مصنوعی ذہانت (Artificial Intelligence) کے بارے میں عالمی گفتگو اکثر ایک بے لگام ہتھیاروں کی دوڑ پر مرکوز نظر آتی ہے – کون سب سے بڑا، سب سے طاقتور بڑا لسانی ماڈل (large language model - LLM) بنا سکتا ہے؟ حالیہ پیشرفتیں، جیسے چین میں DeepSeek جیسے ماڈلز کی جانب سے دکھائی گئی متاثر کن صلاحیتیں، یقینی طور پر اس بیانیے کو ہوا دیتی ہیں۔ عالمی اور ملکی سطح پر ایک چیلنجنگ معاشی منظر نامے کے درمیان، اس طرح کی تکنیکی چھلانگیں مستقبل کی صلاحیتوں کی ایک دلکش جھلک پیش کرتی ہیں اور شاید، ترقی کے لیے ایک انتہائی ضروری محرک بھی۔ پھر بھی، صرف ان سرخیوں میں آنے والے LLMs پر توجہ مرکوز کرنا جنگل کو درختوں کے لیے کھو دینے کے مترادف ہے۔ مصنوعی ذہانت، کم دکھاوے والے لیکن گہرے اثرات مرتب کرنے والے طریقوں سے، برسوں سے ہماری ڈیجیٹل زندگیوں کے تانے بانے میں گہرائی سے جڑی ہوئی ہے۔
ان ہمہ گیر پلیٹ فارمز پر غور کریں جو آن لائن تعامل اور تجارت پر حاوی ہیں۔ کیا TikTok، یا اس کا چینی ہم منصب Douyin، ان نفیس سفارشی الگورتھم کے بغیر اتنی حیران کن عالمی رسائی حاصل کر سکتا تھا جو مسلسل مواد کی فیڈز کو تیار کرتے ہیں؟ اسی طرح، ای کامرس جنات کی کامیابیاں، چاہے وہ Amazon، Shein، اور Temu جیسے بین الاقوامی کھلاڑی ہوں، یا Taobao اور JD.com جیسے گھریلو پاور ہاؤسز، صرف موثر سورسنگ اور لاجسٹکس سے کہیں زیادہ پر مبنی ہیں۔ AI ایک غیر مرئی ہاتھ کے طور پر کام کرتا ہے، جو لطیف طریقے سے ہمارے انتخاب کی رہنمائی کرتا ہے۔ ان کتابوں سے جنہیں ہم خریدنے پر غور کرتے ہیں ان فیشن کے رجحانات تک جنہیں ہم اپناتے ہیں، ہماری کھپت کی عادات تیزی سے ان سسٹمز کے ذریعے تشکیل پا رہی ہیں جو ہماری ماضی کی خریداریوں، براؤزنگ ہسٹریوں، اور کلک پیٹرنز کا تجزیہ کرتے ہیں۔ اس سے بہت پہلے کہ بات چیت کرنے والی AI مانگ پر خوبصورت شاعری تیار کر سکے، Amazon اور Google جیسی کمپنیاں صارفین کے رویے کو سمجھنے اور پیش گوئی کرنے کے لیے AI کے استعمال کا آغاز کر رہی تھیں، جس سے مارکیٹ پلیس میں بنیادی طور پر تبدیلی آئی۔ AI کی یہ پرسکون، زیادہ وسیع شکل دہائیوں سے تجارت اور میڈیا کی کھپت کو نئی شکل دے رہی ہے، جو اکثر شعوری آگاہی کی دہلیز سے نیچے کام کرتی ہے۔
بڑے لسانی ماڈلز کی دو دھاری تلوار
DeepSeek جیسے طاقتور LLMs کا ظہور بلاشبہ ایک اہم تکنیکی سنگ میل کی نمائندگی کرتا ہے۔ ان کی انسان جیسی متن تیار کرنے، زبانوں کا ترجمہ کرنے، اور یہاں تک کہ شاعری جیسا تخلیقی مواد لکھنے کی صلاحیت قابل ذکر ہے۔ یہ ٹولز ذاتی معاونین، تحقیقی معاونین، اور تخلیقی شراکت داروں کے طور پر بے پناہ وعدے رکھتے ہیں۔ تصور کریں کہ اس طرح کے ماڈل کو ای میلز کا مسودہ تیار کرنے، طویل دستاویزات کا خلاصہ کرنے، یا خیالات پر غور کرنے کے لیے استعمال کیا جائے – انفرادی پیداواری صلاحیت کو بڑھانے کی صلاحیت واضح ہے۔
تاہم، یہ طاقت اہم انتباہات کے ساتھ آتی ہے، جو ان ماڈلز کے کام کرنے کے طریقے کی نوعیت میں جڑی ہوئی ہیں۔ LLMs پیچیدہ شماریاتی طریقوں اور وسیع نیورل نیٹ ورکس پر بنائے گئے ہیں جو بہت بڑے ڈیٹاسیٹس پر تربیت یافتہ ہیں۔ وہ پیٹرنز کی شناخت کرنے اور الفاظ کی سب سے زیادہ ممکنہ ترتیب کی پیش گوئی کرنے میں مہارت رکھتے ہیں، لیکن ان میں حقیقی سمجھ یا شعور نہیں ہوتا۔ یہ شماریاتی بنیاد ایک نازک کمزوری کی طرف لے جاتی ہے: ہیلو سینیشنز (hallucinations)۔ جب ان کے تربیتی ڈیٹا سے باہر کے موضوعات یا باریک بینی سے فیصلے کی ضرورت والے سوالات کا سامنا کرنا پڑتا ہے، تو LLMs اعتماد کے ساتھ قابل قبول لگنے والی لیکن مکمل طور پر غلط یاگمراہ کن معلومات پیدا کر سکتے ہیں۔
ایک LLM کو ایک ناقابلِ شکست پیش گو کے طور پر نہ سوچیں، بلکہ شاید ایک ناقابل یقین حد تک پڑھے لکھے، فصیح، لیکن کبھی کبھار من گھڑت باتیں کرنے والے ماہر کے طور پر۔ جبکہ DeepSeek ایک ولولہ انگیز سانیٹ تحریر کر سکتا ہے، اہم قانونی تشریح، درست طبی تشخیص، یا زیادہ داؤ پر لگے مالی مشورے کے لیے اس پر انحصار کرنا انتہائی غیر دانشمندانہ ہوگا۔ شماریاتی امکانی انجن جو اسے روانی سے متن تیار کرنے کی اجازت دیتا ہے، اسے اس وقت “حقائق” ایجاد کرنے کا شکار بھی بناتا ہے جب اس کے پاس قطعی علم کی کمی ہوتی ہے۔ جبکہ نئے آرکیٹیکچرز اور استدلال کے ماڈلز (جیسے DeepSeek کا R1 یا OpenAI کے افواہوں والے o1/o3) اس مسئلے کو کم کرنے کا مقصد رکھتے ہیں، انہوں نے اسے ختم نہیں کیا ہے۔ ایک فول پروف LLM، جس کی ہر مثال میں درست ہونے کی ضمانت ہو، اب بھی ناقابلِ حصول ہے۔ لہذا، جبکہ LLMs افراد کے لیے طاقتور ٹولز ہو سکتے ہیں، ان کے استعمال کو تنقیدی تشخیص کے ساتھ معتدل کیا جانا چاہیے، خاص طور پر جب ان کے آؤٹ پٹ پر مبنی فیصلوں کا وزن زیادہ ہو۔ وہ انسانی صلاحیت کو بڑھاتے ہیں؛ وہ اہم ڈومینز میں انسانی فیصلے کی جگہ نہیں لیتے۔
کارپوریٹ اور حکومتی AI نفاذ کی راہنمائی
اعلیٰ داؤ پر لگے، کھلے سوالات کے لیے ان کی موروثی حدود کے باوجود، LLMs کاروباری اداروں اور سرکاری اداروں کے لیے، خاص طور پر کنٹرول شدہ ماحول میں، کافی قدر کی تجاویز پیش کرتے ہیں۔ ان کی طاقتیں قطعی فیصلہ سازی کی جگہ لینے میں نہیں، بلکہ عمل کو ہموار کرنے اور بصیرتیں نکالنے میں ہیں۔ کلیدی ایپلی کیشنز میں شامل ہیں:
- پروسیس آٹومیشن: ڈیٹا انٹری، کسٹمر سروس پری اسکریننگ، دستاویز کا خلاصہ، اور رپورٹ جنریشن جیسے معمول کے کاموں کو سنبھالنا۔
- ورک فلو آپٹیمائزیشن: رکاوٹوں کی نشاندہی کرنا، کارکردگی میں بہتری کی تجویز دینا، اور ڈیٹا تجزیہ کی بنیاد پر پیچیدہ پروجیکٹ ٹائم لائنز کا انتظام کرنا۔
- ڈیٹا اینالیٹکس: رجحانات، ارتباط، اور بے ضابطگیوں کو ننگا کرنے کے لیے وسیع ڈیٹاسیٹس پر کارروائی کرنا جو انسانی کھوج سے بچ سکتے ہیں، اسٹریٹجک منصوبہ بندی اور وسائل کی تقسیم میں مدد کرنا۔
حکومتی اور کارپوریٹ استعمال کے لیے ایک اہم پہلو ڈیٹا سیکیورٹی اور رازداری ہے۔ DeepSeek جیسے اوپن سورس ماڈلز کی دستیابی یہاں ایک فائدہ پیش کرتی ہے۔ ان ماڈلز کو ممکنہ طور پر وقف شدہ، محفوظ سرکاری یا کارپوریٹ ڈیجیٹل انفراسٹرکچر کے اندر ہوسٹ کیا جا سکتا ہے۔ یہ “آن پریمیسس” یا “پرائیویٹ کلاؤڈ” نقطہ نظر حساس یا خفیہ معلومات کو بیرونی سرورز یا تیسرے فریق فراہم کنندگان کے سامنے لائے بغیر پروسیس کرنے کی اجازت دیتا ہے، جس سے اہم رازداری اور سیکیورٹی کے خطرات کم ہوتے ہیں۔
تاہم، جب عوام کا سامنا کرنے والی سرکاری ایپلی کیشنز پر غور کیا جاتا ہے تو حساب کتاب ڈرامائی طور پر بدل جاتا ہے جہاں فراہم کردہ معلومات مستند اور غیر واضح طور پر درست ہونی چاہئیں۔ تصور کریں کہ ایک شہری سماجی فوائد، ٹیکس کے ضوابط، یا ہنگامی طریقہ کار کے لیے اہلیت کے بارے میں LLM سے چلنے والے سرکاری پورٹل سے سوال کر رہا ہے۔ یہاں تک کہ اگر AI 99% وقت بالکل درست جوابات پیدا کرتا ہے، باقی 1% گمراہ کن یا غلط جوابات کے سنگین نتائج ہو سکتے ہیں، عوامی اعتماد کو ختم کر سکتے ہیں، مالی مشکلات کا باعث بن سکتے ہیں، یا یہاں تک کہ حفاظت کو خطرے میں ڈال سکتے ہیں۔
اس کے لیے مضبوط حفاظتی اقدامات کے نفاذ کی ضرورت ہے۔ ممکنہ حل میں شامل ہیں:
- کوئری فلٹرنگ: ایسے سسٹمز ڈیزائن کرنا جو ان پوچھ گچھ کی نشاندہی کریں جو محفوظ، قابل تصدیق جوابات کے پہلے سے طے شدہ دائرہ کار سے باہر ہوں۔
- انسانی نگرانی: پیچیدہ، مبہم، یا زیادہ خطرے والے سوالات کو انسانی ماہر کے ذریعے جائزہ اور جواب کے لیے فلیگ کرنا۔
- اعتماد اسکورنگ: AI کو پروگرام کرنا تاکہ وہ کسی جواب کے بارے میں اپنی یقین دہانی کی سطح کی نشاندہی کرے، صارفین کو کم اعتماد والے جوابات کی تصدیق حاصل کرنے پر آمادہ کرے۔
- جواب کی توثیق: AI سے تیار کردہ جوابات کو عوام کے سامنے پیش کرنے سے پہلے معلوم، درست معلومات کے کیوریٹڈ ڈیٹا بیس کے خلاف کراس ریفرنس کرنا۔
یہ اقدامات موجودہ LLM ٹیکنالوجی میں موجود بنیادی تناؤ کو اجاگر کرتے ہیں: ان کی متاثر کن تخلیقی طاقت اور اہم سیاق و سباق میں درستگی اور وشوسنییتا کی مطلق ضرورت کے درمیان تجارت۔ اس تناؤ کا انتظام عوامی شعبے میں ذمہ دار AI کی تعیناتی کی کلید ہے۔
قابل اعتماد AI کی طرف: نالج گراف اپروچ
چین کا نقطہ نظر تیزی سے اس تناؤ کو نیویگیٹ کرنے پر مرکوز دکھائی دیتا ہے جس میں AI کو مخصوص، کنٹرول شدہ ایپلی کیشنز میں ضم کیا جاتا ہے جبکہ وشوسنییتا کو بڑھانے کے طریقے فعال طور پر تلاش کیے جاتے ہیں۔ ایک زبردست مثال اسمارٹ سٹی پہل ہے جو Zhuhai میں سامنے آ رہی ہے، جو گریٹر بے ایریا کا ایک شہر ہے۔ میونسپل حکومت نے حال ہی میں Zhipu AI میں ایک اہم اسٹریٹجک سرمایہ کاری (تقریباً 500 ملین یوآن یا US$69 ملین) کی ہے، جو شہری انفراسٹرکچر میں جدید AI کو شامل کرنے کے عزم کا اشارہ دیتی ہے۔
Zhuhai کے عزائم سادہ آٹومیشن سے آگے ہیں۔ مقصد AI کا ایک جامع، تہہ دار نفاذ ہے جس کا مقصد عوامی خدمات میں ٹھوس بہتری لانا ہے۔ اس میں ریئل ٹائم ڈیٹا تجزیہ کے ذریعے ٹریفک کے بہاؤ کو بہتر بنانا، زیادہ جامع فیصلہ سازی کے لیے مختلف سرکاری محکموں میں متفرق ڈیٹا اسٹریمز کو مربوط کرنا، اور بالآخر، شہریوں کے لیے زیادہ موثر اور جوابدہ شہری ماحول بنانا شامل ہے۔
اس کوشش کا مرکز Zhipu AI کا GLM-4 جنرل لینگویج ماڈل ہے۔ چینی اور انگریزی دونوں کاموں کو سنبھالنے میں ماہر ہونے اور ملٹی موڈل صلاحیتوں (صرف متن سے آگے کی معلومات پر کارروائی کرنا) کے مالک ہونے کے باوجود، اس کا کلیدی فرق اس کے فن تعمیر میں ہے۔ Zhipu AI، جو Tsinghua University کے مشہور Knowledge Engineering Group سے الگ ہوئی ہے، اپنے سیکھنے کے عمل میں ساختہ ڈیٹاسیٹس اور نالج گراف کو شامل کرتی ہے۔ روایتی LLMs کے برعکس جو بنیادی طور پر غیر ساختہ متن (جیسے ویب سائٹس اور کتابیں) کی وسیع مقدار سے سیکھتے ہیں، Zhipu AI واضح طور پر کیوریٹڈ، اعلیٰ درستگی والے نالج گراف – حقائق، اداروں، اور ان کے تعلقات کی ساختہ نمائندگیوں – کا فائدہ اٹھاتی ہے۔
کمپنی کا دعویٰ ہے کہ یہ نقطہ نظر ماڈل کی ہیلوسینیشن کی شرح کو نمایاں طور پر کم کرتا ہے، مبینہ طور پر حالیہ عالمی موازنہ میں سب سے کم شرح حاصل کی ہے۔ AI کے شماریاتی تخمینوں کو تصدیق شدہ، ساختہ علم کے فریم ورک میں بنیاد فراہم کر کے (جیسا کہ “Knowledge Engineering” کی اصلیت سے ظاہر ہوتا ہے)، Zhipu AI کا مقصد ایک زیادہ قابل اعتماد علمی انجن بنانا ہے۔ یہ خالصتاً شماریاتی ماڈلز سے عملی قدم کی نمائندگی کرتا ہے ان سسٹمز کی طرف جو حقائق پر مبنی بنیاد کو مربوط کرتے ہیں، Zhuhai کے اسمارٹ سٹی پروجیکٹ میں تصور کردہ مخصوص ایپلی کیشنز کے لیے قابل اعتمادی کو بڑھاتے ہیں۔
نیورو-سمبولک انٹیگریشن کی تلاش
Zhipu AI کی مثال مصنوعی ذہانت کے ارتقاء میں متوقع ایک وسیع تر، زیادہ بنیادی تبدیلی کی طرف اشارہ کرتی ہے: شماریاتی نیورل نیٹ ورکس کا علامتی منطقی استدلال کے ساتھ انضمام۔ جبکہ موجودہ LLMs بنیادی طور پر نیورل نیٹ ورکس کی فتح کی نمائندگی کرتے ہیں – پیٹرن کی شناخت، حسی ڈیٹا پر کارروائی، اور شماریاتی طور پر ممکنہ آؤٹ پٹ پیدا کرنے میں بہترین – اگلا مرحلہ ممکنہ طور پر اس “بدیہی” صلاحیت کو روایتی علامتی AI کی خصوصیت والے ساختہ، اصول پر مبنی استدلال کے ساتھ ملانا شامل ہے۔
یہ نیورو-سمبولک انٹیگریشن (neuro-symbolic integration) اکثر AI تحقیق میں ایک “مقدس جام” کے طور پر بیان کی جاتی ہے کیونکہ یہ دونوں جہانوں کی بہترین چیزوں کا وعدہ کرتی ہے: نیورل نیٹ ورکس کی سیکھنے اور موافقت کی صلاحیتیں علامتی نظاموں کی شفافیت، قابل تصدیقیت، اور واضح استدلال کے ساتھ مل کر۔ ایک ایسی AI کا تصور کریں جو نہ صرف ڈیٹا میں پیٹرنز کو پہچانتی ہے بلکہ قائم شدہ اصولوں، قوانین، یا منطقی اصولوں کی بنیاد پر اپنے استدلال کی وضاحت بھی کر سکتی ہے۔
ہموار انضمام کا حصول متعدد پیچیدہ چیلنجز پیش کرتا ہے، جو نظریاتی فریم ورک، کمپیوٹیشنل کارکردگی، اور عملی نفاذ پر محیط ہیں۔ تاہم، مضبوط نالج گراف (knowledge graphs) کی تعمیر ایک ٹھوس نقطہ آغاز کی نمائندگی کرتی ہے۔ حقائق اور تعلقات کے یہ ساختہ ڈیٹا بیس نیورل نیٹ ورک کے تخمینوں کو لنگر انداز کرنے کے لیے درکار علامتی بنیاد فراہم کرتے ہیں۔
کوئی چین میں ایک بڑے پیمانے پر، ریاستی سرپرستی میں کی جانے والی کوشش کا تصور کر سکتا ہے، شاید منگ خاندان کے دوران انسائیکلوپیڈک Yongle Dadian کی تالیف کے یادگار کام کی بازگشت ہو۔ ان اہم ڈومینز میں جہاں درستگی غیر گفت و شنید ہے – جیسے طب، قانون، انجینئرنگ، اور مادی سائنس – تصدیق شدہ معلومات کی وسیع مقدار کو ڈیجیٹل طور پر کوڈفائی کر کے، چین بنیادی علمی ڈھانچے تشکیل دے سکتا ہے۔ مستقبل کے AI ماڈلز کو ان کوڈفائیڈ، ساختہ علمی بنیادوں میں لنگر انداز کرنا انہیں زیادہ قابل اعتماد، ہیلوسینیشن کا کم شکار، اور بالآخر، اہم ایپلی کیشنز کے لیے زیادہ قابل اعتماد بنانے کی طرف ایک اہم قدم ہوگا، ممکنہ طور پر اس عمل میں ان شعبوں کی سرحدوں کو آگے بڑھانا۔
خود مختار ڈرائیونگ: چین کا ایکو سسٹم ایڈوانٹیج
شاید سب سے زیادہ مجبور میدان جہاں چین مربوط، قابل اعتماد AI پر اپنی توجہ مرکوز کرنے کے لیے تیار نظر آتا ہے وہ خود مختار ڈرائیونگ (autonomous driving) ہے۔ یہ ایپلی کیشن عام مقصد کے لسانی ماڈلز سے الگ ہے کیونکہ حفاظت صرف مطلوبہ نہیں ہے؛ یہ سب سے اہم ہے۔ پیچیدہ، غیر متوقع حقیقی دنیا کے ماحول میں گاڑی چلانے کے لیے صرف پیٹرن کی شناخت سے زیادہ کی ضرورت ہوتی ہے؛ اس کے لیے ٹریفک قوانین، جسمانی رکاوٹوں، اخلاقی تحفظات، اور سڑک کے دیگر صارفین کے رویے کے بارے میں پیش گوئی کرنے والے استدلال کی بنیاد پر فوری فیصلوں کی ضرورت ہوتی ہے۔
خود مختار ڈرائیونگ سسٹمز، لہذا، ایک حقیقی نیورو-سمبولک آرکیٹیکچر کی ضرورت ہوتی ہے۔
- نیورل نیٹ ورکس (Neural networks) کیمروں، lidar، اور ریڈار سے حسی ڈیٹا کے طوفان پر کارروائی کرنے، پیدل چلنے والوں، سائیکل سواروں، اور دیگر گاڑیوں جیسی اشیاء کی شناخت کرنے، اور فوری ماحول کو سمجھنے کے لیے ضروری ہیں۔
- علامتی منطق (Symbolic logic) ٹریفک قوانین کو نافذ کرنے (سرخ بتیوں پر رکنا، راستے کا حق دینا)، جسمانی حدود کی پابندی کرنے (بریک لگانے کے فاصلے، موڑنے کے رداس)، پیچیدہ منظرناموں میں شفاف، قابل تصدیق فیصلے کرنے، اور ممکنہ طور پر اخلاقی مخمصوں کو نیویگیٹ کرنے (جیسے ناگزیر حادثے کے انتخاب، اگرچہ یہ ایک گہرا پیچیدہ علاقہ ہے) کے لیے اہم ہے۔
ایک خود مختار گاڑی کو ڈیٹا پر مبنی “بدیہی” کو اصول پر مبنی استدلال کے ساتھ مؤثر طریقے سے ملانا چاہیے، متحرک حالات میں انکولی حفاظت کو یقینی بنانے کے لیے مستقل اور پیش گوئی کے مطابق کام کرنا چاہیے۔ یہ اس قسم کی “ہیلو سینیشنز” یا امکانی غلطیوں کا متحمل نہیں ہو سکتا جو کم اہم AI ایپلی کیشنز میں قابل قبول ہیں۔
یہاں، چین کے پاس عوامل کا ایک انوکھا سنگم ہے جو خود مختار ڈرائیونگ کی ترقی اور تعیناتی کے لیے ایک زرخیز ماحولیاتی نظام تشکیل دیتا ہے، جو ممکنہ طور پر دیگر عالمی طاقتوں سے آگے ہے:
- دنیا کی معروف EV سپلائی چین: چین الیکٹرک گاڑیوں اور ان کے اجزاء، خاص طور پر بیٹریوں کی پیداوار پر حاوی ہے، جو ایک مضبوط صنعتی بنیاد فراہم کرتا ہے۔
- وسیع چارجنگ انفراسٹرکچر: چارجنگ اسٹیشنوں کا تیزی سے پھیلتا ہوا نیٹ ورک رینج کی پریشانی کو کم کرتا ہے اور وسیع پیمانے پر EV اپنانے کی حمایت کرتا ہے۔
- ایڈوانسڈ 5G نیٹ ورکس: ہائی بینڈوڈتھ، کم لیٹنسی مواصلات گاڑی سے ہر چیز (V2X) مواصلات کے لیے اہم ہے، جو گاڑیوں اور انفراسٹرکچر کے درمیان ہم آہنگی کو ممکن بناتا ہے۔
- اسمارٹ سٹی انٹیگریشن: Zhuhai جیسی پہلیں ٹرانسپورٹیشن سسٹمز کو وسیع تر شہری ڈیٹا نیٹ ورکس کے ساتھ مربوط کرنے، ٹریفک کے بہاؤ کو بہتر بنانے اور جدید AV خصوصیات کو فعال کرنے پر آمادگی کا مظاہرہ کرتی ہیں۔
- وسیع پیمانے پر رائیڈ ہیلنگ: رائیڈ ہیلنگ ایپس کو صارفین کی جانب سے زیادہ اپنانا روبوٹیکسی خدمات کے لیے ایک تیار مارکیٹ بناتا ہے، جو خود مختار گاڑیوں کو تجارتی بنانے کے لیے ایک واضح راستہ فراہم کرتا ہے۔
- اعلی EV اپنانے کی شرح: چینی صارفین نے بہت سے مغربی ممالک کے مقابلے میں الیکٹرک گاڑیوں کو زیادہ آسانی سے قبول کیا ہے، جس سے ایک بڑی گھریلو مارکیٹ بن رہی ہے۔
- معاون ریگولیٹری ماحول: جبکہ حفاظت کلیدی حیثیت رکھتی ہے، ایسا لگتا ہے کہ خود مختار ٹیکنالوجیز کی جانچ اور تعیناتی کے لیے حکومتی حمایت موجود ہے، جس کا ثبوت Wuhan جیسے شہروں میں پہلے سے جاری روبوٹیکسی آپریشنز سے ملتا ہے۔
اس کا موازنہ دوسرے خطوں سے کریں۔ ریاستہائے متحدہ، Tesla کی پیش قدمی کی کوششوں کے باوجود، ترقی یافتہ ممالک میں مجموعی طور پر EV اپنانے میں نمایاں طور پر پیچھے ہے، یہ رجحان ممکنہ طور پر پالیسی میں تبدیلیوں سے بڑھ گیا ہے۔ یورپ مضبوط EV اپنانے پر فخر کرتا ہے لیکن اس میں غالب گھریلو EV مینوفیکچررز یا عالمی سطح پر معروف AI جنات کی وہی تعداد نہیں ہے جو اس انضمام پر مرکوز ہیں۔
چین کا اسٹریٹجک فائدہ، لہذا، سب سے طاقتور واحد LLM رکھنے کے بارے میں کم اور اس پیچیدہ ماحولیاتی نظام کو منظم کرنے کے بارے میں زیادہ لگتا ہے۔ ٹکڑے اپنی جگہ پر آ رہے ہیں – مینوفیکچرنگ کی مہارت سے لے کر ڈیجیٹل انفراسٹرکچر اور صارفین کی قبولیت تک – ممکنہ طور پر خود مختار گاڑیوں کو دہائی کے اندر اندر مخصوص جانچ سے مرکزی دھارے میں اپنانے کی طرف بڑھنے کی اجازت دینے کے لیے، شاید اس سال بھی اہم ٹیک آف دیکھنے کو ملے۔ مکمل تبدیلی کی طاقت اس وقت کھلے گی جب یہ گاڑیاں ترقی پذیر اسمارٹ سٹی انفراسٹرکچر کے ساتھ بغیر کسی رکاوٹ کے مربوط ہوں گی۔
توجہ مرکوز کرنا: کمپیوٹیشنل پاور سے مربوط ایکو سسٹمز تک
جبکہ ریاستہائے متحدہ اور دیگر کھلاڑی اکثر “کمپیوٹیشنل ریس” میں بند نظر آتے ہیں، چپ کی بالادستی، بڑے پیمانے پر سرور انفراسٹرکچر، اور ہمیشہ بڑے LLMs کے ساتھ بینچ مارک لیڈرشپ حاصل کرنے پر توجہ مرکوز کرتے ہوئے، چین ایک تکمیلی، شاید بالآخر زیادہ اثر انگیز، حکمت عملی پر عمل پیرا نظر آتا ہے۔ یہ حکمت عملی AI کو ٹھوس، سماجی طور پر تبدیلی لانے والی ایپلی کیشنز میں ضم کرنے پر زور دیتی ہے، وشوسنییتا اور ایکو سسٹم کی ہم آہنگی کو ترجیح دیتی ہے، خاص طور پر خود مختار ڈرائیونگ اور اسمارٹ سٹیز جیسے ڈومینز میں۔
اس میں نیورو-سمبولک طریقوں کی طرف ایک دانستہ اقدام شامل ہے، جو مخصوص اعلیٰ قدر، حفاظت کے لیے اہم ڈومینز کو نشانہ بناتا ہے جہاں خالص شماریاتی ماڈل کم پڑ جاتے ہیں۔ حقیقی مسابقتی برتری کسی ایک الگورتھم یا ماڈل کے اندر نہیں ہو سکتی، چاہے اس کی طاقت یا لاگت کی تاثیر کچھ بھی ہو، بلکہ جامع، مربوط ماحولیاتی نظام کے ذریعے AI کو جسمانی اور معاشی منظر نامے میں بُننے کی صلاحیت میں ہے۔ چین خاموشی سے عملی، ڈومین کے لیے مخصوص نیورو-سمبولک انضمام کی طرف پیش قدمی کر رہا ہے، LLMs کے ساتھ موجودہ دلچسپی سے آگے دیکھ کر ان ایپلی کیشنز کی طرف جو شہری زندگی اور نقل و حمل کو بنیادی طور پر نئی شکل دے سکتی ہیں۔ AI کے حقیقی دنیا کے اثرات کا مستقبل چیٹ بوٹس کی فصاحت میں کم اور ان پیچیدہ، AI-ایمبیڈڈ سسٹمز کے قابل اعتماد کام میں زیادہ ہو سکتا ہے۔