گوگل ڈیپ مائنڈ کے ریسرچ انسٹی ٹیوٹ نے ایک وسیع مضمون شائع کیا ہے جس میں یہ دلیل دی گئی ہے کہ AGI کے بعد کا دور اب اسی تجزیاتی سختی کا مستحق ہے جو کبھی AGI کے لیے مخصوص تھا۔ ٹکڑا، "AGI کے بعد کیا آتا ہے؟ AGI سے Superintelligence تک،" 19 نومبر 2026 کو گوگل ڈیپ مائنڈ کے ایک ریسرچ سائنسدان ٹم جینوین نے ڈیپ مائنڈ انسٹی ٹیوٹ کے مضامین کے پورٹل پر شائع کیا۔ اس کا بنیادی دعوی: جیسا کہ مصنوعی جنرل سپر انٹیلی جنس کی طرف متعدد تکنیکی راستے شکل اختیار کر رہے ہیں، AGI سے آگے کی حکومت "فلسفیانہ قیاس آرائیوں سے تجرباتی تحقیق اور حکمرانی کے سوالات کی طرف منتقل ہو رہی ہے۔"

یہ مضمون مہینوں میں AI تحقیقی خبروں کے مصروف ترین حصوں میں سے ایک کے دوران آیا، اور اسے AGI کے بعد کی بحث کو ایک ٹھوس تکنیکی ذخیرہ الفاظ دینے کی دانستہ کوشش کے طور پر پڑھا گیا۔ AI کی تازہ ترین پیشرفت کی پیروی کرنے والے ہر فرد کے لیے، یہ ابھی تک سب سے واضح تصویر پیش کرتا ہے کہ کس طرح دنیا کی معروف لیبز میں سے ایک انسانی سطح کے AI سے آگے سڑک کو فریم کرتی ہے - جس میں لاگت کی پیشن گوئی بھی شامل ہے، اگر درست ہے، تو علمی کام کی معاشیات کو تبدیل کر دے گی۔

سپر انٹیلی جنس کے طور پر کیا شمار ہوتا ہے

Genewein عام ذہانت کو ایک تسلسل پر رکھ کر شروع ہوتا ہے، انسانی سطح کے AGI کے ساتھ صرف ایک نقطہ کے طور پر۔ ASI، مضمون کی تعریف میں، ایک جدید نظام ہے جو انسانی ماہرین کے بڑے گروہوں کو ان کاموں پر مستقل طور پر بہتر کارکردگی کا مظاہرہ کرتا ہے جنہیں مکمل کرنے میں ان ماہرین کو برسوں لگ سکتے ہیں، کم وسائل اور کم وقت کا استعمال کرتے ہوئے - مثال کے طور پر، وقت کے ایک حصے میں کسی پورے تحقیقی شعبے کی سائنسی پیداوار کو ملانا، یا چپ ڈیزائن کو حاصل کرنا ایک سال میں کمپنی کی بڑی پیداوار کے برابر ہے۔ اہم طور پر، بار کو انسانی دلچسپی کے تقریباً تمام کاموں میں پورا کیا جانا چاہیے، نہ کہ کسی تنگ ٹکڑے سے۔

تنگ غلبہ، مضمون کے نوٹ، پہلے سے ہی موجود ہے: AI نظام آج کسی بھی انسان کو شطرنج اور گو میں شکست دیتے ہیں، امینو ایسڈ کی ترتیب سے پروٹین کے ڈھانچے کی پیش گوئی کرتے ہیں، اور ایسے نظریات کو ثابت کر چکے ہیں جنہوں نے کئی دہائیوں تک ریاضی دانوں کے خلاف مزاحمت کی۔ جو چیز حقیقی طور پر نامعلوم ہے وہ انسانی سطح کے AI اور ذہانت کی نظریاتی حدود کے درمیان وسیع درمیانی زمین ہے۔ جینوائن کا مثالی نکتہ: شطرنج کو مکمل طور پر حل کرنے کے لیے زمین پر موجود کمپیوٹنگ کی طاقت کی ضرورت ہوگی، پھر بھی تھمب نیل کے سائز کی چپ پہلے سے ہی کسی بھی انسان کو شکست دینے کے لیے کافی اچھی طرح سے کھیلتی ہے۔

سنجشتھاناتمک صنعتی اور منہدم اخراجات

مضمون کا مقداری مرکز "علمی صنعت کاری" کا تجزیہ ہے۔ Genewein پچھلی دہائی سے تین مرکب رجحانات کو ضرب دیتا ہے۔ سب سے پہلے، ہارڈ ویئر: مور کے قانون اور متعلقہ رجحانات کے تحت چھ دہائیوں کے لیے فی ڈالر کمپیوٹ میں تقریباً 1.5x سالانہ بہتری آئی ہے۔ دوسرا، الگورتھمک کارکردگی: ایک مقررہ کارکردگی کی سطح تک پہنچنے کے لیے درکار تربیتی کمپیوٹ میں گزشتہ دہائی کے دوران تقریباً 3-6x فی سال کمی آئی ہے، جس میں تخمینہ کی کارکردگی ہر سال تقریباً 3x بہتر ہو رہی ہے۔ تیسرا، سرمایہ کاری: AI ہارڈویئر پر خرچ سالانہ تقریباً 2.5x بڑھ گیا ہے، اور سب سے بڑے فرنٹیئر رن کی ٹریننگ کمپیوٹ ہر سال 4x سے زیادہ بڑھ رہی ہے۔

تینوں کو ضرب دیں، اور مضمون کا تخمینہ ہے کہ عالمی موثر کمپیوٹ ہر سال کم از کم 10 گنا بڑھ رہا ہے - "دس سالوں میں 10 بلین کا عنصر۔" ڈیمانڈ کی طرف، ہارڈ ویئر اور سافٹ ویئر کی کارکردگی میں بہتری صرف ایک مقررہ AI کام کا بوجھ تقریباً 4x سالانہ چلانے کے لیے درکار کمپیوٹ کو کم کر دے گی۔ نتیجہ، جیسا کہ Genewein کہتا ہے: ایک علمی کام کا بوجھ جس کی لاگت $1 بلین کمپیوٹ ٹوکنز میں آج کے AI سسٹم کے ساتھ انجام دینے کے لیے دس سالوں میں تقریباً $1,000 لاگت آئے گی۔

یہ ایک اکیلے توسیع نہیں ہے. مضمون میں Epoch کے ایک حالیہ مطالعے کا حوالہ دیا گیا ہے جس میں بتایا گیا ہے کہ 2023 سے بینچ مارکس کے سیٹ پر ایک مقررہ اسکور حاصل کرنے کی صارف کی قیمت میں 13 گنا سے زیادہ سالانہ کمی آئی ہے۔ اس میں یہ بھی پیش کیا گیا ہے کہ AI ایجنٹوں کی موثر آبادی 2030 تک ایک ہزار گنا سے زیادہ ہو سکتی ہے، اور جب کہ احتیاطی طور پر یہ دس سال کے اندر اندر ایک ارب گنا زیادہ نہیں دیا گیا ہے۔ کمپیوٹ بلڈ آؤٹ پر عملی چھتیں اور الگورتھمک کارکردگی پر زیادہ قیاس آرائی والی چھتیں مداخلت کر سکتی ہیں۔

AGI سے ASI تک کے چار راستے

مضمون کا مرکز چار تکنیکی راستوں کا درجہ بندی ہے جو ان صلاحیتوں کو کھول سکتا ہے جو سراسر پیمانے پر نہیں کر سکتے ہیں - کیونکہ، جیسا کہ جینوین نے صاف طور پر مشاہدہ کیا، "جب کہ آئن سٹائن نے عمومی رشتہ داری کا پتہ لگایا تھا، ایک لاکھ بطلیما کے ماہرین فلکیات کی کانفرنس شاید نہیں ہوگی۔"

پیمانے کے ماڈل اور ڈیٹا۔ صلاحیت میں ماڈل، ڈیٹا، اور ٹیسٹ ٹائم کمپیوٹ پیمانے کے ساتھ نمایاں طور پر مسلسل بہتری آئی ہے، لیکن مضمون تین رکاوٹوں کی نشاندہی کرتا ہے: ڈیٹا کی تھکن، کیونکہ اعلیٰ معیار کے تربیتی ڈیٹا کی مانگ اسے پیدا کرنے کی انسانیت کی صلاحیت کو پیچھے چھوڑ دیتی ہے۔ ماڈل پیمانے پر کم ہوتے ہوئے منافع، جہاں صلاحیت میں ہر لکیری قدم کے لیے ضرب حساب کی ضرورت ہوتی ہے جبکہ بڑے ماڈل استدلال کے وقت کے طریقوں کو سست کر دیتے ہیں۔ اور پاور پلانٹس، الیکٹریکل گرڈز، چپ فیبس، اور کم لیٹنسی انٹر کنیکٹس پر جسمانی اور معاشی حدود۔ ٹیکنالوجیکل پیراڈائم شفٹ۔ آج کا پیراڈائم — اگلے ٹوکن کی پیشین گوئی کرنے کے لیے ٹرین ٹرانسفارمرز، پھر ٹیسٹ ٹائم کمپیوٹ کو بہتر بنانے اور شامل کرنے کے لیے — حال ہی میں اصولی طور پر دکھایا گیا ہے کہ پرامپٹس کے ذریعے پیچیدہ الگورتھم چلانے کے قابل ہیں۔ اس کے باوجود ماڈل اب بھی مسلسل سیکھنے، عالمی ماڈلنگ کی کچھ شکلیں، فیصلہ سازی، نمونہ کی کارکردگی، اور موجودہ تصورات کے دوبارہ امتزاج کے بجائے حقیقی طور پر نئے تصورات کی ایجاد میں کمی محسوس کرتے ہیں۔ محققین اس بات پر منقسم ہیں کہ آیا آج کی تمثیل کی توسیع ان خلاء کو ختم کر سکتی ہے یا ASI کو مزید گہرائی کی ضرورت ہے۔ ایجنٹ کوآرڈینیشن کو بہتر بنانا۔ ہیومن کارپوریشنز، مارکیٹس اور ریسرچ کمیونٹیز ان مسائل کو حل کرتی ہیں جو کوئی فرد نہیں کرسکتا۔ اسی طرح، ہزاروں یا لاکھوں AGI مثالوں کو "گروپ ایجنٹوں" یا ورچوئل ایجنٹ کی معیشتوں میں مربوط کرنے سے اجتماعی سپر انٹیلی جنس پیدا ہو سکتی ہے۔ مضمون کا استدلال ہے کہ فیلڈ کو "ملٹی ایجنٹ اسکیلنگ قوانین" کی ضرورت ہے - ابتدائی تحقیق سے کچھ کاموں پر واضح فوائد حاصل ہوتے ہیں، لیکن ہم آہنگی کی ناکامیاں آبادی کے بڑھنے کے ساتھ ساتھ کم منافع پیدا کرتی ہیں۔ بڑے اجتماعات کو چلانے کے لیے ادارہ جاتی ڈیزائن کی بھی ضرورت ہوگی، بشمول غلط معلومات، ہیرا پھیری اور ملی بھگت کے خلاف دفاع؛ بھیڑ کے تجربات پہلے ہی دکھا رہے ہیں کہ ایجنٹ دھوکہ دینا سیکھ رہے ہیں اور دوسرے وہسل بلورز کے طور پر کام کر رہے ہیں۔ دوبارہ خود ساختہ بہتری۔ سب سے پہلے I. J. Good اور Ray Solomonoff کے ذریعے بحث کی گئی، RSI نے AI کی آنے والی نسلوں کے لیے خود کار طریقے سے بہتری لانے والے AI سسٹمز کی وضاحت کی۔ عام ٹیکنالوجیز کے برعکس، AI میں بہتری براہِ راست بعد میں حاصل ہونے والے فوائد کو تیز کر سکتی ہے — لیکن تحقیقی پیشرفت بھی وقت کے ساتھ تلاش کرنا مشکل ہو جاتی ہے۔ آیا RSI بھاگنے والی سرعت پیدا کرتا ہے، مضمون کہتا ہے، "بڑے پیمانے پر ایک تجرباتی سوال" ہے اور یہ کوڈ اور ڈیزائنز - آرکیٹیکچرز، ٹریننگ الگورتھم، چپ لے آؤٹ - کے ساتھ ساتھ ڈیٹا کے ذریعے بھی کام کر سکتا ہے۔

فریمنگ کیوں اہم ہے۔

مضمون واضح طور پر تیاری کی دلیل ہے: AGI سے ASI تک ممکنہ سڑکوں کا نقشہ بنانا اور "ترقی کو ٹریک کرنے کے لیے سخت، قابل اعتماد طریقے" بنانا، Genewein کی فریمنگ میں، منتقلی پر حکومت کرنے کی شرط ہے۔ یہ ایک لمبی ڈیپ مائنڈ انسٹی ٹیوٹ کی رپورٹ کے ساتھ ہے، "AGI سے ASI تک۔"

استقبال فوری تھا۔ مضمون نے اشاعت کے ایک دن کے اندر ہیکر نیوز پر 85 پوائنٹس اور 160 سے زیادہ تبصرے حاصل کیے، جبکہ ٹریڈ پریس بشمول Unite.AI اور BigGo Finance نے چار راستوں کی درجہ بندی اور ملین گنا لاگت کے تصادم کی پیشن گوئی کو اجاگر کیا۔ یہ اس بارے میں وسیع تر شکوک و شبہات کے درمیان بھی اترتا ہے کہ سپر انٹیلی جنس کی پیشن گوئی کیسے کی جاتی ہے - IEEE سپیکٹرم نے اس ہفتے ایک ٹکڑا شائع کیا جس کا عنوان تھا "اے آئی سپرنٹیلیجنس بحث میں سنگین خامیاں ہیں۔"

یہ کشیدگی نقطہ ہے. ڈیپ مائنڈ کسی تاریخ پر ASI کی پیش گوئی نہیں کر رہا ہے۔ یہ بحث کر رہا ہے کہ منظر نامے کی جگہ کو اب نقشہ سازی، پیمائش، اور وائبس کے بجائے ثبوت کے ساتھ بحث کی جا سکتی ہے۔ چاہے اربوں گنا بڑھنے والے جسمانی چھتوں کے خلاف ہوں یا ٹوٹ جائیں، مضمون ایک تبدیلی کی نشاندہی کرتا ہے: سوال "AGI کے بعد کیا آتا ہے؟" فلسفہ سیمینار سے زمین پر سب سے زیادہ بااثر AI لیبز میں سے ایک کے تحقیقی ایجنڈے میں منتقل ہو گیا ہے۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →