- AI सीखने की कर्व में शुरुआती और intermediate स्तर के लोगों के लिए entry barrier कम करने का काम करती है, और हर व्यक्ति के स्तर के अनुसार customized support देना संभव बनाती है
- expert स्तर की mastery तक पहुँचना अब भी कठिन है, और गहरे विषयों या विवादित क्षेत्रों में AI की सीमाएँ मौजूद हैं
- अगर AI को सिर्फ जवाब देने वाले टूल की तरह इस्तेमाल किया जाए, तो वास्तविक विकास के बिना AI की सीमाओं पर ही रुक जाने का दुष्प्रभाव हो सकता है
- coding, creative work, और रोज़मर्रा के app उपयोग जैसे अलग-अलग क्षेत्रों में AI का असर अलग तरह से दिखता है, और खासकर जहाँ नए ideas और innovation महत्वपूर्ण हैं, वहाँ AI का प्रभाव सीमित है
- AI ने बदलाव की न्यूनतम आधाररेखा को ऊपर उठाया है, लेकिन हर क्षेत्र में बड़े बदलाव नहीं किए हैं; इसकी उपयोगिता व्यक्ति की ज़रूरत और संदर्भ के अनुसार अलग-अलग आँकी जाती है
सारांश: AI ने learning curve को कैसे बदला
- AI आने से पहले, हर learning material किसी खास target audience को ध्यान में रखकर बनाया जाता था, इसलिए सीखने वाले की background knowledge को ठीक से reflect न कर पाने की सीमा मौजूद थी
- उदाहरण के लिए, परिचित क्षेत्र से नए विषय तक जुड़कर सीखना, ज़रूरी prerequisite knowledge के अस्तित्व का भी पता न होना, या intermediate चरण में उपयुक्त सामग्री न मिलना जैसी समस्याएँ आम थीं
- पहले तकनीकी कौशल सीखने की प्रक्रिया में customized support पाना मुश्किल था
- AI, हर learner के समझ के स्तर के अनुसार सीधे सवालों का जवाब देती है या दोहराए जाने वाले काम अपने ऊपर ले लेती है, जिससे learning curve बदल जाती है
- AI-आधारित learning experience के कारण अब किसी भी स्तर पर AI एक शुरुआती बिंदु बन जाती है, और floor (न्यूनतम स्तर) स्वयं ऊपर उठने जैसा बदलाव होता है
master स्तर की सीमाएँ
- अलग-अलग क्षेत्रों के experts, AI की उपयोगिता को लेकर आलोचनात्मक दृष्टिकोण रखते हैं
- AI द्वारा दी गई जानकारी लोकप्रिय और बुनियादी विषयों में ताकत दिखाती है, लेकिन गहन·विशेषज्ञ ज्ञान या विवादित विषयों पर इसकी सीमाएँ बड़ी हैं
- AI का training data जितना अधिक generalized content रखता है, उतने मजबूत परिणाम देता है, लेकिन कठिन और उन्नत ज्ञान के मामलों में training data की कमी या परस्पर विरोधी जानकारी अधिक होने से सटीक और गहराई वाले उत्तर देना कठिन होता है
AI learning के दुष्प्रभाव: cheating
- OpenAI Study Mode जैसी सिर्फ सीधे सही उत्तर माँगने वाली सुविधाएँ, उपयोगकर्ता के learning plateau को और गहरा कर सकती हैं
- जो उपयोगकर्ता AI के उत्तर को केवल एक साधन की तरह लेते हैं, वे उससे आगे बढ़ नहीं पाते
- लंबे समय में यह तरीका दीर्घकालिक विकास के लिए प्रतिकूल है
बदली हुई learning curve का वास्तविक प्रभाव
- तकनीकी बदलाव पूरे ecosystem में परिवर्तन लाते हैं
- AI का प्रभाव इस बात पर निर्भर करता है कि किसी product या outcome के लिए कितनी ऊँची mastery (दक्षता) चाहिए
-
software development: managers के लिए अवसर, बड़े codebase में सीमित
- engineering managers के पास सिद्धांत और quality judgement तो होते हैं, लेकिन किसी खास framework के अनुभव की कमी से application बनाना कठिन होता था
- AI tools की वजह से बुनियाद से तेज़ी से सीखना और मौजूदा अनुभव का उपयोग कर काम करने वाला app जल्दी पूरा करना जैसे मामले बढ़े हैं
- दूसरी ओर, बड़े और जटिल codebase में AI की मदद की सीमा साफ़ दिखती है
- मौजूदा system के context या उसकी विशिष्ट requirements की समझ कम होने से, वास्तविक काम में यह बहुत मददगार नहीं बनती
-
creative क्षेत्र: कड़ी प्रतिस्पर्धा के कारण प्रभाव सीमित
- creative क्षेत्रों में प्रतिस्पर्धा बहुत तीव्र है, और नई मौलिकता महत्वपूर्ण है
- AI से image आसानी से बनाई जा सकती है, लेकिन सच्ची रचनात्मक सफलता की कुंजी 'नयापन' जैसी entry barrier को यह कम नहीं करती
- इंसान derived या imitation चीज़ों को जल्दी पहचान लेते हैं, इसलिए थोड़े समय के trend के बाद रुचि जल्दी ठंडी पड़ जाती है
- Studio Ghibli शैली के avatar trend जैसे एकबारगी उदाहरण ज़रूर हैं, लेकिन सांस्कृतिक स्थिति या जनप्रियता के स्तर पर AI का प्रभाव बहुत मामूली है
-
मौजूदा app क्षेत्र: प्रभाव न्यूनतम
- email, food ordering आदि के लिए पहले से ही specialized apps अच्छी तरह स्थापित हैं
- AI-आधारित summary सुविधा होने पर भी, spam sorting पहले से automated है, और महत्वपूर्ण mail को सीधे देखना अधिक भरोसेमंद है
- food ordering जैसी चीज़ों में भी पहले से बहुत सोच-समझकर डिज़ाइन किया गया UX मौजूद है, इसलिए AI के लिए इसे और प्रभावी ढंग से बदलना कठिन है
AI अपनाने में अंतर और भविष्य
- AI ने knowledge work की न्यूनतम आधाररेखा को ऊपर उठाया है, लेकिन इसका असर हर व्यक्ति पर एक जैसा नहीं है
- व्यक्ति के कौशल स्तर, भूमिका और वातावरण के अनुसार AI के वास्तविक प्रभाव में बड़ा अंतर मौजूद है
- कुछ लोग AI के ज़रिए innovation का अनुभव करते हैं, जबकि दूसरे या तो कोई विशेष असर महसूस नहीं करते, या उल्टा संकट और भ्रम महसूस करते हैं
- AI अभी हर तरीके और हर क्षेत्र में 'अप्रतिस्थाप्य' नहीं है, लेकिन यह प्रयोग करने लायक क्षमता वाली एक शक्तिशाली तकनीक है
- अगर व्यक्तिगत रूप से AI अर्थहीन लगती है, तो आपकी स्थिति में शायद वास्तविक बदलाव बहुत बड़ा नहीं है
2 टिप्पणियां
Hacker News राय
यह ज़ोर दिया गया है कि ब्लॉग पोस्ट में कई चार्ट होने की वजह से वह वस्तुनिष्ठ और सख्त लगती है, लेकिन असल में उसमें सिर्फ़ अंदाज़े और अटकलें हैं। हाल की अनुभवजन्य रिसर्च तो उल्टा यह दिखाती हैं कि AI असमानता को और बढ़ा सकता है। संबंधित सामग्री The Economist के ग्राफ़ और लेख में देखी जा सकती है
मुझे तो यह स्वाभाविक लगता है कि AI असमानता को गहरा करेगा। AI उस सीढ़ी के निचले पायदानों को automate कर देता है, जिनसे लोग अनुभव जुटाकर ऊपर बढ़ते हैं, इसलिए जो लोग भविष्य के विशेषज्ञ बन सकते थे उन्हें footing नहीं मिलती; जबकि जो पहले से शीर्ष पर हैं, वे इसमें निवेश करके उसी सीढ़ी पर और तेज़ी से चढ़ते हैं
ग्राफ़ बहुत बड़े assumptions पर टिका है, और ऐसा लगता है कि उसका आधार सिर्फ़ AI कट्टर समर्थकों के दिमाग़ में ही मौजूद है। ख़ासकर 'side project' वाली बात काफ़ी धुंधली है; मुझे नहीं लगता कि AI शुरुआती लोगों के input से 'काफ़ी ठीक-ठाक' नतीजे निकालने में इतना सक्षम है
मैं लेख के सार से कुछ हद तक सहमत हूँ। वह लैब कोट पहने वैज्ञानिक जैसी छवि बनाता है, लेकिन असल में सिर्फ़ यह दिखाता है कि वे दुनिया को किस नज़र से देखते हैं। फिर भी, अगर ग्राफ़ में साफ़ लिखा जाए कि यह 'hypothesis' है, या axis के अंत में लहरदार रेखा जैसी visual शैली अपनाई जाए, तो संचार के साधन के रूप में उसकी क़ीमत हो सकती है। यह मान लेना भी पक्का नहीं है कि curve कहीं flatten होगी यानी skill stagnation आएगा। मुझे लगता है कि लेखक ने economists के लिंक की तुलना में ज़्यादा ईमानदारी से लिखा है। आदर्श रूप में लोग अपनी राय खुलकर रखें, और अगर data हो तो hypothesis validation भी दिखाएँ
ग्राफ़ में 4 ऐसी studies का ज़िक्र है जो असमानता बढ़ने की बात करती हैं, और 6 ऐसी studies का जो असमानता घटने की बात करती हैं
एक रिटायर्ड गणितज्ञ के नज़रिए से, मैं 2025 में AI में गहराई से दिलचस्पी लेने लगा हूँ और Claude Max प्लान लेकर बिना सीमा के Claude Code Opus 4 इस्तेमाल कर रहा हूँ। parallel sessions में बहुत बड़े legacy codebase की review करते समय कभी-कभी usage limit तक पहुँच जाता हूँ। कुछ समय तक मैंने AI पर किसी भी तरह की चर्चा से दूरी बनाई थी, लेकिन हाल में HN पर दिलचस्प बहसें देखकर फिर रुचि जगी। मेरी राय में neurodivergent लोग AI के इस्तेमाल में ज़्यादा सफल होते हैं, क्योंकि AI एक विशाल associative engine की तरह काम करता है। मेरा specialization linear algebra में है, इसलिए AI की associative structure और मेरी सोच की शैली अच्छी तरह मेल खाती है। आख़िरकार मुझे लगता है कि AI फ़र्श नहीं, छत को ऊपर उठाता है
यह Andrew Ng की हाल की AI startup presentation जैसी ही एक insight है। आजकल वे founders को नई सलाह दे रहे हैं: pivot करते समय prototype को फेंक दो और शुरू से नया बनाओ। यह मूल लेख की बात से भी जुड़ता है। prototype development में अधिकतम 10x तक सुधार दिखता है, जबकि मौजूदा codebase में सिर्फ़ 30~50% के आसपास सुधार होता है। यह बदलाव पुराने VM से containers की ओर जाने के समय की 'pets vs cattle' उपमा जैसा है। शायद हम ऐसे दौर में हैं जहाँ codebase को प्यार से पालने वाले 'pets' की तरह नहीं, बल्कि कुशलता से संभाले जाने वाले 'cattle' की तरह देखना होगा। संबंधित वीडियो में 10:30 के आसपास यह बात देखी जा सकती है
मेरी नज़र में 'pets vs cattle' वाली उपमा code पर इतना फ़ोकस करती है कि यह भूल जाती है कि असली value developer के दिमाग़ में होती है। AI code management में मदद कर सकता है, लेकिन सच्ची value developer की understanding और mental model में होती है
अच्छी बात है, लेकिन मैंने 'livestock' से ज़्यादा 'cattle' शब्द ही सुना है। सोच रहा हूँ कि क्या यह भौगोलिक फ़र्क़ है
इस उपमा का ज़िक्र करने के लिए धन्यवाद। आगे चलकर शायद हमें generative code को बड़े cloud infrastructure की तरह संभालना पड़ेगा। कई साल पुराने legacy code पर यह कम लागू हो सकता है। क्या आपने इस insight पर कभी ब्लॉग लिखा है? मैं stillpointlab.com और @stillpointlab Twitter अकाउंट देखकर कुछ ढूँढ रहा था, लेकिन ज़्यादा सामग्री नहीं मिली
'pets vs cattle' वाली उपमा 'craftsman vs जो जैसे-तैसे बना दे' वाली बहस से काफ़ी बेहतर बैठती है। LLM इस्तेमाल करने से आउटपुट की value कम नहीं होती; यह बस code के प्रति भावनात्मक लगाव से हटकर एक व्यावहारिक नज़रिए की ओर बदलाव है
LLM से अभी भी काफ़ी काम नहीं हो सकते। उदाहरण के लिए, अगर उसके साथ chess खेलो तो 5~10 चालों के बाद वह illegal moves चलने लगता है, और सबसे अच्छे मामले में भी लगभग 18 चालें ही उसकी सीमा रहीं। वह सामने वाले की ग़लत चाल भी नहीं सुधारता, इसलिए ग़लत सीखने का ख़तरा रहता है। आख़िरकार, वह सचमुच जटिल समस्या को model नहीं कर पाता, इसलिए यह पहचानना बहुत महत्वपूर्ण है कि user को क्या पूछना चाहिए। LLM तुम्हें knight कैसे चलता है या कोई मशहूर opening क्या है, यह बता सकता है, लेकिन पूरी chess notation को सही-सही follow करना या मौजूदा board position से best move बताना उसके बस की बात नहीं है। बहुत से users को यह अंदाज़ा ही नहीं होता कि जवाब कितने ग़लत हो सकते हैं, और वे उसके आत्मविश्वास भरे उत्तरों पर भरोसा कर लेते हैं। ऊपर से सब मज़बूत लगता है, लेकिन असल में यह छिपी हुई दरारों वाले glacier पर चलने जैसा है
मुझे नहीं लगता कि LLM का chess में कमज़ोर होना कोई बड़ी समस्या है। chess के लिए खास models काफ़ी अच्छे ELO स्तर पर legal moves ही चलने के लिए बनाए जा सकते हैं। post-training chess क्षमता को नुकसान पहुँचा सकती है, और OpenAI जैसी जगहें शायद इस पर ज़्यादा ध्यान नहीं देतीं। LLM से भी chess अच्छा खेला जा सकता है। संबंधित पेपर और evaluation उदाहरण देखें
मैं भी अक्सर अपने आसपास PhD या डॉक्टर जैसे विशेषज्ञों को देखता हूँ जो यह कल्पना भी नहीं करते कि LLM ग़लती कर सकता है। शानदार और तार्किक वाक्य, ऊपर से आत्मविश्वास—इन सबकी वजह से शायद एक तरह का 'halo effect' बन जाता है, और लोग उसे पूरा expert समझ बैठते हैं
जब आप LLM को code agent mode में इस्तेमाल करते हैं, तो शुरू में वह ठीक काम करता दिखता है, लेकिन धीरे-धीरे अजीब दिशा में भटकने लगता है, जैसे पूरी तरह असंबंधित code indentation बदलने की कोशिश करना; ऐसे कई अप्रत्याशित व्यवहार मैंने देखे हैं
chess के मामले में यह दिलचस्प है कि specialized AI इंसानों से कहीं बेहतर है, जबकि general-purpose LLM के लिए legal move चलना भी मुश्किल है। AI की ceiling, LLM की ceiling से काफ़ी ऊपर है
'10 चालों से आगे follow करना मुश्किल' वाली बात पर, chess में पुरानी चालों से ज़्यादा अहम मौजूदा board state होती है। LLM अनावश्यक जानकारी छाँटने में कमज़ोर है, इसलिए अगर सिर्फ़ board state दी जाए तो उसकी performance बेहतर होती है। ज़्यादा विस्तार वाली चर्चा देखें
अगर agents सिर्फ़ greenfield projects में अच्छे हैं, तो मौजूदा codebase को भी हर नए feature के लिए ऐसे तैयार करना होगा मानो वह नया greenfield project हो, ताकि intern बस plug लगाकर उसे चला सके। बाक़ी हिस्सों में इंसानी हाथ चाहिए, नहीं तो intern पूरी दीवार ही उखाड़ सकता है
मुझे यह अतिशयोक्ति लगती है। npm के किसी Y project को WebStorm में GitHub से खींचकर Junie से पूछो, तो वह तुरंत जवाब दे सकता है, और जो data structures समझ नहीं आते उन्हें examples के साथ document भी कर देता है। शायद वह तुरंत PR न बना पाए, लेकिन pair programmer की तरह वह पूरी तरह काम आ सकता है। उल्टा, इससे मैं ज़्यादा tests लिखता हूँ और error handling पर भी ज़्यादा ध्यान देता हूँ, इसलिए अंतिम नतीजा बेहतर बनता है
agents कुछ काम बहुत अच्छे से करते हैं और कुछ बिलकुल नहीं। जितना ज़्यादा इस्तेमाल करो, उतना ही समझना मुश्किल हो जाता है कि वे वास्तव में किस चीज़ में बेहतर हैं
मुझे लगता है agents पूरी तरह नए project शुरू करने में उतने अच्छे नहीं हैं, लेकिन छोटे से मध्यम आकार के projects में बहुत अच्छे हैं, और project जितना बड़ा होता जाता है, उनकी efficiency धीरे-धीरे घटती है। पूरी तरह नए project के मामले में वे अक्सर बहुत सारा 'example-level' code बना देते हैं जो असल उपयोग के लायक नहीं होता
एक पंक्ति में कहें तो AI interpolation में अच्छा है, extrapolation में नहीं
मैं मूल लेख की ज़्यादातर बातों से सहमत हूँ, लेकिन "AI जितने स्तर तक दे सकता है, skill improvement वहीं रुक जाती है"—इससे सहमत नहीं हूँ। मेरे अनुभव में AI का अच्छा इस्तेमाल करने के लिए fixed नहीं बल्कि growth mindset चाहिए। मैं AI का manager बनकर role-play करता हूँ और उसके output को लगातार refine करता रहता हूँ। कुछ सीमाएँ ज़रूर हैं, लेकिन बिना वह skill सीधे सीखे भी, समस्या की boundaries पर ध्यान केंद्रित करके मैं नतीजों की quality काफ़ी बढ़ा पाया हूँ। समय के साथ मुझे लगता है कि मैं उस domain का practitioner बने बिना भी उसका बेहतर manager बन रहा हूँ
अगर आपको ख़ुद "कैसे" नहीं पता, तो यह किस आधार पर कहते हैं कि quality काफ़ी सुधरी है? आख़िरकार यह शुरुआती quality के सापेक्ष ही improvement होगा; तो क्या यह सिर्फ़ self-satisfaction नहीं है, और अगर आपको संतोष मिल जाए तो वास्तविक quality बेहतर हो या न हो, उससे फ़र्क़ नहीं पड़ता?
मैं इस तरीके को "cheating" नहीं मानता
learning curve में AI का इस्तेमाल करते हुए भी, peak के आसपास पहुँचने पर शायद AI के बिना सीखना बेहतर हो जाता है। सबसे ऊँची mastery धीरे-धीरे, self-directed learning में समय लगाकर ही आती है
LLM की सबसे बड़ी ताकत यह है कि विज्ञापनों या social media के शोर के बिना, एक समान format में सीधे जवाब मिल जाते हैं। यह reddit, insta या tvtropes पर जवाब ढूँढने के बिल्कुल उलट है। काश जल्दी ऐसा OS आए जो thinking assistant की तरह पूरी तरह focused हो, और बच्चों को content trap में फँसने से बचाने वाला माहौल दे। मुझे यह बहुत पसंद है कि ad hoc UI से परेशान हुए बिना ज़रूरी documents और जानकारी जल्दी मिल जाती है
मुझे AI के जवाब accurate नहीं लगते; कई बार तो वे ख़तरनाक हद तक ग़लत हो सकते हैं। communities में यह पहचानना आसान होता है कि expert कौन है, और आख़िरकार सही जवाब तक पहुँचा जा सकता है, लेकिन AI भी तो वही data इकट्ठा करके बना है, इसलिए ग़लत उत्तर देने का ख़तरा उसमें भी है। और विज्ञापन-मुक्त माहौल भी ज़्यादा दिन नहीं रहेगा। AI कंपनियाँ भारी घाटा उठा रही हैं, इसलिए जल्द ही उनमें ads और social features भर जाएँगे; अभी जो मुफ्त सुविधा दिख रही है, वह बस customers को खींचने की loss-leading strategy है
"accurate" शब्द के subjective होने पर एक तंज
जिस AI क्षेत्र को मैं बेहतर जानता हूँ, वहाँ भी यही रुझान दिखता है। औसत से नीचे का व्यक्ति भी AI की मदद से औसत के क़रीब नतीजा ला सकता है
यह उस दूसरी संक्षिप्त बात से भी मेल खाता है कि LLM का सही फ़ायदा वही उठाता है जिसके पास पहले से ज़्यादा ज्ञान हो
औसत से ऊपर का व्यक्ति भी AI का इस्तेमाल करके साधारण नतीजे दे सकता है। कई कामों में 'काफ़ी अच्छा' का मानदंड असल में बहुत नीचे होता है
तो शायद यहाँ लोग AI के ख़िलाफ़ इसलिए हैं क्योंकि सब औसत से ऊपर हैं—एक मज़ाक
"अगर औसत से नीचे का व्यक्ति AI से औसत स्तर का परिणाम देने लगे," तो कुल औसत भी उतना ही ऊपर उठ जाएगा
शायद इसे ऐसे समेटा जा सकता है: "AI prototyping के लिए अच्छा है, engineering के लिए नहीं।" AI tools तेज़ हैं, लेकिन उनमें breadth और depth की कमी है। वे जल्दी PoC बनाने या किसी हिस्से की समस्या सुलझाने में उपयोगी हैं, लेकिन पूरे context और गहराई में कमज़ोर हैं; जबकि असली engineering में implementation से कहीं ज़्यादा चीज़ें चाहिए होती हैं—context, exceptions, failure modes, deep understanding वगैरह। कोई बहुत अच्छा programmer हो सकता है, फिर भी engineer न हो; और सबसे अच्छा leetcoder भी टीम के लिए व्यावहारिक रूप से उपयोगी न निकले। असली mastery तक पहुँचने के लिए अनुभव चाहिए, और उसमें वे सूक्ष्म, non-intuitive बातें भी शामिल हैं। ऐसा दौर नहीं आने वाला जहाँ manager एक बटन दबाकर product को engineer कर दे। मौजूदा AI code generators भी इस भ्रम से शुरू हुए कि यह 'managers के लिए automation' है, जबकि मुझे लगता है कि working engineers की व्याख्या के आधार पर चलने वाले tools ज़्यादा बेहतर हैं। Dijkstra की "प्राकृतिक भाषा में programming करने की मूर्खता" पर टिप्पणी आज भी प्रासंगिक लगती है। संबंधित मूल लेख
Meta में तो ऐसे बढ़ा-चढ़ाकर बातें कर रहे हैं जैसे superintelligence लगभग आ ही गई हो lol