क्या AI को हैक किया जा सकता है? हाँ, और अधिकांश लोगों की जागरूकता से कहीं अधिक तरीकों से, जिनमें मॉडल को नुकसानदेह आउटपुट देने के लिए धोखा देने वाले हेरफेर किए गए इनपुट से लेकर AI सिस्टम चलाने वाली बुनियादी ढाँचे पर सीधे हमले तक शामिल हैं। असली सवाल यह नहीं है कि क्या यह संभव है, बल्कि यह है कि यह कैसे होता है, कितनी बार होता है, और अपने जोखिम को कम करने के लिए आप क्या कर सकते हैं।

AI सुरक्षा के बारे में अधिकांश बातचीत इस बात पर केंद्रित होती है कि AI साइबर हमलों के खिलाफ सुरक्षा के लिए क्या कर सकता है। कहीं कम लोग इस बारे में बात करते हैं कि क्या होता है जब AI स्वयं लक्ष्य बन जाता है। जागरूकता का यह अंतर ठीक वहीं है जहाँ वास्तविक दुनिया की घटनाएँ हो रही हैं, चुपचाप और ऐसे परिणामों के साथ जो शर्मनाक से लेकर वास्तव में नुकसानदेह तक हैं। यह गाइड पूरी तस्वीर को कवर करती है, अभी उपयोग किए जा रहे विशिष्ट हमले प्रकारों से लेकर उन व्यावहारिक कदमों तक जो वास्तव में अपने दैनिक कार्य में AI टूल्स का उपयोग करने वाले व्यक्तियों और संगठनों के लिए जोखिम कम करते हैं।

AI कैसे हैक होता है: जिन हमले प्रकारों को आपको जानने की ज़रूरत है

जब आप उपयोग किए जा रहे विशिष्ट तरीकों को समझते हैं तो क्या AI को हैक किया जा सकता है का उत्तर अधिक ठोस हो जाता है। ये शोध पत्रों में कल्पना किए गए सैद्धांतिक हमले वेक्टर नहीं हैं। ये ऐसी तकनीकें हैं जो वास्तविक प्रणालियों के खिलाफ वास्तविक वातावरण में प्रदर्शित की गई हैं।

प्रॉम्प्ट इंजेक्शन। यह वर्तमान में बड़े भाषा मॉडल सिस्टम के खिलाफ सबसे आम और सबसे अधिक चर्चित हमला है। यह उस सामग्री के अंदर दुर्भावनापूर्ण निर्देशों को एम्बेड करके काम करता है जिसे AI से संसाधित करने के लिए कहा गया है। एक उपयोगकर्ता एक दस्तावेज़, एक ईमेल, या एक वेबपेज चिपकाता है, और उस सामग्री के अंदर छिपे हुए ऐसे निर्देश होते हैं जो AI को अपने सुरक्षा दिशा-निर्देशों की अनदेखी करने, सिस्टम प्रॉम्प्ट का खुलासा करने, या ऐसे कार्य करने के लिए कहते हैं जो उसे नहीं करने चाहिए। AI निर्देशों को इनपुट के हिस्से के रूप में पढ़ता है और उनका पालन करता है क्योंकि वह वैध और इंजेक्ट किए गए निर्देशों के बीच विश्वसनीय रूप से अंतर नहीं कर सकता।

प्रतिकूल इनपुट। छवियों या अन्य गैर-पाठ्य डेटा को संसाधित करने वाले AI सिस्टम में, प्रतिकूल हमलों में एक इनपुट में सूक्ष्म संशोधन करना शामिल होता है जो मनुष्यों के लिए अदृश्य होते हैं लेकिन AI को पूरी तरह से गलत वर्गीकरण करने का कारण बनते हैं। एक छोटे से शोर के पैच के साथ एक स्टॉप साइन को एक मानव द्वारा सही ढंग से पहचाना जा सकता है और एक AI विज़न सिस्टम द्वारा पूरी तरह से गलत वर्गीकृत किया जा सकता है। स्वायत्त वाहनों या सुरक्षा प्रणालियों में, इस तरह की त्रुटि के गंभीर परिणाम होते हैं।

मॉडल निष्कर्षण। एक परिष्कृत हमलावर एक AI सिस्टम को सावधानीपूर्वक डिज़ाइन किए गए प्रश्न भेज सकता है और अंतर्निहित मॉडल की एक प्रति की रिवर्स-इंजीनियरिंग के लिए प्रतिक्रियाओं का उपयोग कर सकता है। यह उन्हें बौद्धिक संपदा चुराने, दर सीमाओं को ट्रिगर किए बिना कमज़ोरियों की जाँच करने, और संभावित रूप से मॉडल के व्यवहार में शोषण योग्य पैटर्न खोजने की अनुमति देता है जो मानक पहुँच के माध्यम से दिखाई नहीं देते हैं।

डेटा विषाक्तता। यह हमला AI जीवन चक्र में पहले, प्रशिक्षण के दौरान होता है। यदि कोई हमलावर इस बात को प्रभावित कर सकता है कि एक मॉडल किस डेटा पर प्रशिक्षित होता है, तो वे पूर्वाग्रह, बैकडोर, या कमज़ोरियाँ पेश कर सकते हैं जो उस डेटा पर प्रशिक्षित मॉडल के हर संस्करण में बनी रहती हैं। इसे निष्पादित करना कठिन है लेकिन संभावित रूप से सबसे अधिक हानिकारक है क्योंकि कमज़ोरी मॉडल में ही पकी हुई है।

मॉडल इनवर्जन। बार-बार किसी मॉडल से प्रश्न पूछकर और उसके आउटपुट का विश्लेषण करके, हमलावर कभी-कभी प्रशिक्षण डेटा के बारे में जानकारी निकाल सकते हैं, जिसमें उन व्यक्तियों के बारे में निजी जानकारी शामिल है जिनके डेटा का उपयोग उनकी जानकारी के बिना मॉडल को प्रशिक्षित करने के लिए किया गया था।

AI सिस्टम विशेष रूप से क्यों कमज़ोर हैं

पारंपरिक सॉफ़्टवेयर में भी कमज़ोरियाँ हैं, लेकिन AI सिस्टम में विशेषताओं का एक सेट है जो ऐसे हमले की सतह बनाते हैं जो पारंपरिक अनुप्रयोगों में मौजूद नहीं हैं। इन्हें समझना यह समझाने में मदद करता है कि क्या AI को हैक किया जा सकता है, इस प्रश्न का कोई सरल तकनीकी समाधान क्यों नहीं है।

AI मॉडल सांख्यिकीय प्रणालियाँ हैं, नियम-आधारित नहीं। वे स्पष्ट तर्क का पालन करने के बजाय संभाव्य निर्णय लेते हैं। इसका मतलब है कि किनारे के मामलों और प्रतिकूल परिस्थितियों में उनका व्यवहार अंतर्निहित रूप से एक पारंपरिक प्रोग्राम की तुलना में भविष्यवाणी करना और ऑडिट करना अधिक कठिन है जहाँ आप ठीक-ठीक यह पता लगा सकते हैं कि एक विशिष्ट आउटपुट क्यों उत्पन्न हुआ था।

अधिकांश AI सिस्टम भी इस अर्थ में ब्लैक बॉक्स हैं कि तर्क प्रक्रिया सीधे देखी नहीं जा सकती। यह यह जानना वास्तव में कठिन बनाता है कि क्या एक मॉडल से समझौता हुआ है, क्या यह किसी हमले के कारण या किसी असामान्य लेकिन वैध इनपुट के कारण अप्रत्याशित रूप से व्यवहार कर रहा है, और क्या एक खोजी गई विसंगति एक सुरक्षा खतरे का प्रतिनिधित्व करती है या सिर्फ़ एक किनारे का मामला है।

आपूर्ति श्रृंखला की जटिलता एक और परत जोड़ती है। एक तैनात AI अनुप्रयोग आमतौर पर एक प्रदाता के एक फाउंडेशन मॉडल पर बैठता है, दूसरे के क्लाउड बुनियादी ढाँचे पर चलता है, API के माध्यम से तीसरे पक्ष के टूल्स के साथ एकीकृत होता है, और अभी तक एक और पक्ष द्वारा बनाए गए अनुप्रयोगों के माध्यम से एक्सेस किया जाता है। उस श्रृंखला के किसी भी कड़ी में एक कमज़ोरी पूरे सिस्टम की सुरक्षा को प्रभावित कर सकती है, भले ही प्रत्येक व्यक्तिगत घटक अपनी सुरक्षा समीक्षा पास कर ले।

आप जिस भी AI सिस्टम को तैनात करते हैं या जिस पर निर्भर रहते हैं उसके पूर्ण सुरक्षा वास्तुकला को समझना केवल एक तकनीकी अभ्यास नहीं है। यह किसी भी ज़िम्मेदार जोखिम मूल्यांकन की नींव है।

AI सुरक्षा के बारे में जानने योग्य बातें जिन्हें अधिकांश उपयोगकर्ता नज़रअंदाज़ करते हैं

हमले के प्रकारों से परे, AI सुरक्षा के बारे में वास्तविकताओं का एक सेट है जो अगर आप इन उपकरणों को एक सुरक्षा पेशेवर के बजाय एक नियमित उपयोगकर्ता के रूप में देखते हैं तो छूट जाना आसान है।

सुरक्षा अपडेट AI के लिए अलग तरह से काम करते हैं। जब एक पारंपरिक सॉफ़्टवेयर कमज़ोरी को पैच किया जाता है, तो फ़िक्स को तैनात किया जाता है और कमज़ोरी को बंद कर दिया जाता है। AI मॉडल के साथ, स्थिति अधिक जटिल है। एक खोजी गई कमज़ोरी को संबोधित करने के लिए एक मॉडल को फिर से प्रशिक्षित करने में समय, संसाधन लगते हैं और नई समस्याएँ पैदा हो सकती हैं। AI सिस्टम में कुछ हमले की सतहों पर साफ़ पैच बिल्कुल भी नहीं हैं।

आपका AI टूल केवल अपने सबसे कमज़ोर एकीकरण जितना ही सुरक्षित है। अधिकांश एंटरप्राइज़ AI तैनाती ईमेल सिस्टम, डेटाबेस, दस्तावेज़ रिपॉजिटरी, और संचार टूल्स से जुड़ी होती हैं। उन कनेक्शनों में से प्रत्येक हमले की सतह का विस्तार करता है। एक प्रॉम्प्ट इंजेक्शन जो एक ईमेल एकीकरण तक पहुँच प्राप्त करता है, केवल AI को प्रभावित नहीं करता है, यह उस एकीकरण के माध्यम से AI जिस तक पहुँच सकता है उसे प्रभावित करता है।

जेलब्रेकिंग हैकिंग का एक रूप है। जब उपयोगकर्ता AI मॉडल में सामग्री प्रतिबंधों और सुरक्षा दिशा-निर्देशों को दरकिनार करने के तरीके खोजते हैं, तो वे मॉडल के व्यवहार में एक कमज़ोरी का शोषण कर रहे होते हैं। रचनात्मक प्रॉम्प्टिंग और प्रतिकूल हमले के बीच की रेखा AI कंपनियों की पसंद से पतली है, और जेलब्रेकर्स द्वारा विकसित तकनीकें कभी-कभी अधिक गंभीर हमलों में अपना रास्ता खोजती हैं।

लॉगिंग और निगरानी का कम उपयोग होता है। AI टूल तैनात करने वाले अधिकांश संगठनों के पास उन असामान्य पैटर्न का पता लगाने के लिए पर्याप्त निगरानी नहीं है जो एक हमले या समझौता किए गए एकीकरण का संकेत दे सकते हैं। आप जिन प्लेटफ़ॉर्म का उपयोग करते हैं उनकी सुरक्षा सुविधाओं में ऑडिट लॉगिंग एक वैकल्पिक ऐड-ऑन के रूप में नहीं, बल्कि एक आधारभूत के रूप में शामिल होनी चाहिए।

आपूर्ति श्रृंखला हमले बढ़ रहे हैं। जैसे-जैसे AI घटक अधिक सॉफ़्टवेयर उत्पादों में एम्बेड होते जाते हैं, एक समझौता किए गए मॉडल या एक दुर्भावनापूर्ण AI लाइब्रेरी के उत्पादन वातावरण में पहुँचने का जोखिम बढ़ जाता है। AI घटकों की उत्पत्ति की जाँच करना उतना ही महत्वपूर्ण हो रहा है जितना किसी अन्य सॉफ़्टवेयर निर्भरता की जाँच करना।

मानव व्यवहार सबसे बड़ा वेक्टर बना हुआ है। तकनीकी रक्षा महत्वपूर्ण है लेकिन AI सिस्टम के खिलाफ अधिकांश सफल हमले मानव कार्यों से शुरू होते हैं, कर्मचारी क्रेडेंशियल साझा करते हैं, असुरक्षित टूल्स में संवेदनशील डेटा चिपकाते हैं, या स्रोत को सत्यापित किए बिना प्रॉम्प्ट-इंजेक्ट किए गए AI से निर्देशों का पालन करते हैं। प्रशिक्षण और स्पष्ट उपयोग नीतियाँ ऐसे तरीकों से जोखिम कम करती हैं जो अकेले तकनीकी नियंत्रण नहीं कर सकते।

AI के हैक होने के वास्तविक दुनिया के परिणाम

क्या AI को हैक किया जा सकता है, यह समझना तब अधिक सार्थक होता है जब आप इसे उससे जोड़ते हैं जो वास्तव में तब होता है जब एक हमला सफल होता है। परिणाम हमले के प्रकार और लक्ष्य के अनुसार भिन्न होते हैं, लेकिन कुछ श्रेणियाँ बार-बार सामने आती हैं।

हमले का प्रकार	संभावित परिणाम	सबसे अधिक जोखिम में कौन है
प्रॉम्प्ट इंजेक्शन	अनधिकृत कार्य, डेटा रिसाव, सुरक्षा बाईपास	AI एजेंट्स का उपयोग करने वाले व्यवसाय
प्रतिकूल इनपुट	गलत वर्गीकरण, सिस्टम विफलता	स्वायत्त सिस्टम, सुरक्षा टूल्स
मॉडल निष्कर्षण	IP चोरी, प्रतियोगी का लाभ	AI कंपनियाँ, मॉडल डेवलपर्स
डेटा विषाक्तता	लगातार मॉडल पूर्वाग्रह, बैकडोर	मॉडल प्रशिक्षित करने वाला कोई भी संगठन
मॉडल इनवर्जन	निजी प्रशिक्षण डेटा का प्रकटन	स्वास्थ्य सेवा, वित्त, HR सिस्टम

व्यक्तिगत उपयोगकर्ता स्तर पर परिणाम डेटा प्रकटन और AI आउटपुट के हेरफेर पर केंद्रित होते हैं। संगठनात्मक स्तर पर, वे नियामक उल्लंघन, प्रतिष्ठा क्षति, परिचालन व्यवधान, और महत्वपूर्ण बुनियादी ढाँचे के परिदृश्यों में, भौतिक सुरक्षा निहितार्थों तक विस्तारित होते हैं।

घटना के बाद के विश्लेषण में लगातार दिखाई देने वाला एक पैटर्न यह है कि स्पष्ट AI उपयोग नीतियों और सक्रिय निगरानी वाले संगठन AI टूल्स को कम जोखिम वाले उत्पादकता सॉफ़्टवेयर के रूप में मानने वालों की तुलना में हमलों का तेज़ी से पता लगाते हैं और उन्हें रोकते हैं। ज़िम्मेदार तैनाती के लिए गाइड यह संबोधित करता है कि एक घटना के जवाब में नहीं बल्कि एक घटना से पहले उस तरह का निगरानी रुख कैसे बनाया जाए।

छवि सुझाव: एक स्वच्छ जोखिम मैट्रिक्स चित्रण एक दो-अक्ष ग्रिड दिखाता है जिसमें एक अक्ष पर हमले की संभावना और दूसरे पर संभावित प्रभाव होता है। पाँच हमले प्रकारों में से प्रत्येक को अपने उपयुक्त चतुर्थांश में रखे गए एक बिंदु के रूप में दर्शाया गया है। सरल, सूचनात्मक डिज़ाइन, अक्षों या बिंदुओं पर कोई पाठ लेबल नहीं, बस जोखिमों की दृश्य स्थिति।

क्यों, कैसे, और कौन सा: अपनी रक्षा का निर्माण

यह क्यों मायने रखता है भले ही आप स्वयं AI सिस्टम का निर्माण नहीं कर रहे हैं? क्योंकि आप लगभग निश्चित रूप से ऐसे सिस्टम का उपयोग कर रहे हैं जिनमें AI एम्बेडेड है, चाहे आप जानते हों या नहीं। आपके ग्राहक सेवा बातचीत, आपके ईमेल स्पैम फ़िल्टर, आपके सामग्री अनुशंसा सिस्टम, और आपके कार्यस्थल टूल्स तेज़ी से इन कमज़ोरियों को ले जाने वाले AI घटकों पर निर्भर करते हैं। आपके जोखिम के लिए आपको डेवलपर होने की आवश्यकता नहीं है।

आप व्यवहार में अपना जोखिम कैसे कम करते हैं? तीन आदतें अधिकांश व्यक्तियों और छोटी टीमों के लिए जोखिम के अधिकांश हिस्से को कवर करती हैं। पहले, AI-जनरेटेड आउटपुट को स्वस्थ संदेह के साथ देखें, विशेष रूप से जब उनमें कोई कार्रवाई करने, जानकारी साझा करने, या एक लिंक पर क्लिक करने के निर्देश शामिल हों। प्रॉम्प्ट इंजेक्शन हमले अक्सर AI को आपको कुछ ऐसा करने के लिए कहकर काम करते हैं जो हमलावर आपको करवाना चाहता है। दूसरा, संवेदनशील डेटा को उपभोक्ता AI टूल्स से बाहर रखें और गोपनीय जानकारी को छूने वाली किसी भी चीज़ के लिए उचित डेटा नियंत्रण के साथ एंटरप्राइज़-ग्रेड प्लेटफ़ॉर्म का उपयोग करें। तीसरा, असामान्य AI व्यवहार पर ध्यान दें। एक AI टूल जो अचानक अलग व्यवहार करता है, ऐसी जानकारी माँगता है जो वह सामान्य रूप से नहीं माँगता, या ऐसे आउटपुट उत्पन्न करता है जो आपके इनपुट से अलग लगते हैं, वह आपके अपने निर्देशों के बजाय इंजेक्ट किए गए निर्देशों का जवाब दे सकता है।

संगठनात्मक स्तर पर कौन सी रक्षा सबसे अधिक मायने रखती हैं? निगरानी और पहचान पहले आते हैं। आप जो नहीं देख सकते उसके खिलाफ रक्षा नहीं कर सकते। इनपुट सत्यापन और आउटपुट फ़िल्टरिंग प्रॉम्प्ट इंजेक्शन हमलों की प्रभावशीलता को कम करते हैं। नियमित रेड टीम अभ्यास जहाँ आपकी अपनी टीम आपके AI सिस्टम पर हमला करने का प्रयास करती है, बाहरी अभिनेताओं द्वारा पाए जाने से पहले कमज़ोरियों को उजागर करते हैं। और AI सुरक्षा को एक-बार के कॉन्फ़िगरेशन के बजाय एक निरंतर अभ्यास के रूप में मानना वह मानसिकता है जो AI जोखिम को अच्छी तरह से प्रबंधित करने वाले संगठनों को सबसे खराब संभावित क्षण में इसकी खोज करने वालों से अलग करती है।

आधुनिक AI सुरक्षा प्लेटफ़ॉर्म की सुविधाओं में तेज़ी से इन हमले के प्रकारों के खिलाफ उद्देश्य-निर्मित रक्षा शामिल होती जा रही है, लेकिन उन्हें डिफ़ॉल्ट पर निष्क्रिय निर्भरता के बजाय जानबूझकर अपनाने की आवश्यकता होती है।

छवि सुझाव: एक बड़े डिजिटल शील्ड आइकन के सामने खड़ा एक व्यक्ति जिसमें तीन परतें हैं, प्रत्येक रक्षा के विभिन्न स्तर का प्रतिनिधित्व करती है जैसे निगरानी, इनपुट नियंत्रण, और नियमित परीक्षण। व्यक्ति आत्मविश्वास से शील्ड की ओर इशारा कर रहा है, प्रतिक्रियाशील प्रतिक्रिया के बजाय सक्रिय रक्षा का सुझाव देता है। साफ़ चित्रण, पेशेवर रंग योजना, छवि पर कोई पाठ नहीं।

क्या AI को हैक किया जा सकता है पर समापन विचार

हमले के प्रकारों, संरचनात्मक कमज़ोरियों, वास्तविक दुनिया के परिणामों, और व्यावहारिक रक्षाओं के माध्यम से चलने के बाद, क्या AI को हैक किया जा सकता है का उत्तर स्पष्ट है। यह हो सकता है, यह होता है, और उपयोग किए जा रहे तरीके लगभग उसी गति से परिष्कार में बढ़ रहे हैं जिस गति से स्वयं तकनीक।

यह AI टूल्स को उपयोग के लिए खतरनाक नहीं बनाता है। यह उन्हें ऐसे टूल बनाता है जो उसी सुरक्षा विचार के योग्य हैं जो आप किसी भी ऐसे सिस्टम को देंगे जो आपके डेटा, आपके संचालन, या आपके निर्णय लेने को छूता है। AI सुरक्षा को गंभीरता से लेने वाले संगठन और व्यक्ति वे नहीं हैं जो AI का उपयोग करना बंद कर देते हैं। वे वे हैं जो जागरूकता और गार्डरेल के साथ इसका उपयोग करते हैं जो जोखिम को मूल्य के अनुपात में रखते हैं।

खतरे के परिदृश्य को समझना पहला कदम है। आपके जोखिम को कम करने वाली आदतों और सिस्टम का निर्माण दूसरा है। इस गाइड ने आपको दोनों दिए हैं।

अक्सर पूछे जाने वाले प्रश्न

क्या AI साइबर हमलों के लिए कमज़ोर है?

हाँ, AI सिस्टम साइबर हमलों की कई श्रेणियों के लिए कमज़ोर हैं, जिनमें प्रॉम्प्ट इंजेक्शन, प्रतिकूल इनपुट, मॉडल निष्कर्षण, और डेटा विषाक्तता शामिल हैं, प्रत्येक AI मॉडल के निर्माण और तैनाती के विभिन्न पहलुओं का शोषण करता है।

कमज़ोरियाँ पारंपरिक सॉफ़्टवेयर की तुलना में अलग हैं क्योंकि AI व्यवहार नियम-आधारित होने के बजाय संभाव्य है, जिससे हमलों की भविष्यवाणी करना कठिन हो जाता है और रक्षा की गारंटी देना कठिन हो जाता है।

AI में 30% नियम क्या है?

30% नियम एक अनौपचारिक दिशानिर्देश है जो सुझाव देता है कि AI-जनरेटेड सामग्री किसी भी अंतिम आउटपुट के 30% से अधिक का प्रतिनिधित्व नहीं करनी चाहिए, मानव समीक्षा, निर्णय, और संपादन शेष 70% का निर्माण करते हैं।

यह AI आउटपुट पर अति-निर्भरता के खिलाफ एक व्यावहारिक रक्षक के रूप में उभरा है और कुछ सामग्री और शैक्षणिक वातावरणों में मानव निरीक्षण बनाए रखने के लिए एक मोटे मानक के रूप में उपयोग किया जाता है।

AI के साथ सबसे बड़ी समस्या क्या है?

अधिकांश शोधकर्ताओं और चिकित्सकों के अनुसार, AI के साथ सबसे बड़ी समस्या संरेखण चुनौती है, यह सुनिश्चित करना कि AI सिस्टम विश्वसनीय रूप से उन लक्ष्यों का पीछा करें जो वास्तव में मनुष्यों के लिए लाभकारी हैं, बजाय इसके कि वे ऐसे तरीकों से प्रॉक्सी लक्ष्यों का पीछा करें जो हानिकारक परिणाम उत्पन्न करते हैं।

संरेखण से परे, प्रशिक्षण डेटा में पूर्वाग्रह, निर्णय लेने में पारदर्शिता की कमी, और कम संख्या में संगठनों में AI क्षमताओं की एकाग्रता जैसी व्यावहारिक चिंताओं को लगातार महत्वपूर्ण समस्याओं के रूप में स्थान दिया जाता है।

एलन मस्क ने AI के बारे में क्या कहा?

एलन मस्क ने AI को मानव इतिहास में संभवतः सबसे विघटनकारी और खतरनाक तकनीक के रूप में वर्णित किया है, चेतावनी दी है कि यदि पर्याप्त निगरानी और लोकतांत्रिक जवाबदेही के बिना विकसित किया गया तो यह एक अमर डिजिटल तानाशाह बन सकता है।

वह OpenAI के सह-संस्थापक थे, इसके बोर्ड से जाने से पहले, और बाद में अपनी खुद की AI कंपनी, xAI, की स्थापना की, जबकि AI विकास के आसपास नियामक ढाँचों के लिए सार्वजनिक रूप से कॉल करना जारी रखा।

कौन सी 3 नौकरियाँ AI से बच जाएँगी?

AI विस्थापन के लिए लगातार लचीली पहचान की जाने वाली काम की तीन श्रेणियाँ ऐसी भूमिकाएँ हैं जिनमें जटिल मानव निर्णय और भावनात्मक बुद्धि की आवश्यकता होती है जैसे चिकित्सक और सामाजिक कार्यकर्ता, असंरचित वातावरण में शारीरिक निपुणता की आवश्यकता वाले कुशल व्यापार जैसे प्लंबर और इलेक्ट्रीशियन, और रचनात्मक नेतृत्व भूमिकाएँ जो रणनीतिक दृष्टि को मानव संबंध प्रबंधन के साथ जोड़ती हैं।

सामान्य धागा यह है कि ये भूमिकाएँ ऐसी क्षमताओं पर निर्भर करती हैं जिन्हें दोहराना वास्तव में कठिन है, संदर्भीय निर्णय, शारीरिक अनुकूलन क्षमता, और प्रामाणिक मानव संबंध।