مصنوعی ذہانت کے الگورتھم فٹ اور شروع میں سیکھنے کے لیے بنائے گئے ہیں۔ انسانوں کی طرح وقت کے ساتھ ساتھ اپنے علم کی بنیاد کو نئی معلومات کے ساتھ مسلسل اپ ڈیٹ کرنے کے بجائے، الگورتھم صرف تربیتی مرحلے کے دوران ہی سیکھ سکتے ہیں۔ اس کے بعد ان کا علم منجمد رہتا ہے۔ وہ اس کام کو انجام دیتے ہیں جس کے لیے انہیں تربیت دی گئی تھی، بغیر اس کے کہ وہ سیکھتے رہیں جیسا کہ وہ کرتے ہیں۔ یہاں تک کہ ایک نئی چیز سیکھنے کے لیے، الگورتھم کو شروع سے دوبارہ تربیت دی جانی چاہیے۔ ایسا لگتا ہے کہ جب بھی آپ کسی نئے شخص سے ملتے ہیں، تو اس کا نام سیکھنے کا واحد طریقہ آپ کے دماغ کو دوبارہ شروع کرنا ہوگا۔
شروع سے تربیت ایک ایسے رویے کا باعث بن سکتی ہے جسے تباہ کن بھول جانا کہا جاتا ہے، جہاں ایک مشین پہلے سے سیکھی ہوئی تقریباً ہر چیز کو بھول جانے کی قیمت پر نیا علم شامل کرتی ہے۔ یہ صورتحال اس وجہ سے پیدا ہوتی ہے کہ آج کے طاقتور ترین AI الگورتھم، جسے نیورل نیٹ ورک کہتے ہیں، نئی چیزیں سیکھتے ہیں۔
یہ الگورتھم ڈھیلے طریقے سے ہمارے دماغ پر مبنی ہیں، جہاں سیکھنے میں نیوران کے درمیان رابطوں کی طاقت کو تبدیل کرنا شامل ہے۔ لیکن یہ عمل مشکل ہو جاتا ہے۔ اعصابی رابطے بھی ماضی کے علم کی نمائندگی کرتے ہیں، اس لیے انہیں بہت زیادہ تبدیل کرنا بھولنے کا سبب بنے گا۔
حیاتیاتی اعصابی نیٹ ورکس نے لاکھوں سالوں میں حکمت عملی تیار کی ہے تاکہ یہ یقینی بنایا جا سکے کہ اہم معلومات مستحکم رہیں۔ لیکن آج کے مصنوعی اعصابی نیٹ ورک نئے اور پرانے علم کے درمیان ایک اچھا توازن قائم کرنے کے لیے جدوجہد کر رہے ہیں۔ جب نیٹ ورک نیا ڈیٹا دیکھتا ہے تو ان کے کنکشن بہت آسانی سے اوور رائٹ ہو جاتے ہیں، جس کے نتیجے میں ماضی کی معلومات کو پہچاننے میں اچانک اور شدید ناکامی ہو سکتی ہے۔
اس کا مقابلہ کرنے میں مدد کرنے کے لیے، کرسٹوفر کننیونیورسٹی آف روچیسٹر کے ایک 41 سالہ کمپیوٹر سائنسدان نے AI تحقیق کے ایک نئے شعبے کو قائم کرنے میں مدد کی ہے جسے مسلسل سیکھنے کے نام سے جانا جاتا ہے۔ اس کا مقصد AI کے لیے ڈیٹا کے مسلسل سلسلے سے نئی چیزیں سیکھنا جاری رکھنا ہے، اور اس سے پہلے کی ہر چیز کو فراموش کیے بغیر ایسا کرنا ہے۔
کنن تقریباً ساری زندگی مشینی ذہانت سے کھیلتا رہا ہے۔ دیہی اوکلاہوما میں ایک بچے کے طور پر جو صرف مشینوں کے ساتھ تفریح کرنا چاہتا تھا، اس نے بوٹس کو ابتدائی ملٹی پلیئر کمپیوٹر گیمز کھیلنا سکھایا۔ اس سے وہ مصنوعی عمومی ذہانت کے امکان کے بارے میں سوچنے لگا - ایک مشین جس میں ہر طرح سے انسان کی طرح سوچنے کی صلاحیت ہے۔ اس نے اسے ذہنوں کے کام کرنے میں دلچسپی پیدا کردی، اور اس نے اوکلاہوما اسٹیٹ یونیورسٹی میں فلسفہ اور کمپیوٹر سائنس میں تعلیم حاصل کی اس سے پہلے کہ اس کی گریجویٹ تعلیم اسے یونیورسٹی آف کیلیفورنیا، سان ڈیاگو لے گئی۔
اب کنن کو نہ صرف ویڈیو گیمز میں بلکہ اپنی تقریباً 2 سالہ بیٹی کو دنیا کے بارے میں سیکھتے ہوئے دیکھنے میں بھی حوصلہ ملتا ہے، سیکھنے کے ہر نئے تجربے کو آخر کار بناتا ہے۔ اس کے اور دوسروں کے کام کی وجہ سے، تباہ کن بھول جانا اب اتنا تباہ کن نہیں رہا۔
Quanta کانن کے ساتھ مشینی یادوں کے بارے میں بات کی، نیورل نیٹ ورکس کی تربیت کے اصولوں کو توڑنا، اور آیا AI کبھی بھی انسانی سطح کی تعلیم حاصل کر سکے گا۔ انٹرویو کو کم کیا گیا ہے اور وضاحت کے لیے اس میں ترمیم کی گئی ہے۔
فلسفے میں آپ کی تربیت آپ کے کام کے بارے میں سوچنے کے انداز کو کیسے متاثر کرتی ہے؟
اس نے ایک ماہر تعلیم کے طور پر میری بہت اچھی خدمت کی ہے۔ فلسفہ آپ کو سکھاتا ہے، "آپ معقول دلائل کیسے بناتے ہیں،" اور "آپ دوسروں کے دلائل کا تجزیہ کیسے کرتے ہیں؟" یہ بہت کچھ ہے جو آپ سائنس میں کرتے ہیں۔ میرے پاس ابھی تک ٹیورنگ ٹیسٹ کی ناکامیوں اور اس طرح کی چیزوں پر اس وقت کے مضامین موجود ہیں۔ اور اس طرح ان چیزوں کے بارے میں میں اب بھی بہت سوچتا ہوں۔
میری لیب کو یہ سوال پوچھ کر متاثر کیا گیا ہے: ٹھیک ہے، اگر ہم X نہیں کر سکتے، تو ہم Y کیسے کر سکیں گے؟ ہم وقت کے ساتھ سیکھتے ہیں، لیکن اعصابی نیٹ ورکس، عام طور پر، ایسا نہیں کرتے۔ آپ انہیں ایک بار تربیت دیں۔ اس کے بعد یہ ایک مقررہ ہستی ہے۔ اور یہ ایک بنیادی چیز ہے جسے آپ کو حل کرنا پڑے گا اگر آپ ایک دن مصنوعی جنرل انٹیلی جنس بنانا چاہتے ہیں۔ اگر یہ اپنے دماغ کو کھرچنے اور شروع سے دوبارہ شروع کیے بغیر نہیں سیکھ سکتا، تو آپ واقعی وہاں نہیں جا رہے ہیں، ٹھیک ہے؟ یہ میرے لیے ایک لازمی صلاحیت ہے۔
محققین نے اب تک تباہ کن بھول جانے سے کیسے نمٹا ہے؟
سب سے کامیاب طریقہ، جسے ری پلے کہا جاتا ہے، ماضی کے تجربات کو محفوظ کرتا ہے اور پھر تربیت کے دوران انہیں نئی مثالوں کے ساتھ دوبارہ چلاتا ہے، تاکہ وہ ضائع نہ ہوں۔ یہ ہمارے دماغ میں یادداشت کے استحکام سے متاثر ہے، جہاں نیند کے دوران دن کی سرگرمیوں کے اعلیٰ درجے کے انکوڈنگز "دوبارہ چلائے" جاتے ہیں کیونکہ نیوران دوبارہ متحرک ہوتے ہیں۔
دوسرے لفظوں میں، الگورتھم کے لیے، نئی سیکھنے سے ماضی کے سیکھنے کو مکمل طور پر ختم نہیں کیا جا سکتا کیونکہ ہم ذخیرہ شدہ ماضی کے تجربات میں گھل مل رہے ہیں۔
ایسا کرنے کے تین انداز ہیں۔ سب سے عام انداز "ویریڈیکل ری پلے" ہے، جہاں محققین خام ان پٹس کا ایک ذیلی سیٹ ذخیرہ کرتے ہیں — مثال کے طور پر، کسی چیز کی شناخت کے کام کے لیے اصل تصاویر — اور پھر ماضی کی ان ذخیرہ شدہ تصاویر کو سیکھنے کے لیے نئی تصاویر کے ساتھ ملا دیتے ہیں۔ دوسرا نقطہ نظر تصاویر کی کمپریسڈ نمائندگی کو دوبارہ چلاتا ہے۔ تیسرا بہت کم عام طریقہ "جنریٹیو ری پلے" ہے۔ یہاں، ایک مصنوعی نیورل نیٹ ورک دراصل ماضی کے تجربے کا مصنوعی ورژن تیار کرتا ہے اور پھر اس مصنوعی مثال کو نئی مثالوں کے ساتھ ملا دیتا ہے۔ میری لیب نے بعد کے دو طریقوں پر توجہ مرکوز کی ہے۔
بدقسمتی سے، اگرچہ، ری پلے ایک بہت اطمینان بخش حل نہیں ہے۔
کیوں نہیں؟
کچھ نیا سیکھنے کے لیے، نیورل نیٹ ورک کو ہر اس تصور کے بارے میں کم از کم کچھ معلومات ذخیرہ کرنی ہوتی ہیں جو اس نے ماضی میں سیکھی تھیں۔ اور ایک نیورو سائنسی نقطہ نظر سے، مفروضہ یہ ہے کہ آپ اور میں نے ایک نسبتاً حالیہ تجربہ کو دوبارہ چلایا ہے — ایسا کچھ نہیں جو ہمارے بچپن میں ہوا تھا — تاکہ اس حالیہ تجربے کو بھولنے سے روکا جا سکے۔ جبکہ جس طرح سے ہم اسے گہرے اعصابی نیٹ ورکس میں کرتے ہیں، یہ سچ نہیں ہے۔ یہ ضروری نہیں کہ اس نے جو کچھ دیکھا ہو اسے ذخیرہ کیا جائے، لیکن اسے ہر اس کام کے بارے میں کچھ ذخیرہ کرنا ہوگا جو اس نے ماضی میں دوبارہ پلے استعمال کرنے کے لیے سیکھا تھا۔ اور یہ واضح نہیں ہے کہ اسے کیا ذخیرہ کرنا چاہئے۔ اس لیے دوبارہ چلائیں جیسا کہ آج ہو چکا ہے اب بھی ایسا لگتا ہے جیسے یہ وہاں نہیں ہے۔
اگر ہم تباہ کن بھول جانے کو مکمل طور پر حل کر سکتے ہیں، تو کیا اس کا مطلب یہ ہے کہ AI وقت کے ساتھ ساتھ نئی چیزیں مسلسل سیکھ سکتا ہے؟
بالکل نہیں۔ مجھے لگتا ہے کہ مسلسل سیکھنے کے میدان میں بڑے، بڑے، بڑے کھلے سوالات تباہ کن بھولنے میں نہیں ہیں۔ مجھے جس چیز میں واقعی دلچسپی ہے وہ یہ ہے کہ: ماضی کی تعلیم کس طرح مستقبل کے سیکھنے کو مزید موثر بناتی ہے؟ اور مستقبل میں کچھ سیکھنا ماضی کے سیکھنے کو کیسے درست کرتا ہے؟ یہ وہ چیزیں ہیں جن کی بہت زیادہ لوگ پیمائش نہیں کر رہے ہیں، اور میرے خیال میں ایسا کرنا فیلڈ کو آگے بڑھانے کا ایک اہم حصہ ہے کیونکہ واقعی، یہ صرف چیزوں کو بھولنے کے بارے میں نہیں ہے۔ یہ ایک بہتر سیکھنے والا بننے کے بارے میں ہے۔
یہی وہ جگہ ہے جہاں مجھے لگتا ہے کہ کھیت درختوں کے لیے جنگل کی کمی ہے۔ کمیونٹی کا زیادہ تر حصہ اس مسئلے کو ان طریقوں سے ترتیب دے رہا ہے جو دلچسپ حیاتیاتی سوالات یا دلچسپ انجینئرنگ ایپلی کیشنز سے میل نہیں کھاتے ہیں۔ ہم ہر ایک کو ہمیشہ کے لیے ایک ہی کھلونا مسئلہ نہیں کر سکتے۔ آپ کو کہنا پڑے گا: ہمارا بڑا کام کیا ہے؟ ہم چیزوں کو آگے کیسے بڑھاتے ہیں؟
پھر آپ کیوں سوچتے ہیں کہ زیادہ تر لوگ ان سادہ مسائل پر توجہ مرکوز کر رہے ہیں؟
میں صرف قیاس کر سکتا ہوں۔ زیادہ تر کام ایسے طلباء کرتے ہیں جو ماضی کے کام کی پیروی کر رہے ہیں۔ وہ اس سیٹ اپ کو کاپی کر رہے ہیں جو دوسروں نے کیا ہے اور اسی پیمائش کے ساتھ کارکردگی میں کچھ معمولی فوائد دکھا رہے ہیں۔ نئے الگورتھم بنانے سے اشاعت کا زیادہ امکان ہوتا ہے، یہاں تک کہ اگر وہ الگورتھم واقعی ہمیں مسلسل سیکھنے میں اہم پیش رفت کرنے کے قابل نہیں بنا رہے ہیں۔ مجھے حیرت کی بات یہ ہے کہ اسی قسم کا کام بڑی کمپنیاں تیار کرتی ہیں جن کے پاس انٹرن سے چلنے والے کام کے علاوہ ایک جیسی مراعات نہیں ہوتیں۔
اس کے علاوہ، یہ کام غیر معمولی ہے. ہمیں اس بات کی پیمائش کرنے کے لیے درست تجربہ اور الگورتھمک سیٹ اپ قائم کرنے کی ضرورت ہے کہ آیا ماضی کی تعلیم مستقبل کے سیکھنے میں مدد دیتی ہے۔ بڑا مسئلہ یہ ہے کہ ہمارے پاس ابھی مسلسل سیکھنے کا مطالعہ کرنے کے لیے اچھے ڈیٹا سیٹ نہیں ہیں۔ میرا مطلب ہے، ہم بنیادی طور پر موجودہ ڈیٹا سیٹس لے رہے ہیں جو روایتی مشین لرننگ میں استعمال ہوتے ہیں اور انہیں دوبارہ پیش کرتے ہیں۔
بنیادی طور پر، مشین لرننگ کے اصول میں (یا کم از کم جب بھی میں مشین لرننگ پڑھانا شروع کرتا ہوں)، ہمارے پاس ایک ٹریننگ سیٹ ہے، ہمارے پاس ایک ٹیسٹ سیٹ ہے — ہم ٹریننگ سیٹ پر ٹریننگ کرتے ہیں، ہم ٹیسٹ سیٹ پر ٹیسٹ کرتے ہیں۔ مسلسل سیکھنا ان اصولوں کو توڑ دیتا ہے۔ آپ کا تربیتی سیٹ پھر کچھ ایسا بن جاتا ہے جو سیکھنے والے کے سیکھنے کے ساتھ ہی تیار ہوتا ہے۔ لیکن ہم ابھی بھی موجودہ ڈیٹا سیٹس تک محدود ہیں۔ ہمیں اس پر کام کرنے کی ضرورت ہے۔ ہمیں واقعی ایک اچھا مسلسل سیکھنے کے ماحول کی ضرورت ہے جس میں ہم واقعی خود کو آگے بڑھا سکتے ہیں۔
مثالی مسلسل سیکھنے کا ماحول کیسا نظر آئے گا؟
آپ کو یہ بتانا آسان ہے کہ یہ کیا نہیں ہے اس کے مقابلے میں کیا ہے۔ میں ایک پینل پر تھا جہاں ہم نے اسے ایک اہم مسئلہ کے طور پر شناخت کیا، لیکن یہ ایسا نہیں ہے جہاں مجھے لگتا ہے کہ کسی کے پاس فوری طور پر جواب ہے۔
میں آپ کو بتا سکتا ہوں کہ اس کی کیا خصوصیات ہیں۔ تو ابھی کے لیے، فرض کرتے ہیں کہ AI الگورتھم نہیں ہیں۔ مجسم ایجنٹ تخروپن میں. پھر کم از کم، مثالی طور پر، ہم ویڈیوز سے سیکھ رہے ہیں، یا اس طرح کی کوئی چیز، جیسے ملٹی موڈل ویڈیو اسٹریمز، اور امید ہے کہ صرف درجہ بندی سے زیادہ کام کر رہے ہیں [جامد امیجز کی]۔
اس کے بارے میں بہت سارے کھلے سوالات ہیں۔ میں کچھ سال پہلے ایک مسلسل سیکھنے کی ورکشاپ میں تھا اور میرے جیسے کچھ لوگ کہہ رہے تھے، "ہمیں MNIST نامی ڈیٹا سیٹ کا استعمال بند کرنا پڑے گا، یہ بہت آسان ہے۔" اور پھر کسی نے کہا، "ٹھیک ہے، ٹھیک ہے، آئیے [حکمت عملی پر مبنی ویڈیو گیم] سٹار کرافٹ کی بڑھتی ہوئی تعلیم حاصل کریں۔" اور میں اب یہ بھی مختلف وجوہات کی بناء پر کر رہا ہوں، لیکن مجھے نہیں لگتا کہ واقعی اس سے بھی فائدہ ہوتا ہے۔ زندگی StarCraft کھیلنا سیکھنے سے کہیں زیادہ امیر چیز ہے۔
آپ کی لیب نے کس طرح الگورتھم ڈیزائن کرنے کی کوشش کی ہے جو وقت کے ساتھ سیکھتے رہ سکتے ہیں؟
اپنے سابق طالب علم ٹائلر ہیز کے ساتھ، میں ایک مسلسل سیکھنے کے کام کا آغاز کیا۔ مشابہت استدلال کے لیے۔ ہم نے سوچا کہ ٹرانسفر لرننگ کے آئیڈیا کا مطالعہ کرنے کے لیے یہ ایک اچھا علاقہ ہو گا، جہاں آپ کو مہارت حاصل ہو گی اور اب مزید پیچیدہ مسائل کو حل کرنے کے لیے مزید پیچیدہ مہارتیں استعمال کرنے کی ضرورت ہے۔ خاص طور پر، ہم نے پسماندہ منتقلی کی پیمائش کی — ماضی میں کچھ سیکھنا مستقبل میں آپ کی کتنی مدد کرتا ہے، اور اس کے برعکس۔ اور ہمیں منتقلی کے لیے اچھے شواہد ملے، جو آبجیکٹ کی شناخت جیسے آسان کام کے مقابلے میں بہت زیادہ اہم ہیں۔
آپ کی لیب ایک وقت میں ایک مثال سے، یا مثالوں کے بہت چھوٹے مجموعوں سے مسلسل سیکھنے کے لیے تربیتی الگورتھم پر بھی توجہ مرکوز کرتی ہے۔ یہ کیسے مدد کرتا ہے؟
مسلسل سیکھنے کے بہت سے سیٹ اپ اب بھی مثالوں کے بہت بڑے بیچوں کو استعمال کرتے ہیں۔ تو وہ بنیادی طور پر الگورتھم سے کہیں گے، "یہ 100,000 چیزیں ہیں؛ انہیں سیکھو. اگلی 100,000 چیزیں یہ ہیں۔ انہیں سیکھو۔" یہ واقعی اس سے میل نہیں کھاتا جو میں کہوں گا کہ حقیقی دنیا کی ایپلی کیشن ہے، جو یہ ہے، "یہ ایک نئی چیز ہے؛ اسے سیکھو. یہاں ایک اور نئی بات ہے؛ اسے سیکھو."
اگر ہم چاہتے ہیں کہ AI ہماری طرح مزید سیکھے، تو کیا ہمیں یہ بھی نقل کرنا چاہیے کہ کیسے انسان مختلف عمروں میں مختلف چیزیں سیکھتے ہیں، ہمیشہ ہمارے علم کو بہتر بناتے ہیں؟
مجھے لگتا ہے کہ اس میدان میں پیش رفت کرنے کے لیے یہ ایک بہت ہی کارآمد راستہ ہے۔ لوگ مجھے کہتے ہیں کہ مجھے ابھی ترقی کا جنون ہے جب کہ میرے پاس بچہ ہے، لیکن میں دیکھ سکتا ہوں کہ میری بیٹی ایک شاٹ سیکھنے کی صلاحیت رکھتی ہے، جہاں وہ مجھے ایک بار کچھ کرتے ہوئے دیکھتی ہے اور وہ فوراً اس کی نقل کر سکتی ہے۔ اور مشین لرننگ الگورتھم آج ایسا کچھ نہیں کر سکتے۔
اس نے واقعی میری آنکھیں کھول دیں۔ ہمارے سروں میں ہمارے جدید نیورل نیٹ ورکس کے مقابلے میں بہت کچھ چل رہا ہے۔ اس لیے میں سمجھتا ہوں کہ فیلڈ کو وقت کے ساتھ سیکھنے کے اس خیال کی طرف جانے کی ضرورت ہے، جہاں الگورتھم ماضی کے تجربے کی بنیاد پر بہتر سیکھنے والے بن جاتے ہیں۔
کیا آپ کو لگتا ہے کہ AI واقعی انسانوں کی طرح سیکھے گا؟
مجھے لگتا ہے کہ وہ کریں گے۔ ضرور. آج یہ بہت زیادہ امید افزا ہے کیونکہ فیلڈ میں کام کرنے والے بہت سارے لوگ ہیں۔ لیکن ہمیں اب بھی زیادہ تخلیقی صلاحیتوں کی ضرورت ہے۔ مشین لرننگ کمیونٹی میں ثقافت کا زیادہ تر حصہ قائدانہ طریقہ کار ہے۔
میں اپنے بارے میں صرف بائیو کیمیکل مشینوں کے طور پر سوچتا ہوں، اور آخر کار ہم یہ جان لیں گے کہ صحیح فن تعمیرات کے لیے اپنے الگورتھم کیسے بنائے جائیں جو میرے خیال میں آج کے مقابلے میں ہماری صلاحیتوں سے زیادہ ہوں گے۔ میرے لیے کوئی قائل دلیل نہیں ہے جو کہے کہ یہ ناممکن ہے۔
