اوپن اے آئی کے شریک بانی جان شولمین، جو اب تھنکنگ مشینوں میں چیف سائنٹسٹ کے طور پر خدمات انجام دے رہے ہیں، نے کہا کہ وہ تقریباً تین سے چار سالوں میں بار بار خود کو بہتر بنانے کی توقع رکھتے ہیں - AI سسٹمز اپنی ترقی کو تیز کرتے ہیں - ایک ٹائم لائن جو اسے میدان میں زیادہ جارحانہ پیشن گوئی کرنے والوں میں شامل کرتی ہے۔ شلمین نے یہ تخمینہ جمعہ کو شائع ہونے والے دروکش پوڈ کاسٹ کے ایک گول میز ایپی سوڈ کے دوران دیا، جس میں تین فرنٹیئر لیب محققین نے کھل کر بحث کی کہ صنعت درحقیقت اپنی حد سے کتنی قریب ہے۔
گفتگو نے اس بات پر ایک غیر محفوظ نظر پیش کی کہ کس طرح سرحد کے قریب محققین ترقی کے بارے میں سوچ رہے ہیں، ایک شور مچانے والے ہفتے کے درمیان پہنچے جس میں Nvidia کے سی ای او جینسن ہوانگ نے اعلان کیا کہ "AGI آ گیا ہے" اور 25 فیلڈز میڈلسٹ کے ایک گروپ نے خبردار کیا کہ AI بینچ مارک کا پیچھا کرنا ریاضی کو نقصان پہنچا رہا ہے۔ تازہ ترین AI پیش رفت سے باخبر رہنے والے قارئین کے لیے، ایپی سوڈ ایک کارآمد کاؤنٹر ویٹ ہے: یہ وہ لوگ ہیں جو سسٹم بنا رہے ہیں، اور وہ ایک دوسرے سے شدید اختلاف کرتے ہیں۔
میز پر کون تھا۔
میزبان دوارکیش پٹیل نے کہا کہ انہوں نے پینل کو اس لیے اکٹھا کیا کیونکہ مہمان ان میں کام کرتے ہیں جسے انہوں نے "کسی حد تک کھلی لیبز اور کمپنیاں" کہا، یعنی وہ ریکارڈ پر بات کر سکتے ہیں۔ Schulman میں شامل ہونے والوں میں Zyphra کے چیف ٹیکنالوجی آفیسر، اوپن سورس ماڈل تیار کرنے والے ایک سٹارٹ اپ، بیرن ملج اور بیسٹن میں ماڈل ٹریننگ کے سربراہ چارلی او نیل شامل تھے۔
Schulman کی اسناد اس کی ٹائم لائن بات کو خاص وزن دیتی ہیں۔ انہوں نے اوپن اے آئی کی مشترکہ بنیاد رکھی اور تھنکنگ مشینوں کے لیے روانہ ہونے سے پہلے، جہاں وہ اب چیف سائنٹسٹ کے طور پر خدمات انجام دے رہے ہیں، انسانی تاثرات کی تحقیق سے کمک سیکھنے کی قیادت کی جس نے ChatGPT کے پیچھے تکنیک تیار کی۔
واحد کے خلاف مقدمہ، سٹیل مینڈ
پٹیل نے ایک واضح سوال کے ساتھ آغاز کیا: اگر 2036 اربوں سپر انٹیلیجنٹ سسٹمز کے بغیر دنیا کو تبدیل کردے تو اس کی تکنیکی وجہ کیا ہوگی؟ ملج نے شکوک و شبہات کا سب سے مضبوط مقدمہ پیش کیا، اس کی وضاحت کرتے ہوئے جسے اس نے تقریباً موراویک کے پیراڈوکس طرز کا نمونہ کہا جس میں ماڈلز جو بھی معیارات محققین کے سامنے رکھتے ہیں، اس کے باوجود حقیقی دنیا کے اثرات مایوس کن ہیں۔
"ابھی بھی کچھ مستقل سم سے حقیقی فرق موجود ہے جو کسی نہ کسی طرح ہر چیز کو روک رہا ہے،" ملج نے کہا، ایک ایسی دنیا کی وضاحت کرتے ہوئے جہاں AI "ہر چیز میں بہت اچھا ہو جاتا ہے جسے لوگ ایک معیار میں ڈالتے ہیں" بغیر مزید عام کیے جاتے ہیں۔ انہوں نے مزید کہا کہ وہ اس نتیجہ کو غیر ممکن سمجھتے ہیں، اس ثبوت کی طرف اشارہ کرتے ہوئے کہ کمک سیکھنے کو عملی طور پر پہلے سے ہی عام کیا جاتا ہے۔
شلمین نے بڑی حد تک اتفاق کیا کہ پیشرفت خودکار نہیں ہے۔ انہوں نے کہا کہ انسان آج کے ماڈلز پر حقیقی فائدے رکھتے ہیں، اور ہر نئے ماڈل کی ریلیز کچھ علاقوں میں پہنچ جاتی ہے جبکہ باقیوں میں رکاوٹ رہتی ہے - وہ نمونہ جس نے پچھلے کئی پروڈکٹ سائیکلوں کی وضاحت کی ہے۔
ریپڈ فائر ٹائم لائنز: دو سال، تین سے چار، پانچ سے دس
جب پٹیل نے نمبروں کے لیے دباؤ ڈالا تو پینل تقسیم ہو گیا۔ یہ پوچھے جانے پر کہ کب AI کسی قابل وائٹ کالر ورکر کے لیے پیداواری صلاحیت میں دس گنا اضافہ کر سکتا ہے، شولمین نے پہلے ایک بھی اعداد و شمار دینے سے انکار کیا، پھر کہا کہ "میں دو سال کہوں گا۔" ملج نے کہا کہ وہ "اس قسم کو دیکھ سکتے ہیں، حقیقت میں،" یہ دلیل دیتے ہوئے کہ فائدہ پہلے سے ہی کچھ قسم کے کام کے لیے 10x سے زیادہ ہے۔ O'Neill سب سے زیادہ قدامت پسند تھا، "5 سے 10" سال کا جواب دیتا تھا۔
پٹیل نے اس کے بعد اس منظر نامے کو "بنیادی طور پر صرف ASI" قرار دیتے ہوئے مزید آگے بڑھایا۔ شلمین کا جواب: "میں 3-4 سال کہوں گا،" انہوں نے مزید کہا کہ AI تحقیق کو خود کار بنانا "AI کے لیے مشکل ترین چیزوں میں سے ایک نہیں ہے، کیونکہ اس میں بہت سے کام شامل ہیں" جس سے موجودہ تکنیک پہلے ہی پہنچ سکتی ہے۔ یہ تبادلہ اس بات کے لیے قابل ذکر تھا کہ دوسرے محققین کی جانب سے تخمینہ کتنا کم پش بیک ہوا۔
خودکار محققین کو اصل میں کس طرح تربیت دی جائے گی۔
اس واقعہ کا ایک اہم حصہ جس میں Schulman منظر نامے کے میکانکس سے نمٹا گیا تھا اس میں قیمتوں کا تعین کیا گیا تھا۔ یہ پوچھے جانے پر کہ AI تحقیق کو خودکار بنانے کے قابل AI سسٹمز کو کس طرح تربیت دی جائے گی، Schulman نے بیان کیا کہ "انسانی تاثرات سے سیکھنے کا کچھ امتزاج محققین کے ذوق کو جذب کرنے کے لیے، اور صرف بہت سے مشق کرنے والے ماحول کو تخلیق کرنا ہے۔"
یہ جواب اس سے جڑتا ہے کہ انڈسٹری کا پیسہ کہاں جا رہا ہے۔ میکانائز کے لیے گوگل کا حال ہی میں مکمل کیا گیا ڈیل، ایک اسٹارٹ اپ جو تربیتی ایجنٹوں کے لیے کام کرنے کے لیے نقلی ماحول تیار کرتا ہے، بالکل اس شرط کی عکاسی کرتا ہے کہ بہتر تربیتی بنیادیں - نہ صرف بڑے ماڈلز - صلاحیت کے حصول کے اگلے دور کو آگے بڑھائیں گے۔ Schulman نے ایک بنیادی مشکل کو بھی نشان زد کیا: قدرتی ڈیٹا پر بنائے گئے انعامی افعال کی وضاحت کرنا مشکل ہے، اور سطحی سگنل جیسے کہ آیا صارف نے کوڈ میں ترمیم کو قبول کیا ہے تربیت کو گمراہ کر سکتا ہے۔
آسون بمقابلہ مرکزیت
شلمین کی سب سے ٹھوس پیشین گوئیوں میں سے ایک صنعت کے ڈھانچے سے متعلق ہے۔ "میرے خیال میں ڈسٹلیشن بنیادی چیز ہے جو سنٹرلائزنگ فورس کے خلاف لڑتی ہے،" انہوں نے یہ دلیل دیتے ہوئے کہا کہ کمک سیکھنے کے ذریعے سیکھی گئی صلاحیتوں کو نسبتاً آسانی سے چھوٹے ماڈلز میں منتقل کیا جا سکتا ہے، جو فرنٹیئر سے ملحقہ قابلیت کو ان چند کمپنیوں سے باہر پھیلاتا ہے جو فرنٹیئر ٹریننگ چلانے کی متحمل ہو سکتی ہیں۔
اس سوال پر کہ انسانوں کے لیے کیا باقی ہے، شولمین واضح تھا۔ "میں یہ کہوں گا کہ انسانوں کے لیے آخری کام، یا انسانوں کے لیے وہ کردار جو سب سے طویل رہے گا، مقصد کی وضاحت کرنا اور یہ فیصلہ کرنا ہے کہ ہم اصل میں کیا چاہتے ہیں،" انہوں نے کہا۔ جب پٹیل نے خلاصہ کیا کہ "صف بندی حتمی کام ہے"، شولمین نے اتفاق کیا: "سدھ میں ہونا ایک طرح کا جواب ہے،" جبکہ یہ نوٹ کرتے ہوئے کہ یہ صحیح مقصد کو تلاش کرنے اور پھر حقیقت میں اسے حاصل کرنے میں گل جاتا ہے۔
جہاں قسط ٹائم لائن کی بحث میں فٹ بیٹھتی ہے۔
ایپی سوڈ کا ذیلی عنوان - "ہم کہیں بھی زیادہ سے زیادہ حد کے قریب نہیں ہیں" - اس کی مجموعی مدت کو پکڑتا ہے: محققین جو آگے کافی رن وے دیکھتے ہیں، یہاں تک کہ وہ اس بات پر اختلاف کرتے ہیں کہ راستہ کتنا مشکل ہوگا۔ اس بحث کا دائرہ اس بات پر تھا کہ چینی لیبز کی ترقی کو کس چیز سے آگے بڑھایا جا رہا ہے، کیا لانگ ہورائزن ری انفورسمنٹ لرننگ عام ذہانت کو حاصل کر سکتی ہے، اور کیوں RL نے اسی طرح کام کرنا شروع کر دیا ہے۔
ٹائم لائنز پر عوامی بحث اس ماہ ہر طرف سے تیز ہو گئی ہے۔ ہوانگ کے "AGI آ گیا ہے" کے اعلان نے تجزیہ کاروں کی طرف سے شکوک و شبہات کو جنم دیا جنہوں نے اسے سائنسی دعوے کے بجائے ایک کاروباری کیس کے طور پر پڑھا، جب کہ OpenAI کے سی ای او سیم آلٹ مین نے عملے کو بتایا کہ کمپنی حفاظتی خدشات بڑھنے کے باعث جدید ترقی کو سست کرنے کے لیے تیار ہے، بلومبرگ کے مطابق۔ Schulman کی بار بار خود کو بہتر بنانے کے لیے تین سے چار سال کی کھڑکی مارکیٹنگ اور موقوف کے درمیان کہیں بیٹھی ہے - کسی ایسے شخص کی جانب سے کام کرنے کا تخمینہ جس کے پاس اب فیلڈ کو چلانے والی تکنیکوں کی تعمیر کا ٹریک ریکارڈ ہے۔
آیا وہ صحیح ہے یا نہیں اس کا انحصار ان سوالات پر ہوگا جس کا صرف پینل نے چکر لگایا ہے: آیا کمک سیکھنا اپنے تربیتی ماحول کو عام کرتا رہتا ہے، اور آیا بینچ مارک کی کارکردگی اور حقیقی معاشی قدر کے درمیان فرق بند ہوتا جا رہا ہے۔
AI سے آگے رہیں
فرنٹیئر محققین عوام میں AI کی حدود پر بحث کر رہے ہیں - کہانی کی ترقی کے ساتھ ہی اس کی پیروی کریں۔
AI Buzz Wire پر مزید AI خبریں پڑھیں
