AI ہائیو مائنڈ کو توڑنا: Flint کس طرح LLM گروپ تھنک کا مقابلہ کر رہا ہے

اگرچہ ChatGPT اور Claude جیسے بڑے لینگویج ماڈلز (LLMs) کوڈنگ اور تحقیق میں مہارت رکھتے ہیں، لیکن وہ تیزی سے ایک قابلِ پیش گوئی "گروپ تھنک" (groupthink) کے جال میں پھنستے جا رہے ہیں۔ جیسے جیسے مرکزی دھارے کے ماڈلز زیادہ امکان والے اور تکراری جوابات کی طرف مائل ہو رہے ہیں، ایک نیا اسٹارٹ اپ جنریٹو AI کے نظام میں بہت ضروری تنوع (divergence) پیدا کرنے کی کوشش کر رہا ہے۔

مسئلہ: "مصنوعی ہائیو مائنڈ" کا اثر

موجودہ LLM ڈویلپمنٹ میں ایک اہم حد ماڈلز کا اس رجحان کی طرف مائل ہونا ہے کہ وہ شماریاتی طور پر سب سے زیادہ ممکنہ جواب کی طرف جھک جائیں، جس سے ایک ایسا مظہر پیدا ہوتا ہے جسے محققین "مصنوعی ہائیو مائنڈ" (Artificial Hivemind) کہتے ہیں۔ NeurIPS ایوارڈ یافتہ ایک مقالہ، “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond),” نے اس گہری جڑ پکڑ چکی تکرار کو بے نقاب کیا ہے۔

ریسرچ ٹیم نے 25 مختلف LLMs کا تجربہ کیا، جن میں امریکہ کے بڑے ماڈلز اور چین کے اوپن سورس ورژن شامل تھے۔ جب "وقت" کے لیے ایک استعارہ فراہم کرنے کو کہا گیا، تو 1,250 جوابات میں سے اکثریت "وقت ایک دریا ہے" یا "وقت ایک بننے والا ہے" جیسے گھسے پٹے جملوں پر مرکوز تھی۔ تنوع کی یہ کمی محض ایک اتفاق نہیں ہے؛ بلکہ یہ ماڈلز کو اسی طرح کے ڈیٹا سیٹس پر تربیت دینے کا نتیجہ ہے جس کا بنیادی مقصد بھروسہ مندی اور تسلسل کو زیادہ سے زیادہ بڑھانا ہوتا ہے۔ OpenAI نے تسلیم کیا ہے کہ جدت (novelty) کے لیے زور دینے سے کبھی کبھی کمزور اور کم قابلِ بھروسہ جوابات مل سکتے ہیں، یہی وجہ ہے کہ زیادہ تر ماڈلز محفوظ اور "زیادہ امکان والے" نتائج کو ترجیح دیتے ہیں۔

Flint کا ظہور: پیش گوئی کے بجائے تنوع کو ترجیح دینا

آسٹریلوی اسٹارٹ اپ Springboards اپنے نئے ماڈل، Flint کے ذریعے اس صورتحال کو چیلنج کر رہا ہے۔ مرکزی دھارے کے ماڈلز کے برعکس جو ہر قیمت پر ہالوسینیشنز (hallucinations) سے لڑتے ہیں، Springboards کے CEO Pip Bingemann کا کہنا ہے کہ تخلیقی کاموں کے لیے غیر متوقع تنوع کی ایک حد تک ضرورت ہوتی ہے۔

عملی تجربات میں، آؤٹ پٹ کی تقسیم میں واضح فرق نظر آتا ہے:

  • بے ترتیبی (Randomness): جب ایک رینڈم نمبر مانگا گیا، تو ChatGPT اور Claude اکثر "7" پر رک گئے، جبکہ Flint نے اعلیٰ درستگی والے، غیر معیاری نمبر جیسے "3.7916" فراہم کیے۔
  • تخلیقی برانڈنگ: جب New Balance کے لیے ٹیگ لائن مانگی گئی، تو Claude اور ChatGPT دونوں نے "Run your way" تیار کیا، جبکہ Flint نے ایک الگ متبادل پیش کیا: "Built to last, run to win"۔
  • اسم کا انتخاب (Noun Selection): جہاں مرکزی دھارے کے ماڈلز Toyota یا Honda جیسے "محفوظ" برانڈز کی طرف جھکتے ہیں، وہاں Flint زیادہ وسیع رینج کا مظاہرہ کرتا ہے اور Ford F-150 جیسے کم قابلِ پیش گوئی اختیارات کا انتخاب کرتا ہے۔

پیشہ ور افراد کے لیے ایک تخلیقی ٹول

Springboards صرف ایک آزاد ماڈل نہیں بنا رہا؛ وہ اشتہارات اور مارکیٹنگ کے پیشہ ور افراد کے لیے ایک خصوصی ٹول تیار کر رہے ہیں۔ یہ پلیٹ فارم صارفین کو متعدد ماڈلز—بشمول ChatGPT اور Claude—کے نتائج کو یکجا کرنے اور نئے خیالات تخلیق کرنے کے لیے انہیں ملانے کی اجازت دیتا ہے۔ Flint اس نظام کے اندر ایک "تخلیقی کیٹاپلٹ" (creative catapult) کے طور پر کام کرتا ہے، جسے خاص طور پر صارفین کو ان کے موجودہ ذہنی ڈھانچوں (mental frameworks) سے باہر نکالنے کے لیے ڈیزائن کیا گیا ہے۔

77X کی چیف اسٹریٹیجی آفیسر Zoe Scaman نے نوٹ کیا کہ اگرچہ مرکزی دھارے کے ماڈلز اکثر وہی پرانے اور گھسے پٹے حل تجویز کرتے ہیں (جیسے کہ "مالیاتی خواندگی کو دلچسپ طریقے سے سکھانا")، Flint نقطہ نظر میں انقلابی تبدیلی فراہم کرتا ہے، جیسے کہ دولت کے حصول کے تصور کی مکمل ری برانڈنگ کا مشورہ دینا۔

اہم نکات

  • LLM ہم آہنگی (Homogeneity): ملتے جلتے تربیتی طریقوں کی وجہ سے بڑے ماڈلز ملتے جلتے اور قابلِ پیش گوئی جوابات کی طرف مائل ہو رہے ہیں، جس سے "مصنوعی ہائیو مائنڈ" کا اثر پیدا ہو رہا ہے۔
  • Flint کا طریقہ کار: Springboards کا Flint ماڈل جوابات کے تنوع اور اختلاف کو ترجیح دیتا ہے، جو اسے معیاری ماڈلز کے مقابلے میں برین اسٹارمنگ اور تخلیقی حکمت عملی کے لیے زیادہ موزوں بناتا ہے۔
  • بھروسہ مندی اور تخلیقیت کا توازن (The Reliability Trade-off): صنعت کو ماڈل کی بھروسہ مندی (زیادہ امکان والے حدود کے اندر رہنا) اور تخلیقی جدت (کم امکان والے، متنوع نتائج کو اپنانا) کے درمیان ایک بنیادی کشمکش کا سامنا ہے۔