سٹارٹ اپ سائنس کی دریافت کے لیے AI تیار کرنے کے لیے ایک نئی چال کی کوشش کر رہا ہے۔
سٹارٹ اپ سائنس کی دریافت کے لیے AI تیار کرنے کے لیے ایک نئی چال کی کوشش کر رہا ہے۔
سائنس کی دریافت کے لیے مصنوعی ذہانت کو تیار کرنا ٹیک جنات کے لیے ایک یادگار ہدف بن گیا ہے۔ OpenAI اور Anthropic جیسی کمپنیوں نے طب، حیاتیات، اور طبیعیات میں AI کامیابیوں کے وعدوں کے ساتھ دسیوں اربوں کی فنڈنگ حاصل کی ہے۔ تاہم، سچی AI سے چلنے والی سائنسی دریافت اب بھی مضمر ہے، جیسا کہ ماضی کے واقعات سے ظاہر ہوتا ہے جیسے کہ ChatGPT سے پیدا شدہ ریاضی کی تلاش۔ بنیادی چیلنج، ماہرین کے مطابق، یہ ہے کہ موجودہ بڑے لینگوئج ماڈلز (LLMs) میں خود مختار طور پر نیا سائنسی علم پیدا کرنے کی اندرونی صلاحیت کا فقدان ہے۔
کیوں بڑی AI لیبز سائنسی دریافت کے ساتھ جدوجہد کر رہی ہیں۔
مارکس بوہلر، ایک MIT انجینئرنگ پروفیسر، آج کے جدید AI میں ایک بنیادی حد کی نشاندہی کرتا ہے۔ اس کا استدلال ہے کہ OpenAI اور Anthropic کے ماڈلز پاورنگ سسٹم حقیقی دریافت کے لیے ڈیزائن نہیں کیے گئے ہیں۔ ان کا فن تعمیر موجودہ ڈیٹا سے پیٹرن کی شناخت پر مبنی ہے، نئے نظریات یا مفروضے بنانے پر نہیں۔
پچھلے موسم خزاں میں اس کی واضح طور پر عکاسی کی گئی تھی جب ChatGPT کے ذریعہ ریاضیاتی دریافت کو فوری طور پر ختم کردیا گیا تھا۔ ایپی سوڈ نے AI کی تجزیاتی طاقت اور اس کی تخلیقی، دریافت پر مبنی سوچ کے درمیان فرق کو اجاگر کیا۔ یہ ایک چیلنج ہے جو AI کی دیگر کوششوں کی یاد دلاتا ہے جہاں ٹیکنالوجی اصلیت کے ساتھ جدوجہد کرتی ہے، بالکل اسی طرح جیسے کہ AI 'اداکار' ٹلی نورووڈ کو حقیقی تخلیقی صلاحیتوں کی کمی کی وجہ سے تنقید کا سامنا کرنا پڑا۔
موجودہ AI ماڈلز کے ساتھ بنیادی مسئلہ
بڑے لینگویج ماڈلز پروسیسنگ اور ریگرگیٹنگ معلومات میں مہارت رکھتے ہیں۔ وہ اپنے تربیتی ڈیٹا کی بنیاد پر متن کا خلاصہ کرسکتے ہیں، سوالات کے جوابات دے سکتے ہیں، اور یہاں تک کہ کوڈ بھی لکھ سکتے ہیں۔ تاہم، وہ اس کی حدود میں کام کرتے ہیں جو وہ پہلے ہی سیکھ چکے ہیں۔
سائنسی دریافت، اپنی نوعیت کے مطابق، نامعلوم میں قدم رکھنے کی ضرورت ہے۔ اس میں مختلف شعبوں کے درمیان نئے روابط قائم کرنا اور ایسے خیالات کی تجویز کرنا شامل ہے جو کسی بھی تربیتی ڈیٹاسیٹ میں موجود نہیں ہیں۔ یہ ایک ایسی چھلانگ ہے جو مواد کی تخلیق اور آٹومیشن پر مرکوز موجودہ تخلیقی AI، بنانے کے لیے نہیں بنایا گیا ہے۔ انڈسٹری ترقی کر رہی ہے، جیسا کہ ورڈپریس گٹنبرگ اپ ڈیٹ جیسی پیش رفت کے ساتھ دیکھا گیا ہے جس میں اے آئی کی اشاعت کے لیے بنیاد رکھی گئی ہے، لیکن دریافت کے لیے بنیادی چیلنج باقی ہے۔
غیر معقول لیبز کا تعارف: سائنس کے لیے AI کے لیے ایک نیا نقطہ نظر
اس خلا کو دور کرنے کے لیے، پروفیسر بوہلر نے گوگل ڈیپ مائنڈ کے سابق سینئر اسٹاف ریسرچ سائنسدان یوآن کاو کے ساتھ غیر معقول لیبز کی مشترکہ بنیاد رکھی۔ سٹارٹ اپ کا مقصد سائنسی دریافت کے لیے AI کو تیار کرنے کے لیے بنیادی طور پر مختلف نقطہ نظر کو آگے بڑھانا ہے۔ مکمل طور پر ڈیٹا کے بڑے پیمانے پر ادخال پر انحصار کرنے کے بجائے، وہ ایسے نظام بنا رہے ہیں جو بین الضابطہ استدلال کے قابل ہوں۔
غیر معقول لیبز نے حال ہی میں پلے گراؤنڈ گلوبل کی قیادت میں فنڈنگ راؤنڈ میں $13.5 ملین حاصل کیے ہیں۔ راؤنڈ میں AIX وینچرز، E14 فنڈ، اور MS&AD وینچرز نے شرکت کی۔ یہ اہم سرمایہ کاری ان کے نئے طریقہ کار پر مارکیٹ کے یقین کو واضح کرتی ہے۔
سائنس کی تاریخ میں "آہا" لمحات سے سیکھنا
بوہلر کا مفروضہ یہ ہے کہ بہت سی عظیم دریافتیں "آہا" لمحات سے پیدا ہوتی ہیں۔ یہ ایسی مثالیں ہیں جہاں ایک سائنس دان ایک مکمل طور پر مختلف ڈومین میں کسی مسئلے کو حل کرنے کے لیے ایک فیلڈ سے نظریہ یا تصور کا اطلاق کرتا ہے۔ خیالات کا یہ کراس پولینیشن کامیابیوں کی کلید ہے۔
اس کی ایک بہترین مثال جان ہاپ فیلڈ کا 1982 میں کام ہے۔ اس نے مصنوعی ذہانت کے اس وقت کے نوزائیدہ شعبے میں کنڈینسڈ مادے کی طبیعیات سے تصورات کا اطلاق کیا۔ اس سے ہاپ فیلڈ نیٹ ورکس کی ترقی ہوئی، ایک قسم کا اعصابی نیٹ ورک جو یادوں کو سیکھنے اور یاد کرنے کے قابل ہے۔ یہ ایک انقلابی خیال تھا جو غیر متعلقہ شعبوں کو جوڑنے سے پیدا ہوا تھا۔
غیر معقول لیبز کی AI مین اسٹریم ماڈلز سے کس طرح مختلف ہے۔
غیر معقول لیبز میں تیار کردہ AI بین الضابطہ بصیرت کے لیے اس انسانی صلاحیت کی نقل کرنے کے لیے ڈیزائن کیا گیا ہے۔ ان کا مقصد زبان کا ایک بڑا ماڈل بنانا نہیں ہے بلکہ ایک ایسا نظام بنانا ہے جو سائنسی ڈومینز میں استدلال کر سکے۔
بین الضابطہ علمی گرافس: صرف متن پر تربیت دینے کے بجائے، ان کا AI متعدد سائنسی شعبوں، حیاتیات سے طبیعیات تک کے ساختی علم کو مربوط کرتا ہے۔ اینالاجیکل ریزننگ انجن: بنیادی ٹیکنالوجی بظاہر غیر متعلقہ تصورات کے درمیان تشبیہات اور مماثلتوں کو تلاش کرنے پر مرکوز ہے، جو سائنسی اختراع کا ایک اہم محرک ہے۔ مفروضہ جنریشن: اس نظام کو قابل آزمائش سائنسی مفروضے تجویز کرنے کے لیے ڈیزائن کیا گیا ہے، نہ کہ صرف موجودہ ڈیٹا کا تجزیہ کرنا۔
یہ نقطہ نظر بڑے کے حصول کی حکمت عملیوں سے ایک اہم رخصتی کی نمائندگی کرتا ہے۔ٹیک فرمیں، جیسا کہ AI سٹارٹ اپ Forethought کے Zendesk کا حصول، جو اکثر دریافت کی نئی شکلوں کو آگے بڑھانے کے بجائے موجودہ کسٹمر سروس ایپلی کیشنز کو بہتر بنانے پر توجہ مرکوز کرتی ہے۔
اے آئی سے چلنے والی دریافت کا مستقبل
اگر کامیاب ہو جائے تو، غیر معقول لیبز کی ٹیکنالوجی اہم شعبوں میں تحقیق کو تیز کر سکتی ہے۔ ایک AI کا تصور کریں جو کیمسٹری اور جینیات کے اصولوں کو ملا کر ایک نئی دوا کا مرکب تجویز کر سکے۔ یا ایک ایسا ماڈل جو نینو ٹیکنالوجی اور تھرموڈینامکس کے تصورات کو جوڑ کر پائیدار توانائی کے لیے ایک نیا مواد تجویز کرتا ہے۔
ممکنہ ایپلی کیشنز وسیع ہیں، طبی تحقیق کو تیز کرنے سے لے کر پیچیدہ ماحولیاتی چیلنجوں کو حل کرنے تک۔ یہ AI کے لیے اگلی سرحد کی نمائندگی کرتا ہے، جو آٹومیشن سے آگے بڑھ کر انسانی آسانی میں حقیقی شراکت دار بنتا ہے۔
نتیجہ: اے آئی انوویشن کی اگلی لہر
سائنس کی دریافت کے لیے AI تیار کرنے کی دوڑ تیز ہو رہی ہے، لیکن حقیقی کامیابی غیر معقول لیبز جیسے خصوصی اسٹارٹ اپس کے ساتھ ہو سکتی ہے۔ بین الضابطہ استدلال پر ان کی توجہ موجودہ بڑے زبان کے ماڈلز کی حدود سے باہر ایک امید افزا راستہ پیش کرتی ہے۔ ایک ایسی AI بنانے کا سفر جو واقعی دریافت کر سکتا ہے۔
AI اور ٹیکنالوجی میں تازہ ترین ایجادات کے بارے میں اپ ڈیٹ رہیں۔ مزید بصیرت کے لیے اور اس مضمون کو آسانی سے شیئر کرنے کے لیے، اپنے پسندیدہ مواد کو درست کرنے کے لیے Seemless پر اپنا مفت لنک-ان-بائیو صفحہ بنائیں۔
