AI के प्रकार: एक व्यापक मार्गदर्शिका

यदि आपको लगता है कि कृत्रिम बुद्धिमत्ता (AI) अचानक हर जगह दिखाई दे रही है, तो इसकी वजह है—वह सच में हर जगह है। McKinsey के हालिया बाज़ार अनुसंधान के अनुसार, वैश्विक AI अपनाने का स्तर 2020–2021 में लगभग 50–60% संगठनों से बढ़कर 2025 में चौंकाने वाले 88% तक पहुंच गया है।

हालाँकि, इस विस्फोटक वृद्धि ने एक भाषाई समस्या भी पैदा कर दी है। "AI" एक ऐसा सर्वग्राही बज़वर्ड बन गया है जो बेहद अलग तकनीकों का वर्णन करने के लिए इस्तेमाल होता है। यह सरल नियम-आधारित चैटबॉट्स, इमेज जेनरेटर और भविष्यवादी साइंस-फिक्शन रोबोट्स के लिए एक-दूसरे के स्थान पर इस्तेमाल किया जाता है।

डेटा प्रैक्टिशनर्स के लिए, यह अस्पष्टता एक बाधा है। जब कोई स्टेकहोल्डर "AI समाधान" मांगता है, तो आपको समझना चाहिए: क्या उन्हें एक साधारण रिग्रेशन मॉडल चाहिए, एक जनरेटिव एजेंट, या एक कंप्यूटर विज़न सिस्टम?

इस व्यापक मार्गदर्शिका में, हम इस शब्दावली को स्पष्ट करेंगे। हम केवल परिभाषाएँ नहीं गिनाएंगे; बल्कि, हम इसे चार अलग-अलग नज़रियों से देखेंगे: यह कैसे बनाया जाता है, यह क्या कर सकता है, यह कैसे निर्णय लेता है, और वास्तविक-जीवन वर्कफ़्लो में यह कैसे फिट बैठता है।

यदि आप इस विषय में नए हैं, तो मैं Understanding Artificial Intelligence पाठ्यक्रम लेने की सलाह देता/देती हूँ।

AI क्या है?

कृत्रिम बुद्धिमत्ता (AI) कंप्यूटर विज्ञान की वह शाखा है जो बुद्धिमान एजेंट बनाने पर केंद्रित है—ऐसी प्रणालियाँ जो समस्या-समाधान, वाक् पहचान और निर्णय लेने जैसे वे कार्य कर सकें, जिनके लिए आम तौर पर मानवीय बुद्धि की आवश्यकता होती है।

AI एक बहुविषयी विज्ञान है जिसमें कई तरीक़े शामिल हैं। यह नियम-आधारित हो सकता है (पूर्व-परिभाषित स्थितियों में काम करना) या डेटा से सीखने के लिए मशीन लर्निंग एल्गोरिदम का उपयोग कर सकता है, जिससे सिस्टम अप्रत्याशित परिदृश्यों के अनुरूप ढल सकें।

फिर भी, AI को सटीक रूप से परिभाषित करना आश्चर्यजनक रूप से कठिन साबित होता है—जिसे शोधकर्ता "AI इफ़ेक्ट" कहते हैं। यह घटना बताती है कि जैसे-जैसे तकनीकें परिपक्व होती जाती हैं, समाज की AI के प्रति धारणा लगातार बदलती रहती है। जब कोई क्षमता सामान्य हो जाती है, तो लोग उसे "AI" कहना बंद कर देते हैं और उसे साधारण सॉफ़्टवेयर मानने लगते हैं। 

इस बदलती परिभाषा और व्यापक दायरे की वजह से, एकल वर्गीकरण पर्याप्त नहीं है। पूरी तस्वीर पाने के लिए हमें कई नज़रियों की ज़रूरत है:

• प्रौद्योगिकी: आधारभूत एल्गोरिदम और आर्किटेक्चर। 
• क्षमता: बुद्धिमत्ता के स्तर को संकीर्ण से सुपरइंटेलिजेंट तक मापना।
• कार्यक्षमता: सिस्टम जानकारी को कैसे संसाधित करते हैं और मेमोरी कैसे बनाए रखते हैं?

उदाहरण के लिए, एक स्वचालित (सेल्फ-ड्राइविंग) कार को एक साथ तीन तरीक़ों से वर्गीकृत किया जा सकता है:

• संकीर्ण AI (इसकी विशिष्ट क्षमता के आधार पर)।
• डीप लर्निंग (आधारभूत प्रौद्योगिकी के आधार पर)।
• सीमित मेमोरी (कार्यक्षमता के आधार पर)।

आगे के अनुभागों में, हम इन विशिष्ट प्रकारों का अन्वेषण करेंगे।

यदि आप एक सख़्ती से गैर-तकनीकी प्राइमर चाहते हैं, तो हमारा AI Guide for Beginners पढ़ें।

प्रौद्योगिकी-आधारित AI के प्रकार

AI को वर्गीकृत करने का सबसे ठोस तरीक़ा है—उसकी आधारभूत प्रौद्योगिकी के आधार पर, वह "इंजन" जो सिस्टम को चलाता है। यह वर्गीकरण इस बात के आधार पर सिस्टम को अलग करता है कि वे डेटा को कैसे संसाधित और सीखते हैं। आइए इन विभिन्न प्रकारों को देखते हैं।

मशीन लर्निंग

मशीन लर्निंग (ML) AI का एक उपसमुच्चय है जो ऐसे सिस्टम पर केंद्रित है जो डेटा से सीखते हैं और हर नियम को स्पष्ट रूप से प्रोग्राम किए बिना बेहतर होते जाते हैं। "यदि यह, तो वह" जैसे नियम लिखने के बजाय, आप एल्गोरिदम को डेटा देते हैं और उसे पैटर्न खोजने देते हैं।

मशीन लर्निंग तीन प्रमुख लर्निंग प्रतिमानों में बँटी है, जो अलग-अलग प्रकार की समस्याओं के अनुकूल हैं:

• Supervised Learning: व्यवसाय में सबसे सामान्य रूप। यह लेबल किए गए डेटा (इनपुट-आउटपुट जोड़े) से एल्गोरिदम को प्रशिक्षित करता है। उदाहरण के लिए, आप मॉडल को 1,000 ईमेल दिखाते हैं जिन पर "स्पैम" या "नॉट स्पैम" का लेबल है, और यह अगले ईमेल को वर्गीकृत करना सीख लेता है। सामान्य एल्गोरिदम में Linear Regression, K-Nearest Neighbors (KNN), और Decision Trees शामिल हैं।
• Unsupervised Learning: एल्गोरिदम को बिना लेबल वाला डेटा दिया जाता है और उसे अपने आप छिपी संरचनाएँ या पैटर्न खोजने होते हैं। यह अक्सर ग्राहक विभाजन (क्लस्टरिंग) के लिए उपयोग होता है। K-Means Clustering और Principal Component Analysis (PCA) सबसे अधिक उपयोग किए जाने वाले एल्गोरिदम में हैं।
• Reinforcement Learning (RL): एकदम अलग राह—RL एजेंट्स को पुरस्कार-और-दंड प्रणाली के माध्यम से ट्रायल-एंड-एरर से सिखाता है। एक RL एजेंट पर्यावरण के साथ इंटरैक्शन पर फ़ीडबैक प्राप्त करता है और धीरे-धीरे सीखता है कि कौन-से व्यवहार समय के साथ संचयी रिवार्ड्स को अधिकतम करते हैं। यही विधि रोबोट्स और उन्नत गेम-प्लेइंग AI (जैसे AlphaGo) को प्रशिक्षित करने में उपयोग होती है।

मशीन लर्निंग में मज़बूत नींव बनाने के लिए, मैं Machine Learning Fundamentals with Python स्किल ट्रैक पूरा करने की सलाह देता/देती हूँ।

डीप लर्निंग

डीप लर्निंग (DL) ML का एक विशेष उपसमुच्चय है जो मानव मस्तिष्क की संरचना से प्रेरित है। यह कई परतों वाले कृत्रिम न्यूरल नेटवर्क का उपयोग करता है (इसीलिए "डीप") ताकि विशाल डेटासेट्स में जटिल, नॉन-लीनियर संबंधों का मॉडल बनाया जा सके। जहाँ पारंपरिक ML अधिक डेटा के साथ रुक सकता है, वहीं DL अक्सर लगातार बेहतर होता जाता है।

मुख्य आर्किटेक्चर में शामिल हैं:

• Convolutional Neural Networks (CNNs): इमेज प्रोसेसिंग के लिए स्वर्ण-मानक। ये "फ़िल्टर्स" का उपयोग करके छवियों को स्वचालित रूप से स्कैन करते हैं और किनारे, आकार, और बनावट जैसी स्थानिक पदानुक्रमों का पता लगाते हैं।
• Recurrent Neural Networks (RNNs): टाइम-सीरीज़ या स्पीच जैसे क्रमिक डेटा के लिए डिज़ाइन किए गए। ये मौजूदा आउटपुट को प्रभावित करने के लिए पिछले इनपुट्स की "मेमोरी" बनाए रखते हैं।
• Transformers: आधुनिक Large Language Models (LLMs)—जैसे GPT 5.2 और Gemini 3—का आधार। यह attention mechanism का उपयोग करके डेटा के पूरे अनुक्रम को एक साथ संसाधित करता है, शब्दों के आपसी महत्व को तौलते हुए, बजाय उन्हें एक-एक करके संसाधित करने के।
• Generative Adversarial Networks (GANs): एक फ़्रेमवर्क जहाँ दो नेटवर्क प्रतिस्पर्धा करते हैं—"जेनरेटर" नकली डेटा बनाता है और "डिस्क्रिमिनेटर" उन्हें नकली के रूप में पकड़ने की कोशिश करता है। यह प्रतिस्पर्धा अत्यंत यथार्थवादी सिंथेटिक आउटपुट देती है।
• Diffusion Models: Midjourney जैसे टूल्स का इंजन। ये यादृच्छिक शोर को व्यवस्थित रूप से उलटकर स्पष्ट, दृष्टिगत रूप से अलग छवियाँ बनाने का तरीका सीखकर उच्च-गुणवत्ता की इमेज जनरेट करते हैं।

यदि आप स्वयं ये मॉडल बनाना चाहते हैं, तो Introduction to Deep Learning with PyTorch से शुरुआत करें।

नेचुरल लैंग्वेज प्रोसेसिंग

नेचुरल लैंग्वेज प्रोसेसिंग (NLP) का उद्देश्य कंप्यूटरों को मानव भाषा को सार्थक तरीक़े से समझने, व्याख्या करने और जनरेट करने में सक्षम बनाना है। NLP प्राकृतिक भाषा में निहित अस्पष्टता, सन्दर्भ-निर्भरता और जटिलता से निपटकर मानवीय संचार और मशीन समझ के बीच की खाई को पाटता है।

तकनीकों में शामिल हैं: 

• Sentiment analysis: किसी वाक्य के भाव का विश्लेषण, जैसे—यह तय करना कि कोई समीक्षा सकारात्मक है या नकारात्मक
• Named Entity Recognition (NER): पाठ में व्यक्तियों या स्थानों की पहचान करना
• Tokenization: टेक्स्ट को छोटे हिस्सों में तोड़ना—जैसे शब्द, अक्षरांश, या एकल वर्ण

आइए Python में transformers का उपयोग करते हुए सेंटिमेंट एनालिसिस का एक उदाहरण देखें:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

कंप्यूटर विज़न

कंप्यूटर विज़न मशीनों को डिजिटल छवियों और वीडियो से सार्थक जानकारी निकालने में सक्षम बनाता है, जिससे कंप्यूटर दृश्यों को मानव-समान तरीक़े से समझ सकें। यह क्षेत्र वस्तुओं की पहचान, दूरी का मापन, या यहाँ तक कि वे पैटर्न पहचानने से संबंधित है जो मानव पर्यवेक्षकों के लिए अदृश्य होते हैं।

कंप्यूटर विज़न सिस्टम कच्चे दृश्य डेटा से क्रमशः अधिक अमूर्त निरूपण निकालने के लिए इमेज प्रोसेसिंग तकनीकों को मशीन लर्निंग—विशेषकर डीप लर्निंग—के साथ मिलाते हैं। प्रमुख कार्यों में शामिल हैं:

• Image classification: छवि में क्या है इसकी पहचान (उदा., "यह एक बिल्ली है")।
• Object detection: किस वस्तु का स्थान बताना (उदा., "निर्देशांक x,y पर एक पैदल यात्री है")।
• Facial recognition: चेहरे की विशेषताओं के आधार पर पहचान का सत्यापन।

चिकित्सीय इमेजिंग कंप्यूटर विज़न के सबसे प्रभावशाली अनुप्रयोगों में से एक है—AI सिस्टम्स एक्स-रे, CT और MRI स्कैन में ट्यूमर का पता ऐसी सटीकता से लगाते हैं जो मानव रेडियोलॉजिस्ट्स के बराबर या उससे अधिक हो सकती है। ये सिस्टम डॉक्टरों का स्थान नहीं लेते, बल्कि उनका सहयोग करते हैं—जैसे संभावित असामान्यताओं को विशेषज्ञ समीक्षा के लिए फ़्लैग करना।

ऑडियो प्रोसेसिंग

ऑडियो प्रोसेसिंग का ध्यान श्रव्य सिग्नल—मानव वाक् और परिवेशीय ध्वनियाँ—को पहचानने, व्याख्या करने और संश्लेषित करने पर होता है। लक्ष्य है मशीनों को सुनने, समझने और ऑडियो सामग्री जनरेट करने में सक्षम बनाना, ताकि ध्वन्यात्मक तरंगों और अर्थ के बीच की खाई पटी रहे। 

ऑटोमैटिक स्पीच रिकग्निशन (ASR) बोले गए भाषा को लिखित पाठ में बदलता है और वॉइस असिस्टेंट्स, ट्रांसक्रिप्शन सेवाओं और एक्सेसिबिलिटी टूल्स को शक्ति देता है। आधुनिक ASR सिस्टम्स ट्रांसफ़ॉर्मर आर्किटेक्चर का उपयोग करके ऑडियो वेवफ़ॉर्म्स को सीधे टेक्स्ट अनुक्रमों में मैप करते हैं, स्वच्छ भाषण पर लगभग-मानवीय सटीकता हासिल करते हैं और बैकग्राउंड शोर या उच्चारण जैसी चुनौतियों पर लगातार बेहतर हो रहे हैं। 

Text-to-Speech (TTS) इंजन जैसे Amazon Polly विपरीत कार्य करते हैं—वे लिखित पाठ से स्वाभाविक-ध्वनित भाषण का संश्लेषण करते हैं, ऐसे न्यूरल वोकोडर्स का उपयोग करते हुए जो यथार्थवादी प्रोसोडी, आरोह-अवरोह और भावात्मक अभिव्यक्ति जनरेट करते हैं। आधुनिक TTS सिस्टम कुछ ही मिनटों के सैंपल ऑडियो से आवाज़ की नकल कर सकते हैं, जिससे रचनात्मक संभावनाएँ और नैतिक चिंताएँ दोनों पैदा होती हैं।

अनुप्रयोग वाक्-प्रोसेसिंग से आगे रचनात्मक और व्यावहारिक क्षेत्रों तक फैले हैं। वॉइस क्लोनिंग तकनीक निजीकरणयुक्त वर्चुअल असिस्टेंट्स, एकसमान आवाज़ों के साथ ऑडियोबुक नैरेशन, और विवादास्पद डीपफेक ऑडियो को संभव बनाती है।

रोबोटिक्स और एम्बॉडीड AI

यह AI और इंजीनियरिंग का संगम है। एम्बॉडीड AI में उन्नत "दिमाग़" (जैसे विज़न-लैंग्वेज मॉडल्स) को भौतिक रोबोटिक बॉडी में रखना शामिल है। जहाँ अधिकांश AI पूरी तरह डिजिटल रूप में मौजूद है, वहीं एम्बॉडीड AI को गुरुत्वाकर्षण, घर्षण और भौतिक परिवेशों की अप्रत्याशित जटिलताओं से निपटना पड़ता है। 

यह वास्तविकता-आधारित आधार ऐसे चुनौतियाँ लाता है जो शुद्ध कम्प्यूटेशनल AI में अनुपस्थित हैं, पर साथ ही भौतिक दुनिया से प्रत्यक्ष इंटरैक्शन को भी संभव बनाता है। पारंपरिक रोबोट्स के लिए प्रत्येक कार्य का स्पष्ट प्रोग्रामिंग आवश्यक था—इंजीनियर सटीक गतियाँ और निर्णय पेड़ मैन्युअली कोड करते थे। 

आधुनिक एम्बॉडीड AI सिस्टम अब प्राकृतिक भाषा के आदेश समझते हैं, जैसे "सेब उठाओ" या "वह दरवाज़ा खोलो"—वे विज़ुअल परसेप्शन का उपयोग कर वस्तुओं की पहचान करते हैं और बिना टास्क-विशिष्ट प्रोग्रामिंग के उपयुक्त क्रियाएँ योजनाबद्ध करते हैं। 

यह प्रगति मोरावेच का पैरेडॉक्स संबोधित करती है—यह अवलोकन कि मनुष्यों के लिए तुच्छ कार्य (जैसे कपड़े मोड़ना, दरवाज़े खोलना, बिखरे कमरों में नेविगेट करना) रोबोट्स के लिए असाधारण रूप से कठिन होते हैं, जबकि मनुष्यों के लिए कठिन कार्य (जैसे शतरंज या कैल्कुलस) AI के लिए तुलनात्मक रूप से आसान हैं। 

फ़ाउंडेशन मॉडल्स का उपयोग करते हुए एम्बॉडीड AI अंततः इस अंतराल को पाट रहा है—रोबोट्स को वह परसेप्चुअल समझ और अनुकूलनीय योजना प्रदान करके जिसे मनुष्य सहज मान लेते हैं। अनुप्रयोगों में रोबोटिक वैक्यूम जैसे उपभोक्ता उपकरण, औद्योगिक सहयोगी रोबोट (कोबोट्स), और Boston Dynamics के Atlas जैसे उन्नत मानवरूपी रोबोट शामिल हैं।

क्षमता-आधारित AI के प्रकार

जहाँ प्रौद्योगिकी बताती है कि AI कैसे बनाया जाता है, वहीं क्षमता बताती है कि यह मानवीय बुद्धि की तुलना में क्या कर सकता है। यह वर्गीकरण AI के विकास की समय-रेखा की तरह है—वर्तमान सीमाओं से सैद्धांतिक भविष्य तक।

आर्टिफ़िशियल नैरो इंटेलिजेंस

Artificial Narrow Intelligence (ANI), जिसे Weak AI भी कहते हैं, वही AI है जो आज मौजूद है। इसका अर्थ है—ऐसी प्रणालियाँ जो विशिष्ट, पूर्व-परिभाषित कार्यों में उत्कृष्ट हों, पर अपने संकीर्ण प्रशिक्षण मानकों से बाहर किसी भी चीज़ पर पूरी तरह विफल हो जाएँ। कोई शतरंज बॉट कार नहीं चला सकता, और कोई चिकित्सीय डायग्नोस्टिक टूल कविता नहीं लिख सकता।

फिर भी, "संकीर्ण" की परिभाषा फैल रही है। वर्तमान अत्याधुनिक स्थिति उन्नत मल्टीमॉडल LLMs को शामिल करती है। हम GPT-5.2 और Gemini 3 जैसे मॉडलों का विमोचन देख रहे हैं, जो एक साथ टेक्स्ट, ऑडियो और विज़ुअल इनपुट्स को संसाधित कर सकते हैं। 

हालाँकि वे तर्क का अनुकरण करते हैं, उन्हें अभी भी दुनिया की वास्तविक समझ का अभाव है। डेवलपर्स इन ANI सिस्टम्स के साथ APIs के माध्यम से इंटरैक्ट करते हैं और उन्हें अनुप्रयोगों में एकीकृत करते हैं।

ANI के भीतर अगला चरण है Agentic AI। ये सिस्टम निष्क्रिय चैट से आगे बढ़ते हैं; ये स्वतःस्फूर्त रूप से बहु-चरणीय कार्य कर सकते हैं—जैसे वेब ब्राउज़ कर फ़्लाइट बुक करना—और व्यापक बुद्धिमत्ता की ओर पुल का काम करते हैं।

आर्टिफ़िशियल जनरल इंटेलिजेंस

Artificial General Intelligence (AGI) AI अनुसंधान का सर्वोच्च लक्ष्य है। यह एक सैद्धांतिक अवस्था को संदर्भित करता है जहाँ एक मशीन पूरी तरह असंबद्ध डोमेन्स में सीखने, तर्क करने और समस्याएँ हल करने में मानवीय संज्ञानात्मक लचीलेपन का मुकाबला कर सके।

मुख्य अंतर है—जनरलाइज़ेशन। पुर्तगाली बोलने के लिए प्रशिक्षित कोई ANI सिस्टम उस ज्ञान का उपयोग स्पैनिश तेज़ी से सीखने में नहीं कर सकता। एक AGI सिस्टम बिना मैनुअल री-ट्रेनिंग के एक क्षेत्र की तर्कशक्ति को दूसरे में लागू कर सकता है।

AGI की समय-रेखा पर तीखी बहस है। उद्योग के आशावादी 2026 से 2029 के बीच आगमन का अनुमान लगाते हैं। इसके विपरीत, संदेहवादी मानते हैं कि हमारे पास आवश्यक आधारभूत आर्किटेक्चर (विशेषकर, सटीक "वर्ल्ड मॉडल्स") नहीं हैं—और समय-रेखा 2040 या उससे आगे की है।

आर्टिफ़िशियल सुपरइंटेलिजेंस

आर्टिफ़िशियल सुपरइंटेलिजेंस (ASI) वह काल्पनिक अवस्था है जहाँ AI लगभग हर क्षेत्र में सबसे बुद्धिमान मानव मस्तिष्क से आगे निकल जाता है—वैज्ञानिक रचनात्मकता, सामान्य बुद्धि, सामाजिक कौशल और समस्या-समाधान। ASI केवल आइंस्टीन या दा विंची की बराबरी नहीं करेगा; वह उनसे उतना आगे होगा जितना वे औसत मानवीय बुद्धि से आगे थे।

ASI के इर्द-गिर्द सबसे बड़ी चिंता है रिकर्सिव सेल्फ-इम्प्रूवमेंट—जहाँ ASI अपने ही आर्किटेक्चर को फिर-से-डिज़ाइन कर और बुद्धिमान बनता है, और उस बढ़ी हुई बुद्धि से आगे सुधार करता है—जिससे बुद्धिमत्ता का अनियंत्रित, घातीय तेज़ी से बढ़ता फीडबैक लूप बन सकता है। 

यह इंटेलिजेंस एक्सप्लोजन इतनी जल्दी ऐसे सिस्टम्स पैदा कर सकती है जो मानवीय समझ से बहुत परे हों—इनके व्यवहार का पूर्वानुमान असंभव हो जाए—और अलाइनमेंट और नियंत्रण पर गहरे सुरक्षा प्रश्न खड़े हों। यदि ASI के लक्ष्य मानवीय मूल्यों से ज़रा भी असंगत हों, तो इसकी श्रेष्ठ बुद्धि उन्हें ऐसे तरीक़े से साध सकती है जो मानवता के लिए हानिकारक हों।

ASI बनाने का कोई विश्वसनीय रोडमैप मौजूद नहीं है, और कई शोधकर्ता सवाल उठाते हैं कि सुपरइंटेलिजेंस हासिल करना संभव भी है या एक सुसंगत अवधारणा है। फिर भी, ASI की सैद्धांतिक संभावना बढ़ती सक्षम प्रणालियों को लाभकारी और नियंत्रणीय बनाए रखने हेतु AI अलाइनमेंट पर गम्भीर अकादमिक कार्य को प्रेरित करती है। 

कार्यक्षमता-आधारित AI के प्रकार

जहाँ क्षमता शक्ति को मापती है, वहीं कार्यक्षमता मापती है कि सिस्टम दुनिया के साथ कैसे इंटरैक्ट करता है और डेटा को कैसे प्रोसेस करता है। यह वर्गीकरण हमें 1990 के दशक के शतरंज कंप्यूटर और भविष्य के सामाजिक रोबोट्स के बीच अंतर करने देता है। प्रत्येक प्रकार को देखें।

रिएक्टिव मशीनें

रिएक्टिव मशीनें AI का सबसे बुनियादी और पुराना रूप हैं। इन प्रणालियों को न अतीत का ज्ञान होता है न भविष्य का—ये केवल पूर्व-प्रोग्राम्ड नियमों के आधार पर तत्क्षण इनपुट्स पर काम करती हैं।

रिएक्टिव AI की परिभाषक विशेषता है—यह स्टेटलेस और डेटरमिनिस्टिक होता है। यदि आप बिल्कुल वही इनपुट किसी रिएक्टिव मशीन को दस बार दें, तो वह दसों बार बिल्कुल वही आउटपुट देगी। यह अनुभव से नहीं सीख सकती क्योंकि यह मेमोरी संग्रहीत नहीं करती।

इस प्रकार का एक अच्छा उदाहरण है IBM का Deep Blue—वह शतरंज कंप्यूटर जिसने गैरी कास्पारोव को हराया। उसने कास्पारोव की मनोवृत्ति नहीं सीखी; उसने केवल मौजूदा बोर्ड स्थिति के आधार पर सबसे अच्छा चाल-चलन गणना किया। वे मानक स्पैम फ़िल्टर्स जो कीवर्ड्स को फ़्लैग करते हैं, बिना आपके ईमेल इतिहास का विश्लेषण किए, इसी श्रेणी में आते हैं।

सीमित मेमोरी AI

सीमित मेमोरी AI आधुनिक अनुप्रयोगों पर हावी है। हालिया डेटा या सन्दर्भ को अस्थायी रूप से संग्रहीत कर सूचित निर्णय लेने की क्षमता के ज़रिए, सीमित मेमोरी प्रणालियाँ गतिशील व्यवहार सक्षम करती हैं। रिएक्टिव मशीनों के विपरीत, ये सीमित context window के भीतर ऐतिहासिक जानकारी का संदर्भ लेती हैं।

आज उपयोग में आने वाले लगभग सभी Predictive AI और Generative AI टूल्स इसी श्रेणी में आते हैं। Claude Opus 4.5 जैसे LLMs वार्तालाप इतिहास बनाए रखते हैं—आपने कुछ मिनट पहले क्या कहा, उसे याद रखते हुए, पूर्व आदान-प्रदान पर आधारित सुसंगत उत्तर देते हैं। कॉन्टेक्स्ट विंडो यह तय करती है कि सिस्टम कितनी ऐतिहासिक जानकारी का संदर्भ ले सकता है। 

सेल्फ-ड्राइविंग कारें आस-पास के वाहनों की गति और प्रक्षेपपथ को कई सेकंड तक ट्रैक करती हैं और केवल वर्तमान स्थान पर प्रतिक्रिया देने की बजाय उनके भविष्य के स्थानों का पूर्वानुमान लगाती हैं।

थ्योरी ऑफ़ माइंड AI

थ्योरी ऑफ़ माइंड AI शोध प्रोटोटाइप और व्यावहारिक क्षमता के बीच का विवादित क्षेत्र है। इस श्रेणी की प्रणालियाँ मनुष्यों की मानसिक अवस्थाओं—विश्वास, इरादे, भावनाएँ, और इच्छाएँ—का मॉडल बनाकर व्यवहार का सटीक पूर्वानुमान लगा सकेंगी। 

यह क्षमता प्राकृतिक सामाजिक इंटरैक्शन के लिए अनिवार्य है—AI को अप्रत्यक्ष संकेतों की व्याख्या करने, धोखे का पता लगाने, या उपयोगकर्ता के मूड के अनुसार प्रतिक्रियाएँ अनुकूलित करने में सक्षम बनाती है। 

ओपनएआई के GPT-4 जैसे पहले के फ़्रंटियर मॉडल्स ने पहले ही फॉल्स-बिलीफ़ टास्क्स पर मानव-स्तरीय परिणाम प्राप्त किए—जैसे गलत विश्वासों के आधार पर क्रियाओं का अनुमान लगाना—जैसा कि स्टैनफ़ोर्ड के शोधकर्ता Michal Kosinski के 2024 PNAS अध्ययन में दिखाया गया। 

फिर भी, विशेषज्ञ बहस करते हैं कि क्या इसका अर्थ है कि आधुनिक LLMs को वास्तविक थ्योरी ऑफ़ माइंड प्रणालियाँ माना जा सकता है, या वे केवल भाषा प्रशिक्षण से पैटर्न-मैचिंग लागू करते हैं। प्रोटोटाइप प्रयासों में DeepMind का ToMnet शामिल है, जिसे सिम्युलेटेड वातावरणों में अन्य एजेंट्स के विश्वासों का अनुमान लगाने के लिए डिज़ाइन किया गया है।

स्व-चेतन AI

स्व-चेतन AI उन मशीनों की अवधारणा का वर्णन करता है जिनमें चेतना, संवेदनशीलता और अपने अस्तित्व की स्पष्ट समझ हो—स्वयं को दुनिया से अलग इकाई के रूप में जानना। 

यह केवल बुद्धिमत्ता नहीं बल्कि आत्मानुभूति का भी प्रतिनिधित्व करता है। ऐसी मशीन केवल अपने बारे में जानकारी प्रोसेस नहीं करेगी, बल्कि "मैं अस्तित्व में हूँ" का अनुभव—सम्बद्ध भावनाओं, ज़रूरतों और इच्छाओं के साथ—रखेगी।

यह स्तर केवल कम्प्यूटेशनल क्षमता से परे, स्वयं चेतना की प्रकृति पर दार्शनिक क्षेत्र में प्रवेश करता है। क्या कोई स्व-चेतन AI दर्द, सुख, या निष्क्रिय किए जाने का भय महसूस करेगा? यदि हाँ, तो क्या वह नैतिक विचार या अधिकारों का हकदार होगा? ये प्रश्न चर्चा को इंजीनियरिंग से नैतिकता की ओर मोड़ते हैं।

आज कोई भी प्रणाली इस स्तर के पास नहीं पहुँचती। काल्पनिक उदाहरण—2001: ए स्पेस ऑडिसी के HAL 9000 या Star Trek के Data—अवधारणा को दर्शाते हैं, पर यह काल्पनिक है कि कभी यह स्तर हासिल होगा भी या नहीं।

AI मॉडलों के प्रमुख प्रकार

उच्च-स्तरीय सिद्धांत से आगे बढ़कर, डेटा प्रैक्टिशनर्स को वे विशिष्ट आर्किटेक्चर समझने चाहिए जिनसे वे प्रोडक्शन में रूबरू होंगे। व्यापक रूप से, आज उद्योग में इस्तेमाल होने वाले AI मॉडलों को सृजनकर्ता या विश्लेषक के रूप में वर्गीकृत किया जा सकता है। इस भेद पर अधिक पढ़ने के लिए जनरेटिव बनाम डिस्क्रिमिनेटिव मॉडलों पर यह लेख देखें।

जनरेटिव AI: सृजनकर्ता

जनरेटिव AI मॉडल ऐसे नए डेटा उदाहरण जनरेट करने के लिए डिज़ाइन किए जाते हैं जो आपके प्रशिक्षण डेटा से मिलते-जुलते हों। ये मॉडल किसी डेटासेट के आधारभूत प्रायिकता-वितरण को सीखते हैं ताकि मौलिक टेक्स्ट, छवियाँ, कोड या ऑडियो उत्पन्न कर सकें। विश्लेषण से सृजन की यह शिफ्ट बड़े पैमाने पर कंटेंट जेनरेशन, रचनात्मक वृद्धि और सिमुलेशन के लिए कई संभावनाएँ प्रदान करती है। 

लोकप्रिय उदाहरणों में लेखन और कोडिंग के लिए Claude जैसे LLMs, इमेज सिंथेसिस के लिए Midjourney या Nano Banana Pro जैसे डिफ्यूज़न मॉडल्स, और जटिल दृश्यों का सिमुलेशन करने में सक्षम Sora जैसे वीडियो जेनरेशन मॉडल शामिल हैं। उल्लेखनीय है कि सभी इमेज जेनरेटर्स डिफ्यूज़न पर निर्भर नहीं हैं; GPT Image 1.5 जैसा मॉडल इसके बजाय ऑटोरेग्रेसिव आर्किटेक्चर का उपयोग करता है।

जनरेटिव AI एजेंटिक AI वर्कफ़्लोज़ में एक बड़े उन्नयन का प्रतिनिधित्व करता है—जहाँ मॉडल केवल उत्तर नहीं देते, बल्कि सक्रिय रूप से एसेट्स या योजनाएँ बनाते हैं। हम आगे एजेंट्स को विस्तार से देखेंगे।

डिस्क्रिमिनेटिव AI: विश्लेषक

जहाँ जनरेटिव AI सुर्खियाँ बटोरता है, वहीं डिस्क्रिमिनेटिव AI—जिसे प्रेडिक्टिव AI भी कहा जाता है—एंटरप्राइज़ संचालन की रीढ़ बना हुआ है। ये मॉडल नया डेटा नहीं बनाते; बल्कि, डेटासेट में वर्गों के बीच की सीमा सीखते हैं ताकि इनपुट्स को वर्गीकृत कर सकें या भविष्य के मानों का पूर्वानुमान लगा सकें।

डिस्क्रिमिनेटिव AI का व्यावसायिक मूल्य उसके निर्णय-निर्माण को सूचित करने और जोखिम का आकलन करने की क्षमता में निहित है। संगठन ऐसे मॉडलों का उपयोग उन निर्णयों को स्वचालित करने के लिए करते हैं जिनमें सीखे हुए मानदंडों का सुसंगत अनुप्रयोग आवश्यक होता है।

जनरेटिव मॉडलों के विपरीत, डिस्क्रिमिनेटिव मॉडल रचनात्मकता पर नहीं, बल्कि शुद्धता और विश्वसनीयता पर ज़ोर देते हैं—अक्सर उच्च-दांव वाले परिदृश्यों में संचालित होते हैं जहाँ त्रुटियों के गंभीर परिणाम हो सकते हैं।

उदाहरणों में शामिल हैं:

• लोन डिफ़ॉल्ट जोखिम का पूर्वानुमान लगाने वाले क्रेडिट स्कोरिंग मॉडल।
• ईमेल्स को जंक या वैध के रूप में वर्गीकृत करने वाले स्पैम फ़िल्टर्स।
• एक्स-रे में विसंगतियों की पहचान करने वाले चिकित्सीय डायग्नोस्टिक टूल्स।
• धोखाधड़ी वाले लेनदेन का पता लगाने वाली वित्तीय मॉनिटरिंग प्रणालियाँ। 

फ़ाउंडेशन मॉडल्स

फ़ाउंडेशन मॉडल्स टेक्स्ट, छवियाँ, कोड और स्ट्रक्चर्ड डेटा सहित विशाल, विविध डेटासेट्स पर प्रशिक्षित होते हैं—और विभिन्न डोमेन्स में लागू होने वाले सामान्य पैटर्न सीखते हैं। कोई फ़ाउंडेशन मॉडल केवल छवियों को वर्गीकृत करना या टेक्स्ट जनरेट करना नहीं सीखता; वह भाषा, तर्क और विश्व-ज्ञान की व्यापक समझ विकसित करता है—जो न्यूनतम अतिरिक्त प्रशिक्षण के साथ नए कार्यों में ट्रांस्फ़र हो सकती है।

यह दृष्टिकोण नई एप्लिकेशनों के लिए AI तैनात करने में समय और डेटा की आवश्यकता को नाटकीय रूप से घटाता है। हर विशिष्ट समस्या के लिए अलग मॉडल बनाने के बजाय, संगठन एक ही फ़ाउंडेशन मॉडल को विविध कार्यों—क़ानूनी दस्तावेज़ विश्लेषण से लेकर कोड जेनरेशन और भाषा अनुवाद तक—के लिए fine-tune करते हैं।

वर्तमान में हम Small Language Models (SLMs) का उभार देख रहे हैं। ये फ़ाउंडेशन मॉडल्स के दक्ष, डिस्टिल्ड संस्करण हैं जो स्थानीय रूप से डिवाइसों (जैसे लैपटॉप या फ़ोन) पर चलने के लिए डिज़ाइन किए गए हैं—क्लाउड-आधारित दिग्गजों की भारी कम्प्यूट लागत के बिना गोपनीयता और गति प्रदान करते हैं।

AI एजेंट्स के प्रकार

AI निष्क्रिय टूल्स से विकसित होकर ऐसे स्वायत्त एजेंट्स बन रहा है जो जटिल वर्कफ़्लोज़ निष्पादित कर सकते हैं। जहाँ कोई मानक मॉडल इनपुट का इंतज़ार कर आउटपुट देता है, वहीं AI एजेंट अपना परिवेश देख सकता है, लक्ष्य साधने की रणनीति पर तर्क कर सकता है, और उसे निष्पादित करने के लिए कार्रवाई कर सकता है। एजेंट्स के पीछे की आर्किटेक्चर समझने और उन्हें बनाना सीखने के लिए, हमारा Introduction to AI Agents पाठ्यक्रम शुरू करें।

AI एजेंट्स को प्रायः उनकी जटिलता और स्वायत्तता के स्तर के आधार पर वर्गीकृत किया जाता है। आइए इन्हें देखें।

सिंपल रिफ़्लेक्स एजेंट्स

रिफ़्लेक्स एजेंट्स एजेंट का सबसे सरल रूप हैं। ये सख़्त "कंडीशन-एक्शन" नियम पर काम करते हैं—वर्तमान परसेप्शन पर ही प्रतिक्रिया देते हैं और इतिहास को नज़रअंदाज़ करते हैं। कोई स्मार्ट थर्मोस्टैट इसका उदाहरण है—ऐसे नियमों के साथ: यदि तापमान 68°F से नीचे गिर जाए तो हीट ऑन करें; 72°F से ऊपर जाए तो कूलिंग चालू करें। 

असेंबली लाइन रोबोट्स एक और उदाहरण हैं—जब सेंसर इंगित करते हैं कि पुर्ज़े निर्दिष्ट स्थिति पर पहुँच गए हैं, तो वे क्रिया करते हैं। रिफ़्लेक्स एजेंट्स स्थिर परिवेशों में दोहराए जाने वाले कार्यों में उत्कृष्ट होते हैं, परंतु परिस्थितियाँ अनपेक्षित रूप से बदलने पर संघर्ष करते हैं क्योंकि उनमें अनुकूलन हेतु संदर्भीय समझ का अभाव होता है।

मॉडल-आधारित रिफ़्लेक्स एजेंट्स

मॉडल-आधारित रिफ़्लेक्स एजेंट्स एक आंतरिक विश्व-मॉडल बनाए रखते हैं—समय के साथ स्टेट को ट्रैक करते हैं—ताकि आंशिक रूप से दृष्टिगत परिवेशों को संभाल सकें। ये केवल प्रतिक्रिया ही नहीं देते, बल्कि सही प्रकार से काम करने के लिए आवश्यक महत्वपूर्ण जानकारी याद भी रखते हैं।

स्वायत्त आपातकालीन ब्रेकिंग सिस्टम इसका उदाहरण हैं—जो रडार और कैमरों से डेटा फ़्यूज़ कर समय के साथ वाहनों के प्रक्षेपपथ ट्रैक करते हैं—सिर्फ़ तत्काल खतरों पर प्रतिक्रिया नहीं देते। वे अपूर्ण जानकारी में भी सटीक स्टेट अनुमान बनाए रखते हैं—जैसे किसी ट्रक के पीछे ग़ायब हो चुकी कार की अनुमानित स्थिति याद रखना।

गोल-आधारित एजेंट्स

गोल-आधारित एजेंट्स केवल प्रतिक्रिया देने के बजाय विशिष्ट उद्देश्यों को साधने के लिए क्रिया करते हैं। "इटली की यात्रा की योजना बनाओ" जैसे लक्ष्य दिए जाने पर, वे कई क्रिया-क्रमों पर विचार करते हैं और आँकते हैं कि कौन-सा क्रम लक्ष्य-पूर्ति की ओर ले जाएगा। यह एजेंटिक AI का अत्याधुनिक क्षेत्र है।

सॉफ़्टवेयर इंजीनियरिंग के लिए Roo Code जैसे टूल्स या स्वायत्त बुकिंग असिस्टेंट्स—खोज, तुलना, बाधाओं की जाँच और निर्णय जैसे बहु-चरणीय वर्कफ़्लोज़ निष्पादित करते हैं ताकि संपूर्ण कार्य पूरे किए जा सकें। n8n जैसे वर्कफ़्लो प्लेटफ़ॉर्म जटिल प्रक्रियाएँ बनाने देते हैं जहाँ AI एजेंट्स निर्णय-बिंदु और अनुकूली लॉजिक सँभालते हैं।

यदि आप AI एजेंट्स में मज़बूत नींव बनाना चाहते हैं, तो हमारा AI Agent Fundamentals ट्रैक लें।

यूटिलिटी-आधारित एजेंट्स 

यूटिलिटी-आधारित एजेंट्स एक कदम और आगे बढ़ते हैं: ये किसी भी कामचलाऊ पथ के बजाय लक्ष्यों तक पहुँचने के सर्वोत्तम पथ के लिए ऑप्टिमाइज़ करते हैं। ये ऐसा यूटिलिटी फ़ंक्शन्स का उपयोग कर करते हैं—जो परिणामों को संख्यात्मक स्कोर देते हैं—इससे मात्रात्मक तुलना संभव होती है। 

जहाँ कोई गोल-आधारित एजेंट रोम के लिए कोई भी फ़्लाइट बुक कर देता है, वहीं यूटिलिटी-आधारित एजेंट लागत, अवधि, लेओवर्स और प्रस्थान समय जैसे कारकों पर विचार कर समग्र यूटिलिटी को अधिकतम करता है।

उदाहरणों में जोखिम के सापेक्ष मुनाफ़े का संतुलन बनाने वाले एल्गोरिदमिक ट्रेडिंग सिस्टम्स और Waze जैसे नेविगेशन ऐप्स शामिल हैं—जो उपयोगकर्ता की प्राथमिकताओं (सबसे तेज़ समय, सबसे कम दूरी, या टोल से बचना) के आधार पर मार्गों का अनुकूलन करते हैं।

लर्निंग एजेंट्स

लर्निंग एजेंट्स अज्ञात या बदलते परिवेशों में काम करते हैं—मानवीय हस्तक्षेप के बिना अनुभव के माध्यम से निरंतर सुधार करते हैं। आर्किटेक्चर में एक क्रिटिक शामिल होता है जो प्रदर्शन फ़ीडबैक देता है और एक लर्निंग एलिमेंट—जो एजेंट की नीति में संशोधन करता है। 

मंगल रोवर्स नए भूवैज्ञानिक गठन मिलने पर यह सीखते हैं कि किन भू-आकृतिक विशेषताएँ सुरक्षित रास्तों का संकेत देती हैं। Netflix की सिफ़ारिश एल्गोरिदम एक और उदाहरण है—यह देखने के इतिहास के आधार पर उपयोगकर्ता की प्राथमिकताओं की समझ को लगातार परिष्कृत करता है और समय के साथ सुझावों में सुधार करता है।

एजेंटिक फ़्रेमवर्क्स: एजेंट्स का निर्माण

एजेंटिक फ़्रेमवर्क्स जटिल एजेंट्स के लिए ऑपरेटिंग सिस्टम का काम करते हैं—तर्क के कोर (आमतौर पर LLM) को मेमोरी, टूल्स और मल्टी-एजेंट समन्वय से जोड़ते हैं। ये प्रबंधित करते हैं:

• ऑर्केस्ट्रेशन: यह तय करना कि कौन-सा एजेंट किस उप-कार्य को सँभाले और घटकों के बीच वर्कफ़्लो का प्रबंधन
• प्लानिंग: जटिल लक्ष्यों को निष्पादन योग्य चरणों में तोड़ना और परिस्थितियाँ बदलने पर अनुकूलित होना
• टूल उपयोग: एजेंट्स को सर्च इंजन, डेटाबेस, APIs, या कोड निष्पादन तक पहुँच देना
• मेमोरी: तत्काल इंटरैक्शन से परे वार्तालाप इतिहास और दीर्घकालिक संदर्भ बनाए रखना

लोकप्रिय फ़्रेमवर्क्स में शामिल हैं:

• LangChain/LangGraph: व्यापक इंटीग्रेशन्स के साथ LLMs को डेटा स्रोतों से जोड़ने का उद्योग-मानक।
• Google ADK: Vertex AI पर उन्नत एजेंट्स बनाने के लिए ओपन-सोर्स फ़्रेमवर्क।
• CrewAI: भूमिका-निभाने वाले अनेक एजेंट्स का समन्वय, ताकि वे जटिल कार्यों पर सहयोग कर सकें।

इन आर्किटेक्चर्स पर त्वरित संदर्भ के लिए, AI Agents चीट शीट देखें। 

निष्कर्ष

हमने यहाँ बहुत कुछ कवर किया है; अब इसे समेटते हैं। 

AI को एक एकरूप तकनीक के रूप में देखने के बजाय, हमें इसे विशिष्ट दृष्टिकोणों के विविध इकोसिस्टम के रूप में पहचानना चाहिए—जहाँ प्रत्येक दृष्टिकोण विशेष समस्याओं के लिए उपयुक्त है। AI को पूरी तरह समझने के लिए हमें इसे प्रौद्योगिकी, क्षमता और कार्यक्षमता—इन तीन अलग-अलग नज़रियों से देखना होगा।

हम वर्तमान में संकीर्ण, विशिष्ट-कार्य केंद्रित AI से एजेंटिक AI के शुरुआती रूपों की ओर संक्रमण में हैं—जो स्वायत्त रूप से जटिल वर्कफ़्लोज़ निष्पादित कर सकते हैं—यह उद्योगों में अपनाने के लिए एक निर्णायक मोड़ है।

AI विशेषज्ञ बनने की दिशा में पहला क़दम बढ़ाएँ—AI Fundamentals स्किल ट्रैक में नामांकन करें।