ای آئی کمپنیاں عالموں کے بہترین طالب علم کو اپنی طرف متوجہ کر رہی ہیں، جس سے تحقیق یونیورسٹیوں سے منتقل ہو رہی ہے

نوبیل انعام جیتنے کے دو سال بعد، گوگل الفافولڈ ٹیم کے مرکزی ارکان کا تقریباً ایک چوتھائی گوگل چھوڑ چکا ہے، جس میں نوبیل انعام یافتہ جان جمپر سمیت کچھ افراد اینتھروپک میں شامل ہو گئے ہیں۔ AI صنعت اب علمی دنیا کے ماہرین کو بلندی سے اپنی طرف کھینچ رہی ہے؛ 2022 میں 70.7% AI ڈاکٹریٹ ڈگری حاصل کرنے والے کامیاب کمپنیوں میں شامل ہو گئے، جبکہ صرف 20% علمی دنیا میں رہے۔ کمپنیوں کے بہترین تحقیقی ماہرین کی سالانہ آمدنی 194 امریکی ڈالر تک پہنچ چکی ہے، جو علمی دنیا کے مقابلے میں پانچ گنا زیادہ ہے۔ جبکہ AI کمپنیاں تحقیقی کامیابیوں کو تیز کر سکتی ہیں اور سائنس کے تاریخ کو بدلنے والے نتائج پیدا کر سکتی ہیں، لیکن لمبے عرصے تک کمپنیوں میں رہنے کے بعد تحقیقی مقالات کی پیداوار مسلسل 65% تک کم ہو جاتی ہے، اور نتائج مقالات سے پیٹنٹس اور تجارتی رازوں کی طرف منتقل ہو رہے ہیں۔ اور زیادہ خطرناک بات یہ ہے کہ کمپنیوں میں نئے سائنسدانوں کو تربیت دینے کا کوئی رجحان نہیں، جس سے بنیادی تحقیق کو نظرانداز کر دیا جا رہا ہے۔ سائنس اب جلدی جلدی یونورسٹیوں سے بھاگ رہا ہے۔

مضمون کے مصنف، ذریعہ: APPSO

نوبیل انعام حاصل کرنے کے دو سال بعد، گوگل AlphaFold کی اصل ٹیم کو تقسیم کر دیا گیا ہے۔

گزشتہ سال، ایلفا فولڈ کے تحقیقی مقالے کے زیادہ تر اصل مصنفین کو دوبارہ مقرر کیا گیا ہے، جن میں سے مکمل وقتی مرکزی مصنفین میں سے تقریباً ایک چوتھائی نے گوگل کو بالکل چھوڑ دیا ہے۔

باقی لوگوں نے جیمنی ریسرچ ایجینٹ، اینزائم ڈیزائن، جینومکس اور نیوکلیئر فیوژن جیسے شعبوں کی طرف رجوع کیا، اور کچھ نے براہ راست الفیبیٹ کے دوا ترقیاتی کمپنی آئسومورفک لیبز میں شمولیت اختیار کر لی۔

نوبیل انعام یافتہ جان جمپر اور جوناس ایڈلر دونوں کو ایک وقت کے لیے کوڈ اسٹرائیک ٹیم میں شامل کیا گیا، جہاں انہیں AI کوڈنگ کے صلاحیتوں پر کام کرنے کا فریضہ سونپا گیا۔ لیکن بعد میں کیا ہوا، ہم سب جانتے ہیں کہ یہ دونوں بڑے ماہرین نے آخرکار Anthropic میں شمولیت اختیار کر لی۔

بائیں طرف گوگل ڈیپ مائنڈ کے سی ای او ڈیمس ہاسابس، دائیں طرف جان جمپر، اصل خبر کا لنک https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1

اس رپورٹ کے حوالے سے، گوگل کے AI for Science کے تحقیقی وائس پریزیڈنٹ پوشمت کولی نے جواب دیا کہ ڈیپ مائنڈ کی سائنس ٹیم نے اپنا رخ نہیں بدلा، بلکہ اپنا کام کا دائرہ وسیع کیا ہے، اور وہ پروٹین، جینوم اور اینز ڈیزائن پر کام جاری رکھ رہی ہے اور جمینی کا استعمال کرتے ہوئے سائنسی تحقیق کو تیز کر رہی ہے۔

الفافولڈ نے کبھی ایک نسبتاً روایتی تحقیقی تنظیم کا طریقہ ظاہر کیا۔ ایک واضح مسئلے کے گرد ٹیم بنانا، لمبے عرصے تک سرمایہ کاری کرنا، وسائل کو مرکوز کرنا، اور آخرکار نتائج فراہم کرنا۔

اب، ایسے ٹیمیں جو کہ ایک جیسے ہیں، زیادہ عام ماڈل پلیٹ فارمز کے ہاتھوں تبدیل ہو رہی ہیں۔ پروٹین، ریاضی، جینوم، نیوکلیئر فیوژن اور کوڈ، جو مختلف شعبوں سے تعلق رکھتے ہیں، AI کمپنی میں داخل ہونے کے بعد، سب Gemini کے ایک سیٹ کابیلیٹی ماڈولز بن جاتے ہیں۔

اسی دوران، سائنسی ماہرین، کمپیوٹنگ طاقت اور اجسام کی قیادت بھی کم تعداد کی AI کمپنیوں کے ہاتھوں میں مرکوز ہوتی جا رہی ہے۔

گزشتہ کچھ سالوں میں، AI صنعت میں مزید زیادہ ریاضیدان، فزیسٹس، بائیولوجسٹس اور کمپیوٹر سائنس کے پروفیسرز شامل ہوئے ہیں۔

مثلاً، Anthropic لگاتار فزیسٹس، معاشیات دان اور فلسفیوں کو ملازمت دے رہا ہے؛ OpenAI کالے حفرے، سٹرنگ تھیوری اور صرف ریاضی کے ماہرین کو اکٹھا کر رہا ہے؛ DeepMind بھی حیاتیات اور نیوکلیئر فیوژن کے ماہرین کو اکٹھا کر رہا ہے۔

ہالی، ایزونا سٹی یونیورسٹی کے پروفیسر سبباراؤ کمباھماتی نے مزاحیہ انداز میں کہا کہ اخلاقی دنیا میں اب ایک نیا میم ہے: "میں Anthropic میں شامل ہونا چاہتا ہوں۔"

اٹلینٹک کے مطابق، صرف چار بڑی AI کمپنیوں میں کم از کم 80 سے زیادہ موجودہ یا سابق اساتذہ جمع ہو گئے ہیں۔

لوگوں کی منتقلی کی سمت بھی اب زیادہ ایک جیسی ہوتی جا رہی ہے۔

استنفورڈ یونیورسٹی کی رپورٹ "AI Index Report" کے مطابق، 2011 میں AI ڈاکٹریٹ مکمل کرنے والوں میں سے 40.9% کمپنیوں اور 41.6% اکیڈمک دنیا میں شامل ہوئے۔ 2022 تک، کمپنیوں میں شامل ہونے والوں کا تناسب بڑھ کر 70.7% ہو گیا، جبکہ اکیڈمک دنیا میں شامل ہونے والوں کا تناسب 20% تک کم ہو گیا۔

2026 کی ایک NBER کی مزیدار تحقیق میں لگ بھگ 42,000 امریکی AI تحقیق کاروں کا پیچھا کیا گیا۔ 40 سال سے کم عمر کے تحقیق کاروں کا یونیورسٹی چھوڑنے کا امکان، 40 سال سے زیادہ عمر کے لوگوں کے مقابلے میں تقریباً چھ گنا زیادہ ہے؛ تقریباً 70 فیصد منتقل ہونے والے تحقیق کار پانچ سال بعد بھی اپنی کمپنی میں رہتے ہیں۔

پیسہ بالکل اہم ہے۔ کاروباری دنیا کے ٹاپ 1% AI تحقیق کاروں کی سالانہ آمدنی 595,000 امریکی ڈالر سے بڑھ کر 1,940,000 امریکی ڈالر ہو گئی، جبکہ یونیورسٹیوں کے اسی طبقے کی آمدنی صرف 301,000 امریکی ڈالر سے بڑھ کر 392,000 امریکی ڈالر ہو گئی۔ دونوں کے درمیان فرق تقریباً 1,500,000 امریکی ڈالر تک پہنچ گیا۔

سائنسی شرائط کو مسترد کرنا اور بھی مشکل ہے۔

اکیسویں صدی کے اوائل میں، بڑے ماشین لرننگ مڈلز کا تقریباً 65 فیصد اکیڈمک لیبز نے الگ سے تیار کیا۔ 2020 کی دہائی میں، یہ تناسب 10 فیصد سے کم ہو گیا۔ 2022 تک، تقریباً 81 فیصد اگلے سطح کے مڈلز کو کاروباری اداروں نے الگ سے مکمل کر لیا تھا۔

یو سی برکلی کے پروفیسر اینکا ڈریگن نے ڈیپ مائنڈ میں شامل ہوتے ہوئے اپنی ضروریات واضح کر دیں، انہیں سامنے والے سیفٹی ریسرچ انسٹی ٹیوٹ کے لیے ضروری 'ڈیٹا، کمپوٹیشنل پاور اور بجٹ' چاہیے۔

اس کے برعکس، ایک یونیورسٹی میں تحقیق کے لیے پہلے فنڈنگ کا درخواست دینا، ایquipment خریدنا، انجینئرز کو ملازم کرنا، اور کمپیوٹنگ ریسورسز کے لیے انتظار کرنا پڑتا ہے۔ AI کمپنی میں داخل ہونے کے بعد، ایک ہی تحقیق کار براہ راست بڑے ماڈلز، مخصوص ڈیٹا، ڈسٹریبیوٹڈ کمپوٹنگ پاور، اور سینکڑوں انجینئرز کے نظام تک رسائی حاصل کر سکتا ہے۔

صرف ایک اعلیٰ استاد کے یونیورسٹی سے چلے جانے سے صرف کچھ تحقیقی مقالوں کا نقصان نہیں ہوتا۔ یونیورسٹی ایک ماہر، ایک تحقیقی گروہ، ایک ڈاکٹریٹ طلبہ کی تربیت کی سلسلہ، اور مستقبل کے کئی دہائیوں میں شکل لینے والے تحقیقی رجحانات کو بھی کھو دیتی ہے۔

گزشتہ زمانے میں، ٹیک کمپنیاں یونیورسٹیوں سے تحقیقی نتائج خریدتی تھیں۔ اب، وہ تحقیقی نتائج کے مصنفین کو براہ راست خریدنے لگی ہیں۔ کاروبار کو ایک شخص ملتا ہے، جبکہ یونیورسٹی ایک نسل کو کھو سکتی ہے۔

بالکل، تمام مہارت کے انتقال کو اکادمیک دنیا کے زوال کی وجہ قرار دینا، صنعتی تحقیق کے ذریعے پیدا ہونے والی قیمت کو کم اندازہ کرے گا۔

الفافولڈ نے ثابت کر دیا ہے کہ کاروباری ادارے وہ کام کر سکتے ہیں جو سائنس کی تاریخ بدل سکتے ہیں۔ دو ارب سے زائد پروٹین سٹرکچر کی پیشگوئیوں نے لاکھوں زندگیوں کو کئی ماہ یا سال کے کام سے بچا دیا ہے۔

بیل لیب نے پہلے ہی ثابت کر دیا تھا کہ کاروباری ریسرچ لیب بھی سائنس کو تبدیل کر سکتے ہیں۔ اپنے طلسمی دور میں، اس کے پاس تقریباً 1200 ڈاکٹریٹ ڈگری یافتہ تھے، جنہوں نے کم از کم 10 نوبل انعامات حاصل کیے۔ دیمس ہاسبیس نے بار بار اسے ڈیپ مائنڈ کے لیے ایک ماخذ کے طور پر استعمال کیا۔

ای آئی کمپنیاں حقیقت میں متعدد شعبوں پر مشتمل، طاقتور انجینئرنگ صلاحیت اور تجارتی برآمد کے ساتھ ایک نئی قسم کے ریسرچ انسٹی ٹیوٹ کی طرح بن رہی ہیں۔

ڈیپ مائنڈ نے جیمینی کو ریاضی، جینوم اور نیوکلیئر فیوژن سے جوڑ دیا ہے؛ آئسو مورفک لیبز نے فارماسیوٹیکل کمپنیوں کے ساتھ مل کر نئی دواوں کا ترقی کی ہے؛ اینٹھروپک نے کلاؤڈ سائنس لانچ کیا ہے؛ اور اوپن اے آئی نے چیٹ جی پی ٹی اور کوڈیکس کو سائنسی عمل میں شامل کر دیا ہے۔

متعلقہ کامیابیاں ظاہر ہو چکی ہیں۔ فزیسٹ روجیو جورج نے AI کا استعمال کرتے ہوئے اوپن سورس نیوکلیئر فیوژن سافٹ ویئر تیار کیا، جبکہ تھیوریٹیکل کمپیوٹر سائنسدان بارنا ساہا اور دیگر نے GPT-5.5 Pro کا استعمال کرتے ہوئے اعلیٰ ڈائیمنشنل جیومیٹری کے ثبوت کی مدد کی۔

اوپنای آئی کا کہنا ہے کہ ہر ہفتے تقریباً 13 لاکھ افراد چیٹ جی پی ٹی کا استعمال کرتے ہیں اعلیٰ سائنسی اور ریاضی کے کاموں کے لیے، اور وہ 100,000 کالج اور یونیورسٹی کے محققین کو آگے کے ماڈلز اور کوڈیکس فری فراہم کرنے کا منصوبہ بنارہے ہیں۔

ذاتی اثر کے لحاظ سے، ایک سائنسدان جب کسی کمپنی میں شامل ہوتا ہے، تو اس کا اثر ممکنہ طور پر بڑھ جاتا ہے۔ جیسا کہ اوپر بیان کیا گیا، وہ یونیورسٹی میں صرف کچھ دس طلباء کو ہدایت کر سکتا ہے، لیکن AI کمپنی میں وہ سینکڑوں انجینئرز، بے شمار کمپوٹیشنل وسائل اور عالمی ڈیٹا پلیٹ فارم کو متحرک کر سکتا ہے۔ جو طریقے صرف تحقیقی مقالوں تک محدود رہتے ہیں، وہ اب دواوں، سافٹ ویئر، تجرباتی آلات اور صنعتی نظام میں آسانی سے داخل ہو جاتے ہیں۔

لیکن قیمت بھی واضح ہے۔

NBER کے تحقیق کے مطابق، جب AI ماہرین لمبے عرصے تک کمپنیوں میں منتقل ہو جاتے ہیں، تو ان کی تحقیقی مقالوں کی پیداوار میں اوسطاً 65% کی کمی آ جاتی ہے۔ 2000 سے 2019 تک، کمپنیوں میں ملازم AI تحقیق کاروں کا تناسب 48% سے بڑھ کر 68% ہو گیا، جبکہ مقالوں کا تناسب صرف 27% سے بڑھ کر 32% ہوا، لیکن ایجادات کا تناسب 86% سے بڑھ کر 95% ہو گیا۔

لوگ اب بھی تحقیق کر رہے ہیں، لیکن نتائج اب تحقیقی مقالوں سے گزرتے ہوئے پیٹنٹس، اندر کے ماڈلز اور تجارتی رازوں تک پہنچ رہے ہیں۔ جب گوگل نے ٹرانسفارمر کو عوامی طور پر شائع کیا، تو اس نے پورے صنعت کو فروغ دیا۔ آج، تربیت کے ڈیٹا، ماڈل وزن اور ناکامی کے ریکارڈ، کمپنیوں کے سرورز سے نکلنے میں اور زیادہ مشکل ہو رہے ہیں۔

سائنس اب بھی تیزی سے آگے بڑھ رہی ہے، لیکن کھلی سائنس ممکنہ طور پر بریک لگا دے گی۔

AI کمپنیاں اداروں کے طور پر کام کر سکتی ہیں، لیکن یونیورسٹی بننا مشکل ہے۔

یونیورسٹیاں ایک ایسا کام انجام دیتی ہیں جس کو اکثر نظرانداز کر دیا جاتا ہے۔ انہیں ایسے طلبہ کو تربیت دینی ہوتی ہے جنہوں نے ابھی اپنی صلاحیت ثابت نہیں کی ہے، اور ساتھ ہی ایسے مسائل کو لمبے عرصے تک محفوظ رکھنا ہوتا ہے جن کا کوئی فوری استعمال نہیں، ان کی قیمت نہیں لگائی جا سکتی، اور جن کی قیمت شاید دہائیوں بعد ہی ظاہر ہو۔

تاہم، AI کمپنیاں ایسے پروفیسرز اور تجربہ کار ریسرچرز کو پسند کرتی ہیں جن کا اپنا کام ثابت ہو چکا ہے، نئے لوگوں کو تربیت دینے میں ان کی صبر کم ہے۔ SignalFire کے ڈیٹا کے مطابق، 2024 میں نئے فارغ التحصیل طلبہ کا تناسب بڑی ٹیک کمپنیوں میں ملازمت حاصل کرنے والوں میں صرف 7% تھا، جو 2019 کے مقابلے میں نصف سے زیادہ کم ہے۔

🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

کمپنیاں یونیورسٹیوں سے عمدہ پروفیسرز اور تجربہ کار تحقیقی ماہرین کو ملازمت دیتی ہیں، لیکن جونیئر پوزیشنز اور تربیت پر خرچ کم کرتی ہیں۔ وہ عمدہ سائنسدانوں کا ایک گروہ اکٹھا کر سکتی ہیں، لیکن اگلی نسل کے سائنسدانوں کو بڑھانے کی ذمہ داری لینا ضروری نہیں ہوتا۔

متعلقہ اثرات یونیورسٹی کے کلاس رومز میں ظاہر ہو چکے ہیں۔ ایٹلینٹک کے ساتھ بات چیت کرنے والے طلباء نے پایا کہ کچھ کورسز اچانک بند ہو گئے، جس کی وجوہات واقعی تھیں—اساتذہ AI کمپنیوں میں "چھٹی" پر چلے گئے۔

اسی دوران، ماہر پروفیسر کے جانے کے بعد، ڈاکٹریٹ کے طالب علم کو صرف ایک کورس ہی نہیں بلکہ تجویز کردہ وسائل، تحقیقی نیٹ ورک، تحقیقی منصوبہ بندی کی صلاحیت، اور سرحدی مسائل تک رسائی کے مواقع بھی کھو دیے۔

تحقیق کے موضوعات پر زیادہ خفیف تبدیلیاں ہو رہی ہیں۔

دوائوں کے ڈیزائن، پروگرامنگ، ریاضی کا استدلال، اور مواد کی دریافت ماڈلز کو بہتر بن سکتی ہیں اور مصنوعات بھی بن سکتی ہیں، جس کی وجہ سے انہیں وسائل کی حمایت حاصل کرنا آسان ہوتا ہے۔ طویل مدتی میدانی تحقیق، ماحولیاتی تحفظ جیسے موضوعات عام طور پر الجھن والی صورتحال میں ہوتے ہیں۔

لیکن تاریخ اکثر مختصر مدت کے回报 کے ساتھ کھیلتی ہے۔

نظریہ اعداد کو طویل عرصے تک سب سے صاف ترین اور سب سے کم عملی اہمیت والی ریاضی سمجھا جاتا رہا، لیکن بعد میں یہ جدید کرپٹوگرافی کی بنیاد بن گیا۔ جب لیزر پہلی بار ظاہر ہوا تو اسے "ایک مسئلہ کی تلاش میں حل" کہا جاتا تھا۔ ابتدائی انٹرنیٹ کو بھی تجارتی ماڈل کے ساتھ ناپنا مشکل تھا۔

عوامی سائنسی نظام کا مقصد یہ ہے کہ وہ انسانوں کو ان مسائل کا مطالعہ کرنے کی اجازت دے جن کی قیمت ابھی تک واضح نہیں ہے۔

اور آج کے AI کمپنیاں ماڈل کی کارکردگی، مصنوعات کی جاری کرنے اور سرمایہ کی سرمایہ کاری کے شدید مقابلے میں مبتلا ہیں۔ یہاں تک کہ اگر وہ بنیادی سائنس میں سرمایہ کاری کرنے کو تیار ہوں، تو وسائل زیادہ تر ماڈل کو بہتر بنانے، مصنوعات کو سپورٹ کرنے یا پیٹنٹ بنانے والے راستوں کی طرف جائیں گے۔

مستقبل میں ایک عجیب و غریب خوشحالی کا ظہور ہونے کا امکان ہے۔

انسان جدید ادویات، نظریات اور مواد کی تلاش میں زیادہ تیز ہو گئے ہیں، اور سب سے طاقتور سائنسدان بھی تاریخ کے سب سے طاقتور اوزار استعمال کر رہے ہیں۔ اس کے ساتھ، یہ سوال اب اہم ہو گیا ہے کہ کون فیصلہ کرے گا کہ کیا تحقیق کی جائے، کون نئی نسل کے سائنسدانوں کو تربیت دے گا، اور کون اس قسم کی تحقیق جاری رکھے گا جس کے لیے کوئی ادائیگی نہیں کر رہا؟

سائنسدانوں نے سائنس کو چھوڑا نہیں ہے۔ صرف سائنس، یونیورسٹی سے تیزی سے بھاگ رہی ہے۔

کبھی کبھی میں یونیورسٹی اور AI کمپنیوں کو ایک ندی کے دو انتہائی نقاط کے طور پر سمجھتا ہوں۔ یونیورسٹی زیادہ تر اُپر کی طرف ہوتی ہے۔ بہاؤ بہت سست ہوتا ہے، کھاک بہت زیادہ ہوتا ہے، اور بہت ساری معاون ندیاں لگتی ہیں جیسے کہ ان کا کوئی فائدہ نہیں۔ کچھ لوگ وہاں پر پیمائش کرتے ہیں، ریکارڈ کرتے ہیں، بحث کرتے ہیں، اور کچھ ایسے بھی ہیں جو اپنی پوری زندگی اس ایک چھوٹی سی ندی پر صرف کرتے ہیں جو آخرکار شہر تک نہیں پہنچتی۔

AI کمپنیاں نیچے کے ہائیڈرو پاور اسٹیشن جیسی ہیں۔ وہ بہاؤ کو مرکوز کر سکتی ہیں، مشینوں کو چلا سکتی ہیں، اور سائنس کو دواوں، سافٹ ویئر اور صنعتوں میں تیزی سے پہنچانے کے لیے بڑی توانائی پیدا کر سکتی ہیں۔

بجلی کا ڈیم ضروری ہے۔ اس کے بغیر، ندی کا پانی صرف بہہ جاتا ہے۔

لیکن اگر سب لوگ نیچے بجلی بنانے کے لیے چلے جائیں، تو اوپر کا پانی آہستہ آہستہ خشک ہو جائے گا، کچھ سالوں کے بعد، سب کو صرف اپنے سرور روم میں بیٹھ کر انتظار کرنا ہوگا جو نہیں بہ رہی۔

جب ریاضیدان ماڈلز کو بہتر بنانے میں مصروف ہو رہے ہیں، زندگی کے ماہرین ایجنٹس کو تربیت دے رہے ہیں، اور فزیسٹس کمپوٹیشنل حدود کو وسعت دے رہے ہیں، تو شاید انسان کو زیادہ طاقتور AI مل جائے۔ پیچھے چھوڑے گئے وہ مسائل، جن کے لیے کوئی مصنوعات کا راستہ نہیں، کوئی سرمایہ کاری کا منافع نہیں، اور جن کا مقصد ابھی تک واضح نہیں۔

وہ بہت خاموش ہیں۔ اتنی خاموش کہ آپ کو یہ لگ سکتا ہے کہ وہ اہم نہیں ہیں۔