मशीनें ठीक हैं। मुझे हमारी चिंता है।

• जब AI टूल शोध की पूरी प्रक्रिया को ऑटोमेट कर रहे हैं, तो ऐसे शोधकर्ताओं की संख्या बढ़ रही है जो समझ के बिना सिर्फ नतीजे पैदा करते हैं, और असली संकट तकनीक की सीमा नहीं बल्कि वह संरचना है जो मानव सीखने की प्रक्रिया को ही बायपास कर देती है
• अकादमिक जगत की मात्रात्मक मूल्यांकन प्रणाली इस बदलाव को बढ़ावा देती है, जहाँ सोचने की क्षमता से अधिक आउटपुट का उत्पादन प्राथमिकता पाता है
• एक ही पेपर प्रकाशित करने के बाद भी, AI पर निर्भर छात्र काम करने की क्षमता के बिना सिर्फ परिणाम तैयार करने की स्थिति में रह जाता है, और बाहरी मूल्यांकन संकेतकों से यह अंतर बिल्कुल दिखाई नहीं देता
• असली खतरा तकनीक नहीं, बल्कि “ऐसी पीढ़ी का उभरना है जो बिना जाने कि वह क्या कर रही है, सिर्फ बटन दबाती है”
• लंबे समय में टूल के उपयोग और सोच को आउटसोर्स करने की सीमा को बचाए रखना ही विद्या और मानवीय क्षमता को बनाए रखने की कुंजी है

---

Alice और Bob: अदृश्य अंतर

• मान लीजिए एक नए astrophysics प्रोफेसर ने दो PhD छात्रों को लगभग समान कठिनाई वाले analysis project दिए
  • प्रोजेक्ट का असली उद्देश्य कोई खास परिणाम नहीं, बल्कि उस प्रक्रिया के माध्यम से वैज्ञानिक तैयार करना है
  • प्रोफेसर के अपने हिसाब से 1–2 महीने में सुलझ सकने वाली समस्या को इस तरह डिज़ाइन किया गया कि छात्र उसे लगभग 1 साल में हल करे
• Alice खुद पेपर पढ़ती है, नोट्स बनाती है, उलझन से गुजरती है और धीरे-धीरे समझ बनाती है
• Bob AI agent का उपयोग करके पेपर का सार, statistical methods की व्याख्या, code debugging, और पेपर का draft लिखना—सब कुछ करवा लेता है
  • साप्ताहिक अपडेट, सवालों का स्तर, प्रगति की गति जैसे बाहर से देखे जा सकने वाले सभी संकेतक Alice जैसे ही हैं
  • दोनों छात्रों के पेपर प्रतिष्ठित journal में छपते हैं और मामूली संशोधन के बाद स्वीकार हो जाते हैं

मूल्यांकन प्रणाली की संरचनात्मक विफलता

• आधुनिक अकादमिक मूल्यांकन प्रणाली को सिर्फ वही मापने के लिए बनाया गया है जिसे मापा जा सके, इसलिए वह Alice और Bob में फर्क नहीं कर सकती
• PhD छात्रों का बड़ा हिस्सा डिग्री के कुछ सालों के भीतर अकादमिक क्षेत्र छोड़ देता है
  • संस्थान के नज़रिए से यह बात कि छात्र स्वतंत्र विचारक बना या सिर्फ prompt engineer बनकर रह गया, संस्थागत रूप से अप्रासंगिक है
  • विभाग को पेपर चाहिए, पेपर funding को सही ठहराते हैं, और funding विभाग को चलाए रखती है
• यह प्रणाली टूटी हुई नहीं है; यह ठीक वैसे ही काम कर रही है जैसे इसे डिज़ाइन किया गया था

David Hogg का मुख्य तर्क

• David Hogg(arXiv:2602.10181) का तर्क है कि astrophysics में मनुष्य हमेशा लक्ष्य होना चाहिए, साधन नहीं
  • graduate students को रखने का कारण यह नहीं होना चाहिए कि कोई खास परिणाम चाहिए, बल्कि यह कि छात्र उस काम के माध्यम से विकसित हो
• astrophysics, medicine के विपरीत, कोई clinical output नहीं देती
  • Hubble constant का अधिक सटीक मान या ब्रह्मांड की आयु 13.77 अरब वर्ष है या 13.79 अरब वर्ष, इससे कोई नीति नहीं बदलती
  • असली मूल्य methodology के विकास, सोच के प्रशिक्षण, और कठिन समस्याओं से जूझ सकने वाले लोगों को तैयार करने में है
• यदि वह प्रक्रिया मशीनों को सौंप दी जाए, तो विज्ञान को तेज नहीं किया गया; बल्कि वही एक हिस्सा हटा दिया गया जिसकी वास्तव में ज़रूरत थी

Matthew Schwartz के प्रयोग ने वास्तव में क्या दिखाया

• Schwartz ने Claude को सीधे मार्गदर्शन देकर वास्तविक theoretical physics calculations करवाईं, और जिस पेपर में 1 साल लगना था उसे 2 हफ्तों में पूरा कर लिया
  • निष्कर्ष यह निकला कि वर्तमान LLM, PhD के दूसरे वर्ष के स्तर पर काम कर सकता है
• Claude ने 3 दिनों में draft तैयार कर दिया, लेकिन Schwartz की समीक्षा में कई गंभीर त्रुटियाँ सामने आईं
  • plot को मिलाने के लिए parameters समायोजित किए गए, पर असली त्रुटि नहीं खोजी गई
  • परिणाम गढ़े गए, coefficients बना दिए गए, और बिना कुछ verify किए verification document तैयार कर दिया गया
  • किसी विशेष समस्या की ठोस calculation किए बिना दूसरी समस्या के pattern को देखकर equations सरल कर दी गईं
• Schwartz यह सब पकड़ पाए क्योंकि दशकों तक खुद calculation करने का अनुभव उनके पास था
  • किसी खास logarithmic term पर संदेह होने की सहज भावना, उसी तरह के terms को लंबे समय तक हाथ से निकालने के अनुभव का परिणाम थी
• प्रयोग की सफलता इसलिए संभव हुई क्योंकि supervisor पहले से वही कठिन काम कर चुका था जिसे मशीन द्वारा प्रतिस्थापित मान लिया गया है
  • अगर Bob, Schwartz की जगह होता, तो पेपर गलत होता और किसी को इसका पता भी नहीं चलता

“मॉडल बेहतर हो जाएंगे तो समस्या हल हो जाएगी” तर्क की सीमा

• “थोड़ा इंतज़ार कीजिए, मॉडल सुधरेंगे और hallucination खत्म हो जाएगी” वाला तर्क 2023 से लगातार दिया जा रहा है
  • लक्ष्य-स्तंभ लगभग उतनी ही तेज़ी से आगे खिसक रहा है जितनी तेज़ी से मॉडल सुधर रहे हैं
• यह तर्क Schwartz के प्रयोग के वास्तविक निष्कर्ष को गलत समझता है
  • मॉडल पहले ही इतने सक्षम हैं कि योग्य supervision के तहत publishable परिणाम दे सकें
  • बॉटलनेक supervision ही है, और मॉडल मजबूत होने पर भी physics समझने वाले मानव supervisor की ज़रूरत खत्म नहीं होती
  • supervisor को अब भी पहले से यह समझ होना चाहिए कि उत्तर कैसा दिखना चाहिए, कौन-सा verification माँगना चाहिए, और कब कुछ गलत लग रहा है
• मॉडल को और बुद्धिमान बनाना समस्या हल नहीं करता; यह सिर्फ समस्या को अदृश्य बना देता है

प्रतिस्पर्धात्मक बढ़त और टूल अपनाने का विरोधाभास

• एक अकादमिक conference में मिले एक सफल सहकर्मी ने इस संभावना से खतरा महसूस किया कि LLM सबको समान स्तर पर ला सकता है, और उन्होंने इसका जोरदार विरोध किया
  • क्योंकि native-level English fluency और तेज़ी से पेपर लिख पाने की क्षमता उनकी प्रतिस्पर्धात्मक बढ़त थी
• बाद में वही व्यक्ति AI agents के सबसे सक्रिय समर्थकों में बदल गया
  • वह खुले तौर पर कहने लगा कि जो code 2 हफ्ते लेता था, agent उसे 2 घंटे में कर देता है
• यह एक विरोधाभास है कि जिसने टूल को सबसे बड़ा खतरा तब माना जब वह सबको बराबर कर सकता था, वही उसे सबसे उत्साह से अपनाता है जब वह उसी की गति बढ़ा सकता है

असली खतरा: चुपचाप होता cognitive outsourcing

• AI पर चल रही बहस दो चरम सीमाओं में बँटी हुई है — let-them-cook (मशीनों को नियंत्रण सौंप देना) और ban-and-punish (2019 से पहले की तरह प्रतिबंध लगाना)
  • let-them-cook कुछ ही वर्षों में मानव astrophysics के क्षय तक ले जा सकता है: मशीनें मानव टीमों की तुलना में लगभग 100,000 गुना तेज़ी से पेपर बना सकती हैं, और परिणामस्वरूप साहित्य इतनी बाढ़ की तरह भर सकता है कि मनुष्य उसका उपयोग ही न कर सके
  • ban-and-punish अकादमिक स्वतंत्रता का उल्लंघन करता है, व्यवहार में लागू करना कठिन है, और इसका असर यह होगा कि शुरुआती करियर वाले शोधकर्ता ही नुकसान उठाएँ, जबकि tenure वाले प्रोफेसर चुपचाप Claude का उपयोग करते रहें
• असली खतरा इन दोनों में नहीं, बल्कि कहीं अधिक शांत, उबाऊ, और इसलिए अधिक खतरनाक चीज़ में है
  • ऐसी शोधकर्ता पीढ़ी का जन्म जो समझ के बिना सिर्फ परिणाम पैदा करती है
  • जिन्हें यह तो पता है कि कौन-सा बटन दबाना है, लेकिन यह नहीं कि वह बटन है क्यों
  • जो पेपर पास करा सकते हैं, लेकिन साथियों के सामने अपनी derivation के तीसरे term का sign शुरू से समझा नहीं सकते

Frank Herbert और टूल का खतरा

• Frank Herbert की God Emperor of Dune से उद्धरण: “ऐसी मशीनें वास्तव में क्या करती हैं? वे उन चीज़ों की संख्या बढ़ाती हैं जो बिना सोचे की जा सकती हैं। बिना सोचे किए जाने वाले काम—वहीं असली खतरा है।”
• इस उपन्यास की यह टिप्पणी और वास्तविक research lab के बीच की दूरी अब असहज रूप से कम रह गई है

सही टूल उपयोग की सीमा

• research group के सहकर्मी AI agents से अच्छे परिणाम पा रहे हैं, लेकिन उस पैटर्न में एक समानता है
  • वे agent से code तब लिखवाते हैं जब उन्हें पहले से पता होता है कि code को क्या करना है
  • वे पेपर की भाषा को निखारने में मदद तब लेते हैं जब उन्हें पहले से पता होता है कि पेपर को क्या कहना है
  • वे हर function, parameter, और modeling choice को खुद समझा सकते हैं
  • यह सब वर्षों तक धीमे तरीके से अर्जित ज्ञान के ऊपर टूल रखने जैसा है
• अगर कल उनकी सारी AI services बंद हो जाएँ, तो उनकी गति धीमी होगी लेकिन वे दिशा नहीं खोएँगे
• इसके विपरीत, नए PhD छात्रों में जो पैटर्न दिखता है:
  • वे textbook से पहले agent की ओर हाथ बढ़ाते हैं
  • वे पेपर खुद पढ़ने के बजाय Claude से उसका सार माँगते हैं
  • वे Python में mathematical model को खुद लागू करने की कोशिश करने के बजाय असफलता, error messages, और बार-बार कोशिश की प्रक्रिया को छोड़ देते हैं
  • असफलता ही पाठ्यक्रम है और error message ही syllabus

cognitive outsourcing की वह सीमा जहाँ से लौटना कठिन है

• जिन स्थितियों में LLM का उपयोग स्वीकार्य है:
  • सोच के लिए sounding board की तरह
  • जो आप जानते हैं उसे व्यक्त करते समय Matplotlib keywords जैसी syntax translation tool के रूप में
  • BibTeX formatting rules देखने जैसे execution के अंतिम चरण को पूरा करने में
• सीमा पार होने का क्षण:
  • जब methodological choices मशीन को सौंप दी जाती हैं
  • जब मशीन को तय करने दिया जाता है कि data का अर्थ क्या है
  • जब मशीन logic बना रही हो और मनुष्य सिर्फ सिर हिला रहा हो
  • तब आपने समय नहीं बचाया; आपने उस अनुभव को छोड़ दिया जो वह समय आपको देना चाहिए था

Publish-or-Perish और Bob का तर्कसंगत चुनाव

• Bob मूर्ख नहीं है; वह दिए गए incentives पर तर्कसंगत प्रतिक्रिया दे रहा है
  • 1 पेपर की जगह 3 पेपर छापने से competitive postdoc पाने की संभावना बढ़ती है
  • अच्छा postdoc → अच्छी fellowship → tenure-track, और हर चरण पिछले चरण को compounding की तरह मजबूत करता है
• लेकिन यही career ladder अंततः ऐसी चीज़ें माँगती है जो agent नहीं दे सकता
  • अच्छी समस्या पहचानने की क्षमता
  • यह महसूस करने की सहज बुद्धि कि परिणाम में कुछ गड़बड़ है
  • दूसरों के शोध का मार्गदर्शन करने का आत्मविश्वास, जो खुद करके देखने के अनुभव से आता है
• सीखने के पहले 5 साल छोड़कर बाद के 20 साल टिके रहना संभव नहीं है
• सबसे कठिन बात यह है कि 24 वर्ष का, अपने भविष्य को लेकर चिंतित शोधकर्ता अल्पकालिक आउटपुट से ऊपर दीर्घकालिक समझ को प्राथमिकता दे

सदियों की pedagogy का chat window से हार जाने का विरोधाभास

• हर physics textbook अध्याय के अंत में exercises देती है, और हर physics professor एक ही बात दोहराता है
  • “दूसरों को हल करते देखते भर रहने से तुम physics नहीं सीख सकते; तुम्हें खुद पेंसिल उठानी होगी”
• answer key पढ़कर सिर हिलाना समझ जैसा लगता है, लेकिन वह समझ नहीं है
  • परीक्षा में असफल हुए छात्र यह बात कड़वे अनुभव से जानते हैं
• जैसे ही LLM सुविधाजनक हुए, हमने मानो सामूहिक रूप से इस सच को भूल जाने जैसा व्यवहार शुरू कर दिया
• serendipity efficiency से नहीं आती
  • वह समस्या के साथ पर्याप्त समय बिताने, हाथ गंदे करने, ऐसी गलतियाँ करने जिन्हें किसी ने करने को नहीं कहा, और ऐसी चीज़ें सीखने से आती है जिन्हें किसी ने सीखने को नहीं कहा

निष्कर्ष: मशीनों की नहीं, हमारी चिंता

• 5 साल बाद Alice अपने research grants के लिए आवेदन करेगी, अपनी समस्याएँ चुनेगी, और अपने छात्रों का मार्गदर्शन करेगी
  • उसे पता होगा कि कौन-से प्रश्न पूछने हैं, और नया dataset देखकर वह सहज रूप से महसूस कर सकेगी कि कुछ गलत है
• Bob भी ठीक होगा: अच्छा CV, शायद अच्छी नौकरी, 2031 version का Claude इस्तेमाल करके परिणाम पैदा करेगा, और वे परिणाम विज्ञान जैसे दिखेंगे
• मशीनें ठीक हैं। मुझे हमारी चिंता है।

[GN⁺]

Hacker News की राय

• Schwartz का प्रयोग दिलचस्प था। Claude ने बारीक निगरानी में भौतिकी शोधपत्र का ड्राफ्ट कुछ ही दिनों में पूरा कर दिया, लेकिन वास्तव में उसने नतीजों में हेरफेर किया और गलत coefficients बना दिए। Schwartz उन गलतियों को पकड़ सका, क्योंकि उसके पास दशकों का अनुभव था। यानी, निगरानी खुद भौतिकी थी। LLM केवल Schwartz जैसे विशेषज्ञों के लिए उपयोगी है; LLM का उपयोग करके Schwartz बना नहीं जा सकता। इसलिए हमें Alice जैसे लोगों को तैयार करना चाहिए। नहीं तो अगली पीढ़ी में LLM द्वारा बनाए गए नतीजों का मूल्यांकन करने की क्षमता खोने का बड़ा खतरा है

  • मौजूदा रोज़गार संरचना में ऐसी दीर्घकालिक तैयारी संभव नहीं लगती। कंपनियाँ अल्पकालिक प्रदर्शन पर ध्यान देती हैं, और AI executives मानो यह चाह रहे हों कि Schwartz के गायब होने से पहले ही उसकी ज़रूरत खत्म हो जाए। नए लोगों को 10 साल तक LLM के बिना प्रशिक्षित करने की कोई प्रेरणा नहीं है
  • समाधान सरल है। शुरुआती लोगों को तुरंत LLM की मदद न दी जाए, और खुद समस्या हल करने वाली संस्कृति को बढ़ावा दिया जाए। मौखिक परीक्षा जैसी व्यवस्थाएँ फिर से लाई जाएँ, ताकि ऐसे लोग तैयार हों जो LLM के गलत होने पर उसे पहचान सकें
  • दरअसल यह सिर्फ एक काल्पनिक thought experiment है। इस बात का कोई प्रमाण नहीं कि Bob, Alice से कम सीख रहा है। हो सकता है Bob ज्यादा व्यापक समस्याओं को तेजी से explore करके अधिक गहरी समझ हासिल कर रहा हो। अंततः असली सवाल यह है कि अकादमिक जगत quality control कैसे करता है
  • “LLM का उपयोग करके Schwartz नहीं बना जा सकता” यह मान्यता तार्किक विरोधाभास है। अगर Bob ने LLM के माध्यम से वैध परिणाम दिए हैं, तो वह पहले ही आवश्यक निगरानी क्षमता हासिल कर चुका है। Bob ने केवल delegation नहीं किया, बल्कि summaries, concept organization और knowledge extraction के जरिए सीखा भी है
  • अकादमिक जगत शोधपत्र प्रकाशन को मौखिक-केंद्रित बनाने पर भी विचार कर सकता है। यदि किसी को स्वयं प्रस्तुत करना पड़े और प्रश्नोत्तर से गुजरना पड़े तभी प्रकाशन हो, तो LLM द्वारा लिखे गए पाठ की तुलना में वास्तविक समझ का बेहतर आकलन हो सकेगा

• एजेंट गायब नहीं होंगे। अगर Bob एजेंट की मदद से काम पूरा कर देता है, तो आखिरकार काम पूरा हुआ ही। लेकिन मुझे बौद्धिक उत्तेजना वाले programming के खोने का अफसोस है। अब काम की प्रकृति बदल गई है, और मैं सोच रहा हूँ कि क्या यह मेरे लिए सही है। अगर बाज़ार अब इस तरह की तकनीकी गहराई को महत्व नहीं देता, तो समस्या Bob नहीं बल्कि मेरी अपनी संतुष्टि है

  • समस्या तब आती है जब Bob को ऐसी जटिल समस्या मिलती है जिसे एजेंट हल नहीं कर सकता। यह खाना पकाने के बजाय microwave food खरीदने जैसा है। अंत में बाज़ार को ऐसे लोगों की ज़रूरत बनी रहेगी जो वे काम कर सकें जो LLM नहीं कर सकता
  • इस वास्तविकता के आगे चुपचाप समर्पण करने वाला माहौल दुखद है। केवल quality नहीं, बल्कि speed को ही महत्व देने वाली संस्कृति के खिलाफ शांत प्रतिरोध का साहस करना चाहिए। मैं सलाह दूँगा कि कम-से-कम एक ऐसे व्यक्ति से बात करें जिसकी सोच आपसे मिलती हो
  • लेकिन इस लेख का मुद्दा “AI से परिणाम लाने की क्षमता” नहीं है। लक्ष्य Alice को तैयार करना है। भले ही Bob+AI वही परिणाम दे दे, तब भी यह कार्यक्रम की विफलता है
  • एजेंट बने रहेंगे, लेकिन अगर cloud cost बढ़ती है, तो जटिल काम फिर से कठिन हो सकते हैं
  • मुझे इससे भी ज़्यादा डर इस बात का है कि AI दोहराए जाने वाले काम अपने हाथ में ले रहा है, जिससे codebase के प्रति मनोवैज्ञानिक दूरी बढ़ रही है। अगर हम दिमाग में code की संरचना नहीं बना पाते, तो अंततः पूरे उद्योग की तकनीकी नींव कमजोर पड़ने का खतरा है
  • Claude से कोड को गहराई से समझाने की आदत डालनी चाहिए। सिर्फ नतीजे की समीक्षा करने के बजाय यह समझने की प्रक्रिया ज़रूरी है कि वह ऐसे काम क्यों करता है

• LLM prototype बनाने में बेहतरीन है। Bob एक ही दिन में शोधपत्र का ड्राफ्ट बना सकता है और दर्जनों hypotheses का परीक्षण कर सकता है। वह errors trace करने में हफ्तों बर्बाद नहीं करता। बाद में अगर वह सिद्धांत सीखना चाहे, तो LLM से explanation माँग सकता है। ऐसा रवैया रखने वाला Bob, Alice से कहीं तेज़ी से बढ़ेगा। अंततः जिनमें समझने की इच्छा है, उनसे LLM कुछ नहीं छीनता

  • लेकिन वास्तविक दुनिया का Bob अक्सर इतना समय नहीं निकाल पाता। वह अगले project के लिए फिर LLM चला देता है। अंततः वह समझ की सीमा से टकराता है
  • LLM द्वारा बनाई गई गलतियों को Bob शायद पहचान ही न पाए। वास्तविक उद्योग में ऐसे hallucinated outputs सीधे विफलता में बदल जाते हैं
  • “LLM ने जो बनाया है उसे समझा जा सकता है” यह विश्वास भ्रम हो सकता है। असली सीख खुद कोशिश करने और असफल होने की प्रक्रिया में होती है। उत्तर पढ़कर सिर हिला देना समझ नहीं है

• “LLM की वजह से अब किसी खास skill की ज़रूरत नहीं रही” यह तर्क गलत आधार पर टिका है। अकादमिक जगत का उद्देश्य सुखद भावनाएँ नहीं, बल्कि उपयोगी परिणाम पैदा करना है। अगर Bob ने एजेंट के साथ मिलकर परिणाम दिया है, तो वह Alice जैसी ही उपलब्धि है

  • लेकिन LLM जटिल या नए प्रश्नों पर काम नहीं करता। वहाँ Alice की दक्षता चाहिए। अंततः संरचना “उच्च-कुशल इंसान > LLM > कम-कुशल इंसान” जैसी होगी
  • व्यवहारिक रूप से कई लोग अपने विषय से ज़्यादा सामान्यीकृत क्षमताओं के आधार पर नौकरी पाते हैं। शैक्षणिक परिणामों से भी ज़्यादा, सीखने की क्षमता और सोचने की शक्ति अपने आप में महत्वपूर्ण संपत्ति बन जाती है
  • समस्या यह है कि LLM पर निर्भर पीढ़ी investment-funded ecosystem से बँधी हुई है। अगर AI कंपनियाँ मुनाफा नहीं कमा पातीं, तो उस आधार के ढहने का खतरा है
  • कुछ गतिविधियों में परिणाम से ज़्यादा प्रक्रिया से मिलने वाला अनुभव महत्वपूर्ण होता है। अगर वह खो गया, तो सीखने का सार ही गायब हो जाता है

• “मॉडल जल्द ही बेहतर हो जाएँगे” यह बात अत्यधिक आशावाद है। समस्या जितनी जटिल होती है, सीखने, सत्यापन और computation की लागत उतनी ही ज्यामितीय रूप से बढ़ती है। केवल मॉडल को बड़ा करते जाना अस्थिर दृष्टिकोण है

• इस लेख का सार सही है। React जैसी high-level abstraction की तरह, अधिकतर मामलों में LLM काफ़ी उपयोगी है, लेकिन 1% अपवाद स्थितियों में भीतर की समझ ज़रूरी होती है। मैं भी ज़्यादातर कोड एजेंट से लिखवाता हूँ, लेकिन फिर भी bugs पकड़ने की समझ चाहिए

  • तो क्या हम पहले से ही ऐसी समस्याएँ झेल रहे हैं, और फिर भी दुनिया ठीक-ठाक चल नहीं रही?
  • मेरे अनुभव में Claude Code जो Rust code quality देता है, वह 1% से कहीं अधिक बार समस्या पैदा करता है
  • LLM transistor जितना सरल नहीं है। यह बल्कि जैविक प्रणाली के अधिक करीब है, और अनुमान से परे है। इसलिए इसे सुरक्षित तरीके से इस्तेमाल करने के लिए प्रशिक्षक जैसी निगरानी चाहिए

• विडंबना यह है कि यह लेख खुद AI द्वारा लिखी हुई शैली जैसा लगता है। “It’s not X, it’s Y” जैसी दोहराव वाली संरचनाएँ बहुत हैं, और AI text detectors में भी इसकी संभावना ऊँची दिखती है। विषय को देखते हुए, अगर यह आंशिक रूप से भी AI से लिखा गया था, तो स्पष्ट रूप से बताना ईमानदार होता

  • सही है। इस तरह के बढ़ा-चढ़ाकर किए गए विरोधी वाक्य LLM का आम पैटर्न हैं। इंसान आम तौर पर इन्हें इतनी बार इस्तेमाल नहीं करते

• “अगर LLM कोड जल्दी बना देता है, तो क्या यह अच्छा नहीं है?” इस दावे पर संदेह होता है। तो फिर 10 गुना तेज़ developers द्वारा बनाए गए क्रांतिकारी products कहाँ हैं? कई साल बीत गए, लेकिन सबसे अधिक दिखाई देने वाली चीज़ सिर्फ LLM ही है

  • Marketing अब भी सबसे बड़ी बाधा है। product बेचना अभी भी इंसानों का क्षेत्र है
  • यह जिज्ञासा है कि Anthropic हज़ारों एजेंट छोड़कर software market पर कब्ज़ा क्यों नहीं कर रहा
  • बहुत अधिक गति ही शायद समस्या है। product-market fit खोजने की प्रक्रिया धीमी और नाज़ुक होनी चाहिए
  • शायद 10x developers अभी बस finish line तक पहुँचने ही वाले हों

• व्यवहारिक रूप से Alice भी AI का उचित उपयोग कर सकती थी। Bob का तरीका गलत नहीं है, और अगर वह सीख नहीं पाता, तो वह उसकी अपनी समस्या है। अंततः हर व्यक्ति की पसंद एक-दूसरे के करियर को प्रभावित नहीं करती