एखादी कंपनी जाहीर करू शकते की तिच्या एआयने कठीण समस्या सोडवली आहे; पण जगाला त्यातून काय साधले हे ठरवण्याची संधी मिळण्याआधीच. पुरावा, स्पष्टीकरण, प्रणालीचा प्रवेश किंवा काम तपासण्यासाठी वेळ—यांपैकी काहीही उपलब्ध नसेल. प्रत्येक उणीव कंपनीला वेगळ्या प्रकारचे सामर्थ्य देते.

लपवलेल्या एआय शोधांवरील अलीकडील चर्चेमागचा उपयुक्त प्रश्न हाच आहे. 15 सप्टेंबरच्या निबंधात संगणकशास्त्रज्ञ Scott Aaronson यांनी अशी अफवा नोंदवली की Navier–Stokes घोषणेनंतरच्या प्रतिक्रियेमुळे एआय कंपन्या सैद्धांतिक संगणकशास्त्रातील मोठ्या समस्यांची उत्तरे रोखून धरत आहेत. त्यांनी ती उत्तरे प्रकाशित केली नाहीत. त्यांच्या वृत्तांतावरून त्यांच्यापर्यंत हा दावा पोहोचल्याचे कळते; मात्र अज्ञात निकाल किंवा त्यामागचा कथित हेतू पडताळला जात नाही. Aaronson यांचा निबंध

याहून ठोस घडामोडही आहे. गणित आणि कृत्रिम बुद्धिमत्तेविषयीचा स्वतंत्र सल्लागार गट सांगतो की, OpenAI ने अंतर्गतरीत्या तयार केल्याचे म्हटलेल्या महत्त्वाच्या गणिती निकालांच्या प्रकाशनाबद्दल सल्ला देणे हे त्याचे सध्याचे काम आहे. कंपनीने नोंदवलेल्या कामाभोवती प्रकाशन-समन्वयाची प्रक्रिया असल्याची यावरून पुष्टी होते; प्रकाशनाच्या प्रतीक्षेतील प्रत्येक निकाल प्रमाणित होत नाही. सल्लागार गटाचे निवेदन

वाचकांसाठी, या फरकामुळे आकर्षक शक्यता म्हणजे आधीच सोडवलेल्या समस्यांची काल्पनिक यादी, असा गैरसमज टळतो. विज्ञानासमोर मोठा प्रश्न आहे: शोध खासगी प्रणालींत केंद्रित झाले, तर इतरांकडे किती स्वतंत्रता उरेल?

मोठा बदल

  • काय बदलले: एआयने तयार केलेले आणि प्रकाशित झालेले पुरावा-दस्तऐवज आता कंपनीने नोंदवलेल्या, समन्वयित प्रकाशनाच्या प्रतीक्षेत असलेल्या निकालांसोबत आहेत. इतर लपवलेल्या मोठ्या शोधांबद्दलचे दावे अद्याप पडताळलेले नाहीत.
  • हे का महत्त्वाचे: कोणते शोध दिसतील, तज्ज्ञांना ते कधी तपासता येतील आणि पद्धतींचा पुढे वापर कोण करू शकेल, यावर प्रयोगशाळांचा प्रभाव पडू शकतो.
  • कशाकडे लक्ष द्यावे: प्रकाशनाची व्यवस्था बाहेरील लोकांना उपयोगी पुरावे आणि त्यांना आव्हान देण्याचे स्वातंत्र्य देते का; तसेच संशोधन-प्रश्न निवडणे, निकाल समजून घेणे आणि त्यांचा लाभ वाटून देणे यासाठी आवश्यक मानवी कौशल्य टिकवते का, हे पाहावे.

शोध सार्वजनिक होऊ शकतो; पण ती क्षमता खासगी राहू शकते

OpenAI ची 8 सप्टेंबरची Navier–Stokes घोषणा निवडक खुलेपणाचे उदाहरण देते. कंपनीने लेखी युक्तिवाद आणि औपचारिक पुराव्याच्या फाइल्स प्रसिद्ध केल्या; मात्र हा शोध लावणारी प्रणाली GPT-6 Astra पेक्षा सक्षम असलेले अंतर्गत मॉडेल असल्याचे सांगितले. निकाल प्रसिद्ध करणे आणि तो निर्माण करणाऱ्या प्रणालीचा प्रवेश देणे, हे दोन वेगळे निर्णय आहेत. OpenAI ची घोषणा

गणिती व्याप्तीबाबतही काळजीपूर्वक विचार हवा. घोषित रचनेत गुळगुळीत बाह्य forcing वापरले आहे. Clay संस्थेच्या अधिकृत प्रश्न-विवरणात त्याच्या C आणि D या खंडन-पर्यायांत forcing स्पष्टपणे मान्य आहे; forcing नसतानाच्या जागतिक गुळगुळीतपणाचे पर्याय वेगळा प्रश्न विचारतात. forcing वापरून केलेली वैध रचना पुरस्कारासाठीचा प्रश्न हाताळू शकते; पण forcing नसतानाचा प्रश्न अनुत्तरित राहू शकतो. अधिकृत प्रश्नरचना

11 सप्टेंबरला Clay ने संभाव्य उलगड्याचे स्वागत केले; त्याचवेळी मूल्यमापन आणि श्रेय देण्याची प्रक्रिया घाई न करता चालेल असे स्पष्ट केले. हे निवेदन घोषणेवरील संस्थात्मक प्रतिसाद होते, पुरस्कार जाहीर करणे नव्हे. Clay चा प्रतिसाद

एकक-अंतरांपासून Navier–Stokes पर्यंतचा विस्तृत गणिती क्रम आम्ही आमच्या मार्गदर्शकात पाहिला आहे. येथे महत्त्वाचा फरक म्हणजे प्रकाशनानंतर कोण काय करू शकते. बाहेरील गणितज्ञ पुरावा तपासू शकतो, पण त्याच पद्धतीने जवळचा प्रश्न तपासण्यासाठी लागणारी साधने किंवा मॉडेलचा प्रवेश त्याच्याकडे नसू शकतो. शोध सामायिक होतो; पुढचा शोध घडवण्याची साधने मात्र काही संस्थांकडे केंद्रित राहू शकतात.

अशी व्यवस्था तरीही मोलाची ठरू शकते. प्रत्येक संशोधकाने मूळ शोध पुन्हा निर्माण करावा लागला, तर अनेक निकालांचा वापर कठीण होईल. विशिष्ट पुरावा तपासण्यासाठी संबंधित पुरावे उपलब्ध असणे महत्त्वाचे; शोधासाठी वापरलेली प्रत्येक साधनसामग्री ताब्यात असणे आवश्यक नाही. पण प्रकाशित उत्तर पडताळता येणे म्हणजे पुढे कोणते प्रश्न सुटतील यावर बाहेरील लोकांना समान प्रभाव मिळणे नव्हे.

असहमती व्यक्त करता येईल अशी सोय हवी

OpenAI च्या सार्वजनिक संग्रहात Navier–Stokes आणि Euler वरील दावे स्वतंत्र दाखवले आहेत. त्यात तयार करण्याच्या सूचना आणि Comparator च्या मदतीने पुरावा पुढे तपासण्याचा मार्गही दिला आहे. हे केवळ प्रात्यक्षिक व्हिडिओ नसून तपासता येण्याजोगे दस्तऐवज आहेत. आम्ही कागदपत्रे वाचली; पुरावे पुन्हा तयार केलेले किंवा स्वतंत्रपणे प्रमाणित केलेले नाहीत. पुराव्यांचा संग्रह

Lean च्या पडताळणी मार्गदर्शकात यशस्वी तपासणीची व्याप्ती स्पष्ट केली आहे. समीक्षकांनी प्रमेयाचा अर्थ आणि त्याची गृहितके, अवलंबित्वांसह, तपासली पाहिजेत. अधिक मजबूत तपासणीत सादर केलेला पुरावा स्वतंत्रपणे निर्दिष्ट केलेल्या विधानाशी तुलना करून वेगळ्या तपासणी-सॉफ्टवेअरचा वापर होऊ शकतो. त्यामुळे पुरावा देणाऱ्यावरचे अवलंबित्व कमी होते; तरी साधने आणि विशिष्ट विधानाबद्दलची गृहितके उरतात. Lean चे पडताळणी मार्गदर्शन

आशादायक शक्यता मोठी आहे: खासगी प्रणाली खर्चिक शोध घेईल आणि नंतर असे पुरावे प्रसिद्ध करेल की इतरांना तो संपूर्ण शोध पुन्हा न करता ते तपासता येतील. मोजक्या संस्थाच मोठ्या प्रमाणावर शोध घेऊ शकत असल्या तरी एआयने निर्माण केलेले शोध सामायिक साधनसंपत्ती बनू शकतात.

कमकुवत पर्यायात प्रयोगशाळा निवडक तज्ज्ञांना खासगी प्रात्यक्षिक दाखवते आणि इतरांनी त्यांच्या प्रमाणपत्रावर विश्वास ठेवावा अशी अपेक्षा करते. प्राथमिक पायरी म्हणून हे रास्त असू शकते. पण लोकांना वादग्रस्त गृहितक शोधणे, दुरुस्ती तपासणे किंवा अनपेक्षित उपयोग शोधणे खूपच कठीण जाते. निष्कर्षापर्यंत पोहोचणे आणि मतभेदासाठीचे आधार तपासणे, या वेगळ्या गोष्टी आहेत.

एक काल्पनिक उदाहरण पाहू. विद्यापीठातील एक पथक अनुकूलन-समस्यांच्या एका वर्गाचा अभ्यास करत आहे. एक कंपनी खासगीरीत्या अशी पद्धत शोधते जी एका महत्त्वाच्या उदाहरणात सुधारणा घडवते. ती पद्धत आणि अचूक हमी प्रसिद्ध करू शकते, किंवा उत्तरे देणारी ऑनलाइन सेवा देऊन पद्धत गुप्त ठेवू शकते.

दोन्ही पर्याय वापरकर्त्यांना मदत करू शकतात. पण पहिल्या पर्यायातच विद्यापीठाला पद्धत तपासणे, शिकवणे आणि सेवेला सतत प्रवेश न ठेवता बदलून वापरणे शक्य होते. कंपनीने अटी बदलल्या, मॉडेल मागे घेतले किंवा त्या क्षेत्राला मदत देणे थांबवले, तर हा फरक व्यवहारात महत्त्वाचा ठरतो. उपयुक्त सेवेसोबत विज्ञानाचे अवलंबित्वही वाढू शकते.

म्हणून सार्वजनिक लाभ केवळ शोधांची संख्या मोजून ठरत नाही. एखादे प्रकाशन लोकांना अधिक माहिती, अधिक क्षमता किंवा कृतीसाठी अधिक परवानगी मागण्याची गरज देऊ शकते. कधी हे परिणाम एकत्र दिसतात, पण ते नेहमीच तसे असतील असे नाही.

विरामामुळे विज्ञान सुधारू शकते—किंवा एका संस्थेला अधिक काळ आघाडी मिळू शकते

मोठ्या प्रकाशनाचा समन्वय करण्यामागे रास्त कारणे असू शकतात. दाव्याची तपासणी करणे, आधीचे काम ओळखणे आणि स्पष्टीकरण तयार करणे यासाठी तज्ज्ञांना वेळ लागू शकतो. प्रकाशनाआधी दुरुस्ती केल्याने अनेकांना चुकीच्या निष्कर्षावर काम सुरू करण्यापासून वाचवता येते. श्रेयाचा वाद घोषणांच्या शर्यतीऐवजी पुराव्याने सोडवला पाहिजे.

पण हाच विलंब बाहेरील संशोधकांवर वेगळा परिणाम करू शकतो. एखाद्या कंपनीने मुख्य अनुमान सोडवल्याचा दावा केला आहे हे न कळता संशोधन पथक पुढचा प्रकल्प ठरवते, अशी कल्पना करा. ते जुना प्रश्न सोडवण्यासाठी अनेक महिने घालवू शकते. आधीची माहिती फक्त निवडक सहकाऱ्यांना दिल्यास त्यांनाच पुढचे निकाल विकसित करण्याची आघाडी मिळू शकते. हे असमान माहितीचे संभाव्य परिणाम आहेत; अप्रकाशित विशिष्ट प्रमेयाबद्दलचे आरोप नाहीत.

विलंबामुळे काय साध्य होते आणि त्याबद्दल कोण जबाबदार आहे, हा योग्य प्रश्न आहे. दावा स्पष्ट केलेला, स्वतंत्र वाचक नेमलेले आणि निकाल कळवण्याची योजना असलेला आढावा, असामान्य क्षमतेचे संकेत देत अनिश्चित काळ गुप्तता राखण्यापेक्षा वेगळा असतो. काम तपासण्यासाठी संस्थांना वेळ हवा; प्रेक्षकांना ही तपासणी प्रसिद्धीचा भाग नसून खरी पडताळणी आहे असे मानण्याचे कारण हवे.

नवा सल्लागार गट असा एक मार्ग देतो. त्याचे सदस्य विनामोबदला काम करतात, शिफारशी सार्वजनिक असतील आणि अंतिम निर्णय कंपन्यांकडेच राहतील, असे गट सांगतो. स्वातंत्र्य मोलाचे आहे; पण त्यामुळे निकाल प्रसिद्ध करणे बंधनकारक होत नाही किंवा संशोधकांना प्रवेश मिळत नाही. स्वातंत्र्य आणि उत्तरदायित्व

आमच्या मते, उपयुक्त व्यवस्थेत सल्ल्याला दिलेला प्रतिसाद दिसायला हवा. कोणत्या शिफारशी मान्य केल्या, काय अजून तपासले जात आहे आणि न सुटलेल्या मुद्द्यांकडे समीक्षक कसे लक्ष वेधू शकतात, हे कंपनी स्पष्ट करू शकते. प्रमेय सिद्ध झाले असे घाईने जाहीर न करताही बाहेरील लोकांना प्रक्रिया तपासता येईल.

सर्वात मजबूत टीका एआय यशस्वी होऊ शकते हे मान्य करते

11 सप्टेंबरच्या निवेदनात A Severe Misalignment of AI in Mathematics हे गणिती क्षमतांतील लक्षणीय सुधारणांना स्पष्टपणे मान्य करते. आक्षेप प्रेरणांबद्दल आहे: प्रसिद्ध प्रश्नांना बेंचमार्क बनवल्यास कल्पनांचा विकास, श्रेय आणि नवे प्रश्न मांडायला शिकवणारे प्रशिक्षण दुर्लक्षित होऊ शकते. गणिताच्या अभ्यासाला एआयची मदत होण्याची शक्यताही निवेदन मान्य करते. निवेदन

‘यंत्र काहीच शोधू शकत नाही’ असे म्हणण्यापेक्षा हा युक्तिवाद अधिक विचार करायला लावतो. यशस्वी प्रणाली आपल्या निकालाचा लाभ घेणाऱ्या समुदायाच्या उद्दिष्टांशी जुळणारेच काम करते का, हा तो प्रश्न विचारतो. क्षमता निर्विवादपणे दाखवण्यात प्रयोगशाळेला रास्त रस असू शकतो. संशोधकासाठी मात्र पहिल्या घोषणेत रस नसेल अशा दिशांसह अनेक नवे मार्ग उघडणारी पद्धत अधिक मोलाची असू शकते.

हे हितसंबंध आपोआप जुळतील असे नाही; ते परस्परविरोधी असतीलच असेही नाही. प्रयोगशाळा आपले निकाल उपयुक्त करणाऱ्या शोधकार्य आणि स्पष्टीकरणाला निधी देऊ शकते. विद्यापीठे प्रयोगशाळेने प्राधान्य न दिलेल्या क्षेत्रासाठी नवी पद्धत जुळवून वापरणाऱ्या कामाला मान्यता देऊ शकतात. पहिल्या शोधाबरोबरच त्याचा अर्थ स्पष्ट करणाऱ्या आणि एकत्रित आढावा घेणाऱ्या लेखनालाही प्रकाशनमाध्यमे जागा देऊ शकतात.

टीकेनेही पुराव्याला उत्तर दिले पाहिजे. योग्य आणि महत्त्वाच्या निकालामुळे प्रणाली काय करू शकते याबद्दलचे मूल्यमापन बदलायला हवे. शोध कुठून आला याविषयीची अस्वस्थता तो निकाल अवैध ठरवत नाही. तसेच, प्रभावी निकालामुळे तो जगासमोर कोणत्या अटींवर येतो या प्रवेश किंवा श्रेयाच्या प्रश्नाचे उत्तर आपोआप मिळत नाही. हे निर्णय वेगळे ठेवल्यास गणिताचे स्वागतही करता येते आणि त्याच्या प्रसाराच्या अटींना आव्हानही देता येते.

Aaronson यांचा निबंध हा ताण स्पष्ट करतो: अलीकडील प्रगती परिवर्तनकारी असल्याचे ते मानतात, पण मानवी आकलन जपण्याच्या प्रयत्नालाही पाठिंबा देतात. एक वैशिष्ट्यपूर्ण बदल सुरू झाल्याचे त्यांचे वर्णन ही घटनांची केलेली व्याख्या आहे; सिद्ध झालेली वैज्ञानिक सीमा नाही. त्यांची भूमिका

जलद शोध आणि अर्थपूर्ण मानवी काम—दोन्ही खऱ्या गरजा आहेत

सप्टेंबरच्या घोषणांआधीपासून हा व्यापक युक्तिवाद सुरू आहे. डिसेंबर 2025 च्या निबंधात एआय-संशोधक Julian Togelius यांनी वैज्ञानिकांना मदत करणारी साधने आणि त्यांचा सहभाग अनावश्यक करणारे स्वयंचलन यात फरक केला. वैद्यकीय प्रगती पूर्ण स्वयंचलनामुळे वाढेल असे गृहीत धरले तरी त्यांनी मानवी स्वायत्तता आणि योगदानाची संधी यांचे समर्थन केले. हे संभाव्य भविष्याविषयीचे नैतिक मत आहे; वैज्ञानिक काम आधीच अनावश्यक झाले याचा पुरावा नाही. Togelius यांचा निबंध

सध्याचे काम करणाऱ्यांना ते आवडते म्हणूनच एखादी कृती जपण्यात मोठी किंमत असू शकते. अधिक चांगली पद्धत दुःख कमी करू शकत असेल, तर बदलणाऱ्या व्यवसायातील लोकांच्या हिताबरोबर लाभ घेणाऱ्यांचाही विचार हवा. अर्थपूर्ण कामाबद्दलची बांधिलकी उपयुक्त शोधांवर आपोआप बंदी घालू नये.

पण निवड ही प्रत्येक सध्याचे काम जपणे किंवा लोकांना विज्ञानातून काढून टाकणे एवढीच नाही. प्रश्न कोण निवडतो, दुर्लक्षित गरज कोण ओळखतो, पुरावे लागू होतात का हे कोण ठरवतो आणि त्यावर काय करायचे याचा निर्णय कोण घेतो? यंत्रे अनेक तांत्रिक भागांत पुढे गेली तरी या निर्णयांचा जनतेवर परिणाम होतो. त्यांच्यावर प्रभाव राखणे ही व्यावसायिक ओळखीइतकीच प्रशासनाची बाब आहे.

Dario Amodei यांच्या ऑक्टोबर 2024 च्या निबंधात एआयमुळे जीवशास्त्रातील प्रगती वेगवान होऊन जीवनमान सुधारेल, अशी व्यापक आशावादी कल्पना आहे. प्रयोग, माहिती आणि भौतिक जग यांमधील मर्यादाही तो नमूद करतो. शक्तिशाली भावी प्रणालींबद्दलच्या गृहितकांवर आधारित हा अंदाज आहे; गणिती शोधाने ठरवलेली कालमर्यादा नाही. Machines of Loving Grace

समीकरणांवरील पुराव्याने स्वतःहून कार्यरत उपचार किंवा स्वस्त ऊर्जा-व्यवस्था सिद्ध होत नाही. प्रत्येक उपयोगासाठी पुढचे पुरावे आवश्यक असतात. तरी वेगवान प्रगतीची शक्यता मोलाची मानणे रास्त आहे: निरुपयोगी दिशा लवकर सोडायला किंवा अधिक माहिती देणारा प्रयोग आखायला मदत करणारे साधन, संशोधन पूर्णपणे स्वायत्त होण्याच्या खूप आधी उपयोगी पडू शकते.

लाभाच्या वाटपाचा प्रश्न पुन्हा पुढे येतो. एखादी प्रगती वैज्ञानिकदृष्ट्या भक्कम असली तरी तिचा लाभ केवळ ती परवडणाऱ्यांनाच मिळू शकतो. संशोधन वेगवान होताना त्याचे लक्ष मालकांना अधिक महत्त्वाच्या वाटणाऱ्या प्रश्नांकडे केंद्रित होऊ शकते. वेगवाढीचा फायदा व्यापक जनतेपर्यंत पोहोचतो का, हे काही प्रमाणात निधी, प्रवेश आणि वापराबद्दलच्या निर्णयांवर अवलंबून असते. या निवडी आपल्याऐवजी शोधांची संख्या ठरवत नाही.

बरोबर असण्याचा पुरावा म्हणजे योग्य निर्णयाची हमी नव्हे

यासोबत संरेखनाचा प्रश्नही आहे. दीर्घ संशोधन-प्रकल्पात चालकाच्या हेतूचे पालन करण्याबाबत अविश्वसनीय असूनही एखादी प्रणाली युक्तिवाद शोधण्यात कुशल असू शकते. तपासलेला गणिती निकाल त्या निकालाविषयी काहीतरी सिद्ध करेल; पण प्रणाली परवानग्यांचा सातत्याने आदर करते, अपयश स्पष्टपणे सांगते किंवा योग्य उद्दिष्टांसाठी काम करते हे स्वतःहून सिद्ध करणार नाही.

अधिक सक्षम साधने वापरणाऱ्या प्रयोगशाळांसाठी हा फरक महत्त्वाचा आहे. मर्यादित शोधाचे काम देऊन त्याचा निकाल तपासणे, प्रयोग, खर्च किंवा प्रकाशनाबाबत प्रणालीला व्यापक अधिकार देण्यापेक्षा वेगळे आहे. वैज्ञानिक यशामुळे अधिक महत्त्वाकांक्षी संशोधन करून पाहण्याचे समर्थन होऊ शकते; पण त्या परवानग्यांना स्वतंत्र समर्थन लागते.

मानवी आकलन जपणे येथे उपयुक्त आहे; पण संरेखनाच्या प्रश्नावर तो सार्वत्रिक उपाय नाही. शोधामागचे गणित कळल्याने मॉडेलच्या वर्तनातील प्रत्येक पैलू उघड होत नाही. उलट, प्रभावी देखरेखीसाठी प्रत्येक मधली गणना माणसाने पुन्हा करणे आवश्यक नसते. प्रणालीचे काम अपेक्षित उद्देश साधण्यापासून दूर जाऊ लागले तर ते ओळखण्यासाठी पुरेसे स्वतंत्र कौशल्य आणि पुरावे राखणे, हे व्यावहारिक ध्येय आहे.

काम हरवल्यावर मोकळा वेळ पुरेसा ठरेल, असे आश्वासन देऊन अर्थपूर्णतेचा प्रश्न मिटत नाही. एआय लोकांपेक्षा अधिक चांगले काम करू लागले तरी नाती आणि कृती अर्थपूर्ण राहू शकतात, असे Amodei सांगतात; पण अशा भविष्याची अर्थव्यवस्था अजून अनिश्चित मानतात. हा एक शक्य दृष्टिकोन आहे, त्रासरहित बदलाची हमी नव्हे. काम आणि अर्थपूर्णता

विद्यार्थ्याला एखादा निकाल समजून घेणे मोलाचे वाटू शकते, जरी शोधात तो पहिला नसला तरी. समुदायातील लोकांनी प्रत्येक यंत्रापेक्षा सरस ठरण्याची गरज न ठेवता अध्यापन, चर्चा आणि जिज्ञासेला महत्त्व देता येते. पण या कृती शक्य करणाऱ्या संस्था टिकवण्यासाठी संसाधने आणि निर्णय लागतात. वैयक्तिक समाधानाने प्रयोगशाळेचा खर्च भागत नाही, मॉडेलचा प्रवेश मिळत नाही किंवा विभाग टिकेल याची हमी मिळत नाही.

प्रकाशनामुळे वाढणाऱ्या स्वायत्ततेवरून त्याचे मूल्यमापन करा

कंपनीच्या वृत्तांतावर पूर्णपणे अवलंबून न राहता कोणी या दाव्याला आव्हान देऊ शकते का? खर्चिक शोध पुन्हा न करता दुसरे पथक निकाल वापरू शकते का? निर्मात्याला फारसा रस नसलेले पुढचे प्रश्न संशोधक निवडू शकतात का? लक्ष दुसरीकडे वळल्यानंतरही काम समजावून सांगणे, दुरुस्त करणे आणि उपलब्ध ठेवणे शक्य करणारे लोक व संस्था आहेत का?

या प्रश्नांमुळे आशावादी आणि निराशावादी भविष्ये एकत्र विचारता येतात. एका शक्यतेत शक्तिशाली खासगी साधने सामायिक ज्ञानसंपत्ती वाढवतात आणि पूर्वी आवाक्याबाहेर असलेल्या प्रश्नांचा शोध अधिक लोक घेऊ शकतात. दुसरीकडे, बाहेरच्या लोकांना प्रभावी उत्तरे मिळतात; पण काय विचारण्यासारखे आहे हे ठरवण्यासाठी ते मोजक्या संस्थांवर अधिकाधिक अवलंबून होतात.

अफवेतल्या लपवलेल्या निकालांत काय आहे हे अद्याप माहीत नाही. मात्र समोर येणाऱ्या निकालांसाठी उभारल्या जाणाऱ्या व्यवस्थांचे मूल्यमापन करता येते. एआयमधील मोठ्या शोधाने उर्वरित विज्ञानाला स्वतंत्रपणे काम करण्याची अधिक क्षमता द्यायला हवी.