فضائی ادراک کے ابعاد: AI کی صلاحیت

ہم تین جہتی خلا میں موجود ہیں۔

اس خلا میں، ہم بصری معلومات کی بنیاد پر تین جہتی خلا کو سمجھتے ہیں، جو کہ محض ایک دو جہتی تصویر ہے۔

اس کا مطلب یہ ہے کہ ہمارے ذہنوں میں تین جہتی خلا کی ایک تصویر موجود ہے، اور ہم دو جہتی بصری معلومات کو اس تین جہتی تصویر پر معکوس نقشہ کرتے ہیں۔

میں پیشین گوئی کرتا ہوں کہ، اس اصول کو لاگو کر کے، انسان ممکنہ طور پر چار جہتی خلا کو سمجھ سکیں گے۔ اگرچہ ہم حقیقی طبیعی خلا میں چار جہتی خلا یا چار جہتی اشیاء تخلیق نہیں کر سکتے،

لیکن کمپیوٹر کا استعمال کرتے ہوئے چار جہتی خلا اور اشیاء کی نقالی کرنا ممکن ہے۔ اس نقلی چار جہتی خلا کو دو جہتی سطح پر نقشہ بنا کر، انسان بصری طور پر معلومات کو سمجھ سکتے ہیں۔

پھر، اگر انسان ایسے چار جہتی خلا اور اشیاء کے رویے اور مناظر کو سیکھ لیں، تو وہ بالآخر اپنے ذہن میں ایک چار جہتی خلا تخلیق کرنے کے قابل ہو جائیں گے۔

تاہم، یہ محض ایک امکان ہے، اور اس طرح کی تربیت کے لیے کافی وقت درکار ہو گا۔

مزید برآں، اگر کوئی چار جہتی خلا کو سمجھنے کی صلاحیت حاصل بھی کر لے، تو ایسے تقریباً کوئی حالات نہیں ہوں گے جن میں اس صلاحیت کو لاگو کیا جا سکے۔

AI کا چار ابعاد کا ادراک

دوسری طرف، AI کے ساتھ بھی یہی حاصل کیا جا سکتا ہے۔ مزید یہ کہ، AI اس چار جہتی فضائی ادراک کی صلاحیت سے فائدہ اٹھا سکتا ہے۔

مثال کے طور پر، چار جہتی فضائی ادراک کے ساتھ، AI چار جہتی گراف بنا سکتا ہے اور انہیں سمجھ بھی سکتا ہے۔

انسان صرف دو جہتی سطح پر بصری معلومات کو ایک نظر میں سمجھ سکتے ہیں۔ لہٰذا، اگر ایک تین جہتی گراف بنایا جائے اور معکوس نقشہ سازی کے ذریعے پہچانا جائے، تب بھی کچھ چھپے ہوئے حصے موجود ہوں گے جو نظروں سے اوجھل ہوں گے۔

جبکہ ایک تین جہتی گراف کا ایک بڑا حصہ غائب ہو جاتا ہے، ایک چار جہتی گراف اس سے بھی زیادہ ڈیٹا چھپا دے گا۔

اگرچہ گراف کو گھمانے سے چھپے ہوئے حصے ظاہر ہو سکتے ہیں، لیکن یہ ڈیٹا کو ایک نظر میں بدیہی طور پر سمجھنے کے مقصد سے ہٹ جاتا ہے۔

اس کے برعکس، AI کو دو جہتی سطحی بصری معلومات کی قید میں رہنے کی ضرورت نہیں ہے۔ AI کو عملی طور پر تین جہتی یا چار جہتی فضائی بصارت سے آراستہ اور تربیت دینا ممکن ہے۔

یہ AI کو تین جہتی اور چار جہتی گراف کو ایک جہتی-مقامی، وسیع انداز میں سمجھنے کی اجازت دے گا، بغیر ڈیٹا کے چھپے ہونے یا گھومنے کی ضرورت کے۔

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

کثیر جہتی گراف کو سمجھنا

گراف کو وسیع نظر سے سمجھنے کی صلاحیت، مثال کے طور پر، متعدد ابعاد میں رجحان کا تجزیہ ممکن بناتی ہے۔ حجم کا موازنہ اور تناسب کو سمجھنا بھی بدیہی طور پر کیا جا سکتا ہے۔

یہ ڈیٹا کے نمونوں کا تجزیہ بھی ممکن بناتا ہے، جیسے کہ مماثل یا مشابہ ڈیٹا۔ مزید برآں، یہ قواعد اور قوانین کو دریافت کرنے میں بھی مدد کر سکتا ہے۔

یہ محض کثیر جہتی ڈیٹا کے پیٹرن میچنگ سے کہیں آگے ہے، جس میں موجودہ AI سبقت رکھتا ہے، جو ڈیٹا کی گہری سمجھ کو ممکن بناتا ہے۔

مثال کے طور پر، اگر مکمل طور پر مختلف ابعاد کے امتزاج کے اندر یکساں پیٹرن موجود ہوں، تو سادہ کثیر جہتی پیٹرن میچنگ کو انہیں تلاش کرنے میں شاید مشکل پیش آئے۔

تاہم، کثیر جہتی بصارت کے ساتھ، اگر شکلیں ملتی جلتی ہیں، تو وہ مختلف جہتی امتزاجات میں بھی فوری طور پر پہچانی جا سکتی ہیں۔

مزید یہ کہ، صرف ان پٹ ڈیٹا کے ساتھ آنے والے جہتی محوروں کو استعمال کرنے کے علاوہ، ایسے جہتی ڈھانچوں کو بھی تلاش کرنا ممکن ہے جو ڈیٹا کو سمجھنے میں آسان ہوں، مخصوص محوروں کو بڑھا یا گھٹا کر، انہیں لوگارتمی طور پر تبدیل کر کے، یا متعدد محوروں کو ان کی جہت کو کم کیے بغیر اتنی ہی تعداد کے مختلف محوروں پر نقشہ بنا کر۔

اس طرح، کثیر جہتی بصارت کی صلاحیت کو تربیت دے کر، ڈیٹا کے ڈھانچے کو وسیع نظر سے سمجھنا ممکن ہو جاتا ہے – ایک ایسا کام جو انسانوں اور روایتی AI دونوں کے لیے مشکل ہے – جس سے نئے بصیرت اور قوانین دریافت کرنے کی صلاحیت کھل جاتی ہے۔

پیراڈائم جدت کو تیز کرنا

اعلیٰ جہتی ڈیٹا کو اس کی اصل جہت میں، نچلی جہتوں میں نقشہ بنائے بغیر سمجھنے کی صلاحیت ایک اہم امکان کی نشاندہی کرتی ہے۔

مثال کے طور پر، فلکیاتی مشاہداتی ڈیٹا کو آسانی سے سمجھ میں آنے والے ریاضیاتی فارمولوں میں فٹ کرنے کے لیے سورج مرکزی نظریہ ایجاد کیا گیا تھا۔ زمینی مرکزی نظریے کی سمجھ، جس میں سورج کو زمین کے گرد گھومتے ہوئے فرض کیا گیا تھا، مشاہداتی ڈیٹا کو قابل فہم فارمولوں میں نقشہ نہیں بنا سکی، جس کی وجہ سے سورج مرکزی نظریہ ایجاد ہوا۔

تاہم، اگر فلکیاتی مشاہداتی ڈیٹا کو جہت میں کمی کے بغیر اس کی اصل جہت میں سمجھا جا سکتا، تو سورج مرکزی جیسے قوانین بہت پہلے دریافت ہو سکتے تھے۔

اسی طرح، سائنسی ایجادات جیسے کہ نظریہ اضافیت اور کوانٹم مکینکس بہت پہلے حاصل کی جا سکتی تھیں اگر کثیر جہتی ڈیٹا کو اس کی اصل جہت میں وسیع نظر سے سمجھا جا سکتا۔

اس کا مطلب یہ ہے کہ پیراڈائم جدت، جو انسانیت کے لیے ابھی تک نامعلوم مختلف نظریات اور قوانین کی دریافت کا باعث بنتی ہے، جہت-مقامی AI کے ذریعے تیز کی جا سکتی ہے۔

نتیجہ

کثیر جہتی جگہ کے لیے مقامی طور پر تربیت یافتہ AI، اپنی کثیر جہتی فضائی ادراکی صلاحیتوں کا فائدہ اٹھاتے ہوئے — جو انسانی تقلید سے ماورا ہیں — سائنس اور تعلیمی دنیا میں پیراڈائم کے دائرہ کار کو تیزی سے وسعت دے سکتا ہے۔

پیراڈائم محض تبدیل ہونے کے بجائے بڑھتے جاتے ہیں۔ حتیٰ کہ اگر نئے پیراڈائم ایجاد بھی ہو جائیں، تو ہمیں لازمی طور پر ان کے ساتھ قدم سے قدم ملانے کی ضرورت نہیں ہے۔

یقیناً، AI پیچیدہ جہتوں میں دریافت ہونے والے پیراڈائم کو نچلی جہتوں میں نقشہ بنا کر ایسے طریقے سے وضاحت کرے گا جو ہمارے لیے سمجھنا آسان ہو۔

تاہم، ضرورت سے زیادہ اعلیٰ جہتوں کے پیراڈائم انسانی سمجھ سے بالا رہ سکتے ہیں۔ مزید برآں، یہ وسیع پیمانے پر پھیلے ہوئے تمام پیراڈائم کو سمجھنا بھی ناممکن ہو گا۔

ایسے منظرنامے میں، ہم خود کو ایسی مصنوعات اور نظاموں سے گھرا ہوا پا سکتے ہیں جو مؤثر طریقے سے کام کرتے ہیں، خواہ ہم ان کے بنیادی اصولوں کو مکمل طور پر نہ سمجھتے ہوں۔

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