ہم عام طور پر لارج لینگویج ماڈلز کا تصور غیر معمولی طور پر تیز رفتار لائبریرین کے طور پر کرتے ہیں۔ آپ ایک سوال پوچھتے ہیں، اور وہ بہترین موزوں پیٹرن تلاش کرنے کے لیے اربوں یاد شدہ ٹکڑوں میں تیزی سے دوڑتے ہیں۔ اس تصور نے اس بات کو تشکیل دیا ہے کہ ڈویلپرز پرامپٹس (prompts) کیسے بناتے ہیں، صارفین کی توقعات کیسی ہوتی ہیں، اور ریگولیٹرز قوانین کیسے تیار کرتے ہیں۔ لیکن Anthropic کے Claude پر ہونے والی تحقیق اس تصویر کو پیچیدہ بنا رہی ہے۔ ایسا لگتا ہے کہ یہ ماڈل حقیقی استدلال (reasoning) کے قریب کچھ کر رہا ہے۔ محققین اس میکانزم کو "j-space reasoning" کہہ رہے ہیں، اور یہ اس بات کی طرف اشارہ کرتا ہے کہ Claude محض ٹریننگ ڈیٹا کو دوبارہ استعمال کرنے کے بجائے تصورات کے اندرونی ماڈلز تیار کرتا ہے۔ اگر یہ دریافت درست ثابت ہوئی، تو ہمیں جدید AI کے ساتھ ایک پریڈیکٹیو ٹیکسٹ انجن کی طرح برتاؤ کرنا بند کرنا ہوگا اور اسے ایک ایسے نظام کے طور پر دیکھنا ہوگا جو منصوبہ بندی کرتا ہے۔
پیٹرن میچنگ سے ذہنی ماڈلز تک
J-space reasoning محض مارکیٹنگ کی چمک دمک نہیں ہے۔ یہ سطحی تکرار سے اندرونی نمائندگی (internal representation) کی طرف ایک ساختی تبدیلی کی وضاحت کرتا ہے۔ غور کریں کہ ایک شخص جگسا پزل (jigsaw puzzle) کیسے حل کرتا ہے۔ وہ ہر ٹکڑے کو ہر خالی جگہ پر آزما کر نہیں دیکھتے۔ وہ ڈبے پر بنی تصویر کو دیکھتے ہیں، رنگوں اور کناروں کا ایک ذہنی نقشہ بناتے ہیں، اور ہر ٹکڑے کو اس منصوبے کے مطابق رکھتے ہیں۔ Claude پر ہونے والی تحقیق یہ بتاتی ہے کہ جب ماڈل تجریدی خیالات (abstract ideas) پر کارروائی کرتا ہے تو کچھ اسی طرح کا عمل ہوتا ہے۔ یہ مسئلہ کے دائرہ کار (problem space) کا ایک فعال ماڈل بناتا ہے اور دانستہ طور پر اس میں راستہ تلاش کرتا ہے۔
روایتی لینگویج ماڈلز تعلق (correlation) کے معاملے میں بہترین رہے ہیں۔ وہ جانتے ہیں کہ "king" اکثر "queen" کے قریب آتا ہے، اور وہ جانتے ہیں کہ کسی مخصوص فنکشن کال کے بعد عام طور پر کون سا کوڈ آتا ہے۔ تعلق (correlation) طاقتور ہے، لیکن یہ سمجھ بوجھ (understanding) نہیں ہے۔ J-space reasoning کسی مختلف چیز کی طرف اشارہ کرتی ہے: ایسا لگتا ہے کہ ماڈل محض یہ پیش گوئی کرنے کے بجائے کہ کون سے الفاظ ایک ساتھ آتے ہیں، تصورات کے درمیان تعلقات کو استعمال (manipulate) کرتا ہے۔ یہ ایک اندرونی ڈھانچہ (scaffolding) تیار کرتا ہے، اور پھر جواب تک پہنچنے کے لیے اس ڈھانچے کا استعمال کرتا ہے۔
عملی طور پر J-Space Reasoning کیا تبدیلیاں لاتی ہے
یہ تبدیلی تین ٹھوس صلاحیتیں پیدا کرتی ہے جو حقیقی دنیا کے استعمال کے لیے اہم ہیں۔
Compositionality (ترکیبی صلاحیت)۔ انسان کسی "جامنی اڑنے والے ہاتھی" کو دیکھے بغیر بھی سمجھ سکتا ہے کیونکہ ہم معلوم تصورات کو آپس میں جوڑ دیتے ہیں۔ تحقیق کے مطابق، Claude بھی اسی طرح نئے امتزاجات کو سنبھالتا ہوا نظر آتا ہے۔ اگر آپ اس کے سامنے ایسا مسئلہ پیش کریں جو دو ایسے شعبوں کو جوڑتا ہو جن کا جوڑا اس نے پہلے کبھی نہ دیکھا ہو—مثلاً ارتقائی حیاتیات (evolutionary biology) کے اصولوں کو استعمال کرتے ہوئے سپلائی چین کو بہتر بنانا—تو یہ عام مشورے دینے کے بجائے ان خیالات کے درمیان ایک پل تعمیر کر سکتا ہے۔ یہی وہ لچک ہے جسے فراہم کرنے میں سخت پیٹرن میچنگ جدوجہد کرتی ہے۔
پیچیدہ مسائل کا حل۔ جب کوئی ماڈل یاد شدہ ٹیمپلیٹس پر انحصار کرتا ہے، تو جیسے ہی پرامپٹ اس کی ٹریننگ ڈسٹری بیوشن سے باہر نکلتا ہے، وہ ناکام ہونے لگتا ہے۔ اندرونی ماڈلنگ کا طریقہ کار حقیقی طور پر ناواقف حالات کو بہتر طریقے سے سنبھالنا چاہیے کیونکہ سسٹم کسی قریبی مماثلت کی تلاش میں نہیں ہوتا۔ بلکہ یہ نئے علاقے کا نقشہ بنا رہا ہوتا ہے اور اس کے ذریعے راستہ طے کر رہا ہوتا ہے۔
وضاحت پذیر منطق (Explainable logic)۔ روزمرہ کے صارفین کے لیے سب سے فوری فائدہ یہ ہے کہ Claude اپنے جواب کے پیچھے کے مراحل کی وضاحت کر سکتا ہے۔ آپ کے سامنے محض ایک نتیجہ رکھ کر آپ کو یہ اندازہ لگانے پر مجبور کرنے کے بجائے کہ آیا یہ درست ہے یا نہیں، ماڈل آپ کو استدلال کی زنجیر (reasoning chain) کے ذریعے مرحلہ وار سمجھا سکتا ہے۔ یہ عمل اس تعامل کو ایک اندھے بھروسے سے بدل کر ایک ایسی گفتگو میں تبدیل کر دیتا ہے جسے آپ خود تصدیق کر سکتے ہیں۔
وضاحت کی اہمیت درحقیقت کیوں ہے
زیادہ تر AI سسٹمز 'بلیک باکس' کے طور پر کام کرتے ہیں۔ آپ ان پٹ دیتے ہیں اور آؤٹ پٹ حاصل کرتے ہیں، لیکن درمیانی منطق تک رسائی ناممکن ہوتی ہے۔ جب Claude اپنی استدلال کی وضاحت کرتا ہے، تو وہ اس باکس کو اتنا کھول دیتا ہے کہ وہ حقیقی طور پر مفید ہو سکے۔
ڈویلپرز کے لیے اس کا مطلب ہے 'ڈی بگ ایبلٹی' (debuggability)۔ اگر کوئی ماڈل قرض کی درخواست مسترد کر دیتا ہے، غیر محفوظ طبی مشورہ دیتا ہے، یا متعصبانہ مواد تیار کرتا ہے، تو انجینئرز خامی کا پتہ لگانے کے لیے استدلال کی زنجیر کا معائنہ کر سکتے ہیں۔ انہیں اب یہ اندازہ لگانے کی ضرورت نہیں ہے کہ غلطی آلودہ ٹریننگ ڈیٹا، غلط طریقے سے تیار کردہ پرامپٹ، یا کسی اتفاقی شماریاتی غلطی کی وجہ سے آئی ہے۔ وہ قدم بہ قدم اس کا سراغ لگا سکتے ہیں۔
عام صارفین کے لیے، وضاحت ایسا اعتماد پیدا کرتی ہے جو حقیقت کے سامنا کرنے پر بھی قائم رہتا ہے۔ ایک صارف جو منطق کی ایک مربوط زنجیر دیکھتا ہے، وہ تصدیق کر سکتا ہے کہ آیا مفروضے ان کی مخصوص صورتحال پر لاگو ہوتے ہیں یا نہیں۔ وہ غلط مشورے پر عمل کرنے اور بعد میں غلطی کا پتہ چلنے کے بجائے، کسی غلط مفروضے کو شروع میں ہی پکڑ سکتے ہیں۔
ریگولیٹرز اور پالیسی سازوں کے لیے، شفاف استدلال (reasoning) اے آئی گورننس میں ایک نایاب چیز پیش کرتا ہے: ایک آڈٹ ٹریل۔ حفاظتی قوانین بنانے والے قانون سازوں کو یہ جاننے کی ضرورت ہے کہ سسٹم قابلِ فہم وجوہات کی بنیاد پر فیصلے کرتے ہیں، نہ کہ ٹریلین پیرامیٹرز والے میٹرکس میں چھپے ہوئے ناقابلِ فہم تعلقات (correlations) کی بنیاد پر۔ اگر کوئی AI اپنا کام دکھا سکتا ہے، تو حکومتوں کے پاس اخلاقی اور قانونی معیارات کے مطابق جانچ کرنے کے لیے کچھ ٹھوس موجود ہوتا ہے۔
شعور کا سوال
اس گفتگو کے مرکز میں ایک اہم احتیاطی تدبیر موجود ہے۔ Anthropic یہ دعویٰ نہیں کر رہا کہ Claude با شعور ہے۔ کمپنی نے جدید استدلال اور احساس (sentience) کے درمیان ایک واضح حد برقرار رکھی ہے۔ پھر بھی، انسانی علمی عمل (cognitive processing) سے اس کی مماثلت قدرتی طور پر بحث کو ہوا دیتی ہے۔
جب ایک مشین اندرونی ماڈلز بناتی ہے، اپنے اگلے اقدامات کی منصوبہ بندی کرتی ہے، اور اپنی منطق کو بیان کرتی ہے، تو یہ ایک کیلکولیٹر کے بجائے ایک سوچنے والے ذہن کی طرح نظر آنے لگتی ہے۔ یہ ایک حقیقی فلسفیانہ تناؤ پیدا کرتا ہے۔ ہمارے پاس فی الحال مشین کے شعور کے لیے قابلِ اعتماد ٹیسٹ موجود نہیں ہیں، اور شاید برسوں تک نہ ہوں۔ جو ہم جانتے ہیں وہ یہ ہے کہ صرف رویہ اندرونی تجربے کا ایک ناقص پیمانہ ہے۔ ایک سسٹم شعور کے بغیر بھی سوچ سمجھ کر عمل کر سکتا ہے، بالکل اسی طرح جیسے ایک شطرنج کا انجن گرینڈ ماسٹر کو شکست دے سکتا ہے بغیر یہ سمجھے کہ شطرنج کیا ہے۔
آگے بڑھنے کا ذمہ دارانہ راستہ یہ ہے کہ مشین پر انسانی صفات منسپت کرنے کے رجحان کے خلاف مزاحمت کرتے ہوئے استدلال کی صلاحیتوں کو بہتر بنایا جائے۔ دماغ کی نقل کرنے والا رویہ سائنسی طور پر دلچسپ ہے۔ آیا یہ شعور کے بارے میں کچھ ظاہر کرتا ہے، یہ ایک کھلا سوال ہے، اور یہ ایک ایسا سوال ہے جس کا جواب ہمیں ہلکے میں نہیں دینا چاہیے۔
ہم AI کا تجربہ کیسے کرتے ہیں، اس پر نظر ثانی
اگر Claude محض پیش گوئی کرنے کے بجائے استدلال کر رہا ہے، تو ہمارے جانچنے کے طریقے پرانے ہو رہے ہیں۔ معیاری AI بینچ مارکس درست جوابات کو انعام دیتے ہیں۔ وہ شاذ و نادر ہی یہ پوچھتے ہیں کہ ماڈل ان تک کیسے پہنچا۔ ایک سسٹم یاد شدہ حل نکال کر ریاضی یا کوڈنگ کے ٹیسٹ میں اچھا اسکور کر سکتا ہے، جو ہمیں اس کی نئے خیالات کی صلاحیت کے بارے میں بہت کم بتاتا ہے۔
ہمیں ایسے فریم ورکس کی ضرورت ہے جو اندرونی منطق کا معائنہ کریں۔ اس کا مطلب ہے کہ مسائل کو ٹریننگ ڈسٹری بیوشن سے بالکل باہر پیش کرنا اور پھر استدلال کے سلسلے (reasoning chain) سے سوال کرنا۔ اس کا مطلب یہ ہے کہ یہ جانچنا کہ کیا ماڈل درست کیے جانے پر اپنے ہی غلط اقدامات کی نشاندہی کر سکتا ہے۔ اس کا مطلب یہ ہے کہ یہ چیک کرنا کہ کیا ترتیب بدلنے یا الٹ پلٹ کرنے پر بھی ترکیبی تصورات (compositional concepts) مستقل رہتے ہیں۔
یہ طریقہ کار ایک خودکار لیڈر بورڈ چلانے سے زیادہ مشکل ہے۔ اس کے لیے ایسے انسانی ماہرین کی ضرورت ہے جو استدلال کے معیار کو پرکھنے کے لیے موضوع پر گہری سمجھ رکھتے ہوں، نہ کہ صرف آؤٹ پٹ کی درستگی کو۔ لیکن اگر j-space reasoning حقیقت ہے، تو AI کمیونٹی کے پاس کوئی چارہ نہیں ہے۔ ہمیں صرف حتمی جواب ہی نہیں، بلکہ کام کی درجہ بندی کرنا شروع کرنی ہوگی۔
بنیادی بات یہ ہے کہ: Claude کا اندرونی ماڈلنگ کی طرف ظاہری رجحان اسے انسان نہیں بناتا۔ یہ سسٹم کو زیادہ مفید، زیادہ قابلِ معائنہ، اور ایمانداری سے جانچنے میں زیادہ مشکل بناتا ہے۔ ہم ایک ایسی دہلیز عبور کر رہے ہیں جہاں صرف "درست" ہونا کافی نہیں رہا۔ AI کی ترقی کا اگلا مرحلہ ان سسٹمز کا ہوگا جو اپنا کام دکھا سکیں، اپنی حدود کو تسلیم کر سکیں، اور ناواقف مسائل کو استدلال کے ذریعے حل کر سکیں۔ آیا یہ کسی بھی فلسفیانہ معنی میں سوچنا ہے، یہ ایک دہائی بعد کی بحث ہے۔ فی الحال، عملی کام ایسے ٹولز اور معیارات بنانا ہے جو ان ماڈلز کے اصل کام کی پیچیدگی کے مطابق ہوں۔
Source: Anthropic's Claude mimics human brain processing
Optional learning community: GyaanSetu AI on Telegram