کمپیوٹر سائنس
جو زبان پروگرامنگ کے بارے میں آپ کے سوچنے کے انداز کو متاثر نہ کرے، وہ جاننے کے لائق نہیں۔
— (1982)
تجربہ کار ڈویلپرز کو اے آئی کے ساتھ کام زیادہ تیز محسوس ہوا، مگر پیمائش میں وہ واقعی سست تھے — اصل نتیجہ کیا ہے، اور اے آئی کوڈنگ پر یہ کوئی آخری فیصلہ کیوں نہیں
ایک تصادفی کنٹرول شدہ ٹرائل میں METR نے سولہ تجربہ کار اوپن سورس ڈویلپرز سے 246 حقیقی کام ایسے codebases پر مکمل کروائے جنہیں وہ اچھی طرح جانتے تھے۔ آدھے کام میں تصادفی طور پر 2025 کے شروع کے اے آئی ٹولز — Cursor Pro کے ساتھ Claude 3.5/3.7 Sonnet — استعمال کرنے کی اجازت تھی۔ ڈویلپرز کو توقع تھی کہ اے آئی کام وقت تقریباً 24% کم کرے گا؛ اس کے بجائے completion وقت 19% بڑھ گیا، اور کام ختم ہونے کے بعد بھی انہیں لگتا رہا کہ اے آئی نے انہیں تقریباً 20% تیز کیا۔ یہی perception خلا مطالعہ کا سب سے واضح اور مضبوط نکتہ ہے۔ لیکن یہ صرف سولہ ڈویلپرز، ایک محدود setting اور ابتدائی-2025 ٹولز کا snapshot ہے؛ مصنفین واضح ہیں کہ یہ نتیجہ زیادہ تر ڈویلپرز پر اے آئی کی ناکامی ثابت نہیں کرتا، اور ان کا اپنا 2026 follow-up caveats کے ساتھ speedup کی طرف اشارہ کرتا ہے۔ یہ ایک سنجیدہ پیمائش ہے — اے آئی coding پر آخری فیصلہ نہیں۔
چال یہ نہیں کہ راز کے چھپے ہونے کو ثابت کیا جائے
زیرو نالج ثبوت ثبوت پیش کرنے والا کو تصدیق کنندہ کو بیان درست ہونے پر قائل کرنے دیتی ہیں، گواہ reveal کیے بغیر۔ کلاسیکی impossibility نتائج کہتے ہیں کہ زیرو نالج کو بغیر سیٹ اپ ایک پیغام والا form میں squeeze نہیں کیا جا سکتا اور کامل صحتِ ثبوت بھی نہیں رکھی جا سکتی۔ Rahul Ilango کا مقالہ ان impossibilities کو refute نہیں کرتا۔ یہ weaker notion **effectively زیرو نالج** define کرتا ہے: سیمیولیٹر کے واقعی exist کرنے کی requirement کے بجائے chosen ثبوت نظام — مثلاً ZFC جیسے صوری قاعدہ نامہ — کو مؤثر طور پر یہ ثابت کرنا کرنے سے عاجز ہونا چاہیے کہ سیمیولیٹر exist نہیں کرتا۔ کرپٹوگرافی کی major مفروضے (غیر تفاعلی گواہ indistinguishable ثبوت) اور ثبوت پیچیدگی مفروضہ (نہیں optimal ثبوت نظام exists) کے تحت مقالہ NP/SAT کے ایک پیغام والا، بغیر سیٹ اپ، perfectly sound provers construct کرتا ہے جو کلاسیکی زیرو نالج کی falsifiable game-based consequences property-by-property حاصل کرتے ہیں۔ ایک واحد ثبوت پیش کرنے والا جو تمام “قدرتی” such properties cover کرے، مزید partly conjectural extension ہے؛ literally every falsifiable property بیک وقت cover کرنا ممکنہ طور پر impossible ہے کیونکہ ثبوت reusable رہتی ہیں۔ نتیجہ نظری اور conditional ہے، deployed primitive نہیں، مگر ثبوت-theoretic unprovability کو کرپٹوگرافک resource بنانے کا نیا راستہ دکھاتا ہے۔
پرائیویسی ضمانت اوسط سے نہیں، ہر فرد سے کیا گیا وعدہ ہے
رکنیت استنباط حملے یہ جاننے کی کوشش کرتے ہیں کہ کسی مخصوص person's ریکارڈ اے آئی ماڈل کے تربیت ڈیٹا میں تھا یا نہیں۔ چونکہ رکنیت خود sensitive fact ہو سکتی ہے — مثلاً کسی بیماری یا علاج سے تعلق ظاہر کر سکتی ہے — یہ genuine پرائیویسی رساؤ ہے، چاہے underlying ریکارڈ content باہر نہ آئے۔ Previous کام نے حملہ success کو ڈیٹا سیٹ کے اوسط پر پیمائش کیا۔ اس مطالعہ نے اسے **per مریض** پیمائش کیا، سات طبی ڈیٹا سیٹس (امیجنگ، ECG، الیکٹرانک ریکارڈز) اور بہت سے ماڈلز میں، اور پایا کہ مجموعی metrics خطرہ کو بہت کم دکھا سکتے ہیں: کچھ individuals تقریباً perfectly شناخت کرنا ہو سکتے ہیں (حملہ AUC ≥ 0.95) حالانکہ ڈیٹا سیٹ-wide اوسط محفوظ لگے؛ سب سے زیادہ vulnerable systematically کم نمائندگی والے گروپس سے آتے ہیں؛ اور ماڈل حجم کے ساتھ مسئلہ بڑھتی ہے۔ مصنفین طبی اے آئی چھوڑنے کی بات نہیں کرتے — وہ فرد-سطح پرائیویسی پیمائش، ماڈل-رسائی controls اور differential پرائیویسی کی سفارش کرتے ہیں۔ Takeaway: “اوسط پر private” پرائیویسی ضمانت نہیں، اور ناکامی زیادہ تر انہی لوگوں پر آتی ہے جو پہلے ہی سب سے کم protected ہیں۔
آنکھیں بند کر کے ڈرائنگ کرنا
vector graphics generate کرنے والے زبان ماڈلز روایتی طور پر “بلائنڈ” تھے: تمام SVG ڈرائنگ commands لکھتے تھے مگر نتیجہ render کر کے نہیں دیکھتے تھے۔ Guotao Liang کی team Render-in-the-لوپ propose کرتی ہے: ہر مرحلہ کے بعد half-finished ڈرائنگ render کریں اور ماڈل کو واپس دیں تاکہ اگلا stroke canvas دیکھتے ہوئے بنے۔ central دیانت دار finding یہ ہے کہ existing ماڈل پر یہ feedback بس on کر دیں تو ماڈل **worse** ہوتا ہے؛ gain صرف retraining کے بعد آتا ہے، ساتھ ڈرائنگ-وقت جانچ جو نہیں-تبدیلی strokes discard کرتی ہے۔ retrained 8B ماڈل معیاری بینچ مارک پر rivals کو مطابقت یا slightly beat کرتا ہے، جن میں 20× زیادہ ڈیٹا پر trained ماڈل بھی شامل ہے—genuine نتیجہ، مگر چھوٹا proxy-میٹرک margins، کم-res icons/سادہ illustrations پر۔ مصنفین کا اہم takeaway کارکردگی ہے: اپنے کام کو صحیح طرح “دیکھنا” sheer ڈیٹا پیمانہ کا کچھ متبادل بن سکتا ہے۔
سوال کا جواب دینا اور پورا کلینیکل کیس چلانا ایک ہی بات نہیں
MIRA autonomous اے آئی ایجنٹ ہے جو sandboxed EHR میں تاریخ لیتا، labs/امیجنگ/microbiology ترتیب اور interpret کرتا، تشخیص تک پہنچتا اور علاج orders لکھتا ہے۔ عوامی MIMIC-IV کے 574 retrospective کیسز، آٹھ pre-selected diagnoses، پر اس نے 88.9% overall تشخیصی درستگی حاصل کی؛ 311-کیس براہِ راست موازنہ میں 87.8%، senior بورڈ سے تصدیق شدہ physicians کے 78.1% اور mixed-seniority گروپ کے 71.1% کے مقابلے میں۔ Decisions largely guideline-concordant تھے اور مصنفین نے بلند-severity medication غلطیاں رپورٹ نہیں کیے۔ مگر جائزہ سیمولیشن تھی، past ریکارڈز پر، متن-only؛ advantage کا بڑا حصہ واضح ٹیسٹ والی حالات میں تھا؛ MIRA نے ڈاکٹرز کے مقابلے میں far مزید blood analytes استعمال کیے (~51% vs 28%)؛ کئی علاج نتائج recorded chart کے خلاف اسکور ہوئے؛ اور عوامی MIMIC-IV تربیتی ڈیٹا contamination کا حقیقی خطرہ رکھتا ہے — جسے مصنفین ممکن بالائی bound کہتے ہیں۔ حقیقی advance whole-کام کا بہاؤ ایجنٹ ہے، نہ یہ ثبوت کہ اے آئی ڈاکٹرز سے بہتر diagnose کرتی ہے یا clinic deployment کے لیے ready ہے۔
ایک روبوٹ مقالہ جس کا اصل موضوع honesty ہے
Toyota تحقیق Institute نے “بڑا رویّہ ماڈلز”—diffusion-based روبوٹ policies، ~1,700 hours diverse manipulation ڈیٹا پر pretrained—کو from-scratch واحد-کام policies کے against unusually rigorous protocol سے ٹیسٹ کیا: بلائنڈ، تصادفی، بڑا نمونہ (≈1,800 حقیقی دنیا اور 47,000+ سیمولیشن ٹرائلز)، حقیقی statistics کے ساتھ۔ per-کام finetuning کے بعد big ماڈلز مجموعی میں reliably بہتر، تقریباً **3–5× کم کام-مخصوص ڈیٹا** میں equivalent کارکردگی، اور **تقسیم shift میں زیادہ مضبوط** تھے؛ کارکردگی پری ٹریننگ ڈیٹا کے ساتھ smoothly بہتر کرنا ہوئی۔ مگر **without finetuning** وہ consistently واحد-کام ماڈلز کو beat نہیں کرتے، اثرات کئی جگہ چھوٹا تھے، اور ڈیٹا normalisation انتخاب ساخت سے زیادہ مادّہ کرتی تھی۔ یہ روبوٹ-foundation-ماڈل سمت کے لیے ناپا گیا تائید ہے—**عمومی-purpose روبوٹ نہیں، zero-shot generalist نہیں، emergent leap نہیں**—اور warning کہ robotics میں underpowered مطالعات شور رپورٹ کر سکتی ہیں۔
ماڈلز guess کیوں کرتے ہیں — اور ہم نے انہیں guess کرنا کیوں سکھایا
زبان-ماڈل confident غلط answers دو sources سے آتے ہیں۔ شماریاتی: patternless حقائق ڈیٹا میں نایاب/unseen ہوں تو ماڈل کبھی غلط ہوگا، floor singleton شرح جیسے تخمینہ سے۔ incentive: almost ہر بینچ مارک “I don't know” کو غلط جیسا اسکور کرتا ہے، so guessing wins—حتیٰ کہ زیادہ غلط ماڈل زیادہ دیانت دار abstaining ماڈل سے اسکور کر سکتا ہے۔ مصنفین کھلا rubrics propose کرتے ہیں: اسکورنگ سوال میں حالت کریں۔ four frontier ماڈلز کے limited کیس مطالعہ میں یہ incentive flip کرتا ہے اور hallucination-reducing abstention طریقہ انعام ہوتی ہے۔ نظریہ+سروے + چھوٹا uncontrolled تجربہ؛ promising درست کرنا، وسیع deployed efficacy ابھی ثابت کرنا نہیں۔ hallucinations نہ mystical ہیں، نہ strictly inevitable۔