कृत्रिम बुद्धिमत्ता: भविष्यवाणी, अनुमान, और चिकित्सा में 'सीखने को मिटाना' की अवधारणा

पिछले दो वर्षों में, मैंने एआई के बारे में नियामकों, वित्तीय संस्थानों, इंजीनियरों, सीईओ और संशयवादी लोगों के साथ सैकड़ों बातचीत की है। इस क्षेत्र को लेकर लगातार भ्रम और अस्पष्टता सामने आती रहती है। हर कोई कृत्रिम बुद्धिमत्ता के बारे में ऐसे बात करता है जैसे कि यह एक ऐसी तकनीक है जो एक दिशा में चलती है, जबकि वास्तविकता कहीं अधिक जटिल और विस्तृत है। जैसा कि शॉन कामकर ने लिखा है।

कृत्रिम बुद्धिमत्ता भविष्यवाणी और तर्क का प्रतिच्छेदन है

एआई दो मौलिक रूप से भिन्न प्रणालियों के मिलन बिंदु का प्रतिनिधित्व करता है: एक भविष्यवाणी करने के लिए डिज़ाइन किया गया है, दूसरा तर्क करने के लिए डिज़ाइन किया गया है। जो कंपनियां इस अंतर को समझती हैं और उन्हें संयोजित करना सीखती हैं, उन्हें उन कंपनियों की तुलना में महत्वपूर्ण लाभ होगा जो एआई को एक अखंड उपकरण के रूप में मानती हैं।

पूर्वानुमानित एआई बनाम जनरेटिव एआई

प्रिडिक्टिव एआई, कई वर्षों से, चुपचाप और पर्दे के पीछे से निर्णय लेने का समर्थन करता रहा है; मशीन लर्निंग मॉडल बड़ी मात्रा में ऐतिहासिक डेटा में पैटर्न का पता लगाने में उत्कृष्टता प्राप्त करते हैं। उदाहरण के लिए, क्रेडिट क्षेत्र में, ये मॉडल उन पैटर्न की पहचान करने के लिए ऐतिहासिक डेटा की विशाल मात्रा का विश्लेषण करते हैं जिन्हें वस्तुतः कोई भी मानव विश्लेषक लाखों परिणामों के बीच नहीं देख सकता है; यह दशकों पहले बनाई गई पारंपरिक मूल्यांकन प्रणालियों की तुलना में कहीं अधिक सटीक रूप से पुनर्भुगतान की संभावना, धोखाधड़ी के जोखिम और निवेश पोर्टफोलियो की अस्थिरता की भविष्यवाणी करता है।

जेनरेटिव एआई एक पूरी तरह से अलग कार्य करता है: यह जानकारी एकत्र करता है, अस्पष्टता से निपटता है, और मानव भाषा में संचार करता है। यह एक प्रवृत्ति के महत्व को समझा सकता है, जटिल परिणामों को सारांशित कर सकता है, रणनीतिक व्यापार-बंदों को उजागर कर सकता है, और लोगों को उन प्रणालियों के साथ बातचीत करने में मदद कर सकता है जिन्हें समझने के लिए पहले विशेष विशेषज्ञता की आवश्यकता होती है। इसका कार्य केवल भविष्यवाणी तक ही सीमित नहीं है; बल्कि, इसमें अनुमान और अनुवाद (डेटा को समझने योग्य अवधारणाओं में बदलना) शामिल है।

दोनों के बीच अंतर और संयोजन: इस अंतर को समझने का सबसे सरल तरीका निम्नलिखित सादृश्य के साथ है: मशीन लर्निंग "नैदानिक ​​​​प्रयोगशाला" का प्रतिनिधित्व करता है जो परीक्षण करता है, जबकि प्रसूति एआई "डॉक्टर" का प्रतिनिधित्व करता है जो परिणामों की व्याख्या करने और अगले चरण को निर्धारित करने में मदद करता है। उनमें से कोई भी दूसरे के लिए अपरिहार्य नहीं है; बल्कि, वे एक अधिक शक्तिशाली और प्रभावी प्रणाली बनाने के लिए एक साथ एकीकृत होते हैं।

कार्य के लिए सही प्रकार के AI का उपयोग करें

यह अंतर महत्वपूर्ण है क्योंकि कई संगठन वर्तमान में जेनेरिक एआई को उन भूमिकाओं में सम्मिलित करने का प्रयास कर रहे हैं जिन्हें मूल रूप से निष्पादित करने के लिए डिज़ाइन नहीं किया गया था। बड़े भाषा मॉडल की विशाल क्षमताओं के बावजूद, वे नियतात्मक भविष्यवाणी प्रणाली नहीं हैं (यानी, वे गणितीय परिशुद्धता के साथ स्थिर और सटीक परिभाषित परिणाम नहीं देते हैं)।

एक सामान्य उद्देश्य वाले "चैटबॉट" से स्वतंत्र रूप से महत्वपूर्ण वित्तीय या परिचालन निर्णय लेने के लिए कहना - बिना किसी विशेष विश्लेषणात्मक बुनियादी ढांचे के समर्थन के - कुछ हद तक किसी डॉक्टर से प्रयोगशालाओं, चिकित्सा परीक्षाओं या महत्वपूर्ण संकेतों को मापने की मदद के बिना मरीज की स्थिति का निदान करने के लिए कहने के समान है। विश्वसनीय और ठोस डेटा की कमी वाला तर्क अविश्वसनीय रहता है।

इस बीच, भविष्यवाणी प्रणालियाँ जिनमें व्याख्या की कमी होती है, एक अलग तरह की समस्या पैदा करती हैं। मैं जो देख रहा हूं वह यह है कि संगठन ऐसे आउटपुट उत्पन्न करने में सक्षम हैं जो तेजी से सटीक हैं, लेकिन समझना मुश्किल है, और कम से कम लोगों द्वारा समझा जाता है। यह विसंगति ही विभिन्न क्षेत्रों में कृत्रिम बुद्धिमत्ता को अपनाने के अगले चरण की विशेषताओं को आकार देती है।

विभिन्न क्षेत्र अनुप्रयोग

उदाहरण के लिए, स्वास्थ्य देखभाल में, भविष्यवाणी मॉडल पारंपरिक स्क्रीनिंग विधियों की तुलना में पहले उच्च जोखिम वाले रोगियों की पहचान कर सकते हैं। हालाँकि, चिकित्सकों को अभी भी परिणामों की व्याख्या करने, चिकित्सीय विचारों को सारांशित करने और रोगियों के साथ स्पष्ट रूप से संवाद करने में सक्षम प्रणालियों की आवश्यकता है। स्वायत्त वाहनों के क्षेत्र में, कृत्रिम बुद्धिमत्ता की एक परत वास्तविक समय में पथों, पैदल यात्रियों, दूरियों और बाधाओं पर लगातार नज़र रखती है, जबकि दूसरी परत यह निर्धारित करती है कि वाहन बदलती परिस्थितियों पर कैसे प्रतिक्रिया देगा।

यह पैटर्न हर जगह दोहराया जाता है: पूर्वानुमानित बुद्धि को निगमनात्मक बुद्धि (तर्क और विश्लेषण के आधार पर) के साथ जोड़ा जाता है।

भविष्यवाणी, अनुमान... और मानवीय निर्णय का संयोजन

ऋण संचालन इसका सबसे स्पष्ट उदाहरणों में से एक है; क्रेडिट मूल्यांकन प्रक्रिया नियतिवादी और दोहराने योग्य होनी चाहिए - जिसका अर्थ है कि समान इनपुट से हर बार समान परिणाम और व्याख्या होनी चाहिए - अन्यथा निर्णय पर्यवेक्षकों या उधारकर्ताओं के लिए उचित नहीं होगा। यहां मशीन लर्निंग की शक्ति उभरती है, लेकिन यह इन संख्याओं के अर्थ और उनके अर्थों का पता लगाने का साधन प्रदान नहीं करती है।

इस अंतर को भरने के लिए जनरेटिव आर्टिफिशियल इंटेलिजेंस की भूमिका यहां आती है। यह संदर्भ में परिणामों की व्याख्या करता है, क्रेडिट पोर्टफोलियो पर वैकल्पिक काल्पनिक परिदृश्यों ("क्या होगा अगर" विश्लेषण) का परीक्षण करता है, और अनुमोदन निर्णयों पर नीतिगत परिवर्तनों के प्रभाव का अनुकरण करता है। केवल ऋणों का मूल्यांकन करने के बजाय, यह बुद्धिमत्ता उधारदाताओं को उन प्रणालियों के आउटपुट को समझने में मदद करती है जो वास्तविक मूल्यांकन प्रक्रिया को संभालते हैं। यह संयोजन मानवीय निर्णय की भूमिका को नकारता नहीं है; बल्कि, यह इसके मूल्य को बढ़ाता है; यह मनुष्यों को नियमित विश्लेषण के लिए कम समय और असाधारण मामलों से निपटने, रणनीतिक निर्णय लेने और नियंत्रण और पर्यवेक्षण कार्यों को करने के लिए अधिक समय देने की अनुमति देता है।

सर्वोत्तम परिणाम प्राप्त करने वाले संगठन वे हैं जो मनुष्यों को एआई सिस्टम से प्रतिस्थापित नहीं करते हैं; बल्कि, वे ऐसे सिस्टम का निर्माण करते हैं जो बुद्धिमत्ता के विभिन्न रूपों को एकीकृत करते हैं: सांख्यिकीय मॉडल जो बड़े पैमाने पर पैटर्न का पता लगाते हैं, जेनरेटर सिस्टम जो जटिलता को कार्रवाई योग्य अंतर्दृष्टि में बदलते हैं, और एक मानवीय तत्व जो संदर्भ जोड़ता है और निरीक्षण और मूल्यांकन भूमिका निभाता है।

उन्नत विश्लेषण क्षमताएं

दशकों से, उन्नत विश्लेषणात्मक क्षमताएं प्रमुख वैश्विक संस्थानों में केंद्रित रही हैं; अकेले इन संस्थानों के पास बड़े पैमाने पर जानकारी संसाधित करने के लिए आवश्यक बुनियादी ढाँचा और विशेषज्ञता प्रदान करने के लिए वित्तीय संसाधन थे। हालाँकि, कृत्रिम बुद्धिमत्ता इस वास्तविकता को बदलने लगी है। जो संगठन सबसे अधिक लाभ प्राप्त करेंगे वे वे नहीं होंगे जो पूर्ण स्वचालन अपनाते हैं; बल्कि, वे जो भविष्यवाणी, तर्क और मानवीय निर्णय को कार्य प्रणालियों में जोड़ते हैं जो व्यक्तियों की प्रभावशीलता को बढ़ाते हैं।

एक ऐसे मरीज की कल्पना करें जो वर्षों पहले एक बुद्धिमान प्रणाली को प्रशिक्षित करने के लिए अपने मेडिकल डेटा का उपयोग करने के लिए सहमत हुआ था जो डॉक्टरों को बीमारियों का पता लगाने में मदद करता है। इस प्रकार, उनकी तस्वीरें, परीक्षाएं और चिकित्सा इतिहास उन हजारों, शायद लाखों रिकॉर्डों में शामिल थे, जिनका उपयोग मॉडल बनाने के लिए किया गया था। फिर उसने अपना मन बदल लिया और अपनी सहमति वापस लेने और अपना डेटा हटाने के लिए कहा।

पारंपरिक डेटाबेस में, समाधान सरल लगता है: रिकॉर्ड हटा दिया जाता है और कहानी खत्म हो जाती है। लेकिन समस्या तब और अधिक जटिल हो जाती है जब सिस्टम उस डेटा से पहले ही सीख चुका हो; प्रशिक्षण के दौरान, मॉडल आवश्यक रूप से डेटाबेस की तरह रोगी के रिकॉर्ड को बनाए नहीं रखता है, बल्कि इसके आंतरिक पैरामीटर उसके द्वारा निकाले गए पैटर्न के आधार पर बदलते हैं। इस प्रकार, मूल फ़ाइल को हटाया जा सकता है, जबकि इसके सांख्यिकीय प्रभाव का एक हिस्सा एल्गोरिथम ने जो सीखा है उसमें बना रहता है।

जब "हटाएं" बटन पर्याप्त न हो

क्या मशीन ने जो सीखा है उसे मिटाया भी जा सकता है? 18 जुलाई, 2026 को जर्नल "एनपीजे डिजिटल मेडिसिन", "नेचर पोर्टफोलियो" के हिस्से में प्रकाशित एक हालिया विश्लेषणात्मक अध्ययन में शोधकर्ताओं द्वारा यह प्रश्न उठाया गया है, जिसका शीर्षक है "क्लिनिकल आर्टिफिशियल इंटेलिजेंस के शासन के लिए एक आवश्यकता के रूप में मशीन लर्निंग को मिटाना।"

अध्ययन "मशीन अनलर्निंग" की अवधारणा पर चर्चा करता है, यानी, पहले से प्रशिक्षित मॉडल से विशिष्ट डेटा के प्रभाव को हटाने का प्रयास, बिना इसे पूरी तरह से फिर से शुरू करने के लिए।

यदि यह विचार व्यवहार में सफल होता है, तो यह डिजिटल चिकित्सा में एक ऐसी क्षमता जोड़ सकता है जो परंपरागत रूप से एल्गोरिदम डिजाइन का हिस्सा नहीं थी: न केवल सीखना, बल्कि यह भी जानना कि कैसे भूलना है।

"डी-लर्निंग" क्या है?

कृत्रिम बुद्धिमत्ता प्रणालियों के प्रशिक्षण में बड़ी मात्रा में डेटा से पैटर्न और सांख्यिकीय संबंध निकालना शामिल है, फिर उन्होंने जो सीखा है उसे मॉडल के मापदंडों के भीतर वितरित तरीके से एन्कोड करना है, ताकि बाद में उनका उपयोग वर्गीकरण, भविष्यवाणी या समर्थन निदान में किया जा सके।

"डिलीट लर्निंग" विपरीत दिशा में जाने का प्रयास करता है: मॉडल द्वारा पहले ही सीख लिए जाने के बाद कुछ डेटा के निशान को हटाना। लक्ष्य, हर बार किसी रिकॉर्ड को हटाने का अनुरोध करने पर खरोंच से फिर से प्रशिक्षित करने के बजाय, मॉडल को संशोधित करना है ताकि इसका व्यवहार एक काल्पनिक मॉडल के जितना संभव हो उतना करीब हो जो पहले उस डेटा पर प्रशिक्षित नहीं किया गया था। हटाए जाने वाले डेटा के बिना इस पुनः प्रशिक्षित मॉडल को कभी-कभी "स्वर्ण मानक" के रूप में जाना जाता है जिसके विरुद्ध मिटाने की प्रक्रिया की प्रभावशीलता की तुलना की जाती है।

यहाँ अंतर मौलिक है; डेटाबेस से एक्स-रे छवि या परीक्षा परिणाम को हटाने से यह गारंटी नहीं मिलती है कि इसका प्रभाव उस मॉडल से गायब हो जाएगा जो पहले इस पर प्रशिक्षित किया गया था। क्योंकि इसका प्रभाव पहले से ही बड़ी संख्या में इसके आंतरिक लेनदेन पर वितरित हो चुका होगा।

इसकी तुलना किसी पुस्तक की सामग्री को पाठक द्वारा याद कर लेने के बाद उसके पृष्ठ को फाड़ने से की जा सकती है: पृष्ठ गायब हो गया है, लेकिन जानकारी आवश्यक रूप से स्मृति से गायब नहीं हुई है।

दवा को "भूलने" की आवश्यकता क्यों है?

भूलने की आवश्यकता तब शुरू या समाप्त नहीं होती जब कोई मरीज अपना मन बदल लेता है और अपने डेटा के उपयोग के लिए सहमति वापस ले लेता है; प्रशिक्षण के बाद यह स्पष्ट हो सकता है कि कुछ रिकॉर्ड में त्रुटियां थीं, कि चिकित्सा छवियों को गलत निदान के साथ वर्गीकृत किया गया था, या कि जनसंख्या समूह का संतुलित तरीके से प्रतिनिधित्व नहीं किया गया था। अन्य मामलों में, समस्या स्वयं डेटा नहीं हो सकती है, बल्कि यह कि जिस चिकित्सा ज्ञान पर यह आधारित था वह बदल गया है।

चिकित्सा के क्षेत्र में यह बहुत महत्वपूर्ण बिंदु है। नैदानिक ​​ज्ञान स्थिर नहीं है. जैसे-जैसे नए अनुभव और सबूत सामने आते हैं, उपचार की सिफ़ारिशें भी बदल जाती हैं और जो प्रथाएँ तब स्वीकार्य होती थीं जब सिस्टम से सीखा गया डेटा एकत्र किया जाता था, उसे संशोधित किया जा सकता है।

शोधकर्ता "कोविड-19" महामारी को एक स्पष्ट उदाहरण के रूप में उद्धृत करते हैं, जब साक्ष्य और उपचार सिफारिशें असाधारण रूप से तेज़ी से बदल गईं। यदि कोई चिकित्सा मॉडल उन प्रथाओं से सीखता है जो बाद में अनुपयुक्त साबित होती हैं, तो बस अधिक हालिया डेटा जोड़ने से हमेशा अधिक कठिन प्रश्न का उत्तर नहीं मिल सकता है: क्या हम उस ज्ञान का एक निशान हटा सकते हैं जिस पर हम अब सिस्टम पर भरोसा नहीं करना चाहते हैं?

यहां, "सीखना मिटाना" एक फ़ंक्शन प्राप्त करता है जो डेटा को हटाने से परे जाता है; जब विज्ञान स्वयं बदलता है तो यह मॉडल की नैदानिक ​​​​स्मृति को सही करने के लिए एक उपकरण बन सकता है।

क्या मरीज़ को एल्गोरिथम द्वारा भूल जाने का अधिकार है?

जब आप कंप्यूटर विज्ञान से कानून और रोगी अधिकारों की ओर बढ़ते हैं तो समस्या और अधिक जटिल हो जाती है; ईयू जनरल डेटा प्रोटेक्शन रेगुलेशन (जीडीपीआर) अनुच्छेद 17 के तहत और विशिष्ट परिस्थितियों में व्यक्तियों को यह अनुरोध करने का अधिकार देता है कि उनका व्यक्तिगत डेटा मिटा दिया जाए, जिसे कभी-कभी "मिटाने का अधिकार" या "भूल जाने का अधिकार" के रूप में जाना जाता है।

लेकिन बुद्धिमान मॉडल एक ऐसी समस्या उत्पन्न करते हैं जिसे संभालने के लिए पारंपरिक डेटाबेस डिज़ाइन नहीं किए गए थे; यदि रोगी डेटा पहले ही प्रशिक्षण प्रक्रिया में प्रवेश कर चुका है, तो मूल रिकॉर्ड को हटाने से जरूरी नहीं कि दूसरे प्रश्न का उत्तर मिल जाए: मॉडल के भीतर उस डेटा के प्रभाव के बारे में क्या?

अध्ययन से पता चलता है कि प्रशिक्षित मॉडलों के लेनदेन पर विलोपन दायित्व किस हद तक लागू होते हैं यह अभी भी एक अनसुलझा कानूनी मुद्दा है। मूल जानकारी किसी विशिष्ट स्थान पर संग्रहीत नहीं रह सकती है जिसे आसानी से पाया और हटाया जा सकता है, बल्कि इसका प्रभाव मॉडल की संरचना में वितरित किया जा सकता है।

यहां डेटा को हटाने के कानूनी अधिकार और एल्गोरिदम को ऐसा व्यवहार करने की तकनीकी क्षमता के बीच एक नया अंतर दिखाई देता है जैसे कि उसने पहले ही इससे कुछ नहीं सीखा हो। यह एक ऐसा क्षेत्र है जहां चिकित्सा, कंप्यूटर विज्ञान और कानून मिलते हैं, जबकि रोगी के "डिजिटल विस्मृति के अधिकार" की सीमाएं अभी भी आकार ले रही हैं।

भूलना जोखिम से खाली नहीं है

लेकिन मॉडल को भुला देना कोई महंगी प्रक्रिया नहीं है; डेटा के एक सेट के प्रभाव को हटाने से उसका व्यवहार इस तरह से बदल सकता है जो लक्ष्य जानकारी से परे चला जाता है, और स्थितियों के बीच अंतर करने या उसे "अंशांकित" करने की उसकी क्षमता को प्रभावित कर सकता है; अर्थात्, किस हद तक पूर्वानुमानित संभावनाएँ वास्तव में घटित होने वाले परिणामों से मेल खाती हैं।

यह प्रभाव समान रूप से वितरित नहीं हो सकता है; एक प्रक्रिया जो समग्र प्रदर्शन को मापते समय सफल दिखाई देती है, उसका रोगियों के एक विशिष्ट समूह पर अधिक प्रभाव पड़ सकता है, खासकर यदि यह पहले से ही सीमित संख्या में मामलों द्वारा दर्शाया गया हो।

इसलिए, शोधकर्ता सीखने के विलोपन को "डिलीट बटन" के रूप में मानने के प्रति सावधान करते हैं। किसी भी मौलिक संशोधन के बाद, मॉडल का दोबारा परीक्षण किया जाना चाहिए, पिछले संस्करण की तुलना में इसका प्रदर्शन, और सत्यापन किया जाना चाहिए कि कोई अनपेक्षित दुष्प्रभाव दिखाई न दे, जबकि प्रक्रिया विफल होने पर पिछले संस्करण पर वापस लौटने की संभावना बनाए रखें।

इसलिए, अध्ययन एक महत्वपूर्ण अवधारणा का प्रस्ताव करता है, जो "अनसीखने की तैयारी" है: यानी, चिकित्सा प्रणालियों को शुरू से ही डिजाइन किया जाना चाहिए ताकि बाद में भूले जाने वाले डेटा की पहचान करना, उसके निशान को हटाना संभव हो, फिर प्रक्रिया की सफलता को सत्यापित करें और जो बदल गया है उसका दस्तावेजीकरण करें।

इस प्रकार, "भूलना" एक ऐसी संपत्ति बन जाती है जिसके बारे में मॉडल बनाते समय सोचा जाना चाहिए, न कि इसकी आवश्यकता प्रकट होने के बाद।

"निश्चित मॉडल" से सतत जीवन चक्र तक

"इरेज़र लर्निंग" अपनाने के बाद चिकित्सा प्रणालियों को देखने का हमारा नजरिया भी बदल जाता है; मॉडल को एक निश्चित उत्पाद के रूप में नहीं माना जाना चाहिए जिसे मंजूरी मिल जाती है और फिर अपरिवर्तित रहता है; डेटा में परिवर्तन होता है, चिकित्सीय साक्ष्य विकसित होते हैं, नई त्रुटियाँ खोजी जा सकती हैं, या मरीज़ अपनी जानकारी के उपयोग के लिए अपनी सहमति वापस ले सकते हैं।

इसलिए, अध्ययन एक सतत जीवन चक्र के भीतर इससे निपटने का प्रस्ताव करता है जो डेटा के स्रोत और इसे ट्रैक करने की संभावना को जानने के साथ शुरू होता है, और मॉडल के संस्करणों को प्रबंधित करने और उन परिस्थितियों का निर्धारण करने के माध्यम से जाता है जिनके लिए कुछ जानकारी के निशान को हटाने की आवश्यकता होती है, फिर नैदानिक ​​​​रूप से उपयोग जारी रखने से पहले संशोधित संस्करण का परीक्षण किया जाता है।

इसका मतलब यह है कि नई चिकित्सा प्रणाली को अपनाते समय सवाल केवल यह नहीं होना चाहिए: आपने कैसे सीखा? लेकिन यह भी: क्या हम जानते हैं कि हमने जो सीखा है उसे कैसे सुधारें यदि हमें बाद में पता चले कि यह अब मान्य नहीं है?

शासन, इस अर्थ में, अस्पताल में प्रवेश करने पर एक बार की नियामक मंजूरी के बजाय चिकित्सा एआई का जीवन-चक्र प्रबंधन बन जाता है।

मेडिकल आर्टिफिशियल इंटेलिजेंस के लिए अगला प्रश्न

हमने पिछले वर्षों में ऐसी प्रणालियाँ बनाने का प्रयास किया है जो यथासंभव अधिक से अधिक डेटा से सीख सकें। लेकिन दवा को अब एक अलग क्षमता की आवश्यकता हो सकती है: एक मशीन को यह जानने के लिए कि क्या, कब भूलना है, और यह कैसे साबित करना है कि उसने जो सही ढंग से सीखा है उसे नुकसान पहुंचाए बिना वह भूल गई है। जर्मन दार्शनिक फ्रेडरिक नीत्शे ने एक सदी से भी अधिक समय पहले लिखा था कि "भूलना सिर्फ एक निष्क्रिय शक्ति नहीं है... बल्कि एक सक्रिय और सकारात्मक शक्ति है।" वह मानव मस्तिष्क के बारे में बात कर रहे थे, एल्गोरिदम के बारे में नहीं, लेकिन आज उनका वाक्यांश एक तकनीकी अर्थ लेता है जो उनके समय में अकल्पनीय था। वर्षों तक इस बात पर ध्यान केंद्रित करने के बाद कि किसी मशीन को कैसे सिखाया जाए, अगला चरण यह पूछकर शुरू हो सकता है कि जब आवश्यक हो तो उसने जो सीखा है उसे कैसे पूर्ववत किया जाए। शायद किसी मशीन की मेमोरी न केवल इससे मापी जाती है कि वह क्या रख सकती है, बल्कि इससे भी मापी जाती है कि जब याद रखना गलत हो जाए तो वह क्या भूल सकती है।

चिकित्सा में, भूलना सीखने के विपरीत नहीं हो सकता है; बल्कि, यह सही शिक्षा जारी रखने की शर्तों में से एक है।

एक बड़े आनुवंशिक अध्ययन के प्रारंभिक परिणामों से पता चला है कि जिन लोगों में आनुवंशिक विविधताएं होती हैं जो उन्हें मीठे या वसायुक्त स्वाद के प्रति अधिक इच्छुक बनाती हैं, वे वास्तव में इन खाद्य पदार्थों को बड़ी मात्रा में खाते हैं। यह आनुवंशिक प्रवृत्ति शरीर के वजन में वृद्धि और टाइप 2 मधुमेह के विकास के जोखिम में मामूली वृद्धि से भी जुड़ी है।

स्वाद प्राथमिकताओं के आनुवंशिक आधार पर प्रमुख अध्ययन

ये परिणाम उस प्रश्न का संभावित स्पष्टीकरण प्रदान करते हैं जिसने शोधकर्ताओं को लंबे समय से उलझन में डाल दिया है: क्यों कुछ लोग आसानी से कैंडी के एक टुकड़े का विरोध करने में सक्षम होते हैं, जबकि अन्य खुद को मिठाई, शर्करा युक्त पेय और वसायुक्त खाद्य पदार्थों के प्रति अधिक आकर्षित पाते हैं? अध्ययन से पता चलता है कि उत्तर आंशिक रूप से हमारे जीन में लिखा हो सकता है।

यह अध्ययन अब तक के सबसे बड़े अध्ययनों में से एक है जिसने स्वाद प्राथमिकताओं के आनुवंशिक आधार की जांच की है, और यह यूके बायोबैंक के डेटा पर निर्भर करता है, जिसमें आनुवंशिक और स्वास्थ्य जानकारी और यूनाइटेड किंगडम में लगभग आधे मिलियन लोगों की खाने की आदतों पर डेटा शामिल है।

भोजन की लालसा के पीछे जीन

संयुक्त राज्य अमेरिका के मैसाचुसेट्स जनरल अस्पताल में सेंटर फॉर जीनोमिक मेडिसिन के एक शोधकर्ता जूली जर्विस के नेतृत्व में अनुसंधान दल ने जीन और खाद्य प्राथमिकताओं के बीच संबंधों का अध्ययन करने के लिए एक अभिनव पद्धति का उपयोग किया। जर्विस ने अमेरिकन सोसाइटी फॉर न्यूट्रिशन की वार्षिक बैठक में "न्यूट्रिशन 2026" सम्मेलन में परिणाम प्रस्तुत किए, जो 25 से 28 जुलाई, 2026 तक वाशिंगटन, डीसी के पास मैरीलैंड में "नेशनल हार्बर" में आयोजित किया गया था। यह अध्ययन अमेरिकन सोसाइटी फॉर न्यूट्रिशन (एएसएन) जर्नल में प्रकाशित हुआ था।

संवेदी डेटाबेस: लोगों से केवल यह पूछने के बजाय कि उन्हें खाद्य पदार्थों में क्या पसंद है, शोधकर्ताओं ने भोजन वरीयता प्रश्नावली के उत्तरों को संवेदी डेटाबेस के साथ जोड़ दिया जो विभिन्न खाद्य पदार्थों की विशेषताओं, जैसे मिठास, नमकीनपन और मलाईपन का वर्णन करते हैं।

स्वाद के लिए जीन स्कोर: फिर उन्होंने मीठे, नमकीन या वसायुक्त स्वाद की प्राथमिकता से जुड़े आनुवंशिक अंतर की पहचान करने के लिए प्रतिभागियों के एक समूह में जीनोम-व्यापी विश्लेषण किया। फिर उन्होंने "आनुवंशिक स्कोर" बनाया जो इनमें से प्रत्येक स्वाद को पसंद करने के लिए प्रत्येक व्यक्ति की आनुवंशिक प्रवृत्ति को दर्शाता है।

प्रतिभागियों के एक अन्य समूह में, शोधकर्ताओं ने परीक्षण किया कि क्या यह आनुवंशिक प्रवृत्ति वास्तव में आहार व्यवहार और स्वास्थ्य में परिलक्षित होती है।

मिठाई की शुरुआत थोड़ी मात्रा से की जा सकती है

प्रारंभिक परिणामों से पता चला कि जिन लोगों में मीठा स्वाद पसंद करने की आनुवंशिक प्रवृत्ति अधिक थी, उन्होंने प्रतिदिन औसतन लगभग 7 ग्राम अतिरिक्त मीठे खाद्य पदार्थ खाए, जिनमें कैंडी और शर्करा युक्त पेय शामिल थे।

यह एक दिन में एक छोटी राशि लग सकती है; लेकिन शोधकर्ताओं का कहना है कि खान-पान की आदतों में छोटे-छोटे अंतर समय के साथ बढ़ सकते हैं।

सबसे महत्वपूर्ण बात यह है कि मीठा या वसायुक्त स्वाद पसंद करने की उच्च आनुवंशिक प्रवृत्ति भी शरीर के बढ़ते वजन और टाइप 2 मधुमेह के विकास के जोखिम में मामूली वृद्धि से जुड़ी थी।

ऐसा प्रतीत होता है कि इस जुड़ाव का एक बड़ा हिस्सा उन चीज़ों के सेवन से है जिन्हें "अत्यधिक स्वादिष्ट खाद्य पदार्थ" के रूप में जाना जाता है जैसे कि मीठे पेय पदार्थ, तले हुए खाद्य पदार्थ, आलू के चिप्स और अन्य खाद्य पदार्थ जिनमें आम तौर पर उच्च स्तर की चीनी, वसा या नमक होता है।

जीन भोजन नहीं हैं

शोधकर्ता इस बात पर जोर देते हैं कि परिणामों का मतलब यह नहीं है कि किसी व्यक्ति को आनुवंशिक रूप से मिठाई पसंद है, या वह अनिवार्य रूप से मोटापे या मधुमेह का शिकार हो जाएगा। आहार और चयापचय स्वास्थ्य पर्यावरण, खान-पान की आदतों और शारीरिक गतिविधि सहित कई कारकों से प्रभावित होते हैं।