Beyond LLMs: चीनी AI शोधकर्ता क्या बना रहे हैं और यह क्यों मायने रखता है

AI पर ज़्यादातर बातचीत आज भी large language models से शुरू होती है। हम उनके reasoning, coding क्षमता और benchmark scores की तुलना करते हैं। हर नए release पर ध्यान जाता है, क्योंकि language models software और काम के कई हिस्सों में उपयोगी साबित हो चुके हैं।

लेकिन AI को केवल language models के ज़रिए देखने से तस्वीर अधूरी रह जाती है।

पूरे China में शोधकर्ता अलग-अलग समस्याओं पर काम कर रहे हैं: मौसम का पूर्वानुमान लगाना, प्रयोगशाला में प्रयोग करना, संभावित दवाइयाँ खोजना, रोबोट को भौतिक वस्तुएँ उठाना सिखाना, और कंप्यूटिंग प्रणालियाँ बनाने के नए तरीके खोजना। कुछ परियोजनाएँ language models को घटकों के रूप में इस्तेमाल करती हैं। कुछ पूरी तरह अलग तकनीकों पर निर्भर हैं।

दिलचस्प सवाल यह नहीं है कि क्या ये विकास साबित करते हैं कि एक देश दूसरे से आगे है। असली सवाल है शोधकर्ताओं ने वास्तव में क्या प्रदर्शित किया, उनके परिणामों की परीक्षा कैसे हुई, और सीमाएँ कहाँ हैं।

सामान्य गणनाओं के बिना मौसम का अनुमान

पारंपरिक मौसम पूर्वानुमान numerical models का उपयोग करता है। ये भौतिक समीकरणों के अनुसार वायुमंडलीय स्थितियों के बदलने की गणना करते हैं। इनके लिए भारी कंप्यूटिंग शक्ति चाहिए। AI पूर्वानुमान एक अलग रास्ता अपनाता है: मॉडल ऐतिहासिक वायुमंडलीय डेटा से पैटर्न सीखते हैं और उन्हीं पैटर्न से भविष्य की स्थितियों का अनुमान लगाते हैं। प्रशिक्षण के बाद कुछ प्रणालियाँ तेज़ी से पूर्वानुमान दे सकती हैं, हालाँकि training और operational infrastructure की लागत अब भी रहती है।

2023 में Huawei Cloud के शोधकर्ताओं ने Pangu-Weather का वर्णन Nature में किया। इस प्रणाली ने अलग-अलग ऊँचाइयों पर वायुमंडलीय जानकारी दर्शाने के लिए तीन-आयामी neural-network architecture का उपयोग किया। इसके लेखकों ने अपनी प्रायोगिक परिस्थितियों में medium-range के प्रतिस्पर्धी पूर्वानुमान और तेज़ पूर्वानुमान उत्पादन की रिपोर्ट दी। स्रोत: Nature। आधिकारिक कोड: GitHub repository, सार्वजनिक है, पर इसमें लाइसेंस फ़ाइल नहीं है, इसलिए केवल संदर्भ के लिए लिंक किया गया है।

अन्य चीनी शोध सहयोगों ने FengWu और FuXi विकसित किए। उनके तरीके अलग थे: FuXi ने पूर्वानुमान को अलग-अलग lead times के लिए अनुकूलित चरणों में बाँटा, जबकि FengWu ने वायुमंडलीय variables के बीच जानकारी को जोड़ा। ये एक समान तरीके नहीं, बल्कि प्रतिस्पर्धी तकनीकी रणनीतियाँ थीं।

जब शोधकर्ताओं ने उन्हें समान परिस्थितियों में तुलना किया तो क्या हुआ?

2024 में npj Climate and Atmospheric Science में प्रकाशित एक अध्ययन ने Pangu-Weather, FengWu, FuXi, Google के GraphCast और NVIDIA के FourCastNet v2 का पूर्वी एशिया और पश्चिमी उत्तरी प्रशांत क्षेत्र में मूल्यांकन किया। अध्ययन की समान प्रारंभिक परिस्थितियों में, FengWu अपने मुख्य वायुमंडलीय पूर्वानुमान मापदंडों पर सबसे अच्छा रहा, उसके बाद FuXi और GraphCast। पाँचों में Pangu-Weather नीचे रहा। परिणाम कार्य के अनुसार भी अलग थे। जाँचे गए तूफ़ानों के लिए, FengWu storm tracks के पूर्वानुमान में अच्छा रहा, लेकिन तुलना किए गए मॉडलों में सबसे बड़ी storm-intensity त्रुटियाँ उसी की थीं। स्वतंत्र तुलना।

मॉडल	समान प्रारंभिक परिस्थितियों में समग्र परिणाम	तूफ़ान track	तूफ़ान intensity
FengWu	मुख्य वायुमंडलीय मापदंडों पर सर्वश्रेष्ठ	अच्छा प्रदर्शन	तुलना किए गए मॉडलों में सबसे बड़ी intensity त्रुटियाँ
FuXi	FengWu के बाद दूसरा	समीक्षित स्रोतों में उल्लेख नहीं	समीक्षित स्रोतों में उल्लेख नहीं
GraphCast	FuXi के बाद तीसरा	समीक्षित स्रोतों में उल्लेख नहीं	समीक्षित स्रोतों में उल्लेख नहीं
FourCastNet v2 और Pangu-Weather	नीचे रहे	समीक्षित स्रोतों में उल्लेख नहीं	समीक्षित स्रोतों में उल्लेख नहीं

यह अंतर मायने रखता है। यह अनुमान लगाना कि तूफ़ान कहाँ जाएगा, और यह अनुमान लगाना कि वह कितना शक्तिशाली होगा, एक ही बात नहीं है।

2026 में European Centre for Medium-Range Weather Forecasts (ECMWF) ने Pangu-Weather सहित कई पुराने बाहरी AI मौसम मॉडलों के real-time संचालन को बंद कर दिया। यह निर्णय उसके operational कार्यक्रम में बदलावों और इन पुराने मॉडलों को बनाए रखने की उपयोगिता को दर्शाता है। इससे उनके शोध योगदान मिटते नहीं। स्रोत: ECMWF।

यहाँ जो उपलब्धि है वह कोई स्थायी रैंकिंग नहीं है। चीनी शोधकर्ताओं ने ऐसे तरीके विकसित करने में मदद की जिन्हें देखे गए वायुमंडलीय परिस्थितियों के विरुद्ध परखा जा सकता है और स्वतंत्र मौसम विज्ञान टीमें उनकी तुलना कर सकती हैं। यह किसी headline benchmark से कहीं अधिक सार्थक तस्वीर देता है।

जब AI वैज्ञानिक प्रयोगशाला में प्रवेश करता है

वैज्ञानिक शोध में केवल उत्तर सुझाना काफ़ी नहीं होता। शोधकर्ता सामग्री तैयार करते हैं, उपकरण चलाते हैं, परिणाम मापते हैं, और फिर उन मापों से तय करते हैं कि आगे क्या जाँचा जाए। कुछ चीनी शोध समूह इन चरणों को AI-assisted experimental systems के ज़रिए जोड़ रहे हैं।

2022 में University of Science and Technology of China से जुड़े शोधकर्ताओं ने AI-Chemist का वर्णन किया। उनकी प्रणाली computational planning को robotic equipment से जोड़ती थी, जो synthesis, characterization और performance testing जैसी गतिविधियों के लिए इस्तेमाल होने वाले 14 प्रयोगशाला workstations पर चलता था। असली योगदान software के निर्णयों और भौतिक प्रयोगों के बीच का संबंध था, केवल किसी प्रयोग को शब्दों में वर्णित करने की क्षमता नहीं। स्रोत: प्रकाशित शोध।

इस चित्र का वैकल्पिक टेक्स्ट विवरण

आरेख का टेक्स्ट संस्करण। इस चक्र में चार चरण हैं। 1. Plan: software और language-model agents अगला प्रयोग सुझाते हैं। 2. Run: robotic workstation synthesis करता है। 3. Measure: characterization और performance परीक्षण लिए जाते हैं। 4. Decide: परिणाम अगला प्रयोग तय करते हैं, और चक्र दोहराया जाता है।

इस प्रदर्शन की सीमाएँ थीं। यह प्रयोगशाला में उपलब्ध साधनों और परिभाषित प्रयोग workflows के भीतर काम करता था। इससे यह साबित नहीं होता कि कोई मशीन किसी भी वैज्ञानिक समस्या को स्वतंत्र रूप से हल कर सकती है।

एक नया उदाहरण MARS है, जो Shenzhen Institutes of Advanced Technology (Chinese Academy of Sciences का हिस्सा) के नेतृत्व में और सहयोगियों के साथ हुए शोध से आता है। प्रकाशित परियोजना में 19 विशेष language-model agents, 16 research tools और robotic laboratory operations का वर्णन है। Agents planning, analysis और execution के समन्वय में मदद करते हैं, जबकि प्रायोगिक मापन आगे के चरणों की जानकारी देते हैं। इसके शोधकर्ताओं ने perovskite materials पर परिणाम दिए, जिनमें सीमित प्रयोग-श्रृंखला के भीतर ऑप्टिमाइज़ेशन शामिल है। स्रोत: Matter पेपर।

MARS एक उपयोगी सवाल उठाता है: क्या language models का उपयोग करने पर भी इसे beyond LLMs AI शोध माना जाए? हाँ, यदि इस अंतर पर हम स्पष्ट हों। Language models प्रणाली का हिस्सा हैं, लेकिन प्रणाली का उद्देश्य विशेष उपकरणों और भौतिक उपकरणों से जुड़ा प्रायोगिक काम है। Beyond LLMs का अर्थ LLMs के बिना नहीं है। इसका अर्थ है बातचीत की क्षमता से आगे देखना, उन कार्यों को देखना जिन्हें ये प्रणालियाँ सहारा देती हैं।

इस श्रृंखला का अगला लेख autonomous laboratories को अधिक गहराई से देखेगा, जिसमें अभी बाकी reliability और reproducibility की समस्याएँ भी शामिल होंगी।

दवा के विकास में AI की भूमिका

Drug discovery अलग प्रकार का प्रमाण लाती है। AI जैविक लक्ष्यों और आशाजनक molecular structures की पहचान में शोधकर्ताओं की मदद कर सकता है, लेकिन कंप्यूटर द्वारा सुझाया गया उम्मीदवार किसी दवा से काफ़ी दूर होता है। प्रयोगशाला परीक्षण, preclinical शोध और मानव ट्रायल अब भी मायने रखते हैं।

Rentosertib, idiopathic pulmonary fibrosis के लिए एक investigational उपचार, इस रास्ते को दर्शाता है। इसे Insilico Medicine ने विकसित किया, जो चीन में महत्वपूर्ण शोध और clinical कार्य वाली एक अंतरराष्ट्रीय biotechnology कंपनी है। इस कार्यक्रम को केवल एक चीनी प्रयोगशाला की खोज बताना गलत होगा।

Nature Medicine में 2025 में प्रकाशित randomized phase 2a ट्रायल में चीन की 21 साइटों पर 71 प्रतिभागी शामिल हुए। इसका मुख्य फोकस 12 सप्ताह तक सुरक्षा और सहनशीलता पर था। फेफड़ों के कार्य में बदलाव द्वितीयक परिणामों में थे। शोधकर्ताओं ने कुछ समूहों में उत्साहजनक संकेत बताए, लेकिन छोटा नमूना, कम follow-up, adverse events और उपचार बंद होने की घटनाएँ यह सीमित करती हैं कि ये परिणाम क्या स्थापित कर सकते हैं। स्रोत: क्लिनिकल अध्ययन।

10 सितंबर 2026 को Insilico Medicine ने घोषणा की कि बड़े, 52-सप्ताह के phase 3 trial GENESIS-IPF-3 में पहले प्रतिभागी को खुराक दी गई है। यह एक महत्वपूर्ण विकास चरण है, न कि phase 3 की सफल परिणति या किसी regulatory approval का संकेत। स्रोत: कंपनी की घोषणा।

चरण	क्या ज्ञात है	स्थिति
Discovery	AI ने एक जैविक लक्ष्य और उम्मीदवार molecule की पहचान में मदद की। उम्मीदवार अभी दवा नहीं है।	कार्यक्रम के हिस्से के रूप में पूरा
Phase 2a (randomized, 2025 में प्रकाशित)	चीन की 21 साइटों पर 71 प्रतिभागी। मुख्य फोकस: 12 सप्ताह तक सुरक्षा और सहनशीलता। फेफड़ों के कार्य में बदलाव द्वितीयक परिणाम।	प्रकाशित। छोटा, कम अवधि का अध्ययन
Phase 3 (GENESIS-IPF-3)	52-सप्ताह का ट्रायल। 10 सितंबर 2026 को पहले प्रतिभागी को खुराक। कंपनी के अनुसार चीन के 47 केंद्रों में 320 प्रतिभागियों की योजना।	जारी। अभी कोई efficacy परिणाम नहीं
Regulatory approval	कोई नहीं	स्वीकृत नहीं

यह उदाहरण यह साबित नहीं करता कि AI-designed दवाएँ आम तौर पर अन्य तरीकों से बनी दवाओं से बेहतर होती हैं। यह दिखाता है कि AI-assisted discovery उस कार्यक्रम का हिस्सा हो सकती है जो नियंत्रित clinical परीक्षणों तक पहुँचता है। वहाँ जैविक और चिकित्सीय प्रमाण ही परिणाम तय करते हैं, तकनीक कहाँ से आई, यह नहीं।

भौतिक उदाहरणों से रोबोट को सिखाना

रोबोट को ऐसी समस्याएँ होती हैं जो केवल text से नहीं सिखाई जा सकतीं। मशीन को यह सीखना होता है कि वस्तु पकड़ने, उठाने, हिलाने या अलग-अलग परिस्थितियों में रखने पर क्या होता है।

चीनी robotics डेवलपर AgiBot ने AgiBot World पेश किया, जिसे 217 कार्यों में दस लाख से अधिक दर्ज robot trajectories वाला शोध dataset बताया गया है। हर trajectory भौतिक manipulation से जुड़े observations और actions को दर्ज करती है। स्रोत: AgiBot World पेपर।

यह उपयोगी training infrastructure है, लेकिन dataset का आकार general-purpose robotic intelligence का माप नहीं है। महत्वपूर्ण यह है कि ऐसे डेटा पर प्रशिक्षित मॉडल अपरिचित वस्तुओं और बदलती परिस्थितियों में भरोसेमंद ढंग से काम कर सकते हैं या नहीं। उस सवाल को, और वास्तविक हार्डवेयर से मिले प्रमाण को, हम Article 3 में देखेंगे।

कंप्यूटिंग का एक अलग तरीका

Zhejiang University में Darwin कार्यक्रम neuromorphic computing की खोज करता है: ऐसी architectures जो जैविक तंत्रिका संकेतन के कुछ पहलुओं से प्रेरित हैं। इसकी Darwin Monkey प्रणाली को large spiking neural network simulations के लिए 960 Darwin3 chips को जोड़ने वाला बताया गया है। स्रोत: Zhejiang University।

यह एक महत्वपूर्ण शोध architecture है, लेकिन यह मानव जैसी बुद्धिमत्ता का प्रमाण नहीं है। Simulated neuron संख्याएँ सामान्य accelerators पर श्रेष्ठता साबित नहीं करतीं। उपयोगी तुलना के लिए समान workloads, सटीकता और ऊर्जा मापन चाहिए। Neuromorphic computing क्या दे सकता है और क्या नहीं, इसकी पड़ताल Article 4 करेगा।

शोध से व्यावहारिक उपयोग तक

शोध का परिदृश्य विश्वविद्यालयों से आगे तक फैला है। चीनी निर्माता भी विशिष्ट औद्योगिक कार्यों के लिए AI लगाने की रिपोर्ट देते हैं। उदाहरण के लिए CITIC Dicastal ने ऑटोमोटिव व्हील उत्पादन में दोष पहचानने के लिए AI-assisted X-ray inspection का वर्णन किया है। यह एक स्थापित विनिर्माण प्रक्रिया पर computer vision के ठोस उपयोग का उदाहरण है। हालाँकि, इसकी बताई गई उत्पादकता सुधार को, जब तक स्वतंत्र रूप से तुलनीय मापों से समर्थित न हो, कंपनी के दावे के रूप में ही देखा जाना चाहिए।

ये उदाहरण प्रगति के अलग-अलग रूप दिखाते हैं। मौसम मॉडलों का मूल्यांकन पर्यवेक्षणों से किया जा सकता है। प्रयोगशाला प्रणालियों को प्रायोगिक परिणाम देने होते हैं। दवा के उम्मीदवारों को clinical प्रमाण चाहिए। Robots को भौतिक हार्डवेयर पर काम करना होता है। वैकल्पिक कंप्यूटिंग प्रणालियों को तुलनीय workloads से अपने लाभ साबित करने होते हैं।

यह काम अलग-अलग प्रकार की संस्थाओं से भी आता है: विश्वविद्यालय, सरकार से जुड़े संस्थान, व्यवसाय और अंतरराष्ट्रीय सहयोग। इसे एक समन्वित राष्ट्रीय प्रयास बताना यह धुँधला कर देगा कि किसने क्या विकसित किया और हर योगदान का मूल्यांकन कैसे होना चाहिए।

यह शोध देशों की रैंकिंग की प्रतिस्पर्धा से कहीं अधिक दिलचस्प तस्वीर देता है। चीनी शोधकर्ताओं और चीन से जुड़ी टीमों ने कई तकनीकी क्षेत्रों में महत्वपूर्ण योगदान दिए हैं, लेकिन उनकी उपलब्धियाँ अलग-अलग परिपक्वता के स्तर पर हैं। कुछ का स्वतंत्र मूल्यांकन हुआ है। अन्य अभी सीमित प्रयोग या संस्थाओं द्वारा रिपोर्ट की गई क्षमताएँ हैं।

AI की प्रगति केवल वही नहीं है जो मॉडल हमें बता सकते हैं। इसमें यह भी शामिल है कि वे क्या भविष्यवाणी कर सकते हैं, खोज सकते हैं और हासिल करने में मदद कर सकते हैं, और यह प्रमाण भी कि वे क्षमताएँ काम करती हैं या नहीं।

स्रोत और आगे पढ़ने के लिए

1. Pangu-Weather: Nature (2023)।
2. पाँच AI मौसम मॉडलों की स्वतंत्र तुलना: npj Climate and Atmospheric Science (2024)।
3. ECMWF: बाहरी AI मॉडलों को विदाई (2026)।
4. AI-Chemist: प्रकाशित अध्ययन (2022)।
5. MARS: Matter शोध।
6. Rentosertib phase 2a: Nature Medicine (2025)।
7. GENESIS-IPF-3 phase 3 की शुरुआत: Insilico Medicine (2026)।
8. AgiBot World Colosseo: शोध preprint (2025)।
9. Darwin श्रृंखला: Zhejiang University (2026)।