مصنوعی ذہانت (اے آئی) سائنسی تحقیق کے منظر نامے کی تشکیل نو کر رہی ہے—یہ نہ صرف سائنسدانوں کے لیے ایک آلے میں ترقی پذیر اضافہ ہے، بلکہ ایک گہری تبدیلی ہے جو انقلابی اوزاروں کے ذریعے کارفرما ہے جو سائنسی طریقہ اور پورے تحقیقی ماحولیاتی نظام کو نئی شکل دے رہی ہے۔ ہم ایک نئے سائنسی نمونے کی پیدائش کا مشاہدہ کر رہے ہیں، جس کی اہمیت سائنسی انقلاب کے برابر ہے۔
اے آئی کی دوہری صلاحیت—پیش گوئی کرنے کی اہلیت اور تخلیق کرنے کی اہلیت—اس تبدیلی کے مرکز میں ایک متحرک قوت ہے۔ یہ دورخی طاقت اے آئی کو تحقیقاتی عمل کے تقریباً ہر مرحلے میں حصہ لینے کے قابل بناتی ہے، تصوراتی تشکیل سے لے کر حتمی دریافت تک۔
روایتی نمونہ: مفروضوں اور تردید کی دنیا
کلاسیکی چکر: “مفروضہ-تجربہ-تصدیق”
روایتی طور پر، سائنسی پیش رفت ایک واضح اور طاقتور منطقی چکر کی پیروی کرتی ہے، “مفروضہ-تجربہ-تصدیق”۔ سائنسدان پہلے سے موجود علم اور مشاہدات کی بنیاد پر ایک مخصوص اور قابلِ آزمائش مفروضہ پیش کرتے ہیں۔ اس کے بعد، وہ اس مفروضے کی جانچ کے لیے سخت تجربات کا ڈیزائن اور انعقاد کرتے ہیں۔ آخر میں، جمع کردہ تجرباتی اعداد و شمار کی بنیاد پر، مفروضے کی تصدیق، ترمیم یا مکمل طور پر تردید کی جاتی ہے۔ اس عمل نے صدیوں سے سائنسی علم کی ترقی کی بنیاد رکھی ہے۔
فلسفیانہ بنیاد: پوپر کا تردید پرستی کا نظریہ
اس کلاسیکی ماڈل کی فلسفیانہ روح کو بڑی حد تک سائنس کے فلسفی کارل پوپر کے تردید پرستی کے نظریہ نے بنیاد فراہم کی ہے۔
- خط امتیاز : پوپر نے ایک مرکزی نقطہ نظر پیش کیا کہ سائنس اور غیر سائنس (جیسے کہ چھدم سائنس) کے درمیان فرق کرنے کی کلید اس میں نہیں ہے کہ آیا کسی نظریہ کو سچ ثابت کیا جا سکتا ہے، بلکہ اس میں ہے کہ آیا اسے جھوٹا ثابت کیا جا سکتا ہے۔ ایک سائنسی نظریہ کو ایسی پیش گوئیاں کرنی چاہئیں جن کا تجرباتی طور پر مقابلہ کیا جا سکے۔ اس کی ایک مشہور مثال یہ دعویٰ ہے کہ “تمام ہنس سفید ہوتے ہیں”، اس سے کوئی فرق نہیں پڑتا کہ ہم کتنے سفید ہنسوں کا مشاہدہ کرتے ہیں، ہم بالآخر اس کی تصدیق نہیں کر سکتے، لیکن ایک سیاہ ہنس کا مشاہدہ اسے مکمل طور پر جھوٹا ثابت کر سکتا ہے۔ لہذا، غلط ثابت کرنے کی صلاحیت ایک سائنسی نظریہ کی ایک ضروری خاصیت بن جاتی ہے۔
- دریافت کی منطق: اس کی بنیاد پر، پوپر نے سائنسی پیش رفت کو ایک نہ ختم ہونے والے چکر کے طور پر بیان کیا: “مسئلہ—تخمینہ—تردید—نیا مسئلہ…” سائنس حقائق کو جامد طور پر جمع کرنا نہیں ہے، بلکہ غلطیوں کو مسلسل ختم کر کے سچائی کے قریب پہنچنے کا ایک متحرک انقلابی عمل ہے۔
تنقید اور ارتقاء
یقینا، خالص پوپر ماڈل مثالی تصویر کشی ہے۔ بعد میں آنے والے سائنس کے فلسفیوں، جیسے کہ تھامس کوہن اور ایمرے لیکاتوس نے اس میں اضافہ اور ترمیم کی۔ کوہن نے “مثالی نمونہ” اور “معمولی سائنس” کے تصورات پیش کیے، یہ بتاتے ہوئے کہ زیادہ تر ادوار میں، سائنس دان مسائل کو ایک مضبوط نظریاتی فریم ورک کے اندر حل کرتے ہیں، اور اس وقت تک اس مثالی نمونے کو برقرار رکھنے کا رجحان رکھتے ہیں جب تک کہ ناقابل توضیح “شاذ و نادر” کی ایک بڑی تعداد جمع نہیں ہو جاتی، جو “سائنسی انقلاب” کو جنم دیتی ہے۔ لیکاتوس نے “سائنسی تحقیقی پروگرام” کا نظریہ پیش کیا، جس میں کہا گیا ہے کہ ایک بنیادی نظریہ کو معاون مفروضوں کی ایک سیریز سے گھرا ہوا ہے، جس کی وجہ سے بنیادی نظریہ کو غلط ثابت کرنا زیادہ پیچیدہ ہو جاتا ہے۔ ان نظریات نے مل کر روایتی سائنسی تحقیق کی ایک زیادہ پیچیدہ اور تاریخی حقیقت کے مطابق تصویر کشی کی۔
تاہم، چاہے پوپر کا مثالی ماڈل ہو یا کوہن کا تاریخی نقطہ نظر، ان کی مشترکہ بنیاد یہ ہے کہ یہ عمل انسانی علمی صلاحیتوں تک محدود ہے۔ ہم جو مفروضات پیش کر سکتے ہیں، وہ ہمارے علم کی حدود، تخیل اور اعلیٰ جہتی پیچیدہ معلومات کو سنبھالنے کی صلاحیت سے محدود ہیں۔ “مسئلہ—تخمینہ” کا یہ کلیدی مرحلہ، بنیادی طور پر، ایک انسانی مرکزیت والا علمی مسئلہ ہے۔ سائنس میں بڑی کامیابیاں اکثر سائنسدانوں کے وجدان، تحریک اور یہاں تک کہ حادثاتی قسمت پر منحصر ہوتی ہیں۔ یہی بنیادی محدودیت ہے جس نے اے آئی کے تباہ کن کردار کی بنیاد رکھی ہے۔ اے آئی انسانی ذہن کی رسائی سے کہیں زیادہ وسیع اور پیچیدہ قیاس آرائیوں کی جگہ کو تلاش کر سکتا ہے، ایسے نمونوں کی شناخت کر سکتا ہے جو انسانوں کے لیے واضح نہیں ہیں یا یہاں تک کہ غیر منطقی ہیں، اس طرح روایتی سائنسی طریقہ کے سب سے اہم علمی مسئلے کو براہ راست توڑ سکتا ہے۔
نئے طریقوں کا ظہور: چوتھا نمونہ
چوتھے نمونے کی تعریف: اعداد و شمار پر مبنی سائنسی دریافت
معلوماتی ٹیکنالوجی کی ترقی کے ساتھ، سائنسی تحقیق کا ایک نیا ماڈل ابھر کر سامنے آیا ہے۔ ٹورنگ ایوارڈ کے فاتح جم گرے نے اسے “چوتھا نمونہ” کا نام دیا، یعنی “اعداد و شمار پر مبنی سائنسی دریافت”۔ یہ نمونہ سائنس کی تاریخ میں پہلے تین نمونوں—پہلا نمونہ (تجربہ اور مشاہداتی سائنس)، دوسرا نمونہ (نظریاتی سائنس) اور تیسرا نمونہ (حسابی اور نقلی سائنس)—کے بالکل برعکس ہے۔ چوتھے نمونے کا مرکز اس میں ہے کہ یہ بہت بڑے ڈیٹا سیٹوں کو سائنسی اختراعات کے عمل کے مرکز میں رکھتا ہے، نظریہ، تجربہ اور نقل کو یکجا کرتا ہے۔
“مفروضہ کارفرما” سے “اعداد و شمار کارفرما”
اس انقلاب میں بنیادی تبدیلی یہ ہے کہ تحقیق کی شروعات “موجودہ نظریہ کی جانچ کے لیے اعداد و شمار جمع کرنے” سے بدل کر “اعداد و شمار کی کھوج سے نئے مفروضات اخذ کرنے” میں بدل گئی ہے۔ جیسا کہ گوگل کے تحقیق کے ڈائریکٹر پیٹر نورویگ نے کہا: “تمام ماڈل غلط ہیں، لیکن آپ ماڈل کے بغیر بھی زیادہ سے زیادہ کامیاب ہو سکتے ہیں”۔ اس سے ظاہر ہوتا ہے کہ سائنسی تحقیق ضروری قیاس آرائیوں پر انحصار سے چھٹکارا پا رہی ہے اور اس کے بجائے مشین لرننگ جیسی ٹیکنالوجیز کا استعمال کر رہی ہے تاکہ بہت بڑے اعداد و شمار میں پوشیدہ نمونوں، تعلقات اور قوانین کو تلاش کیا جا سکے جو انسانی تجزیہ کے ذریعے سمجھ نہیں آتے۔
گری کے نظریہ کے مطابق، اعداد و شمار پر مبنی سائنس کے تین اہم ستون ہیں:
- اعداد و شمار کا حصول: جین سیکوئنسرز، ہائی انرجی پارٹیکل تصادم کاروں، ریڈیو دوربینوں اور دیگر جدید آلات کے ذریعے، سائنسی اعداد و شمار کو پہلے سے کہیں زیادہ پیمانے اور رفتار سے حاصل کرنا۔
- اعداد و شمار کا انتظام: ان بڑے ڈیٹا سیٹوں کو ذخیرہ، انتظام، انڈیکس اور اشتراک کرنے کے لیے ایک مضبوط انفراسٹرکچر قائم کرنا، تاکہ انہیں طویل مدت تک عوامی طور پر قابل رسائی اور قابل استعمال بنایا جائے—گری نے اسے اس وقت درپیش اہم چیلنج قرار دیا۔
- اعداد و شمار کا تجزیہ: اعداد و شمار کو تلاش کرنے اور اس سے علم اور بصیرت نکالنے کے لیے جدید الگورتھم اور بصری اوزاروں کا استعمال کرنا۔
سائنس کے لیے اے آئی: پانچویں نمونے کا آغاز؟
فی الحال، جنریٹو اے آئی کی نمائندگی کرنے والی ٹیکنالوجی کی نئی لہر چوتھے نمونے میں گہری تبدیلیوں کو فروغ دے رہی ہے اور یہاں تک کہ ایک nascent پانچویں نمونے کو جنم دے سکتی ہے۔ اگر چوتھا نمونہ اعداد و شمار سے بصیرت حاصل کرنے پر توجہ مرکوز کرتا ہے، تو اے آئی سے چلنے والا نیا نمونہ اعداد و شمار سے بالکل نیا علم، وجود اور مفروضات تخلیق کرنے پر توجہ مرکوز کرتا ہے۔ یہ “اعداد و شمار پر مبنی دریافت” سے “اعداد و شمار پیدا کرنے والی دریافت“ کی طرف ایک چھلانگ ہے۔
چوتھے نمونے کے انجن کے طور پر اے آئی: پیش گوئی سے تخلیق تک
اے آئی مواد، حیاتیات اور دیگر شعبوں میں زبردست پیشن گوئی اور تخلیقی صلاحیتوں کا مظاہرہ کر رہی ہے، اور چوتھے نمونے کو پختہ کرنے کے لیے ایک بنیادی انجن بن رہی ہے۔
مطالعاتی سلسلہ: حیاتیاتی سائنس میں انقلاب
- پروٹین فولڈنگ کے معمہ کو حل کرنا: حیاتیات کے شعبے میں ایک 50 سالہ بڑا چیلنج—پروٹین فولڈنگ کا مسئلہ—کو گوگل ڈیپ مائنڈ کے تیار کردہ اے آئی ماڈل الفا فولڈ نے ایک ہی جست میں حل کر دیا۔ اے آئی کے ظہور سے پہلے، تجرباتی ذرائع سے کسی پروٹین کے ڈھانچے کا تجزیہ کرنے میں اکثر کئی سال اور بھاری اخراجات درکار ہوتے تھے۔ اب، الفا فولڈ امینو ایسڈ کی ترتیب سے چند منٹوں میں اس کے سہ جہتی ڈھانچے کی پیش گوئی تجرباتی درستگی کے قریب کر سکتا ہے۔
- پیمانے بندی اور جمہوریت پسندی: الفا فولڈ کی شاندار کامیابی یہاں نہیں رکی۔ ڈیپ مائنڈ نے اپنے پیش گوئی کردہ 200 ملین سے زیادہ پروٹین ڈھانچوں کو مفت میں شائع کیا، ایک بڑا ڈیٹا بیس تشکیل دیا، جس نے عالمی سطح پر متعلقہ شعبوں میں تحقیق کو بہت فروغ دیا۔ اس سے کورونا وائرس ویکسین کی ترقی سے لے کر پلاسٹک کو ختم کرنے والے خامروں کے ڈیزائن تک مختلف اختراعات میں تیزی آئی ہے۔
- پیش گوئی سے تخلیق تک: اس انقلاب کا اگلا بڑا محاذ جنریٹو اے آئی کا استعمال کرتے ہوئے پروٹین کو شروع سے ڈیزائن کرنا ہے۔ 2024 کے نوبل کیمسٹری ایوارڈ کے فاتح ڈیوڈ بیکر کی تحقیق کے طور پر، سائنسدان اے آئی کا استعمال کرتے ہوئے ایسے پروٹین ڈیزائن کر رہے ہیں جو نوعیت میں موجود نہیں ہیں اور ان کے بالکل نئے کام ہیں۔ اس نے نئی دوائیں تیار کرنے، موثر اتپریورتی خامرے ڈیزائن کرنے اور نئے بائیو میٹریل تخلیق کرنے کے لامحدود امکانات کھولے ہیں۔ الفا فولڈ 3 کا تازہ ترین ورژن پروٹین کے ڈی این اے، آر این اے اور چھوٹے مالیکیول لیگنڈز کے ساتھ تعامل کی نقل بھی تیار کر سکتا ہے، جو دوا کی دریافت کے لیے انمول ہے۔
مطالعاتی سلسلہ: نئے مواد کی تخلیق کو تیز کرنا
روایتی تحقیق اور ترقی میں رکاوٹ: حیاتیات کی طرح، نئے مواد کی دریافت روایتی طور پر سست اور مہنگا عمل ہے جو “آزمائش و خطا” کے طریقہ پر انحصار کرتا ہے۔ اے آئی ایٹمی انتظامات، مائکرو اسٹرکچر اور مواد کی میکرو خصوصیات کے درمیان پیچیدہ تعلقات قائم کر کے اس صورت حال میں گہری تبدیلی لا رہی ہے۔
اے آئی سے چلنے والی پیش گوئی اور ڈیزائن:
- گوگل کا جی نوم : ڈیپ مائنڈ کے جی نوم (Graph Networks for Materials Exploration) پلیٹ فارم نے، گراف نیورل نیٹ ورک ٹیکنالوجی کا استعمال کرتے ہوئے، 2.2 ملین ممکنہ طور پر نئے غیر نامیاتی کرسٹل مواد کی استحکام کی پیش گوئی کی ہے۔ اس تحقیق میں، اے آئی نے تقریباً 380,000 نئے مواد دریافت کیے جن میں تھرمو ڈائنامک استحکام ہے، جو کہ ماضی میں تقریباً 800 سال کی انسانی سائنسدانوں کی تحقیق کے برابر ہے۔ ان نئے مواد میں بیٹریوں، سپر کنڈکٹرز اور دیگر شعبوں میں زبردست اطلاقی صلاحیتیں ہیں۔
- مائیکروسافٹ کا میٹر جن : مائیکروسافٹ ریسرچ کے تیار کردہ جنریٹو اے آئی ٹول میٹر جن، محققین کے مقرر کردہ ہدف شدہ خصوصیات (جیسے کہ برقی ایصالی، مقناطیسیت وغیرہ) کے مطابق مکمل طور پر نئے مواد کے ڈھانچے کے امیدواروں کو براہ راست تیار کر سکتا ہے۔ یہ ٹول نقلی پلیٹ فارم میٹر سم کے ساتھ مل کر ان امیدوار مواد کی صداقت کی تیزی سے تصدیق کرنے کے قابل ہے، اس طرح تحقیق اور ترقی کے “ڈیزائن-چھانٹ” کے چکر کو بہت کم کر دیتا ہے۔
مشترکہ تعلقات: یہ بات قابل غور ہے کہ اے آئی اور مواد کی سائنس کے درمیان ایک مشترکہ تعلقات بنتا ہے۔ نئے مواد کی دریافت اے آئی کو زیادہ سے زیادہ کارکردگی والے کمپیوٹنگ ہارڈ ویئر فراہم کر سکتی ہے، اور زیادہ طاقتور اے آئی نئے مواد کی تحقیق اور ترقی کے عمل کو تیز کر سکتی ہے۔
ان مطالعاتی سلسلوں سے ایک گہری تبدیلی کا پتہ چلتا ہے: سائنسی تحقیق “فطرت کی دریافت“ (discovering what is) سے “مستقبل کو ڈیزائن کرنے“ (designing what can be) کی طرف منتقل ہو رہی ہے۔ روایتی سائنسدانوں کا کردار ایک ایکسپلورر کی طرح ہے، جو فطرت میں موجود مادہ اور قوانین کو تلاش اور بیان کرتے ہیں۔ اور تخلیقی اے آئی کا ظہور سائنسدانوں کو تیزی سے “خالق” بنا رہا ہے۔ وہ مخصوص فعال ضروریات (مثال کے طور پر، “ایک پروٹین جو مخصوص کینسر خلیوں کو نشانہ بنانے کے لیے باندھ سکتا ہے” یا “ایک مواد جس میں اعلی تھرمل چالکتا اور موصلیت دونوں ہوں”) کے مطابق، ان ضروریات کو پورا کرنے کے لیے اے آئی کا استعمال کرتے ہوئے مکمل طور پر نئے مادے کو ڈیزائن اور تخلیق کر سکتے ہیں۔ اس سے نہ صرف بنیادی سائنس اور اپلائیڈ انجینئرنگ کے درمیان کی حدود دھندلی ہوتی ہیں، بلکہ مستقبل میں دواسازی کی تحقیق اور ترقی، مینوفیکچرنگ اور یہاں تک کہ سماجی اخلاقیات کے لیے بھی بالکل نئے سوالات اُٹھتے ہیں۔
تحقیقی عمل کی ازسرِنو تشکیل: آٹومیشن اور بند لوپ لیبارٹریز
اے آئی نے نہ صرف بڑے پیمانے پر سائنسی نمونوں کو تبدیل کیا ہے، بلکہ اس نے چھوٹے پیمانے پر سائنسی کام کے ہر مخصوص مرحلے کو بھی نئی شکل دی ہے، جس سے خودکار اور بند لوپ والی “خود سے چلنے والی لیبارٹری” کا آغاز ہوا ہے۔
اے آئی سے چلنے والے تھیسس کی تخلیق
روایتی طور پر، ناول اور قیمتی سائنسی مفروضات پیش کرنا انسانی تخلیقی صلاحیتوں کی انتہا سمجھا جاتا ہے۔ تاہم، اے آئی اب اس شعبے میں اہم کردار ادا کرنا شروع کر رہی ہے۔ اے آئی سسٹم لاکھوں سائنسی مقالوں، پیٹنٹ اور تجرباتی ڈیٹا بیس کو اسکین کر کے ایسے روابط کو ظاہر کر سکتے ہیں جن کو انسانی محققین اپنی علمی حدود یا معلوماتی تعصبات کی وجہ سے نظر انداز کر دیتے ہیں، اس طرح مکمل طور پر نئے سائنسی تھیسس پیش کرتے ہیں۔
کچھ تحقیقی ٹیمیں متعدد اے آئی ایجنٹوں پر مشتمل “اے آئی سائنسدان” سسٹم تیار کر رہی ہیں۔ ان سسٹمز میں، مختلف اے آئی مختلف کردار ادا کرتے ہیں: مثال کے طور پر، “تھیسس ایجنٹ” تحقیقی خیالات پیدا کرنے کے لیے ذمہ دار ہے، “استدلال ایجنٹ” تھیسس کا جائزہ لینے کے لیے ڈیٹا اور ادب کا تجزیہ کرنے کے لیے ذمہ دار ہے، اور “کمپیوٹیشنل ایجنٹ” تخمینی تجربات چلانے کے لیے ذمہ دار ہے۔ کیمبرج یونیورسٹی کی ایک تحقیق کافی نمائندہ ہے: محققین نے ایک بڑے لسانی ماڈل جی پی ٹی-4 کا استعمال کرتے ہوئے موجودہ غیر کینسر مخالف ادویات سے نئی دوائیوں کے امتزاج کو کامیابی سے چھانٹا جو کینسر کے خلیوں کو مؤثر طریقے سے روک سکتا ہے۔ اے آئی نے ان کمبینیشنز کو پیش کرنے کے لیے بڑی تعداد میں ادب میں پوشیدہ نمونوں کا تجزیہ کیا، اور اس کے بعد کے تجربات میں ان کمبینیشنز کی تصدیق ہوئی۔ اس سے ظاہر ہوتا ہے کہ اے آئی انسانی سائنسدانوں کے لیے ایک نہ تھکنے والا “ذہنی طوفان کا ساتھی” بن سکتا ہے۔
تجربے کے ڈیزائن کو بہتر بنانا
تجربے کا ڈیزائن (Design of Experiments, DoE) ایک کلاسیکی شماریاتی طریقہ ہے جس کا مقصد متعدد تجرباتی پیرامیٹرز کو منظم طریقے سے تبدیل کر کے کم از کم تجربات کی تعداد کے ساتھ وسیع پیرامیٹر کی جگہ کو مؤثر طریقے سے تلاش کرنا ہے تاکہ بہترین عمل کی شرائط کو تلاش کیا جا سکے۔ اے آئی ٹیکنالوجی اس کلاسیکی طریقہ میں نئی جان ڈال رہی ہے۔ روایتی DoE عام طور پر ایک پہلے سے طے شدہ شماریاتی منصوبہ کی پیروی کرتا ہے، جبکہ اے آئی فعال تعلیم (Active Learning) جیسی حکمت عملیوں کو متعارف کرا سکتا ہے اور موجودہ تجرباتی نتائج کی بنیاد پر اگلے سب سے زیادہ قابل تلاش تجرباتی نقطہ کو متحرک طور پر اور ذہانت سے طے کر سکتا ہے۔ یہ انکولی تجرباتی حکمت عملی بہترین حل کی طرف تیزی سے رجوع کر سکتی ہے، اور تجرباتی کارکردگی کو زبردست طریقے سے بہتر بنا سکتی ہے۔
“خود سے چلنے والی لیبارٹری” : بند لوپ کا حصول
اے آئی سے چلنے والی تھیسس تخلیق، تجربہ ڈیزائن اور خودکار تجرباتی پلیٹ فارم کو یکجا کرنے سے، ایک نئے نمونے کی آخری شکل تشکیل پاتی ہے—“خود سے چلنے والی لیبارٹری” (Self-Driving Lab)۔
اس طرح کی لیبارٹری کا آپریشن ایک مکمل طور پر بند لوپ سسٹم بناتا ہے:
- خشک لیبارٹری (Dry Lab): اے آئی ماڈل (“دماغ”) موجودہ اعداد و شمار کا تجزیہ کرتا ہے، ایک سائنسی مفروضہ تیار کرتا ہے، اور اسی مناسبت سے تصدیقی تجربے کے منصوبے کو ڈیزائن کرتا ہے۔
- آٹومیشن پلیٹ فارم: تجربہ کا منصوبہ ایک روبوٹ آپریٹڈ آٹومیشن پلیٹ فارم (“گیلی لیبارٹری” یا “ہاتھ”) کو بھیجا جاتا ہے، جو کیمیائی ترکیب، خلیہ کی کاشت اور دیگر تجرباتی کارروائیوں کو خود بخود انجام دینے کے قابل ہے۔
- اعداد و شمار کی واپسی: تجربے کے دوران پیدا ہونے والے اعداد و شمار کو حقیقی وقت میں اور خود بخود جمع کیا جاتا ہے، اور اے آئی ماڈل کو واپس بھیجا جاتا ہے۔
- سیکھنا اور تکرار: اے آئی ماڈل نئے تجرباتی اعداد و شمار کا تجزیہ کرتا ہے، تحقیقی موضوع کے بارے میں اپنی اندرونی “سمجھ” کو اپ ڈیٹ کرتا ہے، اور پھر نئی سمجھ کی بنیاد پر اگلا مفروضہ اور تجربہ ڈیزائن تیار کرتا ہے، اس طرح 7x24 گھنٹے مسلسل خود مختار تحقیق کو حاصل کرتا ہے۔
لیورپول یونیورسٹی کا “روبوٹک کیمسٹ” ایک کامیاب کیس اسٹڈی ہے۔ اس سسٹم نے خود مختار طور پر 10 متغیرات پر مشتمل ایک پیچیدہ پیرامیٹر کی جگہ کی کھوج کی، اور آخر کار فوٹو کیمیکل ہائیڈروجن تیار کرنے کے لیے ایک موثر اتپریورتی دریافت کیا، جو کہ ابتدائی کوششوں سے کئی گنا زیادہ موثر ہے۔
یہ بند لوپ ماڈل “سائنسی چکر میں کمی“ لاتا ہے۔ کلاسیکی ماڈل کے تحت، مکمل “مفروضہ-تجربہ-تصدیق” چکر کو مکمل کرنے میں ایک ڈاکٹریٹ کے طالب علم کو کئی سال لگ سکتے ہیں۔ جبکہ “خود سے چلنے والی لیبارٹری” اس چکر کو کئی سال یا مہینوں سے کم کر کے دنوں اور یہاں تک کہ گھنٹوں تک لے آتی ہے۔ اس تکراری رفتار میں بڑھنے سے “تجربہ” کی تعریف ہی بدل رہی ہے۔ تجربہ اب انسانی سائنسدانوں سے ڈیزائن کیا جانے والا، منقطع اور واحد واقعہ نہیں رہا، بلکہ اے آئی کے زیرِ قیادت، مسلسل اور انکولی کھوج کا عمل ہے۔ سائنسی پیش رفت کی پیمائش اب شائع شدہ واحد مقالے سے نہیں، بلکہ اس بند لوپ سیکھنے کے نظام کی اپنی سیکھنے کی شرح سے کی جا سکتی ہے۔ اس سے ہمیں سائنسی شراکت کی تشخیص اور پیمائش کے طریقے پر دوبارہ غور کرنے پر مجبور کیا جائے گا۔
منظم اثرات: تحقیقی ماحولیاتی نظام کی تشکیل نو
اے آئی سے چلنے والے سائنسی تحقیقی ماڈل سے رونما ہونے والے اثرات لیبارٹریوں سے کہیں آگے نکل گئے ہیں اور پورے تحقیقی ماحولیاتی نظام کی فنڈنگ کی تقسیم، تنظیمی ڈھانچے اور ٹیلنٹ کی ضروریات پر منظم اثرات مرتب کر رہے ہیں۔
فنڈنگ کی جغرافیائی سیاست اور کارپوریٹ سائنس کا عروج
- قومی سطح پر اسٹریٹجک ترتیب : دنیا کی اہم معیشتیں “اے آئی برائے سائنس” کو ایک اہم اسٹریٹجک شعبہ سمجھتی ہیں جو عالمی “مسابقتی برتری” اور “تکنیکی خودمختاری” کو برقرار رکھتا ہے۔ امریکی قومی سائنس فاؤنڈیشن (NSF) ہر سال اے آئی کے شعبے میں 700 ملین ڈالر سے زیادہ کی سرمایہ کاری کرتی ہے اور اس نے قومی مصنوعی ذہانت کے انسٹی ٹیوٹ جیسے بڑے منصوبے شروع کیے ہیں۔ یورپی یونین نے “قابل اعتماد اے آئی” کی سائنسی ایپلی کیشنز میں اپنی قیادت قائم کرنے کے مقصد کے ساتھ ایک ہم آہنگی کا منصوبہ بھی وضع کیا ہے۔ اس کے ساتھ ہی، چین کے تحقیقی ادارے بھی اعلیٰ درجے کی اے آئی پر تحقیق کو فعال طور پر آگے بڑھا رہے ہیں۔
- کارپوریٹ اور تعلیمی حلقوں کے درمیان فرق: ایک بڑھتا ہوا تضاد یہ ہے کہ سب سے طاقتور اے آئی بنیادی ماڈل (جیسے جی پی ٹی-4، جیمنی) زیادہ تر چند تکنیکی جنات (جیسے گوگل، مائیکروسافٹ، میٹا) کے زیرِ کنٹرول ہیں۔ ان ماڈلز کو تربیت دینے اور چلانے کے لیے بڑی مقدار میں ملکیتی ڈیٹا اور بہت زیادہ کمپیوٹنگ وسائل درکار ہوتے ہیں، جو کہ زیادہ تر تعلیمی تحقیقی ٹیموں کی برداشت سے کہیں زیادہ ہے۔ اس سے ماہر اے آئی تحقیق میں تعلیمی دنیا کے “باہر نکالے جانے” یا “حاشیے پر لائے جانے” کے بارے میں خدشات پیدا ہو گئے ہیں۔
- ملکیتی ماڈلز اور اوپن سائنس کا تصادم: اگرچہ کچھ کمپنیاں ماڈلز کو اوپن سورس کرنے کا انتخاب کرتی ہیں (جیسے میٹا کی ایل ایل اے ایم اے سیریز)، لیکن اعلیٰ ترین کارکردگی والے ماڈلز کو اکثر تجارتی راز کے طور پر سختی سے خفیہ رکھا جاتا ہے اور وہ ڈی فیکٹو “بلیک باکس” بن جاتے ہیں۔ یہ کھلے پن، شفافیت اور دوبارہ پیش کرنے کی صلاحیت کے ان اصولوں سے واضح طور پر متصادم ہے جن کی سائنسی دنیا نے طویل عرصے سے حمایت کی ہے، جس کی وجہ سے عوامی طور پر فنڈ سے چلنے والی سائنسی تحقیق کسی حد تک نجی کمپنیوں کے انفراسٹرکچر پر انحصار کرتی ہے۔
- فنڈنگ میں سیاسی بے یقینی: تحقیقی فنڈنگ کی تقسیم سیاسی آب و ہوا کے اثرات سے مکمل طور پر الگ نہیں ہو سکتی۔ مثال کے طور پر، رپورٹس ہیں کہ NSF نے نئی سیاسی گائیڈنس کے تحت 1500 سے زیادہ تحقیقی گرانٹس منسوخ کر دیں، جن میں سے بہت سی تنوع، مساوات اور شمولیت (DEI) کے اقدامات سے وابستہ تھیں۔ اس سے ظاہر ہوتا ہے کہ “اے آئی برائے سائنس” سمیت تحقیقی اخراجات کو نظریاتی جدوجہد سے متاثر کیا جا سکتا ہے، جس سے محققین میں غیر یقینی صورتحال پیدا ہو سکتی ہے۔
مستقبل کی لیبارٹری: گیلی جگہ سے ورچوئل اسپیس تک
- جسمانی جگہ کی تنظیم نو: اے آئی اور آٹومیشن لیبارٹری کی جسمانی شکل بدل رہی ہے۔ تیزی سے بدلتے ہوئے تحقیقی عمل کو اپنانے کے لیے، لچکدار اور تبدیل ہونے والی “ماڈیولر لیبارٹری” ڈیزائن مقبول ہو رہی ہے۔ روایتی طور پر، گیلی تجرباتی علاقے (wet lab) اور ڈیٹا تجزیہ اور تحریری کام کے علاقے (write-up space) کے رقبے کا تناسب الٹ رہا ہے، اور بعد الذکر کی اہمیت روز بروز بڑھتی جا رہی ہے۔
- ورچوئل لیبارٹریز کا عروج: بہت سے تحقیقی منظرناموں میں، جسمانی لیبارٹریز کی جگہ ورچوئل لیبارٹریز لے رہی ہیں۔ اے آئی، مشین لرننگ اور حتیٰ کہ مستقبل کی کوانٹم کمپیوٹنگ کی مدد سے، محققین کمپیوٹر میں مالیکیولز، مواد اور حیاتیاتی نظاموں کی اعلیٰ درستگی کے ساتھ نقل کر سکتے ہیں، اس طرح ٹیسٹ ٹیوب سے رابطہ کرنے سے پہلے تجربے کے ڈیزائن، جانچ اور اصلاح کو مکمل کر سکتے ہیں۔ اس سے نہ صرف وقت اور رقم کی بڑی بچت ہوتی ہے، بلکہ تجرباتی جانوروں پر انحصار بھی کم ہوتا ہے، جس سے سائنسی تحقیق میں اخلاقی پیش رفت کو فروغ ملتا ہے۔
- لیبارٹری کے انتظام کی آٹومیشن: اے آئی لیبارٹری کے روزمرہ کے آپریشن کو بھی بدل رہی ہے۔ اے آئی سے چلنے والا انوینٹری مینجمنٹ سسٹم ری ایجنٹ کی کھپت کی شرح کی پیش گوئی کرنے اور خود بخود دوبارہ اسٹاک کرنے کے قابل ہے۔ ذہین شیڈولنگ ٹولز مہنگے آلات کے استعمال کے انتظامات کو بھی بہتر بنا سکتے ہیں، آلات کے بیکار رہنے اور محققین کے قطار میں انتظار کرنے کے وقت کو کم کر سکتے ہیں، اس طرح انہیں انتظامی کاموں سے آزاد کر سکتے ہیں۔
اے آئی دور میں انسانی سائنسدان: شناخت کی تشکیل نو
- “عمل کنندہ” سے “کمانڈر” تک: جیسے جیسے اے آئی اور روبوٹیک بے شمار اعداد و شمار کی پروسیسنگ اور تجرباتی کارروائیوں کو انجام دے رہے ہیں، انسانی سائنسدانوں کا بنیادی کردار بدل رہا ہے۔ اب وہ سائنسی تحقیقی لائنوں پر “آپریٹرز” نہیں رہے، بلکہ پورے تحقیقی منصوبے کے “اسٹریٹجک کمانڈر” بن گئے ہیں۔ ان کی کلیدی ذمہ داریاں مندرجہ ذیل میں تبدیل ہو گئی ہیں:
- گہرے سوالات پوچھنا: اعلیٰ سطحی تحقیقی مقاصد کی وضاحت کرنا اور اے آئی کی کھوج کے لیے سمت متعین کرنا۔
- نگرانی اور رہنمائی: اے آئی کی “سپروائزر” یا “کوآپریٹو ڈرائیور” کے طور پر، تحقیقی عمل کے دوران اہم آراء اور سمت میں ردوبدل فراہم کرنا۔
- تنقیدی تشخیص: اے آئی کی پیشکشوں کی محتاط انداز میں تشریح کرنا، بے شمار نتائج سے قیمتی مفروضات کو چھانٹنا، اور حتمی، فیصلہ کن تصدیقی تجربات کو ڈیزائن کرنا۔
- نئی ہنر کی ضروریات: اے آئی اور ڈیٹا کی خواندگی: مستقبل کی کام کی جگہ پر سب سے زیادہ مطلوبہ ہنر ڈیٹا کی تعلیم ہوگی—یعنی ڈیٹا کو پڑھنے، اس پر کارروائی کرنے، تجزیہ کرنے اور بات چیت کرنے کے لیے استعمال کرنے کی صلاحیت۔ اور ڈیٹا کی تعلیم اے آئی کی تعلیم کی بنیاد ہے، جس میں یہ سمجھنا شامل ہے کہ اے آئی کے ٹولز کیسے کام کرتے ہیں، ان کا اخلاقی انداز میں استعمال کرنا، اور ان کی پیداوار کا تنقیدی جائزہ لینا۔ مستقبل کے سائنسدانوں کو فوری انجینئرنگ (prompt engineering)، الگورتھمک سوچ اور ڈیٹا تعصب کی گہری سمجھ حاصل کرنی چاہیے۔
- ارتقاء پذیر تحقیقی ٹیمیں: لیبارٹری کا عملہ بھی بدل رہا ہے۔ روایتی “پرنسپل انویسٹیگیٹر (PI)-پوسٹ ڈاکٹریٹ-گریجویٹ” اہرام کے ڈھانچے کو نئے اور ناگزیر کرداروں سے پورا کیا جا رہا ہے، جیسے اے آئی/مشین لرننگ انجینئرز، ڈیٹا انجینئرز، ڈیٹا آرکیٹیکٹس اور یہاں تک کہ ڈیٹا پرائیویسی آفیسرز۔ مختلف کرداروں کے درمیان ہنر کی ضروریات میں بھی انضمام کا رجحان ہے، ڈیٹا سائنسدانوں سے توقع کی جاتی ہے کہ وہ زیادہ انجینئرنگ اور تعیناتی کی صلاحیتیں حاصل کریں گے، جبکہ انجینئرنگ کو ڈومین کا گہرا علم رکھنے کی ضرورت ہے۔
نئی سرحدوں کو قابو میں کرنا: چیلنجز، خطرات اور انسانی سپروائزر کی ضرورت
اگرچہ اے آئی سے چلنے والے سائنسی ماڈل کے امکانات بہت زیادہ ہیں، لیکن اس سے پہلے کبھی نہ دیکھے گئے چیلنجز اور خطرات بھی آتے ہیں۔ اگر اس طاقتور ٹیکنالوجی کا احتیاط سے انتظام نہ کیا گیا تو یہ برعکس اثر انداز ہو سکتی ہے اور سائنسی عمل میں گمراہ کن ثابت ہو سکتی ہے۔
“بلیک باکس” کی مشکل اور قابل تشریح ہونے کی جستجو
- مسئلہ کیا ہے: بہت سے تگڑے اے آئی ماڈل، خاص طور پر ڈیپ لرننگ سسٹم، کا اندرونی فیصلہ سازی کا طریقہ کار انسانوں کے لیے مکمل طور پر غیر شفاف ہے، جو ایک “بلیک باکس” کی طرح ہے۔ یہ درست پیشین گوئیاں تو کر سکتے ہیں، لیکن یہ نہیں سمجھا سکتے کہ ایسا نتیجہ کیوں نکلا۔
- سائنسی خطرہ: یہ کازِل وضاحت کی جستجو کرنے والی سائنسی روح کے خلاف ہے۔ اے آئی محض اس لیے فیصلہ کر سکتی ہے کہ اسے ڈیٹا میں کوئی غلط اور غیر سائنسی اعداد و شمار کا تعلق مل گیا ہے۔ اس کے استدلال کے عمل کو سمجھے بغیر اے آئی کے نتائج پر اندھا اعتماد کرنا سائنس کو ریت پر بنانے کے مترادف ہے۔
- حل: قابل تشریح اے آئی (XAI): اس مسئلے کو حل کرنے کے لیے، قابل تشریح اے آئی (Explainable AI, XAI) کا شعبہ وجود میں آیا ہے۔ XAI کا مقصد نئی ٹیکنالوجیز اور طریقہ کار تیار کرنا ہے تاکہ اے آئی ماڈلز کے فیصلہ سازی کے عمل کو شفاف اور قابل فہم بنایا جا سکے۔ اس سے انسانی سائنسدان یہ تصدیق کرنے کے قابل ہیں کہ اے آئی نے صرف ڈیٹا سیٹ میں اعداد و شمار کے شارٹ کٹس استعمال کرنے کے بجائے حقیقی سائنسی اصول سیکھے ہیں۔
تعصب کا بھوت: “فضول ان پٹ، انجیل آؤٹ پٹ”
- تعصب کا طریقہ کار: اے آئی ماڈل ڈیٹا سے سیکھتے ہیں۔ اگر ٹریننگ کے لیے استعمال ہونے والے ڈیٹا میں ہی تاریخی، سماجی یا پیمائش کے تعصبات شامل ہیں، تو اے آئی نہ صرف ان تعصبات کو وفاداری سے نقل کرے گا، بلکہ ان کو بڑھا بھی سکتا ہے۔
- سائنسی شعبے میں مثالیں: طبی تحقیق میں، اگر کسی اے آئی ماڈل کے ٹریننگ ڈیٹا میں زیادہ تر کسی خاص نسلی گروپ کے اعداد و شمار شامل ہیں، تو جب اسے دیگر غیر نمائندہ گروہوں پر لاگو کیا جائے گا، تو اس کی کارکردگی نمایاں طور پر کم ہو سکتی ہے، غلط تشخیص کی جا سکتی ہے یا غلط علاج کے منصوبے تجویز کیے جا سکتے ہیں، اس طرح صحت کی موجودہ عدم مساوات میں اضافہ ہو سکتا ہے۔
- وائسروس فیڈ بیک لوپ: تعصب پر مبنی اے آئی سسٹم وائسروس لوپ بھی بنا سکتا ہے۔ مثال کے طور پر، اگر کوئی اے آئی جو تحقیقی منصوبوں کی درخواستوں کا جائزہ لینے کے لیے استعمال کیا جاتا ہے، اس کے ٹریننگ ڈیٹا میں کچھ تحقیقی سمتوں یا اداروں کے بارے میں تاریخی تعصبات شامل ہیں، تو یہ ان شعبوں سے آنے والے اختراعی خیالات کو منظم طریقے سے مسترد کر سکتا ہے۔ اور ان منصوبوں کو مالی امداد نہ ملنے کی وجہ سے نیا ڈیٹا پیدا نہیں ہو سکتا، اس طرح اے آئی ماڈل کے اصل تعصب کو مزید تقویت ملتی ہے۔
دوبارہ پیش کرنے کی صلاحیت کا بحران اور تصدیق کی اولین حیثیت
- اے آئی کی اپنی دوبارہ پیش کرنے کی صلاحیت کا چیلنج: اے آئی تحقیقی شعبہ خود ہی “دوبارہ پیش کرنے کی صلاحیت کے بحران” کا سامنا کر رہا ہے۔ ماڈلز کی پیچیدگی، ٹریننگ ڈیٹا کی ملکیتی نوعیت اور مخصوص کمپیوٹنگ ماحول پر انحصار کی وجہ سے، دوسرے محققین کے لیے شائع شدہ نتائج کو آزادانہ طور پر دوبارہ پیش کرنا مشکل ہو جاتا ہے۔
- اے آئی کا ناقابل اعتماد ہونا: بڑے لسانی ماڈلز جیسے اے آئی سسٹم “تصورات” (hallucination) کے مسائل کا شکار ہیں، یعنی وہ مکمل طور پر غلط یا من گھڑت معلومات کو اعتماد سے پیدا کرتے ہیں۔ اس کی وجہ سے اے آئی کے ذریعے پیدا ہونے والے مواد کی سخت تصدیق اہم ہو جاتی ہے، اور انسانی ماہرین کے جائزے کے بغیر کسی بھی اے آئی آؤٹ پٹ پر براہ راست اعتماد نہیں کیا جا سکتا۔
- تجرباتی تصدیق کا حتمی ثالث: سائنسی سچائی کا حتمی ثالث اب بھی تجرباتی دنیا کی جانچ ہے اور ہونی بھی چاہیے۔ اے آئی کی مدد سے دوا کی دریافت پر مبنی ایک تحقیق پر کیے جانے والے ایک تیز تبصرے میں کہا گیا ہے کہ اگرچہ تحقیق میں بڑی تعداد میں کمپیوٹر ماڈلنگ کی گئی، لیکن سخت حیاتیاتی تجرباتی تصدیق کی کمی کی وجہ سے اس کے نتائج کی قائل کرنے کی طاقت مجروح ہو گئی۔ یہ ہمیں زوردار انداز میں یاد دلاتا ہے کہ نئے پیراڈائم میں، کلاسیکی عمل میں “تصدیق” کا مرحلہ پرانا نہیں ہوا ہے، بلکہ پہلے سے زیادہ اہم ہو گیا ہے۔
علمی تنزلی اور بصیرت کو “آؤٹ سورس” کرنے کا خطرہ
- گہری تشویش: اگر سائنسدان تیزی سے تھیسس پیش کرنے اور تحقیق کی رہنمائی کے لیے اے آئی پر انحصار کرنے کے عادی ہو جائیں، تو کیا انسانی تخلیقی صلاحیتوں، سائنسی وجدان اور تنقیدی سوچ میں کمی کا خطرہ ہے؟
- “آؤٹ سورسڈ سوچ”: جیسا کہ ایک محقق کو خدشہ ہے، اے آئی پر زیادہ انحصار کرنا بالکل اسی طرح ہے جیسے سوچ کے عمل کو—“تحقیق کا سب سے دلچسپ حصہ”—آؤٹ سورس کر دیا گیا ہو۔ اس سے ایک گہرا فلسفیانہ سوال پیدا ہوتا ہے: کیا سائنس کا مقصد محض مؤثر طریقے سے نتائج پیدا کرنا ہے، یا اس میں کائنات کو سمجھنے کے عمل میں انسانی ذہن کی نشوونما اور تکمیل بھی شامل ہے؟