कृत्रिम बुद्धिमत्ता क्या है

नोट: यह दस्तावेज़ मूल अंग्रेजी संस्करण का स्वचालित अनुवाद है।

कृत्रिम बुद्धिमत्ता क्या है

कृत्रिम बुद्धिमत्ता (AI) उन सॉफ़्टवेयर प्रणालियों के लिए एक व्यापक शब्द है जो सामान्यतः मानव बुद्धि की आवश्यकता वाले कार्य करती हैं — डेटा विश्लेषण, भविष्यवाणियाँ, सामग्री जनरेशन, पैटर्न पहचान और निर्णय-समर्थन। AI कोई जादू, चेतना या डिजिटल मस्तिष्क नहीं है। यह ऐसा सॉफ़्टवेयर है जो डेटा में पैटर्न खोजता है और उन्हें नए इनपुट पर लागू करता है।

AI को पैटर्नों का कैलकुलेटर समझें। साधारण कैलकुलेटर संख्याएँ लेता है और अंकगणित के नियम लागू करता है। AI प्रणाली उदाहरण लेती है — हज़ारों या लाखों — और उन नियमों की खोज करती है जो इनपुट को आउटपुट से जोड़ते हैं, बिना किसी के उन नियमों को हाथ से लिखे। जब आप वॉइस असिस्टेंट से प्रश्न पूछते हैं, जब स्पैम फ़िल्टर फ़िशिंग ईमेल पकड़ता है, या जब अनुवाद उपकरण किसी वाक्य को दूसरी भाषा में बदलता है, तो आप AI से अंतःक्रिया कर रहे होते हैं: ऐसा सॉफ़्टवेयर जो उदाहरणों पर प्रशिक्षित हुआ और अब सीखी गई बातों को नई परिस्थितियों में लागू करता है।

संक्षेप में: AI ऐसा सॉफ़्टवेयर है जो डेटा से सीखता है और ऐसे परिणाम देता है जिनके लिए अन्यथा मानव निर्णय की आवश्यकता होती — और क्रिप्टो में मुख्य प्रश्न यह है कि प्रोजेक्ट का AI वास्तविक और सत्यापन-योग्य है या नहीं।

AI व्यवहार में कैसे काम करता है

उच्च स्तर पर हर AI प्रणाली एक समान कार्यप्रवाह का अनुसरण करती है। इन चरणों को समझने से आपको यह आकलन करने में मदद मिलती है कि किसी प्रोजेक्ट के AI दावे वास्तविकता पर आधारित हैं या केवल मार्केटिंग भाषा।

समस्या परिभाषित करें — तय करें कि AI को क्या करना है। यह छवियों का वर्गीकरण, पाठ अनुवाद, ब्लॉकचेन लेनदेन में विसंगतियों का पता लगाना या कोड जनरेशन हो सकता है। स्पष्ट समस्या-परिभाषा नींव है; इसके बिना AI एक ऐसा समाधान है जो प्रश्न की तलाश में है।
डेटा एकत्र और तैयार करें — समस्या से संबंधित डेटासेट जुटाएँ। डेटा में लेबल की गई छवियाँ, लेनदेन रिकॉर्ड, पाठ दस्तावेज़ या सेंसर रीडिंग शामिल हो सकते हैं। डेटा को साफ़ करना, व्यवस्थित करना और प्रशिक्षण व परीक्षण सेटों में बाँटना होता है। डेटा की गुणवत्ता सीधे मॉडल की गुणवत्ता निर्धारित करती है — पुराना सिद्धांत "garbage in, garbage out" पूरी तरह लागू है।
मॉडल आर्किटेक्चर चुनें — कार्य के अनुकूल AI मॉडल का प्रकार चुनें। टेक्स्ट कार्यों के लिए यह ट्रांसफ़ॉर्मर हो सकता है (GPT, Claude और Gemini के पीछे का आर्किटेक्चर)। छवि कार्यों के लिए यह कन्वोल्यूशनल न्यूरल नेटवर्क हो सकता है। सारणीबद्ध डेटा के लिए ग्रेडिएंट-बूस्टेड ट्री जैसे सरल मॉडल डीप लर्निंग से बेहतर काम कर सकते हैं।
मॉडल प्रशिक्षित करें — प्रशिक्षण डेटा को मॉडल से गुज़ारें और उसके आंतरिक पैरामीटर इस तरह समायोजित करें कि उसके आउटपुट अपेक्षित परिणामों से मेल खाएँ। प्रशिक्षण गणना की दृष्टि से महँगा है और मॉडल के आकार व डेटा की मात्रा के अनुसार घंटों, दिनों या हफ़्तों तक चल सकता है।
मूल्यांकन और परीक्षण करें — प्रशिक्षित मॉडल को अलग रखे गए परीक्षण डेटा पर मापें, जिसे उसने पहले कभी नहीं देखा। यह चरण जाँचता है कि मॉडल ने वास्तविक पैटर्न सीखे हैं या केवल प्रशिक्षण डेटा रट लिया है (जिसे ओवरफ़िटिंग कहते हैं)। मूल्यांकन accuracy, precision, recall या perplexity जैसे बेंचमार्क और गुणवत्ता मेट्रिक्स का उपयोग करता है।
इनफेरेंस के लिए तैनात करें — मॉडल को उत्पादन में लाएँ, जहाँ वह नए, वास्तविक इनपुट संसाधित करता है। इसे इनफेरेंस कहते हैं। जब भी आप चैटबॉट उपयोग करते हैं, सिफ़ारिश पाते हैं या धोखाधड़ी की चेतावनी प्राप्त करते हैं, तो पर्दे के पीछे इनफेरेंस हो रहा होता है।
निगरानी और पुनः प्रशिक्षण करें — तैनात मॉडल समय के साथ कमज़ोर पड़ते हैं, क्योंकि वास्तविक दुनिया बदलती है (इस परिघटना को डेटा ड्रिफ़्ट कहते हैं)। ज़िम्मेदार AI प्रणालियों में ऐसी पाइपलाइनें शामिल होती हैं जो प्रदर्शन की निगरानी करती हैं और मॉडलों को ताज़े डेटा पर पुनः प्रशिक्षित करती हैं।

क्रिप्टो AI दावों का मूल्यांकन करते समय इनमें से हर चरण एक जाँच-बिंदु है। जो प्रोजेक्ट अपने डेटासेट, प्रशिक्षण प्रक्रिया, मूल्यांकन मेट्रिक्स और परिनियोजन पाइपलाइन का वर्णन करता है, वह केवल "powered by AI" कहने वाले प्रोजेक्ट की तुलना में कहीं मज़बूत साक्ष्य प्रदान करता है।

क्रिप्टो AI के लिए प्रासंगिक प्रमुख शाखाएँ

सारा AI एक जैसा नहीं है। यह क्षेत्र व्यापक है, और विभिन्न शाखाओं की ताक़तें, सीमाएँ और साक्ष्य आवश्यकताएँ अलग-अलग हैं। कई शाखाएँ क्रिप्टो AI प्रोजेक्ट विवरणों में बार-बार दिखाई देती हैं।

शाखा	मूल विचार	जाने-माने उदाहरण	सामान्य क्रिप्टो उपयोग-मामले
मशीन लर्निंग (ML)	ऐसे एल्गोरिथ्म जो डेटा के संपर्क से सुधरते हैं	scikit-learn, XGBoost	जोखिम स्कोरिंग, विसंगति पहचान
डीप लर्निंग	जटिल पैटर्नों के लिए बहु-परत न्यूरल नेटवर्क	BERT, ResNet	NLP, छवि पहचान, जनरेटिव मॉडल
बड़े भाषा मॉडल (LLM)	विशाल टेक्स्ट डेटा पर प्रशिक्षित ट्रांसफ़ॉर्मर मॉडल	GPT, Claude, Gemini, Mistral	चैटबॉट, सारांश, कोड जनरेशन
कंप्यूटर विज़न	छवियों और वीडियो की व्याख्या करने वाली प्रणालियाँ	Stable Diffusion, YOLO	NFT जनरेशन, दृश्य डेटा विश्लेषण
रीइन्फ़ोर्समेंट लर्निंग (RL)	प्रयास, त्रुटि और पुरस्कार संकेतों से सीखना	AlphaGo, OpenAI Five	स्वचालित एजेंट, प्रोटोकॉल अनुकूलन

मशीन लर्निंग

मशीन लर्निंग व्यावहारिक AI की सबसे आम नींव है। स्पष्ट नियम प्रोग्राम करने के बजाय ML एल्गोरिथ्म डेटा से सीखते हैं। क्रिप्टो प्रोजेक्टों में अधिकांश AI दावे अंततः मशीन लर्निंग तकनीकों पर टिके हैं — सरल वर्गीकरण मॉडलों से लेकर जटिल न्यूरल नेटवर्कों तक।

डीप लर्निंग

डीप लर्निंग ML का एक उपसमूह है जो कई परतों वाले न्यूरल नेटवर्कों का उपयोग करता है (इसलिए "डीप")। यह हाल की अधिकांश AI सफलताओं के लिए ज़िम्मेदार है। BERT (पाठ संदर्भ समझने के लिए Google द्वारा विकसित) जैसे मॉडल और छवि पहचान प्रणालियाँ डीप लर्निंग मॉडल हैं। डीप लर्निंग को बड़े डेटासेट और महत्वपूर्ण कंप्यूट शक्ति चाहिए — यही कारण है कि विकेंद्रीकृत कंप्यूट नेटवर्क क्रिप्टो AI में एक आवर्ती विषय बन गए हैं।

बड़े भाषा मॉडल

बड़े भाषा मॉडल (LLM) विशाल पाठ संग्रहों पर प्रशिक्षित डीप लर्निंग मॉडल हैं। वे पाठ उत्पन्न करते हैं, सारांश बनाते हैं, अनुवाद करते हैं और उस पर तर्क करते हैं। जाने-माने LLM में GPT, Claude, Gemini और Mistral शामिल हैं। क्रिप्टो AI में कई प्रोजेक्ट LLM का उपयोग चैटबॉट, ऑन-चेन डेटा सारांश, स्मार्ट कॉन्ट्रैक्ट विश्लेषण या कोड जनरेशन के लिए करते हैं। कुछ अपने मॉडल बनाते हैं; अन्य तृतीय-पक्ष API लपेटते हैं। निर्माण और रैपिंग के बीच का अंतर AI की गहराई के मूल्यांकन के लिए निर्णायक है — देखें API रैपर।

रीइन्फ़ोर्समेंट लर्निंग

रीइन्फ़ोर्समेंट लर्निंग (RL) मॉडल को किसी परिवेश में क्रियाएँ करने और पुरस्कार या दंड पाने देकर प्रशिक्षित करती है। समय के साथ एजेंट ऐसी रणनीतियाँ सीखता है जो संचयी पुरस्कार अधिकतम करती हैं। RL गेम खेलने वाले एजेंटों (जैसे AlphaGo) को शक्ति देता है और कुछ क्रिप्टो संदर्भों में स्वचालित प्रोटोकॉल पैरामीटर ट्यूनिंग और एजेंट-आधारित प्रणालियों में उपयोग होता है।

कंप्यूटर विज़न

कंप्यूटर विज़न मशीनों को दृश्य डेटा — छवियाँ और वीडियो — की व्याख्या और प्रसंस्करण करने में सक्षम बनाता है। Stable Diffusion जैसी प्रणालियाँ पाठ विवरणों से छवियाँ उत्पन्न करती हैं, जबकि YOLO जैसे ऑब्जेक्ट डिटेक्शन मॉडल रियल-टाइम में वस्तुओं की पहचान करते हैं। क्रिप्टो में कंप्यूटर विज़न NFT जनरेशन, पहचान सत्यापन और दृश्य ब्लॉकचेन एनालिटिक्स में दिखाई देता है।

ये शाखाएँ अक्सर आपस में मिलती हैं। कोई क्रिप्टो AI प्रोजेक्ट ऐसे LLM (जो डीप लर्निंग है, जो ML है) का उपयोग कर सकता है, जिसे मानव फ़ीडबैक से रीइन्फ़ोर्समेंट लर्निंग (RLHF) के साथ फ़ाइन-ट्यून किया गया हो।

संकीर्ण AI बनाम सामान्य AI

AI दावों को समझने के लिए एक महत्वपूर्ण अंतर:

संकीर्ण AI (जिसे कमज़ोर AI भी कहते हैं) किसी विशिष्ट कार्य के लिए बनाया जाता है — भाषाओं का अनुवाद, चेहरों की पहचान, शतरंज खेलना या छवियाँ बनाना। आज उत्पादन में मौजूद हर AI प्रणाली, सबसे उन्नत LLM सहित, संकीर्ण AI है। यह अपने प्रशिक्षित डोमेन में उत्कृष्ट है, लेकिन अतिरिक्त प्रशिक्षण के बिना असंबंधित कार्यों में सामान्यीकरण नहीं कर सकती।
कृत्रिम सामान्य बुद्धिमत्ता (AGI) एक काल्पनिक प्रणाली है जो कोई भी ऐसा बौद्धिक कार्य सीख और कर सकेगी जो मनुष्य कर सकता है। AGI अभी अस्तित्व में नहीं है। AGI बनाने का दावा करने वाला कोई भी प्रोजेक्ट एक असाधारण दावा कर रहा है, जिसके लिए असाधारण साक्ष्य चाहिए।

इस अंतर को समझना अवास्तविक दावों को छानने में मदद करता है। जब कोई प्रोजेक्ट "AI-powered" कहता है, तो उसका अर्थ है किसी विशिष्ट कार्य पर लागू संकीर्ण AI — और उस कार्य का स्पष्ट वर्णन और सत्यापन संभव होना चाहिए।

क्रिप्टो में AI क्यों महत्वपूर्ण है — और इसे सत्यापन की आवश्यकता क्यों है

AI और ब्लॉकचेन के संगम ने एक उच्च-माँग वाली बाज़ार-कथा बनाई है। कई क्रिप्टो प्रोजेक्ट अपनी पोज़िशनिंग में "AI" जोड़ते हैं, क्योंकि यह शब्द ध्यान, सामुदायिक भागीदारी और फ़ंडिंग आकर्षित करता है। समस्या यह है कि "AI" का अर्थ कस्टम-प्रशिक्षित मॉडल चलाने वाले स्वामित्व-आधारित इनफेरेंस इंजन से लेकर किसी तृतीय-पक्ष सेवा को कॉल करने वाले साधारण API रैपर तक कुछ भी हो सकता है, जिसमें प्रोजेक्ट के भीतर कोई सार्थक AI कार्य नहीं होता।

इससे सत्यापन की समस्या पैदा होती है:

दावे करना आसान है। कोई भी प्रोजेक्ट अपनी वेबसाइट पर "AI-powered" लिख सकता है। व्हाइटपेपर ऐसे परिष्कृत आर्किटेक्चरों का वर्णन कर सकते हैं जो कोड में हो भी सकते हैं और नहीं भी।
संरचना के बिना सत्यापन कठिन है। AI वास्तविक है या नहीं, यह जाँचने के लिए कोड रिपॉज़िटरी, मॉडल दस्तावेज़ीकरण, बेंचमार्क परिणाम और परिनियोजन साक्ष्य देखने पड़ते हैं — ऐसे कौशल और प्रयास जो अधिकांश उपयोगकर्ताओं के पास नहीं हैं।
AI-washing की क़ीमत ऊँची है। जो उपयोगकर्ता वास्तविक AI को खोखली मार्केटिंग से अलग नहीं कर सकते, वे प्रोजेक्ट के तकनीकी सार-तत्व का ग़लत आकलन कर सकते हैं। यह इस बारे में नहीं है कि प्रोजेक्ट "अच्छा" विकल्प है या "बुरा" — यह इस बारे में है कि घोषित तकनीकी क्षमताएँ सत्यापन-योग्य हैं या नहीं।

DecAIHub इसी कमी को दूर करने के लिए मौजूद है। AI दावों को अंकित मूल्य पर लेने के बजाय, रजिस्ट्री Tier-1 साक्ष्य की जाँच करती है: कोड, दस्तावेज़ीकरण, मेट्रिक्स, डेमो और तकनीकी आर्किटेक्चर। साक्ष्य को Tier-1 (स्रोत कोड और ऑडिट रिपोर्ट जैसी प्रत्यक्ष तकनीकी कलाकृतियाँ) से Tier-2 (एग्रीगेटरों और एनालिटिक्स से प्रासंगिक जानकारी) से होते हुए Tier-3 (मार्केटिंग सामग्री और असत्यापित दावे) तक श्रेणीबद्ध किया जाता है।

DecAI Fit मेट्रिक तीन अक्षों — AI reality, Onchain necessity और Token necessity — के आकलनों को 0 से 6 तक के एकल स्कोर में जोड़ता है, जो दर्शाता है कि प्रोजेक्ट Decentralized AI की थीसिस से कितना मेल खाता है। ai_score = 0 (AI का कोई साक्ष्य नहीं) वाले प्रोजेक्ट को उसकी ब्लॉकचेन या टोकन साख की परवाह किए बिना स्वतः DecAI Fit = 0 मिलता है।

"कोई AI नहीं" से "वास्तविक AI" तक का स्पेक्ट्रम

किसी प्रोजेक्ट में AI की उपस्थिति द्विआधारी नहीं है। DecAIHub एक स्पेक्ट्रम मानता है, जो AI reality फ़्लैग (AI_0 से AI_4 तक) में परिलक्षित होता है:

स्तर	इसका क्या अर्थ है	विशिष्ट साक्ष्य
कोई AI नहीं पाया गया	किसी भी स्रोत में AI का उल्लेख नहीं	कोई नहीं
Positioning only	"AI" मार्केटिंग में दिखता है, लेकिन कोई तकनीकी कलाकृतियाँ नहीं मिलीं	वेबसाइट का पाठ, पिच डेक
इरादा / रोडमैप	AI फ़ीचर नियोजित हैं, लेकिन अभी बने नहीं	रोडमैप आइटम, आधिकारिक घोषणाएँ
वर्णित घटक	प्रोजेक्ट बताता है कि उसका AI क्या करता है	व्हाइटपेपर, दस्तावेज़ीकरण
कार्यशील डेमो	AI आउटपुट परखे या देखे जा सकते हैं	सार्वजनिक डेमो, API एंडपॉइंट
मेट्रिक्स और बेंचमार्क	AI गुणवत्ता कार्यप्रणाली के साथ मापी और प्रकाशित की गई है	बेंचमार्क परिणाम, मूल्यांकन रिपोर्टें

इस स्पेक्ट्रम पर आगे बढ़ने के लिए क्रमशः मज़बूत साक्ष्य चाहिए। हर क़दम DecAI Fit स्कोर में योगदान देता है। "positioning only" चरण के प्रोजेक्ट का साक्ष्य-भार, कार्यप्रणाली के साथ बेंचमार्क परिणाम प्रकाशित करने वाले प्रोजेक्ट से मौलिक रूप से भिन्न है।

केवल AI क्या सिद्ध नहीं करता

वास्तविक, कार्यशील AI घटक मज़बूत DecAI Fit के लिए आवश्यक है — लेकिन पर्याप्त नहीं। केवल AI किसी प्रोजेक्ट को यह नहीं बनाता:

उपयोगी — उत्पाद को अपने उपयोगकर्ताओं की वास्तविक समस्या हल करनी चाहिए।
विकेंद्रीकृत — AI पूरी तरह केंद्रीकृत सर्वरों पर चल सकता है। Onchain necessity का आकलन अलग से होता है।
टोकन-न्यायसंगत — AI की उपस्थिति यह नहीं समझाती कि टोकन क्यों आवश्यक है। Token necessity एक अलग अक्ष है।
उच्च गुणवत्ता का — मॉडल मौजूद होकर भी ख़राब प्रदर्शन कर सकता है। गुणवत्ता मेट्रिक्स और बेंचमार्कों से परिलक्षित होती है, केवल अस्तित्व से नहीं।
पारदर्शी — मॉडल वास्तविक होकर भी पूरी तरह बंद हो सकता है। खुले वेट, प्रकाशित प्रशिक्षण डेटा या पुनरुत्पादन-योग्य बेंचमार्क सत्यापनीयता बढ़ाते हैं, लेकिन केवल AI के अस्तित्व से इनकी गारंटी नहीं होती।

भ्रमित न हों

ऑटोमेशन — नियम-आधारित स्क्रिप्ट और if/then वर्कफ़्लो AI नहीं हैं। देखें ऑटोमेशन बनाम वास्तविक AI component।
AI component — प्रोजेक्ट के भीतर वह विशिष्ट मॉड्यूल जहाँ AI कार्य होता है। "कृत्रिम बुद्धिमत्ता" सामान्य क्षेत्र है; "AI component" किसी दिए गए प्रोजेक्ट में ठोस कार्यान्वयन है।
AI एजेंट — एक स्वायत्त प्रणाली जो समझती, तर्क करती और कार्य करती है। एजेंट AI का उपयोग करते हैं, लेकिन वे एक विशिष्ट आर्किटेक्चर हैं, स्वयं AI का पर्याय नहीं।
एल्गोरिथ्म — एक निश्चित चरण-दर-चरण प्रक्रिया। पारंपरिक एल्गोरिथ्म स्पष्ट निर्देशों का पालन करते हैं; AI मॉडल डेटा से पैटर्न सीखते हैं। हर एल्गोरिथ्म AI नहीं है।

अक्सर पूछे जाने वाले प्रश्न

क्या AI और मशीन लर्निंग एक ही चीज़ हैं?

नहीं। AI वह व्यापक क्षेत्र है जिसमें ऐसी कोई भी प्रणाली आती है जो सामान्यतः मानव बुद्धि की आवश्यकता वाले कार्य करती है। मशीन लर्निंग AI का एक उपसमूह है — आज का सबसे आम तरीक़ा — जहाँ प्रणालियाँ हाथ से लिखे नियमों का पालन करने के बजाय डेटा से पैटर्न सीखती हैं। सारी मशीन लर्निंग AI है, लेकिन सारा AI मशीन लर्निंग नहीं (हालाँकि व्यवहार में अधिकांश आधुनिक AI ML तकनीकों पर निर्भर है)।

क्या AI सोच सकता है या चेतन हो सकता है?

कोई भी वर्तमान AI प्रणाली सोचती नहीं, समझती नहीं और चेतना नहीं रखती। सबसे उन्नत बड़े भाषा मॉडल भी पैटर्न-मिलान प्रणालियाँ हैं, जो प्रशिक्षण डेटा के आधार पर सांख्यिकीय रूप से संभावित आउटपुट उत्पन्न करती हैं। उनके पास विश्वास, इरादे या जागरूकता नहीं है। किसी भी प्रोजेक्ट में AI "चेतना" या "संवेदनशीलता" के दावों को मार्केटिंग माना जाना चाहिए, तकनीकी तथ्य नहीं।

संकीर्ण AI और सामान्य AI में क्या अंतर है?

संकीर्ण AI (कमज़ोर AI भी) किसी विशिष्ट कार्य के लिए बनाया जाता है — पाठ अनुवाद, धोखाधड़ी पहचान, छवि जनरेशन। आज तैनात हर AI प्रणाली संकीर्ण AI है। कृत्रिम सामान्य बुद्धिमत्ता (AGI) ऐसी प्रणाली होगी जो मनुष्य के हर बौद्धिक कार्य में सक्षम हो। AGI एक शोध-आकांक्षा बनी हुई है और किसी उत्पाद या प्रोटोकॉल में मौजूद नहीं है।

क्रिप्टो प्रोजेक्टों में AI का उपयोग कैसे होता है?

क्रिप्टो प्रोजेक्ट AI का उपयोग कई कार्यों के लिए करते हैं: ऑन-चेन डेटा विश्लेषण, जोखिम स्कोरिंग, स्मार्ट कॉन्ट्रैक्ट ऑडिटिंग, सामग्री जनरेशन, स्वचालित एजेंट, विकेंद्रीकृत मॉडल प्रशिक्षण और इनफेरेंस, इत्यादि। निर्णायक प्रश्न यह नहीं कि प्रोजेक्ट AI का उल्लेख करता है या नहीं, बल्कि यह है कि उसका AI घटक Tier-1 साक्ष्य — कोड, दस्तावेज़ीकरण, बेंचमार्क और तैनात कलाकृतियों — से सत्यापन-योग्य है या नहीं।

कुछ क्रिप्टो प्रोजेक्ट AI क्षमताओं का दिखावा क्यों करते हैं?

"AI" लेबल ध्यान और सामुदायिक रुचि आकर्षित करता है। मार्केटिंग सामग्रियों में AI शब्दावली जोड़ना कम-लागत और धारणा की दृष्टि से उच्च-प्रभाव वाला है। यह प्रथा, जिसे AI-washing कहते हैं, पहले की "blockchain-washing" परिघटना को दोहराती है, जहाँ प्रोजेक्ट बिना सार्थक ऑन-चेन लॉजिक के ब्लॉकचेन संदर्भ जोड़ते थे। DecAIHub का सत्यापन फ़्रेमवर्क, AI reality फ़्लैग (AI_0 से AI_4 तक) और साक्ष्य स्तरों सहित, विशेष रूप से वास्तविक AI को मार्केटिंग दावों से अलग करने के लिए बनाया गया है।

यह भी देखें

बाहरी संदर्भ

Stanford HAI — Artificial Intelligence Index Report — वैश्विक AI रुझानों, अनुसंधान और नीतिगत घटनाओं पर नज़र रखने वाली वार्षिक रिपोर्ट
Google Developers — Introduction to Machine Learning — मूल AI और ML अवधारणाओं का शुरुआती-अनुकूल अवलोकन
Artificial intelligence (Wikipedia) — AI के इतिहास, विधियों, अनुप्रयोगों और खुले प्रश्नों का व्यापक अवलोकन
Papers With Code — State of the Art — AI कार्यों में वर्तमान प्रदर्शन पर नज़र रखने वाले बेंचमार्क और लीडरबोर्ड
MIT Technology Review — Artificial Intelligence — AI विकास, नैतिकता और उद्योग-प्रभाव की सुलभ कवरेज