సమాధానం దొరికింది… కానీ ఆలోచించడం నేర్చుకున్నామా? AI యుగంలో నేర్చుకోవడం, నైపుణ్యం, గురుత్వం మరియు మనిషిగా ఆలోచించడం గురించి డా. బి. ఎస్. చక్రవర్తి

 

సమాధానం దొరికింది…
కానీ ఆలోచించడం నేర్చుకున్నామా?

AI యుగంలో నేర్చుకోవడం, నైపుణ్యం, గురుత్వం మరియు మనిషిగా ఆలోచించడం గురించి

డా. బి. ఎస్. చక్రవర్తి

ఉపాధ్యాయ దినోత్సవం సందర్భంగా — నేర్చుకునే మనిషికి, నేర్పే ప్రతి గురువుకి

---

ఒక చిన్న ప్రశ్నతో మొదలుపెడదాం

ఒక మెడికల్ కాలేజీ వార్డులో ఉదయం రౌండ్స్ జరుగుతున్నాయని ఊహించండి. ప్రొఫెసర్ ఒక పీజీ విద్యార్థిని అడుగుతాడు:

“ఈ బిడ్డకు జ్వరం, pallor, splenomegaly ఉన్నాయి. Differential diagnosis ఏమిటి?”

ఒకప్పుడు ఆ విద్యార్థి కొన్ని క్షణాలు ఆగేవాడు. ముఖంలో కొంచెం సందేహం కనిపించేది. నిన్న చదివిన పుస్తకం గుర్తు చేసుకునేవాడు. గత వారం చూసిన కేసును గుర్తు తెచ్చుకునేవాడు. Malaria కావచ్చా? Hemolytic anaemia? Leukemia? Kala-azar? ఇంకేమైనా? కొన్ని తప్పు సమాధానాలు కూడా చెప్పేవాడు.

ప్రొఫెసర్ వెంటనే సమాధానం చెప్పడు. “సరే. Malaria అనుకుంటున్నావు. ఎందుకు?” అని మరో ప్రశ్న వేస్తాడు.

అక్కడే అసలు చదువు మొదలవుతుంది.

ఇప్పుడు అదే విద్యార్థి తన మొబైల్ తీసి AIని అడగగలడు. కొన్ని సెకన్లలో differential diagnosis వస్తుంది. అందంగా ఉంటుంది. Bullet points ఉంటాయి. Investigations ఉంటాయి. Management ఉంటుంది. Latest guideline ఏం చెబుతుందో కూడా చెప్పగలదు.

ఇప్పుడు మనం అడగాల్సిన ప్రశ్న:

విద్యార్థికి సమాధానం వచ్చిందా?
వచ్చింది.

కానీ అతను ఆలోచించడం నేర్చుకున్నాడా?

AI యుగంలో విద్య, వైద్యం, శాస్త్ర పరిశోధన ఎదుర్కొంటున్న అసలు సమస్య అక్కడే మొదలవుతోంది.

కష్టపడటం అంతా మంచిదేనా?

మన పెద్దవాళ్లు తరచూ ఒక మాట అంటుంటారు: “మా రోజుల్లో Google లేదు.”

నిజమే. Libraryకి వెళ్లాలి. Index చూడాలి. పుస్తకం వెతకాలి. Journal article కావాలంటే మరో libraryకి వెళ్లాల్సి వచ్చేది. ఒక reference కోసం గంటలు పట్టేది. Statistical calculation చేయడానికి calculator పట్టుకుని కూర్చోవాల్సి వచ్చేది. Computer programలో చిన్న error ఉంటే ఎక్కడ ఉందో వెతకడానికి ఒక రోజు పోయేది.

ఇవన్నీ తిరిగి రావాలని ఎవరూ కోరుకోరు. Washing machine వచ్చింది కాబట్టి చేత్తోనే బట్టలు ఉతకాలని పట్టుబట్టం. Calculator వచ్చింది కాబట్టి ప్రతి లెక్కను కాగితం మీదే చేయాలని అనుకోం. CT scan ఉన్నప్పుడు అవసరం లేని exploratory surgery చేయం.

Technology unnecessary labourను తొలగించడం నాగరికతలో భాగమే. AI కూడా అదే చేయగలదు.

కానీ ఇక్కడ ఒక సూక్ష్మమైన తేడా ఉంది.

ప్రతి కష్టం waste కాదు.

కొన్ని కష్టాలు మనల్ని ఆలస్యం చేస్తాయి. మరికొన్ని కష్టాలు మనల్ని తయారు చేస్తాయి. ఈ రెండింటినీ వేరు చేయడం ఇప్పుడు అత్యంత అవసరం.

ఐదు నెలలు పట్టిన ఒక గ్రాఫ్

Yale Universityలో particle physicist Sarah Demers చెప్పిన ఒక ఉదాహరణ చాలా ఆలోచింపజేస్తుంది. Research groupలోకి కొత్తగా వచ్చిన undergraduate student ఒక meaningful scientific plot తయారు చేసే స్థాయికి రావడానికి గతంలో నెలలు పట్టేది.

Physics అర్థం కావడం ఒక్కటే కాదు. Data ఎక్కడ ఉందో తెలుసుకోవాలి. Software నేర్చుకోవాలి. Code రాయాలి. Bugs వస్తాయి. File formats అర్థం కావు. Old programs పనిచేయవు. Senior researcherని అడగాలి. మళ్లీ ప్రయత్నించాలి.

AI coding assistants ఈ ప్రయాణంలో చాలా భాగాన్ని చిన్నదిగా చేయగలవు. ఐదు నెలల తర్వాత అసలు dataను తాకాల్సిన విద్యార్థి కొన్ని వారాల్లోనే scientific question దగ్గరకు చేరవచ్చు.

ఇది అద్భుతమైన ప్రయోజనం.

అయితే ఆ ఐదు నెలల్లో ఉన్నదంతా wasteనా?

కాదు.

Data ఎలా ప్రవర్తిస్తుందో, error వచ్చినప్పుడు ఎక్కడ చూడాలో, ఏ result అనుమానాస్పదంగా ఉందో, ఏ ప్రశ్న seniorని అడగాలో, ముఖ్యంగా — తనకు ఏది తెలియదో గుర్తించడం — ఇవన్నీ ఆ ప్రయాణంలోనే నేర్చుకున్నాడేమో.

ఇవి textbook chapterలు కావు. Expertise ఏర్పడే చిన్న చిన్న మానసిక మార్పులు.

సైకిల్ నేర్చుకోవడానికి balance మీద lecture సరిపోదు

ఒక చిన్న పిల్లవాడికి bicycle నేర్పుతున్నామని ఊహించండి. Balance గురించి physics మొత్తం చెప్పవచ్చు. Centre of gravity వివరించవచ్చు. Angular momentum చెప్పవచ్చు. Handle ఎంత తిప్పాలో mathematical model కూడా ఇవ్వవచ్చు.

కానీ పిల్లవాడు bicycle మీద కూర్చోవాలి.

కొంచెం wobble కావాలి. ఒకసారి ఎడమవైపు పడబోతాడు. మరోసారి కుడివైపు. తండ్రి వెనుక seat పట్టుకుంటాడు. ఒక సమయంలో చేయి వదిలేస్తాడు. పిల్లవాడికి తెలియదు.

కొన్ని metres వెళ్లాక వెనక్కి చూస్తాడు. అప్పుడు అతనికి balance గురించి ఒక జ్ఞానం వచ్చింది. దాన్ని మాటల్లో పూర్తిగా చెప్పలేం.

అది శరీరం నేర్చుకున్న జ్ఞానం.

Clinical medicineలో కూడా అలాంటిదే ఉంటుంది. Shock definition చదవవచ్చు. Tachycardia, prolonged capillary refill, weak pulses, hypotension అన్నీ గుర్తుపెట్టుకోవచ్చు.

కానీ సంవత్సరాల తర్వాత experienced pediatrician ఒక బిడ్డను చూసిన కొన్ని క్షణాల్లోనే, “ఈ బిడ్డ బాగోలేదు” అని ఎందుకు అనిపిస్తుంది?

అది magic కాదు. వేల observations నెమ్మదిగా మెదడులో pattern recognitionగా మారాయి.

AI మనకు map ఇస్తోంది — కానీ దారి గుర్తుంటుందా?

Google Maps వచ్చిన తర్వాత మనందరికీ ఒక చిన్న అనుభవం ఉంది. కొత్త నగరంలో ఎక్కడికైనా వెళ్లగలం. అది గొప్ప స్వేచ్ఛ.

కానీ navigation పూర్తిగా phoneకి అప్పగిస్తే అదే routeను పదిసార్లు వెళ్లినా మనకు దారి గుర్తుండకపోవచ్చు.

“300 metres తర్వాత right.”
“Next signal వద్ద left.”

మన పని instruction follow చేయడం మాత్రమే. Destinationకి చేరాం.

కానీ mental map ఏర్పడలేదు.

AIతో learning కూడా ఇలాగే మారే ప్రమాదం ఉంది.

Answer దొరుకుతుంది.
Assignment పూర్తవుతుంది.
Presentation తయారవుతుంది.
Case summary అందంగా వస్తుంది.
Exam answer కూడా వస్తుంది.

Destination చేరుకున్నాం.

కానీ లోపల map ఏర్పడిందా?

ఒక పీజీకి AI చెబుతుంది: “Septic shock”

PICUలో ఒక child. Fever, tachycardia, cold extremities, capillary refill 5 seconds, low urine output, altered sensorium.

AIకి details ఇస్తే అది వెంటనే “Septic shock” అని చెప్పవచ్చు. Fluid strategy, vasoactive drug, antibiotics, dose — అన్నీ ఇవ్వగలదు.

ఇది ఉపయోగకరమే.

కానీ bedside వద్ద మరో child ఉంటాడు. Heart rate కూడా ఎక్కువే. BP borderline. Liver enlarged. Respiratory distress.

ఇక్కడ aggressive fluids ప్రమాదకరం కావచ్చు. Myocarditis ఉండవచ్చు. Cardiogenic shock ఉండవచ్చు. Dengue shockలో fluid dynamics వేరుగా ఉండవచ్చు. Severe anaemiaతో heart failure ఉండవచ్చు.

Clinical expertise అంటే information తెలుసుకోవడం మాత్రమే కాదు.

ఏ information ఈ patientకి వర్తించదో తెలుసుకోవడం కూడా.

Experienced doctor AI answer చదివి “లేదు. ఈ childలో ఇది సరిపోదు” అని చెప్పగలడు.

Juniorకి అదే answer authoritativeగా కనిపించవచ్చు.

నమ్మదగినట్టు కనిపించే తప్పు

AIకి ఒక విచిత్రమైన శక్తి ఉంది. అది uncertainty ఉన్నప్పటికీ confidenceతో మాట్లాడగలదు.

Language neatగా ఉంటుంది. Reasoning coherentగా కనిపిస్తుంది. References కూడా convincingగా కనిపించవచ్చు.

అందుకే expertise లేని వ్యక్తికి కొత్త ప్రమాదం వస్తుంది:

తప్పును గుర్తించడానికి కూడా జ్ఞానం కావాలి.

Driving నేర్చుకోని వ్యక్తికి self-driving car అద్భుతంగా అనిపిస్తుంది. Experienced driver మాత్రం car unusualగా lane మార్చితే వెంటనే గమనిస్తాడు. అతని లోపల ఇప్పటికే driving model ఉంది.

AIతో కూడా అదే.

Expertకి AI ఒక amplifier.
Noviceకి అది substituteగా మారే ప్రమాదం ఉంది.

“నాకు తెలియదు” అని చెప్పడం కూడా ఒక విద్య

పాత research cultureలో ఏదైనా తెలియకపోతే మరో researcher దగ్గరకు వెళ్లి “ఇది నాకు అర్థం కాలేదు. చెప్పగలరా?” అని అడగాల్సి వచ్చేది.

అది కొన్నిసార్లు uncomfortable. కానీ ఆ embarrassment తర్వాత conversation మొదలయ్యేది.

“నువ్వు ఇలా ఎందుకు అనుకుంటున్నావు?”
“ఈ assumption ఎక్కడి నుంచి వచ్చింది?”
“ఈ paper చూశావా?”

అక్కడ knowledge మాత్రమే transfer కాలేదు. Thinking కూడా transfer అయింది.

మన medical collegesలో ward roundలో professor అడిగిన ప్రశ్నకు student తప్పు answer చెబుతాడు. Professor వెంటనే correct answer చెప్పకుండా, “ఎందుకు?” అంటాడు.

ఆ ఒక్క “ఎందుకు?” చాలా powerful.

AIకి మనం సాధారణంగా అడిగేది: “What is the answer?”

Teacher అడిగేది: “Why do you think this is the answer?”

ఇవి రెండూ ఒకటే కావు.

గురువు పని ఇక answer చెప్పడం మాత్రమే కాదు

ఒకప్పుడు మంచి teacher అంటే information ఎక్కువగా తెలిసిన వ్యక్తి. Professor దగ్గర rare books ఉండేవి. Experience ఉండేది. Studentకి లేని journals access ఉండేది.

ఇప్పుడు information monopoly పోయింది. Undergraduate studentకి కూడా కొన్ని secondsలో enormous information అందుబాటులోకి వస్తోంది.

అప్పుడు teacher ఎందుకు?

ఇక్కడే teaching మరింత ముఖ్యమవుతుంది.

Teacher ఇక information source మాత్రమే కాదు.
అతను judgment trainer.

“ఈ evidence strongనా?”
“ఈ study మన patient populationకి వర్తిస్తుందా?”
“Association అంటే causationనా?”
“ఈ test అవసరమా?”
“ఈ treatment technically possible. కానీ ఈ childకి చేయాలా?”
“Guideline ఇలా చెబుతోంది. కానీ ఈ family పరిస్థితి ఏమిటి?”

ఇలాంటి ప్రశ్నలకు autocomplete సరిపోదు.

Chess మనకు ముందే ఒక lesson చెప్పింది

1997లో IBM Deep Blue ప్రపంచ chess champion Garry Kasparovను ఓడించినప్పుడు, computer మనిషిని chessలో ఓడిస్తే chessకి అంతే అని కొందరు అనుకున్నారు.

అలా జరగలేదు. Chess మాయమవలేదు. కానీ chess నేర్చుకునే విధానం మారింది.

ఇప్పుడు young players enginesతో positions analyse చేస్తారు. Computer ఒక move best అని చెబుతుంది.

మంచి player అక్కడితో ఆగడు.

“ఎందుకు best?”

Engine moveను memorize చేసిన player position కొంచెం మారగానే తప్పిపోవచ్చు. Underlying idea అర్థం చేసుకున్న player కొత్త positionలో కూడా దారి కనుగొంటాడు.

Medicineలో guideline కూడా కొంతవరకు chess engine లాంటిదే. AI దానికంటే powerful engine కావచ్చు.

కానీ patient textbook positionలో ఎప్పుడూ ఉండడు.

Pilot autopilot మీదే నేర్చుకుంటే?

Modern aircraftలో autopilot extraordinary. Hours తరబడి aircraftను precisionతో నడపగలదు.

అందుకే pilots అవసరం లేదని అనుకుంటే?

సాధారణ flightలో బాగానే ఉంటుంది. కానీ unusual weather, sensor failure, conflicting alarms, engine problem వచ్చినప్పుడు?

Automation paradox ఇక్కడ కనిపిస్తుంది.

Machine ఎంత reliable అవుతుందో, humanకి practice అంత తగ్గుతుంది.
Human intervention అవసరమైనప్పుడు మాత్రం అత్యధిక expertise అవసరం అవుతుంది.

Medicineలో AI పెరిగేకొద్దీ ఇదే paradox రావచ్చు.

Routine ECG AI చదువుతుంది.
X-ray AI చూస్తుంది.
Drug interaction AI చెబుతుంది.
Dose AI calculate చేస్తుంది.
Documentation AI చేస్తుంది.
Differential diagnosis AI తయారుచేస్తుంది.

అప్పుడు doctorకి మిగిలేది అత్యంత కష్టమైన భాగం కావచ్చు:

Ambiguity. Exceptions. Conflicting evidence. Ethics. Communication. Responsibility.

Friction అనే పదాన్ని కొత్తగా చూడాలి

మన జీవితంలో friction అంటే సాధారణంగా bad thing. Machineలో friction తగ్గిస్తాం. Appలో friction తగ్గిస్తాం. Paymentలో friction తగ్గిస్తాం.

One-click purchase.
One-tap booking.
Instant answer.

కానీ human learningలో కొంత friction అవసరం.

Gymలో muscle పెరగడానికి resistance అవసరం. Resistance మొత్తం తీసేస్తే exercise సులభమవుతుంది. కానీ muscle పెరగదు.

Bone mechanical loadingకి స్పందిస్తుంది. Brain కూడా effortతో మారుతుంది.

Memory retrieve చేయడానికి ప్రయత్నించడం, problem solve చేయడం, తప్పు చేసి correct చేసుకోవడం — ఇవన్నీ learningలో భాగాలు.

అందుకే రెండు రకాల frictionను వేరు చేయాలి.

Useless friction: file formats, repetitive clerical work, simple calculations, routine coding. ఇవి AI తీసుకెళ్లాలి.

Productive friction: diagnosis గురించి struggle కావడం, evidence compare చేయడం, hypothesis నిర్మించడం, తప్పు ఎందుకు జరిగిందో అర్థం చేసుకోవడం, difficult conversation, uncertaintyలో నిర్ణయం.

ఇవే మనల్ని తయారు చేస్తాయి.

Calculator మనకు నేర్పిన compromise

Calculator వచ్చినప్పుడు “పిల్లలు mathematics మర్చిపోతారు” అని భయం వచ్చింది. Mathematics నాశనం కాలేదు. మనం ఒక compromise నేర్చుకున్నాం.

పిల్లవాడు ముందుగా number sense నేర్చుకోవాలి. 5 × 8 roughly ఎంత వస్తుందో తెలుసుకోవాలి. తర్వాత calculator వాడొచ్చు.

Calculator 5 × 8 = 4,000 అని చూపితే అది తప్పు అని గుర్తించగలగాలి.

AI విషయంలో కూడా ఇదే principle:

Tool outputను judge చేసే minimum internal competence మనిషికి ఉండాలి.

పరీక్షలు కూడా మారాల్సిందే

“Causes of neonatal jaundice రాయండి” అని అడిగితే AI అద్భుతమైన answer ఇస్తుంది. Memory-based examination మాత్రమే expertiseని కొలవలేని కాలంలోకి వెళ్తున్నాం.

దానికి బదులుగా:

“ఈ newborn day 2లో jaundiceతో వచ్చాడు. Mother O positive, baby A positive. Feeding poor. Weight loss 11%. Bilirubin ఇది. ఇప్పుడు నీ priority ఏమిటి? ఎందుకు?”

ఇక్కడ student information reproduce చేయడం సరిపోదు. Interpret చేయాలి. Prioritize చేయాలి. Defend చేయాలి.

AI answer అందుబాటులో ఉండటం వల్ల పరీక్షలు సులభం కావాల్సిన అవసరం లేదు.

అవి మరింత intelligent కావాలి.

AIని నిషేధించడం పరిష్కారం కాదు

“అయితే studentsకి AI వద్దు” అనుకోవడం సులభం. కానీ అది సరైన conclusion కాదు.

Calculatorను ban చేయలేం.
Internetను ban చేయలేం.
AIని medicine నుంచి బయట పెట్టలేం.

అలా చేయడం studentsను futureకి సిద్ధం చేయదు.

AIని ఎలా ఉపయోగించాలో నేర్పాలి.

ముందుగా నువ్వు ఆలోచించు.
నీ differential diagnosis రాయి.
నీ reasoning చెప్పు.
తర్వాత AIని అడుగు.
రెండింటినీ compare చేయి.
AI నీకు కనిపించని possibility చెప్పిందా?
నువ్వు చెప్పిన ఏదైనా అది miss చేసిందా?
దాని recommendation guidelineతో సరిపోతుందా?
Evidence verify చేయి.
చివరికి — నీ నిర్ణయం ఏమిటి?

ఇక్కడ AI answer machine కాదు.

Mirror.
Student తన thinkingని చూసుకునే అద్దం.

ఒక మంచి AI teacher ఎలా ఉండాలి?

Futureలో educationకి అత్యంత valuable AI answers ఇచ్చేది కాకపోవచ్చు. Questions అడిగేది కావచ్చు.

Student: “Childకి nephrotic syndrome.”
AI: “ఎందుకు అనుకుంటున్నావు?”
Student: “Edema, proteinuria.”
AI: “Heart failure ఎందుకు కాదు?”
Student సమాధానం చెబుతాడు.
AI: “Urine protein 2+ మాత్రమే ఉంటే నీ diagnosis మారుతుందా?”

ఇలా Socratic tutorలా పనిచేసే AI, ready-made answer generator కంటే learningకి ఎక్కువ ఉపయోగపడవచ్చు.

AI మన thinkingని replace చేయకుండా provoke చేయాలి.

Responsibility మాత్రం outsource చేయలేం

Scientific paper మీద నీ పేరు ఉంటే అందులో ఉన్నదానికి బాధ్యత నీదే. AI రాసింది అని తప్పించుకోలేం.

Medicineలో ఇది ఇంకా స్పష్టంగా ఉండాలి.

Prescription మీద doctor పేరు ఉంటుంది.
Discharge summary మీద doctor signature ఉంటుంది.
Procedureకి consent doctor తీసుకుంటాడు.
Parentకి prognosis doctor చెబుతాడు.

AI recommendation ఇచ్చిందని complication వచ్చినప్పుడు, “Chatbot అలా చెప్పింది” అని చెప్పలేం.

Capability machineది కావచ్చు.
Accountability మాత్రం మనిషిదే.

సమాధానం విలువ తగ్గుతున్న ప్రపంచం

మనిషి చరిత్రలో చాలా కాలం answers scarce. ఒక విషయం తెలుసుకోవాలంటే teacher కావాలి, book కావాలి, library కావాలి, expert కావాలి.

Internet answersను abundant చేసింది. AI ఇంకో అడుగు ముందుకు వేసింది.

అది information మాత్రమే ఇవ్వడం లేదు. Summarize చేస్తోంది. Compare చేస్తోంది. Explain చేస్తోంది. Write చేస్తోంది. Reason కూడా చేస్తోంది.

అంటే సమాధానం విలువ కొంత తగ్గుతున్న ప్రపంచంలోకి వెళ్తున్నాం.

అప్పుడు విలువ పెరిగేది ఏమిటి?

ప్రశ్న.

ఏ ప్రశ్న అడగాలి?
ఏ answer నమ్మాలి?
ఏ evidence సరిపోతుంది?
ఏ uncertaintyతో కూడా action తీసుకోవాలి?
ఏది technically possible అయినా చేయకూడదు?

ఈ ప్రశ్నల దగ్గరే human expertise మళ్లీ కనిపిస్తుంది.

---

ఉపసంహారం — ఉపాధ్యాయ దినోత్సవం సందర్భంగా

ఈ రోజు ఉపాధ్యాయ దినోత్సవం. డా. సర్వేపల్లి రాధాకృష్ణన్ జన్మదినాన్ని గురువులను స్మరించుకునే రోజుగా మనం జరుపుకుంటున్నాం.

కానీ ఈ సంవత్సరం నాకు “గురువు” అనే పదం కొంచెం కొత్త అర్థం తీసుకుంటున్నట్టు అనిపిస్తోంది.

మన ముందున్న విద్యార్థికి ఇప్పుడు మనకన్నా వేగంగా information దొరుకుతుంది. అతని చేతిలో textbook మాత్రమే లేదు; ప్రపంచంలోని journals, videos, guidelines, search engines, ఇప్పుడు generative AI కూడా ఉన్నాయి.

కొన్ని secondsలో ఒక ప్రశ్నకు అతను మనం గంటలు వెతికినంత material తెచ్చుకోగలడు.

అందువల్ల teacherగా మన విలువ informationని మన దగ్గర దాచుకుని ఇవ్వడంలో ఇక ఉండదు.

మన అసలు పని ఇప్పుడు మరింత కష్టం — కానీ మరింత అందమైనది.

Information మధ్య knowledge ఏది చూపాలి.
Knowledge మధ్య evidence ఏది చూపాలి.
Evidence మధ్య judgment ఎలా తయారవుతుందో నేర్పాలి.

AI ఇచ్చిన సమాధానాన్ని అంగీకరించే ముందు “ఎందుకు?” అని అడగడం నేర్పాలి.

Source చూడమని చెప్పాలి.
Contradictory evidence వెతకమని చెప్పాలి.
“నాకు తెలియదు” అని చెప్పడానికి సిగ్గుపడవద్దని నేర్పాలి.
తప్పు తెలిసినప్పుడు మార్చుకోవడం weakness కాదు, scientific honesty అని చూపాలి.

AIతో పోటీ పడటం teacher పని కాదు. AI కంటే ఎక్కువ facts గుర్తుపెట్టుకోవాలని ప్రయత్నించడం కూడా అవసరం లేదు. Machine వేగాన్ని మనిషి ఓడించలేడు.

కానీ ఒక మంచి గురువు చేయగలిగేది machine చేయడం చాలా కష్టం.

విద్యార్థి ముఖంలో confusion చూడటం.
అతనిలో curiosityని రగిలించడం.
తప్పు చేసినప్పుడు అవమానించకుండా reasoningని సరిచేయడం.
అతని సామర్థ్యాన్ని అతనికంటే ముందుగా గుర్తించడం.
knowledgeకి ethicsను జతచేయడం.
చివరికి తన నిర్ణయానికి బాధ్యత తీసుకునే మనిషిని తయారు చేయడం.

బహుశా ఇక మనం విద్యార్థులకు AI వాడవద్దని చెప్పడం కంటే, AIతో ఎలా మాట్లాడాలో నేర్పాలి.

“ముందు నీ answer చెప్పు; తర్వాత AIని అడుగు.”
“AI answerలో మూడు weaknesses కనుక్కో.”
“ఇది ఏ source ఆధారంగా చెబుతోంది?”
“ఈ recommendation మన patientకి ఎందుకు సరిపోతుంది?”
“AI తప్పైతే నువ్వు ఎలా గుర్తిస్తావు?”

ఇవే కొత్త classroom questions కావచ్చు.

గురువు ఒకప్పుడు దారి చూపే map అయి ఉండవచ్చు. ఇప్పుడు ప్రతి విద్యార్థి చేతిలో map ఉంది. GPS కూడా ఉంది. AI navigator కూడా ఉంది.

అయినా గురువు అవసరం తగ్గలేదు.

ఎందుకంటే map దారి చూపుతుంది; కానీ ఏ దారిలో ఎందుకు వెళ్లాలి, ఎప్పుడు ఆగాలి, ఎప్పుడు mapనే అనుమానించాలి, తప్పిపోయినప్పుడు ఎలా తిరిగి దారి కనుక్కోవాలి — ఇవి అనుభవం నేర్పుతుంది.

ఒక చిన్న పిల్లవాడు నడక నేర్చుకునేటప్పుడు ప్రతి అడుగులోనూ అతన్ని ఎత్తుకుని destinationకి తీసుకెళ్తే అతను ఒక్కసారి కూడా పడడు.

చాలా safe.
చాలా efficient.
అతను త్వరగా చేరతాడు.

కానీ ఒక రోజు మనం అతన్ని నేల మీద దించినప్పుడు —

అతనికి నడవడం వచ్చిందా?

AI మన విద్యార్థులను destinationsకి అసాధారణమైన వేగంతో తీసుకెళ్లగలదు.

మన బాధ్యత మాత్రం వారు నడవడం మర్చిపోకుండా చూడటం.

అందుకే ఈ ఉపాధ్యాయ దినోత్సవం సందర్భంగా ఈ వ్యాసాన్ని — AI ఆధిపత్యం పెరుగుతున్న సమాచార ప్రపంచంలో తాము కూడా నేర్చుకుంటూ, తమ విద్యార్థులను కూడా నడిపిస్తూ, “ఏది నేర్పాలి? ఎలా నేర్పాలి? ఎంతవరకు AIకి అప్పగించాలి?” అని ప్రతిరోజూ తమలో తాము ప్రశ్నించుకుంటున్న ప్రతి గురువుకూ అంకితం చేస్తున్నాను.

మనకు అన్ని సమాధానాలు తెలియకపోవచ్చు. ఇక అవన్నీ మనకు మాత్రమే తెలియాల్సిన అవసరం కూడా లేదు.

కానీ మంచి ప్రశ్న అడగడం, సమాధానాన్ని పరీక్షించడం, సందేహాన్ని గౌరవించడం, జ్ఞానానికి విలువలు జతచేయడం, నిర్ణయానికి బాధ్యత తీసుకోవడం — ఇవి మనం విద్యార్థికి ఇవ్వగలిగితే గురువు పాత్ర ఎప్పటికీ ముగియదు.

AI ఎంత తెలివైనదైనా, ఒక విద్యార్థిలో “నేను తెలుసుకోవాలి” అనే జిజ్ఞాసను వెలిగించిన క్షణం, “నేను ఎందుకు ఇలా అనుకుంటున్నాను?” అని అతను తనను తాను ప్రశ్నించుకున్న క్షణం, “ఈ నిర్ణయానికి బాధ్యత నాది” అని నిలబడిన క్షణం — అక్కడ ఇంకా ఒక గురువు ఉంటాడు.

AI మనకు సమాధానాలు ఇవ్వనివ్వండి.
మనము మాత్రం మన విద్యార్థులకు ఆలోచించడం నేర్పుదాం.

AI వారిని త్వరగా గమ్యానికి చేర్చనివ్వండి.
మనము మాత్రం వారు స్వయంగా నడవగలిగేలా తయారు చేద్దాం.

— డా. బి. ఎస్. చక్రవర్తి

---

ప్రేరణ / Further reading: Rebecca Boyle, “In an Age of AI, a Physicist Seeks What Endures,” Quanta Magazine, 3 September 2026.