پھیلاؤ ہی سب سے اہم نتیجہ ہے
انتہائی قابل یا انسانی سطح کے AI کے لیے پیش گوئیاں چند سالوں سے لے کر کئی دہائیوں تک پھیلی ہوئی ہیں، کچھ محققین کے ساتھ جو شک کرتے ہیں کہ موجودہ طریقے اسے پیدا بھی کر سکتے ہیں۔ یہ اختلاف کسی مشترکہ سائنسی ماڈل کے گرد کوئی معمولی غلطی کی حد نہیں۔ پیش گو اس بات پر اختلاف کرتے ہیں کہ AGI کیا شمار ہوتا ہے، کون سے تکنیکی مراحل باقی ہیں، کمپیوٹ اور ڈیٹا جیسے ان پٹس کتنی تیزی سے بڑھ سکتے ہیں، اور آیا ترقی ہموار طریقے سے جاری رہے گی۔ اس لیے کسی بھی ٹائم لائن کو ایک بیان کردہ تعریف کے تحت تاریخ شدہ پیش گوئی کے طور پر پیش کیا جانا چاہیے — کسی «AGI کاؤنٹ ڈاؤن» کے طور پر نہیں۔
Demis Hassabis یہ سمجھانے کی ایک مفید مثال فراہم کرتے ہیں کہ عین حوالہ کیوں اہم ہے۔ مارچ 2025 کے ایک CNBC انٹرویو میں، Google DeepMind کے چیف ایگزیکٹیو نے کہا کہ انسانی سطح کا AI پانچ سے دس سال میں آ سکتا ہے۔ انہوں نے یہ نہیں کہا کہ AGI کے معنی خیز شواہد «سال کے اندر» آئیں گے (CNBC انٹرویو)۔ درست طور پر نقل کیا گیا اقتباس بھی سوالات چھوڑتا ہے: کن کاموں پر انسانی سطح، کس اعتماديت کے ساتھ، اور کتنی خودمختاری کے ساتھ؟ یہ اقتباس ایک ماہر کے فیصلے کو ریکارڈ کرتا ہے، کوئی ناپا گیا امکان نہیں۔
چار قسم کی پیش گوئیاں جنہیں گڈمڈ نہیں ہونا چاہیے
لیبارٹری رہنماؤں کے بیانات واضح ہیں اور فرنٹیئر نظاموں تک براہِ راست رسائی سے آگاہ ہیں، لیکن یہ غیر جانبدار پیمائشیں نہیں۔ ایگزیکٹوز تجربات کے بارے میں قیمتی نجی معلومات رکھتے ہیں، پھر بھی وہ ایسے اداروں کی قیادت کرتے ہیں جو سرمائے، ٹیلنٹ، صارفین، اور سیاسی توجہ کے لیے مقابلہ کرتے ہیں۔ ان کے بیانات کمپنی مخصوص تعریفیں استعمال کر سکتے ہیں اور شاذ و نادر ہی کوئی مکمل پیش گوئی کا ماڈل ظاہر کرتے ہیں۔
محققانہ سروے بہت سے نظریات کو یکجا کرتے ہیں اور ماہرانہ رائے کی تقسیم ظاہر کرتے ہیں۔ 2023 کے AI میں پیش رفت کے ماہرانہ سروے، جو 2024 میں شائع ہوا، نے 2,778 محققین جمع کیے اور ہر ممکن کام میں انسانوں سے بہتر کارکردگی دکھانے والی مشینوں کے لیے تخمینوں کی ایک وسیع رینج رپورٹ کی؛ مصنفین نے خاطر خواہ اختلاف اور سوال کے الفاظ کی حساسیت پر بھی زور دیا (Grace et al.، 2024)۔ سروے کسی مخصوص وقت پر عقائد بیان کرتے ہیں۔ وہ ان عقائد کی توثیق نہیں کرتے یا یہ ضمانت نہیں دیتے کہ جواب دہندگان کوئی مشترکہ تعریف رکھتے ہیں۔
پیش گوئی پلیٹ فارمز جیسے Metaculus مسلسل پیش گوئیاں جمع کرتے ہیں۔ ان کے میڈین سروے سے زیادہ تیزی سے اپ ڈیٹ ہو سکتے ہیں، لیکن نتیجہ عین حل کے معیار اور شریک پول پر منحصر ہے۔ «کمزور طور پر عمومی AI»، «تبدیلی آور AI»، اور «AGI» مختلف سوالات ہیں۔ کسی مارکیٹ یا کمیونٹی کے میڈین کو اس کی بازیافت کی تاریخ، سوال کے الفاظ، رینج، اور حل کی شرائط کے ساتھ دکھایا جانا چاہیے نہ کہ اسے سائٹ گیر آخری تاریخ میں بدل دیا جائے۔
ماڈل پر مبنی پیش گوئیاں کمپیوٹ، بینچ مارک کی کارکردگی، الگورتھمی کارکردگی، یا ایجنٹ مکمل کر سکنے والے کاموں کی لمبائی کے رجحانات کو استخراج کرتی ہیں۔ یہ مفروضوں کو واضح بناتی ہیں، جو قیمتی ہے، لیکن استخراج اس وقت ناکام ہو سکتا ہے جب کوئی بینچ مارک سیر ہو جائے، کوئی وسیلہ رکاوٹ باندھ دے، یا کوئی نیا نمونہ رجحان بدل دے۔ کوئی وکر ماضی کی پیمائشوں کے بارے میں شواہد ہے؛ اس کی توسیع ایک مشروط پیش گوئی ہے۔
موجودہ صلاحیتی رجحانات کیا دکھاتے ہیں
تیز رفتار بہتری کے حقیقی شواہد موجود ہیں۔ Stanford AI Index گرتی استدلالی لاگت اور مشکل بینچ مارکس پر بڑھتے اسکور دستاویز کرتا ہے، جبکہ یہ بھی دکھاتا ہے کہ مشکل تشخیصات حل نہیں ہوئیں اور معیاری ذمہ دار-AI تشخیص ناہموار ہے (Stanford AI Index 2025)۔ METR رپورٹ کرتا ہے کہ کسی دیے گئے کامیابی کے امکان پر فرنٹیئر ایجنٹ مکمل کرتے ہیں جو سافٹ ویئر پر مبنی کاموں کا انسانی-ماہر دورانیہ تیزی سے بڑھا ہے (METR ٹائم ہورائزنز)۔ یہ منتخب نظاموں اور ٹیسٹوں کے بارے میں مشاہدات ہیں، کسی قریب آتی AGI تاریخ کے براہِ راست مشاہدات نہیں۔
METR کا پیمانہ خاص طور پر غلط بیان کرنا آسان ہے۔ کئی گھنٹوں کا 50 فیصد ٹائم ہورائزن یہ ظاہر کرتا ہے کہ، METR کے کام کے سوٹ پر، فٹ کیا گیا ماڈل ایسے کام مکمل کرنے کا 50 فیصد امکان پیش گوئی کرتا ہے جو کسی انسانی ماہر کو اتنا وقت لیتے ہیں۔ اس کا مطلب یہ نہیں کہ AI اتنے گھنٹوں تک خودمختاری سے کام کرتا ہے۔ یہ کام بنیادی طور پر سافٹ ویئر انجینئرنگ، مشین لرننگ، اور سائبر سیکیورٹی ہیں؛ وہ غیر معمولی طور پر خود مکتفی اور معروضی طور پر گریڈ کیے جا سکنے والے ہیں؛ سولہ گھنٹے سے زیادہ کے تخمینوں کو فی الحال ناقابلِ اعتماد بیان کیا جاتا ہے؛ اور حقیقی ملازمتیں کہیں زیادہ گندی ہیں۔ METR کے محققین نے خبردار کیا ہے کہ غلطی کی حدیں تقریباً دو گنا کا عنصر پھیل سکتی ہیں اور شعبہ جاتی فرق کئی درجوں تک پھیل سکتا ہے (METR حدود کا نوٹ)۔
یہ نتائج ایک تنگ نتیجے کی حمایت کرتے ہیں: ڈیجیٹل کام کی تکمیل کی کچھ اقسام تیزی سے بہتر ہو رہی ہیں۔ وہ، خود میں، یہ ثابت نہیں کرتے کہ کوئی نظام کب ایک قابلِ اعتماد سائنسدان، منتظم، دیکھ بھال کرنے والا، سیاسی فیصلہ ساز، یا انسانی مزدور کا عمومی متبادل بن جائے گا۔
معقول پیش گوئیاں کیوں الگ ہوتی ہیں
جلد آمد کی توقع رکھنے والے پیش گو اکثر اسکیلنگ کے استقلال، بہتر استدلالی وقت کی کمپیوٹیشن، مصنوعی ڈیٹا، آلے کے استعمال، اور AI-معاون تحقیق پر زور دیتے ہیں۔ اگر یہ رجحانات ایک دوسرے کو تقویت دیں، تو ترقی تیز ہو سکتی ہے۔ وہ یہ بھی دلیل دے سکتے ہیں کہ اقتصادی طور پر تبدیلی آور نظاموں کو انسانی ذہانت کی ہر خصوصیت دوبارہ پیدا کرنے کی ضرورت نہیں؛ وسیع ڈیجیٹل اہلیت کافی ہو سکتی ہے۔
طویل ٹائم لائن کے پیش گو اعتماديت، بنیاد، مسلسل سیکھنے، سببی سمجھ، روبوٹکس، اور بینچ مارک اور کھلے عام کام کے درمیان خلا پر زور دیتے ہیں۔ وہ عملی رکاوٹوں کی طرف بھی اشارہ کرتے ہیں: توانائی، چپس، ڈیٹا سینٹر کی تعمیر، اعلیٰ معیار کا ڈیٹا، تشخیص، اور اداروں کی نظاموں کو محفوظ طریقے سے تعینات کرنے کی صلاحیت۔ کچھ موجودہ بڑے ماڈل کے طریقوں سے آگے آرکیٹیکچرل پیش رفت کی توقع رکھتے ہیں۔ ان میں سے کوئی بھی موقف محض اعتماد یا سنیارٹی سے طے نہیں کیا جا سکتا۔
تعریفیں بظاہر اختلاف کا ایک اور ذریعہ پیدا کرتی ہیں۔ ایک نظام جو زیادہ تر دور دراز کمپیوٹر کام خودکار بنا سکتا ہے وہ مجسم کاموں میں ناکام رہتے ہوئے بھی اقتصادی طور پر تبدیلی آور ہو سکتا ہے۔ ایک ماڈل جو وسیع امتحانی بیٹری پر عام انسانوں سے زیادہ اسکور کرتا ہے وہ پھر بھی آزادانہ طور پر کام کرنے کے لیے بہت غیر قابلِ اعتماد ہو سکتا ہے۔ ایک پیش گو دونوں نظاموں کو AGI کہہ سکتا ہے؛ دوسرا حقیقی دنیا میں مضبوط انسانی مساوی سیکھنے کے لیے یہ لفظ محفوظ رکھ سکتا ہے۔
ایک ذمہ دار ٹائم لائن ٹریکر کیسے برقرار رکھیں
ایک مفید ٹریکر کو اصل الفاظ، بولنے والا، تاریخ، ماخذ، تعریف، اور پیش گوئی کی رینج محفوظ رکھنی چاہیے۔ اسے کسی ذاتی تخمینے کو ادارہ جاتی عزم سے الگ کرنا چاہیے، بعد کی نظرثانیاں ریکارڈ کرنی چاہئیں، اور کبھی خاموشی سے کسی پرانی پیش گوئی کو تبدیل نہیں کرنا چاہیے۔ مجموعی پیش گوئیوں کو صرف میڈین کے بجائے غیریقینی کے وقفے دکھانے چاہئیں۔ صفحے کو ممکنہ ترغیبات اور آیا پیش گوئی عوامی یا نجی شواہد پر منحصر ہے یہ بھی ظاہر کرنا چاہیے۔
قارئین پانچ سوالات لاگو کر سکتے ہیں:
- کس نتیجے کی پیش گوئی کی جا رہی ہے؟ AGI، انسانی سطح کا AI، کام کی خودکاری، یا مافوق ذہانت؟
- کون سا امکان اور تاریخ منسلک ہے؟ «ہو سکتا ہے» کوئی میڈین پیش گوئی نہیں۔
- کون سے شواہد تخمینے کو چلاتے ہیں؟ اسکیلنگ، کوئی سروے، نجی تجربات، یا وجدان؟
- کیا چیز پیش گو کا ذہن بدل دے گی؟ ممکنہ تردید کے بغیر پیش گوئی کو جانچنا مشکل ہے۔
- کیا اسے اسکور کیا گیا ہے؟ ماضی کی پیش گوئیوں کو ان کی آخری تاریخ کے بعد بھی نظر آنا چاہیے۔
عملی نتیجہ
منصوبہ بندی کو کسی ایک تاریخ منتخب کرنے پر منحصر نہیں ہونا چاہیے۔ قریب المدت نقصانات اور مواقع اس سے قطع نظر عمل کے مستحق ہیں کہ آیا AGI 2028، 2040، یا کبھی نہیں آتا۔ حکومتیں اور ادارے منظرنامے کی رینجز استعمال کر سکتے ہیں: تیز صلاحیتی فوائد کے لیے تیاری کریں، ایسی پالیسیاں بنائیں جو سست ترقی کے تحت بھی مفید رہیں، اور مضبوط تر حفاظتی تدابیر کے لیے قابلِ پیمائش محرکات متعین کریں۔
غیریقینی خود قابلِ عمل ہے۔ یہ مارکیٹنگ لیبلز کے بجائے صلاحیتوں کی نگرانی، تشخیص اور لچک میں سرمایہ کاری، اور ایک مقررہ شیڈول پر پیش گوئیوں پر نظرثانی کی دلیل دیتی ہے۔ ٹائم لائن کا صفحہ اعتماد اس بات سے کماتا ہے کہ تاریخیں کتنا کم ثابت کرتی ہیں، نہ اس سے کہ کسی حرکت پذیر میڈین کو مقدر کی طرف گنتی کرنے والی گھڑی جیسا دکھایا جائے۔