ایک روبوٹ سے کہو "میرے لیپ ٹاپ پر کافی نہ پھینکو" اور آج کی مشینیں بالکل ایسا ہی کریں گی - اور کچھ نہیں۔ لیپ ٹاپ کے پاس بیٹھا فون؟ ٹیبل کے دوسری طرف ٹیبلٹ چارج ہو رہا ہے؟ روبوٹ کے ریڈار سے دور ہے جب تک کہ آپ ہر ایک کو ہجے نہیں کرتے، تکلیف دہ تصحیح کے ذریعے۔

ایم آئی ٹی اور نیویارک یونیورسٹی کے محققین کے ایک نئے پلیٹ فارم کا مقصد اس خلا کو ختم کرنا ہے۔ ایم آئی ٹی نیوز کے مطابق، FLEX نامی یہ نظام، حرکت کی منصوبہ بندی کرنے والے روبوٹس کو انسان کی واضح ہدایات پر عمل کرنے کے قابل بناتا ہے جبکہ ان سے وسیع تر عمومیات بھی اخذ کرتا ہے جو کارکردگی کو بہتر بناتے ہیں۔ ٹیم اس کام کو اس ماہ روبوٹ لرننگ (CoRL) پر سالانہ کانفرنس میں پیش کرے گی۔ For more context on this story, see our ongoing artificial intelligence updates.

ایم آئی ٹی کی کمپیوٹر سائنس اینڈ آرٹیفیشل انٹیلی جنس لیبارٹری (سی ایس اے آئی ایل) میں پوسٹ ڈاک اور مطالعہ کے مصنف ناتھن ڈینلر نے کہا کہ "ایل ایل ایمز نے انٹرنیٹ سے بہت ساری تحریریں دیکھی ہیں۔" "لوگوں نے اس کے بارے میں لکھا ہوگا، 'اوہ، میرا فون پانی میں گر گیا اور اب یہ کام نہیں کرتا،' یا 'میں نے اپنے کمپیوٹر پر کافی پھینکی اور اب یہ کام نہیں کرتی۔' لہٰذا ایل ایل ایم اس خیال کو قبول کرتے ہیں کہ مائعات کے علاوہ آلات کام نہ کرنے کا باعث بنتے ہیں۔"

ایک وارننگ سے لے کر پوری رول بک تک

ایم آئی ٹی نیوز کے بیان کردہ ایک مظاہرے کے منظر نامے میں، ایک شخص روبوٹک بازو کو کافی کپ اٹھائے ہوئے میز پر بے ترتیبی سے دیکھتا ہے اور ایک ہی حکم ٹائپ کرتا ہے: "لیپ ٹاپ پر نہ پھیلیں!" ایک روایتی روبوٹ لیپ ٹاپ کو اس سے بچنے کی فہرست میں شامل کرے گا اور اس کے راستے کو تبدیل کرے گا۔ FLEX مزید آگے بڑھتا ہے - روبوٹ اس بات کی وجوہات کیوں لیپ ٹاپ کی اہمیت رکھتا ہے اور قریبی الیکٹرانکس سے بچنے کے لیے اس کی رفتار کو ایڈجسٹ کرتا ہے، بشمول وہ فون جس کا صارف نے کبھی ذکر نہیں کیا۔

"خیال یہ ہے کہ آپ کے کہنے والے الفاظ کے پیچھے کچھ اعلی سطحی ارادہ ہے،" ڈینلر نے کہا۔ "لوگ فطری طور پر یہ حاصل کرتے ہیں۔ لیکن آپ کو ایک روبوٹ کو احتیاط سے سمجھانا ہوگا، جس میں وقت اور محنت درکار ہے۔ FLEX آپ کو روبوٹ کے ساتھ بات چیت کا ایک انٹرفیس فراہم کرتا ہے کہ 'جب لوگ یہ کہتے ہیں، تو ان کا مطلب یہ ہوتا ہے۔'"

اس مطالعہ کی قیادت MIT میں ایروناٹکس اور خلابازی کی اسسٹنٹ پروفیسر اینڈریا بوبو نے کی جو کولیبریٹو لرننگ اینڈ اٹانومی ریسرچ (CLEAR) لیب کی سربراہ ہیں۔ شریک مصنفین میں آڈری لی، جس نے 2026 میں MIT میں اپنا SM مکمل کیا، اور نیویارک یونیورسٹی کی Ilia Sucholutsky شامل ہیں۔

FLEX کیسے کام کرتا ہے: شامل کریں، عام کریں، ماسک

FLEX تین قدموں والی پائپ لائن کے طور پر کام کرتی ہے جو تقریباً پانچ سیکنڈ میں چلتی ہے۔

مرحلہ 1: شامل کریں۔

جب کوئی صارف فطری زبان کی تصحیح جاری کرتا ہے، تو روبوٹ متعلقہ فیچر کو اپنی چلتی ہوئی چیزوں کی فہرست میں شامل کرتا ہے جو کام کے لیے اہم ہیں۔ اگر کوئی شخص کہے "اسے میرے پیالا پر مت گراؤ!" جب روبوٹ بولنگ گیند لے جاتا ہے، مگ اجتناب کی فہرست میں شامل ہو جاتا ہے اور روبوٹ اپنی رفتار کو اپ ڈیٹ کرتا ہے۔ یہ قدم اس بات کی عکاسی کرتا ہے کہ پچھلے طریقوں نے ہمیشہ کیسے کام کیا ہے - اور یہیں سے ان کی پریشانی شروع ہوتی ہے۔

"مسئلہ تب ہوتا ہے جب آپ کی فیچر لسٹ بہت لمبی ہو جاتی ہے، اور کچھ فیچرز مزید متعلقہ نہیں رہتے کیونکہ ہو سکتا ہے آپ کا ماحول بدل گیا ہو،" ڈینلر نے MIT نیوز کو بتایا۔ ہر چیز سے بچنے کے لیے کہا جانے والا روبوٹ انفرادی طور پر درست کرنے میں سست اور منصوبہ بندی میں سست ہوجاتا ہے، اور گنتی کا بوجھ انسان پر پڑتا ہے۔

مرحلہ 2: عام کریں۔

یہ FLEX کی بنیادی شراکت ہے۔ زبان کا ایک بڑا ماڈل — GPT-4o، ٹیم کے نفاذ میں — جمع کردہ فیچر لسٹ کا جائزہ لیتا ہے اور آئٹمز میں پیٹرن تلاش کرتا ہے۔ ایک پیالا کے علاوہ دیگر نازک چیزوں کا سامنا کرتے ہوئے جس نے اس شخص کو جھنڈا لگایا ہے، ایل ایل ایم ایک عام طبقے کا اندازہ لگاتا ہے: نازک چیزوں سے پرہیز کریں، یہاں تک کہ جن کا کبھی ذکر نہیں کیا گیا ہے۔ چونکہ انسانی متن کی وسیع لائبریریوں پر تربیت یافتہ ماڈل، روزمرہ کی عقل کا زیادہ تر حصہ پہلے سے نصب ہوتا ہے۔

ڈینلر نے کہا، "ایل ایل ایمز نے انٹرنیٹ سے، ہر طرح کے لوگوں اور جگہوں سے بہت ساری تحریریں دیکھی ہیں۔" "چونکہ انہوں نے ان چیزوں پر بہت زیادہ تربیت حاصل کی ہے، اس لیے اس میں سے کچھ عقل LLM میں جذب ہو جاتی ہے۔"

مرحلہ 3: ماسک

حقیقی ماحول بدل جاتا ہے، اور باسی اصول بے ترتیب رویے کا سبب بنتے ہیں۔ FLEX کا تیسرا مرحلہ روبوٹ کے معیاری کمپیوٹر ویژن سسٹم کا استعمال کرتا ہے تاکہ یہ معلوم کیا جا سکے کہ کون سی پرچم والی اشیاء اب موجود نہیں ہیں، پھر ان اندراجات کو خصوصیات کی فہرست سے حذف کر دیتا ہے - انسانی مداخلت کے بغیر روبوٹ کی رکاوٹوں کو موجودہ رکھتے ہوئے۔

کافی، کینڈل اور باؤلنگ بال سمولیشنز میں ٹیسٹ کیا گیا۔

ٹیم نے تین کام انجام دینے والے روبوٹ بازو کی نقالی میں FLEX کا جائزہ لیا: ایک کپ کافی پیش کرنا، موم بتی ہلانا، اور باؤلنگ گیند لے جانا۔ رضاکاروں نے ورچوئل روبوٹ کے ساتھ فطری زبان کے کمانڈز ٹائپ کر کے بات چیت کی جیسے "میرے لیپ ٹاپ پر نہ پھیلیں"، "کاغذ کے ڈھیر سے دور رہیں" اور "مگ پر نہ گریں۔"

تینوں منظرناموں میں، روبوٹ نے لفظی طور پر ہر حکم کی پیروی کی جبکہ ایک اعلیٰ سطح پر استدلال بھی کیا — لیپ ٹاپ کے بارے میں خبردار کرنے پر الیکٹرانکس کو صاف کرنا، موم بتی کو دیکھنے کے لیے کہنے پر آتش گیر اشیاء سے گریز کرنا، اور ایک ہی مگ وارننگ کے بعد تمام نازک اشیاء کو نو ڈراپ زون کے طور پر علاج کرنا۔

ہوم روبوٹس کے لیے کامن سینس کیوں رکاوٹ ہے۔

تحقیق صارفین کے روبوٹکس میں ایک مستقل رکاوٹ کو نشانہ بناتی ہے: کوئی بھی ایسا روبوٹ نہیں بھیجتا جو پہلے ہی جانتا ہو کہ آپ کے گھر میں کیا اہمیت ہے۔ طبیعیات پر مبنی رفتار کی منصوبہ بندی بالکل درست لیکن مبہم ہے، اور صارفین سے ریاضیاتی لاگت کے افعال میں ہیرا پھیری کی توقع رکھنا ایک غیر سٹارٹر ہے۔

ڈینلر نے کہا کہ "روبوٹس اپنی رفتار کی منصوبہ بندی کرنے کے لیے ریاضی کا استعمال کرتے ہیں۔ لیکن ہم کسی صارف سے یہ توقع نہیں کر سکتے کہ وہ روبوٹ کو بتانے کے لیے یہ ریاضی سیکھے کہ کیا کرنا ہے۔" "لوگوں کو روبوٹ کو مخصوص طریقے سے استعمال کرنے کا طریقہ سیکھنے کے بجائے، مقصد قدرتی زبان کے ذریعے روبوٹ کے ساتھ بات چیت کرنا ہے۔"

روبوٹکس ریسرچ کا ایک بڑا حصہ پہلے سے ہی روبوٹ سیکھنے میں زبان بناتا ہے — کام کے اہداف کو واضح کرنا، رفتار کو ری ڈائریکٹ کرنا، محفوظ راستوں کی وضاحت کرنا۔ لیکن MIT نیوز نوٹ کرتا ہے کہ وہ موجودہ طریقے زبان کا استعمال بنیادی طور پر روبوٹ کو یہ بتانے کے لیے کرتے ہیں کہ جسمانی طور پر کسی کام کو کیسے انجام دیا جائے۔ بوبو کا گروپ ایک مختلف محاذ پر آگے بڑھ رہا ہے: مٹھی بھر آرام دہ حکموں سے کسی شخص کی بنیادی، غیر متعینہ ترجیحات کو نکالنا۔

بوبو نے MIT نیوز کو بتایا کہ "ہر ایک کے گھر مختلف ہوتے ہیں، اور ہر کوئی مختلف چیزوں کا خیال رکھتا ہے، اس لیے کوئی روبوٹ یہ جان کر باہر نہیں آتا کہ آپ کے لیے کیا اہمیت رکھتا ہے۔" "FLEX کے بارے میں جو چیز مجھے پرجوش کرتی ہے وہ یہ ہے کہ یہ آپ سے ہر قاعدہ کو ہجے کرنے کے لئے کہنے کے بجائے اسے ایک یا دو جملے سے اٹھا سکتا ہے - اور یہ ایک روبوٹ کے درمیان فرق ہے جو لوگ اپنے گھر میں چاہتے ہیں۔"

آگے کیا آتا ہے۔

کام، جس کی تفصیل مقالے میں "لچکدار زبان سے رہنمائی کی گئی نمائندگی کی تدوین برائے موافقت پذیر روبوٹ رویے،" کی جزوی طور پر MIT جنریٹیو AI امپیکٹ کنسورشیم اور MIT Schwarzman College of Computing's Social and Ethical Responsibilities of Computing Program سے تعاون کیا گیا۔

اب تک دکھائے گئے نتائج نقلی ہیں، اور اس کارکردگی کو فزیکل ہارڈویئر میں ترجمہ کرنا — گستاخانہ تاثرات، شور کی زبان اور حقیقی نتائج کے ساتھ — فیلڈ کی اگلی رکاوٹ ہے۔ لیکن سمت واضح ہے: جیسے ہی روبوٹ فیکٹری کے پنجروں سے کچن اور دفاتر میں منتقل ہوتے ہیں، وہ مشینیں کامیاب ہو سکتی ہیں جو نہ صرف یہ سمجھیں کہ ہم کیا کہتے ہیں، بلکہ ہمارا مطلب کیا ہے۔

یہ مضمون جینیفر چو کی رپورٹنگ پر مبنی ہے، جسے MIT نیوز نے 9 نومبر 2026 کو شائع کیا تھا۔

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →