---
title: "मन, मस्तिष्क और कृत्रिम दुनियाएँ · सिमुलेशन · सिमुलेशन परिकल्पना"
url: https://simulation-hypothesis.com/hi/simulations/minds-computation
description: "न्यूरॉन, मस्तिष्क, कृत्रिम जीवन, और वे सिमुलेटेड दुनियाएँ जिनमें मशीनें सीखती हैं। लोग सचमुच जो सिमुलेशन चलाते हैं, उनके वर्गीकरण का एक हिस्सा।"
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, सिमुलेशन परिकल्पना (simulation-hypothesis.com)"
---

[सिमुलेशन](https://simulation-hypothesis.com/hi/simulations)18 में से क्षेत्र 11

# मन, मस्तिष्क और कृत्रिम दुनियाएँ

न्यूरॉन, मस्तिष्क, कृत्रिम जीवन, और वे सिमुलेटेड दुनियाएँ जिनमें मशीनें सीखती हैं।

मस्तिष्कों के सिमुलेशन, और कृत्रिम एजेंटों के रहने और सीखने के लिए बनी दुनियाओं के सिमुलेशन। एक सीमित अर्थ में, सिमुलेशन परिकल्पना यहाँ पहले से असली है: हमने ऐसी सिमुलेटेड दुनियाएँ बनाई हैं जिनके भीतर सीखने वाले एजेंट हैं।

## मस्तिष्क

### ब्योरेवार न्यूरॉन मॉडल

एक अकेला न्यूरॉन, आयन चैनलों वाली शाखाओं वाली विद्युत केबल के रूप में, हॉजकिन और हक्सली के अनुसार।

वह सवाल जिसका यह जवाब देता है: इस न्यूरॉन का आकार उसकी गणना को कैसे बदलता है?

छोड़ता है: एक न्यूरॉन का बारीक रसायन अब भी मुट्ठी भर धाराओं में सरल किया गया है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक लैपटॉप, एक न्यूरॉन के लिए रियल टाइम तब से: 1952 हक्सले ने हॉजकिन–हक्सले समीकरणों को यांत्रिक कैलकुलेटर पर हाथ से हल किया, हर क्रिया विभव के लिए लगभग तीन हफ़्ते। कंप्यूटरों ने बाद में यह काम सँभाला [स्रोत](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) सिमुलेशन वृक्ष में: [हाथ से हॉजकिन–हक्सले](https://simulation-hypothesis.com/hi/trees/simulations?n=min-hh)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

### बड़े पैमाने के मस्तिष्क परिपथ

कॉर्टेक्स के किसी टुकड़े जैसे परिपथ में जुड़े लाखों स्पाइकिंग न्यूरॉन।

वह सवाल जिसका यह जवाब देता है: क्या हम केवल वायरिंग से मस्तिष्क की लय और प्रतिक्रियाएँ दोहरा सकते हैं?

छोड़ता है: वायरिंग अक्सर सांख्यिकीय होती है, जानवर के असल मापे गए जोड़ नहीं।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, कॉर्टेक्स के एक टुकड़े के लिए कुछ घंटे तब से: 2006 2006 तक, कॉर्टिकल स्तंभ के शुरुआती बड़े पैमाने के सिमुलेशन सिमुलेशन वृक्ष में: [नियोकॉर्टिकल सूक्ष्म-परिपथ](https://simulation-hypothesis.com/hi/trees/simulations?n=min-markram)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)न्यूनतम परत: कोशिकाएँ

### पूरे मस्तिष्क के नेटवर्क मॉडल

मस्तिष्क के क्षेत्र नोडों की तरह, नापी हुई वायरिंग से जुड़े, और स्कैन पर बैठाए गए।

वह सवाल जिसका यह जवाब देता है: एक क्षेत्र में क्षति पूरे मस्तिष्क की गतिविधि को कैसे बदलती है?

छोड़ता है: क्षेत्रों को एक-एक बिंदु माना जाता है, इसलिए उनके भीतर का सारा ब्योरा छूट जाता है।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, प्रति सिमुलेटेड परिदृश्य कुछ मिनट तब से: 2008 2008 तक, विसरण MRI की वायरिंग पर बैठाए शुरुआती पूर्ण-मस्तिष्क नेटवर्क मॉडल

मॉडल: [इंसान](https://simulation-hypothesis.com/hi/entities/human)

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### सिमुलेटेड छोटे जीव

किसी नन्हे जीव का पूरा तंत्रिका-तंत्र, जैसे गोलकृमि के 302 न्यूरॉन, जो आभासी पेट्री डिश में सिमुलेटेड शरीर से जुड़ा है।

वह सवाल जिसका यह जवाब देता है: क्या वायरिंग का नक़्शा व्यवहार पैदा करने के लिए काफ़ी है?

छोड़ता है: अकेला वायरिंग आरेख अब भी जानवर के व्यवहार को पूरी तरह नहीं समझाता।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक लैपटॉप, पूरे तंत्रिका-तंत्र के लिए रियल टाइम तब से: 1997 1997 तक, गोलकृमि के 1986 के कनेक्टोम नक्शे पर बने शुरुआती सिमुलेशन सिमुलेशन वृक्ष में: [OpenWorm](https://simulation-hypothesis.com/hi/trees/simulations?n=min-openworm)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)न्यूनतम परत: कोशिकाएँ

### न्यूरोमॉर्फ़िक हार्डवेयर सिमुलेशन

ऐसे सर्किटों वाली चिपें जो सॉफ़्टवेयर में समीकरण कदम-दर-कदम गिनने के बजाय सीधे हार्डवेयर में न्यूरॉनों और सिनैप्सों की तरह व्यवहार करती हैं।

वह सवाल जिसका यह जवाब देता है: क्या न्यूरोमॉर्फ़िक हार्डवेयर बहुत कम बिजली में वही गणनाएँ कर सकता है जो मस्तिष्क करता है?

छोड़ता है: असली न्यूरॉनों में उनके स्पाइक की नकल करने वाले परिपथ से कहीं समृद्ध रसायन है।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान एक न्यूरोमॉर्फ़िक शोध चिप, रियल टाइम तब से: 1989 कार्वर मीड के शुरुआती सिलिकॉन न्यूरॉन और रेटिना सर्किट

[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

### मस्तिष्क रोग और दौरे का फैलाव

सिमुलेटेड मस्तिष्क नेटवर्क में फैलती असामान्य विद्युत गतिविधि या ग़लत मुड़े प्रोटीन, जैसे मिर्गी या मनोभ्रंश में।

वह सवाल जिसका यह जवाब देता है: दौरा कहाँ से शुरू होता है, और कितनी दूर तक फैलेगा?

छोड़ता है: हर असली मस्तिष्क का रोग-पथ अलग होता है; मॉडल एक पैटर्न दिखाता है, किसी एक मरीज़ का पूर्वानुमान नहीं।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान अस्पताल या विश्वविद्यालय का क्लस्टर, प्रति मरीज़-मॉडल कुछ मिनट तब से: 1997 1997 तक, मस्तिष्क में दौरे के फैलाव के शुरुआती नेटवर्क मॉडल

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: आबादियाँ

### कनेक्टोम से बँधे पूर्ण-मस्तिष्क मॉडल

एक तंत्रिका सिमुलेशन कीट के मस्तिष्क की पूरी नापी गई वायरिंग को सरल न्यूरॉन मॉडलों के साथ इस्तेमाल करता है, ताकि अनुमान लगे कि उद्दीपन व्यवहार कैसे पैदा करते हैं।

वह सवाल जिसका यह जवाब देता है: क्या केवल वायरिंग से अनुमान लगता है कि मस्तिष्क संवेदनाओं को कार्रवाई में कैसे बदलता है?

छोड़ता है: सिनेप्स की मज़बूती और न्यूरॉन की गतिकी सरल नियमों से मान ली जाती है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान लगभग 130,000 न्यूरॉन का स्पाइकिंग नेटवर्क तब से: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [स्रोत](https://doi.org/10.1038/s41586-024-07763-9)

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

### न्यूरल मास और फ़ील्ड मॉडल

न्यूरॉनों की एक आबादी, जो एक या दो औसत सक्रियता-चरों में सिमट जाती है, और पूरे क्षेत्रों की लय और तरंगें देती है।

वह सवाल जिसका यह जवाब देता है: उत्तेजना और अवरोध आबादियों के बीच कौन-सी सामूहिक लयें पैदा कर सकते हैं?

छोड़ता है: अलग-अलग न्यूरॉन एक औसत में विलीन हो जाते हैं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान एक लैपटॉप, कुछ सेकंड तब से: 1972 1972 तक, Wilson और Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [स्रोत](https://doi.org/10.1016/s0006-3495%2872%2986068-5)

[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)न्यूनतम परत: कोशिकाएँ

### क्रियात्मक स्पाइकिंग मस्तिष्क मॉडल

स्पाइकिंग मॉडल न्यूरॉनों का नेटवर्क, जो स्मरण, गिनती और बनाए गए अंक की नकल जैसे संज्ञानात्मक काम करने के लिए बना है।

वह सवाल जिसका यह जवाब देता है: क्या न्यूरॉनों से बना मॉडल वे काम कर सकता है जो मस्तिष्क सँभालता है?

छोड़ता है: इसका कार्य-समूह छोटा है और वायरिंग डिज़ाइन की गई है, मापी नहीं गई।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, कुछ घंटे तब से: 2012 2012 तक, Eliasmith और अन्य, A large-scale model of the functioning brain (Spaun) [स्रोत](https://doi.org/10.1126/science.1225266)

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

### अट्रैक्टर स्मृति नेटवर्क

सरल इकाइयों का नेटवर्क, जिसके जोड़ पैटर्नों को स्थिर अवस्थाओं के रूप में सँजोते हैं, ताकि आंशिक संकेत पूरी स्मृति में ठहर जाए।

वह सवाल जिसका यह जवाब देता है: कोई नेटवर्क किसी टुकड़े से पूरी याद कैसे वापस ला सकता है?

छोड़ता है: क्षमता छोटी है और असली न्यूरॉन कहीं ज़्यादा जटिल हैं।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान एक लैपटॉप, कुछ सेकंड तब से: 1982 1982 तक, Hopfield, Neural networks and physical systems with emergent collective computational abilities [स्रोत](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork)

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

### कनेक्टोम-आधारित कीट मस्तिष्क मॉडल

पूरा मक्खी का मस्तिष्क उसके नापे गए वायरिंग-आरेख से सिमुलेट किया गया, हर न्यूरॉन और सिनैप्स पुनर्निर्माण से लिया हुआ।

वह सवाल जिसका यह जवाब देता है: हर जोड़ ज्ञात हो जाने पर केवल वायरिंग से कौन-से व्यवहार निकलते हैं?

छोड़ता है: सिनेप्स की मज़बूती और न्यूरॉन की रसायन-क्रिया का अनुमान लगाया जाता है, मापी नहीं जाती।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान एक वर्कस्टेशन, प्रति सिमुलेटेड सेकंड कुछ मिनट तब से: 2024 2024 तक, डोर्केनवाल्ड और अन्य, वयस्क मक्खी के मस्तिष्क का वायरिंग-आरेख, और शिउ और अन्य, उस पर बना संगणनात्मक मॉडल [स्रोत](https://doi.org/10.1038/s41586-024-07763-9)

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: कोशिकाएँ

## कृत्रिम जीवन और जटिलता

### सेलुलर ऑटोमेटा

सरल नियमों पर चलने वाली कोशिकाओं के ग्रिड, जैसे जॉन कॉनवे का लाइफ, जिनमें ग्लाइडर, प्रतिकृति बनाने वाली संरचनाएँ और काम करने वाले कंप्यूटर तक उग आते हैं।

वह सवाल जिसका यह जवाब देता है: कितने सरल नियम से कितनी जटिलता उग सकती है?

छोड़ता है: सरल नियम असली भौतिक या जैविक प्रणालियों पर शायद ही साफ़ तरह से बैठते हैं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक लैपटॉप, विशाल ग्रिड सेकंडों में तब से: 1970 जॉन कॉनवे का गेम ऑफ़ लाइफ़ सिमुलेशन वृक्ष में: [हाथ से खेला गया Life](https://simulation-hypothesis.com/hi/trees/simulations?n=life-life)

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-life)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)न्यूनतम परत: नियम

### डिजिटल विकास

अपनी नकल करने वाले कंप्यूटर प्रोग्राम जो उत्परिवर्तित होते हैं और सिमुलेटेड मशीन में प्रोसेसर समय के लिए होड़ करते हैं।

वह सवाल जिसका यह जवाब देता है: क्या विकास जटिल विशेषताएँ गढ़ सकता है जिन्हें हम कदम-दर-कदम देख सकें?

छोड़ता है: प्रोग्राम एक कृत्रिम कंप्यूटर-दुनिया में विकसित होते हैं, असली जैव-रसायन में नहीं।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान एक डेस्कटॉप, रात भर में लाखों पीढ़ियाँ तब से: 1953 इंस्टीट्यूट फ़ॉर एडवांस्ड स्टडी के कंप्यूटर पर बारिचेली के संख्यात्मक विकास-प्रयोग [स्रोत](https://www.ias.edu/ideas/2012/george-dyson-ecp)

[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: नियम

### विकसित आभासी जीव

शरीर और मस्तिष्क एक भौतिकी सिमुलेशन में साथ-साथ विकसित हुए, जो तैरना, चलना या कूदना सीखते हैं।

वह सवाल जिसका यह जवाब देता है: जब हम विकास को नहीं चला रहे, तो वह कौन-से शरीर और व्यवहार गढ़ता है?

छोड़ता है: विकसित चालें अक्सर जैविक चालों से बहुत अलग दिखती हैं, क्योंकि सिमुलेटेड भौतिकी असली दुनिया से सूक्ष्म रूप से अलग है।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान एक डेस्कटॉप या छोटा क्लस्टर, किसी आबादी के विकसित होने में कुछ घंटे तब से: 1994 कार्ल सिम्स ने भौतिकी सिमुलेशन में तैरने और चलने वाले जीव विकसित किए

[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)न्यूनतम परत: शरीर

### स्व-संगठित क्रांतिकता

रेत के ढेर पर एक-एक करके दाने डाले जाते हैं, जब तक हर आकार के हिमस्खलन न दिखने लगें।

वह सवाल जिसका यह जवाब देता है: भूकंप, आग और विलुप्तियाँ एक ही आँकड़ों का पालन क्यों करती हैं?

छोड़ता है: असली भूकंपों और आग की विशिष्ट भौतिकी है जिसका रेत का ढेर केवल व्यंग्यचित्र बनाता है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक लैपटॉप, बड़े रेत-ढेर के लिए कुछ सेकंड तब से: 1987 बाक, तांग और वीज़नफ़ेल्ड का रेत-ढेर मॉडल

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-sandpile)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)न्यूनतम परत: शरीर

### झुंड बुद्धिमत्ता एल्गोरिदम

सरल आभासी एजेंट जो निशान छोड़ते हैं या पड़ोसियों की नकल करते हैं, चींटियों और पक्षियों से उधार लिए गए, ताकि रूटिंग और समय-निर्धारण जैसी अमूर्त समस्याएँ हल हों।

वह सवाल जिसका यह जवाब देता है: क्या सरल नक़ल और निशान-अनुसरण किसी कठिन अनुकूलन समस्या को हल कर सकते हैं?

छोड़ता है: जिन सुपरिभाषित समस्याओं पर इसे परखा गया उन पर अच्छा काम करता है। असली, अनियमित समस्याओं को ज़्यादा ट्यूनिंग चाहिए।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक लैपटॉप, प्रति रन कुछ सेकंड से कुछ मिनट तब से: 1992 मार्को डोरिगो का चींटी कॉलोनी अनुकूलन एल्गोरिद्म

[इंटरैक्टिव मॉडल चलाइए](https://simulation-hypothesis.com/hi/simulations/run#toy-flock)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: नियम

### यादृच्छिक बूलियन नेटवर्क

यादृच्छिक ढंग से जोड़े गए स्विच, जिनमें हर एक मुट्ठी भर दूसरों के आधार पर चालू या बंद होता है, और देखा जाता है कि पूरा नेटवर्क कब शांत हो जाता है और कब हमेशा उथल-पुथल में रहता है।

वह सवाल जिसका यह जवाब देता है: स्विचों का नेटवर्क अराजक होने से पहले उसमें कितनी वायरिंग चाहिए?

छोड़ता है: यादृच्छिक वायरिंग असली कोशिका या मस्तिष्क की सावधानी से विकसित वायरिंग का मोटा विकल्प है।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक लैपटॉप, प्रति नेटवर्क कुछ सेकंड तब से: 1969 Stuart Kauffman के आनुवंशिक स्विचों के यादृच्छिक नेटवर्क

[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)न्यूनतम परत: नियम

### सतत सेलुलर ऑटोमेटा

सेलुलर ऑटोमेटा, जिनकी कोशिका-अवस्थाएँ, स्थान और समय सतत हैं, और जो चिकने, स्वयं-संगठित जीव बनाते हैं।

वह सवाल जिसका यह जवाब देता है: सतत कोशिकीय ऑटोमेटन में जीवन जैसे कौन-से पैटर्न उभरते हैं?

छोड़ता है: नियम कृत्रिम हैं और असली रसायन विज्ञान को मॉडल नहीं करते।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान GPU ग्रिड अद्यतन तब से: 2018 Lenia: biology of artificial life (2018) [स्रोत](https://arxiv.org/abs/1812.05433)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)न्यूनतम परत: नियम

### तंत्रिका सेलुलर ऑटोमेटा

हर कोष्ठ में एक छोटा तंत्रिका नेटवर्क है जो स्थानीय नियम सीखता है, ताकि ग्रिड लक्ष्य-पैटर्न उगाए और सुधारे।

वह सवाल जिसका यह जवाब देता है: क्या एक स्थानीय सीखा नियम समग्र पैटर्न को उगा और खुद ठीक कर सकता है?

छोड़ता है: लक्ष्य पैटर्न छोटे हैं, और नियम सिखाए जाते हैं, खोजे नहीं जाते।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान छोटा अवकलनीय प्रशिक्षण तब से: 2020 Growing Neural Cellular Automata (2020) [स्रोत](https://distill.pub/2020/growing-ca/)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### स्व-प्रतिकृति प्रोग्राम सूप

बेतरतीब प्रोग्रामों का एक पूल संयोग से आपस में मिलता है, जब तक कि मिश्रण से स्वयं की प्रतिलिपि बनाने वाले उभर न आएँ।

वह सवाल जिसका यह जवाब देता है: क्या प्रतिकृतिकारी बिना डिज़ाइन किए उभर सकते हैं?

छोड़ता है: नतीजा भाषा के चुनाव से तय होता है, और वह रसायन से बहुत दूर है।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान लाखों नन्हे प्रोग्रामों की अंतःक्रियाएँ तब से: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [स्रोत](https://arxiv.org/abs/2406.19108)

[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: नियम

### कृत्रिम रसायन

अमूर्त अणुओं का एक पूल, जो नियमों से अभिक्रिया करते हैं, ताकि बिना किसी असली रसायन के स्वयं-टिकने वाली संरचनाएँ उभर सकें।

वह सवाल जिसका यह जवाब देता है: क्या सरल अभिक्रिया-दरों से स्वयं-टिकने वाला रासायनिक संगठन उभर सकता है?

छोड़ता है: अणु केवल प्रतीक हैं; असली बंधन ऊर्जाएँ और ज्यामिति ग़ायब हैं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान एक लैपटॉप, कुछ घंटे तब से: 1991 1991 तक, फ़ोंताना का AlChemy, Second Artificial Life Conference में प्रस्तुत [स्रोत](https://en.wikipedia.org/wiki/Artificial%5Fchemistry)

[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)न्यूनतम परत: अणु

### विकासवादी रोबोटिक्स

सिमुलेटेड रोबोटों के नियंत्रक या शरीर कई पीढ़ियों में, काम के प्रदर्शन के आधार पर चुनकर, विकसित किए जाते हैं।

वह सवाल जिसका यह जवाब देता है: क्या किसी रोबोट का मस्तिष्क और शरीर डिज़ाइन करने के बजाय विकासवादी प्रजनन से तैयार किए जा सकते हैं?

छोड़ता है: सिमुलेशन में विकसित नियंत्रक अक्सर असली हार्डवेयर पर विफल हो जाते हैं।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान एक विश्वविद्यालय का क्लस्टर, कुछ दिन तब से: 1993 1993 तक, Cliff, Husbands और Harvey, Evolving visually guided robots [स्रोत](https://doi.org/10.7551/mitpress/3116.003.0051)

[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[अवकल समीकरण](https://simulation-hypothesis.com/hi/simulations/methods#m-equations)न्यूनतम परत: शरीर

### सतत कृत्रिम जीवन

सतत अवस्थाओं, स्थान और समय वाला एक सेलुलर ऑटोमेटन, जो चलते हुए, स्वयं-संगठित, जीवन जैसे पैटर्न बनाता है।

वह सवाल जिसका यह जवाब देता है: जब नियम असतत के बजाय चिकने हों तो जीवन जैसे कौन-से रूप उभरते हैं?

छोड़ता है: पैटर्न जीवों जैसे दिखते हैं पर किसी असली जीव-विज्ञान का पालन नहीं करते।

इस पर चलता है: लगभग 10^11 FLOPS मोटा अनुमान एक गेमिंग PC, रियल टाइम तब से: 2018 2018 तक, Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [स्रोत](https://arxiv.org/abs/1812.05433)

[सेलुलर ऑटोमेटा](https://simulation-hypothesis.com/hi/simulations/methods#m-cellular-automata)[सतत क्षेत्र](https://simulation-hypothesis.com/hi/simulations/methods#m-continuum)न्यूनतम परत: नियम

### कृत्रिम प्रतिरक्षा मॉडल

परस्पर क्रिया करते प्रतिपिंड-जैसे एजेंटों की आबादी, जो चयन और नेटवर्क प्रभाव से पैटर्न पहचानना सीखती है।

वह सवाल जिसका यह जवाब देता है: कोई पहचान प्रणाली केवल स्थानीय अंतःक्रियाओं से खुद को कैसे ढालती है?

छोड़ता है: यह कंप्यूटिंग के लिए प्रतिरक्षा विज्ञान के विचार उधार लेता है, किसी असली प्रतिरक्षा प्रतिक्रिया का अंशांकित मॉडल नहीं है।

इस पर चलता है: लगभग 10^8 FLOPS मोटा अनुमान एक लैपटॉप, कुछ घंटे तब से: 1986 1986 तक, Farmer, Packard और Perelson, The immune system, adaptation, and machine learning [स्रोत](https://doi.org/10.1016/0167-2789%2886%2990240-x)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[नेटवर्क मॉडल](https://simulation-hypothesis.com/hi/simulations/methods#m-network)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: कोशिकाएँ

### Core War की लड़ाइयाँ

एक नन्ही असेंबली भाषा में लिखे प्रोग्राम एक साझा सिमुलेटेड मेमोरी पर क़ब्ज़े के लिए लड़ते हैं, एक-दूसरे को ओवरराइट करते हुए।

वह सवाल जिसका यह जवाब देता है: जब पूरी मेमोरी युद्धक्षेत्र हो तो कौन-सा ख़ुद की प्रतिलिपि बनाने वाला प्रोग्राम बचता है?

छोड़ता है: मशीन एक गढ़ा हुआ निर्देश-समूह है, इसलिए सबक़ असली मैलवेयर पर नहीं बैठते।

इस पर चलता है: लगभग 10^7 FLOPS मोटा अनुमान एक लैपटॉप, प्रति लड़ाई कुछ सेकंड तब से: 1984 1984 तक, जोन्स और ड्यूडनी का Core War, Scientific American में [स्रोत](https://en.wikipedia.org/wiki/Core%5FWar)

[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)[असतत घटना](https://simulation-hypothesis.com/hi/simulations/methods#m-discrete-event)[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)न्यूनतम परत: नियम

## कृत्रिम मनों के लिए दुनियाएँ

### सुदृढ़ीकरण अधिगम वातावरण

सिमुलेटेड दुनियाएँ जहाँ कोई कृत्रिम एजेंट कार्य करता है, पुरस्कृत होता है और लाखों प्रयासों में सुधरता है।

वह सवाल जिसका यह जवाब देता है: क्या कोई एजेंट यह कौशल केवल कोशिश और ग़लती से सीख सकता है?

छोड़ता है: सरलीकृत दुनिया में सीखे कौशल हमेशा असलियत की जटिलता में नहीं बदलते।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान GPU का एक क्लस्टर, सिमुलेट किए गए अनुभव के कई दिन तब से: 1992 1992 तक, TD-Gammon ने स्वयं-खेल से बैकगैमन की रणनीति सीखी

[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: शरीर

### बहु-एजेंट AI समाज

कई AI एजेंट एक दुनिया साझा करते हैं, अपने लक्ष्यों, यादों और बातचीतों के साथ।

वह सवाल जिसका यह जवाब देता है: जब कई कृत्रिम एजेंट साथ रहते हैं तो कौन-सा सामाजिक व्यवहार उभरता है?

छोड़ता है: जो व्यवहार सामाजिक लगते हैं, वे प्रशिक्षण की बनावट के लिए साधी गई संकरी चालें हो सकती हैं।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान GPU का एक क्लस्टर, जो कई एजेंटों को साथ-साथ चलाता है तब से: 2017 2017 तक, एक ही दुनिया साझा करते कई सीखने वाले एजेंटों के शुरुआती प्रयोग

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: शरीर

### कृत्रिम प्रशिक्षण डेटा

दृष्टि प्रणालियों को प्रशिक्षित करने के लिए अनंत विविधताओं में रेंडर किए गए फ़ोटोयथार्थवादी दृश्य।

वह सवाल जिसका यह जवाब देता है: क्या केवल रेंडर की छवियों पर प्रशिक्षित तंत्र असली दुनिया देख सकता है?

छोड़ता है: रेंडर किए गए दृश्य असलियत से ज़्यादा साफ़ हैं, इसलिए प्रशिक्षित प्रणालियाँ असली दुनिया के शोर से भटक सकती हैं।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान एक रेंडर फ़ार्म या GPU क्लस्टर, एक डेटासेट के लिए कुछ घंटे तब से: 2016 2016 तक, शुरुआती रेंडर किए गए डेटासेट छवि-पहचान तंत्रों को प्रशिक्षित करते हैं

[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)न्यूनतम परत: शरीर

### सीखे हुए विश्व-मॉडल

एक तंत्रिका नेटवर्क, जो अनुमान लगाता है कि किसी दुनिया में आगे क्या होगा, और इतनी अच्छी तरह कि उसके खेलने लायक दृश्य बना सके।

वह सवाल जिसका यह जवाब देता है: क्या कोई नेटवर्क किसी दुनिया को केवल देखकर उसे सिमुलेट करना सीख सकता है?

छोड़ता है: लंबे समय के पूर्वानुमान किसी भी भौतिक रूप से संगत चीज़ से भटक जाते हैं।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान एक बड़ा GPU क्लस्टर, प्रशिक्षण के कुछ दिन तब से: 2018 हा और श्मिडहुबर ने एक नेटवर्क को खेल जैसे दृश्यों का अनुमान लगाना और उनके सपने देखना सिखाया

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: क्षेत्र

### सेल्फ़-प्ले रणनीति प्रशिक्षण

एक कृत्रिम एजेंट अमूर्त रणनीति खेल में अपनी ही प्रतियों के साथ बार-बार मैच खेलता है, और हर दौर के साथ सुधरता है।

वह सवाल जिसका यह जवाब देता है: सिर्फ़ अपने ही पिछले रूप को शिक्षक बनाकर कोई रणनीति कितनी मज़बूत हो सकती है?

छोड़ता है: उसी एजेंट की प्रति के ख़िलाफ़ ट्यून की गई रणनीतियों में ऐसे अंधे बिंदु हो सकते हैं जिनका कोई अलग प्रतिद्वंद्वी फ़ायदा उठा ले।

इस पर चलता है: लगभग 10^16 FLOPS मोटा अनुमान एक बड़ा GPU क्लस्टर, स्वयं-खेल के कुछ दिन तब से: 1959 आर्थर सैमुअल का चेकर्स प्रोग्राम, जो खुद से खेलकर सीखता था

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)[खेल सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-game-theory)न्यूनतम परत: नियम

### AI सुरक्षा रेड-टीमिंग परिवेश

एक सिमुलेटेड माहौल, जो कृत्रिम एजेंट को अनचाहे व्यवहार के लिए ललचाने को बना है, ताकि तैनाती से पहले विफलता मिल जाए।

वह सवाल जिसका यह जवाब देता है: किन हालात में यह प्रणाली ऐसा व्यवहार दिखाती है जो उसे नहीं दिखाना चाहिए?

छोड़ता है: केवल उन्हीं विफलताओं की जाँच करता है जिन्हें रेड टीम ने खोजने की सोची।

इस पर चलता है: लगभग 10^14 FLOPS मोटा अनुमान शोध दल का GPU सर्वर, प्रति परीक्षण-समूह कुछ घंटे तब से: 2016 2016 तक, सुदृढ़ीकरण-अधिगम एजेंटों के लिए शुरुआती प्रतिकूल परीक्षण परिवेश

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### सशरीर घरेलू सिमुलेटर

3D आभासी घर, जहाँ एक एजेंट वस्तुओं को देखता, हिलता-डुलता और संभालता है। इनका उपयोग सशरीर (एम्बॉडीड) AI को प्रशिक्षित और परखने में होता है।

वह सवाल जिसका यह जवाब देता है: क्या एजेंट आभासी घर में ऐसे काम सीख सकता है जो असली घर में काम आएँ?

छोड़ता है: वस्तुओं की भौतिकी और दृश्यों की विविधता सीमित है।

इस पर चलता है: लगभग 10^12 FLOPS मोटा अनुमान रीयल-टाइम रेंडरिंग, कई समानांतर इंस्टेंस तब से: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [स्रोत](https://arxiv.org/abs/1712.05474)

[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)न्यूनतम परत: शरीर

### ओपन-एंडेड पर्यावरण निर्माण

प्रशिक्षण की दुनियाएँ अपने आप बनती और बदलती हैं जैसे-जैसे एजेंट सीखते हैं, ताकि चुनौतियाँ कठिनाई और विविधता में बढ़ती रहें।

वह सवाल जिसका यह जवाब देता है: क्या परिवेश-निर्माता लगातार काम की नई चुनौतियाँ बनाता रह सकता है?

छोड़ता है: खोज इससे सीमित है कि पर्यावरण-परिवार क्या व्यक्त कर सकता है।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान परिवेशों और एजेंटों की आबादी तब से: 2019 Paired Open-Ended Trailblazer (POET) (2019) [स्रोत](https://arxiv.org/abs/1901.01753)

[विकासवादी](https://simulation-hypothesis.com/hi/simulations/methods#m-evolutionary)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### एजेंटों के लिए सिमुलेटेड वेब वातावरण

असली वेबसाइटों की स्व-होस्ट की गई प्रतियाँ जहाँ भाषा-मॉडल एजेंट कार्य पूरे करता है, अंतिम अवस्था जाँचकर अंक दिए जाते हैं।

वह सवाल जिसका यह जवाब देता है: क्या एजेंट असली जैसी वेबसाइटों पर कई चरणों वाले काम पूरे कर सकता है?

छोड़ता है: साइटें स्थिर प्रतियाँ हैं, और कार्यों की विविधता सीमित है।

इस पर चलता है: लगभग 10^13 FLOPS मोटा अनुमान परिवेश का रीसेट और मॉडल के कई बार बुलाए जाने तब से: 2023 WebArena (2023) [स्रोत](https://arxiv.org/abs/2307.13854)

[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### सिफ़ारिश-प्रणाली सिमुलेटर

विन्यास योग्य सिमुलेटेड उपयोगकर्ता आबादी और वस्तु-सूची, जो अनुशंसा एल्गोरिदम को प्रशिक्षित और परखने में काम आती है।

वह सवाल जिसका यह जवाब देता है: कोई सिफ़ारिश एल्गोरिद्म उपयोगकर्ताओं के साथ कई अंतःक्रियाओं में कैसा बरताव करेगा?

छोड़ता है: उपयोगकर्ता का व्यवहार माना गया है, मापा नहीं गया।

इस पर चलता है: लगभग 10^10 FLOPS मोटा अनुमान सस्ते समानांतर रन तब से: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [स्रोत](https://arxiv.org/abs/1909.04847)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[स्टोकैस्टिक प्रक्रियाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-stochastic)न्यूनतम परत: नियम

### तंत्रिका गेम इंजन

खेल की रिकॉर्डिंग पर प्रशिक्षित एक डिफ़्यूज़न मॉडल खिलाड़ी की क्रियाओं से अगला फ़्रेम बनाता है, और खेल के अपने इंजन की जगह ले लेता है।

वह सवाल जिसका यह जवाब देता है: क्या कोई तंत्रिका नेटवर्क खेलने लायक गति पर संवादात्मक खेल चला सकता है?

छोड़ता है: स्मृति छोटी है, और लंबे खेल में ब्योरे भटक जाते हैं।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान भारी प्रशिक्षण; एक एक्सेलेरेटर पर रीयल-टाइम अनुमान तब से: 2024 Diffusion models are real-time game engines (2024) [स्रोत](https://arxiv.org/abs/2408.14837)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)न्यूनतम परत: नियम

### इंटरैक्टिव जनरेटिव दुनियाएँ

एक मॉडल बिना लेबल वाले वीडियो से सीखकर नियंत्रित की जा सकने वाली दुनियाएँ बनाता है, जिनमें उपयोगकर्ता फ़्रेम-दर-फ़्रेम कार्य कर सकता है।

वह सवाल जिसका यह जवाब देता है: क्या खेलने लायक दुनिया केवल छवियों से बनाई जा सकती है?

छोड़ता है: संगति और फ़्रेम दर सीमित हैं, और भौतिकी की कोई गारंटी नहीं।

इस पर चलता है: लगभग 10^17 FLOPS मोटा अनुमान बड़े पैमाने का वीडियो प्रशिक्षण तब से: 2024 Genie: generative interactive environments (2024) [स्रोत](https://arxiv.org/abs/2402.15391)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### सीखे हुए वास्तविक-जगत के इंटरैक्टिव सिमुलेटर

क्रियाओं पर आधारित वीडियो मॉडल अनुमान लगाता है कि हर आदेश के बाद रोबोट या एजेंट क्या देखेगा, और हाथ से बने सिमुलेटर की जगह ले लेता है।

वह सवाल जिसका यह जवाब देता है: क्या सीखा हुआ मॉडल क्रियाओं के असली-दुनिया के नतीजे सिमुलेट कर सकता है?

छोड़ता है: लंबे रोलआउट में मनगढ़ंत चीज़ें उभर आती हैं, और भौतिक सटीकता की पुष्टि नहीं होती।

इस पर चलता है: लगभग 10^17 FLOPS मोटा अनुमान बड़े वीडियो और क्रिया डेटासेट पर प्रशिक्षण तब से: 2023 Learning interactive real-world simulators (2023) [स्रोत](https://arxiv.org/abs/2310.06114)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### जनरेटिव ड्राइविंग वर्ल्ड मॉडल

गति और स्टीयरिंग पर आधारित वीडियो मॉडल कार के नज़रिए से संभावित आगामी दृश्य बनाता है, ताकि स्वायत्त वाहनों को प्रशिक्षित और परखा जा सके।

वह सवाल जिसका यह जवाब देता है: किसी दी गई ड्राइविंग क्रिया के बाद कौन-से यातायात दृश्य बन सकते हैं?

छोड़ता है: बनाए गए दृश्य भौतिकी या दुर्लभ मामलों के व्यवहार का उल्लंघन कर सकते हैं।

इस पर चलता है: लगभग 10^17 FLOPS मोटा अनुमान बड़े वीडियो मॉडल का प्रशिक्षण तब से: 2023 GAIA-1: a generative world model for autonomous driving (2023) [स्रोत](https://arxiv.org/abs/2309.17080)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)न्यूनतम परत: नियम

### सिमुलेटेड रोबोट फ़ुटबॉल

सॉफ़्टवेयर खिलाड़ियों की दो टीमें, जिनमें हर एक शोर भरी इंद्रियों से मैदान का केवल कुछ हिस्सा देखती है, सिमुलेटेड स्टेडियम में फ़ुटबॉल खेलती हैं, ताकि सहयोग और रणनीति परखी जा सके।

वह सवाल जिसका यह जवाब देता है: क्या स्वतंत्र सॉफ़्टवेयर खिलाड़ी प्रतिद्वंद्वी टीम को हराने लायक तालमेल बना सकते हैं?

छोड़ता है: मैदान, गेंद और रोबोट के शरीर आदर्श बनाए गए हैं, इसलिए सफलता रणनीति दिखाती है, असली हार्डवेयर के साथ कौशल नहीं।

इस पर चलता है: लगभग 10^9 FLOPS मोटा अनुमान एक मैच के लिए वर्कस्टेशन पर रीयल-टाइम। तब से: 1998 नोडा और सहयोगियों का Soccer Server, बहु-एजेंट प्रणालियों पर शोध का एक उपकरण। [स्रोत](https://doi.org/10.1080/088395198117848)

[एजेंट-आधारित](https://simulation-hypothesis.com/hi/simulations/methods#m-agent-based)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[खेल सिद्धांत](https://simulation-hypothesis.com/hi/simulations/methods#m-game-theory)न्यूनतम परत: आबादियाँ

### सॉफ़्टवेयर इंजीनियरिंग एजेंटों के सैंडबॉक्स

किसी एजेंट को असली कोड परियोजना और समस्या-रिपोर्ट दी जाती है, वह सैंडबॉक्स में फ़ाइलें बदलता और परीक्षण चलाता है, और अंक इस पर मिलते हैं कि सुधार परीक्षण पास करता है या नहीं।

वह सवाल जिसका यह जवाब देता है: क्या कोई AI एजेंट बिना मदद के असली सॉफ़्टवेयर परियोजनाओं के असली बग ठीक कर सकता है?

छोड़ता है: टेस्ट पास होना सही सुधार के बराबर नहीं है, और ये परियोजनाएँ सारे सॉफ़्टवेयर का एक छोटा-सा हिस्सा हैं।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान मॉडल के हज़ारों रन, हर एक में कई कॉल और टेस्ट रन। तब से: 2023 जिमेनेज़ और सहयोगियों का भाषा मॉडलों के लिए असली GitHub समस्याओं वाला SWE-bench। [स्रोत](https://arxiv.org/abs/2310.06770)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)न्यूनतम परत: नियम

### डेस्कटॉप कंप्यूटर एजेंट परिवेश

असली प्रोग्रामों वाला एक पूरा वर्चुअल कंप्यूटर किसी एजेंट को दिया जाता है, जो स्क्रीन देखता है, क्लिक और टाइप करता है, और जिसे इस पर अंक मिलते हैं कि काम हुआ या नहीं।

वह सवाल जिसका यह जवाब देता है: क्या कोई AI एजेंट कंप्यूटर पर वैसे काम कर सकता है जैसे इंसान करता है?

छोड़ता है: काम तयशुदा और स्क्रिप्ट किए हुए हैं, जबकि असली काम खुला, बीच में टूटने वाला और दूसरों के साथ बाँटा हुआ होता है।

इस पर चलता है: लगभग 10^15 FLOPS मोटा अनुमान हज़ारों रन, हर एक में एक आभासी मशीन और कई मॉडल कॉल। तब से: 2024 Xie और सहयोगियों का OSWorld, जो असली कंप्यूटर वातावरण में एजेंटों की बेंचमार्किंग करता है। [स्रोत](https://doi.org/10.52202/079017-1650)

[सीखे हुए इमुलेटर](https://simulation-hypothesis.com/hi/simulations/methods#m-learned)[रियल टाइम](https://simulation-hypothesis.com/hi/simulations/methods#m-real-time)[नियम और अवस्थाएँ](https://simulation-hypothesis.com/hi/simulations/methods#m-rules)न्यूनतम परत: नियम

[◂ शहर, बुनियादी ढाँचा और संचालन](https://simulation-hypothesis.com/hi/simulations/cities-operations)[गणित और कंप्यूटेशन ▸](https://simulation-hypothesis.com/hi/simulations/mathematics-computation)