इस लेख में
OpenAI के Astra ने गणित की दस खुली समस्याएँ हल कीं — और असली कहानी गणित नहीं है
संक्षेप में: 1 अगस्त 2026 को OpenAI ने घोषणा की कि उसके अगले मॉडल Astra के एक आंतरिक संस्करण ने गणित और सैद्धांतिक कंप्यूटर विज्ञान की दस खुली समस्याओं पर नए नतीजे दिए हैं, जिनमें से हर एक कम से कम एक दशक से अनसुलझी थी। नतीजों से भी ज़्यादा अहम यह है कि उन्हें किस तरह सौंपा गया: हर नतीजा GitHub पर मशीन से जाँचे जा सकने वाले Lean 4 प्रमाण-प्रमाणपत्र के साथ आया, साथ में 249 पन्नों की एक पांडुलिपि भी थी, और कुल कंप्यूट लागत लगभग 2,000 डॉलर रही। किसी व्यवसाय-मालिक के लिए सबक ग्रुप थ्योरी या स्फ़ीयर पैकिंग के बारे में नहीं है। यह एक ही सिद्धांत है: जो AI आपको मशीन से सत्यापित किया जा सकने वाला आउटपुट देता है, वह उस AI से बुनियादी तौर पर अलग है जो आपको विश्वसनीय लगने वाला गद्य देता है।
ठीक-ठीक क्या घोषणा की गई?
मुख्य नतीजा तथाकथित नॉन-सोफ़िक ग्रुप का पहला स्पष्ट निर्माण है — यह प्रश्न तब से खुला था जब Mikhail Gromov ने 1999 में सोफ़िसिटी की अवधारणा पेश की थी। इसके साथ ही वॉन न्यूमैन बीजगणितों पर Connes के रिजिडिटी अनुमान का खंडन, Ehrhart के वॉल्यूम अनुमान का प्रमाण, Paul Erdős की सूची की तीन समस्याओं के समाधान — जिनमें बहुरंगी Ramsey संख्याओं पर समस्या 183 भी शामिल है — और उच्च-आयामी स्फ़ीयर पैकिंग घनत्व के लिए एक बेहतर ऊपरी सीमा भी आई, जो बताया जाता है कि 1978 के बाद पहला सुधार है।
इसे "AI ने एक समस्या हल कर दी" जैसे पिछले दावों की लहरों से जो चीज़ अलग करती है, वह है सौंपने का तरीक़ा। ऐसे दावे की जगह जिस पर आपसे भरोसा करने को कहा जाए, OpenAI ने हर नतीजे के लिए Lean 4 प्रमाणपत्र प्रकाशित किए, जिनमें "sorry" की गिनती शून्य थी — यह वह तकनीकी संकेत है जिसका अर्थ है कि प्रकाशित फ़ाइलों में कोई भी चरण बिना प्रमाण के नहीं छोड़ा गया। कंप्यूटर वाला कोई भी व्यक्ति रिपॉज़िटरी क्लोन करके, चेकर चलाकर, महीनों तक मैन्युअल समीक्षा का इंतज़ार करने के बजाय मिनटों में निर्णायक फ़ैसला पा सकता है।
मूल्य इस बात में नहीं कि मॉडल ने कोई नतीजा होने का दावा किया। मूल्य इस बात में है कि मॉडल ने एक ऐसी मशीन भी सौंपी जो आपकी ओर से उस दावे की जाँच करती है।
दूसरा पहलू: गंभीर आलोचना जिसका ज़िक्र ज़रूरी है
तस्वीर पूरी तरह उजली नहीं है, और यह कहना ही ईमानदारी है। विशेषज्ञ गणितज्ञों ने ठोस आपत्तियाँ उठाईं। पहली, दस नतीजों में से कोई भी पीयर रिव्यू से नहीं गुज़रा है, और घोषणा किसी जर्नल के बजाय कंपनी के ब्लॉग पोस्ट के ज़रिए हुई — जिसे कुछ लोग जून 2026 में जारी लाइडन घोषणा की भावना के विपरीत मानते हैं। दूसरी, पिछले काम का श्रेय न देने के आरोप हैं: शोधकर्ताओं ने बताया कि स्फ़ीयर पैकिंग वाले तर्क में पहले से प्रकाशित तर्क-पद्धति को बिना श्रेय दिए दोबारा इस्तेमाल किया गया, और नॉन-सोफ़िक ग्रुप वाले नतीजे में भी यही पैटर्न बताया गया।
एक अहम तकनीकी शर्त भी है। Lean स्थानीय तार्किक त्रुटियों की एक बड़ी श्रेणी को ख़त्म कर देता है, लेकिन वह परिभाषाओं को — या किसी अनौपचारिक गणितीय प्रश्न के औपचारिक कथन में अनुवाद को — यांत्रिक तथ्यों में नहीं बदलता। सीधे शब्दों में: कोई प्रमाण पूरी तरह सही हो सकता है, जबकि जो कथन सिद्ध किया गया वह उस प्रश्न से मेल न खाए जिसके बारे में लोग मानते हैं कि उसका उत्तर दिया गया है। ख़ुद रिपॉज़िटरी इस काम को इंसानों द्वारा स्वतंत्र रूप से समीक्षित नहीं, बल्कि "एजेंट-समीक्षित" बताती है।
सऊदी व्यवसाय के लिए व्यावहारिक अनुवाद
ग्रुप थ्योरी के एक प्रश्न और आपकी दुकान, फ़ैक्ट्री या सेवा कंपनी के बीच की दूरी बहुत बड़ी लग सकती है। लेकिन केंद्रीय विचार सीधे लागू होता है, क्योंकि AI के आउटपुट दो श्रेणियों में आते हैं जिनके लिए पूरी तरह अलग जोखिम प्रबंधन चाहिए:
- मशीन से सत्यापित किया जा सकने वाला आउटपुट: टेस्ट पास करने वाला कोड, संतुलित होने वाली जर्नल एंट्री, ई-इनवॉइसिंग प्लेटफ़ॉर्म द्वारा स्वीकार किया गया इनवॉइस, ऐसी डेटाबेस क्वेरी जिसके नतीजे का आप किसी संदर्भ स्रोत से मिलान कर सकें। यहाँ आप मॉडल को तेज़ी से आगे बढ़ने दे सकते हैं, क्योंकि एक अंतिम निर्णायक मौजूद है जो चापलूसी नहीं करता।
- सत्यापित न किया जा सकने वाला आउटपुट: मीटिंग का सारांश, ग्राहक को जवाब, बाज़ार विश्लेषण, भर्ती की सिफ़ारिश। पास या फ़ेल बताने वाला कोई चेकर नहीं है, इसलिए आपको मानवीय समीक्षा, दिखाई देने वाले स्रोतों और इस पर स्पष्ट सीमाओं की ज़रूरत है कि मॉडल क्या दावा कर सकता है।
कंपनियों के भीतर सबसे बुरी तरह विफल होने वाली AI परियोजनाएँ वे हैं जो दूसरी श्रेणी को पहली श्रेणी की तरह बरतती हैं। उलटा भी सच है: कई जिताऊ अवसर इसलिए छूट जाते हैं क्योंकि किसी ने ध्यान नहीं दिया कि कोई ख़ास प्रक्रिया, अगर ठीक से डिज़ाइन की जाए, तो असल में स्वचालित सत्यापन की गुंजाइश रखती है।
अपनी कंपनी के भीतर सत्यापन की परत कैसे बनाएँ
पहला क़दम यह है कि आप जिस भी प्रक्रिया को स्वचालित करने पर विचार कर रहे हैं, उसके लिए पूछें: कौन-सा टेस्ट बिना किसी इंसान के पढ़े यह साबित करता है कि आउटपुट सही है? अगर इसका उत्तर है, तो आपके पास स्वचालन का एक बेहतरीन उम्मीदवार है। अगर नहीं है, तो या तो आप ऐसा टेस्ट डिज़ाइन करें या प्रक्रिया में एक इंसान को बनाए रखें।
व्यावसायिक सिस्टम में इसका मतलब ठोस चीज़ें हैं: वैलिडेशन नियम जो केवल यूज़र इंटरफ़ेस में नहीं, बल्कि डेटाबेस स्तर पर लागू हों; ऑर्डर, इनवॉइस और इन्वेंटरी के बीच स्वचालित त्रिपक्षीय मिलान; मॉडल के आउटपुट पर भरोसा करने से पहले उसका सत्य के एकल स्रोत से मिलान; हर कोड बदलाव पर चलने वाले स्वचालित टेस्ट; और ऐसा ऑडिट ट्रेल जो दिखाए कि किसने क्या, कब और किस डेटा से बनाया। यह इंजीनियरिंग की विलासिता नहीं है — यही वह चीज़ है जो संवेदनशील कामकाज में AI चलाने को आपके ऑडिटर, आपके ग्राहक और आपके नियामक के सामने बचाव-योग्य बनाती है।
नियामक पहलू को भी नज़रअंदाज़ न करें। सऊदी राज्य में व्यक्तिगत डेटा की कोई भी प्रोसेसिंग व्यक्तिगत डेटा संरक्षण क़ानून (PDPL) के दायरे में आती है, और इसके उद्देश्य-सीमा, डेटा न्यूनीकरण और जवाबदेही के सिद्धांतों का व्यवहार में अर्थ है कि आपको इस बात का दस्तावेज़ी रिकॉर्ड चाहिए कि मॉडल ने क्या किया — केवल उसकी गुणवत्ता पर भरोसा काफ़ी नहीं।
साथ ले जाने लायक़ तीन सबक
पहला, गहन तर्क-क्षमता उससे तेज़ी से आगे बढ़ रही है जितना कई कंपनियों के रोडमैप मानते हैं, और परिचालन लागत तेज़ी से घट रही है — शोध-स्तर के दस नतीजों के लिए 2,000 डॉलर ऐसी संख्या है जिस पर रुककर सोचना चाहिए। दूसरा, मॉडल की क्षमता को भरोसेमंद परिचालन मूल्य में बदलने वाली चीज़ भरोसा नहीं, बल्कि सत्यापन है। तीसरा, स्रोतों और श्रेय को लेकर पारदर्शिता अब आउटपुट की गुणवत्ता का ही हिस्सा है, कोई सजावटी जोड़ नहीं — और इस हफ़्ते की आलोचना ठीक इसी जगह पर केंद्रित थी।
Origami में हम इसे कैसे बनाते हैं
हम एक टेक्नोलॉजी कंपनी हैं, और AI पर हमारा काम इसी प्रश्न से शुरू होता है: आउटपुट को कहाँ स्वचालित रूप से सत्यापित किया जा सकता है और कहाँ नहीं? हम सिस्टम इस तरह डिज़ाइन करते हैं कि मॉडल स्पष्ट सीमाओं के भीतर काम करे, उसके आउटपुट आपके अपने सिस्टम के भीतर वैलिडेशन नियमों और सत्य के स्रोतों से होकर गुज़रें, और हर चरण का रिकॉर्ड रहे। लक्ष्य एक ज़्यादा समझदार मॉडल नहीं है — बल्कि एक ऐसी प्रक्रिया है जिस पर आप भरोसा कर सकें, क्योंकि आप उसकी जाँच कर सकते हैं।
स्रोत
- OpenAI की आधिकारिक घोषणा: openai.com
- The Next Web की रिपोर्ट, जिसमें नॉन-सोफ़िक ग्रुप का विवरण भी है: thenextweb.com
- नतीजों और प्रकाशित प्रमाणों पर SiliconANGLE: siliconangle.com
- सऊदी डेटा एवं आर्टिफ़िशियल इंटेलिजेंस प्राधिकरण (SDAIA) — व्यक्तिगत डेटा संरक्षण क़ानून (PDPL): sdaia.gov.sa
सामान्य प्रश्न
OpenAI ने Astra मॉडल के बारे में ठीक-ठीक क्या घोषणा की?
1 अगस्त 2026 को उसने घोषणा की कि उसके अगले मॉडल Astra के एक आंतरिक संस्करण ने गणित और सैद्धांतिक कंप्यूटर विज्ञान की दस खुली समस्याओं पर नए नतीजे दिए हैं। इन्हें 249 पन्नों की एक पांडुलिपि और GitHub पर मशीन से जाँचे जा सकने वाले Lean 4 प्रमाण-प्रमाणपत्रों के साथ प्रकाशित किया गया, और कुल कंप्यूट लागत लगभग 2,000 डॉलर रही।
क्या ये नतीजे वैज्ञानिक रूप से पुष्ट हैं?
प्रकाशित प्रमाण Lean चेकर से अपने-आप पास हो जाते हैं, लेकिन इनमें से कोई भी अभी तक स्वतंत्र पीयर रिव्यू से नहीं गुज़रा है, और कुछ नतीजों की आलोचना इस बात के लिए हुई कि उनमें पिछले काम का श्रेय नहीं दिया गया। स्वचालित सत्यापन यह गारंटी देता है कि तार्किक चरण सही हैं; यह गारंटी नहीं देता कि औपचारिक कथन मूल प्रश्न से मेल खाता है या पिछले साहित्य को श्रेय दिया गया है।
इस ख़बर का मेरी कंपनी से क्या संबंध है?
प्रासंगिक बात सिद्धांत है, गणित नहीं। AI का जो आउटपुट अपने-आप जाँचा जा सकता है — टेस्ट पास करने वाला कोड, संतुलित होने वाली जर्नल एंट्री, प्लेटफ़ॉर्म द्वारा स्वीकार किया गया इनवॉइस — उसे ऊँचे भरोसे के साथ स्वचालित किया जा सकता है। जिस आउटपुट का कोई स्वचालित टेस्ट नहीं है, उसे मानवीय समीक्षा और स्पष्ट सीमाओं की ज़रूरत होती है।
मैं अपने सिस्टम के लिए स्वचालित सत्यापन की परत बनाना कैसे शुरू करूँ?
हर प्रक्रिया के लिए एक प्रश्न से शुरुआत करें: कौन-सा टेस्ट बिना किसी इंसान के पढ़े यह साबित करता है कि आउटपुट सही है? फिर उसे डेटाबेस स्तर के वैलिडेशन नियमों, दस्तावेज़ों के बीच स्वचालित मिलान, मॉडल के आउटपुट का सत्य के एकल स्रोत से मिलान, और यह दिखाने वाले ऑडिट ट्रेल के ज़रिए लागू करें कि किसने क्या और कब बनाया।
