विज्ञान लंबे समय से ऐसे उदाहरणों से भरा पड़ा है जहाँ बड़ी खोजें सख्त योजना के विपरीत होती हैं: आकस्मिक अवलोकन, अप्रत्याशित परिणाम और शोध की पार्श्व शाखाएँ अक्सर पूर्व-निर्धारित लक्ष्यों से अधिक मूल्यवान होती हैं। हालाँकि, वैज्ञानिक कार्यों के लिए बनाई गई आधुनिक स्वायत्त प्रणालियाँ "एजेंट को कार्य और अंतिम मीट्रिक दो — और वह स्वयं सफलता तक पहुँच जाएगा" सिद्धांत पर आधारित हैं। अगस्त 2026 में प्रस्तुत arXiv पर एक हालिया प्रीप्रिंट दिखाता है कि यह प्रतिमान विफलता के लिए क्यों अभिशप्त है: एजेंट-आधारित ऑटो-शोधकर्ता जो केवल अंतिम परिणाम को अनुकूलित करते हैं, वे अनिवार्य रूप से फ़ज़िंग-परीक्षण कर रहे हैं, लेकिन फ़ज़र्स का मुख्य पाठ — मध्यवर्ती कवरेज सिग्नल का मूल्य — का उपयोग नहीं कर रहे हैं।
नियोजित सफलताओं का भ्रम
अधिकांश आधुनिक ऑटो-शोध प्रणालियों में, वैज्ञानिक खोज को एक अनुकूलन कार्य के रूप में देखा जाता है। एजेंट को प्रयोगों का एक सेट, एक अंतिम बेंचमार्क दिया जाता है, और अपेक्षा की जाती है कि स्कोर को अधिकतम करने से नया ज्ञान प्राप्त होगा। समस्या यह है कि अंतिम मूल्यांकन एक विरल सिग्नल है। यह अंत में केवल एक बार प्रकट होता है और यह नहीं बताता कि कौन से मध्यवर्ती कदम उपयोगी थे। जब एजेंट को केवल अंतिम निर्णय के लिए पुरस्कृत किया जाता है, तो वह अनिवार्य रूप से परीक्षण की शर्तों के अनुसार अति-अनुकूलित (ओवरफिट) हो जाता है और समान विकल्पों को आँख मूंदकर सैंपल करना शुरू कर देता है, बिना अपरिचित मोड में झाँकने का जोखिम उठाए।
यह दृष्टिकोण एक परीक्षा की याद दिलाता है जहाँ छात्र को पहले प्रश्नों की एक सूची दी जाती है, और फिर केवल उत्तरों की शुद्धता का मूल्यांकन किया जाता है, यह अनदेखा करते हुए कि उसने समाधान कैसे खोजे। यदि छात्र ने विशिष्ट समस्याओं को रट लिया है, तो वह प्रशिक्षण उदाहरणों पर अच्छा परिणाम दिखाएगा, लेकिन भौतिकी का नया नियम खोजने की संभावना नहीं है। इसी तरह, अंतिम स्कोर पर लक्षित एजेंट कुछ नया नहीं, बल्कि केवल वही पाते हैं जो पहले से ज्ञात डेटा की पुष्टि करता है।
ऑटो-शोध के मॉडल के रूप में फ़ज़िंग
प्रीप्रिंट के लेखक एक अप्रत्याशित समानांतर रेखा खींचते हैं: एक शोध एजेंट जो वैज्ञानिक समस्या को हल करता है, उसे उसी विरल प्रतिक्रिया का सामना करना पड़ता है जैसा कि सॉफ़्टवेयर में कमजोरियों की खोज के लिए ग्रेबॉक्स फ़ज़र को होता है। फ़ज़र को हमेशा तुरंत बग नहीं मिलता। यदि उसे केवल "त्रुटि है/त्रुटि नहीं है" सिग्नल मिलता, तो उसका काम अर्थहीन होता: अधिकांश रन बिना किसी परिणाम के समाप्त होते हैं।
फ़ज़िंग का रहस्य यह है कि प्रोग्राम के प्रत्येक रन को न केवल क्रैश के तथ्य से, बल्कि कोड कवरेज से भी मापा जाता है। यह सघन सिग्नल आंशिक प्रगति देखने की अनुमति देता है: भले ही कमजोरी न मिली हो, निष्पादन का एक नया रास्ता — पहले से ही एक कदम आगे है। फ़ज़र इनपुट डेटा को म्यूटेट करने और यह तय करने के लिए कवरेज का उपयोग करता है कि किन शाखाओं पर संसाधन खर्च करने हैं। यह तैयार रनों को रैंक नहीं करता, बल्कि सक्रिय रूप से खोज को अनदेखे क्षेत्रों की ओर निर्देशित करता है।
विज्ञान में, एक समान तंत्र ठीक उसी तरह काम कर सकता है। प्रत्येक प्रयोग, भले ही अंतिम परिकल्पना के अर्थ में असफल हो, मूल्यवान है यदि वह ज्ञान-मीमांसात्मक (एपिस्टेमिक) मानचित्र का विस्तार करता है — यह ज्ञान कि सिद्धांतों के स्थान के कौन से हिस्से पहले ही जाँचे जा चुके हैं और कौन से रिक्त स्थान (व्हाइट स्पॉट) बने हुए हैं।
काम करने वाले शोध एजेंट के लिए दो शर्तें
एक स्वायत्त शोधकर्ता को वास्तव में खोज करने के लिए, न कि केवल सैंपल करने के लिए, उसे दो संबंधित क्षमताओं की आवश्यकता होती है।
- सस्ता सघन सिग्नल। अंतिम वैज्ञानिक मान्यता उपलब्ध होने से पहले, प्रत्येक प्रयोग को ज्ञान-मीमांसात्मक प्रगति का एक अवलोकनीय संकेतक देना चाहिए। यह आवश्यक रूप से सत्य का सटीक मीट्रिक नहीं है, बल्कि नवीनता, अज्ञातता या दुनिया के वर्तमान मॉडल से विचलन का एक संकेतक है।
- प्रतिक्रिया को क्रिया को नियंत्रित करना चाहिए। प्राप्त सिग्नल को अगले हस्तक्षेप की पसंद को प्रभावित करना चाहिए। यदि एजेंट केवल एक लॉग में प्रगति दर्ज करता है, लेकिन उसी क्षेत्र में सैंपल करना जारी रखता है, तो बहुत कम लाभ है। प्रगति सिग्नल को शोध के "इनपुट डेटा" को म्यूटेट करना चाहिए, जैसे फ़ज़र परीक्षण उदाहरणों को म्यूटेट करता है।
यह महत्वपूर्ण है कि सघन सिग्नल एक दिशा है, अंतिम फैसला नहीं। इसलिए, अंतिम मान्यता अभी भी आवश्यक है: यह उन साक्ष्यों का उपयोग करके दावों का मूल्यांकन करती है जो अनुकूली पुन: उपयोग से सुरक्षित हैं। अन्यथा, एक एजेंट जो सिग्नल के अनुसार हजारों बार समायोजित होता है, गलती से एक झूठी खोज दे सकता है जो केवल अति-अनुकूलन (ओवरफिटिंग) के कारण जाँच में उत्तीर्ण होती है।
प्रयोग: सैंपलिंग के विरुद्ध खोज
कार्य के लेखकों ने इन विचारों का परीक्षण एक सिम्युलेटेड भौतिक वातावरण में किया। AI-एजेंट को एक छिपे हुए भौतिक नियम की खोज करनी थी। एजेंटों में से एक को इस तरह से डिज़ाइन किया गया था कि वह अपनी स्वयं की मध्यवर्ती ज्ञान-मीमांसात्मक प्रगति को ट्रैक करता था — संभावित स्पष्टीकरणों के स्थान के "कवरेज" जैसा कुछ। अन्य एजेंटों ने अंतिम परिणाम के शास्त्रीय अनुकूलन का उपयोग किया।
परिणाम से पता चला कि प्रगति-ट्रैकिंग वाला एजेंट छिपे हुए नियम को सफलतापूर्वक खोज पाया। बुनियादी अनुकूलन दृष्टिकोण विफल रहे: उन्होंने बार-बार पहले से मौजूद डेटा को सैंपल किया और उस पर अति-अनुकूलित हो गए, अलोकप्रिय मोड का परीक्षण करने का जोखिम कभी नहीं उठाया। यह पुष्टि करता है कि स्वायत्त शोध की केंद्रीय बाधा परिकल्पना उत्पन्न करने की क्षमता में, मॉडल की शक्ति में या डेटा की मात्रा में नहीं है, बल्कि प्रतिक्रिया की वास्तुकला में है।
यह क्या बदलता है
वैज्ञानिक ऑटो-शोधकर्ताओं की फ़ज़र्स से तुलना केवल एक रूपक नहीं है, बल्कि एक इंजीनियरिंग सिद्धांत है। यदि हम चाहते हैं कि AI वास्तविक खोजें करे, तो हम उसे केवल एक विरल लक्ष्य देकर प्रतीक्षा नहीं कर सकते। हमें सघन सिग्नल डिज़ाइन करने होंगे जो धीमी प्रगति को भी दृश्यमान बनाएं, और फिर एजेंट को अन्वेषण के लिए इन सिग्नलों का उपयोग करने की अनुमति दें।
ऐसा दृष्टिकोण विज्ञान में विफलताओं के प्रति दृष्टिकोण बदलता है: न केवल सफल प्रयोग मूल्यवान है, बल्कि कोई भी कदम जो अज्ञात के स्थान को संकीर्ण करता है। एक अर्थ में, यह हमें वापस लौटाता है कि मानव विज्ञान व्यवहार में कैसे काम करता है: वैज्ञानिक एक आंशिक परिणाम से दूसरे की ओर बढ़ते हैं, और केवल कभी-कभी ये रास्ते एक बड़ी सफलता में बदल जाते हैं जिसकी पहले से योजना बनाना असंभव था। स्वायत्त शोध प्रणालियों को भी यही सीखना होगा — खोजों की योजना बनाना नहीं, बल्कि ऐसी स्थितियाँ बनाना जिनमें वे संभव हो जाएँ।
