$7 ٹریلین کا سوال

AI صنعت ایک فیصلہ کن موڑ پر: جدت کی حدیں، سرمائے کا دباؤ، اور وہ تزویراتی تقسیم جو مستقبل کو نئی شکل دے رہی ہے

Muhammed Gider
9 منٹ میں پڑھیں • 

$7 ٹریلین کا سوال

چمک دمک سے بھرپور سرخیوں کے پیچھے، AI صنعت جدت کی رفتار، سرمائے کی پائیداری، اور ماڈل تیار کرنے والوں اور ایپلیکیشن بنانے والوں کے الگ ہوتے راستوں سے متعلق بنیادی سوالات سے دوچار ہے۔

صنعت کا خاموش فیصلہ کن موڑ

گزشتہ تین برسوں میں مصنوعی ذہانت نے بے مثال رفتار سے ترقی کی ہے۔ ChatGPT کے اجرا کے بعد سے صارفین میں اس کے استعمال نے ریکارڈ توڑ دیے ہیں، OpenAI سے Google تک بڑی کمپنیوں نے تیزی سے یکے بعد دیگرے ماڈلز کا اعلان کیا ہے، اور Fortune 500 کمپنیوں نے AI کو اپنے کاروباری عمل کا محور بنا لیا ہے۔ مگر آج، چمک دمک سے بھرپور سرخیوں کے پیچھے، صنعت ایک بنیادی طور پر مختلف سوال سے دوچار ہے:

کیا حقیقی جدت اب بھی بھرپور رفتار سے آگے بڑھ رہی ہے، یا ہم ایک ایسی دیوہیکل مشین کو دیکھ رہے ہیں جو ان دیکھی حدوں سے ٹکرا رہی ہے؟

اس سوال کا درست جواب دینے کے لیے ہمیں اس پورے نظام کو دو الگ زاویوں سے دیکھنا ہوگا:

بنیادی منڈی: وہ کمپنیاں جو GPT-4، Claude، اور Gemini جیسے بنیادی ماڈلز تیار کرتی ہیں: OpenAI، Anthropic، Google DeepMind، Meta۔

ثانوی منڈی: وہ کمپنیاں جو ان ماڈلز کی مدد سے صارفین کے حقیقی مسائل کے حل تیار کرتی ہیں: Perplexity، Cursor، Notion AI، Replit۔

اگرچہ دونوں منڈیاں ایک ہی صنعت کا حصہ ہیں، ان کے کام کرنے کے انداز، لاگت کے ڈھانچے، خطرات کی نوعیت، اور ترقی کی توقعات بنیادی طور پر مختلف ہیں۔ آج ہم جس تناؤ کا مشاہدہ کر رہے ہیں، وہ عین اسی فرق سے پیدا ہوتا ہے۔

ماڈلز کی تیاری کی فطری حدیں سامنے آنے لگی ہیں

گزشتہ پانچ برسوں میں بڑے لسانی ماڈلز کے ارتقا کو چار بنیادی عوامل نے شکل دی ہے:

  • ماڈل کا حجم (پیرامیٹرز کی تعداد)
  • تربیتی ڈیٹا (معیار اور تنوع)
  • حسابی طاقت (GPU/TPU کی صلاحیت)
  • تربیتی تکنیکیں (ٹرانسفارمر ساختیں، توجہ کے طریقۂ کار)

2018 سے 2023 تک، یہ چاروں عوامل ایک ہی سمت میں بڑھتے گئے، جس سے زبردست پیش رفت ہوئی۔ اسی طرح ہم GPT-2 سے GPT-4 اور BERT سے PaLM تک پہنچے۔ تاہم، ترقی کا یہ منحنی خط غیر معینہ مدت تک جاری نہیں رہے گا۔ تربیتی ڈیٹا اب صنعت کی سب سے اہم رکاوٹ ہے۔

اعلیٰ معیار کے، متنوع اور اصل انسانی تخلیق کردہ ڈیٹا کے ذخائر محدود ہیں۔ آپ ماڈل کو Wikipedia، arXiv اور GitHub کے ڈیٹا پر تربیت دیتے ہیں: پھر کیا؟ کاپی رائٹ کے مسائل، ڈیٹا کی ملکیت کے معاہدوں اور رسائی کی پابندیوں کے باعث اس شعبے کی لاگت کئی گنا تیزی سے بڑھ رہی ہے۔ آپ Reddit کے ساتھ معاہدے کرتے ہیں، Stack Overflow سے مذاکرات کرتے ہیں اور The New York Times کے مقدمات کا سامنا کرتے ہیں۔ ماڈل کا حجم بڑھانا اب بھی تکنیکی طور پر ممکن ہے، مگر ڈیٹا کی دستیابی اس پر ایک فطری حد لگا دیتی ہے۔

اسی لیے صنعت نے اپنی توجہ ماڈل کے حجم سے ہٹا کر کارکردگی بہتر بنانے پر مرکوز کر دی ہے۔ مرحلہ وار استدلال، انسانی آرا کی بنیاد پر تقویتی سیکھنے کا عمل (RLHF)، نمونے منتخب کرنے کی زیادہ مؤثر تکنیکیں اور متعدد ماہر ماڈلز پر مشتمل ساختیں (MoE): یہ سب اسی تبدیلی کا حصہ ہیں۔

یہ پیش رفت اہم ہے، مگر اکیلے اس کے بل پر بہتری کا سلسلہ برقرار نہیں رہ سکتا۔ ایک مرحلے پر کارکردگی میں بہتری بھی اپنی حد کو پہنچ جاتی ہے۔ صنعت اب یہ تسلیم کرنے لگی ہے کہ بنیادی ماڈلز میں جدت ایک ایسے مرحلے میں داخل ہو چکی ہے جو زیادہ سست اور زیادہ مہنگا ہے۔

سرمائے کے بہاؤ کا دباؤ اور بڑھتی ہوئی کمزوری

جیسے جیسے تکنیکی حدود واضح ہو رہی ہیں، سرمائے کے محاذ پر بڑھوتری کے ساتھ خطرات بھی مزید بڑھ گئے ہیں۔

بنیادی ماڈل بنانے والی کمپنیاں کمپیوٹنگ کے وسیع انفراسٹرکچر تعمیر کر رہی ہیں اور باصلاحیت افراد کو بھرتی کرنے کی دوڑ میں بڑی بڑی پیشکشیں کر رہی ہیں۔ یہ اخراجات مضبوط آمدنی کی بنیاد قائم ہونے سے پہلے کیے جا رہے ہیں۔ OpenAI کے سالانہ کمپیوٹنگ اخراجات اربوں تک پہنچتے ہیں۔ Anthropic کو Microsoft سے اربوں کی سرمایہ کاری ملتی ہے۔ Google، DeepMind کے لیے الگ بجٹ مختص کرتا ہے۔

ڈیٹا سینٹرز میں اربوں کی سرمایہ کاری، کئی سالہ GPU معاہدے اور Ilya Sutskever جیسے ناموں کو دی جانے والی فلک بوس تنخواہیں: یہ سب کمپنیوں کے اخراجات میں بے تحاشا اضافہ کرتے ہیں۔

یہ صورتِ حال ظاہر کرتی ہے کہ بنیادی مارکیٹ کاروبار کو وسعت دینے کے ایک ایسے ماڈل پر قائم ہے جو معاشی لحاظ سے انتہائی کمزور ہے۔ ماڈلز میں جدت لانے کے اخراجات آمدنی میں اضافے کی شرح سے کہیں زیادہ ہیں۔

ایپلیکیشن کی سطح کا خاموش عروج

بنیادی مارکیٹ دباؤ میں ہے، جبکہ ثانوی مارکیٹ نسبتاً صحت مند رفتار سے ترقی کر رہی ہے۔ یہ کمپنیاں بنیادی ماڈلز کو عملی استعمال کی صورتوں میں ڈھالتی ہیں۔

  • Perplexity: تلاش کے تجربے کو ازسرِنو ترتیب دینا
  • Cursor & Replit: کوڈنگ کے عمل کو بدلنا
  • Notion AI: کام کی استعداد بڑھانے والے ٹولز کو ذہین بنانا
  • Dvina: 120+ ایپلیکیشنز سے جڑ کر ایک ہی ذہین سطح سے پوری ڈیجیٹل زندگی کا انتظام کرنا

ان کمپنیوں کی برتری یہ ہے کہ یہ صارف کے سب سے قریب ہیں۔ حقیقی قدر براہِ راست صارف کے تجربے میں سامنے آتی ہے۔ تلاش، کوڈنگ، مواد کی تخلیق، کام کی استعداد اور معلومات کی پروسیسنگ: یہ تمام شعبے آمدنی کے ایسے ماڈلز پیش کرتے ہیں جنہیں وسعت دینا اور سمجھنا آسان ہے۔

اسی لیے بنیادی ماڈل تیار کرنے والی بہت سی کمپنیوں نے ایپلیکیشن کی سطح کی طرف منتقل ہونا شروع کر دیا ہے۔ OpenAI نے ChatGPT کو ایک پروڈکٹ بنایا، Anthropic نے Claude کو صارفین کے لیے ایک پروڈکٹ میں ڈھالا اور Google نے Gemini کو شامل کیا۔ کاروبار کی مختلف سطحوں کو یکجا کرنے کی حکمتِ عملی تیزی سے عام ہو گئی ہے۔

لیکن اس حکمتِ عملی کے ضمنی اثرات بھی سامنے آئے ہیں: کمپنیوں کے حصول کے اخراجات آسمان کو چھونے لگے ہیں اور ثانوی مارکیٹ میں کمپنیوں کی قدر میں بہت زیادہ اضافہ ہوا ہے۔ ثانوی مارکیٹ، یعنی آمدنی پیدا کرنے کی صلاحیت رکھنے والا واحد شعبہ، اتنی مہنگی ہو چکی ہے کہ اس سے صنعت میں سرمائے کو لاحق خطرات مزید بڑھ جاتے ہیں۔

تاریخی ادوار اور آج کا امتیازی پہلو

مصنوعی ذہانت ماضی میں دو بڑے زوال دیکھ چکی ہے: 1970 کی دہائی کے اواخر اور 1990 کی دہائی کے اوائل میں۔ ان ادوار میں مشترک باتیں تھیں: بلند توقعات، جدت کی سست رفتار اور سرمایہ کاری کی رغبت کا ختم ہو جانا۔

آج کی صورتِ حال مختلف ہے۔ تکنیکی جدت جاری ہے، مگر بڑی پیش رفت کی رفتار سست پڑ رہی ہے۔ اس کے برعکس، سرمائے کا بہاؤ بے مثال پیمانے پر بڑھ رہا ہے۔ Sam Altman کمپیوٹنگ کے لیے $7 ٹریلین کے فنڈ کی بات کرتے ہیں، جبکہ Elon Musk، xAI میں اربوں لگا رہے ہیں۔

اس لیے ہم جس دور سے گزر رہے ہیں وہ روایتی "مصنوعی ذہانت کا سرد دور" نہیں ہے۔ یہ زیادہ تر سرمائے کی تخصیص سے پیدا ہونے والی کمزوری کا دور ہے: کمپنیوں کی قدریں بڑھ رہی ہیں، اخراجات میں اضافہ تیز ہو رہا ہے، مگر جدت کی رفتار توقعات پر پوری نہیں اتر رہی۔

نیا دور: بڑے ماڈلز نہیں، زیادہ ذہین طریقے کامیاب ہوں گے

آج کا سب سے اہم فرق یہ ہے: اب اصل اہمیت مزید پیرامیٹرز شامل کر کے اور بھی بڑے ماڈلز بنانے کی نہیں ہے۔

حقیقی تبدیلی ان شعبوں میں آئے گی:

  • پیرامیٹرز کی کارکردگی میں اضافہ
  • چھوٹے ماڈلز سے بہتر معیار حاصل کرنا
  • تربیت کی نئی تکنیکیں تیار کرنا
  • ڈیٹا کو زیادہ حکمتِ عملی کے ساتھ اور مؤثر انداز میں استعمال کرنا
  • تربیت کی لاگت میں زبردست کمی لانا

حالیہ عرصے کی سب سے نمایاں مثالوں میں سے ایک DeepSeek تھا۔ اس چینی اسٹارٹ اپ نے ایسا ماڈل تیار کیا جو GPT-4 کی سطح کی کارکردگی دکھاتا ہے، لیکن تربیت کی کہیں کم لاگت کے ساتھ۔ ماہر ماڈلز کے امتزاج پر مبنی ساخت، پیرامیٹرز کی اصلاح، اور کارکردگی بہتر بنانے پر مرکوز تربیتی تکنیکیں۔ مارکیٹ نے اس پر شدید ردِعمل دیا۔

DeepSeek کے اعلان کے بعد NVIDIA کی بازار میں مجموعی قدر ایک ہی دن میں $600 بلین کم ہوگئی۔ اس سے ظاہر ہوا کہ سرمایہ کار اب صرف بڑے ماڈلز بنانے کی دوڑ پر نہیں، بلکہ کارکردگی بہتر بنانے اور ماڈلز کی ساخت میں جدت لانے کی دوڑ پر بھی نظر رکھے ہوئے ہیں۔

لیکن یہ بھی کافی نہیں ہے۔ اگر اس شعبے میں واقعی کوئی بڑی پیش رفت ہوگی، تو وہ ساخت کے نئے تصورات کے ذریعے ہوگی۔ ٹرانسفارمر ساخت سے آگے کی کوئی چیز۔ شاید نیورومورفک کمپیوٹنگ، شاید ہائبرڈ ماڈلز، یا شاید سیکھنے کا کوئی بالکل مختلف نظام۔

اس نوعیت کی بنیادی تبدیلیاں عموماً بڑی کمپنیوں سے نہیں آتیں۔ وہ بڑے پیمانے پر کام کرنے کے دباؤ، بنیادی ڈھانچے کی لاگت، اور ادارہ جاتی خطرات کے انتظام کی وجہ سے محتاط انداز میں کام کرتی ہیں۔ حقیقی انقلابی پیش رفت اکثر چھوٹے، جارحانہ انداز میں آگے بڑھنے والے، خطرہ مول لینے کے لیے تیار اور بلند عزائم رکھنے والے اسٹارٹ اپس سے سامنے آتی ہے۔

آج AI کا پورا ماحول غالباً اسی نوعیت کی کسی ہلچل کا منتظر ہے۔

نتیجہ: جیت وسائل کی نہیں، طریقۂ کار کی ہوگی

آج AI کا شعبہ دو طرح کے تناؤ کے درمیان جھول رہا ہے: ایک طرف ماڈلز کا حجم بڑھانے کی حکمتِ عملی ہے جو اپنی حدود کے قریب پہنچ رہی ہے؛ دوسری طرف سرمایہ کاری کے بڑھتے ہوئے خطرات اور ایپلی کیشنز کی مارکیٹ ہے جس کی قدر تیزی سے بڑھ رہی ہے۔

یہ منظرنامہ ظاہر کرتا ہے کہ اب بنیادی مسئلہ گنجائش نہیں، بلکہ طریقۂ کار ہے۔ کل کے فاتح وہ نہیں ہوں گے جو بڑے ماڈلز بنائیں گے، بلکہ وہ ہوں گے جو زیادہ ذہین طریقے وضع کریں گے۔ کارکردگی، ساخت کے نئے ڈیزائن، اور بہتر بنائی گئی تربیتی تکنیکیں اس شعبے کی حقیقی حدِ فاصل بنتی جا رہی ہیں۔

مستقبل میں فیصلہ کن چیز وسائل کی طاقت نہیں، بلکہ طریقۂ کار کا معیار ہوگا۔ اور اس بات کا امکان کافی زیادہ ہے کہ طریقۂ کار میں اس تبدیلی کی ابتدا بڑی کمپنیوں کے بجائے دور اندیش اسٹارٹ اپس کریں گے۔

Dvina میں شامل ہوں

مفت سائن اپ کریں اور اپنے تمام ٹولز کو ایک سادہ ورک اسپیس میں یکجا کریں۔

مزید دیکھیں