تھیسس اسٹیٹمنٹ

پالو الٹو کے ایک چھوٹے سے AI تحقیقی ٹیم نے اس ماہ اپنے بڑے خبروں اور اور بھی بڑی خواہشات کے ساتھ سایہوں سے باہر نکلنا شروع کر دیا۔ نیوکوگنیشن، جس کی بنیاد اوہائیو سٹیٹ یونیورسٹی کے اہم اکادمیکس نے رکھی، نے 21 اپریل، 2026 کو 40 ملین ڈالر کا بیج فنڈنگ راؤنڈ کا اعلان کیا۔ یہ راؤنڈ جو کہ زیادہ طلب کے باوجود مکمل ہو گیا، انتہائی مہارت والے سرمایہ کاروں سے آیا جو AI کو آج کے بات کرنے والے لیکن اکثر ناقص ٹولز سے آگے لے جانا چاہتے ہیں۔

 

نیوکوگنیشن موجودہ AI ایجینٹس کی ایک بنیادی کمزوری، ان کی ماہرانہ سطح کے کام کو قابل اعتماد طریقے سے سنبھالنے کی ناکامی، کو دور کرنا چاہتا ہے، ایسے نظام تعمیر کر کے جو کام کے دوران لگاتار سیکھتے رہیں، اپنے آپریٹنگ ماحول کے تفصیلی ماڈل بنائیں، اور اس طرح مخصوص ماہرین بن جائیں جیسے لوگ نئے پیشے میں مہارت حاصل کرتے ہیں۔

یو سو، اوہائیو اسٹیٹ یونیورسٹی کے ایک متعلقہ پروفیسر اور 2025 کے ا Sloan ریسرچ فیلو، نے چیٹ جی پی ٹی کے عوامی توجہ حاصل کرنے سے بہت پہلے AI ایجینٹس کے لیے بنیادی ٹولز تیار کرنے پر سالوں بروئے کار لگائے۔ ان کی ٹیم نے Mind2Web، MMMU، اور SeeAct جیسے اثرانگیز منصوبے بنائے، جنہوں نے جدید بڑے زبانی ماڈلز کے منصوبہ بندی، ادراک، اور عمل کے طریقہ کار کو شکل دیا۔ آج ان کے اہم تعاون OpenAI، Anthropic، اور Google کے سسٹمز میں شامل ہیں۔

 

سو اور مانیقین خاندان، شیانگ دینگ اور یو گو نے فیصلہ کیا کہ اب اپنے تحقیق کو ایک کمپنی میں تبدیل کرنے کا وقت آ گیا ہے۔ وہ سلیکون ویلی میں منتقل ہوئے اور صرف ایجنٹس پر مبنی تقریباً 15 ڈاکٹریٹ لیول کے محققین کا ایک تنگ گروہ ترتیب دیا۔ لیب کے ابتدائی کام میں پہلے ہی اہم عناصر جیسے میموری، منصوبہ بندی، جائزہ لینا اور محفوظ رہنمائی شامل تھیں۔ سرمایہ کاروں نے اس گہرے محققین کے گروہ کو دیکھا اور جلد ہی اقدام کر دیا۔ 40 ملین امریکی ڈالر کا راؤنڈ ٹیم کو اکادمک کامیابیوں کو عملی، خود بہتر بنانے والے نظاموں میں تبدیل کرنے کا موقع دے رہا ہے جن پر کاروباری ادارے اپنے حقیقی کاموں کے لیے بھروسہ کر سکتے ہیں۔

 

سو کی پیشہ ورانہ تاریخ میں Microsoft Semantic Machines میں مکالماتی AI پر کام کرنا شامل ہے، ساتھ ہی چنگہوا یونیورسٹی اور یو سی سینٹا باربارا سے ڈگریاں حاصل کی ہیں۔ CVPR اور ACL جیسے ٹاپ کانفرنسز میں بہترین پیپر ایوارڈز کی ان کی کامیابی نے سرمایہ کاروں کو یقین دلایا کہ NeoCognition شعبے کے مستقل مسائل کو حل کر سکتی ہے۔ بانیان نے ایجنٹ تحقیق میں تقریباً 30 سال کا مجموعی تجربہ جمع کیا، جس نے اس اسٹارٹ اپ کو تجارتی مقاصد کے ساتھ ایک صرف تحقیقی لیب کے طور پر قائم کیا۔

بہت سے موجودہ AI ایجینٹس پیچیدہ کاموں کو مکمل کرنے کے لیے لگاتار کام نہیں کرتے۔ رپورٹس کے مطابق، وہ صرف تقریباً آدھے وقت کامیاب ہوتے ہیں، جس سے صارفین کو ڈیٹا کی نگرانی کرنی پڑتی ہے یا زبردست دستی تبدیلیاں کرنی پڑتی ہیں۔ یہ فرق ان تمام ٹولز میں ظاہر ہوتا ہے جو کوڈنگ، براؤزنگ، یا ورک فلو کو آٹومیٹ کرنے کی کوشش کرتے ہیں۔ لوگ ہر بار جب وہ ایک ایجینٹ کو استعمال کرتے ہیں تو ایک ایمان کا مظاہرہ کرتے ہیں۔

 

NeoCognition اسی مخصوص دکھ کو حل کرتا ہے۔ جنرلسٹ ایجینٹس عام جوابات میں مہارت رکھتے ہیں لیکن جب ڈیپتھ اور قابلیت کا مسئلہ ہوتا ہے تو وہ ناکام ہو جاتے ہیں۔ ان کے پاس خاص ماحول، جیسے کسی کمپنی کے اندر کے سافٹ ویئر اسٹیک یا صنعتی ورک فلو کے لیے گہرائی سے تطبیق پانے کے مکینزم نہیں ہوتے۔ اس کے نتیجے میں، کاروباری ادارے اپنی اعلیٰ اہمیت والی ذمہ داریاں سونپنے میں تردید کرتے ہیں۔ اس اسٹارٹ اپ کا خیال ہے کہ آگے کا راستہ ایجینٹس کو وہی لچک دینا ہے جو انسان ایک نئی نوکری یا شعبے میں داخل ہوتے وقت دکھاتے ہیں۔

 

مستقل تربیت کے بجائے مستقل سیکھنے پر توجہ مرکوز کرکے، کمپنی کا خیال ہے کہ کامیابی کی شرح میں اضافہ ہوگا اور مستقل انسانی نگرانی کی ضرورت کم ہو جائے گی۔ اس تبدیلی سے ایسے ایجنسٹس کے لیے دروازے کھل سکتے ہیں جو زیادہ صلاحیت مند ساتھیوں جیسے محسوس ہوں، نہ کہ کمزور اسکرپٹس۔

نیوکوگنیشن کا بنیادی خیال انسانی سیکھنے سے ب без تفصیل مستقیم طور پر لیا گیا ہے۔ جب لوگ نئے عہدے کا آغاز کرتے ہیں، تو وہ اس ماحول میں موجود چیزوں، کون سے اقدامات کام کرتے ہیں، کون سے قواعد لاگو ہوتے ہیں، اور مختلف انتخابات سے کون سے نتائج نکلتے ہیں، کا ایک اندر کا نقشہ تعمیر کرتے ہیں۔ وقت کے ساتھ، یہ ذہنی ماڈل اس مائیکرو دنیا میں تیز فیصلے، بہتر ججمنٹ، اور تخلیقی مسائل کا حل ممکن بناتا ہے۔

 

اس اسٹارٹ اپ نے ایجنسز کو خود مختار تجربے کے ذریعے کچھ ایسا کرنے کے لیے ڈیزائن کیا ہے۔ ان نظاموں نے صرف بڑے پیمانے پر پہلے سے تربیت دی گئی ڈیٹا پر انحصار نہیں کیا، بلکہ وہ اپنے جو شعبہ یا ماحول میں کام کرتے ہیں، اس کی ساخت، ورک فلو اور پابندیوں کو سیکھتے ہیں۔ وہ ایک "دنیا کا ماڈل" تشکیل دیتے ہیں جو کسی پیشہ، تنظیم یا سافٹ ویئر ماحول کے خاص تعلقات اور حرکات کو درج کرتا ہے۔ یہ عمل نوکری کے دوران ہوتا ہے، جس سے ایجنس تیزی سے ماہر بن جاتا ہے بغیر کسی وسیع دستی انجینئرنگ کے۔

 

سو نے متوازی عمل کو واضح طور پر سمجھایا: انسانوں میں جاری سیکھنے کا عمل بنیادی طور پر کسی بھی پیشہ یا ماحول کے لیے ایک عالمی ماڈل تشکیل دیتا ہے۔ ایجنسٹس کو ماہر کی حیثیت حاصل کرنے کے لیے اسی صلاحیت کی ضرورت ہوتی ہے۔ ایک بار بن جانے کے بعد، یہ ماڈل اقدامات کو تیز، سستا اور زیادہ قابل اعتماد بناتا ہے۔ یہ حساس ماحول میں محفوظ رویہ بھی فروغ دیتا ہے کیونکہ ایجنسٹ بہتر طور پر نتائج اور حدود کو سمجھتا ہے۔ یہ عمل اس طرح کے سٹیٹک جنرلسٹس سے الگ ہے جو ڈپلومنٹ کے بعد مستقل رہتے ہیں۔ نیو سِگنوسشن کے ایجنسٹس استعمال کے ذریعے مستقل بہتر ہوتے رہتے ہیں، جس سے ابتدائی جنرل صلاحیتیں گہری، ماحول کو سمجھنے والی مہارت میں تبدیل ہوتی ہیں۔

AI صنعت نے ہمیشہ بڑھتے ہوئے بنیادی ماڈلز میں وسائل لگائے ہیں جو سب کچھ سنبھالنے کی کوشش کرتے ہیں۔ نیوکوگنیشن اپنی طرف سے اس کے بالکل برعکس موقف اختیار کرتا ہے۔ ان کے خیال میں مستقبل مخصوص ایجینٹس کی بہتات کا ہے، ایک واحد سپر ایجینٹ کا نہیں۔ ہر ایجینٹ اپنے تنگ دائرے میں اتنا گہرا مہارت حاصل کرتا ہے کہ ماہرانہ سطح کی کارکردگی، قابلیت اور فیصلہ سازی فراہم کر سکے۔

 

عام مقاصد کے نظام ایک ایسے نقطے تک پہنچ جاتے ہیں جہاں مزید ڈیٹا یا پیرامیٹرز شامل کرنے سے نکاحی اور مسلسل مانگ والے عملوں پر کم فائدہ ہوتا ہے۔ زندگی کے تجربے کے ذریعے تخصص اعلی کارکردگی کے لیے زیادہ موثر راستہ فراہم کرتا ہے۔ ایجنسز ایک ماحول کو گہرائی سے سمجھنے پر حسابی کوشش مرکوز کر سکتے ہیں، جس سے کم مستقل لاگتوں پر بہتر نتائج حاصل ہوتے ہیں۔

 

یہ طریقہ ماہرین کی مہارت کو ایسے طریقے سے بڑھاتا ہے جسے انسان نہیں کر سکتے۔ جبکہ بہترین انسانی ماہرین نایاب اور مہنگے رہتے ہیں، خود سیکھنے والے ایجنسٹس تنظیموں کے اندر اسی طرح کے ملازمت کے رکاوٹوں کے بغیر شعبہ سطح کی معلومات دستیاب کر سکتے ہیں۔ کمپنی کا مقصد ماہرین تک رسائی کو وسعت دینا ہے تاکہ زیادہ لوگ اور ٹیمیں جدید صلاحیتوں سے فائدہ اٹھا سکیں۔

وِسٹا ایکویٹی پارٹنرز نے اپنے سافٹ ویئر کمپنیوں کے بڑے پورٹ فولیو کی وجہ سے اس راؤنڈ میں شمولیت اختیار کی۔ نیوکوگنیشن مانگتی ہے کہ قائمہ SaaS پلیٹ فارمز کے ساتھ شراکت کرنے سے بہت بڑا ممکنہ فائدہ ہوگا تاکہ خود سیکھنے والے ایجنٹس کو ادھم کیا جا سکے۔ ان ایجنٹس کے ذریعے موجودہ مصنوعات کو بہتر بنایا جا سکتا ہے یا وہ خود مختار ملازمین کے طور پر کام کر سکتے ہیں جو کمپنیاں پہلے سے استعمال کر رہی ہیں۔

 

کاروباری ادارے عام طور پر پیچیدہ، کسٹم ماحولوں کو چلاتے ہیں جن میں منفرد قواعد اور ڈیٹا کے راستے ہوتے ہیں۔ ایک عام ایجنٹ بھاری کسٹمائزیشن کے بغیر یہاں کام نہیں کر سکتا۔ نیوکوگنیشن کے سسٹم ان خصوصیات کو تفاعل کے ذریعہ ب без تبدیلی سیکھ لیتے ہیں، جس سے سیٹ اپ کا وقت کم ہوتا ہے اور مطابقت بہتر ہوتی ہے۔ ہفتہ یا ماہ کے استعمال کے دوران، ایجنٹ اپنا عالمی ماڈل بہتر بناتا ہے اور ڈیٹا پروسیسنگ، کمپلائنس چیکس، یا ورک فلو آٹومیشن جیسے کاموں میں زیادہ موثر ہو جاتا ہے۔

 

اس اسٹارٹ اپ نے خود کو ایک وسیع AI پلیٹ فارم کے بجائے ایجنٹ لیب کے طور پر پیش کیا ہے۔ یہ توجہ اسے وسائل کو اس سیکھنے اور تخصص کے لیئر پر مرکوز کرنے دیتی ہے جسے دوسرے کھلاڑی عام طور پر ثانوی سمجھتے ہیں۔ کاروباری سافٹ ویئر شراکت داروں کے ذریعے ابتدائی تقسیم سے اس کی قبولیت میں تیزی آ سکتی ہے اور مزید بہتری کے لیئے امیر حقیقی دنیا کا ڈیٹا فراہم ہو سکتا ہے۔

کیمبیم کیپٹل اور والڈن کیٹالسٹ وینچرز نے 40 ملین امریکی ڈالر کے راؤنڈ کی قیادت کی، جس میں وسٹا ایکوئٹی پارٹنرز اور معروف انجلز نے شرکت کی۔ انٹیل کے سی ای او لپ-بو ٹان اور ڈیٹابرکس کے سہ-بنیادی ادارہ آئن سٹوکا نے اپنا نام اور ماہرینہ کا تجربہ شامل کیا۔ دیگر سرمایہ کاروں میں AI ریسرچرز جیسے دان سنگ، رسلان سالاکھوتڈینوف، اور لوک زیٹلیموائر شامل ہیں۔

 

کیمبیم کے لانڈن ڈاؤنز نے کمپنی کے مرکزی نئے سیکھنے کے طریقے کو اجاگر کیا جو تیزی سے ماہر بننے کی اجازت دیتا ہے۔ لِپ-بو ٹین نے ایجینٹ کے چیلنجز کو ادراک سے لے کر محفوظیت تک کے حوالے سے ٹیم کے جامع دائرہ کار کی تعریف کی۔ آئن اسٹوکا نے نوٹ کیا کہ جب عام ایجینٹس معیاری بن جائیں گے، تو اصل ٹیسٹ شدید застосування کے لیے ضروری قابل اعتمادیت کے ساتھ ماہرانہ سطح کی ذہانت حاصل کرنے پر منتقل ہو جائے گا۔

 

زیادہ تقاضا والے راؤنڈ سے بنیادی ٹیم کے تحقیقی پس منظر پر مضبوط اعتماد ظاہر ہوتا ہے۔ تقریباً 15 افراد پر مشتمل، نیوکوگنیشن کم لیکن استثنائی صلاحیتوں کے ساتھ کام کرتا ہے۔ اس سرمایہ سے خود سیکھنے والی ساخت کو آگے بڑھانے کے لیے مزید تجربات اور ملازمین کی بھرتی کا سہارا ملے گا۔

کئی کمپنیاں AI ایجنسز کا جائزہ لے رہی ہیں، لیکن زیادہ تر اب بھی بہتر بنانے کے لیے دور دور تک ری ٹریننگ یا انسانی طور پر تیار کردہ پرامپٹس پر انحصار کر رہی ہیں۔ نیوکوگنیشن ایک داخلی، خودمختار عمل پر زور دیتا ہے جہاں ایجنسز اپنا اپنا سمجھنا تعمیر کرتے اور بہتر بناتے ہیں بغیر مستقل باہری مداخلت کے۔ اس ڈیزائن کا مقصد اصل پلاسٹسٹی ہے، یعنی نئے ماحول کے مطابق جلدی تبدیل ہونے کی صلاحیت، جیسے ایک متحرک نئے ملازم کے ساتھ۔

 

ابstract، سٹرکچرل، اور آپریشنل ماحول کے عالمی ماڈلز پر زور صرف اسکرین کی تشخیص یا بنیادی ٹولز کے استعمال سے کہیں زیادہ ہے۔ ایجنسز سیکھتے ہیں کہ دیے گئے مائیکرو ورلڈ میں کیا اہم ہے، عناصر کس طرح ایک دوسرے سے تعامل کرتے ہیں، اور کون سے ایکشن مطلوبہ نتائج کی طرف لے جاتے ہیں۔ یہ ساختی علم وقت کے ساتھ بہتر منصوبہ بندی اور کم غلطیوں کا سہارا دیتا ہے۔

 

ان کے بانیان زور دیتے ہیں کہ ان کے نظام انسانی کام کو تبدیل نہیں کرتے بلکہ بہتر بناتے ہیں۔ بڑھتی ہوئی ماہرینہ کے ساتھ دہرائے جانے والے یا پیچیدہ روزمرہ کے کاموں کو سنبھال کر، ایجنسٹس لوگوں کو زیادہ اونچی سطح کی تخلیقی صلاحیت اور حکمت عملی پر توجہ مرکوز کرنے کا موقع دیتے ہیں۔ مقصد ٹیموں اور تنظیموں کی کل صلاحیتوں کو بڑھانا ہے۔

یو سو اور ان کے سہیلیوں نے روزمرہ کی انسانی تطبیق سے متاثر ہو کر کام شروع کیا۔ کسی کو جونئر اینالسٹ یا اپرینٹس ٹریڈز پرسن کے طور پر شروع ہوتے دیکھیں۔ ماہوں کے اندر، وہ اپنے شعبے کے غیر لکھے گئے قوانین، جلدوں اور خطرات کا ایک جذباتی سمجھ حاصل کر لیتے ہیں۔ یہ اندر کا ماڈل کارکردگی اور مضبوط فیصلوں کو چلاتا ہے۔ نیو سوجنیشن چاہتا ہے کہ ایجنسز تعمیری، تجربہ پر مبنی سیکھنے کے ذریعے اسی طرح کا راستہ اختیار کریں۔

 

ٹیم کے اراکین اس خیال کے لیے ذاتی جذبہ رکھتے ہیں۔ بہت سے اکیڈمک لیبز سے آتے ہیں جہاں انہوں نے وعدہ کرنے والے ایجنٹ پروٹو ٹائپس کو حقیقی پیچیدگی پر الجھتے ہوئے دیکھا۔ ناپائیدار نتائج کی ناگزیری نے مستقل بہتری پر واضح توجہ کے ساتھ کمرشلائزیشن کی طرف موڑ لیا۔

 

اولین ملازمین میں وہ تحقیق کار شامل ہیں جنہوں نے ایسے بنیادی مقالات پر کام کیا جو اب صنعت بھر میں استعمال ہو رہے ہیں۔ ان کی جمع کردہ معرفت سیکھنے کے طریقوں پر عمل کرنے کے لیے ایک حاصل خیز ماحول پیدا کرتی ہے۔ پالو الٹو کا صدر دفتر گروہ کو صلاحیت اور شراکت داروں کے قریب رکھتا ہے جبکہ تحقیق کو اولین ترجیح دی جاتی ہے۔

اگر نیوکوگنیشن کامیاب ہو جائے، تو تنظیمیں ایجنسٹس کو ڈپلوی کر سکتی ہیں جو حساب کتاب، ڈیزائن ریویو، کسٹمر سپورٹ ورک فلو، یا سائنسی ڈیٹا تجزیہ میں قابل اعتماد ماہرین میں تبدیل ہو جائیں۔ ان نظاموں کو ہر نئے صارف یا شعبے کے لیے مستقل دوبارہ پروگرام کرنے کی ضرورت نہیں ہوگی۔ اس کے بجائے، وہ مقصدی ماحول کے درست ماڈلز بنانے کے ذریعے اپنے آپ کو موزوں بناتے ہیں۔

 

یہ صلاحیت ماہر سطح کی حمایت تک رسائی کو عوامی بناسکتی ہے۔ چھوٹی ٹیمیں یا وہ علاقے جہاں مہارت کی کمی ہے، وہ ایسے ٹولز حاصل کرسکتے ہیں جو صرف اچھی طرح سے وسائل والے گروہوں تک محدود تھے۔ معاشی اثرات میں زیادہ پیداواری اور تیز نوآوری کے دور شامل ہوسکتے ہیں جب روزمرہ کا شناختی کام قابل، خود بہتر بننے والے نظاموں پر منتقل ہوجائے۔

 

یہ رویہ محفوظیت کے خدشات کو بھی حل کرتا ہے۔ ماحولیاتی سمجھ کی گہرائی ایجنس کو سرحدوں کو پہچاننے اور اونچے خطرے والے شعبوں میں نقصان دہ اقدامات سے بچنے میں مدد کرتی ہے۔ قابلیت میں اضافہ وہاں سب سے زیادہ اہم ہے جہاں غلطیوں کا اصل اخراج ہوتا ہے۔

مضبوط خود سیکھنے والے حلقوں کا ایجاد کرنا ٹیکنیکل رکاوٹوں کا سبب بناتا ہے۔ ایجنس کو فائدہ مند نمونوں کو اضطراب سے الگ کرنا چاہیے، غلطیوں کو مضبوط بنانے سے بچنا چاہیے، اور اپنے عالمی ماڈلز کو اپڈیٹ کرتے وقت استحکام برقرار رکھنا چاہیے۔ نئی حکمت عملیوں کی تلاش اور قابل اعتماد انجام دہی کے درمیان توازن برقرار رکھنا احتیاطی ڈیزائن کا مطالبہ کرتا ہے۔ ڈیٹا کی کارآمدی بھی اہم ہے۔ انسان نئے ماحول میں محدود مثالوں سے سیکھتے ہیں؛ سلیکون میں اس کارآمدی کو بڑھانا اب بھی ایک کھلا تحقیقی سوال ہے۔ 

 

نیوکوگنیشن کی ٹیم ان مسائل کو حل کرنے کے لیے评估 اور میموری پر پہلے کیے گئے کام پر منحصر ہے، لیکن سکیل پر حقیقی دنیا کا ٹیسٹ خلاوات کو ظاہر کرے گا۔ کمپنی زیادہ کامیابی کی شرح اور تیز تر تخصص کی طرف قابلِ قیاس پیش رفت پر متمرکز رہتی ہے۔ پیش رفت احتمالاً تدریجی طور پر آئے گی جب ایجنسز مختلف انتظامی ماحولوں سے ملتی ہیں اور اپنے سیکھنے کے عمل کو بہتر بناتی ہیں۔

نیوکوگنیشن ایک ایسی دنیا کی تصویر کھینچتی ہے جہاں خود سیکھنے والے ایجنسز کے ذریعے ماہرین کی تعداد بڑھ جائے۔ یہ نظام انسانوں کے ساتھ مقابلہ نہیں کرتے بلکہ ان کی صلاحیتوں کو بڑھاتے ہیں اور ایجاد اور مسئلہ حل کرنے کے لیے نئے امکانات کھولتے ہیں۔ ہر ایجنس اپنے خاص شعبے میں اپنا مہارت بڑھاتا ہے، جس سے مختلف ضروریات کو پورا کرنے والا تخصص شدہ ذہانت کا نیٹ ورک تشکیل پاتا ہے۔ 40 ملین ڈالر کی سرمایہ کاری اس خواب کو ممکن بنانے والے سیکھنے کے طریقوں پر تحقیق کو تیز کرتی ہے۔ 

 

مضبوط سرمایہ کاری اور ایک مہارت مند بنیادی ٹیم کے ساتھ، لیب وہ ایجنٹس فراہم کرنے کا مقصد رکھتا ہے جو مستقل اور بہتر ہوتے ہوئے کارکردگی کے ذریعے بھروسہ حاصل کریں۔ کاروباری ادارے اور ڈویلپرز جلد ہی ایسے نظامز ٹیسٹ کر سکتے ہیں جو کامیابی کے ساتھ شروع ہوتے ہیں اور وقت کے ساتھ حقیقی ماہر بن جاتے ہیں۔ یہ ترقی آج کے AI اسسٹنٹس کے مقابلے میں صارفین کے ساتھ حقیقی طور پر سیکھنے والے شراکت داروں کی طرف ایک معنی خیز قدم ہو سکتی ہے۔

نئی پُولی کی رقم مرکزی سیکھنے والے الگورتھمز اور دنیا کے ماڈل کی تعمیر پر زیادہ تجربات کے لیے مدد فراہم کرتی ہے۔ ایک چھوٹی مگر بہترین ٹیم کے ساتھ، نیوکوگنیشن ایجینٹ پلاسٹسٹی میں اعلیٰ خطرہ، اعلیٰ منافع والے راستوں پر کام کر سکتی ہے۔ منصوبوں میں تفصیلی اندراج ٹیسٹنگ کو کاروباری ماحول میں شامل کرنا بھی شamil ہے تاکہ بہتر بنانے کے لیے فیڈ بیک اور ڈیٹا حاصل کیا جا سکے۔

 

سپورٹرز کی امید ہے کہ فنڈنگ سے ایسے پروٹو ٹائپس حاصل ہوں گے جو موثوقیت اور تطبیق کی رفتار میں واضح فوائد دکھائی دیں۔ اس کامیابی سے مزید فنڈنگ کے دوسرے مراحل اور وسیع تر شراکت داریاں حاصل ہو سکتی ہیں۔ تحقیق پر مبنی نقطہ نظر کمپنی کو جلد بازی کے بغیر صرف مناسب اور سخت جائزہ کے ساتھ زمین پر قائم رکھتا ہے۔

کاروباری سافٹ ویئر ماحول میں ساختی لیکن پیچیدہ قواعد سے بھرپور تجربہ گاہیں دستیاب ہوتی ہیں۔ ایجینٹس مختلف ورک فلو، ڈیٹا اسکیماس، اور پابندیوں کے تقاضوں کا سامنا کریں گے۔ ان کامیابی کے ساتھ گزرنا سیکھنا عالمی ماڈل کے تصور کی تصدیق کرے گا اور بہتری کے لیے شعبوں کو واضح کرے گا۔

 

اولی پائلٹس سے صارفین کی فیڈ بیک، ایجینٹس کے سپیڈ، درستگی اور حفاظت کے توازن کو بہتر بنانے میں مدد کرے گی۔ کمپنی ذمہ دارانہ ترقی پر زور دیتی ہے، جس میں ماحولیاتی سمجھ کا استعمال محفوظ اقدامات کی ہدایت کے لیے کیا جاتا ہے۔ وقت کے ساتھ، یہ حقیقی اطلاقات ایجینٹس پیدا کریں گے جو روزمرہ کے عمل میں زیادہ قدرتی اور قابل اعتماد محسوس ہوں گے۔

اب بڑی رقمیں صرف سرحدی ماڈل تربیت کی بجائے ایپلیکیشن اور قابلیت کے لیyers کی طرف بہہ رہی ہیں۔ نیوکوگنیشن کا راؤنڈ سرمایہ کاروں کی دلچسپی کو ظاہر کرتا ہے جو ایجنسز کے لیے ثابت شدہ اکادمیک کنٹریبیوشنز والے ٹیموں پر مرکوز ہیں۔ یہ ماننا ہے کہ تخصص اور مستقل سیکھنا عملی اثر کے لیے اگلی سرحد ہے۔

 

یہ نمونہ صنعت میں پختہ توقعات کی نشاندہی کرتا ہے۔ سپورٹرز وہ نظام چاہتے ہیں جو حقیقی ماحول میں قابل قیاس قیمت پیدا کریں، صرف متاثر کن ڈیمو نہیں۔ نیو سائنگنیشن کا خود بہتری پر توجہ، ایسے ایجنسٹس کی مانگ کے مطابق ہے جو بڑھتی ہوئی صلاحیت اور کم لمبے مدتی اخراجات کے ذریعہ کاروباری اطلاق کو جستجو کرتے ہیں۔

1. نیوکوگنیشن کا AI ایجنسز کے لیے طریقہ کار اکثر موجودہ نظاموں سے کیسے مختلف ہے؟ 

 

کمپنی ایسے ایجینٹس بناتی ہے جو اپنے خاص ماحول کے عالمی ماڈلز تعمیر کرکے کام کے دوران لگاتار سیکھتے ہیں۔ اس سے وہ جلدی سے ماہرین میں تبدیل ہو جاتے ہیں، جس سے آج کے جنرلسٹ ایجینٹس کی عدم انسجام کو دور کیا جاتا ہے جو اکثر پیچیدہ کاموں پر صرف تقریباً آدھے وقت کامیاب ہوتے ہیں۔

 

2. نیو سیگنیشن کا بانی کون ہے اور ان کا پس منظر کیوں الگ ہے؟ 

 

یو سو، شانگ دینگ، اور یو گو نے لیب شروع کیا۔ سو، جو ایک سلوان ریسرچ فیلو اور اوہائیو اسٹیٹ یونیورسٹی کے پروفیسر ہیں، پہلے اثرانداز ایجنٹ ریسرچ کی قیادت کر چکے ہیں اور مائیکروسافٹ میں مکالمہ آئی اے پر کام کر چکے ہیں۔ ان کے مشترکہ پیپرز اور ٹولز نے بڑے آئی اے ڈویلپرز کو متاثر کیا ہے، جس سے ٹیم کو حسیات، منصوبہ بندی اور محفوظیت میں گہری ماہرینہ ہے۔

 

3. 40 ملین ڈالر کی فنڈنگ کا استعمال کس بات کے لیے کیا جائے گا؟ 

 

ایک چھوٹی سی پی ایچ ڈی تحقیقی ٹیم کے ساتھ، یہ سرمایہ عالمی ماڈل کی تعمیر، تخصص الگورتھمز، اور کاروباری اندراج کے پائلٹس پر تیزی سے دوبارہ تعمیر کو ممکن بناتا ہے اور مزید صلاحیتیں کو مبذول کراتا ہے۔

 

4. کیا یہ خود سیکھنے والے ایجینٹ فوراً اعلیٰ خطرے والے کاروباری ماحول میں کام کر سکتے ہیں؟ 

 

ابتدائی ورژنز کو دقت سے تصدیق کی ضرورت ہوگی، لیکن ڈیزائن ماحولیاتی سمجھ کو بہتر بنانے پر زور دیتا ہے تاکہ قابلیت اور محفوظیت بڑھائی جا سکے۔ مقصد ایسے ایجینٹس بنانا ہے جو استعمال کے ساتھ زیادہ قابل اعتماد بن جائیں، جو ان کاموں کے لیے مناسب ہوں جہاں مستقل رہنمائی اہم ہے۔

 

5. نیو سائنگنیشن کی ٹیکنالوجی جن مزدورانِ علم پر کیسے اثر ڈال سکتی ہے؟ 

 

ایجنسیاں معمولی یا ڈیٹا سے بھرپور کاموں کو سنبھال سکتی ہیں، جس سے لوگوں کو تخلیقی اور حکمت عملی کاموں کے لیے آزاد کیا جا سکتا ہے۔ ماہرین کی مخصوص مہارت کو زیادہ دستیاب بنانے سے یہ نظام چھوٹی ٹیموں یا تنظیموں کو صرف بڑے ماہرین کے گروپس تک محدود رہنے والی صلاحیتوں تک پہنچنے میں مدد کر سکتا ہے، جس سے کل پیداوار میں اضافہ ہو سکتا ہے۔

 

6. میں نیوکوگنیشن کی پیشرفت کے بارے میں مزید کہاں سیکھ سکتا ہوں؟ 

 

ان کی میشن اور تحقیقی سمت کے بارے میں اپڈیٹس کے لیے آفیشل ویب سائٹ پر جائیں۔ ٹیککرانچ اور کمپنی کے پریس ریلیز میں فنڈنگ اور ٹیکنیکل وژن کے لیے مضبوط شروعاتی نقطہ دیا گیا ہے۔

یہ مواد صرف معلوماتی مقاصد کے لیے ہے اور یہ سرمایہ کاری کی تجویز نہیں ہے۔ کرپٹو کرنسی کے سرمایہ کاری میں خطرہ ہے۔ براہ راست تحقیق کریں (DYOR)۔

 

ڈس کلیمر: یہ صفحہ آپ کی سہولت کے لیے AI ٹیکنالوجی (GPT کے ذریعے) کا استعمال کرتے ہوئے ترجمہ کیا گیا ہے۔ سب سے درست معلومات کے لیے، اصل انگلش ورژن سے رجوع کریں۔