वोट करें कि Hacker News की AI से जुड़ी किन चुनौतियों को पूरा किया जा चुका है
एक community-built साइट Hacker News की वर्षों पुरानी उन भविष्यवाणियों को संकलित करती है कि AI “कभी नहीं” क्या करेगा, और उपयोगकर्ताओं को वोट करने देती है कि क्या वे चुनौतियाँ अब पूरी हो चुकी हैं, जिससे इस पर तीखी असहमति सामने आती है कि मौजूदा मॉडल वास्तव में कितनी दूर आ चुके हैं। टिप्पणीकार shifting goalposts, one-off demos बनाम reliability, और Turing test, business automation, full-stack app generation, तथा open math problems जैसी अस्पष्ट benchmarks पर बहस करते हैं। इसके पीछे एक व्यापक विभाजन है: कुछ लोग मौजूदा systems को पहले ही transformative मानते हैं, जबकि अन्य तर्क देते हैं कि बार-बार की गलतियाँ, opaque training, और संकीर्ण success criteria के कारण कई बड़े दावे अब भी अप्रमाणित हैं।
“चुनौतियों” का दायरा और अस्पष्टता
- पिछले HN टिप्पणियों से ली गई कई “AI चुनौतियाँ” अस्पष्ट या संयुक्त होती हैं (“X करो और Y मत करो”), जिससे हाँ/ना में वोट करना कठिन हो जाता है।
- “arbitrary”, “business tasks”, “reliably”, “entirely”, “common applications” जैसे अहम qualifiers कठिनाई को बहुत बदल देते हैं।
- कई लोगों का कहना है कि कम-से-कम एक-तिहाई से तीन-चौथाई आइटम वास्तव में जाँचे नहीं जा सकते, या साइट पर गलत ढंग से सारांशित किए गए हैं (जैसे “and” को “or” में बदल देना, या ऐसी चुनौतियाँ जो भविष्यवाणी नहीं बल्कि अवलोकन थीं)।
क्षमताएँ बनाम विश्वसनीयता
- व्यापक सहमति है कि मौजूदा LLMs यह कर सकते हैं:
- बहुत सारा उपयोगी कोड लिखना, कभी-कभी पूरे छोटे ऐप्स या niche tools तक।
- “business-speak” कार्य करना (सारांश, ईमेल, अनुवाद) और बड़े productivity gains वाले जटिल research/data-wrangling workflows।
- सरल प्रणालियों में टैक्स में मदद करना, और मार्गदर्शन मिलने पर आधिकारिक फ़ॉर्म भरना।
- सुसंगत, भले ही महान न हों, किताबें और long-form text generate करना, खासकर planning और tooling के साथ।
- मुख्य असहमति विश्वसनीयता पर है: मॉडल अभी भी hallucinate करते हैं, sources को गलत cite करते हैं, तकनीकी विवरण गलत करते हैं, और high‑stakes या legally binding कार्यों में review या tests के बिना सुरक्षित रूप से भरोसेमंद नहीं हैं।
Turing test और “intelligence”
- कुछ लोगों का तर्क है कि औसत उपयोगकर्ताओं के लिए, छोटे text chats में, frontier models पहले ही Turing test पास कर चुके हैं।
- दूसरे insist करते हैं कि “proper” Turing test लंबा, adversarial, और domain‑expert‑led होना चाहिए; उस मानक पर मौजूदा मॉडल अभी भी स्पष्ट tells दिखाते हैं (cooperation, causal/counterfactual failures, stylistic tics)।
- कई लोग निष्कर्ष निकालते हैं कि मूल Turing test बस बहुत आसान था या वैचारिक रूप से दोषपूर्ण था, खासकर मानव सीमाओं को देखते हुए।
Research, math, और benchmarks
- कई टिप्पणीकार research-level math problems में AI योगदान का उल्लेख करते हैं (जैसे Navier–Stokes, Jacobian-संबंधित काम), लेकिन इस पर बहस करते हैं कि क्या यह “AI ने इसे हल किया” है या “AI-augmented humans”।
- कुछ लोगों को लगता है कि उनके लंबे समय से चले आ रहे “AI will never do X” math benchmarks अब पूरे हो चुके हैं; अन्य provenance और AI contribution की मात्रा को लेकर विवाद नोट करते हैं।
Goalpost shifting और sentiment
- ऐतिहासिक पैटर्न: शुरुआती चुनौतियाँ Turing test / code / simple actions थीं; नई चुनौतियाँ physical control, scientific breakthroughs, या लगभग-शून्य failure rates की माँग करती हैं।
- साल-दर-साल “yes” fractions वाली एक table समय के साथ घटती सहमति दिखाती है, जिसे कुछ लोग goalposts को खिसकाने के रूप में देखते हैं, और कुछ इसे बस कठिन प्रश्न मानते हैं।
- थ्रेड में एक विभाजन दिखता है: एक पक्ष स्पष्ट प्रगति से इनकार को “ostriching” मानता है; दूसरा पक्ष boosters को मौजूदा क्षमताओं को बढ़ा-चढ़ाकर बताने और reliability तथा edge cases को नज़रअंदाज़ करने वाला मानता है।