Track
एआई एजेंट मूलभूत बातें
6 घंटा
मई 2026 में, Google DeepMind के शोधकर्ताओं ने "AI co‑mathematician: Accelerating mathematicians with agentic AI" शीर्षक से एक arXiv प्रीप्रिंट जारी किया, जिसमें एक एजेंटिक AI वर्कबेंच का वर्णन है जो संपूर्ण गणितीय कार्य‑चक्र—आइडिएशन, साहित्य खोज, संगणना, प्रमाण प्रयास, और सिद्धांत निर्माण—का संयोजन करता है।
AI सह‑गणितज्ञ, जो अभी सीमित तौर पर कुछ चुनिंदा शोधकर्ताओं को उपलब्ध है, स्वयं में न तो सॉल्वर है और न चैटबॉट, बल्कि एक स्टेटफुल वर्कस्पेस है जो गैर‑रेखीय, अव्यवस्थित गणितीय वर्कफ़्लो का संयोजन करता है। यह समानांतर शोध‑थ्रेड चलाता है, अनिश्चितता को ट्रैक करता है, और असफल प्रयासों को भविष्य के संदर्भ के लिए सुरक्षित रखता है। आउटपुट LaTeX में होते हैं, जो गणित और भौतिकी शोध में मानक डॉक्यूमेंट फ़ॉर्मेट है।
यह Gemini 3.1 पर आधारित है। फिलहाल, यह प्रमाण प्रयासों के लिए आंतरिक रूप से Gemini Deep Think का उपयोग करता है और संगणकीय अन्वेषण के लिए Python निष्पादन के साथ एकीकृत है। यह अभी विशेष DeepMind गणितीय इंजनों (AlphaProof, AlphaEvolve, Aletheia) को आंतरिक घटकों के रूप में शामिल नहीं करता, लेकिन भविष्य में ऐसा करने के लिए डिज़ाइन किया गया है।
AI सह‑गणितज्ञ महत्वपूर्ण क्यों है?
गणितज्ञ LLMs का उपयोग कई कार्यों में करते हैं:
- साहित्य समीक्षा
- अनौपचारिक प्रमाण रूपरेखा
- बॉयलरप्लेट LaTeX
- खोजपरक कोड
वे औपचारिक प्रमाण सहायकों जैसे AI टूल्स से प्रमाणों की यांत्रिक जाँच में मदद लेते हैं।
हालाँकि हर टूल समग्र वर्कफ़्लो के किसी एक हिस्से में मज़बूत होता है, गणितज्ञ को उनके नतीजों को तात्कालिक रूप से जोड़ना पड़ता है। अब तक, गणितज्ञों की गैर‑रेखीय प्रक्रिया का संयोजन करने के लिए कोई इन्फ्रास्ट्रक्चर टूल नहीं था।
AI सह‑गणितज्ञ कैसे काम करता है
वर्कफ़्लो मॉडल को ढीले तौर पर AI कोडिंग टूल्स—जैसे Claude Code या Codex—से रूपांतरित किया गया है। पर यह वर्कफ़्लो सीधे नहीं अपनाया जा सकता। सॉफ़्टवेयर के पास स्पेक और टेस्ट सूट होता है। गणितीय शोध गैर‑रेखीय होता है। लक्ष्य शुरू में धुंधला या अपरिभाषित हो सकता है, और रास्ते में मिली खोजें प्रश्न को ही बदल सकती हैं।
सह‑गणितज्ञ का वर्कफ़्लो एक मल्टी‑एजेंट सिस्टम द्वारा संचालित है और इस तरह दिखता है:
- प्रारंभिक अन्वेषण। एक परिपूर्ण एक‑शॉट प्रॉम्प्ट की माँग करने के बजाय, शोधकर्ता सिस्टम के साथ इंटरैक्टिव संवाद में उच्च‑स्तरीय लक्ष्यों को परिष्कृत करते हैं और शोध प्रश्न को औपचारिक बनाते हैं। इससे काम शुरू होने से पहले शोध‑उद्देश्य स्पष्ट हो जाता है।
- साहित्य समीक्षा। सह‑गणितज्ञ साहित्य समीक्षा करता है, प्रमुख शोधपत्रों की पहचान करता है और प्रासंगिक प्रमाणों व गणितीय तकनीकों को निकालता है।
- संगणकीय फ़्रेमवर्क। सह‑गणितज्ञ एक संगणकीय Python लाइब्रेरी बनाता है, साथ में डेमो केस और संबद्ध टेस्ट भी।
- सर्च निष्पादन। संगणकीय फ़्रेमवर्क बनने के बाद, कस्टम लाइब्रेरी को इम्पोर्ट किया जाता है और सर्च को क्लाउड क्लस्टर पर स्केल किया जाता है। यह शोधकर्ता को उच्च‑स्तरीय प्रगति रिपोर्ट देता है, बिना निम्न‑स्तरीय लॉग्स में डुबोए।
- अंतिम आउटपुट। अंतिम आउटपुट एक संकलित LaTeX लिखित रिपोर्ट होती है। यह रिपोर्ट सिर्फ परिणाम नहीं, बल्कि खोज‑प्रक्रिया भी समझाती है, और मार्जिन नोट्स के ज़रिए दावों को विशिष्ट संदर्भों या कोड आउटपुट्स से जोड़ती है। रिपोर्ट तभी फ़ाइनल मानी जाती है जब सभी रिव्यूअर एजेंट्स इसे मंज़ूर कर दें। जो रिपोर्टें समीक्षा में विफल हों, वे शोधकर्ता को अनसुलझी के रूप में दिखाई जाती हैं—इसी तरह त्रुटिपूर्ण प्रमाण Lackenby तक पहुँचा।
AI सह‑गणितज्ञ की वर्कस्ट्रीम आर्किटेक्चर
AI सह‑गणितज्ञ की आर्किटेक्चर एक मल्टी‑एजेंट सिस्टम है, जिसमें शीर्ष‑स्तरीय प्रोजेक्ट कोऑर्डिनेटर एजेंट और विशेषीकृत उप‑एजेंट्स शामिल हैं।
वर्कफ़्लो समन्वय
समस्या पर काम शुरू होने से पहले, प्रोजेक्ट कोऑर्डिनेटर शोधकर्ता के साथ संवाद खोलता है और स्पष्ट करने वाले प्रश्नों के जरिए लक्ष्य को परिष्कृत करता है। उदाहरण के लिए, यदि कोई शोधकर्ता कम्प्यूटेशनल ज्यामिति के "सोफ़ा समस्या" के ऊपरी सीमाओं के बारे में पूछ रहा है, तो उससे पूछा जा सकता है कि क्या किसी एक वैरिएंट पर ध्यान देना है, या दूसरे पर, या दोनों पर। यह सटीक, सहमति‑युक्त लक्ष्य एजेंट्स को भेजने से पहले समस्या का दायरा तय करता है।
लक्ष्य तय हो जाने पर, प्रोजेक्ट कोऑर्डिनेटर एजेंट्स और उप‑एजेंट्स को काम सौंपता है, जो निर्भरताएँ न हों तो समानांतर में काम करते हैं। एक एजेंट साहित्य समीक्षा करता है, दूसरा संगणकीय फ़्रेमवर्क बनाता है, और तीसरा सर्च चलाता है। हालाँकि एक निर्भरता है: संगणकीय फ़्रेमवर्क की कस्टम लाइब्रेरी बने बिना सर्च निष्पादित नहीं हो सकता।
हैलुसिनेशन से बचाव
सामान्य एजेंट्स अक्सर अमान्य शॉर्टकट ढूँढ लेते हैं, लेम्मा गढ़ लेते हैं, या समय से पहले सफलता घोषित कर देते हैं। AI सह‑गणितज्ञ इन कमियों से बचने के लिए उपाय अपनाता है, जिनमें रिव्यूअर एजेंट्स शामिल हैं।
उदाहरण के लिए, यदि संगणकीय अन्वेषण के दौरान सर्च‑स्पेस विस्फोटक हो जाए, तो कोडिंग उप‑एजेंट तब तक कोड को पूरा नहीं मान सकता जब तक सभी टेस्ट पास न हों और रिव्यूअर एजेंट उसके परिणाम स्वीकार न कर ले—इससे वर्कफ़्लो रुक जाता है। यह विफल अन्वेषण लॉग होकर प्रोजेक्ट कोऑर्डिनेटर को भेजा जाता है, जो चैट में शोधकर्ता को सूचित करता है। फिर शोधकर्ता दूसरा तरीका सुझा सकता है।
ऐसे बंद रास्ते केवल लॉग नहीं होते; उन्हें सूचना माना जाता है। उन्हें संस्करण‑ट्रैक कर शोध रिकॉर्ड का हिस्सा बनाकर सुरक्षित रखा जाता है। गणित में, विफल तरीका अक्सर किसी बाधा का पता देता है या किसी और राह की ओर इशारा करता है।
पूरी प्रक्रिया में, कोऑर्डिनेटर डिफ़ॉल्ट रूप से निम्न‑स्तरीय शोर को फ़िल्टर करता है, पर शोधकर्ता किसी भी वर्कस्ट्रीम में गहराई तक जाकर आवश्यक हो तो संशोधन कर सकता है।
पहले केस स्टडीज़ और सहयोग के तरीके
कुछ शुरुआती उदाहरण अलग‑अलग सहयोग मोड दिखाते हैं: एक त्रुटिपूर्ण प्रमाण जिसने मानव अंतर्दृष्टि खोली, एक मार्जिन टिप्पणी जिसने प्रश्न का फ़्रेम बदल दिया, और तेज़ी से बंद रास्ते की पहचान जिसने एक हफ्ते के ग़लत प्रयास को बचा लिया।
उस प्रमाण की मरम्मत जिसे सिस्टम ने गलत बताया
ऑक्सफोर्ड विश्वविद्यालय के गणित के प्रोफेसर Marc Lackenby ने इस सिस्टम को Kourovka नोटबुक (ग्रुप थ्योरी में खुले शोध‑प्रश्नों का संकलन) की एक समस्या पर लागू किया। AI ने प्रमाण का प्रयास किया, एक रिव्यू एजेंट ने उसमें खामी पकड़ी और Lackenby को बताया। उन्हें पता था कि उस कमी को कैसे दुरुस्त करना है।
यही हस्तांतरण बिंदु है। मनुष्य ने वह देखा जो मशीन चूक गई, और मशीन ने उसके इर्द‑गिर्द का भारी काम किया।
मार्जिन टिप्पणी के सहारे नई अंतर्दृष्टि तक पहुँचना
एक अन्य गणित प्रोफेसर, Gergely Bérczi ने Stirling गुणांक परिकल्पनाओं से जुड़ी समस्या पर शोध किया। शुरुआती समीक्षा के लिए, उन्होंने AI सह‑गणितज्ञ को विषय, उसकी पृष्ठभूमि, वर्तमान ज्ञात विधियाँ, और AlphaEvolve प्रयोगों से सुझाई एक संभावित दिशा उपलब्ध कराई।
AI सह‑गणितज्ञ ने दो परिकल्पनाओं के लिए प्रमाण (जो वर्तमान में मानव गणितीय समीक्षा में हैं) तैयार किए, साथ ही उनके दावों के विस्तृत संगणकीय साक्ष्य दिए। Bérczi ने बताया कि सिस्टम ने तैयार दस्तावेज़ में दी गई एक मार्जिन टिप्पणी से उनकी मदद की—जिसने उन्हें एक अहम अंतर्दृष्टि की ओर सचेत किया—और फिर उन्होंने चैट इंटरफ़ेस में उस पर आगे काम किया।
एक हफ्ता लगने से पहले बंद रास्ता पहचान लेना
अंत में, Semon Rezchikov ने Hamiltonian डिफ़ियोमोर्फ़िज़्म पर एक तकनीकी समस्या रखी। उन्होंने और प्रोजेक्ट कोऑर्डिनेटर ने समस्या पर तब तक चर्चा की जब तक कार्य की सटीक परिभाषा पर सहमति न बन गई। AI द्वारा तैयार लिखित रिपोर्ट में एक महत्वपूर्ण लेम्मा प्रमाण सहित (बाद में सत्यापित) था, जिसने मूलतः प्रश्न को सुलझा दिया।
रास्ते में एक तरीका आज़माया गया, पर वह बंद हो गया। AI उस बंद रास्ते तक सामान्यत: लगने वाले समय से कहीं तेज़ पहुँचा, इसलिए उन्होंने एक हफ्ता व्यर्थ नहीं गंवाया। सिस्टम ने एक हफ्ते के व्यर्थ प्रयास को घंटों में समेट दिया।
FrontierMath बेंचमार्क परिणाम
AI सह‑गणितज्ञ एक वर्कफ़्लो टूल है, अपने आप में गणितीय समस्या‑समाधान टूल नहीं। फिर भी, लेखकों के लिए उच्च बेंचमार्क दिखाना कई कारणों से महत्वपूर्ण है:
- दिखाने के लिए कि अंतर्निहित गणितीय इंजन फ्रंटियर गणित के लिए पर्याप्त सक्षम सहयोगी है।
- यह प्रदर्शित करने के लिए कि बेंचमार्क यह नापने का नियंत्रित वातावरण देते हैं कि ऑर्केस्ट्रेशन लेयर कितनी वृद्धि करती है।
- सहयोगी प्रभावशीलता के प्रॉक्सी के रूप में, क्योंकि अभी कोई मानकीकृत माप उपलब्ध नहीं है।
नतीजा: AI सह‑गणितज्ञ ने FrontierMath टियर 4, जो शोध‑स्तरीय बेंचमार्क है, पर 48% स्कोर किया। यह सबसे अधिक स्कोर बताया गया है, जिसमें Google का अपना Gemini 3.1 Pro भी शामिल है, जिसने उसी परीक्षा, उसी टियर पर 19% स्कोर किया। Epoch AI ने FrontierMath की लगभग एक‑तिहाई समस्याओं (टियर 1–4 में) में त्रुटियाँ पाईं और वह मानव समीक्षा कर रहा है।
AI सह‑गणितज्ञ ने Google के आंतरिक बेंचमार्क पर 87% स्कोर किया, जिसमें 100 अनलीक्ड, शोध‑स्तरीय गणित समस्याएँ थीं जिनके उत्तर कोड से जाँचे जा सकते थे—ये पेशेवर गणितज्ञों से ली गई थीं—जबकि Gemini 3.1 Pro ने 57% और Gemini 3.1 Deep Think ने 70% स्कोर किया।
AI सह‑गणितज्ञ की ज्ञात सीमाएँ
पेपर संरचनात्मक सीमाओं के बारे में साफ़गोई से बताता है:
- मुख्य गुणवत्ता नियंत्रण रिव्यूअर एजेंट्स और प्रमाण एजेंट्स से आता है। विपरीत समीक्षा चक्र में रिव्यूअर‑संतुष्ट करने वाला पक्षपात दिख सकता है, जहाँ एजेंट्स सही होने के बजाय रिव्यूअर एजेंट को संतुष्ट करने वाले तर्कों पर सहमत हो जाते हैं। यह एक वास्तविक संरचनात्मक कमज़ोरी है।
- सुसज्जित LaTeX आउटपुट झूठी कठोरता का आभास करा सकता है। अच्छे फ़ॉर्मैट वाला दस्तावेज़ पूरा दिखता है, चाहे अंतर्निहित गणित सही हो या नहीं।
- सिस्टम तभी अच्छे से काम करता है जब शोधकर्ता वास्तव में डोमेन विशेषज्ञ हो। यह जोखिम है कि कोई गैर‑विशेषज्ञ धुंधली समस्या सिस्टम को सौंप दे और बिना सोचे उसके आउटपुट पर भरोसा कर ले।
- AI प्रमाणों को अभी भी मानव सत्यापन चाहिए। उदाहरण के लिए, Bérczi के प्रमाण प्रकाशन के समय तक मानव समीक्षा में थे।
अंतिम विचार
AI सह‑गणितज्ञ उस बदलाव को दर्शाता है जिसमें हम AI से समस्या हल करने को कहने के बजाय, गणितीय शोध की पुनरावृत्त, अव्यवस्थित प्रक्रिया में उसके साथ मिलकर काम करते हैं। असली बाधा वह वर्कफ़्लो इन्फ्रास्ट्रक्चर है जो दर्शाता है कि गणितज्ञ वास्तव में कैसे काम करते हैं।
यदि आप खुद ऐसे एजेंटिक सिस्टम बनाना चाहते हैं, तो DataCamp के Associate AI Engineer for Developers और Associate AI Engineer for Data Scientists ट्रैक्स एक अच्छा शुरुआती बिंदु हैं।