رچ ستن نے خود مختار AI ایجنٹس میں انقلاب لانے کے لیے Oak Lab کا آغاز کر دیا
ٹورنگ ایوارڈ یافتہ رچرڈ ستن نے Oak Lab کے آغاز کے ساتھ باضابطہ طور پر اسٹارٹ اپ کی دنیا میں قدم رکھ دیا ہے، جو ٹورنٹو میں قائم ایک ایسا منصوبہ ہے جس کا مقصد مصنوعی ذہانت (artificial intelligence) کی نئی تعریف کرنا ہے۔ جدید جنریٹیو ماڈلز کی حدود سے آگے بڑھتے ہوئے، یہ کمپنی ایسے خود مختار ایجنٹس بنانے کی کوشش کر رہی ہے جو مسلسل اور ریئل ٹائم سیکھنے کے ذریعے حقیقی دریافت کرنے کی صلاحیت رکھتے ہوں۔
جنریٹیو نقل سے آگے بڑھنا
جدید reinforcement learning کے بانی اور Keen Technologies کے سابق محقق رچرڈ ستن کا ماننا ہے کہ AI کا موجودہ رخ بنیادی طور پر غلط ہے۔ اگرچہ صنعت اس وقت Large Language Models (LLMs) کے جنون میں ہے، لیکن ستن کا استدلال ہے کہ یہ ڈیپ لرننگ کے طریقے "کمزور اور غیر موثر" ہیں۔
ستون کے مطابق، موجودہ generative AI نقل کرنے میں تو ماہر ہے لیکن خود کی جانچ (self-evaluation) کرنے میں ناکام ہے۔ چونکہ یہ ماڈلز اپنے نتائج کا تنقیدی جائزہ نہیں لے سکتے، اس لیے وہ فطری طور پر حقیقی دریافت یا سائنسی ترقی کے قابل نہیں ہیں۔ Oak Lab کا مشن "static training" کے دور سے آگے بڑھ کر ایک ایسے مستقبل کی طرف جانا ہے جہاں ماڈلز کو بڑے ڈیٹا سیٹس فراہم کر کے ساکن (freeze) کرنے کے بجائے، وہ متحرک اور ارتقائی ذہانت کے حامل ہوں۔
مقصد: ریئل ٹائم لرننگ اور ورلڈ ماڈلز
خرم جاوید کے ساتھ شراکت داری میں، ستن Oak Lab کو ایڈوانسڈ reinforcement learning پر مبنی ایک وژن کے حصول کے لیے تیار کر رہے ہیں۔ پہلے سے تیار شدہ ڈیٹا پر انحصار کرنے کے بجائے، Oak Lab کا مقصد ایسے ایجنٹس تیار کرنا ہے جو اپنے ماحول سے مسلسل سیکھتے رہیں۔
تکنیکی روڈ میپ کئی اہم ستونوں پر توجہ مرکوز کرتا ہے:
- انٹرنل ورلڈ ماڈلز (Internal World Models): ایسے ایجنٹس بنانا جو صرف اگلے ٹوکن (token) کی پیش گوئی نہ کریں، بلکہ اپنے ارد گرد کے ماحول کے بنیادی میکانزم کو بھی سمجھیں۔
- خود مختار جانچ (Autonomous Evaluation): ایسے نظام تیار کرنا جو انسانی مداخلت کے بغیر اپنے تغیرات، جانچ اور انتخاب کے عمل کو خود سنبھال سکیں۔
- ریئل ٹائم پلاننگ (Real-Time Planning): ردعمل دینے والے پیٹرن میچنگ سے ہٹ کر فعال اور مقصد کے حصول پر مبنی منصوبہ بندی کی طرف منتقل ہونا۔
ستون نے لیب کے لیے ایک پرجوش طویل مدتی معیار مقرر کیا ہے: ایک ایسا trillion-parameter ایجنٹ بنانا جو صرف 20 واٹ توانائی استعمال کرتے ہوئے ریئل ٹائم سیکھنے اور منصوبہ بندی کرنے کے قابل ہو۔ یہ ہدف جدید AI کے سب سے بڑے مسائل میں سے ایک—یعنی بڑے کمپیوٹ کلسٹرز کی بے پناہ توانائی کی ضرورت—کو حل کرتا ہے۔
یہ AI کے منظر نامے کے لیے کیوں اہم ہے
Oak Lab کا قیام AI کی صنعت میں ایک ممکنہ تبدیلی (paradigm shift) کا اشارہ ہے۔ جہاں موجودہ مارکیٹ کا زیادہ تر حصہ transformer architectures کو وسعت دینے اور ڈیٹا سیٹس کے سائز بڑھانے پر مرکوز ہے، وہیں ستن اس شعبے کو چلانے والے بنیادی تصورات کی "مکمل ازسرنو تشکیل" کا مطالبہ کر رہے ہیں۔
اگر Oak Lab کامیاب ہو جاتا ہے، تو صنعت ڈیٹا کو بڑھانے کے "brute force" طریقے سے ہٹ کر زیادہ نفیس اور موثر آرکیٹیکچر کی طرف بڑھ سکتی ہے جو حیاتیاتی ذہانت کی نقل کرتے ہیں۔ reinforcement learning اور ماحولیاتی تعامل کو ترجیح دے کر، ستن کا یہ اندازہ ہے کہ Artificial General Intelligence (AGI) کا راستہ محض بڑے پیمانے پر نقل کرنے کے بجائے تجربے اور خود مختاری میں پنہاں ہے۔
اہم نکات
- نیا فلسفیانہ نقطہ نظر: Oak Lab کا مقصد موجودہ "کمزور" ڈیپ لرننگ طریقوں کو ایسے ایجنٹس سے بدلنا ہے جو static datasets کے بجائے مسلسل ماحولیاتی تعامل کے ذریعے سیکھتے ہوں۔
- کارکردگی کے عزائم: یہ اسٹارٹ اپ کمپیوٹیشنل کارکردگی میں ایک بڑی کامیابی حاصل کرنے کا ہدف رکھتا ہے، جس کا مقصد ایک trillion-parameter ماڈل بنانا ہے جو صرف 20 واٹ بجلی پر کام کر سکے۔
- دریافت پر توجہ: generative AI کے برعکس، جو نقل پر توجہ مرکوز کرتی ہے، Oak Lab ایسے ایجنٹس بنا رہا ہے جو خود کی جانچ اور خود مختار ریئل ٹائم منصوبہ بندی کے قابل ہوں۔