शिक्षा · लेख
कृत्रिम बुद्धिमत्ता वास्तव में कैसे काम करती है, और यह अब क्यों महत्वपूर्ण है
प्रकाशित:
संक्षेप में
कृत्रिम बुद्धिमत्ता एक सॉफ्टवेयर है जो इसे दिए गए डेटा से अनुमान लगाता है कि भविष्यवाणियों, सामग्री या निर्णयों जैसे आउटपुट कैसे उत्पन्न करें — यह उस तरह "सोचता" नहीं जैसे कोई व्यक्ति सोचता है। आज की अधिकांश AI मशीन लर्निंग पर चलती है, जहां एल्गोरिदम बड़े डेटासेट में पैटर्न ढूंढते हैं बजाय हाथ से लिखे नियमों के अनुसरण के। अपनाना तेजी से बढ़ा है: Stanford के AI Index के अनुसार, 78% संगठनों ने 2024 में AI के उपयोग की रिपोर्ट की, जो एक साल पहले 55% था।
यह संस्करण मूल पाठ (English) का मशीनी अनुवाद है। मूल पाठ पढ़ें
आर्थिक सहयोग और विकास संगठन (OECD), जिसकी सदस्य सरकारें तकनीक पर नीति का समन्वय करती हैं, एक AI सिस्टम को "एक मशीन-आधारित सिस्टम जो स्पष्ट या निहित उद्देश्यों के लिए, जो इनपुट प्राप्त करता है उससे अनुमान लगाता है कि भविष्यवाणियों, सामग्री, सिफारिशों, या निर्णयों जैसे आउटपुट कैसे उत्पन्न करें जो भौतिक या आभासी वातावरण को प्रभावित कर सकते हैं" के रूप में परिभाषित करता है। OECD Council ने 2023 में इस शब्दावली को संशोधित किया ताकि यह तकनीकी रूप से सटीक रहे क्योंकि जनरेटिव AI उपकरण फैल रहे हैं, संगठन की स्वयं की परिभाषा की व्याख्या के अनुसार।
लिखित नियमों से डेटा सीखने तक
पुराने सॉफ्टवेयर ने निर्देशों का पालन किया जो प्रोग्रामर ने पंक्ति दर पंक्ति लिखे: यदि X होता है, तो Y करो। मशीन लर्निंग, आज की अधिकांश AI के पीछे का दृष्टिकोण, इसके बजाय एल्गोरिदम को बड़ी संख्या में उदाहरण देता है और इसे पैटर्न स्वयं समझने देता है, IBM की तकनीकी व्याख्या के अनुसार। एक बार प्रशिक्षित होने के बाद, सिस्टम नई जानकारी को वर्गीकृत कर सकता है, किसी मान की भविष्यवाणी कर सकता है, कुछ असामान्य को चिह्नित कर सकता है, या बिना प्रत्येक मामले के लिए सटीक नियम दिए कार्रवाई की सिफारिश कर सकता है।
OECD एक AI सिस्टम के संचालन को तीन तत्वों में विभाजित करता है। Inputs वह डेटा, कोड या नियम हैं जो विकास या उपयोग के दौरान सिस्टम में फीड किए जाते हैं। Inference वह कदम है जिसमें सिस्टम उन इनपुट से आउटपुट निकालता है, जो मॉडल बनाते समय या इसे तैनात करने के बाद हो सकता है। Outputs वे भविष्यवाणियां, सामग्री, सिफारिशें या निर्णय हैं जो सिस्टम उत्पन्न करता है, जो तब भौतिक या आभासी वातावरण को प्रभावित कर सकते हैं — उदाहरण के लिए, एक कार की स्टीयरिंग, अनुशंसित वीडियो की एक सूची, या पाठ का एक जनरेट किया गया पैराग्राफ।
सिस्टम के अंदर तंत्रिका नेटवर्क क्या करता है
आज की सबसे व्यापक रूप से उपयोग की जाने वाली मशीन लर्निंग विधि तंत्रिका नेटवर्क है, एक संरचना जो ढीले ढंग से मस्तिष्क पर आधारित है, इंटरकनेक्टेड नोड्स की परतों से बनी है जो डेटा को एक साथ संसाधित करती हैं, IBM के अनुसार। एक पारंपरिक प्रोग्राम के विपरीत, तंत्रिका नेटवर्क को इनपुट और आउटपुट को जोड़ने वाला नियम पहले से नहीं बताया जाता है; इसके बजाय इसे इनपुट और आउटपुट के कई जोड़े दिखाए जाते हैं और यह दोहराए गए संपर्क के माध्यम से स्वयं को समायोजित करता है कि उन्हें क्या जोड़ता है।
गहन शिक्षा तंत्रिका नेटवर्क को संदर्भित करती है जिसमें कई परतें होती हैं — आमतौर पर एक इनपुट परत, कम से कम तीन (और अक्सर सैकड़ों) छुपी परतें, और एक आउटपुट परत, IBM की व्याख्या के अनुसार। एक इमेज-रिकग्निशन सिस्टम में, प्रारंभिक परतें किनारों या रंगों जैसी सरल सुविधाओं के प्रति प्रतिक्रिया करती हैं, जबकि गहरी परतें इन्हें आकृतियों में और अंततः पहचाने जाने योग्य वस्तुओं में जोड़ती हैं। यह स्तरित संरचना सिस्टम को स्वचालित रूप से अनलेबल किए गए डेटा से प्रासंगिक सुविधाओं को निकालने देती है, जो वर्तमान जनरेटिव AI उपकरणों को संभव बनाता है।
एक बड़े जनरेटिव AI मॉडल का निर्माण आमतौर पर तीन चरणों में शामिल है, IBM के अनुसार: विशाल, अक्सर अनलेबल किए गए डेटासेट पर एक प्रारंभिक प्रशिक्षण चरण जिसमें हजारों विशेष प्रोसेसर की आवश्यकता हो सकती है और लाखों डॉलर की लागत आ सकती है; एक ट्यूनिंग चरण जिसमें मॉडल को विशिष्ट कार्यों के लिए अनुकूलित किया जाता है, कभी-कभी मानव प्रतिक्रिया का उपयोग करते हुए; और तैनाती के बाद चल रहा मूल्यांकन इसके आउटपुट की जांच और परिष्कृत करने के लिए।
यह क्यों महत्वपूर्ण है: अपनाने और निवेश के आंकड़े
Stanford University के Human-Centered AI Institute 2025 AI Index Report में ट्रैक की गई कई मेट्रिक्स के अनुसार AI की पहुंच तेजी से बढ़ी है। AI का कोई भी उपयोग रिपोर्ट करने वाले संगठनों का हिस्सा 2024 में 78% तक पहुंच गया, एक साल पहले 55% से। जनरेटिव AI विशेष रूप से 2024 में वैश्विक निजी निवेश में $33.9 बिलियन प्राप्त किए, जो 2023 से 18.7% की वृद्धि है। संयुक्त राज्य अमेरिका में, निजी AI निवेश 2024 में $109.1 बिलियन तक पहुंच गया, जो चीन के $9.3 बिलियन और यूनाइटेड किंगडम के $4.5 बिलियन को बहुत हद तक पार करता है, रिपोर्ट में कहा गया है।
रिपोर्ट ने AI बेंचमार्क प्रदर्शन में भी एक उछाल दर्ज किया: 2023 में पेश किए गए तीन परीक्षणों पर जो उन्नत सिस्टम को मापते हैं — MMMU, GPQA और SWE-bench — स्कोर क्रमशः एक वर्ष में 18.8, 48.9 और 67.3 प्रतिशत अंक बढ़े। विनियमित क्षेत्रों में, U.S. Food and Drug Administration द्वारा मंजूर किए गए AI-सक्षम चिकित्सा उपकरणों की संख्या 2015 में छह से बढ़कर 2023 में 223 हो गई, उसी रिपोर्ट के अनुसार।
| माप | 2023 | 2024 |
|---|---|---|
| AI का उपयोग करने वाले संगठन | 55% | 78% |
| जनरेटिव AI निजी निवेश (वैश्विक) | ~$28.6 बिलियन (निहित, 2024 के आंकड़े से 18.7% कम) | $33.9 बिलियन |
| U.S. निजी AI निवेश | इस तुलना में रिपोर्ट नहीं किया गया | $109.1 बिलियन |
प्रतिद्वंद्विता कहां खड़ी है
Stanford रिपोर्ट ने यह भी ट्रैक किया कि कौन से देशों ने 2024 में सबसे प्रमुख AI मॉडल बनाए: U.S.-आधारित संस्थानों ने 40 का उत्पादन किया, चीन से 15 की तुलना में और यूरोप से तीन। एक ही समय में, प्रमुख बेंचमार्क पर शीर्ष U.S. और चीनी मॉडल के बीच प्रदर्शन अंतर 2023 में दोहरे अंकों से 2024 में लगभग समता तक सिकुड़ गया, रिपोर्ट में कहा गया है।
प्रश्न
- कृत्रिम बुद्धिमत्ता की सबसे सरल परिभाषा क्या है?
- OECD के अनुसार, एक AI सिस्टम एक मशीन-आधारित सिस्टम है जो इसे प्राप्त इनपुट से अनुमान लगाता है कि भविष्यवाणियों, सामग्री, सिफारिशों या निर्णयों जैसे आउटपुट कैसे उत्पन्न करें जो भौतिक या आभासी वातावरण को प्रभावित कर सकते हैं।
- क्या AI मशीन लर्निंग के समान है?
- नहीं। AI ऐसे सिस्टम बनाने का व्यापक लक्ष्य है जो बुद्धिमत्ता से जुड़े कार्यों को पूरा करें; मशीन लर्निंग इसे प्राप्त करने का वर्तमान मुख्य तरीका है, जिसमें एल्गोरिदम हाथ से लिखे नियमों के बजाय डेटा से पैटर्न सीखते हैं, IBM की व्याख्या के अनुसार।
- आज कितने संगठन वास्तव में AI का उपयोग करते हैं?
- 78% संगठनों ने 2024 में AI का उपयोग करने की रिपोर्ट की, जो 2023 में 55% से ऊपर है, Stanford University के 2025 AI Index Report के अनुसार।
- विश्व स्तर पर AI में कितना निवेश किया जा रहा है?
- जनरेटिव AI अकेले 2024 में वैश्विक निजी निवेश में $33.9 बिलियन प्राप्त किए, जो 2023 से 18.7% की वृद्धि है; U.S. निजी AI निवेश 2024 में $109.1 बिलियन तक पहुंचा, जो चीन के $9.3 बिलियन और UK के $4.5 बिलियन से बहुत आगे है, Stanford AI Index 2025 रिपोर्ट के अनुसार।
- गहन शिक्षा क्या है?
- गहन शिक्षा तंत्रिका नेटवर्क का उपयोग करके मशीन लर्निंग है जिसमें कई परतें होती हैं — एक इनपुट परत, कम से कम तीन (अक्सर सैकड़ों) छुपी परतें, और एक आउटपुट परत — जो सिस्टम को स्वचालित रूप से डेटा से विशेषताओं को निकालने देती हैं, IBM के अनुसार।
स्रोत
यह लेख कृत्रिम बुद्धिमत्ता से तैयार किया गया और प्रकाशन से पहले स्वचालित स्रोत-जाँच से गुज़रा। कोई गलती दिखे तो सुधार का अनुरोध करें। सुधार या उत्तर का अनुरोध करें · हम कैसे काम करते हैं
संबंधित लेख
शिक्षागाइड
एक प्रभावी रिज्यूमे कैसे लिखें: एक चरण-दर-चरण मार्गदर्शन
एक प्रभावी रिज्यूमे आपके अनुभव और मापने योग्य उपलब्धियों को स्पष्ट रूप से बताता है, नौकरी की पोस्टिंग की भाषा से मेल खाता है, और एक स्वच्छ, ATS-पढ़ने योग्य प्रारूप का उपयोग करता है। Indeed और UK की National Careers Service से कैरियर मार्गदर्शन समान मुख्य चरणों पर सहमत है: सामग्री को अनुकूलित करें, परिणामों के साथ शुरुआत करें, और लेआउट को सरल रखें।
शिक्षागाइड
विश्वविद्यालय का चयन कैसे करें और आवेदन कैसे करें: चरण-दर-चरण गाइड
विश्वविद्यालय का चयन करने का अर्थ है शिक्षा, लागत, स्थान और परिसर की उपयुक्तता पर विचार करना और फिर पहुंच, मेल खाने वाले और सुरक्षा स्कूलों की एक संतुलित सूची बनाना। आवेदन करते समय देश-विशिष्ट प्रणालियों और समय सीमा को पूरा करना पड़ता है, जैसे संयुक्त राज्य अमेरिका में Common App या यूनाइटेड किंगडम में UCAS, साथ ही वित्तीय सहायता के लिए अलग कदम।
शिक्षासमाचार
CBSE ने 2027 कक्षा 10, 12 परीक्षाओं के लिए अक्टूबर की समय सीमा निर्धारित की; डेट शीट अभी लंबित है
अक्टूबर 2026 की शुरुआत में, केंद्रीय माध्यमिक शिक्षा बोर्ड (CBSE) ने 2027 की कक्षा 10 और कक्षा 12 बोर्ड परीक्षाओं के लिए विषय-वार पूर्ण डेट शीट जारी नहीं की है। इसके बजाय, बोर्ड ने पंजीकरण की खिड़कियां खोली हैं: स्कूलों को 21 अक्टूबर 2026 तक अभ्यर्थियों की सूची (LOC) जमा करनी होगी, और निजी अभ्यर्थियों को 23 अक्टूबर 2026 तक आवेदन करना होगा, परीक्षाएं फरवरी और अप्रैल 2027 के बीच अनुमानित रूप से अपेक्षित हैं।
शिक्षागाइड
नई भाषा को प्रभावी तरीके से सीखना: शोध-आधारित तरीके
एक भाषा सीखने का कोई एक आसान तरीका नहीं है, लेकिन अनुप्रयुक्त भाषाविज्ञान अनुसंधान तीन मुख्य कारकों की ओर इशारा करता है जो परिणाम में उल्लेखनीय सुधार लाते हैं: समझने योग्य इनपुट, समय पर फैलाई गई सक्रिय स्मरण अभ्यास, और वास्तविक बोलने का संपर्क। यूएस राजनयिक भाषा-प्रशिक्षण बेंचमार्क दिखाते हैं कि कक्षा के समय की आवश्यकता लगभग 600 से 2,200 घंटे तक होती है, जो इस बात पर निर्भर करता है कि लक्ष्य भाषा सीखने वाले की अपनी भाषा से कितनी अलग है।