یہ صفحہ کیوں موجود ہے
اس رہنما کا زیادہ تر حصہ AGI کے خطرے کو سنجیدگی سے لینے کی طرف جھکتا ہے، کیونکہ اس کا زیادہ تر حصہ اس بات کا احاطہ کرتا ہے کہ اگر پرامید افراد درست ہوں تو کیا ہوتا ہے۔ یہ رویہ شکوک رکھنے والوں کو ایک تنکے کے آدمی میں تبدیل کرنا آسان بنا دیتا ہے — «انہیں بس اسکیلنگ سمجھ نہیں آتی» — اور آگے بڑھ جانا۔ یہ ان محققین کے ساتھ ناانصافی ہے جنہوں نے اس شعبے کے کچھ بنیادی آلات بنائے اور جو ایک ٹھوس موقف رکھتے ہیں۔ یہ صفحہ ان کے اصل دلائل پیش کرتا ہے، کوئی ایسا ورژن نہیں جو ہارنے کے لیے بنایا گیا ہو، اور یہ فیصلہ نہیں کرتا کہ کون درست ہے؛ رائے کی رینج عام طور پر کیسے رپورٹ کی جاتی ہے اس کے لیے AGI کے بارے میں دعووں کو کیسے تولیں اور AGI ٹائم لائن پیش گوئیاں دیکھیں۔
Yann LeCun: کوئی عالمی ماڈل نہیں، کوئی منصوبہ بندی نہیں
Yann LeCun نے نومبر 2025 میں بارہ سال بعد Meta چھوڑ دیا، بشمول اس کی FAIR لیب کی بنیاد رکھنے کے، اور مارچ 2026 تک وہ AMI Labs کے ایگزیکٹو چیئرمین اور شریک بانی تھے، ایک پیرس میں مقیم اسٹارٹ اپ جس نے 1.03 ارب ڈالر کا سیڈ راؤنڈ اکٹھا کیا — رپورٹ کے مطابق ریکارڈ پر سب سے بڑا یورپی اسٹارٹ اپ سیڈ راؤنڈ — تاکہ وہ چیز بنائی جائے جسے وہ «عالمی ماڈلز» کہتے ہیں (TechCrunch)۔ یہ اہم ہے: LeCun کے شکوک کسی احتیاط میں نرم نہیں ہوئے — وہ ایک ایسی کمپنی میں سخت ہو گئے جس پر وہ اپنا کیریئر داؤ پر لگا رہے ہیں۔
لیکون کا اعتراض ایک ساختی دلیل ہے، یہ ثابت کرنے والا کوئی قضیہ نہیں کہ ٹرانسفارمر منصوبہ بندی نہیں کر سکتے۔ معیاری آٹو ریگریسیو ماڈل کسی واضح، مستقل عالمی ماڈل یا الگ منصوبہ ساز کے بغیر ٹوکن کی پیش گوئی کرتے ہیں۔ ماڈل کا ہر پاس ایک مقررہ کمپیوٹیشنل گراف استعمال کرتا ہے، لیکن بڑا نظام اضافی ٹوکن بنا کر، جانچ کر یا ان میں ترمیم کر کے استنباط پر زیادہ حسابی قوت صرف کر سکتا ہے۔ اس سے نتائج بہتر ہو سکتے ہیں، مگر حقیقت سے جڑی طویل مدتی منصوبہ بندی ثابت نہیں ہوتی۔
اس کے بجائے لیکون ایک قابلِ ترتیب عالمی ماڈل تجویز کرتے ہیں جو مستقبل کی ممکنہ حالتوں کی پیش گوئی کرے، اور اس کے ساتھ ایک ایسا عامل ہو جو تجرید کی کئی سطحوں پر اقدامات تلاش کرے (لیکون کا مؤقف نامہ؛ میٹا کا تحقیقی جائزہ)۔ یہ ان کی تجویز کردہ تحقیقی سمت ہے، موجودہ زبان ماڈلز کی دائمی حدود کے بارے میں کوئی طے شدہ نتیجہ نہیں۔ مفروضہ یہ ہے کہ مضبوط خود مختار ذہانت کو صرف متن نہیں بلکہ ویڈیو، مکانی اور حسی حرکی تجربے سے سیکھنے والی ساختیں درکار ہوں گی۔
Andrew Ng: شواہد کا معیار بلند کریں
Andrew Ng — DeepLearning.AI کے بانی، AI Fund میں Managing General Partner، اور Stanford میں معاون پروفیسر — دلیل دیتے ہیں کہ «AGI ایک درست معنی رکھنے والی اصطلاح کے بجائے ہائپ کی اصطلاح بن چکا ہے»، اور یہ کہ صنعت ایسے نظام سے دہائیوں دور ہے جو کوئی بھی علمی کام کر سکے جو کوئی انسان کر سکتا ہے، ٹرک چلانے سے لے کر ڈاکٹریٹ کا مقالہ لکھنے تک (PYMNTS)۔ ان کا ٹھوس حصہ طریقہ کار پر مبنی ہے: ایک تجویز کردہ «ٹیورنگ-AGI ٹیسٹ»، جہاں کوئی جج کئی دنوں کا حقیقی کام کا ٹرائل ڈیزائن کرتا ہے — اصل کام، کوئی منتخب کردہ ڈیمو نہیں — اور نظام صرف اسی صورت پاس ہوتا ہے جب وہ ایک ماہر انسان جتنی اچھی کارکردگی دکھائے۔ نکتہ یہ ہے: گول پوسٹس کو لیڈر بورڈ اسکور سے ہٹا کر مستقل کارکردگی پر لے جانا، جسے وہ بلبلے کے خطرے کا ہائپ سمجھتے ہیں اسے ختم کرنا۔
Gary Marcus: فریب کاری، استدلالی انہدام، اور جمع ہوتے مفروضوں کا حساب
Gary Marcus، NYU میں نفسیات اور نیورل سائنس کے پروفیسر ایمریٹس اور Geometric Intelligence اور Robust.AI کے بانی، نے کئی محاذوں پر مقدمہ بنایا ہے۔ اعتماديت پر: LLMs «حقیقی معنوں میں سچ اور جھوٹ کا فرق نہیں جانتے»، اور وہ ایک رسمی ثبوت کا حوالہ دیتے ہیں کہ وہ کامل ڈیٹا اور لامحدود کمپیوٹ کے باوجود فریب کاری کریں گے — جس کی تصدیق، ان کے بقول، اس وقت ہوئی جب GPT-5 (اگست 2025) فریب کاری حل کرنے میں ناکام رہا اور OpenAI کا o3 اپنے پیشروؤں سے زیادہ فریب کاری کرتا تھا (Marcus on AI)۔ استدلال پر: «ہم فزکس ایسے نظاموں سے حل نہیں کرنے جا رہے جو 8 ڈسکس کے ٹاور پر Tower of Hanoi نہیں کھیل سکتے» — Apple کی اس دریافت کا حوالہ دیتے ہوئے کہ LLM «استدلالی» ماڈلز کسی پیچیدگی کی حد کے بعد بتدریج تنزلی کے بجائے منہدم ہو جاتے ہیں۔
ان کی سب سے زیادہ زیرِ بحث مداخلت طریقہ کار پر مبنی ہے: «AI 2027» پیش گوئی کے منظرنامے کو «سائنس کے روپ میں افسانہ» قرار دیتے ہوئے مسترد کرنا — بیانیہ تکنیکوں کو مستعار لینا جبکہ حوالہ جات اور فٹ نوٹس کو ایسے پیش کرنا جیسے نتیجہ کوئی پیش گوئی ہو۔ Marcus منظرنامے کو تقریباً آٹھ ترتیب وار «ایمان کی چھلانگ» کے سنگِ میلوں میں توڑتے ہیں، ان کے مضمر انفرادی امکانات کو ضرب دیتے ہیں، اور دکھاتے ہیں کہ مکمل زنجیر کے طے شدہ وقت پر اترنے کا مجموعی امکان صفر کے قریب ہے (Substack) — جس کی حمایت پیش گوئی کے اپنے ٹریک ریکارڈ سے ہوتی ہے: 2024 میں فریب کاری کو «حل شدہ» قرار دیا گیا، ڈرائیور کے بغیر گاڑیاں مبینہ طور پر 2017 تک «ہر جگہ» ہونی تھیں۔ قابلِ ذکر بات یہ ہے کہ Marcus یہ دلیل نہیں دے رہے کہ «AGI ناممکن ہے» — «جو بھی یہ سوچتا ہے کہ AGI ناممکن ہے» اتنا ہی غلط ہے، ان کے بقول، جتنا کوئی جو یہ سوچتا ہے کہ یہ قریب ہے — اور اب 2027 نہیں بلکہ 2100 تک قابلِ فہم آمد رکھتے ہیں۔ یہ موقف خود اس بات کا ثبوت ہے کہ شکوک کا کیمپ ایک پھیلاؤ ہے، کوئی واحد موقف نہیں — یہ وہی نکتہ ہے جو ٹائم لائن پیش گوئیاں کا صفحہ پورے شعبے کے بارے میں بناتا ہے۔
Tim Dettmers: کمپیوٹیشن جسمانی ہے
Tim Dettmers، Allen Institute for AI میں ایک محقق، ایک ایسی دلیل دیتے ہیں جو ماڈل آرکیٹیکچر پر منحصر نہیں — یہ فزکس کے بارے میں ہے۔ وہ دلیل دیتے ہیں کہ GPU کی فی ڈالر کارکردگی 2018 کے قریب سطح مرتفع پر پہنچ گئی، اور اس کے بعد سے زیادہ تر مرئی فوائد حقیقی کمپیوٹ نمو کے بجائے کم درستگی والے عددیات — وہی حساب سستے میں کرنا — سے آئے ہیں۔ ان کا اندازہ ہے کہ «شاید ایک، شاید دو مزید سال اسکیلنگ کے باقی ہیں» اس سے پہلے کہ فوائد میموری، I/O، اور طاقت کی دیواروں سے ٹکرائیں، جہاں توانائی اور لاگت صرف خطی صلاحیتی فوائد کے لیے تیزی سے بڑھتی ہیں (timdettmers.com)۔ وہ «AGI» کو بینچ مارک اسکور کے بجائے جسمانی کاموں میں اقتصادی طور پر معنی خیز اہلیت کا تقاضا کرنے والا قرار دیتے ہیں، اور اس منطق کو اس کے انتہائی نقطے تک بڑھاتے ہیں: کوئی مافوق ذہانت اپنے استدلالی اسٹیک کو بہتر بناتے وقت انہی جسمانی رکاوٹوں کا سامنا کرے گی۔ اوپر دی گئی دلیلوں کے برعکس، یہ خاص طور پر LLMs کے بارے میں درست ہونے پر منحصر نہیں — یہ اس بنیاد کے بارے میں دعویٰ ہے جس پر کوئی بھی ڈیجیٹل ذہانت چلتی ہے۔
مختصر فہرست: یہ بھی دیکھیں
ایک مختصر فہرست مقدمے کو مکمل کرتی ہے۔ Rodney Brooks، Robust.AI کے CTO اور MIT میں روبوٹکس کے پروفیسر ایمریٹس، ایک سالانہ، تاریخ شدہ، قابلِ تردید پیش گوئیوں کا اسکور کارڈ چلاتے ہیں — AI تبصرہ نگاروں میں نایاب نظم و ضبط — اور روبوٹکس کے دہائیوں کے تجربے سے دلیل دیتے ہیں کہ تنگ بینچ مارک پیش رفت کو مسلسل عمومی اہلیت سمجھ لیا جاتا ہے۔ François Chollet، ARC-AGI بینچ مارک کے تخلیق کار، ایسے ماڈلز کی نشاندہی کرتے ہیں جو یادداشت کی مزاحمت کے لیے بنائے گئے کاموں پر تقریباً صفر اسکور کرتے ہیں — نئے ARC-AGI-3 نے 2026 کے بہترین ماڈلز کو انسانوں کے 100% کے مقابلے میں 1% سے کم اسکور کرتے دیکھا — ثبوت کے طور پر کہ ذہانت اسکیل نہیں بلکہ مہارت کے حصول کی کارکردگی ہے۔ Arizona State کے Subbarao Kambhampati دلیل دیتے ہیں کہ LLMs پرامپٹنگ سے قطع نظر منصوبہ بندی یا خود تصدیق نہیں کر سکتے، اور اب سوال اٹھاتے ہیں کہ آیا زنجیرِ فکر ٹوکنز اصل استدلال کی نمائندگی بھی کرتے ہیں۔ Santa Fe Institute کی Melanie Mitchell دلیل دیتی ہیں کہ LLM کی کامیابی سببی استدلال کے بجائے تربیتی تقسیم پر نمونہ ملانے کی عکاسی کرتی ہے۔ University of Washington کی ماہرِ لسانیات اور «Stochastic Parrots» کی شریک مصنفہ Emily Bender دلیل دیتی ہیں کہ روانی سے نتیجہ صرف شکل ہے، بنیاد شدہ سمجھ کے بغیر — لفظوں کی ترتیب کی پیش گوئی کرنے کی تربیت یافتہ ماڈلز کو رابطاتی ارادے تک رسائی نہیں۔
پیش گوئی کا طریقہ کار خود ایک ہدف ہے
کسی بھی انفرادی محقق سے آگے، شکوک رکھنے والے براہِ راست اس بات پر نشانہ لیتے ہیں کہ AGI ٹائم لائنز کیسے تیار کی جاتی ہیں۔ ماہرانہ سروے کا طریقہ کار ایک اچھی طرح دستاویزی «حرکت پذیر افق» اثر دکھاتا ہے — جواب دہندگان AGI کو تقریباً پندرہ سے پچیس سال دور رکھتے ہیں چاہے انہیں کبھی بھی پوچھا جائے — جو انتخابی اثرات اور الفاظ کی حساسیت سے مزید پیچیدہ ہو جاتا ہے۔ مارچ 2026 کی ایک RAND رپورٹ سروے، پیش گوئی مارکیٹ، اور کمپیوٹ-استخراج کے طریقوں میں یکساں طور پر ان مسائل کو منظم طریقے سے فہرست کرتی ہے (RAND)۔
METR کا اپنا «ٹائم ہورائزن» پیمانہ — وہ صلاحیتی وکر جسے تیز رفتاری کے ثبوت کے طور پر سب سے زیادہ حوالہ دیا جاتا ہے، اور ٹائم لائن پیش گوئیاں کے صفحے پر زیرِ بحث لایا گیا ہے — نے خود METR سمیت جانچ کو کھینچا ہے۔ جنوری 2026 کے ایک نوٹس نے ایک مقررہ ڈھلوان لاجسٹک فٹ پر لاگو 35% تصحیح، یہ کہ تقریباً ایک تہائی کام-مشکل کے تخمینے ناپے جانے کے بجائے اخذ کیے گئے ہیں، اور یہ کہ METR کو «کوئی اندازہ نہیں» کہ آیا کسی ماڈل کا حقیقی ٹائم ہورائزن اصل میں اس اعتماد کے وقفے کے اندر ہے جو وہ رپورٹ کرتا ہے، ظاہر کیا (METR)۔ چند دن پہلے شائع ہونے والا ایک آزادانہ تنقیدی مضمون اس سے آگے گیا: کام غیر حقیقی طور پر صاف ستھرے ہیں، عوامی حل نے شاید ڈیٹا کو آلودہ کیا ہو، اور انسانی بنیادی وقت ایک چھوٹے، مالی طور پر ترغیب یافتہ نمونے سے آئے جس نے غالباً یہ بڑھا چڑھا کر پیش کیا کہ کاموں کو کتنا وقت «لینا چاہیے» — جس نے AI کی بظاہر تیز رفتاری کو جزوی طور پر موازنے کا نقص بنا دیا (Transformer News)۔ کسی بھی صورت میں، شعبے کے ٹائم لائن کے استخراج کا ایک بڑا حصہ ایک ایسے شور والے وکر فٹ سے دوبارہ قیمت لگاتا ہے جسے اس کے اپنے مصنفین بھی مکمل طور پر ثابت نہیں کر سکتے۔
یہ ایک پرانے مسئلے کے ساتھ مزید بڑھتا ہے: بینچ مارکس پر لاگو کیا گیا Goodhart کا قانون۔ ایک بار جب کوئی بینچ مارک اصلاحی ہدف بن جاتا ہے، تو لیبارٹریاں اس تصور کے بجائے جو یہ ناپتا ہے لیڈر بورڈ کی طرف فائن ٹیون کرتی ہیں — MMLU 2020 میں GPT-3 کے 43 پوائنٹ اسکور بمقابلہ 90 پوائنٹ کے انسانی بنیادی خط سے 2024 کے وسط تک بہترین ماڈلز کے اتنی سختی سے جمع ہو جانے تک پہنچا کہ فرق پرامپٹ-فارمیٹنگ کے شور کے اندر آ جاتا ہے۔ بینچ مارک-رساؤ کی آلودگی بڑھتے اسکور کو حقیقی فائدے کے طور پر پڑھنا مشکل بنا دیتی ہے۔ «بینچ مارک کو شکست دینا» اور «AGI تک پہنچنا» مختلف دعوے کیوں ہیں اس کے لیے AGI کے بارے میں دعووں کو کیسے تولیں اور صلاحیت کی سیڑھی دیکھیں۔
یہ صفحہ کیا دعویٰ نہیں کر رہا
اس میں سے کوئی بھی یہ مقدمہ نہیں بنتا کہ AGI ناممکن ہے، اور اوپر دیے گئے کسی بھی محقق نے یہ دعویٰ نہیں کیا — Marcus واضح طور پر کہتے ہیں کہ دونوں انتہائیں غلط ہیں۔ یہ جو ثابت کرتا ہے وہ حقیقی مادہ ہے: آرکیٹیکچرل حدود جو اسکیل سے واضح طور پر حل نہیں ہوتیں، ایک جسمانی کمپیوٹ چھت جو کسی روڈ میپ سے بے پروا ہے، اور ایک پیش گوئی کا آلہ جو، METR کے اپنے اعتراف کے مطابق، اس وکر کو مکمل طور پر ثابت نہیں کر سکتا جسے سب حوالہ دیتے ہیں۔ آیا یہ سب مل کر «دہائیاں دور» بنتا ہے یا «اس صفحے کی تجویز سے زیادہ قریب»، یہی وہ بات ہے جسے یہ رہنما قاری کے لیے حل کرنے سے انکار کرتا ہے۔ یہ جو نہیں کرے گا وہ یہ ہے کہ شکوک کے مقدمے کو مذاق بننے دے۔