پہلے یہ دیکھیں کہ کس قسم کا دعویٰ کیا جا رہا ہے
«AI یہ کر سکتا ہے»، «AGI جلد آئے گا»، اور «یہ نظام تباہی کا سبب بن سکتا ہے» ایک جیسے دعوے نہیں ہیں۔ انہیں مختلف شواہد درکار ہیں۔ کوئی چمکدار مظاہرہ یہ ثابت کر سکتا ہے کہ کوئی ماڈل سازگار حالات میں ایک بار کامیاب ہوا۔ یہ اعتماديت، اقتصادی قدر، یا محفوظ خودمختار عمل ثابت نہیں کرتا۔ کوئی پیش گوئی مستقبل کے بارے میں ایک فیصلہ ظاہر کرتی ہے۔ یہ کسی موجودہ صلاحیت کی پیمائش نہیں۔
یہ اس لیے اہم ہے کہ AGI کا کوئی عالمگیر طور پر تسلیم شدہ ٹیسٹ نہیں۔ تعریفیں وسعت، کارکردگی، خودمختاری، سیکھنے، جسمانی اہلیت، اور اقتصادی اثر کے مختلف مجموعوں پر زور دیتی ہیں۔ یہ پوچھنے کے بجائے کہ آیا کوئی ایک سرخی AGI ثابت کرتی ہے، قارئین کو یہ پوچھنا چاہیے کہ کیا ناپا گیا، کن حالات میں، اور نتیجہ شواہد سے کتنا آگے سفر کرتا ہے۔
نیچے دی گئی سیڑھی کوئی سخت درجہ بندی نہیں جس میں ایک درجے کی ہر چیز اس سے نیچے ہر چیز کو شکست دے۔ کوئی دہرائی جا سکنے والی لیبارٹری تشخیص کسی تنگ میکانزم کے لیے شور والے تعیناتی ڈیٹا سے زیادہ مضبوط شواہد ہو سکتی ہے۔ اس کا مقصد ان استخراجی مراحل کو بے نقاب کرنا ہے جنہیں ترویجی اور خوف پھیلانے والے دعوے اکثر چھپاتے ہیں۔
درجہ ایک: واقعاتی کہانی اور منتخب مظاہرہ
واقعاتی کہانیاں امکانات اور ناکامی کے انداز ظاہر کرتی ہیں۔ کسی ایجنٹ کے ایپلیکیشن بنانے کی اسکرین ریکارڈنگ یہ دکھاتی ہے کہ کم از کم ایک رن نے دکھایا گیا نتیجہ پیدا کیا، بشرطیکہ مظاہرہ حقیقی ہو۔ کوئی حیران کن فریب کاری یہ دکھاتی ہے کہ کوئی ناکامی ہو سکتی ہے۔ کوئی بھی یہ نہیں بتاتی کہ یہ رویہ کتنی بار ظاہر ہوتا ہے۔
پوچھیں کہ آیا پیش کنندہ نے بہترین رن منتخب کیا، وقفے یا ناکامیاں ایڈٹ کیں، پوشیدہ انسانی مدد استعمال کی، یا کوئی مانوس کام منتخب کیا۔ مکمل پرامپٹ، آلات، ماڈل کا ورژن، نمونہ گیری کی سیٹنگز، کوششوں کی تعداد، اور ناکامی کے کیسز تلاش کریں۔ ان کے بغیر، نتیجے کو تحقیق کے قابل سراغ سمجھیں — کوئی شرح نہیں۔
مظاہرے مفید رہتے ہیں۔ نئی صلاحیتیں اکثر باضابطہ پیمائش موجود ہونے سے پہلے گندی شکل میں ظاہر ہوتی ہیں۔ غلطی «ہو سکتا ہے» کو «عام طور پر ہوتا ہے» میں، پھر «معیشت کو بدل دے گا» میں بدلنا ہے۔
درجہ دو: بینچ مارک یا کنٹرول شدہ تشخیص
کوئی تشخیص کام، حالات، اور اسکورنگ کا قاعدہ متعین کرتی ہے۔ یہ کسی واقعاتی کہانی سے زیادہ منظم طریقے سے نظاموں کا موازنہ کر سکتی ہے۔ مضبوط تشخیصات روکے گئے کام استعمال کرتی ہیں، آلودگی کو روکتی ہیں، غیریقینی رپورٹ کرتی ہیں، اسکیفولڈنگ اور انسانی مدد دستاویز کرتی ہیں، اور متعلقہ ناکامی کے انداز جانچتی ہیں۔ آزادانہ تکرار اعتماد بڑھاتی ہے۔
بینچ مارک اسکور پھر بھی گمراہ کر سکتے ہیں۔ تربیتی ڈیٹا میں ملتے جلتے سوالات شامل ہو سکتے ہیں۔ ٹیمیں کسی عوامی ٹیسٹ کے مطابق بہتری لا سکتی ہیں۔ کثیر الانتخابی علم کسی غیر مانوس کام کی جگہ پر مہارت ثابت نہیں کرتا۔ اوسط تباہ کن دم کی ناکامیوں کو چھپا دیتے ہیں۔ ایک نظام جو 90 فیصد وقت کامیاب ہوتا ہے وہ 30 مراحل کے ورک فلو میں ناقابلِ استعمال ہو سکتا ہے کیونکہ غلطیاں بڑھتی جاتی ہیں۔
International AI Safety Report 2026 اس مسئلے کے لیے «تشخیصی خلا» کی اصطلاح استعمال کرتی ہے کہ کنٹرول شدہ پری-تعیناتی ٹیسٹ حقیقی دنیا کی کارکردگی کی قابلِ اعتماد پیش گوئی نہیں کرتے۔ یہ موجودہ صلاحیتی پروفائلز کو «ناہموار» بھی بیان کرتی ہے: کارکردگی کاموں اور سیاق و سباق میں خاطر خواہ حد تک مختلف ہوتی ہے، اور نظام مشکل تشخیصات میں کامیاب ہونے کے باوجود بظاہر سادہ کام میں ناکام ہو سکتے ہیں۔ یہ پیمائش کی حدود کے بارے میں نتائج ہیں، یہ ثبوت نہیں کہ ہر بینچ مارک بیکار ہے۔ کسی قابلِ اعتماد مضمون کو اسکور اور یہ دونوں بتانا چاہیے کہ ٹیسٹ کیا چھوڑتا ہے۔
درجہ تین: مخالفانہ، سببی، اور اپلفٹ مطالعے
خطرے کے دعووں کو معیاری بینچ مارک سے زیادہ کی ضرورت ہے۔ ریڈ ٹیمیں ممنوعہ یا خطرناک رویہ حاصل کرنے کے طریقے تلاش کرتی ہیں۔ سببی تجربات ایک خصوصیت بدلتے ہیں اور جانچتے ہیں کہ آیا نتائج بدلتے ہیں۔ اپلفٹ مطالعے یہ موازنہ کرتے ہیں کہ لوگ AI کے ساتھ کیا حاصل کر سکتے ہیں بمقابلہ کسی معنی خیز بنیادی خط، جیسے صرف انٹرنیٹ کے۔
یہ مطالعے مختلف سوالات کے جواب دیتے ہیں۔ کوئی ریڈ ٹیم کا نتیجہ آزمائے گئے حملے کے تحت رسائی دکھاتا ہے، آبادی کے پیمانے پر واقعات نہیں۔ کوئی صلاحیتی تشخیص یہ دکھا سکتی ہے کہ کوئی ماڈل کوئی نقصان دہ منصوبہ تیار کر سکتا ہے بغیر یہ دکھائے کہ کوئی حقیقی کردار اسے عملی جامہ پہنا سکتا ہے۔ کوئی اپلفٹ مطالعہ بدسلوکی کے لیے زیادہ متعلقہ ہو سکتا ہے، لیکن اس کے شرکاء، وقت کی حد، بنیادی خط، نتیجے کا پیمانہ، اور حفاظتی تدابیر یہ طے کرتے ہیں کہ اس کا کیا مطلب ہے۔
چھوٹے نمونے وسیع غیریقینی پیدا کرتے ہیں۔ ماہر شرکاء نوآموزوں کے اپلفٹ کو کم سمجھا سکتے ہیں لیکن نفیس حملہ آوروں کی بہتر نمائندگی کرتے ہیں۔ متبادل کام حقیقی نقصان پیدا کرنے سے بچتے ہیں لیکن حقیقی دنیا کی رکاوٹوں کو چھوڑ سکتے ہیں۔ نتائج ماڈلز اور کنٹرولز بدلنے کے ساتھ تیزی سے پرانے ہو جاتے ہیں۔ اچھی رپورٹنگ ان حدود کو «AI ممکن بناتا ہے» یا «AI خطرہ نہیں بڑھاتا» میں دبانے کے بجائے ان کا نام لیتی ہے۔
درجہ چار: میدانی اور تعیناتی شواہد
حقیقی دنیا کا ڈیٹا اپنانے، پیداواریت، واقعات، بدسلوکی، اور ادارہ جاتی موافقت ظاہر کر سکتا ہے۔ بے ترتیب میدانی تجربات اور احتیاط سے ڈیزائن کیے گئے شبہِ تجربات سببی اثرات کا تخمینہ لگا سکتے ہیں۔ واقعے کے ڈیٹا بیس اور شکایتی ڈیٹا بار بار ہونے والا نقصان دکھا سکتے ہیں۔ آڈٹ ایسے فرق کا پتہ لگا سکتے ہیں جنہیں کسی ڈویلپر کی لیبارٹری نے نہیں جانچا۔
تعیناتی کے شواہد میں اندھے دھبے بھی ہوتے ہیں۔ کمپنیاں اس سے زیادہ مشاہدہ کرتی ہیں جتنا وہ ظاہر کرتی ہیں۔ صارفین یہ منتخب کرتے ہیں کہ آیا اور کیسے کسی آلے کو اپنانا ہے، جو سادہ موازنوں کو متعصب بنا دیتا ہے۔ رپورٹ شدہ واقعات تمام واقعات کے برابر نہیں۔ کسٹمر سپورٹ میں پیداواریت کا فائدہ خودکار طور پر تحقیق، انتظام، طب، یا روبوٹکس تک عمومی نہیں ہوتا۔
قارئین کو آبادی، ماحول، موازنہ گروہ، وقتی مدت، نتیجہ، اور مفاداتی تصادم تلاش کرنا چاہیے۔ «کارکنوں نے زیادہ کام مکمل کیے» «کاروبار نے زیادہ قدر پیدا کی» سے مختلف ہے، اور دونوں «ملازمت گر گئی» سے مختلف ہیں۔ جنریٹو AI کے بارے میں موجودہ مزدور شواہد کو فرضی AGI کے بارے میں شواہد کے طور پر دوبارہ لیبل نہیں کیا جانا چاہیے۔
درجہ پانچ: رجحان کا استخراج اور پیش گوئی
پیش گوئیاں پیمائشوں کو مفروضوں کے ساتھ ملاتی ہیں۔ کمپیوٹ کے رجحانات، الگورتھمی پیش رفت، سرمایہ کاری، بینچ مارک کی کارکردگی، اور ایجنٹ کی اعتماديت کسی پیش گوئی کو آگاہ کر سکتے ہیں، لیکن کوئی بھی منفرد طور پر AGI کی تاریخ طے نہیں کرتا۔ رکاوٹیں کم ہو سکتی ہیں، مضبوط ہو سکتی ہیں، یا بدل سکتی ہیں۔ تعریفیں بدل سکتی ہیں۔
METR کی ٹائم-ہورائزن تحقیق اس انسانی-ماہر تکمیل کے وقت کا تخمینہ لگاتی ہے جس پر کسی آزمائے گئے ایجنٹ کی بیان کردہ اعتماديت، عام طور پر 50 یا 80 فیصد، کے ساتھ کامیابی کی پیش گوئی کی جاتی ہے۔ اس کا موجودہ سوٹ بنیادی طور پر خود مکتفی، اچھی طرح متعین سافٹ ویئر انجینئرنگ، مشین لرننگ، اور سائبر سیکیورٹی کے کاموں پر مشتمل ہے جن کے واضح اسکورنگ قواعد ہیں۔ یہ پیمانہ کسی متعین ایجنٹ سیٹ اپ اور کام کی تقسیم کے بارے میں مفید ثبوت ہے۔ یہ وہ وقت نہیں جس کے لیے AI خودمختاری سے چلتا ہے، تمام اقتصادی طور پر قیمتی کام کا کوئی پیمانہ نہیں، یا AGI کی طرف گنتی کرنے والی کوئی گھڑی نہیں۔ METR یہ بھی خبردار کرتا ہے کہ اپنے موجودہ کام کے سوٹ کے ساتھ 16 گھنٹے سے زیادہ کی پیمائشیں ناقابلِ اعتماد ہیں۔
کسی پیش گوئی کو اس کی عملیاتی تعریف، تاریخ، امکان، ماڈل، بنیادی شرح، اور ٹریک ریکارڈ سے جانچیں۔ ایک معیاری پیش گوئی مؤثر طور پر کہتی ہے، «30 فیصد تفویض کردہ نتائج کو تقریباً 30 فیصد وقت ہونا چاہیے»۔ حل کے معیار کے بغیر ایک پراعتماد تاریخ کو اسکور نہیں کیا جا سکتا۔ ماہرانہ سروے باخبر عقائد کو پکڑتے ہیں لیکن اختلاف کو تجرباتی ثبوت میں تبدیل نہیں کرتے۔
منظرنامے ایک اور مقصد پورا کرتے ہیں۔ وہ مشروط راستوں کی کھوج کرتے ہیں: اگر صلاحیتیں، رسائی، خودمختاری، اور ادارہ جاتی ردعمل مخصوص اقدار اختیار کریں، تو کیا ہو گا؟ کوئی منظرنامہ سب سے زیادہ ممکنہ مستقبل ہوئے بغیر کمزوریاں بے نقاب کر سکتا ہے۔ اسے اسی طرح لیبل کریں۔
درجہ چھ: میکانزم اور نظریاتی دلیل
کچھ شدید AGI خطرات متعلقہ نظاموں کے بغیر براہِ راست ظاہر نہیں کیے جا سکتے — اور محض ثبوت حاصل کرنے کے لیے انہیں تخلیق نہیں کیا جانا چاہیے۔ محققین اس کے بجائے میکانزم تجویز کرتے ہیں جیسے انعامی ہیرا پھیری، آلاتی وسائل کی طلب، مسابقتی دوڑیں، یا اختیار کی بتدریج تفویض۔ رسمی ماڈلز یہ واضح کر سکتے ہیں کہ آیا کوئی نتیجہ مفروضوں سے نکلتا ہے۔
مرکزی سوال یہ نہیں کہ آیا دلیل زندہ لگتی ہے۔ یہ ہے کہ کن مقدمات کی تجرباتی حمایت موجود ہے۔ کیا نظام کا کوئی مستقل مقصد ہے؟ کیا یہ درکار افق پر منصوبہ بندی کر سکتا ہے؟ کیا اسے آلات، پیسے، بنیادی ڈھانچے، یا اپنی کاپیوں تک رسائی حاصل ہے؟ کیا نگرانی ناکام ہو جائے گی؟ کیا ادارے ردعمل دے سکتے ہیں؟ ہر کڑی پوری زنجیر کے امکان کو بدل سکتی ہے۔
براہِ راست تباہی کے ڈیٹا کی غیر موجودگی صفر خطرے کا ثبوت نہیں۔ نہ ہی کوئی منطقی طور پر ممکن راستہ ایک بڑا امکان قائم کرتا ہے۔ غیریقینی کے تحت فیصلوں کو نتیجے، واپسی کی صلاحیت، انتباہی وقت، اور حفاظتی تدابیر کی لاگت اور تاثیر پر غور کرنا چاہیے۔ یہ ایک خطرے کے انتظام کا فیصلہ ہے، یہ دریافت نہیں کہ نظریہ مشاہدہ بن چکا ہے۔
اہم دعووں کے لیے شواہد کارڈ استعمال کریں
کسی بھی بڑے بیان کے لیے، چھ خانے ریکارڈ کریں:
- دعویٰ: وہ تنگ تجویز جو اصل میں پیش کی گئی۔
- حیثیت: مشاہدہ شدہ نتیجہ، استخراج، پیش گوئی، منظرنامہ، یا سفارش۔
- ماخذ: بنیادی مطالعہ، سرکاری ڈیٹا، ترکیب، کمپنی رپورٹ، میڈیا، یا رائے۔
- دائرہ: ماڈل، ورژن، کام، آبادی، دائرہ اختیار، اور تاریخ۔
- غیریقینی: نمونے کا حجم، اعتماد کا وقفہ، تکرار، غائب ڈیٹا، اور قابلِ فہم متبادل۔
- اپ ڈیٹ کا محرک: ایسے شواہد جو دعوے کو مضبوط، کمزور، یا ریٹائر کر دیں۔
NIST کا رضاکارانہ Generative AI Profile AI Risk Management Framework کا ایک کراس-سیکٹر ساتھی ہے، کوئی AGI ٹیسٹ یا سند نہیں۔ یہ تجویز کردہ اقدامات کو فریم ورک کے Govern، Map، Measure، اور Manage افعال کے تحت منظم کرتا ہے اور خطرے کے انتظام کو ایک لائف سائیکل سرگرمی کے طور پر برتتا ہے۔ وسیع تر NIST AI RMF پیمائشی رہنمائی دستاویزی جانچ، غیریقینی کے پیمانے، تعیناتی سے متعلقہ پیمائش، نگرانی، اور آزادانہ جائزے کا تقاضا کرتی ہے جہاں یہ اندرونی تعصب کم کر سکے۔ عین سانچہ اتنا اہم نہیں جتنا شواہد کی زنجیر کو قابلِ آڈٹ بنانا۔
اعتماد کو شواہد سے میل دیں
قابلِ اعتماد AGI کوریج کو جھوٹی غیر جانبداری کی ضرورت نہیں۔ کچھ حقائق اچھی طرح قائم ہیں: ماڈلز بہت سی تشخیصات پر بہتر ہو رہے ہیں، حقیقی نقصانات پہلے ہی ہو رہے ہیں، صلاحیتیں ناہموار رہتی ہیں، اور اداروں کے پاس نامکمل نظر ہے۔ دیگر تجاویز — AGI کی تاریخیں، غیر مسلسل ٹیک آف، ڈیجیٹل شعور، مستحکم صف بندی، معدومیت کے امکانات — گہرے طور پر متنازع رہتی ہیں۔
نظم و ضبط کا ردعمل درستگی ہے۔ اپنا نتیجہ بیان کرتے وقت «مطالعے نے پایا» کہیں، اس سے آگے بڑھتے وقت «مصنفین استخراج کرتے ہیں»، عقیدہ رپورٹ کرتے وقت «پیش گو تفویض کرتے ہیں»، اور کسی راستے کی کھوج کرتے وقت «یہ منظرنامہ فرض کرتا ہے» کہیں۔ پھر ماخذ کو دعوے کے قریب جوڑیں۔
یہ زبان کسی گنتی یا اعلان سے کم ڈرامائی محسوس ہو سکتی ہے۔ یہ زیادہ مفید ہے۔ انسانیت جدید AI کے بارے میں بہتر فیصلے اس بات کو جان کر کرے گی کہ شواہد کیا حمایت کرتے ہیں، کہاں رکتے ہیں، اور تشخیص کو کیا بدل دے گا۔