AI ने गो में जीत ली, फिर वेल्डिंग अभी भी कठिन क्यों है: इंसान रुकता है, मशीन दोहराती है

बडुक एआई निश्चित नियमों के साथ एक स्थान पर सीख सकता है, लेकिन एक कारखाने में, जोखिम और जिम्मेदारियां केवल संख्यात्मक अंकों द्वारा व्यवस्थित नहीं की जाती हैं।

जब भी गो में इंसान के सबसे बड़े खिलाड़ी को हराने वाले AI की बात आती है, लोग लगभग एक ही सवाल पूछते हैं। “अगर यह इतना कर सकता है, तो क्या अब इंसानों का काम जल्द ही सब चला जाएगा?”

लेकिन कारखाने में जाकर देखें तो तस्वीर बदल जाती है। AI ने गो जीत लिया, लेकिन वेल्डिंग अभी भी आसान नहीं है। वह कोडिंग के सवाल हल कर सकता है, पर पुरानी पाइपलाइन के पास चिंगारी उड़ती वेल्डिंग को इंसान की तरह स्थिरता से करना अभी भी अलग मामला है।

यह फर्क केवल इस बात का नहीं कि कौन-सा काम ज़्यादा कठिन है। असली फर्क इस बात में है कि इंसान और मशीन सीखते कैसे हैं। इंसान थोड़े अनुभव से भी कारण का अंदाज़ा लगाता है और जोखिम दिखे तो रुक जाता है। अभी का AI ज़्यादा करके देखने, परिणाम मिलाने और जिस दिशा में स्कोर सुधरे उधर जाने में मजबूत है।

गो मशीन के सीखने के लिए अच्छी दुनिया है

गो के पट पर एक पत्थर गलत रख देने से दुनिया नहीं टूटती। एक बाज़ी हार गए तो फिर से शुरू कर सकते हैं। नतीजा भी तुरंत मिल जाता है। जीत हुई या हार, कितने अंकों से हुई, यह जल्दी दिख जाता है।

AI के सीखने के लिए यह लगभग आदर्श हालत है। वह अनगिनत बार कोशिश करे, गलती करे, फिर ठीक करे। इंसान जितनी देर में कुछ बाज़ियाँ खेलता है, मशीन अपने ही खिलाफ लाखों बाज़ियाँ खेल सकती है। असफलता सस्ती है, परिणाम तेज़ है, और दोहराव लगभग असीम है।

रीइन्फ़ोर्समेंट लर्निंग को आसान भाषा में कहें तो यही ढाँचा है। बहुत बार करके देखना, अच्छे चुनाव बचाना, खराब चुनाव घटाना, और धीरे-धीरे बेहतर होना। गो जैसा सवाल, जिसे कंप्यूटर के भीतर बार-बार चलाया जा सके, AI को जल्दी मजबूत बना देता है।

यह इसलिए नहीं कि गो आसान है। गो इंसानों के लिए भी बेहद कठिन खेल है। लेकिन मशीन की तरफ से देखें तो यह ऐसी दुनिया है जहाँ असफलता लगभग मुफ्त है। AI वहाँ मन भरकर गलत हो सकता है, और हर गलती से सीख सकता है।

वेल्डिंग में मशीन मन भरकर गलत नहीं हो सकती

वेल्डिंग अलग है। एक बार करके देखने से ही लागत लगती है। सामग्री चाहिए, उपकरण चाहिए, समय चाहिए। गलत तरह से पिघला हुआ धातु गो के पट की तरह रीसेट नहीं हो जाता।

इससे भी बड़ा सवाल जोखिम है। वेल्डिंग की असफलता केवल गलत जवाब नहीं होती। खराब वेल्डिंग दुर्घटना बन सकती है। बाहर से सब ठीक दिखे, फिर भी भीतर दोष छिपा हो सकता है, और वह दोष कई महीने बाद सामने आ सकता है।

यहीं मशीन को पसंद आने वाली सीखने की संरचना टूट जाती है। सीखने के लिए बहुत कोशिश चाहिए, पर बहुत असफल होना संभव नहीं। सुधारने के लिए तुरंत नतीजा चाहिए, पर नतीजा देर से आता है या आधा दिखता है। सबसे जरूरी असफलता-डेटा जानबूझकर बनाया भी नहीं जा सकता, क्योंकि वह खतरनाक है।

गो में गलत चाल लाख बार चल सकते हैं। वेल्डिंग में गलत वेल्ड लाख बार नहीं बना सकते। इसलिए असली उपकरण संभालने वाला ऑटोमेशन, दस्तावेज़, कोड और लॉग देखकर फिर से सुधारे जा सकने वाले ऑटोमेशन से धीमा है।

इंसान थोड़े संकेतों से कारण भाँपता है

माहिर व्यक्ति लाख बार असफल होकर ही नहीं सीखता। बेशक लंबे अनुभव और बहुत अभ्यास की जरूरत होती है। लेकिन इंसान की ताकत हर संभावना खुद झेल लेने में नहीं है। उसकी ताकत यह है कि वह थोड़े संकेतों से कारण का अंदाज़ा लगाता है, मिलती-जुलती स्थिति याद करता है, और जोखिम लगे तो रुक सकता है।

मिसाल के लिए वेल्डर आवाज़, गंध, चिंगारी का आकार और हाथ में आती हल्की कंपकंपी को साथ पढ़ता है। कुछ सामान्य से अलग लगे तो सटीक संख्या न जानते हुए भी पहले सावधान होता है। “यह खतरनाक लग रहा है” कहकर गति कम करता है या काम रोकता है।

यह कोई रहस्यमयी अंतर्ज्ञान नहीं है। इंसान वास्तविक दुनिया में शरीर से सीखता है। आग गर्म होती है, धातु मुड़ती है, मशीन पुरानी होती है, लोग गलती करते हैं। ये बुनियादी एहसास पहले से होते हैं। इसलिए पहली बार दिखी स्थिति में भी वह पिछले अनुभव से एक अनुमानित कारण बनाकर काम करता है।

डेटा पूरा न हो तब भी इंसान परिकल्पना बनाता है। यह आवाज़ तापमान की दिक्कत हो सकती है। यह कंपकंपी पकड़ ढीली होने का संकेत हो सकती है। यह गंध सामग्री बदलने की वजह से हो सकती है। वह सही भी हो सकता है, गलत भी। लेकिन जोखिम के सामने कम से कम रुक सकता है।

मशीन बहुत देखे हुए पैटर्न को स्कोर से सीखती है

इसके उलट अभी का AI आम तौर पर उन पैटर्न में मजबूत है जिन्हें उसने बहुत देखा है। बहुत तस्वीरें देखे तो तस्वीरें छाँटता है। बहुत वाक्य पढ़े तो अगला वाक्य भाँपता है। बहुत खेल खेले तो जीतने वाला चुनाव ढूँढ़ता है। यह ताकत साफ है। वह उतना देखता है जितना इंसान उम्र भर नहीं देख सकता, और उतनी बार दोहराता है जितनी बार इंसान कोशिश नहीं कर सकता।

लेकिन इस तरीके को कुछ शर्तें चाहिए। कोशिश की जा सके, परिणाम मापा जा सके, और किसे अच्छा परिणाम मानना है यह स्कोर में बदला जा सके। गो में ये शर्तें अच्छी तरह बैठती हैं। वेल्डिंग में नहीं।

वास्तविक कामों में लक्ष्य सरल नहीं होता। बाहर से सुंदर वेल्डिंग काफी नहीं। आज ठीक लगे लेकिन छह महीने बाद टूट जाए तो वह असफलता है। जल्दी खत्म करना भी जरूरी है, लेकिन सुरक्षा, टिकाऊपन और लागत भी साथ देखनी होती है। इन सबको एक ही स्कोर में बदलना कठिन है।

इसलिए मशीन औसत स्थितियों में मजबूत हो सकती है। जो शर्तें बार-बार आती हैं, जो काम बार-बार दोहरते हैं, जिनका नतीजा तुरंत दिखता है, उन्हें वह जल्दी सीखती है। लेकिन दुर्लभ दुर्घटना से ठीक पहले का संकेत, मॉडल से बाहर की अपवाद स्थिति, और वह जोखिम-निर्णय जिसे स्कोर में बदलना मुश्किल है, वहाँ कमजोरी बची रहती है।

जितनी अधिक बार कोई मशीन प्रयास करती है, उतनी ही अधिक बार व्यक्ति को उन परिस्थितियों को निर्दिष्ट करना पड़ता है जिनके तहत उसे प्रयास करना बंद कर देना चाहिए।

डिजिटल ट्विन मशीन को अभ्यास की जगह देता है

यहीं डिजिटल ट्विन महत्वपूर्ण हो जाता है। डिजिटल ट्विन का मतलब है वास्तविक कारखाने, उपकरण, सामग्री और काम की शर्तों को आभासी जगह में जितना हो सके उतना वैसा ही बनाना। असली दुनिया में असफलता महँगी है, लेकिन आभासी दुनिया में वही असफलता बहुत सस्ते में दोहराई जा सकती है।

AI उस आभासी दुनिया में अनगिनत कोशिशें करता है। तापमान, गति, कोण, दबाव और सामग्री की शर्तें बदल-बदलकर असफल होता है, फिर सुधारता है, और बेहतर तरीका खोजता है। उस तरीके को तुरंत पूरी फैक्टरी पर नहीं फैलाया जाता। पहले असली उपकरण की एक मशीन पर जाँचा जाता है।

अगर वहाँ सफल हो जाए तो फिर डेटा जमा होता है। आभासी दुनिया और वास्तविकता में कहाँ फर्क था, उसे सुधारा जाता है। अधिक भरोसेमंद शर्तें खोजी जाती हैं। फिर वही उपकरण, वही प्रक्रिया और मिलते-जुलते स्थलों तक उसे फैलाया जाता है। एक जगह जाँचा गया तरीका दूसरी जगह ले जाया जाता है।

यह तरीका शक्तिशाली है। एक इंसान पूरी उम्र में जितनी स्थितियाँ नहीं देख सकता, AI आभासी दुनिया में उससे कहीं अधिक देख सकता है। इसलिए डिजिटल ट्विन जितना बारीक होगा और सेंसर जितने घने होंगे, वास्तविक कामों में भी ऐसे क्षेत्र बढ़ेंगे जहाँ AI इंसान से बेहतर हो सकता है।

फिर भी आभासी दुनिया वास्तविकता जैसी पूरी नहीं होती

लेकिन इसकी भी सीमा है। आभासी दुनिया वास्तविकता की पूरी नकल नहीं कर सकती। सामग्री के सूक्ष्म फर्क, पुराने उपकरण की आदत, कार्यस्थल की नमी, इंसान की छोटी गलती, अचानक खराबी, ऐसी चीजें लगातार आती रहती हैं जो मॉडल में नहीं थीं।

AI आभासी दुनिया में कितना भी अच्छा करे, वास्तविकता और आभासी दुनिया जहाँ अलग पड़ती हैं, वहाँ फिर जाँच चाहिए। आभासी दुनिया में सफल तरीका वास्तविक उपकरण पर भी सुरक्षित है या नहीं, यह देखना होगा। पहले एक मशीन पर चलाकर देखना होगा। समस्या न हो तो फिर धीरे-धीरे फैलाना होगा।

यहीं मशीन लर्निंग की ताकत और सीमा दोनों दिखती हैं। मशीन उस दुनिया में बहुत मजबूत हो जाती है जिसे बार-बार दोहराया जा सके। लेकिन अगर वह दुनिया वास्तविकता को गलत ढंग से नकल करती है, तो मशीन गलत अभ्यास बहुत बार कर चुकी होती है। कितना सीखा इससे ज़्यादा महत्वपूर्ण है कि किस चीज़ के खिलाफ सीखा।

इंसान और मशीन अलग तरह से गलत होते हैं

इंसान भी गलत होता है। माहिर व्यक्ति भी भ्रमित हो सकता है, थककर गलती कर सकता है, और आदत के कारण जोखिम संकेत चूक सकता है। इंसान को देवता बनाने की जरूरत नहीं।

लेकिन इंसान और मशीन की गलतियाँ अलग ढंग से होती हैं। इंसान थोड़े संकेतों से बहुत जल्दी निष्कर्ष निकालकर गलत हो सकता है। मशीन बहुत देखे हुए पैटर्न के भीतर मजबूत होती है, लेकिन अपने प्रशिक्षण की दुनिया से बाहर निकलते ही अजीब आत्मविश्वास दिखा सकती है।

इंसान को न पता हो तो वह बेचैन होता है। इसलिए रुकता है, पूछता है, आसपास की स्थिति फिर देखता है। मशीन को यह भी पता नहीं चल सकता कि यह स्थिति उसके लिए नई है। स्कोर और पैटर्न ठीक लगें तो वह खतरनाक हालात में भी जवाब दे सकती है।

इसलिए वास्तविक ऑटोमेशन में केवल प्रदर्शन नहीं देखना चाहिए। यह भी देखना चाहिए कि वह कब अच्छा करता है, कब नहीं जानता, और कब रुकना चाहिए। कभी AI वेल्डिंग बहुत अच्छी करने लगे, तब भी यह लगातार जाँचना होगा कि उसने किन शर्तों में सीखा है और कहाँ तक उस पर भरोसा किया जा सकता है।

आगे महँगा वही होगा जो दोनों सीखने के तरीकों को जोड़े

तो क्या माहिर कारीगर सुरक्षित है। हमेशा सुरक्षित मानना मुश्किल है। हाथ की पकड़ डेटा में बदलेगी, डिजिटल ट्विन बारीक होगा, वास्तविक जाँच का चक्र बनेगा, तो ऑटोमेशन उस क्षेत्र में भी घुसेगा।

इसलिए आगे महँगा व्यक्ति वह नहीं होगा जिसके पास केवल हाथ की अच्छी पकड़ है। महँगा वह होगा जो उस पकड़ को डेटा में अनुवाद कर सकता है। जो मैदान को जानता है, कौन-सा सेंसर लगाना है जानता है, कौन-सी असफलता महत्वपूर्ण है जानता है, और कौन-सा रिकॉर्ड बाद में सीखने का डेटा बनेगा, यह समझता है।

यह व्यक्ति इंसानी सीख और मशीन की सीख को जोड़ता है। इंसान थोड़े संकेतों से कारण भाँपता है और जोखिम दिखे तो रुकता है। मशीन बहुत दोहराती है और स्कोर मिलाकर मजबूत होती है। दोनों तरीके अलग हैं, और दोनों के अपने फायदे-नुकसान हैं।

AI ने गो में जीत ली, लेकिन वेल्डिंग अभी कठिन है। गो वह दुनिया थी जहाँ मशीन मन भरकर गलत हो सकती थी। वेल्डिंग वह वास्तविक दुनिया है जहाँ हर असफलता की कीमत लगती है।

लेकिन डिजिटल ट्विन, सेंसर और वास्तविक जाँच जब साथ बैठेंगे, कहानी बदल जाएगी। AI आभासी दुनिया में अनंत बार दोहराएगा, असली उपकरण की एक मशीन पर जाँचेगा, और सफल तरीके को दूसरे स्थलों तक फैलाएगा।

इसलिए सवाल यह नहीं कि “AI इंसान से ज़्यादा बुद्धिमान है या नहीं।” असली सवाल यह है। इंसान ने थोड़े संकेतों से जो एहसास सीखा, उसे मशीन के बार-बार सीखने लायक संरचना में कौन बदलेगा।

जो यह काम कर पाएगा, वही अगले युग का महँगा व्यक्ति होगा।