اس سال کا فیلڈز انعام "آخری صرف خالص" مانا جا رہا ہے — ممکنہ طور پر مستقبل کی کسی بھی انقلابی تحقیق کو AI کے ساتھ ملا کر مکمل کیا جائے گا۔
یہ تبدیلی کا عمل ہم سوچ رہے تھے اس سے زیادہ تیز ہو سکتی ہے: فیلڈز انعام کے پریس کانفرنس میں، جب ایک انعام یافتہ کینیڈین ریاضیدان جیکب ٹسمرمان سے پوچھا گیا کہ اس کا اگلا کام کیا ہے، تو اس نے کہا کہ وہ اب AI سیکورٹی تحقیق کی طرف منتقل ہو چکا ہے اور جلد ہی OpenAI کے سیکورٹی ڈپارٹمنٹ میں شامل ہو جائے گا۔
دوسری طرف، OpenAI کے سربراہ تحقیق مارک چین نے فوراً خوش آمدید کہا۔
سب سے آگے کے ماہرین، اب بہترین AI کمپنیوں کو اپنے خوابوں کو ظاہر کرنے کے لیے ایک پلیٹ فارم کے طور پر دیکھ رہے ہیں۔ حالیہ دور میں، ریاضی دان، فزیکس دان، زندگی کے ماہرین سمیت بہت سے بہترین سائنسدانز بڑی مدل کمپنیوں کی طرف جا رہے ہیں۔ صرف اس سال کے پہلے نصف میں، نوبل انعام یافتہ کیمسٹ جان جمپر، معاشیات دان چیڈ جونز، فلسفی ہاروی لیڈرمن سمیت کئی ماہرین اینتھروپک میں شامل ہو گئے۔
اس کے پیچھے، ٹاپ AI کمپنیاں بھی ایک جیسے طور پر ایک ہی سمت کی طرف دیکھ رہی ہیں: وہ سائنسدانوں کو AI ترقی کے مقام پر بلارہی ہیں۔ AI اور سرحدی سائنس کا گہرا ادغام، ایک اختیاری بات سے ضروری بات بن رہا ہے۔
اسی ہفتے، چینی AI بڑی کمپنیاں بھی اس میں شامل ہو رہی ہیں، جس میں ByteDance کا Seed Edge ٹیم نے Seed STEM سائنسدان منصوبہ جاری کیا، جس میں ریاضی، فزکس، کیمیا، زندہ جان اور دیگر اعلیٰ سائنسی شعبوں کے سائنسدانوں اور ڈاکٹریٹ طلبہ کے لیے 100 تعاون کے مقامات کھولے گئے ہیں، تاکہ وہ Seed کے ساتھ بنیادی سائنس کے ناشناختہ مسائل کا جائزہ لے سکیں۔ عوامی معلومات کے مطابق، یہ چین کا پہلا بڑا منصوبہ ہے جس میں AI کا استعمال اعلیٰ سائنسی دریافتوں کو تیز کرنے کے لیے کیا جا رہا ہے۔
بڑے ماڈل کے دوسرے نصف میں، اب اسکور کا مقابلہ نہیں ہے
جبکہ AI کے شعبے میں تیزی سے روزانہ ترقی ہو رہی ہے، لمبے مدتی بنیادی AI تحقیق پر توجہ دینا، کوڈنگ کے مہارتوں کو بہتر بنانے یا ایلویشن ٹیسٹس میں اسکور بڑھانے کے مقابلے میں زیادہ واضح نہیں لگتا: بعد والے میں مہارت میں اضافہ فوری طور پر مصنوعات کے تجربے اور کاروباری آمدنی میں تبدیلی کا باعث بنتا ہے، جبکہ بنیادی تحقیق اور AI کے ذریعے سائنسی دریافتوں کو تیز کرنے کا ردعمل دورانیہ لمبا ہوتا ہے اور راستہ بھی بہت غیر یقینی ہوتا ہے۔
لیکن اس کے برعکس، اگر اس راستے پر اصلی کامیابی حاصل ہو جائے، تو اس سے حاصل ہونے والی پیرادائم لیول کی قیمت عام مصنوعات کی ترقی سے بہت زیادہ ہوگی۔
یائو شونیو نے پہلے اپنی ٹیم کے ساتھ ایک خیال شیئر کیا تھا: بڑے ماڈلز کی تربیت میں جادو نہیں ہے۔ اصل چیلنج یہ ہے کہ سب سے بنیادی، یقینی طور پر درست طریقے سے کیے جانے والے کاموں کو درست طریقے سے کیا جائے۔ یہ جائزہ Anthropic کے سی ای او داریو کے طویل عرصے سے رکھے جانے والے خیالات سے ملتا جلتا ہے — AI کی ترقی کا مرکزی عنصر ہمیشہ کمپوٹیشنل پاور، ڈیٹا کی معیار اور سائز، تربیت کا دورانیہ، اور قابل توسیع مقصد فنکشن رہا ہے، «تمام ذکاوت مند طریقے اور ٹرکس اصل میں اتنے اہم نہیں ہیں»۔
کلود، سیڈنس جیسے اصل SOTA ماڈلز کو دیکھیں، ان کے پیچھے کوئی جلدی کا راستہ نہیں ہے، مرکزی طور پر انہوں نے ابتدائی مرحلے میں رہنمائی کا تعین کیا اور ڈیٹا کی معیار اور بنیادی ساخت پر بہت زیادہ بنیادی کام کیا۔
اینٹروپک نے ماڈل کی کوڈنگ کی صلاحیت کو بہتر بنانے پر زور دیا ہے، جس میں تقویتی سیکھنے کے ذریعے ماڈل دہرائے گئے تجربات کے ذریعے خود بخود اچھی کوالٹی کوڈ سمجھتا اور تخلیق کرتا ہے، اور صارفین کے فیڈ باک سے مزید خود تیز ہونے والے ترقی کا چکر تشکیل دیتا ہے۔
جس شعبے میں بہت سے بڑی کمپنیاں مستقل طور پر ترقی نہیں کر پا رہیں، Seedance نے نوآوری کے مدل آرکیٹیکچر اور دقت سے ڈیٹا کے کام کے ذریعے AI ویڈیو جنریشن کو "لاٹری کارڈ" جیسا تجربہ بنانے کے بجائے، زیادہ قابل کنٹرول اور زیادہ تخلیقی صنعتی سطح کا ٹول بنایا۔
دیکھا جا سکتا ہے کہ ماڈل کی صلاحیت کی حد کو حقیقت میں ٹرکس کے جمع کرنے سے نہیں، بلکہ ڈیٹا کو مضبوط بنانے، بنیادی ساخت کو مستحکم کرنے، اور مقصد کو لمبے عرصے تک رکھنے کے ساتھ استراتیجک صبر اور لگن کو برقرار رکھنے سے طے کیا جاتا ہے۔
آج کے ماحول میں یہ آسان نہیں ہے، لیکن ہم دیکھ رہے ہیں کہ ملکی بڑے ماڈل کے شعبے میں، بڑی تعداد میں کمپنیاں ایسی مشکل لیکن صحیح راہ پر چلنے کے لیے تیار ہو رہی ہیں۔
اس سال، DeepSeek مُتعارف mHC (مینیفولڈ کنسترینڈ سپر کنکشن) آرکیٹیکچر کو بڑے ماڈل بنیادی آرکیٹیکچر کے شعبے میں ایک کامیابی سمجھا جاتا ہے۔ یہ بھی DeepSeek ایک اہم آرکیٹیکچر اپگریڈ جو V4 میں روایتی ریزیڈوئل کنکشنز کو بدل دیتا ہے اور پورے ماڈل کے ڈیزائن میں شامل ہے۔ قابل ذکر بات یہ ہے کہ mHC تحقیق نے بائٹڈانس سیڈ ٹیم کے زیرِ اثر ہائپر-کنکشنز (HC) کا حوالہ دیا ہے۔
اس سے پہلے، ریزیڈوئل کنکشنز کو ٹرانسفارمر کی بنیادی ساخت کے طور پر صنعت کی طرف سے ڈیفالٹ کنفگریشن کے طور پر دیکھا جاتا تھا، HC نے پہلی بار اس ایکل اسٹریم پیٹرن کو توڑا اور تقریباً کمپوٹیشنل لوڈ میں کوئی اضافہ نہ کرتے ہوئے ماڈل کی خصوصیات کی اظہاری صلاحیت میں بڑا اضافہ کیا۔ HC کے ابتدائی تصور سے لے کر mHC کے عملی اطلاق تک، یہ چینی AI ٹیمز کی بنیادی ساخت کے شعبے میں تکنیکی نوآوری کا ایک منظر ہے، جو پچھلے بڑے ماڈل ٹیکنالوجی کے ترقیاتی دور میں نایاب تھا۔
گزشتہ سال کے آغاز میں، بائٹڈانس سیڈ نے ایک الگ ٹیم "Edge" قائم کی، جس کا مقصد ایسے تحقیقی موضوعات پر کام کرنا تھا جن کی یقینیت کم تھی اور جن کے نتائج فوراً نہیں دکھائی دیتے تھے۔ تحقیق کاروں کو مستقل ماحول فراہم کرنے کے لیے، انہوں نے کارکردگی کی تشخیص کے دوران میں تبدیلیاں کیں — درمیان میں کوئی تشخیص نہیں تھی، بلکہ نتائج آنے پر ایک ساتھ تشخیص کی جاتی تھی۔
اس ٹیم کے قیام کے بعد وہ لگاتار خاموش رہی، لیکن حال ہی میں انہوں نے X پر لمبا ایجنسی ٹیسٹ سیٹ EdgeBench شائع کیا، جس نے صنعت میں پہلی بار حقیقی ماحول میں ایجنسی سیکھنے کے اصولوں کو منظم طور پر تعریف کیا، ماحول سیکھنے کے ابعاد کے لیے نئے اسکیلنگ قانون دریافت کیا، اور صنعت کے بہت سے بڑے لوگوں کے درمیان بحث کا باعث بن گیا۔
کہا جا رہا ہے کہ OpenAI بھی اپنے ماڈل کی لمبی مدتی صلاحیت کا جائزہ لینے کے لیے اس جائزہ سیٹ کو جوڑ رہا ہے۔
AI کے شعبے میں، لوگ عام طور پر صرف بڑے ماڈلز پر توجہ مرکوز کرتے ہیں، لیکن بینچ مارک تعمیر کرنے کے لیے لمبے عرصے اور بہت زیادہ انسانی وسائل کی ضرورت ہوتی ہے۔ جدید AI صلاحیتوں کے لیے بینچ مارک ڈیزائن کرنا اور اسے اوپن سورس کرنا صرف اپنی پیش رفت کا جائزہ لینے کے لیے نہیں، بلکہ صنعت کی معیارات قائم کرکے، ماڈلز کی کمزوریوں کو سامنے لانے کے ذریعے، پورے شعبے کو زیادہ شفاف اور قابل اعتماد سمت کی طرف مائل کرنے کے لیے بھی ہوتا ہے۔ عالی شان AI لیبارٹریاں بینچ مارک تعمیر پر بہت زیادہ سرمایہ کاری کرتی ہیں۔
اوپن اے آئی نے ایوالس فریم ورک کو اوپن سورس کر دیا ہے، جو بڑے زبان ماڈل اور LLM پر مبنی نظام کے جائزہ لینے کا صنعتی معیاری ٹول بن گیا ہے۔ خاص طور پر، اوپن اے آئی نے SimpleQA، BrowseComp، MLE-bench جیسے کئی مخصوص اعلیٰ صلاحیتوں کے لیے مخصوص بینچ مارکس تیار کیے ہیں۔
Anthropic نے SWE-bench کے حوالے سے بہت زیادہ کام کیا ہے، انہوں نے Claude کی کوڈنگ کی صلاحیت کو واضح کیا ہے؛ انہوں نے Terminal-Bench بھی جاری کیا ہے، جو ایجنٹ کی حقیقی کمانڈ لائن ماحول میں لمبے سلسلے کے کاموں کو مکمل کرنے کی صلاحیت کا جائزہ لینے کے لیے ہے۔
یہ جائزے اور مختلف ماڈلز کی صلاحیتوں کے طویل پہلوؤں کے درمیان تعلق صرف تصادفی نہیں ہے۔
یہ واضح ہے کہ ای آئی کے ترقی کے راستے کے بارے میں ایڈوانسڈ ای آئی ٹیم کا جائزہ تبدیل ہو رہا ہے؛ بڑے ماڈلز کی صلاحیتوں کی ترقی اب صرف پیرامیٹرز اور ڈیٹا کے جمع کرنے پر منحصر نہیں رہی، اگلے مرحلے کا مرکزی نمو کا ذریعہ ماڈل کا حقیقی کھلے ماحول میں مستقل تعامل، فیڈ بیک اور خود کو ترقی دینا ہوگا۔
بنیادی سائنس کی سرحدیں، کھلے اور ناپائیدار مناظر کی اعلیٰ شکل ہیں۔ اور بائٹڈانس نے حال ہی میں سیڈ ایس ٹی ایم سائنسدان منصوبہ جاری کیا ہے، جس کا مقصد سائنسدانوں کے ساتھ مل کر تحقیقی سطح کے مسائل کو شناخت کرنا اور ان پر قابو پانا، اور AI کے ذریعے سائنسی دریافتوں کو تیز کرنے کے امکانات کا جائزہ لینا ہے۔ سائنسدان صرف سوالات ہی نہیں، بلکہ مسئلہ کی سمجھ، جائزہ لینے کے معیار اور ردعمل کے طریقے بھی فراہم کرتے ہیں۔
کیوں ٹاپ AI کمپنیاں
کیا سب لوگ فیلڈ سائنسدانوں کو لے رہے ہیں؟
سائنسدانوں کے ساتھ کیوں تعاون کریں؟ جواب یہ ہے کہ اب باقی "مسائل" بڑے ماڈلز کے لیے کافی مشکل نہیں رہ گئے۔
آج کے مقبول ماڈل جائزہ سسٹم زیادہ تر معیاری جواب والے بند کاموں پر مرکوز ہیں۔ سوالات کے مخصوص حل ہوتے ہیں، جائزہ کے لیے مستقل معیار ہوتے ہیں، اور ماڈل کی صلاحیتوں میں اضافے کا راستہ واضح ہوتا ہے۔ لیکن حقیقی سائنسی تحقیق بالکل الگ منطق پر چلتی ہے: اس میں واضح مسائل کا حل نہیں ہوتا، تحقیق کاروں کو خود فرضیات پیش کرنی پڑتی ہیں، تصدیق کے منصوبے بنانے پڑتے ہیں، غیر معمولی اور شور والے ڈیٹا کو سنبھالنا پڑتا ہے، اور بنیادی طرز عمل کو استنباط کرنا پڑتا ہے—پورے عمل میں تجربہ و غلطی، دوبارہ کوشش اور عدم یقین بھرپور ہوتا ہے۔
حقیقی دنیا کے کام ہی AI ماڈل کی صلاحیتوں کا آخری معیار ہیں۔ پری ٹریننگ اسکیلنگ اور ٹیسٹ ٹائم اسکیلنگ کے بعد، صنعت اگلے اسکیلنگ راستے کی تلاش میں ہے، اور "حقیقی کھلے ماحول میں مستقل تعامل سے سیکھنا" اس میں سے ایک سب سے زیادہ پسندیدہ راستہ ہے۔
اس لیے، جب عالمی سطح پر AI کے بہترین ٹیمیں اگلی نسل کے ماڈلز پر کام کرتی ہیں، تو وہ صرف AI ٹیم کے اندر بند ہو کر ماڈلز کو بہتر بنانے پر انحصار نہیں کرتیں، بلکہ مختلف شعبوں کے بہترین محققین کو شامل کرتی ہیں تاکہ حقیقی شعباتی مسائل ماڈل کی صلاحیتوں کے ترقی کا باعث بن سکیں۔
شمالی امریکہ میں، حالیہ وقت میں کئی یونیورسٹی کے تحقیقی محققین بڑے ماڈل کمپنیوں میں شامل ہو رہے ہیں۔ جولائِ کے شروع میں، برکلے کے EECS ڈپارٹمنٹ کے چیئرمین جیلانی نیلسن نے اپنی اکادمک چھٹی کا اعلان کیا اور Anthropic میں شمولیت اختیار کر لی۔ اس سال کے دوران، کم از کم 22 پروفیسرز اور محققین نے اسٹنفورڈ، برکلے، ہارورڈ جیسے یونیورسٹیز میں اپنے کام کو عارضی طور پر چھوڑ دیا یا کم کر دیا اور OpenAI، Anthropic، DeepMind اور Meta میں شامل ہو گئے۔ ان چار کمپنیوں میں اب تک کم از کم 80 سے زائد موجودہ یا سابق یونیورسٹی پروفیسرز جمع ہو چکے ہیں۔
بڑے بکریوں کے تدریجی شامل ہونے کی پیچھے، ایک منظم منصوبہ بھی ہے۔
اوپن اے آئی میں، ریڈنسی پروگرام اوپن اے آئی کے لیے ہر سال کا مستقل طریقہ بن چکا ہے جو "جو لوگ ابھی تک AI کو اپنا مرکزی تحقیقی شعبہ نہیں بنائے ہوئے ہیں" ان لوگوں کے لیے مخصوص ہے، جس میں شرکاء پہلے دن سے ہی اوپن اے آئی کی سرحدی اطلاقات اور تحقیقی ٹیموں میں عملی تعاون کے لیے شامل ہو جاتے ہیں۔ یہ پروگرام "تیز رفتار ڈاکٹریٹ ٹریننگ" کے برابر ہے جو مختلف شعبوں کے ماہرین کو جلدی سے تعلیمی ادغام میں مدد دیتا ہے۔ ImageGPT، Codex جیسے کئی علامتی منصوبوں میں رہنے والے ریسرچرز کا گہرا تعاون شامل ہے۔ اور GPT سیریز ماڈلز کی ریسرچ میں ریاضی کے استدلال اور زندہ نظام کے استنباط میں حاصل ہونے والی کامیابیاں بھی اس قسم کے بین التخصص ماہرین کے مستقل انفرادی تعاون پر منحصر ہیں۔
اینٹھروپک میں، 2026 میں سائنس، ٹیکنالوجی، انجینئرنگ اور ریاضی کے ماہرین کے لیے STEM فیلوشپ پروگرام کو منظم اور بڑے پیمانے پر وسعت دی گئی۔ یہ پروگرام کچھ ماہوں تک جاری رہتا ہے اور فزیسٹس، بائیولوجسٹس، ریاضیدان، معاشیات دان سمیت AI کے خارج کے عالموں کو اینٹھروپک کے اندر مدعو کرتا ہے۔ وہ اپنے شعبے کے حل نہ ہونے والے مسائل یا پیچیدہ عمل کے ساتھ، ابھی تک جاری نہ ہونے والے کلاؤڈ ماڈلز اور اندر کے جائزہ لینے کے ٹولز تک فوری رسائی رکھتے ہیں۔
اس قسم کے منصوبوں میں، میٹریل سائنسدان کلاؤڈ کے لیے فیز سٹیبلٹی استنباط کے لیے مخصوص ایوان کا ڈیزائن کرتے ہیں، جبکہ موسمیاتی سائنسدان اپنے ماہرانہ جوہری ماڈلنگ ٹولز اور ماڈلز کو گہرائی سے جوڑتے ہیں۔ رہائشی دور کے دوران، 80% سے زائد ریسرچرز نے معیاری اکادمک نتائج حاصل کیے، جو حقیقی سائنسوں سے حاصل ہونے والے فیڈبیک ب без تبدیلی کے لیے تربیتی سگنلز کے طور پر استعمال ہوئے اور کلاؤڈ کو سائنسی استنباط اور پیچیدہ ٹولز کے استعمال میں ترقی دی۔
اس قسم کے منصوبوں کی قیمت پہلے ہی تحقیق سے زیادہ ہو چکی ہے، اور عظیم AI کمپنیاں ماہرینِ شعبہ کو حاصل کرنے کو کمپیوٹیشنل طاقت حاصل کرنے کے برابر اہمیت دے رہی ہیں۔
یقیناً، علمی دنیا کے لیے تعاون کی قیمت بھی بہت زیادہ ہے۔ بڑے ماڈلز نئے سائنسی بنیادی ڈھانچے بن رہے ہیں: فارمولوں کی اخذ، عددی شبیہ سازی سے لے کر بڑی مقدار میں ادب اور تجرباتی ڈیٹا کے تجزیہ تک، AI سائنسی طریقہ کار کو دوبارہ شکل دے رہا ہے، جس سے پہلے انسانی طاقت اور کمپیوٹنگ طاقت کی کمی کی وجہ سے ناممکن سمجھے جانے والے موضوعات ممکن ہو رہے ہیں۔
بڑے ماڈل ٹیم میں شامل ہو کر مقامی تحقیق میں شرکت کرنا، ایک خلائی تجزیہ کار کے لیے نئی نسل کے سپر اسپیس ٹیلی سکوپ کا انحصاراتی استعمال حاصل کرنے جیسا ہے۔ اس قسم کے منصوبے سائنسدانوں کو کئی فوائد فراہم کرتے ہیں، جن میں بڑی مقدار میں AI کی کمپوٹنگ طاقت، اعلیٰ ماڈلز تک رسائی، اور AI کو "بیرونی دماغ" کے طور پر استعمال کرکے مسائل کو خود تعریف کرنے پر توجہ مرکوز کرنا شامل ہے۔
اینٹھرپک اور اوپن اے آئی میں داخل ہونے والے یہ سائنسدانوں کے لیے، ایسی گہری تعاون科研 کی کارکردگی کو بڑھانے کا ذریعہ اور نئی دریافتوں کے لیے ایک چھڑی کا کردار ادا کرتی ہے۔ اب جب ہم اپنی نظر ملکی سطح پر موڑتے ہیں، تو ہم دیکھتے ہیں کہ AI اور بنیادی سائنس کے تقاطعی شعبے کی خالی جگہ کو بائٹڈینس سیڈ نے پہلے بھرنا شروع کر دیا ہے۔
AI کا اختتام
لمبے مدتی نقطہ نظر کا مقابلہ ہے
جب فیلڈز انعام یافتہ نے OpenAI میں شمولیت کا فیصلہ کیا، جب مزید بڑھتے ہوئے STEM سائنسدان مدل ٹیم کے ساتھ شامل ہونے لگے، AI کا اگلا مرحلہ مقابلہ، مختصر مدتی مصنوعات کی ترقی، لسٹوں پر اسکور اور واحد نقطہ کے اختراق سے، زیادہ لمبے مدتی، زیادہ پیچیدہ اور زیادہ سرحدی بنیادی سوالوں کی طرف منتقل ہو رہا ہے۔
سائنسی تحقیق اہم ہے کیونکہ یہ انسانی علم کی سب سے اگلی حد تک پہنچی ہوئی ہے۔ اگر ایسے اعلیٰ پیچیدہ کھلے ماحول میں قائم رہنا ممکن ہو جائے، تو اس کا مطلب ہے کہ اگلی نسل کا AI حقیقی، پیچیدہ کاموں میں شرکت کرنے کے قابل ہو گا۔
یہ راستہ جلد ہی اچھے نتائج پیش کرنے کے لیے مشکل ہے، اور مختصر مدت میں واضح کاروباری حلقوں کا ایجاد کرنا بھی مشکل ہے۔ یہ آہستہ، بھاری اور بے یقینی سے بھرا ہوا ہے۔ لیکن اسی وجہ سے، یہ ٹیم کو چیک کرنے کا بہترین طریقہ ہے کہ وہ حقیقت میں بنیادی اور سرحدی شعبوں میں مصروف ہونے کے لیے تیار ہے یا نہیں۔
بڑے ماڈل کا آخری جواب یہ ہے کہ وہ انسانوں کے ساتھ ابھی تک حل نہ ہوئے مسائل کو آگے بڑھانے میں کامیاب ہو سکتا ہے یا نہیں۔
سائنسی ترقی کے لیے لمبے مدتی نقطہ نظر کی ضرورت ہوتی ہے، اور AGI کے حصول کے لیے بھی ایسا ہی ہے۔
یہ مضمون ویچن گروپ "مشین سینٹر" (ID: almosthuman2014) سے ہے، مصنف: زینان