مکانی تصور کے ابعاد: AI کی صلاحیت

ہم ایک سہ جہتی (تھری ڈائمینشنل) جگہ میں موجود ہیں۔

اس جگہ کے اندر، ہم محض بصری معلومات کی بنیاد پر سہ جہتی جگہ کو سمجھتے ہیں، جو کہ صرف دو جہتی (ٹو ڈائمینشنل) تصاویر ہیں۔

اس کا مطلب یہ ہے کہ ہمارے ذہنوں میں سہ جہتی جگہ کی تصویر موجود ہے، اور ہم دو جہتی بصری معلومات کو اس سہ جہتی جگہ کی تصویر پر الٹا نقشہ بنا رہے ہیں۔

میں پیش گوئی کرتا ہوں کہ اس اصول کو لاگو کرنے سے انسانوں کے لیے چار جہتی (فور ڈائمینشنل) جگہ کو سمجھنا ممکن ہو جائے گا۔ اگرچہ ہم حقیقی طبعی جگہ میں چار جہتی جگہ یا چار جہتی اشیاء تخلیق نہیں کر سکتے،

تاہم، کمپیوٹر پر چار جہتی جگہ اور چار جہتی اشیاء کو نقل کرنا ممکن ہے۔ اگر ہم ایسی نقل شدہ چار جہتی جگہ سے دو جہتی سطح پر نقشہ بنائیں، تو انسان بصری طور پر معلومات کو سمجھ سکتے ہیں۔

پھر، جب انسان ایسی چار جہتی جگہ اور چار جہتی اشیاء کے رویوں اور مناظر کو سیکھیں گے، تو وہ بالآخر اپنے ذہنوں میں ایک چار جہتی جگہ تعمیر کر سکیں گے۔

تاہم، یہ محض ایک امکان ہے، اور اس تربیت میں کافی وقت لگنے کی توقع ہے۔

مزید برآں، یہاں تک کہ اگر کسی کو چار جہتی جگہ کو سمجھنے کی صلاحیت حاصل بھی ہو جائے، تو ایسے تقریباً کوئی حالات نہیں ہوں گے جن میں اس صلاحیت کو لاگو کیا جا سکے۔

مصنوعی ذہانت (AI) کے ذریعے چار جہتی تصور

دوسری جانب، یہی کام مصنوعی ذہانت (AI) کے ذریعے بھی حاصل کیا جا سکتا ہے۔ مزید یہ کہ، AI اس چار جہتی مکانی تصور کی صلاحیت کا فائدہ اٹھا سکتی ہے۔

مثال کے طور پر، چار جہتی مکانی تصور کے ساتھ، چار جہتی گراف بنانا اور انہیں سمجھنا ممکن ہو گا۔

انسان صرف دو جہتی ہموار بصری معلومات کو ہی جامع طور پر سمجھ سکتے ہیں۔ لہٰذا، اگرچہ ایک سہ جہتی گراف کو الٹی نقشہ سازی (inverse mapping) کے ذریعے بنایا اور پہچانا جا سکتا ہے، پھر بھی اس کے کچھ حصے نظروں سے اوجھل رہیں گے۔

سہ جہتی گراف کے ساتھ بھی، ایک بڑا حصہ پوشیدہ ہو جاتا ہے، اور چار جہتی گراف کے ساتھ، اس سے بھی زیادہ ڈیٹا نظر نہیں آتا۔

اگرچہ گراف کو گھمانے سے پوشیدہ حصے ظاہر ہو سکتے ہیں، لیکن یہ ڈیٹا کو ایک نظر میں جامع اور بدیہی طور پر قابل فہم بنانے کے مقصد سے ہٹ جاتا ہے۔

اس کے برعکس، AI کو دو جہتی ہموار بصری معلومات کی پابندیوں میں رہنے کی ضرورت نہیں ہے۔ AI کو عملی طور پر سہ جہتی یا چار جہتی مکانی بصارت سے لیس کرنا اور اسے تربیت دینا ممکن ہے۔

ایسا کرنے سے، سہ جہتی اور چار جہتی گراف کو جامع اور جہتی طور پر فطری انداز میں سمجھا جا سکتا ہے، بغیر کسی پوشیدہ ڈیٹا یا گھمانے کی ضرورت کے۔

مزید یہ کہ، یہ صرف چار ابعاد تک محدود نہیں ہے؛ منطقی طور پر، ابعاد کو لامحدود طور پر پانچ، دس، بیس، اور اس سے آگے بڑھایا جا سکتا ہے۔

کثیر جہتی گراف کو سمجھنا

گراف کو جامع طور پر سمجھنے کی صلاحیت، مثال کے طور پر، متعدد ابعاد میں رجحان کا تجزیہ کرنے کے قابل بناتی ہے۔ مقدار کا موازنہ اور تناسب کو سمجھنا بھی بدیہی طور پر انجام دیا جا سکتا ہے۔

مزید برآں، یہ ڈیٹا کے پیٹرن، جیسے کہ مماثل یا مشابہ ڈیٹا کا تجزیہ کرنے کی اجازت دیتا ہے۔ یہ باقاعدگیوں اور قوانین کی دریافت کا باعث بھی بن سکتا ہے۔

یہ محض کثیر جہتی ڈیٹا پیٹرن میچنگ سے بڑھ کر ڈیٹا کی گہری تفہیم کو ممکن بناتا ہے، جس میں موجودہ AI بہترین ہے۔

مثال کے طور پر، اگر بالکل مختلف ابعادی امتزاجات میں ایک ہی پیٹرن والے حصے موجود ہوں، تو انہیں سادہ کثیر جہتی پیٹرن میچنگ کے ذریعے تلاش کرنا مشکل ہوگا۔

تاہم، اگر ڈیٹا کو کثیر جہتی بصارت سے دیکھا جائے، تو مماثل شکلیں فوری طور پر واضح ہو جائیں گی، چاہے وہ مختلف ابعادی امتزاجات میں ہی کیوں نہ ہوں۔

مزید برآں، محض ان پٹ ڈیٹا سے وابستہ ابعادی محوروں کو استعمال کرنے کے علاوہ، ایسے ابعادی ڈھانچے کو تلاش کرنا ممکن ہے جو ڈیٹا کی تفہیم کو آسان بناتے ہیں، مخصوص محوروں کو بڑا یا چھوٹا کر کے، لاگرتھم لے کر، یا متعدد محوروں کو اسی تعداد کے کسی دوسرے محوروں کے سیٹ پر نقشہ بنا کر ابعاد کو کم کیے بغیر۔

اس طرح، کثیر جہتی بصارت کی صلاحیتوں کی تربیت جامع ڈیٹا ڈھانچے کو سمجھنے کا امکان کھولتی ہے جو انسانوں اور روایتی AI دونوں کے لیے مشکل تھے، جو ممکنہ طور پر نئی بصیرتوں اور قوانین کی دریافت کا باعث بن سکتی ہے۔

پیراڈائم جدت کو تیز کرنا

اعلیٰ جہتی ڈیٹا کو اس کی ابعاد کو کم کیے بغیر قدرتی طور پر سمجھنے کی صلاحیت ایک اہم صلاحیت کو ظاہر کرتی ہے۔

مثال کے طور پر، ہیلیو سینٹرک نظریہ (heliocentric theory) فلکیاتی مشاہداتی ڈیٹا کو آسانی سے سمجھنے والے ریاضیاتی فارمولوں میں فٹ کرنے کے لیے ایجاد کیا گیا تھا۔ جیو سینٹرک نظریہ (geocentric theory)، جس میں سورج کو زمین کے گرد گھومتا ہوا فرض کیا گیا تھا، مشاہداتی ڈیٹا کو آسانی سے سمجھنے والے فارمولوں میں نقش نہیں کر سکا، جس کی وجہ سے ہیلیو سینٹرک نظریہ کی ایجاد ہوئی۔

تاہم، اگر فلکیاتی مشاہداتی ڈیٹا کو اس کی ابعاد کو کم کیے بغیر قدرتی طور پر سمجھا جا سکتا، تو یہ ممکن ہے کہ ہیلیو سینٹرک جیسے قوانین بہت پہلے دریافت ہو جاتے۔

اسی طرح، سائنسی ایجادات جیسے کہ نظریہ اضافیت اور کوانٹم میکینکس کو تیزی سے محسوس کیا جا سکتا تھا اگر کثیر جہتی ڈیٹا کو اس کی قدرتی ابعاد میں جامع طور پر سمجھا جا سکتا۔

اس کا مطلب یہ ہے کہ کثیر جہتی مقامی AI پیراڈائم کی جدتوں کو تیز کر سکتی ہے، جس سے انسانیت کے لیے اب تک نامعلوم مختلف نظریات اور قوانین کی دریافت ہو سکتی ہے۔

نتیجہ

ایسی کثیر الجہتی جگہوں کے لیے تربیت یافتہ AI اپنی کثیر الجہتی مکانی ادراک کی صلاحیتوں کا فائدہ اٹھا سکتی ہے، جنہیں انسان نقل نہیں کر سکتے، تاکہ سائنسی اور تعلیمی پیراڈائمز کے دائرہ کار کو تیزی سے وسعت دے سکے۔

پیراڈائمز صرف منتقل ہونے کے بجائے بڑھتے ہیں۔ یہاں تک کہ اگر نئے پیراڈائمز ایجاد ہوتے ہیں، تو ہمیں ضروری نہیں کہ ان میں سے ہر ایک کے ساتھ رفتار برقرار رکھنی پڑے۔

یقیناً، AI پیچیدہ، اعلیٰ جہتی پیراڈائمز کی وضاحت انہیں کم جہتی میں اس طرح نقشہ بنا کر کرے گی جو ہمارے لیے آسانی سے قابل فہم ہو۔

تاہم، یہ ممکن ہے کہ انسان بہت زیادہ اعلیٰ جہتی پیراڈائمز کو مکمل طور پر سمجھ نہ سکیں۔ نہ ہی ہم تمام وسیع پیمانے پر پھیلے ہوئے پیراڈائمز کو سمجھ پائیں گے۔

اس منظر نامے میں، ہم خود کو ایسی مصنوعات اور نظاموں سے گھرا ہوا پا سکتے ہیں جو اچھی طرح کام کرتے ہیں، چاہے ہم ان کے بنیادی اصولوں کو پوری طرح نہ سمجھتے ہوں۔

ایک انجینئر کے طور پر، میں ایسی صورت حال کا تصور نہیں کرنا چاہوں گا، لیکن بہت سے لوگوں کے لیے، یہ موجودہ حالات سے زیادہ مختلف نہیں ہو سکتی۔