्योंकि वे उन्हीं चीजों से निपटते हैं जिनसे मशीनें संघर्ष करती हैं: अस्पष्टता, इतिहास और मानवीय संबंधों का जटिल जाल।

अंततः, लक्ष्य मशीनों को बिल्कुल मनुष्यों की तरह कार्य करने के लिए बनाना नहीं है, बल्कि ऐसे सिस्टम बनाना है जो हमारे साथ जिम्मेदारी से काम कर सकें। इसका अर्थ है ऐसी मशीनें विकसित करना जो तथ्य और राय, रूढ़ि और वास्तविकता, तथा एक आत्मविश्वासपूर्ण अनुमान और एक सुदृढ़ सत्य के बीच अंतर कर सकें। शोध पत्र का सुझाव है कि यदि हम इसे प्राप्त कर लेते हैं, तो हम सरल कार्य प्रदर्शन से बढ़कर एक ऐसे प्रकार की बुद्धिमत्ता की ओर बढ़ जाएंगे जो वास्तव में सामान्य और वास्तव में उपयोगी है। आगे की यात्रा केवल बेहतर रोबोट या स्मार्ट सॉफ्टवेयर बनाने के बारे में नहीं है; यह यह सोचने के बारे में है कि निरंतर परिवर्तनशील दुनिया में कुछ जानना क्या होता है। सबसे महत्वपूर्ण कदम यह सुनिश्चित करना है कि जैसे-जैसे ये सिस्टम अधिक सक्षम होते जाएं, वे अधिक विनम्र भी हों, यह पहचानते हुए कि कुछ प्रश्नों के लिए केवल एक उत्तर से अधिक की आवश्यकता होती है।