कोड से भौतिक जगत तक: 21 वर्षीय इंजीनियर — कैसे बड़े मॉडल AI को भौतिक दुनिया बदलना सिखाएँगे
कॉन्स्टैंटिन मारुनचेंको, जिन्होंने Echelon में कॉर्पोरेट AI पाइपलाइन बनाईं, का मानना है: AI को स्क्रीन से बाहर लाने के लिए संकीर्ण मॉडल नहीं, बल्कि लचीले एजेंट चाहिए जो वास्तविक प्रक्रियाओं की योजना बना सकें और उन्हें नियंत्रित कर सकें। वे पदार्थ को कोड की तरह मानने का आग्रह करते हैं जिसे "संपादित" किया जा सकता है, लेकिन चेतावनी देते हैं: यहाँ गलती की कीमत कहीं अधिक है।

कोड से — भौतिक दुनिया में बदलाव तक
आधुनिक AI पहले से ही आत्मविश्वास से कोड लिखते हैं, दस्तावेज़ों का विश्लेषण करते हैं और नियमित कामों को स्वचालित करते हैं। लेकिन वास्तव में महत्वाकांक्षी अगला कदम — मॉडलों को केवल डिजिटल सिस्टम ही नहीं, बल्कि वास्तविक वस्तुओं को प्रभावित करना सिखाना है। 21 वर्षीय इंजीनियर कोंस्टैंटिन मारुनचेंको भविष्य को ठीक इसी रूप में देखते हैं। उनकी थीसिस सरल लगती है: मनुष्य को पदार्थ को उतनी ही स्वाभाविक रूप से "एडिट" करने की क्षमता मिलनी चाहिए, जितनी आसानी से कोडिंग-एजेंट प्रोग्राम कोड को एडिट करते हैं।

असामान्य करियर: गेम्स से AI-इंफ्रास्ट्रक्चर तक
कोंस्टैंटिन की कहानी किसी विशेष विश्वविद्यालय के स्नातक के मानक रास्ते की तरह नहीं है। उन्होंने यूक्रेन छोड़ दिया, जानबूझकर कॉलेज नहीं गए और आठ साल की उम्र में ही प्रोग्रामिंग शुरू कर दी। बारह साल की उम्र में उन्होंने वयस्कों के लिए बना कोर्स पूरा किया, चौदह साल में पहली नौकरी पाई, और पंद्रह साल की उम्र में एक मोबाइल गेमिंग कंपनी की स्थापना की। कंपनी चार साल चली, राजस्व अर्जित किया और उसमें कर्मचारी थे — एक किशोर के लिए यह प्रबंधन का अविश्वसनीय रूप से गहन पाठ्यक्रम था।
अगला चरण AI-स्टार्टअप Echelon में प्रवेश था, जहाँ कोंस्टैंटिन पहले इंजीनियरों में से एक बने। उन्होंने कॉर्पोरेट AI-पाइपलाइनों का मूल बनाने में मदद की और उद्यमों के ऑनबोर्डिंग का नेतृत्व किया। टीम समय के साथ बारह लोगों और कई कॉर्पोरेट अनुबंधों तक बढ़ी। लेकिन मुख्य बात संख्याएँ नहीं हैं, बल्कि वह निष्कर्ष है जो कोंस्टैंटिन ने इस अनुभव से निकाला: वास्तविक सिस्टम आदर्श, तैयार प्रारूप में नहीं आते हैं। उनकी संरचना को खोजना पड़ता है, तैयार-तैयार नहीं लेना पड़ता।
गेमिंग बैकग्राउंड ने भी विश्वदृष्टि को प्रभावित किया। यहाँ तक कि मोबाइल गेम्स में भी, जहाँ सब कुछ नियंत्रित दिखता है, उपयोगकर्ताओं के व्यवहार की पहले से भविष्यवाणी नहीं की जा सकती। लोग अप्रत्याशित रूप से कार्य करते हैं, और यह पूर्वानुमानों के प्रति सतर्क रहने पर मजबूर करता है। यदि डिजिटल उत्पाद ही अप्रत्याशित है, तो भौतिक दुनिया की तो बात ही क्या।
"संकीर्ण" मॉडल पर्याप्त क्यों नहीं हैं
रोबोटिक्स और स्वचालन में कई परियोजनाएँ अत्यधिक विशिष्ट मॉडलों को प्रशिक्षित करने के रास्ते पर चलती हैं: एक — रोबोट के किसी विशेष हाथ के लिए, दूसरा — किसी निश्चित मशीन के लिए, तीसरा — पुर्जों की छँटाई के लिए। कोंस्टैंटिन इस दृष्टिकोण को सीमित मानते हैं। भौतिक दुनिया "संकीर्ण" नहीं है, वह परिवर्तनशील, जटिल है और लगातार नई परिस्थितियाँ पेश करती है।
बड़े मॉडल एक लचीला विकल्प बन सकते हैं। वे संकीर्ण कार्यों में कम पूर्वानुमानित होते हैं, लेकिन वे सामान्यीकरण करना, एक क्षेत्र से दूसरे क्षेत्र में ज्ञान स्थानांतरित करना और संदर्भ के अनुकूल होना जानते हैं। और कोडिंग-एजेंट बताते हैं कि इंटरैक्शन कैसे बनाई जाए: एजेंट केवल उत्तर नहीं देता, बल्कि बदलावों की योजना बनाता है, उन्हें लागू करता है, परिणाम की जाँच करता है और आवश्यकता पड़ने पर पीछे हट जाता है।
भौतिक वातावरण को बदलने वाली प्रणालियों को भी ठीक इसी तरह काम करना चाहिए। विचार यह है कि AI मनुष्य को ऑपरेशन की योजना बनाने, पैरामीटर चुनने, परिकल्पनाओं का परीक्षण करने और प्रक्रिया को नियंत्रित करने में मदद करे — जबकि अंतिम निर्णय लेने वाला मनुष्य ही बना रहे।

वास्तविक डेटा लापरवाही माफ नहीं करता
कॉर्पोरेट AI-पाइपलाइनों पर काम ने एक और बात दिखाई: "गंदा" डेटा और अनिश्चितता — आदर्श हैं, अपवाद नहीं। उद्यम शायद ही कभी साफ-सुथरे लेबल वाले डेटासेट देते हैं। अक्सर बिखरे हुए रिकॉर्ड, अलग-अलग प्रारूप, मानवीय कारक और अधूरे निर्देश मिलते हैं। इंजीनियर को आदर्श परिस्थितियों की प्रतीक्षा नहीं करनी चाहिए, बल्कि अराजकता से संरचना निकालने में सक्षम होना चाहिए।
सॉफ्टवेयर में, गलतियों को आमतौर पर अगले कमिट से ठीक किया जा सकता है। भौतिक दुनिया में सब कुछ अलग है: सामग्री, संसाधनों, मशीनों और पर्यावरण में बदलाव सीधे और अपरिवर्तनीय हो सकते हैं। इसलिए ऐसी प्रणालियों का निर्माण विशेष सावधानी से करना आवश्यक है। छोटे कदमों से शुरू करना, सिमुलेशन में परिकल्पनाओं का परीक्षण करना और उसके बाद ही उन्हें वास्तविक वस्तुओं पर लागू करना उचित है।
AI जितना शक्तिशाली, मानवीय निर्णय उतना ही महत्वपूर्ण
मुख्य विरोधाभास, जिसके बारे में कोंस्टैंटिन बात करते हैं, वह AI-टूल्स के मजबूत होने के साथ मनुष्य की भूमिका है। ऐसा लग सकता है कि मॉडल जितना समझदार होगा, विशेषज्ञ की भागीदारी उतनी ही कम होगी। वास्तव में इसका उल्टा है: AI जितना अधिक सक्षम होता है, सही कार्य का चयन करना और यह जाँचना उतना ही महत्वपूर्ण हो जाता है कि उसे हल करना बिल्कुल उचित है या नहीं।
मोबाइल गेम्स में ऐसी सुविधा लॉन्च करना आसान है जो दर्शकों को पसंद न आए, और तुरंत नकारात्मक प्रतिक्रिया मिल जाती है। वास्तविक प्रणालियों में, गलत निर्णय की कीमत कहीं अधिक होती है। इसलिए, भविष्य जिसकी युवा इंजीनियर कल्पना करते हैं, वह न केवल विकास में तेजी से जुड़ा है, बल्कि परिवर्तनों के अधिक सटीक, जिम्मेदार प्रबंधन से भी जुड़ा है। AI तानाशाह नहीं, बल्कि साझेदार बन सकता है: वह योजना बनाता है, समायोजित करता है, परीक्षण करता है और नियंत्रित करता है, लेकिन अंतिम निर्णय मनुष्य के पास रहता है।

संभवतः, जल्द ही प्रॉम्प्ट लिखना चैट-बॉट से अनुरोध नहीं, बल्कि भविष्य के बदलाव का एक ब्लूप्रिंट जैसा लगेगा। मुख्य बात यह है कि इन उपकरणों का उत्पादन, ऊर्जा और शहरी वातावरण में बड़े पैमाने पर उपयोग शुरू होने से पहले ही सावधानी की संस्कृति विकसित कर ली जाए। भौतिक दुनिया इतनी महत्वपूर्ण है कि मॉडलों को उस पर परीक्षण और त्रुटि के तरीके से सीखने की अनुमति नहीं दी जा सकती।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
OpenCollab: एजेंटों का प्रोग्रामेबल समन्वय, नियंत्रित निष्पादन वातावरण और नियमावली अनुपालन का मेट्रिक
यह फ़्रेमवर्क एजेंटों के बीच संवाद की संरचना निर्धारित करने, प्रयोगों के लिए साझा परिवेश और घटनाओं की विस्तृत ट्रेसिंग को एक साथ जोड़ता है, जबकि नया पेश किया गया Adherence मेट्रिक यह दर्शाता है कि वास्तविक निष्पादन घोषित योजना से कितना मेल खाता है। बेंचमार्क में Duo कॉन्फ़िगरेशन नया SOTA हासिल करता है, जबकि एकल-एजेंट वाला विकल्प सबसे कम टोकन खर्च करता है।
11 नवम्बर 2026
Toollery: बिना फ़ाइन-ट्यूनिंग के, दसियों हज़ार विकल्पों में से LLM एजेंटों के लिए टूल चुनना
Toollery कौशलों और टूल्स के विवरणों पर एक खोज इंडेक्स बनाता है और अनुरोध आने पर मॉडल को केवल सीमित उम्मीदवारों का सेट भेजता है। दसियों हज़ार फ़ंक्शनों तक के आकार वाली लाइब्रेरी पर किए गए प्रयोगों में, यह तरीका निश्चित top-K पर चयन की गुणवत्ता बनाए रखने में सक्षम है, हालांकि अंतिम प्रभाव लोड प्रोफ़ाइल और प्रदाता की कैशिंग पर निर्भर करता है।
11 नवम्बर 2026
WILSON: पैथोमॉर्फोलॉजिकल विश्लेषण और निष्कर्ष तैयार करने के लिए रोगी के आवर्धनों और स्लाइडों का संयोजन
यह प्रीप्रिंट WILSON प्रस्तुत करता है—एक vision-language मॉडल, जो केवल एक अलग “सर्वश्रेष्ठ” स्लाइड के बजाय पूरे स्लाइडों और एक ही मरीज के अलग-अलग आवर्धन पर लिए गए नमूनों की छवियों को एन्कोड करता है। किसी विशिष्ट कार्य के लिए अतिरिक्त प्रशिक्षण के बिना, यह कई मेट्रिक्स पर विशेषीकृत और अधिक बड़े स्लाइड-मॉडलों से बेहतर प्रदर्शन करता है, वह भी काफ़ी कम कंप्यूटेशनल लागत पर; इसके नैदानिक विवरणों को पैथोलॉजिस्टों से अधिक ऊँची रेटिंग मिली।
11 नवम्बर 2026