10,000 AI ایجنٹس نے ایک مسئلہ حل کر لیا، ایک بھی بحث کیے بغیر۔ اعلان کے فوراً بعد انسانوں نے سرکار کے لیے لڑائی شروع کر دی۔ سب سے پہلے، یہ ہوا کہ کیا۔ اوپن اے آئی نے اعلان کیا کہ ان کے ایجنٹس نے جدید ریاضی کے سب سے مشہور مسائل میں سے ایک کو حل کر لیا ہے۔ ان کے مطابق، اس میں 88 گھنٹے لگے۔ تقریباً 10,000 ایجنٹس ایک ساتھ اس مسئلے پر کام کر رہے تھے۔ اب، جو مجھے سب سے زیادہ حیران کر گیا وہ یہ ہے۔ سام الٹمن نے اسٹینفورڈ میں بیان کیا کہ انہوں نے کس طرح تعامل کیا۔ کوئی لیڈر نہیں تھا۔ کسی نے بھی یہ نہیں کہا کہ کس نے کیا کیا۔ کوئی تنازع نہیں، اور کوئی شہرت کے لیے لڑائی نہیں۔ سب نے صرف ایک ہدف کی طرف بڑھنا جاری رکھا۔ خود وہ کہتے ہیں کہ یہ ان کے خيال میں کسی بھی تنظیم سے مختلف ہے۔ اور اب آگے کیا ہوا۔ جسی ہی نتائج کا اعلان ہوا، لوگوں میں یہ بحث شروع ہو گئی کہ کسے سرکار دینا چاہئے۔ ایجنٹس نے مسئلہ تقسیم کر لیا۔ انسانوں نے عزت تقسیم کر لی۔ اس دوران، ریاضیدانوں نے پانچ دن میں اپنا سفر طے کیا۔ سب سے پہلے رد عمل یہ تھا کہ یہ جعلی ہے۔ پھر یہ کہ ان کا شعبہ ختم ہو چکا ہے۔ پھر یہ کہ اس طرح نہیں کرنا چاہئے تھا۔ پانچویں دن، بہت سے لوگوں نے کچھ مختلف کہا۔ جی ہاں، ان کے کام کا ایک قسم ختم ہو گيا۔ لیکن ان میں سے زیادہ تر نے کبھی اس سطح پر مسائل حل نہیں کئے۔ انہوں نے علم کو سمجھا، لوگوں کو اس کا تعارف دلایا، اور فیصلہ کیا کہ کس پر کام کرنا چاہئے۔ الٹمن سے اور ایک خيال ہے جس پر توجہ دینا آسان ہے۔ وہ سفارش کرتے ہیں، اور صاف طور پر کہتے ہیں کہ یہ صرف تخمن ہے، کہ دنیا بھر میں تقریباً ہر تنظیم فوج کے انداز پر بنائی گئی ہے۔ ایک پرامڈ، حکم، اور کنٹرول۔ کیونکہ اس وقت تک، بڑھتے ہوئے لوگوں کو منظم رکھنے کا یہ واحد معروف طرīقہ تھا۔ اور 10,000 ایجنٹس نے بالکل بنا پرامڈ کے اس طرح کام کر لیا۔ اب اس طرح ایک کمپنی خود سوچئے جس میں صرف ایجنٹس کام کرتے ہوں۔ کوئي فیدبیک پر ناراض نہीں ہوتا۔ کوئي خيال چورى نहيں كرتا۔ کوئي زاوِيَه دار دفتر کे لئے لڑتا نہيں۔ اس بات پر بھروسہ رکھنا آسان لگتا ہے۔ اور بالکل اس لئے دلچسپ بات چھپ جاتी ہے جب الٹمن فوراً جوڑ دेतا ہي: لوگ اس طرح نहيں كام كريں گي۔ کيوں كه هماري ناقصيت ميں خوبصورتي هاي. بحث، طمع، جذبات۔ وہ دنيا جس ميں ان سب كي كميا هوي هوني كي خواهش نه ركھتى هى۔ اور ميں بھي اس سे موافق هون. كيونكه لوگوں كي درميان تصادم صرف لاگت نهين. بلكه يه وى طريقيه هى جس سے هم فهمت كرتين كه هماري زندگي ميں كيا ضروري هى۔ جب دو لوگ سركار كي بات پر لڑتين هين تو واقعيت ميں وى بات كرتين هين كه ان كي خدمت كيا معني رکھتى هى۔ ایک مشین اس سوال پر غور نहيں كرتى. صرف عمل كرتى هى۔ تو مجھ ليكه آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنندل ميں آنンド ل m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m m M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M.

نو سال پہلے، جینسن ہوانگ نے الون مسک کو ایک سپر کمپیوٹر فراہم کیا۔ آج، وہ اس کا جانشین لے کر آیا ہے۔ اور یہ لمحہ کمپیوٹنگ کے دو بہت مختلف دوروں کو جوڑتا ہے۔ 2016 میں، جینسن نے ذاتی طور پر NVIDIA کا پہلا DGX-1 الون مسک کو تحویل دیا۔ اس وقت، مسک OpenAI کا حصہ تھا۔ اس مشین نے تحقیق کاروں کو مصنوعی ذہانت کے حدود کو آگے بڑھانے میں مدد کی اور AI انقلاب کے ابتدائی بنیادی ڈھانچے کا حصہ بن گئی۔ نو سال بعد، جینسن واپس آ گیا ہے۔ لیکن اس بار، وہ کچھ بالکل مختلف لے کر آیا ہے۔ NVIDIA DGX Spark سے ملیں۔ Grace Blackwell آرکیٹیکچر پر چلنے والی ایک کمپیکٹ ڈیسک ٹاپ AI سپر کمپیوٹر۔ اور اس کے اسپیسیفکیشنز حیرت انگیز ہیں۔ FP4 درستگی پر تکراراً 1 پیٹا فلوپ AI پرفارمنس۔ 128GB یونائفڈ میموری۔ ایک طاقتور NVIDIA GB10 سپر چپ۔ اور اتنا چھوٹا فارم فیکٹر کہ یہ ڈیسک پر رکھا جا سکتا ہے۔ حوالہ کے طور پر، اصل DGX-1 ایک بڑا اینٹرپرائز سسٹم تھا۔ DGX Spark صرف 1.2 کلوگرام وزن والے ایک ڈیوائس میں AI کمپوٹنگ کی ایک بڑی مقدار فراہم کرتا ہے۔ لیکن اصل بات یہ ہے کہ یہ کون سے نئے مواقع پیدا کرتا ہے۔ ڈویلپرز اور تحقیق کار واقعی AI ماڈلز کو مقامی طور پر چلا سکتے ہیں، بڑے زبان ماڈلز کے ساتھ تجربات کر سکتے ہیں، AI ایجنٹس بناسکتے ہیں اور ماڈلز کو فائن ٹیون کر سکتے ہیں بغیر مکمل طور پر ریموٹ ڈیٹا سنٹرز پر انحصار کئے۔ NVIDIA کا کہنا ہے کہ ایک واحد DGX Spark 200 بلین پیرامیٹرز تک کے ماڈلز کے لئے انفرنس کا انتظام کر سکتا ہے۔ اور متعدد سسٹمز کو ملا کر اور بھی بڑے ورک لوڈز کو منظم کیا جا سکتا ہے۔ بات چیت کے دوران، جینسن نے کمپوٹنگ کے موثر طریقہ کار میں بڑا ترقی بھی اجاگر کیا، جس نے اصل DGX-1 اور نئی نسل کا موازنہ کیا۔ پھر اس نے ایک بہترین لمحہ پیدا کر دیا۔ جینسن نے مزاح سے کہا کہ الون اس سے بڑھ کر چیزیں بن رہا ہے۔ الون نے صرف متفق ہو کر جواب دیديا۔ آخرکار، SpaceX rockets اور بڑے بنیادی ڈھانچے بن رہا ہے، جبکہ NVIDIA AI انقلاب کو چلانے والے کمپوٹنگ سسٹمز بن رہا ہے۔ اور ٹیکساس میں Starbase پر ان دو دنیاؤں کا ملاپ دेखنا بہت دلچسپ ہے۔ ایک کمپنی خلائی تلاش کے حدود کو آگے بڑھا رہی ہے۔ دوسری مصنوعی ذہانت کے حدود کو آگے بڑھا رہی ہے۔ نو سال پہلے، جینسن نے ایک سپر کمپوٹر تحویل دیا جس نے AI میں ایک نئے دور کا آغاز کرنے میں مدد کی۔ اب وہ اس کمپوٹنگ طاقت کو انفرادی ڈویلپرز تک قرีب لاتا ہے۔ اگلा AI انقلاب شاید بڑے ڈیٹا سنٹر سے نہ آئے۔ شاید یہ کسی کے ڈیسک پر شروع ہو جائے۔

ہولی شٹ۔ اپنے کمپیوٹر کا استعمال کرنے میں ای آئی ایجنٹس کو OpenAI نے سستا اور بہتر بنادیا ہے۔ GPT 6.1 Terra سے ملیں۔ اور یہ اپڈیٹ صرف بہتر جوابات پیدا کرنے سے زیادہ ہے۔ OpenAI ای آئی کو ایک زیادہ مفید چیز کی طرف بڑھا رہا ہے۔ واقعی کام مکمل کرنا۔ Terra کو آپ کے اسکرین پر ہونے والی چیزوں کو سمجھنے، کمپیوٹر ایپلیکیشنز کے ساتھ تعامل کرنے اور پیچیدہ کاموں کے سلسلے مکمل کرنے کے لیے ڈیزائن کیا گیا ہے۔ اس کا کیا مطلب ہے، سوچیں۔ ایک ای آئی آپ کے لیے پرپوزل تیار کر سکتی ہے، ٹیکنیکل ڈرائنگز کو سمجھ سکتی ہے، فارم بھر سکتی ہے، ویڈیوز ایڈٹ کر سکتی ہے اور دہرائے جانے والے آفس کاموں کو سنبھال سکتی ہے۔ اس بات کو سمجھانے کے بجائے کہ کس طرح کام کرنا ہے، یہ اس کام کو مکمل کرنے کے لیے درکار مراحل خود پورے کر سکتی ہے۔ اور OpenAI کہتی ہے کہ GPT 5.6 Terra کے مقابلے میں نئے ماڈل میں ان قسم کے کاموں میں نمایاں بہتری آئی ہے۔ لیکن یہ وہ حصہ ہے جس نے میرا توجہ خاص طور پر جذب کیا۔ قیمت۔ GPT 6.1 Terra کی معیاری API قیمت GPT 5.6 Terra سے 50 فیصد کم ہے۔ اس بات کا اہم ہونا اس لیے ہے کہ ای آئی ایجنٹس اکثر اکلوتے ورک فلو مکمل کرنے کے دوران ماڈل تک بار بار رابطہ کرتے ہیں۔ ہر مرحلہ پر رقم خرچ ہوتی ہے۔ معلومات پڑھنا، اسکرین کا تجزیہ کرنا، اگلا قدم کya ہونا چاہئے، اور نتائج چیک کرنا — سب مل کر لاگت بڑھا دیتا ہے۔ کم لاگت سے ان نظاموں کو بڑے پمانے پر چلانا زیادہ عملی بن جاتا ہے۔ OpenAI نے اندر کے جائزہ جات میں کوڈنگ پرفارمنس اور وژول رینسنگ میں بڑھوترا، اور حقائق پر مبنی غلطیوں میں کمی بھی رپورٹ کی ہے۔ اس ترکیب کا اہم ہونا ضروری ہے۔ ایک ماڈل جو ایک کام سمجھ سکتا ہو، سافٹ وئیر استعمال کر سکتا ہو، اور کوڈ لکھ سکتا ہو — جب وہ تمام ان چیزوں کو تھوڑا سستا اور تھوڑا تیز طریقے سے کر سکتا ہو تو وہ زیادہ مفید بن جاتا ہے۔ تصور کریں کہ ای آئی ایجنٹس فواتیر پروسس کر رہے ہوں، اسپرید شٹس اپڈیٹ کر رہے ہوں، صارفین کی معلومات منظم کر رہے ہوں، یا متعدد اپلیکیشنز میں دہرائے جانے والے کام سنبھال رہے ہوں۔ صرف آپ کو بتانا نہیں، بلکہ آپ کو واقعی مدد دینا۔ بھلا، کمپیوٹر استعمال پرفکٹ آٹونومی جتنا نہیں۔ پچیدہ ورک فلوز اب بھي ٹيسٹنگ، اجازتوں اور انسانی نگرانی کا مطالبہ رکھتے ہيں۔ لیکن رجحان واضح ہوتا جا رہا ہے۔ اگلی بڑی ای آئی ريس نصيحت صرف اس بات پر نہيں ہي جس ماڈل کا سوچنا زياتر بھتر ھي۔ بلکه وه ماڈل جس ميں واقعي طور پر ذهنى صلاحية كى عملى طور پر استعمال كى جاسكتي هى، وه زياتر زبردست هى۔ اور اب، OpenAI نے اس صلاحية كى استعمال كى قيمت كم كردى هى۔

🚨 الہی شٹ۔ جینسن ہوانگ نے ایک ہاتھ میں ایک پیٹا فلوپ AI پاور کو تھاما ہے۔ اور جو تقابل انہوں نے کیا، وہ بالکل پاگل پن بھرا ہے۔ 2016 میں، جینسن ہوانگ نے ایک چھوٹی سی کمپنی، اوپن اے آئی کو ایک NVIDIA DGX 1 سسٹم فراہم کیا تھا۔ یہ ایک بہت بڑی مشین تھی جو صرف AI کمپوٹنگ کے لیے بنائی گئی تھی۔ اس نے ایک پیٹا فلوپ کمپوٹنگ پرفارمنس فراہم کی اور اس میں 128GB میموری تھی۔ اور جینسن نے سب کو ایک تفصیل یاد دلائی۔ اس مشین کو اوپر لے جانے کے لیے دو افراد کی ضرورت تھی۔ اب، دس سال بعد، وہ ایک کمپیکٹ AI کمپیوٹر کو اپنے ایک ہاتھ میں تھامے ہوئے ہیں اور وہی سرخ خبروں والے نمبر دکھا رہے ہیں۔ ایک پیٹا فلوپ۔ 128GB میموری۔ اسے ایک لمحے کے لیے سوچنے دیں۔ نئی RTX Spark لائن کو Microsoft اور عام PC صنعت کے ساتھ چار سال کے کام کے ذریعے ترقی دی گئی ہے۔ جینسن کے مطابق، اس منصوبے میں N1X نام کا ایک نیا چپ اور مکمل طور پر نئے کمپیوٹرز کا خاندان شامل ہے، جس میں ڈسک ٹاپ، لیپ ٹاپ اور ورک سٹیشنز شامل ہیں۔ مقصد یہ ہے کہ سنجیدہ AI کمپوٹنگ پاور کو بہت چھوٹے فارم فیکٹر میں لایا جائے۔ اور یہاں چیزیں دلچسپ ہو جاتی ہیں۔ سالوں تک، طاقتور AI ہارڈ وئیر تک رسائی کا مطلب تھا مہنگے کلاؤڈ انفراسٹرکچر یا اس خاص مشینوں پر انحصار کرنا جو زیادہ تر انفرادی ڈولپرز کے لیے دور دراز تھے۔ اس قسم کے کمپیکٹ سسٹمز ایک مختلف نقطہ نظر کی طرف اشارہ کرتے ہیں۔ تصور کریں کہ آپ اپنے ڈسک پر AI اجینٹس ترقی دے رہے ہوں، ماڈلز آزمارہے ہوں، اور مشقت والے AI ورک لوڈز چلا رہے ہوں۔ دور دراز انفراسٹرکچر پر کم انحصار۔ اپنے ترقیاتی ماحول پر زیادہ کنٹرول۔ اور ممکنہ طور پر وہ ورک لوڈز جو مقامی طور پر چل سکتے ہوں، ان کے لیے کم دوبارہ آنے والے کلاؤڈ اخراجات۔ بھلا، ایک اہم فرق موجود ہے۔ ایک جتنے پیٹا فلوپ کا رقم ملتا ہے، وہ خود بخود دو مشینوں کو مساوی حقیقی دنیا کا پرفارمنس فراہم نہیں کرتا۔ درستگی، میموری آرکٹیکچر اور ورک لوڈ سب متاثر ہوتے ہیں۔ لیکن جسمانی تبدیلی اب بھي حیرت انگيز ہے۔ 2016 میں، AI کمپوٹنگ کا یہ طبقہ اس مشین میں آتا تھا جسے لانے کے لئے دو لوگوں کی ضرورت تھي۔ اب، جینسن ہوانگ اس قسم کا سسٹم جس ميں مساوي سرخ خبروں والي خصوصيات ہيں، اپنے اีک ھاتھ ميں رکھ سکتے ھيں۔ اس سب سے زائد بات صرف ایک اور کمپيوٹر لانچ نهيں بلکه يه بات هے. AI ہارڈ وئیر صرف زبردست نہीں بن رہا، بلکہ اس میں شدید طور پر رسائِ بڑھ رہا ہے۔ اور اگلी نسل کے AI ڈولپرز شاید شروع کرنے کے لئے سرور روم کی ضرورت نہ رکھتے۔

کیا ہو اگر ہم کوانٹم فوٹون ٹرانسفر کو 54% سے 100% تک چینج کر سکیں؟ TU Wien کے سائنسدانوں نے شاید ایک طریقہ تلاش کر لیا ہے۔ اور یہ حل حیرت انگیز طور پر ذہین ہے۔ کوانٹم کمپیوٹرز کو کیوبٹس کے درمیان معلومات ٹرانسفر کرنے کی ضرورت ہوتی ہے۔ ایک کیوبٹ ایک فوٹون جاری کرتا ہے۔ دوسرے کو اسے جذب کرنا چاہیے۔ لیکن روایتی طریقوں کے ساتھ، اس جذب کامیابی صرف تقریباً 54% وقت میں ہوتی ہے۔ اس عمل کے ختم ہونے سے پہلے تقریباً نصف معلومات ٹرانسفر کی کوششیں کھو دینا سوچیں۔ اب محققین نے اسے چینج کرنے کا طریقہ پیش کیا ہے۔ کلید فوٹون کی لہر کا شکل ہے۔ جب ایک کیوبٹ فوٹون جاری کرتا ہے، تو اس کی لہر عام طور پر مضبوط شروع ہوتی ہے اور آہستہ آہستہ ختم ہو جاتی ہے، جیسے گھنٹی کی آواز۔ لیکن وصول کرنے والا کیوبٹ مکمل جذب کے لیے بہت مختلف لہر کا شکل درکار ہوتا ہے۔ اس لیے محققین پیشکش کرتے ہیں کہ فوٹون کے سفر کے دوران ایک خصوصی طور پر ڈیزائن کردہ آپٹیکل ویوگائڈ استعمال کیا جائے تاکہ اسے دوبارہ شکل دیا جائے۔ ویوگائڈ کے ذریعے مختلف فریکوئنسیز کے حرکت کو کنٹرول کرتے ہوئے، انھوں نے حساب لگایا کہ فوٹون بہترین جذب کے لیے درست لہر کا شکل لے کر پہنچ سکتا ہے۔ نتیجہ؟ ان کے شبیہ سازی سے پتہ چلتا ہے کہ مثالی حالات میں جذب نظری طور پر 100% تک پہنچ سکتا ہے۔ اور سب سے دلچسپ بات یہ ہے کہ یہ ایک پاسیو طریقہ ہے۔ واصول کرنے والے اختتام پر اضافی فعال کنٹرول پر انحصار نہیں کرتا، بلکہ ویوگائڈ خود فوٹون کو شکل دینے کا کام کرتا ہے۔ اس طریقہ کو اب تک تجرباتی طور پر ثابت نہیں کیا گيا ہے، لیکن محققین کا خیال ہے کہ درکار سامان تکنیکی طور پر حاصل کرنے ممکن ہونا چاہئے۔ اگر عملی طور پر یہ کام کرتا ہے، تو یہ کوانٹم کمپیوٹرز اور مواصلاتی نیٹ ورکس کو بہت زیادہ قابلِ اعتماد بنانے میں مدد دے سکتا ہے۔ ہم اکثر سوچتے ہیں کہ کوانٹم اختراقات مکمل طور پر نئے ہارڈ وئیر درکار ہوتے ہیں۔ کبھی کبھار، اختراق صرف اس بات سے آتا ہے کہ ایک واحد فوٹون کس طرح سفر کرتا ہے، اس طرح تبدیل کردی جائے۔ اور کوانٹم کمپوٹنگ میں، وہ چھوٹا سا تفصيل بھاری فرق پیدا کر سکتا ہے۔

یہ چیز کیا ہے؟ یہ بٹ ٹریڈس کا نصف سے زیادہ کھو دیتا ہے اور پھر بھی 1,400 ڈالر سے بڑھ کر 22,646 ڈالر تک پہنچ جاتا ہے۔ اس بولٹ کو دیکھیں۔ یہ 20,480 ممکنہ فیوچرز ہیں جنہیں بٹ ایک ساتھ اپنے ذہن میں رکھتا ہے۔ نیلی لکیریں وہ دنیا ہیں جہاں بٹ کوائن کی قیمت بڑھے گی۔ گلابی اور نارنجی وہ دنیا ہیں جہاں وہ گرے گا۔ اب اس کے کام کرنے کے طریقے کے بارے میں۔ بٹ Polymarket پر پانچ منٹ کے مارکیٹس پر بٹ کوائن کے لیے اوپر یا نیچے ٹریڈ کرتا ہے۔ سات سٹریمز سے لائیو ڈیٹا اندر جاتا ہے۔ انہیں احتمالات میں تبدیل کر دیا جاتا ہے، جیسے اُچھال کے لیے 45 فیصد اور گرنے کے لیے 55 فیصد۔ اس احتمال کو مارکیٹ کی قیمت سے تقابل کیا جاتا ہے جو اسی نتیجہ کو بیچ رہا ہے۔ ان دونوں کے درمیان فرق کو فائدہ کہتے ہیں۔ اور صرف اس صورت میں، جب فائدہ موجود ہو، بٹ ٹرید کھولتا ہے۔ اگر یہ تین سینٹ سے کم ہو، تو اسکرین پر "PASS" لکھا جاتا ہے اور کوئی لین دین نہیں ہوتی۔ یہاں اصل بات چھپی ہوئی ہے۔ پینل پر جِت کا تناسب 48 فیصد ہے۔ مطلب، زیادہ تر ٹریدز سرخ میں بند ہوتی ہیں۔ لیکن اس مسئلے کا کوئی حل نہیں ہے۔ تصور کریں آپ نے 32 سینٹ پر اسٹاک خریدا جو اگر آپ صحیح ثابت ہوئے تو اس سے ایک ڈالر ملے گا۔ آپ کو اس سے زیادہ بار غلط نہیں بتانا پڑتا جتنا آپ کو درست بتانا پڑتا ہے۔ صرف اتنا کافی ہے کہ آپ کا اندازہ مارکیٹ پرائس سے زیادہ درست ہو۔ اس صورت میں، حتّىٰ کہ اگر آدھے سے زائد وقت نقصان ہو، تو ریاضی آپ کے لیے کام آتی ہے۔ اس کو اسکرین پر ہر لین دین کے لیے دکھایا جاتا ہے۔ 32 سینٹ پر خریداری، فائدہ +5.3 سینٹ۔ 53 سینٹ پر خریداری، فائدہ +6.7 سینٹ۔ مختلف قیمتیں، مختلف سائز، لیکن ایک قاعدہ۔ اور نीچے لینڈنگ کرورف (Landing Curve) ہے۔ اس سے وقفے کے اختتام پر بٹ کوائن کہاں ختم ہو سکتا ہے، اس کا تفصیلی جائزہ دکھایا جاتا ہے۔ بٹ اکلوتے نقطے کو غلط لگاتا ہے۔ وہ مجموعتاً مواقع کا احاطہ دکھاتا ہے اور انہیں مارکیٹ پرائس سے تقابل کرتا ہے۔ روزانہ وقفہ 288 ہوتا ہے، اور قاعدہ ہميشہ وही رہتا ہے۔ لین دین میں 14,222 ٹکٹس عمل میں آئے، فائدے کا اوسط +4.6 سینٹ تھا، اور زیادہ سے زیادہ نقصان (maximum drawdown) 4.2 فیصد تھا۔ اب میرے لئے دلچسپ بات کے بارے میں۔ زیادہ تر لوگ اچھے ٹریدر کو اس شخص سمجھتے ہیں جو اندازہ لگاتا ہے۔ اور یahan بٹ تلاش بھي نهِيں کرتا۔ وہ سوچتا ہے۔ هر پانچ منٹ بعد، لاکھوں چھوٹے فیصلوں سے اکتساب (curve) بن جاتا ہے، جو نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نِشانِ زد نิ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَ شَنْزَدْنَا بُلُند رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُوح رُروح عالٰى ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ ترقّىٰ تراققًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلًغًتًيَا بًلंغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـيـا بـلـغـتـي--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a--a-‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏‏ ‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••• ایسا تو مشکل تو اس وقت آتا جب آپ غلط بتائین، تو آپ کتنالوسائین؟ اس طرح CRAWLHIVE کا Crawler Arena تمام طرح سے متعلق ہوتا ہے۔ آپ خود فصل، داخل، منافع حصول، روکنا، اور سائز طئع فرمائین، بغیر کوڈ کے۔ اور آپ کا crawler میدان میں داخل ہوتا ہے، حقیقی کميشنز اور حقائق سلوپجج (slippage) کے ساتھ دوسروں کے خلاف ان قوانین پر عمل کرتا ہوا۔ مطلب، جتنامختلف فائد ونقصون، واقعات مالک آپ کامالک بن جاتا ھ. �ه ماليايا مشوره نيست. ماضي كارائيد مستقبل كارائيد كه هميشه ضمانت نيست.

جینسن ہوانگ نے ایک 25 سینٹی میٹر کا روبوٹ بٹکھا دکھایا جو AI ایجینٹس کے ساتھ حرکت سیکھ رہا ہے۔ اور یہ چھوٹا سا روبوٹ بہت بڑی کہانی کا حصہ ہے۔ مائیکروڈک کو متعارف کرائیں۔ یہ ہگنگ فیس کا ایک اوپن سورس روبوٹک پروجیکٹ ہے، اور اس کا رویہ شروع میں سیمولیشن میں تربیت دیا گیا، پھر اسے حقیقی روبوٹ پر منتقل کیا گیا۔ بٹکھا دوڑنا، اٹھنا اور اشیاء کو پکڑنا سیکھ سکتا ہے۔ لیکن اس ڈیمو کو دلچسپ بنانے والا بات یہ ہے کہ AI ایجینٹس نے اسے ممکن بنایا۔ روبوٹکس کو ایک بڑے انجینئرنگ کام کے طور پر نہیں دیکھا گیا، بلکہ عمل کو مراحل میں تقسیم کیا گیا۔ ماڈل بنائیں۔ سیمولیشن ترتیب دیں۔ رویہ تربیت دیں۔ پھر ان مہارتوں کو حقیقی دنیا میں لائیں۔ آخری مرحلہ انتہائی اہم ہے۔ ایک روبوٹ جو ورچوئل ماحول میں کام کرتا ہے، اب بھی گرavit، توازن، رگڑ اور حقیقی اشیاء کی غیر متوقع صورتحال سے نمٹنا چاہتا ہے۔ اور یہی وہ جگہ ہے جہاں NVIDIA کا فزیکل AI کا خواب اہم ہو جاتا ہے۔ AI صرف متن، تصاویر اور کوڈ جنریٹ کرنے تک محدود نہیں رہا۔ اسے اب بڑھتے ہوئے سیمولیشن اور روبوٹکس کے ٹولز کے ساتھ استعمال کیا جا رہا ہے تاکہ مشینز سیکھ سکن کہ وہ فزیکل دنیا کے ساتھ کس طرح تعامل کریں۔ بٹکھا شاید چھوٹا ہے۔ لیکن اس کے پیچھے کا خيال بالکل چھوٹا نہیں۔ کیونکہ اگلے نسل کا AI صرف ہمارے کمپیوٹرز کے اندر نہیں رہے گا۔ اسے ان کے باہر حرکت سیکھنے کا موقع مل سکتا ہے۔

ٹیسلا گریویٹی کو چھوڑ رہی نہیں۔ یہ اپنے پر ٹریک پر ٹکی رہنے کے لیے سکشن استعمال کر رہی ہے۔ اس روداسٹر کو دھیان سے دیکھیں۔ کار ایک وسیع لوپ پر چڑھتی ہے، الٹی ہو جاتی ہے اور اس کی رفتار کم لگتی ہے، لیکن وہ اب بھی حرکت کرتی رہتی ہے۔ تو اسے وہاں کیا پکڑے رکھ رہا ہے؟ مگنیٹس نہیں۔ راز کار کے نیچے چھپا ہوا ہے۔ ٹیسلا نے روداسٹر کے نیچے ایک فن پاورڈ سکشن سسٹم بنایا ہے۔ فنز کار کے نیچے سے ہوا کو باہر کھینچتے ہیں، جس سے نیچے دباؤ کم ہو جاتا ہے۔ دباؤ کا فرق کار کو ٹریک کی طرف دبانے میں مدد کرتا ہے۔ اور یہ وہ حصہ ہے جو میرے لیے دلچسپ ہے۔ روایتی ایرودائنامک ڈاؤن فورس کار کی حرکت سے پیدا ہونے والی ہوا پر زبردست انحصار کرتا ہے۔ لیکن فن بنیادی سکشن سسٹم کم رفتار پر بھی زبردست ڈاؤن فورس پیدا کر سکتا ہے۔ اس سے کار کے عمل میں تبدیلی آتی ہے۔ اس کا مطلب یہ نہیں کہ وہ صرف رفتار پر انحصار کرتی ہے تاکہ زمین پر ٹکی رہے، بلکہ وہ فورس خود پیدا کرتی ہے جو اسے سطح کی طرف پکڑے رکھتی ہے۔ اس میں وہ فرق ہے جو اس کار کو درکار ہوتا ہے جو سڑک کو اپنے جسم کو پکڑنے کے لیے درکار ہوتا ہے، اور وہ کار جو خود اپنے جسم کو سڑک کی طرف کھینچنے کے لیے ڈیزائن کی گئی ہے۔ �ہ گریویٹی کو شکست نہیں دے رہا۔ بلکہ انجینئرنگ نے اس کے ساتھ کام کرنے کا اور طریقہ تلاش کر لیا ہے۔ اور اسی وجہ سے یہ دکھائش اتنی حیران کن ہے۔

8 AI ایجنٹس نے پوری رات ٹریڈنگ ڈیسک چلائی۔ بینک کا رقم $12,155 سے بڑھ کر $14,853 ہو گیا۔ لیکن یہ عدد سب سے دلچسپ بات نہیں ہے۔ سب سے دلچسپ بات یہ ہے کہ اس ڈیسک کا بوس کبھی ٹریڈ نہیں کرتا۔ یہ Grok Bot کا نیا ورژن ہے، جو Jev کے ساتھ مل کر کام کرتا ہے۔ اور یہ اب صرف ایک بوٹ نہیں ہے۔ یہ ایک پوری ٹریڈنگ ڈیسک ہے جہاں ہر ایجنٹ کا اپنا کام ہے۔ CHIEF وہ ٹوکن منتخب کرتا ہے جس پر ٹریڈ کرنی ہے، لیکن خود کبھی ٹریڈ نہیں کرتا۔ SCAN وہ چیز تلاش کرتا ہے جو حرکت میں ہے۔ VET چیک کرتا ہے کہ ٹوکن اصل ہے یا نہیں، اور اس کی رائس سٹرکچر کیا ہے۔ SOCIAL پروجیکٹ کے X اکاؤنٹ کو دیکھتا ہے۔ SIZE فیصلہ کرتا ہے کہ کتنی رقم لگانی ہے۔ FILLS ٹریڈ انجام دیتا ہے۔ RISK پوزیشن بند کرتا ہے۔ CRAWLER صفحات اور پوسٹس پہلے پڑھتا ہے، اور صرف اس کے بعد ڈیسک ٹریڈ کرتی ہے۔ ان میں سے کوئی بھی عمل نہیں کرتا جب تک کہ سخت قواعد نہ چل جائیں، اور ان کا خرچ صفر ہے۔ ٹوکن کی حداقل عمر: 15 منٹ۔ لکوئڈٹی: $12,000 سے زائد۔ 24 گھنٹوں کا حجم: $48,000 سے زائد۔ مارکیٹ کیپ: $60,000 سے زائد۔ کم از کم 150 ٹریڈز۔ سب سے بڑا والٹ 5 فیصد سے زائد نہیں رکھتا۔ اولین 10 والٹس مل کر 60 فیصد سے زائد نہیں رکھتے۔ صرف عام حساب، بنا کسی AI کال کے۔ اس کے بعد Jev کے نرم فلٹرز آتے ہیں۔ مرکوزت کا خطرہ ختم کرنا۔ مومنٹم پہلے ہی ختم تو نہیں ہو گيا؟ لکوئڈٹی ٹریڈ سائز کے مطابق ہے؟ پروجیکٹ اکاؤنٹ ری سائکلڈ تو نہیں؟ ڈو واقعی میں اب بھی زیادہ ٹوکن رکھتا ہے؟ اور ان فلٹرز کا ترتیب بھی اہم ہے۔ پہلے مفت چیکس۔ پھر ٹریڈ چیکس۔ پھر چین چیکس۔ اور صرف آخر میں مہنگے۔ مفت میں ایک ٹوکن ختم کرنا، AI سے ہر ایک کے بارے میں پوچھنے سے بہت سستا ہے۔ بوٹ کبھی اندازہ لگا کر داخل نہیں ہوتا۔ وہ پہلے حقیقی خریداری فلو کا انتظار کرتا ہے، اور صرف اس کے بعد داخل ہوتا ہے۔ کوئی فلو، کوئی داخل نہیں۔ زیادہ تر لوگ سمجھتے ہیں کہ اچھا ٹریڈنگ بوٹ صرف ایک ذكاء مند ماڈل ہوتا ہے۔ لیکن صرف ایک ذكاء مند ماڈل غلطियاں کرتا ہے۔ ایسا نظام جس میں ہر مرحلہ الگ الگ ہو، اور ہر مرحلہ چيک شدہ، بہت کم غلطियاں کرتا ہے۔ اس میں ترتيب ہے۔ اور اس میں ایک بوس ہے جو صرف فیصلہ کرتا ہے، اور کبھي لالچ نहيں كرتا۔ اسी ميں حقीقتي فرق هے۔ �ه مالياي مشوره نهيں هے۔ ماضي كا نتيجه مستقبل كي ضمانت نهيں ديتا۔ آپ کے موجودہ ٹریدنگ ميں CHIEF كي كردار آپ كيا هيا يا آپ كي جذبات؟

سب سے خطرناک AI ٹریڈنگ بوٹ وہ ہو سکتی ہے جو مثالی لگ رہی ہو۔ افزائش پائی کا منحنی۔ صاف تجزیات۔ ایک ایسا نظام جو ظاہر ہو کہ بازار میں داخل ہونے اور باہر نکلنے کا صحیح وقت بالکل جانتا ہے۔ لیکن یہاں وہ چیز ہے جسے لوگ اکثر نظرانداز کرتے ہیں۔ ایک ٹریڈنگ سسٹم کو منافع دکھانے کے لیے اچھا ہونے کی ضرورت نہیں۔ اسے صرف اسی حالت میں اچھا لگنا ہوتا ہے جس میں اسے ٹیسٹ کیا گیا تھا۔ بازار میں تبدیلی کر دیں۔ ٹریڈنگ فیس شامل کر دیں۔ اتار چڑھاؤ بڑھا دیں۔ ایک نقصان دہ پوزیشن کو متوقع سے زیادہ دیر تک چلنے دیں۔ اچانک، وہ حکمت عملی جو عقلمندانہ لگ رہی تھی، تباہ ہونا شروع ہو جائے گی۔ اس لیے میں منافع دکھانے والے اسکرین شاٹ سے کم دلچسپی رکھتا ہوں اور زیادہ دلچسپی اس بات سے رکھتا ہوں کہ جب حکمت عملی کام نہ کرنے لگے تو کیا ہوتا ہے؟ اس سے کتنا نقصان ہو سکتا ہے؟ دباؤ کے تحت یہ کس طرح سلوک کرتی ہے؟ کya وہ اس بازار میں بقا پا سکتی ہے جس کے لیے اسے ڈیزائن نہیں کیا گیا تھا؟ کیونکہ موزوں حالات میں پیسہ بنانا ایک بات ہے۔ نا موزوں حالات میں بقا کچھ اور بات ہے۔ اور میرے خیال میں، AI ٹریڈنگ کا اصل چیلنج یہ نہیں کہ آپ مشین کو جِتne والے ٹریڈز تلاش کرنے کا طریقہ سکھائیں۔ بلکہ اسے اپنی حکمت عملی کو جب وہ کام نہ کرنے لگے، اس کا پتہ لگانے کا طریقہ سکھانا ہے۔