اہم AI تحقیق کار AI چلائی گئی AI ترقی کا جائزہ لے رہے ہیں

کیسے ایک AI دوسری نسل کی AI کو خود ڈیزائن کرے

مضمون کے مصنف، ذریعہ: ویچات ایپ کا مجموعہ "APPSO"

اگر ایک چینی AI انجینئر کے پاس مضبوط ٹیکنیکل مہارتیں، خوبصورت ریزومہ، اور جیسے کہ پکنگ یونیورسٹی جیسے عظیم تعلیمی ادارے سے تعلق ہو، تو وہ کچھ بھی کر سکتا ہے، لیکن نوکری نہ کرنا ممکن نہیں۔

صحت اور زندگی کو "سب سے اہم ترین ترتیب" سمجھتے ہوئے Thinking Machines Lab سے چلے گئی ون لی، اس کے فوراً بعد دوبارہ OpenAI میں شامل ہونے کی خبریں سامنے آئیں۔ کمپنی کے ترجمان کے مطابق، وہ ایک ایسی ٹیم کی قیادت کریں گی جو اندر کے تحقیقی کاموں کو تیز کرے گی، اور OpenAI کے "recurisve self-improvement" کے تجربے میں شرکت کرے گی، جس میں AI اپنے اگلے نسل کے ماڈلز کو تربیت دینے اور بہتر بنانے میں شامل ہوگا۔

اسی طرح، اس کے سابق ساتھی، جو کہ ایک زمانہ میں OpenAI کے مرکزی شخصیت ایلیا سوتسکیور تھے، انہوں نے Safe Superintelligence کی بنیاد رکھی ہے، جو اب اپنی گہری تحقیق سے ایک چھوٹی سی خانہ بندی کھول رہا ہے۔ نوڈیا نے نایاب اندر کی تحقیق تک رسائی حاصل کرنے کے بعد، SSI میں سرمایہ کاری کرنے کا فیصلہ کیا ہے اور اپنے نئے Vera Rubin سسٹم کے ذریعے اس کی کمپوٹنگ طاقت کو ایک درجہ بڑھا دیا ہے۔

نیوڈیا کو یقین ہے کہ SSI پچھلے دو سالوں سے موجودہ بڑے ماڈل کے راستے سے الگ ایک نئی تحقیقی سمت پر کام کر رہا ہے۔ اس بارے میں ایلیا نے مزید کچھ نہیں بتایا، صرف ایک جملہ کہا: "ہمارے پاس وسعت دینے کے قابل تحقیق ہے۔"

عوام کی تجسس میں اضافہ ہو گیا، سوشل میڈیا پر ایک تجزیہ شائع ہوا جس نے علیحدہ رہنمائیوں کا اُلٹا تجزیہ کیا اور اندازہ لگایا کہ SSI دوسری بڑی پری ٹرینڈ ریسیپی تلاش نہیں کر رہا، بلکہ ایک نئی ترقی اور ترقی کا طریقہ ڈھونڈ رہا ہے: اس طرح کہ ماڈل صرف ٹریننگ کے بعد ہی سکون پر نہ رہے، بلکہ فیڈ بیک، تجربات اور مستقل سیکھنے کے ذریعے مستقل طور پر مضبوط نسل کو جنم دے۔

یہ فیصلہ SSI نے تصدیق نہیں کیا ہے، لیکن یہ الیا کے گزشتہ مسلسل موقف کے ساتھ مکمل مطابقت رکھتا ہے۔ اس نے پہلے کئی بار کہا تھا کہ صرف زیادہ ڈیٹا اور کمپیوٹیشنل پاور پر انحصار کرنے والا اسکیلنگ دور اب اپنے حد تک پہنچ رہا ہے، اور AI کو انسانوں کی طرح، کم تجربات سے گہری سمجھ حاصل کرنے اور ماحول کے ساتھ تعامل کے ذریعے مزید ترقی کرنے کی ضرورت ہے۔

یہ بالکل کامیاب ٹاپ AI ماہرین لگتے ہیں کہ ایک ہی طرف کی طرف دیکھ رہے ہیں: AI کو اپنے لیے اگلی نسل کا AI تیار کرنے کے لیے کیسے استعمال کیا جائے۔

ریکرسیو سیلف-بہتری کا ذکر کرتے ہوئے، ایک سائنس فکشن کا منظر سامنے آ جاتا ہے: AI اپنی کمیوں کا احساس کر لیتا ہے، فوراً نیورل نیٹ ورک کے وزن کو تبدیل کر دیتا ہے، اور جاگنے پر اس کی ذہانت پچھلے دن کی دس گنا ہو چکی ہوتی ہے۔

حقیقی شروع کافی سادہ ہوتا ہے۔ AI تحقیق ایک مستقل چکر والی لائن ہے: محققین تحقیقی مضامین اور تجرباتی ریکارڈز پڑھتے ہیں، ایک فرضیہ بناتے ہیں، تربیت کے کوڈ میں تبدیلی کرتے ہیں، تجربات چلانے کے لیے قطار میں لگتے ہیں، نتائج آنے کا انتظار کرتے ہیں، پھر اشارے کا موازنہ کرتے ہیں، ناکامی کی وجوہات تلاش کرتے ہیں، اور اگلے دور کا منصوبہ تیار کرتے ہیں۔

آج کے بڑے ماڈلز کئی مراحل میں شرکت کر سکتے ہیں، وہ کوڈ بیس پڑھ سکتے ہیں، کاغذات کو دوبارہ بناسکتے ہیں، تجرباتی اسکرپٹس لکھ سکتے ہیں، کمپیوٹنگ طاقت کو بلانے کے لیے ٹیسٹ چلاسکتے ہیں، دسوں کی تعداد میں نتائج کو ترتیب دے سکتے ہیں، تجزیہ کر سکتے ہیں کہ کون سا پیرامیٹر مسئلہ پیدا کر رہا ہے، اور پھر کوڈ میں تبدیلیاں کرتے رہ سکتے ہیں۔ جس طرح پچھلے دور میں ایک ٹیم کو ایک چکر مکمل کرنے میں کئی دن لگتے تھے، مستقبل میں متعدد ذکاوتی اجسام ایک ساتھ دسوں راستوں کا تجربہ کر سکتے ہیں، اور پھر سب سے زیادہ وعدہ کرنے والے نتائج کو انسان کے فیصلے کے لیے پیش کر سکتے ہیں۔

او لی نے جولائِ کے آغاز میں ایک لمبی مضمون "Harness Engineering for Self-Improvement" جاری کیا، جس میں اس نے تقریباً اپنے مستقبل کے تحقیقی رخ کو پہلے ہی لکھ دیا تھا۔ وہ سمجھتی ہے کہ حالیہ دور میں خود کو بہتر بنانے کا سب سے عملی طریقہ مدل کا دماغ کو براہ راست دوبارہ لکھنا نہیں، بلکہ AI کو اپنا کام کا ماحول بدلنا سکھانا ہے: ناکامی کے ریکارڈز کا خودکار تجزیہ کرنا، سندھ کے منصوبہ بندی، ٹولز کے استعمال اور کام کے عمل کو ترتیب دینا، اور پھر نئے تجرباتی نتائج کے ذریعے اس نظام کو مزید بہتر بنانا۔ زیادہ بالغ harness خودکار تحقیق کو فروغ دے سکتی ہے، اور مضبوط مدلز اس بات کو اپنے آپ harness کو مزید آسان بنانے کے لیے استعمال کر سکتے ہیں، جس سے دونوں ایک دوسرے کا حلقہ بن جاتے ہیں۔

یہ بھی ون لی اور ایلیا کے دو راستوں کے درمیان دلچسپ توازن پیدا کرتا ہے: OpenAI مزید ترقیاتی عمل کو آہستہ آہستہ AI کے حوالے کر رہا ہے، تاکہ وہ ایک کام کرنے والے ریسرچ انجینئر کے طور پر کام کر سکے؛ جبکہ SSI شاید نئے سیکھنے کے طریقے کو زیادہ بنیادی سطح پر تلاش کرنے کی کوشش کر رہا ہے، تاکہ ماڈل خود کو مستقل طور پر اپ ڈیٹ اور ترقی دے سکے۔

AI کو اپنے وزن کو شروع سے ہی ب без تبدیل کرنے کی صلاحیت کی ضرورت نہیں ہے۔ اگر وہ تربیت کے عمل کو بہتر بنائے، ڈیٹا کا انتخاب کرے، جائزہ لینے کے طریقے ڈیزائن کرے، یا مدل کے باہر کے harness کو بہتر بنائے، تو وہ اپنے اپنے جانشین کے تخلیق میں حصہ لے رہی ہے۔

پہلا انجینئرنگ سائکل کے اندر کی طرف جاتا ہے، جبکہ دوسرا ماڈل میکانزم کے باہر کی طرف جاتا ہے، اور دونوں کا مقصد ایک AI نسل سے اگلی AI نسل تک کی فاصلہ کم کرنا ہے۔

جب بڑے بکریاں اس راستے پر زیادہ تیزی سے سرمایہ کاری کرنا چاہ رہی تھیں، تو صنعت کے اندر ایک دوسری آواز اٹھی۔

اس ہفتے، OpenAI، Anthropic، Google، Meta جیسی کمپنیوں سے تقریباً 1100 سے زائد ماہرین نے ایک بیان پر دستخط کیے، جس میں "آٹومیٹڈ AI ریسرچ" کی رفتار کو کنٹرول کرنے کے لیے ٹیکنالوجی اور کoordination ٹولز کو جلد از جلد تیار کرنے کا مطالبہ کیا گیا۔ شرکاء میں OpenAI کے سربراہ سائنسدان Jakub Pachocki، Anthropic کے ملکہ مصنف Jack Clark اور Jared Kaplan سمیت کئی اعلیٰ تحقیقی ماہرین شامل ہیں—اور Ilya خود بھی۔

عہد نامہ AI تحقیق کو روکنے کا مطالبہ نہیں کرتا، اور نہ ہی خود بہتری کی ممکنہ قیمت کو انکار کرتا ہے۔ اس کی فکر یہ ہے کہ ایک بار جب AI AI ترقی کو نمایاں طور پر تیز کر دے، تو صلاحیتوں کا اضافہ انسانی سمجھ اور نظام کے کنٹرول کی رفتار سے زیادہ تیز ہو سکتا ہے۔

غور کریں، یہ "ظاہری طور پر متناقض" تبدیلیاں ایک ہی گروہ، یا حتیٰ کہ ایک ہی شخص سے آتی ہیں۔ ایک ہی وقت میں، وہ دو مختلف فیصلے کر سکتے ہیں: وہ یہ بھی مانتے ہیں کہ خودکار تحقیق AI کے اگلے بڑے ارتقاء کا کلیدی عنصر ہو سکتی ہے، اور یہ بھی کہ جب یہ فید بیک لوپ حقیقی طور پر کام شروع کر دے، تو صنعت کو ضرورت پڑنے پر تیزی کو کم کرنے کی صلاحیت حاصل ہونی چاہئے۔

کیونکہ اس چکر کے قائم ہونے کے بعد، گزشتہ مزید طاقتور ماڈل جاری کرنے سے الگ ہو جاتا ہے۔ گزشتہ ترقی کی رفتار نہایت حد تک انسانی تحقیقی ٹیم پر منحصر تھی۔ انسانوں کو سوالات پیدا کرنے، تجربات منصوبہ بند کرنے، اور نتائج کا جائزہ لینا پڑتا تھا، اور پیش رفت بجٹ، انسانی وسائل اور تنظیمی عمل کی وجہ سے روک دی جاتی تھی۔

آٹومیٹڈ AI ریسرچ کا مقصد یہی ہے کہ ان رکاوٹوں کو تدریجاً ختم کیا جائے۔ جتنا طاقتور مدل ہوگا، اتنا ہی ٹیم کو اگلی نسل کے مدلز تیار کرنے میں تیزی لانے میں مدد ملے گی؛ اگلی نسل کے مدلز خود بہتر ریسرچر بن جائیں گے اور اگلے راؤنڈ کی ریسرچ کے وقت کو مزید کم کریں گے۔

اس لیے، جبکہ دو مخالف طاقتوں نظر آ رہی ہیں، وہ ایک ہی بنیاد پر مشتمل ہیں: آٹومیٹڈ AI ریسرچ دور دراز خیال سے ایک واضح انجینئرنگ مقصد بن رہی ہے۔

اوون واپس OpenAI میں شامل ہو گئے، جس سے ظاہر ہوتا ہے کہ ریکریو سیلف ایمپروومنٹ شروع ہو چکا ہے اور اس کے لیے مخصوص تنظیم اور ذمہ دار مقرر ہو چکے ہیں؛ نوڈیا نے SSI کی سیکریٹ تحقیق دیکھنے کے بعد بھاری فنڈنگ اور نئی کمپوٹنگ پاور فراہم کرنے کا فیصلہ کیا ہے، جس سے یہ ظاہر ہوتا ہے کہ نئی سیکھنے کی راہ کم از کم اس مرحلے تک پہنچ چکی ہے جہاں اس کی تصدیق کو وسعت دینا ضروری ہو گیا ہے۔

درخواست کنندگان نے بریک تیار کرنے کی درخواست کی، نہ کہ اس لیے کہ وہ سمجھتے ہیں کہ یہ راستہ کامیاب نہیں ہوگا، بلکہ اس لیے کہ وہ اب اس بات پر غور کرنا شروع کر چکے ہیں کہ اگر یہ کامیاب ہو جائے تو کیا ہوگا۔

حقیقی اختلاف اس بات پر نہیں ہے کہ AI کو انسانوں کے تحقیق میں مدد کرنے کی اجازت ہونی چاہیے یا نہیں۔ کوڈ جنریشن، پیپرز کی تلاش اور تجربات کا خودکار طریقہ پہلے ہی لیب میں داخل ہو چکے ہیں۔ حقیقی سوال یہ ہے کہ جب AI ایک ایسا ٹول بن جائے جو ریسرچر کی کارکردگی بڑھاتا ہے، اور پھر خود حل تجویز کرنے، تجربات چلانے، نتائج کا جائزہ لینے اور اگلے دور کے عمل کو ترمیم کرنے والا ایک مکمل تحقیقی نظام بن جائے، تو انسانوں کو کن نکات پر فیصلہ کرنے کا حق برقرار رکھنا چاہیے۔

اس کا مطلب ہے کہ کئی ایسے سوالات ہیں جن کی بحث کی ضرورت ہے: اس کے بہترین مقاصد کون طے کرے گا؟ کون فیصلہ کرے گا کہ کیا کوئی تبدیلی جو اسکور میں اضافہ لگتی ہے، سیکورٹی حدود کو متاثر کر رہی ہے؟ جب کئی لیبارٹریز مقابلہ کر رہی ہوں، تو کون سی کمپنی اپنے ایک مؤثر ایٹریشن کو الگ طور پر روکنے کو تیار ہوگی؟ اگر ماڈل کے ترقیاتی دورانیہ واقعی ایک سال سے چند ماہ یا ہفتے تک کم ہو جائے، تو کیا باہری جائزہ اور اندر کے سیکورٹی ٹیم اس کے ساتھ قدم رکھ پائیں گے؟

AI کمپنیاں اب صرف ایک وائرل ماڈل بنانے کے لیے نہیں، بلکہ زیادہ طاقتور ماڈلز کو مستقل طور پر تیار کرنے کے لیے ایک ریسرچ اور ڈویلپمنٹ سسٹم کے لیے مقابلہ کر رہی ہیں۔

ایک طرف ایلیا اور وینگ لی جیسے عالِم ہیں جو AI کو اپنی ترقی میں شامل کرنے کے لیے نئے طریقے تلاش کر رہے ہیں؛ دوسری طرف، اسی صنعت کے ہزاروں عالِم ایک تیزی کو کم کرنے کے لیے پہلے سے تیاری کا مطالبہ کر رہے ہیں۔ دونوں موقفوں کے درمیان فریقین لگاتار بدل رہے ہیں، اور موقف آپس میں متصادم نہیں ہیں؛ سب کو ایک مشترکہ مسئلہ کا سامنا ہے: جب تحقیقی ٹولز تحقیق کو خود تیز کرنے لگ جائیں، تو کون فیصلہ کرے گا کہ اگلی نسل کا AI کب آنا چاہیے؟