یہ مضمون فوربس بزنس کونسل کے 20 ممبران کی بصیرت پر مبنی ہے، جو پیشہ ور افراد کو مصنوعی ذہانت یا جنریٹو اے آئی کے شعبے میں داخل ہونے میں مدد کرنے کے لیے عملی تجاویز فراہم کرتا ہے۔ اس میں بنیادی تصورات کو سمجھنا، مسلسل تبدیلیوں کے مطابق ڈھلنا، اور سیکھنے کے لیے ایک عملی نقطہ نظر اپنانا شامل ہے۔
ایک حالیہ تحقیق سے پتہ چلتا ہے کہ مصنوعی ذہانت کے ماڈلز عالمی تاریخ کو سمجھنے میں جدوجہد کر رہے ہیں، جس سے ان کی درستگی اور قابل اعتمادی کے بارے میں خدشات پیدا ہو رہے ہیں۔
چین میں مصنوعی ذہانت کے چیٹ بوٹس کی مارکیٹ میں بائٹ ڈانس کا ڈوباؤ ایک غالب قوت کے طور پر ابھرا ہے، جس نے علی بابا اور بیدو جیسے قائم شدہ کھلاڑیوں کو پیچھے چھوڑ دیا ہے۔ یہ تبدیلی چینی ٹیک مارکیٹ کی متحرک نوعیت کو ظاہر کرتی ہے، جہاں تیز رفتار جدت اور صارف پر مبنی نقطہ نظر کامیابی کی کلید ہیں۔
ویو فارمز اے آئی نے 40 ملین ڈالر کی ابتدائی فنڈنگ حاصل کی ہے، جو جذباتی ذہانت پر توجہ مرکوز کرتے ہوئے جدید آڈیو ماڈلز تیار کر رہا ہے۔ یہ کمپنی براہ راست آڈیو پروسیسنگ کے ذریعے انسانی جذبات کو سمجھنے اور ان کا جواب دینے کے لیے مصنوعی ذہانت کو تیار کرنے کا ارادہ رکھتی ہے۔
مون شاٹ اے آئی نے کیمی کے 1.5 ملٹی موڈل ماڈل کا انکشاف کیا ہے، جو اوپن اے آئی کے مکمل ورژن o1 کے مقابلے میں کارکردگی دکھاتا ہے۔ یہ ماڈل ریاضی، کوڈنگ اور ملٹی موڈل استدلال میں اپنی صلاحیتوں کے لیے نمایاں ہے۔ کیمی کے 1.5 شارٹ ویرینٹ نے جی پی ٹی-4o اور کلاڈ 3.5 سونیٹ کو 550% سے زیادہ سے پیچھے چھوڑ دیا ہے۔ مون شاٹ اے آئی نے اپنی تکنیکی رپورٹ شائع کی ہے، جو مصنوعی عمومی ذہانت کی جانب ایک اجتماعی کوشش کی نشاندہی کرتی ہے۔
اوپن اے آئی کے شریک بانی اور سی ای او سیم آلٹمین 30 جنوری کو امریکی حکومتی عہدیداروں کو ڈاکٹر کی سطح کے سپر اے آئی ایجنٹ پر بریفنگ دینے والے ہیں۔ اس پیش رفت نے اوپن اے آئی کے ملازمین میں جوش و خروش اور بے چینی دونوں کو جنم دیا ہے، کیونکہ یہ جدید اے آئی ایجنٹ ممکنہ طور پر درمیانی سطح کے سافٹ ویئر انجینئرز کی جگہ لینے کے لیے تیار ہے۔ میٹا، فیس بک کی پیرنٹ کمپنی، نے اپنے افرادی قوت میں تقریباً 5 فیصد کمی کرنے کا منصوبہ بنایا ہے۔ سیلز فورس نے بھی سافٹ ویئر انجینئرنگ میں نئی بھرتیوں کو روکنے کا منصوبہ بنایا ہے۔ سپر اے آئی ایجنٹ پیچیدہ، کثیر سطحی حقیقی دنیا کے مسائل سے نمٹنے کے لیے بنائے گئے ہیں۔ یہ ایجنٹ خود مختار طور پر اہداف طے کر سکتے ہیں اور ان کا تعاقب کر سکتے ہیں۔
آرٹیفیشل انٹیلیجنس جنریٹڈ کنٹینٹ (AIGC) کی فیلڈ تیزی سے ترقی کر رہی ہے۔ اس مضمون میں مائیکروسافٹ اور اوپن اے آئی، بیدو کے ارنی بوٹ اور آئی فلائیٹیک کے سپارک جیسے بڑے لینگویج ماڈلز (LLM) کی ترقی اور نفاذ پر توجہ دی گئی ہے۔ یہ مضمون ایک اہم پیش رفت کو اجاگر کرتا ہے: اوپن اے آئی کی جانب سے ایک ریئل ٹائم اے آئی ایجنٹ کا اجراء جسے صرف 20 منٹ میں تیار کیا جا سکتا ہے۔ یہ پیش رفت اے آئی سے چلنے والی ایپلیکیشنز کے دائرے میں اعلیٰ کارکردگی کی ترقی کے امکان کو ظاہر کرتی ہے۔
یہ تحقیق ڈیفیوژن ماڈلز میں انفرنس ٹائم اسکیلنگ کے تصور کو تلاش کرتی ہے، جس میں انفرینس کے دوران کمپیوٹیشنل وسائل میں اضافہ کرکے نمونوں کے معیار کو بہتر بنایا جاتا ہے۔ ایک عمومی سرچ فریم ورک کے ذریعے، محققین نے پایا کہ بہتر نمونہ سازی کے لیے شور کی تلاش کلیدی حیثیت رکھتی ہے۔ یہ فریم ورک دو اہم ڈیزائن محوروں پر مرکوز ہے: تصدیق کنندگان (جو نمونوں کا جائزہ لیتے ہیں) اور الگورتھم (جو بہتر شور کے امیدوار تلاش کرتے ہیں)۔ نتائج سے پتہ چلتا ہے کہ یہ طریقہ کار نہ صرف امیج نیٹ جیسے بنیادی سیٹ اپ میں موثر ہے، بلکہ بڑے پیمانے پر ٹیکسٹ ٹو امیج ٹاسک میں بھی کارآمد ہے، جو مختلف ایپلی کیشنز کے لیے لچک فراہم کرتا ہے۔
اوپن اے آئی کا o3-Mini ماڈل جلد متوقع ہے۔ یہ ماڈل API اور ویب انٹرفیس دونوں کے ذریعے دستیاب ہوگا۔ اس ماڈل کی تین قسمیں جاری کی جائیں گی: ہائی، میڈیم اور لو۔ اس ماڈل کی رفتار زیادہ ہوگی لیکن کارکردگی O1-Pro سے کم ہوگی۔ اوپن اے آئی کے سی ای او سیم آلٹمین نے AGI کے بارے میں بھی بات کی، جس کے لیے 872 میگاواٹ بجلی کی ضرورت ہوگی۔
بڑے لسانی ماڈلز (LLMs) میں موثر پیمانے پر استدلال ایک اہم چیلنج ہے۔ روایتی توجہ کے طریقہ کار میں کلیدی قدر (KV) کیش ایک بڑی رکاوٹ ہے، جو بیچ سائز اور ترتیب کی لمبائی کے ساتھ خطی طور پر بڑھتی ہے۔ ملٹی میٹرکس فیکٹرائزیشن اٹینشن (MFA) اور MFA-Key-Reuse (MFA-KR) ایک نیا طریقہ کار ہے جو کارکردگی کو بہتر بناتے ہوئے KV کیش کے استعمال کو 93.7 فیصد تک کم کرتا ہے۔ MFA ڈیزائن میں سادگی، آسانی سے دوبارہ پیدا کرنے کی صلاحیت، کم حساسیت اور مختلف پوزیشن ایمبیڈنگ طریقوں کے ساتھ مطابقت رکھتا ہے۔ یہ طریقہ کار ماڈل کی صلاحیت کو زیادہ سے زیادہ کرنے، پیرامیٹر کی کارکردگی کو برقرار رکھنے، اور میموری کے استعمال کو کم سے کم کرنے کے لیے ڈیزائن کیا گیا ہے۔ تجرباتی نتائج سے پتہ چلتا ہے کہ MFA روایتی MHA کے مقابلے میں بڑے پیمانے پر صلاحیتوں کو برقرار رکھتا ہے، جبکہ MFA-KR میموری کے استعمال کو نمایاں طور پر کم کرتا ہے۔
