LLM گروپ تھنک کو توڑنا: Springboards کس طرح AI تخلیقی صلاحیتوں کی نئی تعریف کر رہا ہے

اگرچہ عام بڑے لینگویج ماڈلز (LLMs) منطق اور کوڈنگ میں مہارت رکھتے ہیں، لیکن وہ ایک وسیع پیمانے پر پھیلے ہوئے "گروپ تھنک" (groupthink) کے مسئلے کا شکار ہیں جو تخلیقی کاموں میں ان کی افادیت کو محدود کر دیتا ہے۔ ایک نیا اسٹارٹ اپ OpenAI اور Google جیسے صنعتی دیو ہیکل اداروں کے قابلِ پیش گوئی پیٹرنز کو چیلنج کرنے کے لیے میدان میں آ رہا ہے۔

LLMs میں پیش گوئی کے قابل ہونے کا مسئلہ

اگر آپ ChatGPT، Claude، یا Gemini جیسے کسی معروف چیٹ بوٹ سے کہیں کہ "1 سے 10 کے درمیان کوئی بھی نمبر منتخب کریں"، تو آپ کو تقریباً یقینی طور پر نمبر 7 ہی ملے گا۔ یہ کوئی اتفاق نہیں ہے؛ بلکہ یہ موجودہ LLM آرکیٹیکچرز میں موجود فطری تعصب اور "گروپ تھنک" کی علامت ہے۔ یہ ماڈلز ایسے وسیع ڈیٹا سیٹس پر تربیت یافتہ ہیں جو شماریاتی طور پر سب سے زیادہ ممکنہ اگلے ٹوکن (token) کو ترجیح دیتے ہیں، جس کے نتیجے میں جوابات اکثر محفوظ، تکراری اور قابلِ پیش گوئی ہوتے ہیں۔

ڈیولپرز اور محققین کے لیے، یہ قابلِ پیش گوئی ہونا ان کاموں کے لیے ایک اثاثہ ہے جن میں اعلیٰ درستگی کی ضرورت ہوتی ہے، جیسے کہ کوڈ کی غلطیاں درست کرنا (debugging) یا تکنیکی مقالوں کا خلاصہ کرنا۔ تاہم، ان صارفین کے لیے جو آئیڈیاز کے لیے ساتھی (brainstorming partners)، ٹریول پلانرز، یا تخلیقی معاونین تلاش کر رہے ہیں، یہ "ایک ہی ڈھانچے میں پھنس جانا" ایک رکاوٹ کا کام کرتا ہے۔ جب ایک AI سب سے واضح جواب دینے پر اکتفا کر لیتا ہے، تو وہ حقیقی جدت کے لیے ضروری 'تنوع پر مبنی سوچ' (divergent thinking) فراہم کرنے میں ناکام رہتا ہے۔

Springboards اور Flint ماڈل

آسٹریلوی اسٹارٹ اپ Springboards اس اوسط درجے کی کیفیت کے چکر کو توڑنے کی کوشش کر رہا ہے۔ سب سے زیادہ ممکنہ جواب کے حصول کے بجائے، کمپنی نے Flint نامی ایک خصوصی LLM تیار کیا ہے۔

Flint کو خاص طور پر عام ماڈلز میں پائے جانے والے گروپ تھنک کا مقابلہ کرنے کے لیے ڈیزائن کیا گیا ہے۔ اس کے تربیت کے مقصد کا مرکز کھلے سوالات (open-ended queries) کے لیے جوابات کی ایک وسیع اقسام فراہم کرنا ہے۔ مثال کے طور پر، جب اسے "مجھے یورپ میں کہاں جانا چاہیے؟" جیسا سوال دیا جائے، تو Flint کو اس طرح ڈیزائن کیا گیا ہے کہ وہ عام اور گھسے پٹے مقامات (جیسے پیرس یا روم) کے بجائے زیادہ متنوع اور کم معروف تجاویز پیش کرے۔ شماریاتی امکانات کی حدود کو جان بوجھ کر آگے بڑھا کر، Springboards کا مقصد چیٹ بوٹس کو "واضح" جوابات سے ہٹا کر حقیقی تخلیقی افادیت کی طرف لے جانا ہے۔

صنعت کے لیے Divergent AI کیوں اہم ہے

Flint جیسے ماڈلز کی ترقی AI کے منظر نامے میں ایک اہم ارتقاء کو اجاگر کرتی ہے: عمومی مقصد والی ذہانت (general-purpose intelligence) سے خصوصی طرزِ عمل والی ذہانت (specialized behavioral intelligence) کی طرف منتقلی۔ جیسے جیسے یہ صنعت پختہ ہو رہی ہے، AI کمپنیوں کے لیے مسابقتی برتری محض پیرامیٹر کی تعداد سے آگے بڑھ کر "ادراکی" (cognitive) انداز کو کنٹرول کرنے کی صلاحیت کی طرف منتقل ہو جائے گی۔

اگر AI کی اگلی نسل منطقی درستگی اور تخلیقی تنوع کے درمیان توازن برقرار رکھنے میں مہارت حاصل کر لیتی ہے، تو ہم استعمال کے شعبوں میں ایک بڑی توسیع دیکھیں گے—خودکار مارکیٹنگ برین اسٹارمنگ سے لے کر پیچیدہ تعمیراتی ڈیزائن تک۔ وسیع تر ٹیک ایکو سسٹم کے لیے، مقصد اب صرف ایسا ماڈل بنانا نہیں ہے جو سب کچھ جانتا ہو، بلکہ ایسا ماڈل بنانا ہے جو مختلف انداز میں سوچ سکے۔

اہم نکات

  • گروپ تھنک کا جال: موجودہ عام LLMs شماریاتی طور پر قابلِ پیش گوئی ہونے کا شکار ہیں، جو اکثر سب سے عام یا "واضح" جوابات پر اکتفا کر لیتے ہیں۔
  • Flint کا طریقہ کار: اسٹارٹ اپ Springboards نے Flint متعارف کرایا ہے، جو ایک ایسا LLM ہے جسے خاص طور پر کھلے سوالات کے لیے زیادہ متنوع اور تخلیقی جوابات فراہم کرنے کے لیے تربیت دی گئی ہے۔
  • صنعتی تبدیلی: خصوصی ماڈلز کا ظہور ایک ایسے مستقبل کی نشاندہی کرتا ہے جہاں AI کو مخصوص ادراکی طریقوں کے لیے تیار کیا جائے گا، جیسے کہ تخلیقی برین اسٹارمنگ بمقابلہ منطقی استدلال۔