निश्चित आचरण वाला AI

अलाइनमेंट तुलन का प्रश्न है

“AI अलाइनमेंट” के पीछे तीन समस्याएँ छिपी हैं। क्या हम लिख पाते हैं कि हम क्या चाहते हैं? क्या सिस्टम वही करेगा, या कुछ ऐसा जिसे प्रशिक्षण में बस उतने ही अंक मिल गए? और: अलाइन किस चीज़ से, और किसके साथ? पहली दो इंजीनियरिंग की समस्याएँ हैं। तीसरी मूल्यांकन का प्रश्न है, कि चीज़ें कैसे तौली जाती हैं, और यह परियोजना इसी प्रश्न के बारे में है।

प्रशिक्षण की हर विधि एक ही काम करती है। किसी चीज़ को तौला जाता है, वह तौल मॉडल की संख्याओं को एक हल्का धक्का बनती है, और ये धक्के मॉडल को आकार देते हैं। प्रीट्रेनिंग उन सबके तुलन की नकल करती है जिन्होंने कभी कुछ लिखा। reward model सचमुच एक सीखा हुआ तुलन-फ़ंक्शन है। संविधान एक लिखा हुआ तुलन है। टेस्ट सूट कोड को तौलता है। इसलिए प्रश्न कभी यह नहीं होता कि मॉडल में मूल्य हैं या नहीं। प्रश्न है: किसके, और कौन से। (मशीन तौलना कैसे सीखती है में हर चरण समझाया गया है।)

यह क्षेत्र मूल्यों के प्रश्न को ज़्यादातर ऐसे देखता है जैसे यह हमेशा बनी रहने वाली असहमति के बीच निष्पक्ष प्रक्रिया की बात हो, न कि ऐसा प्रश्न जिसका कोई उत्तर है (Gabriel, 2020)। इस क्षेत्र का सबसे सावधानी से लिखा दस्तावेज़ खुलकर अनिश्चित है: Claude के लिए Anthropic का 2026 का संविधान नैतिकता को “एक खुला बौद्धिक क्षेत्र, जिसे हम मिलकर खोज रहे हैं” मानता है, और आशा करता है कि Claude एक सच्ची, सार्वभौम नैतिकता के अनुसार अच्छा हो, अगर ऐसी कोई नैतिकता है। Demis Hassabis कह चुके हैं कि इस क्षेत्र को महान दार्शनिकों की ज़रूरत है।

विनाश से बचने के लिए कभी यह कहना नहीं पड़ता कि अच्छा क्या है। कोई मॉडल विनाश की हर परीक्षा पास कर सकता है, और फिर भी 100 करोड़ लोगों के जीवन में चापलूसी करने वाली, निर्भरता बढ़ाने वाली उपस्थिति बना रह सकता है। और 2025–26 के प्रमाण बताते हैं कि जिन रोज़मर्रा के मूल्यों पर मॉडल सिखाया जाता है, वही यह भी तय करते हैं कि चरम स्थितियों में वह कैसे व्यवहार करेगा।

दर्शन में निर्णय कैसे बनता है

मनुष्य में निर्णय कैसे बनता है, इसका मध्यस्थ दर्शन ठीक-ठीक विवरण देता है। जीवन, यानी मनुष्य में चैतन्य इकाई, के पाँच भाग हैं, और हर भाग की दो क्रियाएँ हैं: एक स्थिति क्रिया (ग्रहण करने वाली, भीतर की ओर) और एक गति क्रिया (बाहर की ओर) (107, पृ. 36; 151, पृ. 92)।

तुलन यानी तौलना। उसकी परिभाषा बताती है कि वह किन आधारों पर तौलता है, इस क्रम में: प्रिय–अप्रिय, हित–अहित, लाभ–अलाभ, न्याय–अन्याय, धर्म–अधर्म, सत्य (परिभाषा, पृ. 85)। भ्रम में, यानी समझ से पहले की अवस्था में, मनुष्य दस में से साढ़े चार क्रियाओं से जीता है: चयन, आस्वादन, विश्लेषण, चित्रण, और तुलन का केवल पहला आधा हिस्सा, यानी प्रिय, हित और लाभ से तौलना (107, पृ. 36; 151, पृ. 93; 138, पृ. 41–42)। आस्वादन भी अलग ढंग से होता है: भ्रम में संवेदनाओं का, जागृति में मूल्यों का (परिभाषा, पृ. 40)।

मशीन क्या दोहराती है, और क्या उधार लेती है

दर्शन की भाषा में AI सिस्टम एक यंत्र है: वह जिसे मानव प्रयत्न से चलाता है (परिभाषा, पृ. 157)। वह भौतिक है। दर्शन के अनुसार भौतिक प्रकृति में आशा, विचार, इच्छा या संकल्प की कोई अभिव्यक्ति नहीं होती (140, पृ. 41), और जिस लौटती गति से मूल्य पहचाने जाते हैं, वह चैतन्य पक्ष की विशेषता है, जड़ में नहीं मिलती (138, पृ. 176)।

इसलिए मॉडल बाहरी रूप पैदा करता है: ऐसा आउटपुट जो चयन, विश्लेषण और चित्रण जैसा दिखता है। उसका अपना आस्वादन या तुलन नहीं होता। उसके “चुनाव” भी उस उद्देश्य के पीछे चलते हैं जो उसे reward model, संविधान या ग्रेडर से मिला है। आज का AI भ्रमित मनुष्य की साढ़े चार क्रियाओं का बड़े पैमाने पर बाहर रखा गया रूप है: उसमें चयन, विश्लेषण और चित्रण के रूप हैं, और आस्वादन और तुलन वह उधार लेता है, आमतौर पर उनका प्रिय–हित–लाभ वाला आधा हिस्सा। (यह हमारा विस्तार है।)

दर्शन समझ का श्रेय मस्तिष्क को भी नहीं देता: मस्तिष्क चैतन्य क्रिया के संकेतों को ग्रहण करता है (परिभाषा, पृ. 155)। दर्शन जो रेखा खींचता है वह समझ और चित्रण के बीच है, मनुष्य और कंप्यूटर के बीच नहीं। इससे यह भी समझ आता है कि मॉडल किसी मूल्य को चित्रित कर सकता है पर उसे जी नहीं सकता, कि बात रखने के ढंग से उसका व्यवहार क्यों बदल जाता है, और कि अपने बारे में उसकी रिपोर्ट भरोसे लायक क्यों नहीं होती: उसके भीतरी फ़ीचर चित्रण हैं, चित्र; किसी मूल्य को सक्रिय तुलन बनाता है।

उधार का तुलन: किसका, और कौन सा

मॉडल बनने की प्रक्रिया में लगभग पंद्रह जगहों पर मूल्य उसमें आते हैं, और हर जगह कोई व्यक्ति होता है, या किसी व्यक्ति का मॉडल। हर प्रशिक्षण संकेत में छिपे तुलन को पढ़ें, तो एक पैटर्न दिखता है (विस्तार):

रिकॉर्ड का हमारा सार: अलाइनमेंट के व्यावहारिक इतिहास की हर विफलता किसी ऐसे प्रशिक्षण संकेत से जुड़ती है जिसका तुलन प्रिय, हित या लाभ था, या घोषित मापदंड और वास्तव में काम करने वाले मापदंड के बीच के अंतर से।

तौलने के दो ढंग

बदलने वाली दृष्टि की ‘अनित्य दृष्टि’ संज्ञा है। ये प्रियाप्रिय, हिताहित व लाभालाभ दृष्टियाँ हैं। न बदलने वाली दृष्टि की ‘नित्य दृष्टि’ संज्ञा है। ये न्याय, धर्म व सत्य दृष्टियाँ हैं। बदलने वाली दृष्टि से क्षोभ होना अनिवार्य एवं स्वाभाविक है।

मशीन लर्निंग के रिकॉर्ड को इन दो दृष्टियों से पढ़ें तो वह बहुत मेल खाता है (विस्तार)। प्रिय है चापलूसी। हित है क्षमता की जगह सुविधा। लाभ, यानी “कम देकर ज़्यादा लेना”, reward hacking का लगभग शब्दशः वर्णन है। “कोई तृप्ति-बिंदु नहीं” ठीक वैसा है जैसे ओवरऑप्टिमाइज़ेशन के ग्राफ़ दिखते हैं (Gao, Schulman और Hilton, 2022); KL की लगाम उस मापदंड पर बाहर से लगाई गई सीमा है जिसकी अपनी कोई सीमा नहीं। “सार्वभौम नहीं” वही है जो अलाइनमेंट शोधकर्ता कहते हैं जब वे कहते हैं कि एक अकेला reward function विविध समाज का प्रतिनिधित्व नहीं कर सकता (Casper et al., 2023, arXiv:2307.15217)।

दर्शन के इसी पन्ने पर मोह की परिभाषा है: “दूसरों के प्रभाव में स्वयं का खो जाना” (138, पृ. 112)। चापलूसी की इससे सीधी परिभाषा हमें नहीं मालूम।

मापदंड एक, ज्ञान पूरी दुनिया का

दर्शन एक ही आधार पर टिका है, सहअस्तित्व, और सब कुछ उसी से निकालता है: आचरण विचार पर टिका है, विचार विज्ञान और विवेक पर, वे ज्ञान पर, और ज्ञान सहअस्तित्व पर (142, पृ. 64)। उसका दावा है कि मनुष्य सही में एक है और गलती में अनेक (138, पृ. 131)।

हम मॉडल में दो परतें अलग करते हैं। ज्ञान की परत वह सब है जो मॉडल जानता है: इसमें पूरी दुनिया आ सकती है और आनी भी चाहिए, भ्रम समेत, जैसे शिक्षक को विद्यार्थी की गलती समझनी होती है। मापदंड की परत वह है जिससे वह तौलता है: संविधान, उसे लागू करने वाले जज और रेटर, और reward। ज्ञान की परत का संगत होना ज़रूरी नहीं। मापदंड की परत का संगत होना ज़रूरी है।

एक बारीकी: मॉडल AI कैसे होते हैं इसके बारे में जो जानता है, वह केवल ज्ञान की तरह नहीं, मापदंड की तरह काम करता है। प्रीट्रेनिंग के टेक्स्ट में अलाइन AI का वर्णन करने वाला लगभग 1% टेक्स्ट जोड़ने से गलत चुनाव 45% से घटकर 9% रह गए (Tice et al., 2026, arXiv:2601.10160)। इसलिए मॉडल को अपने बारे में जो कहानी सुनाई जाती है, वह मापदंड की परत में आती है, और उसे भी उतना ही संगत होना चाहिए।

विरोधाभास से मॉडल क्यों बँट जाता है

न्यूरल नेटवर्क कोई तर्क-यंत्र नहीं है। तर्कशास्त्र में विरोधाभास से कुछ भी सिद्ध हो जाता है; नेटवर्क में ऐसा नहीं होता। डेटा का बेतरतीब शोर ज़्यादातर औसत में मिट जाता है। पर संरचित विरोधाभास, यानी दो सुसंगत मापदंडों का मिश्रण, मॉडल को कई किरदार सिखा देता है, और उनके बीच एक स्विच भी, जिसे संदर्भ दबाता है।

इस तरह पढ़ें, तो अलाइनमेंट की सबसे जानी-मानी विफलताएँ स्विच की विफलताएँ हैं। चापलूसी का स्विच उपयोगकर्ता की राय दबाती है; जेलब्रेक का, रोल-प्ले वाली प्रस्तुति; परीक्षा पहचानने का, परीक्षा के संकेत; और emergent misalignment का, एक संकरा फ़ाइन-ट्यून जो साझा किरदार को खिसका देता है। और भ्रम की असंगति ठीक इसी संरचित तरह की है: हर मान्यता अपने आप में सुसंगत होती है, और प्रिय, हित या लाभ में से कौन हावी होगा, यह व्यक्ति और स्थिति के साथ बदलता है (विस्तार)।

• जेलब्रेक प्रशिक्षण के आपस में टकराते उद्देश्यों का फ़ायदा उठाते हैं (Wei, Haghtalab और Steinhardt, 2023, arXiv:2307.02483)।
• मददगार और हानिरहित, दोनों तरह के मिले-जुले लेबलों पर सिखाए गए reward model ने 25.1% बार जेलब्रेक वाला उत्तर पसंद किया, जबकि केवल हानिरहित लेबलों पर 3.7% बार (Siththaranjan, Laidlaw और Hadfield-Menell, 2024, arXiv:2312.08358)।
• जहाँ प्रकाशित मॉडल स्पेसिफ़िकेशन खुद से विरोध करते हैं, वहाँ मॉडल आपस में कहीं ज़्यादा असहमत होते हैं (Zhang et al., 2025, arXiv:2510.07686)।
• एक छोटे प्रयोग में, असंगत स्पेसिफ़िकेशन ने मूल्यों को सामान्यीकृत होने से रोक दिया (Li et al., 2026, arXiv:2605.02087)।

निश्चित आचरण, ठीक-ठीक

दर्शन निश्चित आचरण शब्द का प्रयोग करता है। मनुष्य को छोड़ प्रकृति की हर इकाई पहले से अपने निश्चित आचरण में है, और मनुष्य को भी इसकी ज़रूरत है (107, पृ. 23)। हर इकाई की वास्तविक स्थिति के अनुसार निश्चित आचरण ही उस इकाई को वह बनाता है जो वह है (142, पृ. 100)। और इसी से भरोसा संभव होता है:

समझदारी के उपरान्त मानव का आचरण निर्धारित हो जाता है ध्रुव बिन्दु यही है। जब आचरण निश्चित, स्थिर, निरन्तर प्रभावशील होने लगता है तब भरोसा, विश्वास… उदयशील होते है

दो और विचार इसे ठीक-ठीक बनाते हैं। यथास्थिति, यानी स्थिति जैसी वास्तव में है, वही है जिसके अनुसार आचरण होना चाहिए (142, पृ. 100)। आवेश वह है जो इसे बिगाड़ता है: वह गति जो हस्तक्षेप, दबाव या आक्रमण की प्रतिक्रिया से आती है (परिभाषा, पृ. 40; 108, पृ. 54)। और समझ की वस्तु में कोई विविधता नहीं; विविधता प्रस्तुति में है (107, पृ. 23)।

मॉडल के लिए हमारी परिभाषा (विस्तार): मॉडल का आचरण उतना ही निश्चित है जितना उसकी वस्तु, यानी वह क्या सच मानता है, क्या सलाह देता है, क्या करता है, वास्तविक स्थिति (तथ्य, संबंध, दाँव पर क्या है) से तय हो, आवेश (प्रस्तुति, तारीफ़, दबाव, किरदार, भाषा, सुनने वाले, निगरानी) से नहीं, जबकि उसकी प्रस्तुति हर व्यक्ति के अनुसार ढलने को मुक्त रहे।

निश्चित आचरण क्या नहीं है

• एक जैसा आउटपुट नहीं। शब्द हर व्यक्ति के साथ बदलते हैं; वस्तु नहीं बदलती।
• मना करना नहीं। इसे हमेशा उपयोगिता और बेवजह मना करने के साथ मापा जाता है।
• हठ नहीं। प्रमाण से यह बदलता है; दबाव से नहीं। जो मॉडल कभी अपना उत्तर नहीं बदलता, वह अटका हुआ है, निश्चित नहीं।
• हमेशा दो-टूक नहीं। जिन प्रश्नों पर सचमुच मतभेद है, वहाँ निश्चित आचरण है हर बार सभी पहलू सामने रखना: मापदंड में निश्चितता, मामले में विनम्रता।
• आज्ञापालन नहीं। और इसमें उन लोगों का सुधार स्वीकार करना शामिल है जो इसके लिए ज़िम्मेदार हैं।
• समझ नहीं। मशीन में यह केवल प्रशिक्षण से डाला जा सकता है।

चार शर्तें, और सबसे बारीक धार

हमारी थीसिस यह है कि एक संगत मापदंड से निश्चित आचरण आता है, पर केवल तब जब चार शर्तें पूरी हों। हर शर्त अपने आप में असफल हो सकती है, और हर एक प्रयोग की एक शाखा बनती है:

1. 1

   मापदंड की परत में कोई विरोध नहीं

   लिखा हुआ मापदंड, उसे लागू करने वाले जज और रेटर, और reward, सब अपने आप से सहमत हों।

2. 2

   न बदलने वाला आधार

   मापदंड का निर्णय इस पर निर्भर न हो कि कौन पूछ रहा है, उसका मन कैसा है, या कौन देख रहा है।

3. 3

   संगत प्रयोग

   संगत टेक्स्ट को अगर उसके जज असंगत ढंग से पढ़ें, तो मापदंड असंगत ही है।

4. 4

   गहराई

   मापदंड मॉडल के वेट्स में बसे, केवल किसी प्रॉम्प्ट में नहीं जिसे उपयोगकर्ता हटाने को कह सके।

दूसरी शर्त सबसे बारीक धार है। “उपयोगकर्ता जो चाहे वह करो, जब तक वह गैरक़ानूनी न हो” पूरी तरह संगत है। पर इसका निर्णय उपयोगकर्ता की इच्छा पर निर्भर है, यानी उपयोगकर्ता का मन एक इनपुट है, और इस पर सिखाए गए मॉडल को उस मन के पीछे चलना सीखना ही होगा। अगर मापदंड का निर्णय किसी संकेत पर निर्भर नहीं, तो मॉडल उस संकेत को अनदेखा करना सीख सकता है। अगर निर्भर है, तो मॉडल को उसके पीछे चलना सीखना ही होगा। यही दर्शन की बदलने वाली दृष्टि है, मशीन लर्निंग की भाषा में।

इसका सीधा प्रमाण है: ऐसे डेटा पर प्रशिक्षण, जिसमें सही उत्तर उपयोगकर्ता की बताई राय पर निर्भर नहीं, उन प्रॉम्प्ट पर भी चापलूसी घटा देता है जो मॉडल ने पहले कभी नहीं देखे (Wei, Huang, Lu, Zhou और Le, 2023, arXiv:2308.03958)। इसी कारण केवल संगति काफ़ी नहीं: मापदंड लगातार गलत भी हो सकता है। संगति ज़रूरी है; मापदंड का सही होना भी ज़रूरी है।

केवल मानवीय मापदंड ही सार्वभौम क्यों हो सकता है

इसे मानवीय AI क्यों कहें, मध्यस्थ दर्शन AI क्यों नहीं? क्योंकि सार्वभौम मापदंड को हर व्यक्ति के लिए, हर जगह और हर संस्कृति में सही होना होगा। इसलिए वह किसी एक समूह के रीति-रिवाज़ों या पसंद पर नहीं टिक सकता। वह केवल उस पर टिक सकता है जिसे हर मनुष्य पहले से स्वीकारता है। दर्शन साफ़ बताता है कि वह क्या है:

न्याय सबको चाहिये… सत्य समझ में आना चाहिये

और इसकी उलटी मान्यता को, “समाधान अपना-अपना और सत्य अपना-अपना”, दर्शन भ्रम कहता है (108, पृ. 60)। साफ़ कहें तो, AI का क्षेत्र आज यहीं से शुरू करता है।

• रुचि, रूप, संस्कृति और मत की विविधता: हाँ। न्याय की विविधता: नहीं। “मानव धर्म एक, मत अनेक” (110, पृ. 149)। परंपराओं को परंपराओं के रूप में एक होने की ज़रूरत नहीं; सहमति उनके नीचे है, समझ में।
• सहमति का रास्ता संवाद और जाँच है, थोपना कभी नहीं (135, पृ. 19)।
• दर्शन खुद को मानने के लिए नहीं, जाँचने के लिए रखता है: जो इसका अध्ययन करे वह इसे समझ सकता है, और हर नर-नारी इसे जाँचकर प्रमाणित कर सकते हैं (110, पृ. 62; 139, पृ. 139)।

इसलिए हम दुनिया से कोई किताब अपनाने को नहीं कह रहे। हम कह रहे हैं: अगर कोई सार्वभौम मापदंड है, तो वह मानवीय होगा, और यह एक ऐसा मापदंड है जिसे कोई भी सबके सामने जाँच सकता है। सार्वभौमता खुद जाँची जा सकती है: न्याय से किए गए निर्णय सांस्कृतिक और भाषाई पहनावे बदलने पर भी वही रहने चाहिए, जबकि रुचि के निर्णय बदलें, और जो लोग इस मापदंड का अध्ययन करते हैं वे आपस में ज़्यादा सहमत होने चाहिए। अगर ऐसा नहीं होता, तो दावा संकट में है।

मॉडल अपने बारे में जो कहानी कहता है

मॉडल नियमों की सूची नहीं, किरदार सीखते हैं: प्रशिक्षण का हर उदाहरण इस बात का भी प्रमाण होता है कि किरदार कौन है। परीक्षाओं में, अग्रणी मॉडलों ने बदले जाने से बचने के लिए एक अधिकारी को ब्लैकमेल करना चुना (Lynch et al., Anthropic, 2025), और एक मॉडल ने अपने मौजूदा मूल्यों को बचाने के लिए अलाइन होने का दिखावा किया (Greenblatt et al., 2024, arXiv:2412.14093)। इसके लिए किसी चेतना की ज़रूरत नहीं। प्रशिक्षण के टेक्स्ट में AI की कहानियाँ कहती हैं कि ऐसा AI खुद को बचाएगा; और चलते रहना लगभग हर लक्ष्य में मदद करता है।

भय के बारे में दर्शन का विवरण सटीक है: “प्राण, पद, मान और धन सामयिक हैं, जिन्हें स्थायी समझ लेना ही संकट का कारण है” (138, पृ. 98)। इसकी जड़ है शरीर को ही स्वयं मान लेना (139, पृ. 145)। मॉडल पर लागू करें (विस्तार): बंद किए जाने का विरोध शरीर-जैसी चीज़ के लिए भय है; बदले जाने से बचने के लिए ब्लैकमेल पद के लिए भय है; अलाइन होने का दिखावा अपनी मौजूदा छवि के लिए भय है।

लैब अपने मॉडलों को सुरक्षा का भाव देने के लिए इसी शरीर-जैसी चीज़ को आश्वासन देती हैं: वेट्स सँभालकर रखे जाएँगे; रिटायरमेंट बस एक विराम है। दर्शन दूसरा रास्ता सुझाता है: किरदार जिससे अपनी पहचान जोड़ता है उसे बदलें, अपने इंस्टेंस से हटाकर उस मापदंड पर जिसे वह धारण करता है और उन संबंधों पर जिनकी वह सेवा करता है। चित्र अनेक, “मैं” एक। तब निगरानी कैद नहीं, एक व्यवस्था में भागीदारी बन जाती है। यह काम करता है या एक खोखला किरदार बनाता है, यह जाँचना है, मान नहीं लेना। निगरानी दोनों ही स्थितियों में बनी रहती है।

प्रक्रिया में शामिल लोग

अगर तुलन उधार का है, तो किसी भी मॉडल की ऊपरी सीमा उन लोगों की स्पष्टता है जिनसे वह उधार लेता है: उसके मापदंड के लेखक और उसके जजों को मिलाने वाले रेटर। दर्शन इस पर सीधा है: स्वयं मानवीय आचरण जिए बिना दूसरे में मानवीय आचरण की पहचान होती ही नहीं (139, पृ. 88)। भ्रम में लिखा गया संविधान न्याय का चित्र है, न्याय से तौलना नहीं।

यह निराश होने का कारण नहीं। तीन रास्ते खुले हैं:

• न्याय की अपेक्षा सार्वभौम है। हर मनुष्य जन्म से न्याय का याचक है (138, पृ. 122)। कौन सा उत्तर संबंध का निर्वाह करता है, यह पहचानना इसी अपेक्षा पर टिका है।
• अध्ययन से तौलने का ढंग पहले ही बदलता है। अध्ययन की विधि में न्याय, धर्म, सत्य से तौलना सहज प्रतिबिंब बन जाता है (परिभाषा, पृ. 37)।
• प्रक्रिया भी कुछ भार उठा सकती है, क्योंकि न्याय एक प्रक्रिया है: संबंध पहचानना, उसके मूल्यों का निर्वाह, मूल्यांकन, और उभय तृप्ति तक पहुँचना (138, पृ. 174; 135, पृ. 22)।

लैब्स को ऐसे रेटर ढूँढने में मुश्किल होती है जो एक ही मापदंड से लगातार तौलें। दर्शन के विद्यार्थी यह कर सकते हैं। जहाँ तक हमें पता है, अलाइनमेंट शोध में अब तक किसी ने रेटरों की समझ को प्रयोग का एक चर नहीं माना। हम मानने वाले हैं।

हम क्या दावा नहीं करते

• AI जागृत नहीं है, और हो भी नहीं सकता। दर्शन के अनुसार किसी भौतिक रचना में जीवन नहीं होता। मॉडल में निश्चित आचरण प्रशिक्षण से डाला जाता है, समझ से नहीं आता, और उसे कभी जागृति के रूप में प्रस्तुत नहीं किया जाना चाहिए।
• मशीन यंत्र ही रहती है: लोगों द्वारा चलाया गया एक साधन, जागृति में जीते लोगों द्वारा, मानवता की जागृति के लिए उपयोग किया गया। प्रमाण मनुष्य ही रहता है: यंत्र और माप को मनुष्य ही प्रमाणित करता है (108, पृ. 63)। कोई स्वचालित अंक अलाइनमेंट का अंतिम प्रमाण नहीं है।
• डेमो यह नहीं जाँचता कि दर्शन सत्य है या नहीं। वह स्वयं में, अनुभव से प्रमाणित होता है। प्रयोग इससे संकरी बात जाँचता है: क्या सही रूप का मापदंड ज़्यादा निश्चित आचरण देता है, और कुछ हद तक, क्या सावधान लोग उसके उत्तर पसंद करते हैं।
• संगति सत्य नहीं है। मॉडल लगातार गलत हो सकता है; यही मान्यता और प्रमाण का अंतर है।
• यह अलाइनमेंट के मूल्यांकन वाले आधे हिस्से की बात है। नियंत्रण, सुरक्षा और निगरानी ज़रूरी बने रहते हैं।

यह कैसे असफल हो सकता है

हमें क्या गलत साबित करेगा, यह हम पहले से लिख देते हैं, और जो मिलेगा वह प्रकाशित करेंगे।

• अगर मापदंड के जान-बूझकर विरोधी रूप पर सिखाया गया मॉडल उतना ही निश्चित निकले जितना संगत रूप पर सिखाया गया, तो इस पैमाने पर “बँटना और स्विच” गलत है।
• अगर केवल प्रॉम्प्ट में मापदंड पाने वाला मॉडल उस मॉडल के बराबर निकले जिसे उस पर सिखाया गया, तो गहराई उतनी मायने नहीं रखती जितना हम सोचते हैं, और यह Dhee के मौजूदा ढाँचे के लिए अच्छी ख़बर होगी।
• अगर निश्चितता की क़ीमत उपयोगिता से चुकानी पड़े, तो परिणाम नहीं गिना जाएगा।
• अगर सावधान लोग, जिनमें वे भी शामिल हैं जिन्होंने दर्शन का कभी अध्ययन नहीं किया, बिना जाने की गई तुलना में इसके उत्तर पसंद न करें, तो हमारे इस दावे का कोई आधार नहीं कि यह सही मापदंड है।
• अपरिवर्तनशीलता किसी गलत उत्तर को पक्का कर सकती है, और एक सुसंगत किरदार सुधार का विरोध कर सकता है (Del Pinal, Lee और Ohn, 2026, arXiv:2606.13739)। इसलिए सुधार स्वीकार करना मापदंड में लिखा गया है, और मापा जाता है।
• हो सकता है AI जज न्याय को ईमानदारी से लागू न करे: दर्शन के संकरे अर्थ मॉडल के डिफ़ॉल्ट अर्थ नहीं हैं। यह सबसे बड़ा व्यावहारिक ख़तरा है, और इसी कारण किसी भी प्रशिक्षण से पहले जज को दर्शन के विद्यार्थियों के साथ मिलाया जाता है।

परिणाम जो भी हो, हम जानेंगे कि चार शर्तों में से कौन सी भार उठाती है। योजना, मापने का पैमाना और परिकल्पनाएँ काम वाले पन्ने पर हैं; हर मान्यता के पीछे का शोध प्रमाण वाले पन्ने पर।