Perplexity AI CEO Aravind Srinivas के बयान को आसान हिंदी में समझें। जानें कैसे AI के दौर में Computer Science फिर से maths, physics, logic और fundamentals की ओर लौटता दिख रहा है।
Perplexity AI CEO Aravind Srinivas : टेक्नोलॉजी की दुनिया में आर्टिफिशियल इंटेलिजेंस की तेजी से आई क्रांति ने software tools के स्वरूप के साथ-साथ learning, coding और problem-solving के प्रति हमारा नजरिया fundamentally बदल दिया है। अब coding केवल syntax या frameworks याद करने तक सीमित नहीं है। इस बदलाव के बीच एक अहम सवाल उठ रहा है—AI के प्रभाव से Computer Science क्या अपने मूल, यानी mathematics और physics की ओर लौट रहा है?
इसी संदर्भ में Perplexity AI के CEO Aravind Srinivas का एक बयान चर्चा में है, जिसमें वह मानते हैं कि AI के असर के कारण Computer Science अब फिर से deeper thinking, abstraction, logical modeling और scientific reasoning की दिशा में जा रहा है। यह महत्वपूर्ण है क्योंकि अब coding का एक बड़ा हिस्सा AI tools द्वारा automate हो रहा है। ऐसे में भविष्य के software engineer की सबसे अहम पहचान होगी systems को समझना, problems को सही ढंग से model करना और solutions को verify करना।
यह विषय केवल एक viral statement भर नहीं है। यह technology industry, students, developers, job seekers और educational institutions—सभी के लिए एक अहम संकेत है। इस लेख में हम विस्तार से समझेंगे कि इस बयान का वास्तविक अर्थ क्या है, AI coding tools ने software development को किस तरह बदला है, mathematics और physics की relevance क्यों बढ़ रही है, और आने वाले समय में Computer Science की दिशा कैसी हो सकती है।
Note –CTET Answer Key 2026 जारी : Peper 1 और Paper 2 की उत्तर कुंजी करें डाउनलोड
Affiliate link– Office Chair, Adjustable Lumbar High Back Desk
Aravind Srinivas के बयान का सरल अर्थ
Perplexity AI CEO Aravind Srinivas जब कहा जाता है कि Computer Science फिर से mathematics और physics के क्षेत्र में लौट रहा है, तो इसका मतलब यह नहीं है कि coding खत्म हो जाएगी या software development अब केवल researchers के लिए रह जाएगा। इसका असली मतलब यह है कि programming का superficial हिस्सा, जैसे boilerplate code, repeated logic, standard templates और basic debugging, अब AI tools की मदद से काफी हद तक automate हो सकता है।
पहले बहुत से developers का focus code लिखने, syntax ठीक रखने और frameworks का इस्तेमाल करने पर होता था। अब AI इन कार्यों को काफी तेजी से कर सकता है। ऐसे में इंसान की असली value उस जगह बढ़ती है, जहाँ deeper understanding की जरूरत होती है—जैसे problem solving, algorithms, architecture design, performance optimization, system reliability, mathematical reasoning और real-world constraints की समझ।
यानी future में केवल वह व्यक्ति valuable नहीं होगा जो code जल्दी लिख दे, बल्कि वह अधिक महत्वपूर्ण होगा जो यह समझ सके कि कौन-सा solution सही है, कौन-सा model उचित है, किस architecture के long-term परिणाम क्या होंगे, और किसी system के fail होने की वास्तविक वजह क्या हो सकती है।
Computer Science का मूल संबंध Mathematics और Physics से क्यों है?
Perplexity AI CEO Aravind Srinivas : बहुत लोग Computer Science को केवल programming languages, apps और websites से जोड़कर देखते हैं। लेकिन वास्तव में Computer Science की नींव mathematics पर टिकी हुई है। Algorithms, logic, computation theory, cryptography, machine learning, data science, graphics, databases, optimization, statistics और probability—ये सभी विषय mathematics से गहराई से जुड़े हैं।
Physics का संबंध भी Computer Science से कम महत्वपूर्ण नहीं है। Hardware architecture, semiconductor design, signal processing, robotics, simulation, high-performance computing, network latency, heat management और energy efficiency जैसे अनेक क्षेत्रों में physics की भूमिका स्पष्ट दिखाई देती है।
समय के साथ software industry में application development, UI frameworks, web tools और product shipping को अधिक प्राथमिकता मिली। इससे कई लोगों के लिए Computer Science का practical अर्थ coding तक सीमित हो गया। लेकिन AI के आने से यह तस्वीर फिर बदल रही है। अब जब machine routine coding में सहायता कर सकती है, तो इंसान का ध्यान फिर से concepts, structure, models और underlying logic पर जा रहा है। यही कारण है कि लोग कह रहे हैं कि Computer Science फिर से अपने बुनियादी स्वरूप की ओर लौट रहा है।
AI coding tools ने क्या बदला है?
Perplexity AI CEO Aravind Srinivas :आज कई AI tools ऐसे हैं जो developers की productivity बढ़ाने में मदद कर रहे हैं। ये tools functions लिख सकते हैं, syntax suggest कर सकते हैं, code errors explain कर सकते हैं, test cases बना सकते हैं, documentation summarize कर सकते हैं और कई बार complete blocks of code भी generate कर देते हैं।
इस बदलाव ने software development को दो हिस्सों में बांट दिया है। पहला हिस्सा है code generation, जिसे AI काफी हद तक तेज और आसान बना रही है। दूसरा हिस्सा है code understanding, system reasoning और problem framing, जो अभी भी largely human intelligence पर निर्भर है।
उदाहरण के लिए, कोई AI tool आपको एक API endpoint का code लिखकर दे सकता है। लेकिन क्या वह endpoint secure है? क्या वह scale करेगा? क्या उसमें concurrency issues होंगे? क्या वह गलत input को सुरक्षित तरीके से संभाल पाएगा? क्या उसका database interaction optimized है? क्या वह legal या domain requirements के अनुसार काम करेगा? इन सवालों का जवाब देने के लिए केवल code generation पर्याप्त नहीं है। यहाँ deep technical understanding की जरूरत पड़ती है।
इसी वजह से AI के आने से coding का महत्व खत्म नहीं हो रहा, बल्कि coding का स्तर बदल रहा है। अब focus typing पर कम और thinking पर ज्यादा हो सकता है।
क्या इसका मतलब है कि coding jobs खतरे में हैं?
Perplexity AI CEO Aravind Srinivas : यह सवाल हर student और developer के मन में है। सच्चाई यह है कि jobs पूरी तरह खत्म होने की बजाय बदल सकती हैं। Entry-level repetitive tasks पर असर पड़ सकता है, क्योंकि AI basic coding काम को तेज कर सकती है। लेकिन high-quality engineering, system design, complex debugging, AI model integration, infra engineering, cybersecurity, backend architecture, research engineering, और domain-specific development जैसे क्षेत्रों में skilled professionals की जरूरत बनी रहेगी।
दरअसल AI ने एक paradox पैदा किया है। अब basic app बनाना पहले से आसान हो सकता है, लेकिन truly reliable, scalable और secure software बनाना पहले जितना ही कठिन—और कई मामलों में उससे भी कठिन—हो सकता है। क्योंकि AI-generated code को समझना, verify करना और production-grade बनाना एक अलग skill है।
इसलिए आने वाले समय में वह developer अधिक सफल हो सकता है, जो AI tools का सही उपयोग करे, लेकिन उनके output पर आँख बंद करके भरोसा न करे।
Mathematics की relevance क्यों बढ़ रही है?
Perplexity AI CEO Aravind Srinivas : Mathematics की relevance कई कारणों से फिर केंद्र में आ रही है।
पहला कारण है abstraction। Computer Science की सबसे बड़ी ताकत यही है कि वह real-world problems को abstract models में बदलती है। AI tools code लिख सकते हैं, लेकिन सही abstraction चुनना इंसान का काम है।
दूसरा कारण है algorithms और optimization। जैसे-जैसे systems बड़े और complex होते जाते हैं, efficient algorithms की जरूरत बढ़ती है। Faster execution, lower memory use, reduced latency और better scalability—ये सभी mathematical thinking से जुड़े हैं।
तीसरा कारण है probability और statistics। AI systems deterministic नहीं होते। उनका behavior uncertainty, confidence scores, model errors, bias और evaluation metrics पर आधारित हो सकता है। ऐसे systems के साथ काम करने के लिए probabilistic thinking जरूरी हो जाती है।
चौथा कारण है machine learning और data science। आज के tech landscape में linear algebra, calculus, statistics और optimization methods की समझ कई advanced roles के लिए बेहद उपयोगी होती जा रही है।
Physics की relevance क्यों बढ़ रही है?
Perplexity AI CEO Aravind Srinivas : Physics का संबंध केवल research labs तक सीमित नहीं है। आज जब computing hardware, edge devices, robotics, chips, sensors, data centers और energy-efficient computing की बात होती है, तब physics की भूमिका सामने आती है।
मान लीजिए AI future में केवल cloud servers पर निर्भर न रहे, बल्कि smartphones, embedded systems, vehicles, robots और local devices पर अधिक चले। ऐसे में hardware limitations, battery constraints, thermal issues, signal accuracy और real-time behavior जैसे विषय अधिक महत्वपूर्ण हो जाएंगे। यह सब physics-informed engineering mindset मांगता है।
Physics हमें constraints में सोचना सिखाती है। हर system infinite resources के साथ काम नहीं करता। Memory सीमित होती है, power सीमित होती है, bandwidth सीमित होती है और response time की भी practical limits होती हैं। जो engineer इन constraints को समझकर efficient systems बनाता है, वही long-term में ज्यादा valuable साबित होता है।
Students के लिए इसका क्या मतलब है?
Perplexity AI CEO Aravind Srinivas : अगर आप student हैं और tech field में career बनाना चाहते हैं, तो यह समय केवल tools सीखने का नहीं, बल्कि fundamentals मजबूत करने का है। Programming languages सीखना जरूरी है, लेकिन केवल language जानना अब पर्याप्त नहीं होगा। आपको data structures, algorithms, operating systems, databases, networking, probability, logic, linear algebra और system design जैसी चीजों पर भी ध्यान देना होगा।
इसके साथ ही AI literacy भी महत्वपूर्ण है। आपको यह समझना होगा कि AI tools को सही prompt कैसे दिया जाए, उनके output को कैसे evaluate किया जाए, generated code को कैसे test किया जाए, और कहाँ AI की limits सामने आती हैं।
आज बहुत से students shortcut ढूंढते हैं—कौन-सी language सबसे जल्दी job दिलाएगी, कौन-सा framework trending है, कौन-सा tool सबसे easy है। लेकिन future शायद उन लोगों का होगा जो short-term trends के साथ-साथ deep understanding पर भी काम करेंगे।
Developers और professionals के लिए सीख
Perplexity AI CEO Aravind Srinivas : जो लोग पहले से software industry में हैं, उनके लिए यह बदलाव adaptation की मांग करता है। AI tools को ignore करना practical नहीं है। लेकिन हर AI-generated output को final solution मान लेना भी खतरनाक हो सकता है।
अब professionals को तीन स्तरों पर evolve होना होगा। पहला, AI-assisted workflow को अपनाना। दूसरा, fundamentals को और मजबूत करना। तीसरा, domain understanding को बढ़ाना। क्योंकि future में domain expertise बहुत बड़ी differentiation बन सकती है। जो engineer healthcare, finance, education, cybersecurity, logistics या manufacturing जैसे किसी specific field की वास्तविक समस्याओं को समझता है, वह generic coder की तुलना में अधिक value create कर सकता है।
Education system को क्या बदलना चाहिए?
यह debate education system के लिए भी महत्वपूर्ण है। अगर coding का basic हिस्सा AI assist करने लगे, तो फिर teaching का focus केवल syntax, memorization और repetitive lab exercises पर नहीं रहना चाहिए। छात्रों को logic, reasoning, modeling, experimentation, system design और verification पर ज्यादा train किया जाना चाहिए।
Exams और assignments का format भी धीरे-धीरे बदल सकता है। केवल code output के आधार पर किसी student की capability नापना पर्याप्त नहीं होगा। future assessment शायद इस बात पर अधिक निर्भर करे कि student problem को कैसे समझता है, constraints को कैसे identify करता है, alternatives को कैसे compare करता है और अपने solution को justify कैसे करता है।
क्या यह सचमुच traditional Computer Science की वापसी है?
कुछ हद तक हाँ, लेकिन यह traditional रूप में वापसी नहीं है। यह एक नए hybrid era की शुरुआत भी हो सकती है। यहाँ AI tools implementation में मदद करेंगे, लेकिन humans conceptual control बनाए रखेंगे। यानी coding रहेगी, लेकिन उसका अर्थ बदलेगा। अब coding सिर्फ keyboard skill नहीं, बल्कि reasoning-backed engineering activity बन सकती है।
इस नए दौर में तीन तरह के लोग सबसे आगे हो सकते हैं। वे जिनके fundamentals मजबूत हैं। वे जो किसी domain को गहराई से समझते हैं। और वे जो AI tools को intelligently use करना जानते हैं।
इस सोच की सीमाएँ भी हैं
Perplexity AI CEO Aravind Srinivas : यह भी याद रखना चाहिए कि हर software problem maths problem नहीं होती। Product design, user experience, communication, team coordination, maintenance, customer needs और business priorities भी software development का अहम हिस्सा हैं। केवल mathematical brilliance से great product नहीं बनता। उसी तरह केवल AI tools के सहारे भी long-term quality software नहीं बनता।
इसलिए संतुलित दृष्टिकोण जरूरी है। fundamentals की वापसी का मतलब यह नहीं कि practical skills की जरूरत खत्म हो गई। बल्कि इसका मतलब यह है कि practical skills को अब deeper reasoning के साथ जोड़ा जाना चाहिए।
निष्कर्ष
Perplexity AI CEO Aravind Srinivas के बयान ने एक महत्वपूर्ण चर्चा को आगे बढ़ाया है। AI के दौर में Computer Science शायद सचमुच फिर से अपने गहरे बौद्धिक आधार की ओर लौट रहा है। अब value केवल code लिखने में नहीं, बल्कि सही सवाल पूछने, सही model चुनने, सही system design करने और सही तरीके से verify करने में होगी।
यह बदलाव students, developers, companies और educational institutions—सभी के लिए एक संकेत है। आने वाला समय उन लोगों का हो सकता है जो AI का उपयोग करते हुए भी fundamentals को नहीं छोड़ेंगे। Mathematics, logic, systems thinking, probability, optimization और scientific mindset अब optional luxury नहीं, बल्कि long-term strength बन सकते हैं।
यही कारण है कि आज Computer Science की नई परिभाषा उभर रही है। यह सिर्फ coding नहीं, बल्कि intelligent problem solving का discipline बनती जा रही है। और शायद यही वह बात है, जिस पर Aravind Srinivas की सहमति भविष्य की दिशा को समझने में मदद करती है।
FAQ Section
Perplexity AI CEO Aravind Srinivas
1. Aravind Srinivas ने Computer Science के बारे में क्या कहा?
उन्होंने उस विचार से सहमति जताई कि Computer Science धीरे-धीरे फिर से mathematics और physics जैसे मूल विषयों की तरफ लौट रहा है, क्योंकि AI basic coding tasks को आसान बना रहा है।
2. क्या AI coding jobs खत्म कर देगा?
AI पूरी तरह jobs खत्म नहीं करेगा, लेकिन coding work की nature बदल सकता है। basic repetitive tasks कम हो सकते हैं, जबकि deep problem-solving skills की demand बढ़ सकती है।
3. Computer Science में maths क्यों जरूरी है?
Maths algorithms, logic, probability, machine learning, optimization और data science जैसे topics की foundation है। future tech roles में इसकी importance और बढ़ सकती है।
4. Physics का Computer Science से क्या संबंध है?
Physics hardware, robotics, chip design, simulations, data centers, edge computing और performance constraints को समझने में मदद करती है।
5. Students को future के लिए क्या सीखना चाहिए?
Students को programming के साथ data structures, algorithms, databases, networking, logic, probability, system design और AI tools का सही उपयोग सीखना चाहिए।