مصنوعی ذہانت اصل میں کیسے کام کرتی ہے، اور یہ اب کیوں اہم ہے

تنظیم برائے اقتصادی تعاون و ترقی (OECD)، جس کی رکن حکومتیں اس ٹیکنالوجی پر پالیسی کو یکجا کرتی ہیں، ایک AI نظام کو "ایک مشین پر مبنی نظام جو واضح یا مضمر مقاصد کے لیے، اس ان پٹ سے جو یہ وصول کرتا ہے، اندازہ لگاتا ہے کہ پیشن گوئیوں، مواد، سفارشوں، یا فیصلوں جیسی چیزیں کیسے تیار کریں جو جسمانی یا ورچوئل ماحول کو متاثر کر سکتے ہیں" کے طور پر متعارف کراتی ہے۔ OECD Council نے 2023 میں اس الفاظ میں ترمیم کی تاکہ یہ تکنیکی طور پر درست رہے جیسے جنریٹیو AI ٹولز پھیل رہے ہیں، تنظیم کی اپنی تشریح کے مطابق۔

لکھے ہوئے اصولوں سے ڈیٹا سے سیکھنے تک

پرانے سافٹ ویئر نے اصول کی پیروی کی جو پروگرامر نے سطر در سطر لکھے: اگر X ہو تو Y کریں۔ مشین لرننگ، آج کی زیادہ تر AI کے پیچھے کا نقطہ نظر، اس کی بجائے الگورتھم کو بہت سی مثالیں دیتا ہے اور اسے نمونے خود معلوم کرنے دیتا ہے، IBM کی تکنیکی وضاحت کے مطابق۔ ایک بار تربیت یافتہ ہونے کے بعد، نظام نئی معلومات کو درجہ بندی کر سکتا ہے، ایک قدر کی پیشن گوئی کر سکتا ہے، کچھ غیر معمولی کو نشان زد کر سکتا ہے، یا کسی ہر معاملے کے لیے بالکل صحیح اصول دیے بغیر کارروائی کی سفارش کر سکتا ہے۔

OECD ایک AI نظام کی کارکردگی کو تین عناصر میں تقسیم کرتا ہے۔ Inputs وہ ڈیٹا، کوڈ یا اصول ہیں جو ترقی یا استعمال کے دوران نظام میں ڈالے جاتے ہیں۔ Inference وہ مرحلہ ہے جس میں نظام ان ان پٹ سے آؤٹ پٹ معلوم کرتا ہے، جو ایک ماڈل کی تعمیر کے دوران یا اسے deploy کرنے کے بعد ہو سکتا ہے۔ Outputs وہ پیشن گوئیں، مواد، سفارشیں یا فیصلے ہیں جو نظام پیدا کرتا ہے، جو پھر جسمانی یا ورچوئل ماحول کو متاثر کر سکتے ہیں — مثال کے طور پر، کار کی سٹیئرنگ، سفارش شدہ ویڈیوز کی فہرست، یا متن کا ایک تیار شدہ پیرہ۔

نظام کے اندر neural network کیا کرتا ہے

آج کا سب سے زیادہ استعمال شدہ مشین لرننگ طریقہ neural network ہے، ایک ڈھانچہ جو دماغ پر ڈھیلے ڈھنگ سے نمونہ بنایا گیا ہے، interconnected nodes کی تہوں سے بنا ہوا جو ڈیٹا کو اکٹھا کے ساتھ پروسیس کرتے ہیں، IBM کے مطابق۔ روایتی پروگرام کے برعکس، neural network کو ان پٹ اور آؤٹ پٹ کو جوڑنے والا اصول پہلے سے نہیں بتایا جاتا؛ بجائے اس کے اسے ان پٹ اور آؤٹ پٹ کے بہت سے جوڑے دکھائے جاتے ہیں اور یہ بار بار نمائش کے ذریعے اپنے آپ کو بدل لیتا ہے کہ انہیں کیا جوڑتا ہے۔

Deep learning neural networks کو کہا جاتا ہے جن کی متعدد تہیں ہیں — عام طور پر ایک ان پٹ لیئر، کم از کم تین (اور اکثر سینکڑوں) hidden layers، اور ایک آؤٹ پٹ لیئر، IBM کی وضاحت میں کہا گیا ہے۔ ایک تصویر کی شناخت کے نظام میں، ابتدائی تہیں سادہ خصوصیات جیسے edges یا colors کو جواب دینے کے لیے تیار ہوتی ہیں، جبکہ گہری تہیں ان کو shapes میں اور بالآخر قابل شناخت اشیاء میں جوڑتی ہیں۔ یہ تہہ بندی والا ڈھانچہ نظام کو خودکار طور پر غیر لیبل شدہ ڈیٹا سے متعلقہ خصوصیات نکالنے دیتا ہے، جو موجودہ generative AI tools کو ممکن بناتا ہے۔

ایک بڑے generative AI ماڈل کی تعمیر میں عام طور پر تین مراحل شامل ہیں، IBM کے مطابق: بہت بڑے، اکثر غیر لیبل شدہ datasets پر ایک ابتدائی تربیتی مرحلہ جس میں ہزاروں خصوصی processors کی ضرورت ہو سکتی ہے اور لاکھوں ڈالر کی لاگت ہو سکتی ہے؛ ایک tuning مرحلہ جس میں ماڈل کو خاص کاموں کے لیے تبدیل کیا جاتا ہے، کبھی کبھار انسانی feedback کا استعمال کرتے ہوئے؛ اور deployment کے بعد جاری تشخیص اس کی آؤٹ پٹ کو چیک اور بہتر بنانے کے لیے۔

یہ کیوں اہم ہے: اپنانا اور سرمایہ کاری کی شخصیات

Stanford University کے Human-Centered AI Institute 2025 AI Index Report میں ٹریک کی گئی متعدد پیمائش کے لحاظ سے AI کی پہنچ تیزی سے بڑھی ہے۔ AI کے کسی بھی استعمال کی اطلاع دینے والی تنظیموں کا حصہ 2024 میں 78% تک پہنچا، جو ایک سال پہلے 55% تھا۔ Generative AI خاص طور پر 2024 میں عالمی نجی سرمایہ کاری میں $33.9 billion جمع کیے، جو 2023 سے 18.7% اضافہ ہے۔ ریاستہائے متحدہ میں، نجی AI سرمایہ کاری 2024 میں $109.1 billion تک پہنچی، جو China کے $9.3 billion اور United Kingdom کے $4.5 billion سے بہت آگے ہے، رپورٹ میں کہا گیا۔

رپورٹ نے AI benchmark کارکردگی میں ایک اضافے کو بھی ریکارڈ کیا: 2023 میں متعارف کرائے گئے تین ٹیسٹ میں جو جدید نظام کو ماپتے ہیں — MMMU، GPQA اور SWE-bench — اسکور بالترتیب ایک سال میں 18.8، 48.9 اور 67.3 فیصد پوائنٹ بڑھے۔ منظم شدہ شاخوں میں، U.S. Food and Drug Administration کے ذریعے صاف شدہ AI-enabled medical devices کی تعداد 2015 میں چھ سے بڑھ کر 2023 میں 223 تک پہنچی، اسی رپورٹ کے مطابق۔

مقابلہ کہاں کھڑا ہے

Stanford رپورٹ نے یہ بھی ٹریک کیا کہ 2024 میں کون سی ممالک نے سب سے نمایاں AI ماڈل تیار کیے: U.S. کی بنیاد پر ادارے 40 تیار کیے، جبکہ China سے 15 اور Europe سے تین۔ ایک ہی وقت میں، اہم benchmarks پر شیریعتہ U.S. اور Chinese ماڈل کے درمیان کارکردگی کا فاصلہ 2023 میں دوہری ہندسوں سے 2024 میں قریب برابری تک سکڑ گیا، رپورٹ میں کہا گیا۔