سائنس کے لیے GPT-3 کیسے بنایا جائے۔

کی تصویر بنانا چاہتے ہیں۔ 1932 کے "Lunch Atop A Skyscraper" کے انداز میں، ایک فلک بوس عمارت پر کام کرنے والے velociraptors? DALL-E استعمال کریں۔ ایک خیالی تخلیق کرنا چاہتے ہیں۔ پیٹر تھیل، ایلون مسک، اور لیری پیج کا اسٹینڈ اپ کامیڈی شو? GPT-3 استعمال کریں۔ COVID-19 کی تحقیق کو گہرائی سے سمجھنا اور شواہد کی بنیاد پر اپنے سوالات کے جوابات دینا چاہتے ہیں؟ بولین تلاش کرنے کا طریقہ سیکھیں، سائنسی مقالے پڑھیں، اور شاید پی ایچ ڈی حاصل کریں، کیونکہ سائنسی تحقیقی اشاعتوں کے وسیع جسم پر کوئی تخلیقی AI ماڈلز تربیت یافتہ نہیں ہیں۔ اگر وہاں موجود ہوتے تو، سائنسی سوالات کے ثبوت کی حمایت حاصل کرنا، سادہ ترین فوائد میں سے ہوگا۔ سائنس کے لیے جنریٹو اے آئی کو ریورس کرنے میں مدد مل سکتی ہے۔ سائنس میں جدت کی کمی by بناؤ آسان اور سستی نئے خیالات تلاش کرنے کے لئے. اس طرح کے ماڈلز علاج کے مفروضوں کے ڈیٹا کی حمایت یافتہ انتباہات بھی فراہم کر سکتے ہیں جن کا ناکام ہونا یقینی ہے، انسانی تعصب کا مقابلہ کرنا اور اربوں ڈالر سے بچنا، دہائیوں کی اندھی گلیاں. آخر میں، اس طرح کے ماڈل لڑ سکتے ہیں تولیدی بحران میپنگ، وزن، اور تحقیق کے نتائج کو سیاق و سباق کے مطابق بنا کر، اعتماد پر ایک سکور فراہم کر کے۔

تو ہمارے پاس سائنس کے لیے DALL-E یا GPT-3 کیوں نہیں ہے؟ وجہ یہ ہے کہ اگرچہ سائنسی تحقیق ہے۔ دنیا کا سب سے قیمتی مواد، یہ دنیا کا سب سے کم قابل رسائی اور قابل فہم مواد بھی ہے۔ میں وضاحت کروں گا کہ سائنس کے لیے تخلیقی AI کو ممکن بنانے کے لیے بڑے پیمانے پر سائنسی ڈیٹا کو غیر مقفل کرنے میں کیا کرنا پڑے گا، اور یہ تحقیق کے ساتھ ہمارے مشغول ہونے کے طریقے کو کیسے بدل دے گا۔ 

سائنسی تحقیق کے اعداد و شمار کو کیا چیلنج کرتا ہے۔

تحقیقی پبلیکیشنز اب تک تخلیق کیے گئے مواد اور معلومات کے لیے دنیا کے سب سے اہم ذخیرے ہیں۔ وہ خیالات اور نتائج کو وقت اور نظم و ضبط میں ایک ساتھ باندھتے ہیں، اور لائبریریوں کے نیٹ ورک کے ذریعے ہمیشہ کے لیے محفوظ رہتے ہیں۔ ان کی تائید شواہد، تجزیہ، ماہرانہ بصیرت اور شماریاتی تعلقات سے ہوتی ہے۔ وہ انتہائی قیمتی ہیں، پھر بھی وہ بڑی حد تک ویب سے پوشیدہ ہیں اور بہت غیر موثر طریقے سے استعمال ہوتے ہیں۔ ویب خوبصورت، پیاری بلی کی ویڈیوز سے بھرا ہوا ہے لیکن زیادہ تر کینسر کی جدید تحقیق سے خالی ہے۔ مثال کے طور پر، the سائنس کی ویب سائنسی علم کے سب سے زیادہ جامع اشاریہ جات میں سے ایک ہے۔ اسے کئی دہائیوں سے گزرا ہے، لیکن یہ شاید ایسی چیز ہے جس کے بارے میں زیادہ تر قارئین نے کبھی نہیں سنا ہوگا، اس کے ساتھ بات چیت کرنے دیں۔ ہم میں سے اکثر کے پاس تحقیقی مقالوں تک رسائی نہیں ہے، اور یہاں تک کہ جب ہم کرتے ہیں، وہ گھنے، سمجھنے میں مشکل، اور پی ڈی ایف کے طور پر پیک کیے گئے ہیں - ایک فارمیٹ پرنٹنگ کے لیے ڈیزائن کیا گیا ہے، ویب کے لیے نہیں۔

چونکہ سائنسی کاغذات آسانی سے قابل رسائی نہیں ہیں، اس لیے ہم GPT-3 یا DALL-E جیسے جنریٹیو ماڈلز کو تربیت دینے کے لیے ڈیٹا کو آسانی سے استعمال نہیں کر سکتے۔ آپ کر سکتے ہیں تصور کریں کہ کیا کوئی محقق ایک تجربہ تجویز کر سکتا ہے اور ایک AI ماڈل انہیں فوری طور پر بتا سکتا ہے کہ کیا یہ پہلے کیا گیا تھا (اور ابھی تک بہتر ہے، انہیں نتیجہ دیں)؟ پھر، ایک بار جب ان کے پاس کسی نئے تجربے کا ڈیٹا ہوتا ہے، تو AI نتائج کی بنیاد پر فالو اپ تجربہ تجویز کر سکتا ہے۔ آخر میں، اس وقت کا تصور کریں جو بچایا جا سکتا ہے اگر محقق اپنے نتائج کو اپ لوڈ کر سکے اور AI ماڈل اس کے نتیجے میں آنے والا نسخہ لکھ سکے۔ انہیں سائنس کے DALL-E کے سب سے قریب جو ہم آئے ہیں وہ گوگل اسکالر ہے، لیکن یہ پائیدار یا توسیع پذیر حل نہیں ہے۔ IBM واٹسن نے بھی جو کچھ میں یہاں بیان کرتا ہوں اس میں سے زیادہ تر کو حاصل کرنے کے لیے نکلا، لیکن زیادہ تر کام زبان کے بڑے ماڈلز میں حالیہ پیشرفت سے پہلے آیا اور مارکیٹنگ کی تشہیر سے مطابقت رکھنے کے لیے مناسب یا کافی ڈیٹا کا استعمال نہیں کیا۔

جس قسم کی ویلیو انلاک میں بیان کر رہا ہوں، اس کے لیے ہمیں طویل مدتی سرمایہ کاری، عزم اور وژن کی ضرورت ہے۔ جیسا کہ تجویز کیا گیا ہے۔ حال ہی میں in مستقبلہمیں سائنسی اشاعتوں کو سبسٹریٹس کے طور پر استعمال کرنے کی ضرورت ہے تاکہ پیمانے پر یکجا اور تجزیہ کیا جائے۔ رکاوٹوں کو دور کرنے کے بعد، ہم ڈیٹا کی بھوک پیدا کرنے والے AI ماڈلز کو کھانا کھلانے کے لیے سائنس کا استعمال کر سکیں گے۔ ان ماڈلز میں سائنس کو تیز کرنے اور سائنسی خواندگی میں اضافہ کرنے کی بے پناہ صلاحیت ہے، جیسے کہ نئے سائنسی نظریات پیدا کرنے کی تربیت کے ذریعے، سائنس دانوں کو وسیع سائنسی لٹریچر کو منظم کرنے اور نیویگیٹ کرنے میں مدد کرنا، ناقص یا حتیٰ کہ غلط تحقیق کی نشاندہی کرنے میں مدد کرنا، اور پیچیدہ تحقیقی نتائج کی ترکیب اور ترجمہ کرنا۔ عام انسانی تقریر.

ہم سائنس کے لیے DALL-E یا GPT-3 کیسے حاصل کرتے ہیں؟

اگر آپ ٹیک میں ہیں، تو جنریٹیو AI ماڈلز جیسے دوست کے آؤٹ پٹ دکھا رہے ہیں۔ سلیب or GPT-3 ان کو جادو دکھانے کے مترادف ہے۔ یہ ٹولز ویب کی اگلی نسل کی نمائندگی کرتے ہیں۔ وہ معلومات کی بڑی مقدار کی ترکیب سے حاصل کرتے ہیں، ایک سادہ ربط سے ہٹ کر، تخلیقی صلاحیت کے ساتھ ٹولز بنانے کے لیے۔ تو ہم سائنس میں اسی طرح کا جادوئی تجربہ کیسے بنا سکتے ہیں، جہاں کوئی بھی سائنسی لٹریچر کے بارے میں سادہ زبان میں سوال پوچھ سکتا ہے اور ثبوت کے ساتھ قابل فہم جواب حاصل کر سکتا ہے؟ ہم محققین کو ان کے مفروضے بنانے، تیار کرنے، بہتر بنانے اور جانچنے میں کس طرح مدد کر سکتے ہیں؟ ہم ممکنہ طور پر اربوں ڈالر کے ضیاع سے کیسے بچ سکتے ہیں۔ الزائمر کی تحقیق میں ناکام مفروضے اور جینیات اور ڈپریشن کے درمیان غلط کنکشن? 

ان سوالات کے حل سائنس فکشن کی طرح لگ سکتے ہیں، لیکن اس بات کا ثبوت ہے کہ ہم حیرت انگیز اور ناقابل تصور چیزیں کر سکتے ہیں جب سائنسی کام اس کے حصوں کے مجموعے سے زیادہ کے لیے استعمال کیا جاتا ہے۔ درحقیقت، تقریباً 200,000 پروٹین ڈھانچے کا استعمال میں پروٹین ڈیٹا بینک دیا ہے الفا فولڈ صلاحیت پروٹین کے ڈھانچے کی درست طریقے سے پیش گوئی کرنے کے لیے، کچھ ایسا جس کے لیے ابھی کیا گیا تھا۔ ہر پروٹین کبھی دستاویزی (200 ملین سے زیادہ!) پروٹین کے ڈھانچے کی طرح تحقیقی مقالوں کا فائدہ اٹھانا ایک قدرتی اگلا قدم ہوگا۔ 

کاغذات کو ان کے کم سے کم اجزاء میں تحلیل کریں۔

تحقیقی مقالے قیمتی معلومات سے بھرے ہوتے ہیں، بشمول اعداد و شمار، چارٹ، شماریاتی تعلقات، اور دیگر کاغذات کے حوالے۔ انہیں مختلف اجزاء میں تقسیم کرنے اور انہیں پیمانے پر استعمال کرنے سے ہمیں مختلف قسم کی سائنس سے متعلق ملازمتوں، اشارے یا سوالات کے لیے مشینوں کو تربیت دینے میں مدد مل سکتی ہے۔ سادہ سوالات کا جواب ایک جزو کی قسم پر تربیت کے ساتھ دیا جا سکتا ہے، لیکن زیادہ پیچیدہ سوالات یا اشارے کے لیے متعدد اجزاء کی اقسام کو شامل کرنے، اور ایک دوسرے کے ساتھ ان کے تعلق کو سمجھنے کی ضرورت ہوگی۔  

پیچیدہ ممکنہ اشارے کی کچھ مثالیں یہ ہیں:

"مجھے بتائیں کہ یہ مفروضہ غلط کیوں ہے"
"مجھے بتائیں کہ میرا علاج کا خیال کیوں کام نہیں کرے گا"
"علاج کا ایک نیا خیال پیدا کریں"
"سماجی پالیسی X کی حمایت کرنے کے لئے کیا ثبوت ہے؟"
"اس میدان میں سب سے قابل اعتماد تحقیق کس نے شائع کی ہے؟"
"میرے ڈیٹا کی بنیاد پر مجھے ایک سائنسی مقالہ لکھیں"

کچھ گروہ اس وژن پر آگے بڑھ رہے ہیں۔ مثال کے طور پر، نکالنا GPT-3 کو لاکھوں کاغذی عنوانات اور خلاصوں پر لاگو کرتا ہے تاکہ محققین کے سوالات کے جوابات مل سکیں — جیسے کہ الیکسا، لیکن سائنس کے لیے۔ نظام اداروں کے درمیان شماریاتی تعلقات کو نکالتا ہے جس سے یہ ظاہر ہوتا ہے کہ مختلف تصورات اور ہستیوں کو کس طرح جوڑا گیا ہے۔ پرائمر تحقیقی مقالوں پر اپنی توجہ مرکوز نہیں کرتا، لیکن یہ arXiv کے ساتھ کام کرتا ہے اور کارپوریشنوں اور حکومتوں کے ذریعہ بہت سے ذرائع سے ڈیٹا کی بڑی مقدار کی ترکیب اور اسے سمجھنے کے لیے استعمال ہونے والی معلومات کا ڈیش بورڈ فراہم کرتا ہے۔ 

تمام اجزاء تک رسائی حاصل کریں۔

بدقسمتی سے، یہ گروپ بنیادی طور پر صرف عنوانات اور خلاصوں پر انحصار کرتے ہیں، مکمل متن پر نہیں، کیونکہ چھ میں سے تقریباً پانچ مضامین آزادانہ یا آسانی سے قابل رسائی نہیں ہیں۔ ویب آف سائنس اور گوگل جیسے گروپس کے لیے جن کے پاس ڈیٹا یا کاغذات ہیں، ان کے لائسنس اور استعمال کی گنجائش ہے۔ محدود یا غیر متعینہ. گوگل کے معاملے میں، یہ واضح نہیں ہے کہ گوگل اسکالر میں مکمل متن کی سائنسی تحقیق پر AI ماڈلز کو تربیت دینے کے لیے عوامی طور پر اعلان کردہ کوششیں کیوں نہیں کی گئیں۔ حیرت انگیز طور پر، یہ COVID-19 وبائی امراض کے درمیان بھی نہیں بدلا، جس نے دنیا کو ٹھپ کر کے رکھ دیا۔ گوگل اے آئی ٹیم نے قدم بڑھایا، عوام کے پوچھنے کا ایک طریقہ تیار کیا۔ COVID-19 کے بارے میں. لیکن - اور یہاں ککر ہے - انہوں نے ایسا صرف PubMed سے کھلے رسائی کے کاغذات کا استعمال کرتے ہوئے کیا، گوگل اسکالر سے نہیں۔ 

کاغذات تک رسائی حاصل کرنے اور انہیں ایک وقت میں صرف ایک پڑھنے سے زیادہ استعمال کرنے کا مسئلہ ایک ایسی چیز ہے جس کی کئی دہائیوں سے گروپوں نے وکالت کی ہے۔ میں نے ذاتی طور پر اس پر تقریباً ایک دہائی تک کام کیا ہے، جس کا نام ایک کھلا رسائی پبلشنگ پلیٹ فارم ہے۔ فاتح اپنے پی ایچ ڈی کے آخری سال کے دوران، اور پھر اس کی تعمیر کے لیے کام کر رہا ہوں۔ مستقبل کا مضمون ایک اور سٹارٹ اپ پر جسے بلایا گیا۔ مصنف. اگرچہ ان میں سے کسی بھی اقدام نے پوری طرح سے جس طرح سے میں ان کو کرنا چاہتا تھا اس پر عمل نہیں کیا، وہ مجھے اپنے موجودہ کام کی طرف لے گئے۔ اسکائٹ، جس نے، کم از کم جزوی طور پر، براہ راست ناشرین کے ساتھ کام کرکے رسائی کے مسئلے کو حل کیا ہے۔ 

اجزاء کو جوڑیں اور تعلقات کی وضاحت کریں۔

ہمارا مقصد اسکائٹ متعارف کرانا ہے حوالہ جات کی اگلی نسل — جسے Smart Citations کہا جاتا ہے — جو دکھاتا ہے کہ کسی بھی مضمون، محقق، جریدے، یا موضوع کا حوالہ کیسے دیا گیا ہے اور ادب میں عام طور پر اس پر بحث کی گئی ہے۔ پبلشرز کے ساتھ کام کرکے، ہم جملے کو براہ راست مکمل متن والے مضامین سے نکالتے ہیں جہاں وہ اپنے حوالہ جات کو متن میں استعمال کرتے ہیں۔ یہ جملے ایک معیاری بصیرت پیش کرتے ہیں کہ نئے کام کے ذریعہ کاغذات کا حوالہ کیسے دیا گیا۔ تحقیق کے لیے یہ تھوڑا سا Rotten Tomatoes جیسا ہے۔

اس کے لیے مکمل متن والے مضامین تک رسائی، اور پبلشرز کے ساتھ تعاون کی ضرورت ہے، تاکہ ہم پیمانے پر حوالہ بیانات کو نکالنے اور تجزیہ کرنے کے لیے مشین لرننگ کا استعمال کر سکیں۔ چونکہ شروع کرنے کے لیے کافی اوپن ایکسیس مضامین موجود تھے، اس لیے ہم تصور کا ثبوت تیار کرنے میں کامیاب ہو گئے اور ایک ایک کر کے، ہم نے پبلشرز کو اپنے سسٹم میں انڈیکس کیے گئے مضامین کی بڑھتی ہوئی دریافت کا مظاہرہ کیا اور انہیں ایک ایسا نظام فراہم کیا۔ بہتر میٹرکس دکھائیں۔ زیادہ ذمہ دار تحقیقی تشخیص کے لیے۔ جو ہم نے ماہرانہ بیانات کے طور پر دیکھا، وہ اپنے مضامین کے پیش نظارہ کے طور پر دیکھا۔ ناشرین نے اب بڑے پیمانے پر دستخط کیے ہیں اور ہم نے شائع ہونے والے تمام مضامین میں سے نصف سے زیادہ سے 1.1 بلین سے زیادہ سمارٹ حوالہ جات کو ترتیب دیا ہے۔

AI ماڈلز کو تربیت دینے کے لیے متعلقہ ڈیٹا کا استعمال کریں۔

کاغذات سے نکالے گئے اجزاء اور تعلقات تحقیق کے لیے نئے بڑے زبان کے ماڈلز کو تربیت دینے کے لیے استعمال کیے جا سکتے ہیں۔ GPT-3، اگرچہ بہت طاقتور ہے، سائنس پر کام کرنے کے لیے نہیں بنایا گیا تھا۔ ان سوالوں کے جوابات دینے میں ناقص کام کرتا ہے جو آپ SAT پر دیکھ سکتے ہیں۔. جب GPT-2 (GPT-3 کا پرانا ورژن) تھا۔ اسے لاکھوں تحقیقی مقالوں پر تربیت دے کر ڈھال لیا گیا۔، اس نے مخصوص علمی کاموں پر اکیلے GPT-2 سے بہتر کام کیا۔ یہ اس بات پر روشنی ڈالتا ہے کہ ماڈلز کو تربیت دینے کے لیے استعمال ہونے والا ڈیٹا انتہائی اہم ہے۔ 

 کچھ گروپوں نے حال ہی میں تعلیمی مقالے لکھنے کے لیے GPT-3 استعمال کیا۔, اور جب کہ یہ متاثر کن ہے، حقائق یا دلائل جو وہ دکھانے کے لیے پیش کر سکتے ہیں بہت غلط ہو سکتے ہیں۔ اگر ماڈل کو SAT طرز کے سادہ سوالات صحیح طور پر نہیں مل پاتے ہیں، تو کیا ہم اس پر بھروسہ کر سکتے ہیں کہ وہ مکمل پیپر لکھیں؟ SCIgenجو کہ GPT-3 کی تقریباً 20 سال پہلے کی ہے، نے ظاہر کیا کہ اصلی نظر آنے والے کاغذات بنانا نسبتاً آسان ہے۔ ان کے نظام نے، جبکہ بہت آسان، کاغذات تیار کیے جو کہ تھے۔ مختلف کانفرنسوں میں قبول کیا گیا۔. ہمیں ایک ایسے ماڈل کی ضرورت ہے جو صرف سائنسی نظر نہ آئے بلکہ سائنسی ہو، اور اس کے لیے مشینوں اور انسانوں کے دعووں کی تصدیق کرنے کے لیے ایک نظام کی ضرورت ہے۔ میٹا نے حال ہی میں ایک متعارف کرایا ویکیپیڈیا حوالہ جات کی تصدیق کا نظام, کچھ پبلشرز کی آواز میں ہے خواہش ہے کہ ان کے پاس علمی اشاعتیں ہوں۔.

موجودہ پیشرفت

ایک بار پھر، اس نظام کو عملی جامہ پہنانے میں ایک اہم رکاوٹ اسے بنانے کے لیے کاغذات اور وسائل تک رسائی کی کمی ہے۔ جہاں کاغذات یا معلومات پیمانے پر استعمال کرنے کے لیے دستیاب ہوتی ہیں، ہم دیکھتے ہیں۔ اوزار اور نئے ماڈل پنپتے ہیں۔ گوگل پیٹنٹ ٹیم نے استعمال کیا۔ پیٹنٹ کے تجزیہ میں مدد کے لیے ایک نظام کو تربیت دینے کے لیے 100 ملین پیٹنٹ، مؤثر طریقے سے ایک GooglePatentBERT۔ دوسروں نے جیسے ماڈل متعارف کرائے ہیں۔ بائیو برٹ اور سائبرٹ, اور اس حقیقت کے باوجود کہ انہیں صرف مخصوص موضوع کے ڈومینز میں تقریباً ~1% سائنسی متن پر تربیت دی گئی ہے، وہ علمی کاموں میں متاثر کن ہیں، بشمول ہمارے اقتباسات کی درجہ بندی کا نظام۔ 

حال ہی میں، ایک سکالربرٹ ماڈل جاری کیا گیا ہے، جو BERT کی تربیت کے لیے تمام سائنسی لٹریچر کو مؤثر طریقے سے استعمال کرتا ہے۔ وہ رسائی کے مسئلے پر قابو پاتے ہیں لیکن خاص طور پر اس پر خاموش ہیں کہ کس طرح، صرف ان کے استعمال پر زور دیتے ہیں کہ وہ "غیر استعمال شدہ" ہوں۔ یہ استعمال کیس دروازے کھول سکتا ہے دوسرے پبلشرز کی واضح اجازت کے بغیر مضامین کا استعمال کرتے ہیں اور سائنس کا DALL-E بنانے میں ایک اہم قدم ہو سکتا ہے۔ تاہم، حیرت انگیز طور پر، ScholarBERT نے سائنسی زبان کے چھوٹے ماڈل جیسے SciBERT کے مقابلے میں مختلف خصوصی علمی کاموں میں بدتر کارکردگی کا مظاہرہ کیا۔ 

اہم بات یہ ہے کہ، BERT طرز کے ماڈلز GPT-3 جیسے بڑے لینگوئج ماڈلز کے مقابلے بہت چھوٹے پیمانے پر ہوتے ہیں، اور وہ اسی قسم کے عمومی پرامپٹنگ اور سیاق و سباق میں سیکھنے کی اجازت نہیں دیتے ہیں جس نے GPT-3 ہائپ کو زیادہ تقویت دی ہے۔ سوال باقی ہے: کیا ہوگا اگر ہم اسکالر بی آر ٹی کے اسی ڈیٹا کو GPT-3 جیسے بڑے پیمانے پر تیار کرنے والے ماڈل کو تربیت دینے کے لیے استعمال کریں؟ کیا ہوگا اگر ہم کسی طرح یہ دکھا سکیں کہ مشین کے جوابات کہاں سے حاصل کیے گئے ہیں، شاید انہیں براہ راست ادب (جیسے اسمارٹ حوالہ جات) سے جوڑ کر؟

اب کیوں؟

خوش قسمتی سے، کاغذات زیادہ کھلے ہوئے ہیں اور مشینیں زیادہ طاقتور ہوتی جا رہی ہیں۔ اب ہم کاغذات اور منسلک ذخیروں میں موجود ڈیٹا کا استعمال مشینوں کو سوالات کے جواب دینے اور تحقیق کی بنیاد پر نئے آئیڈیاز کی ترکیب کے لیے تربیت دینے کے لیے شروع کر سکتے ہیں۔ یہ صحت کی دیکھ بھال، پالیسی، ٹیکنالوجی، اور ہمارے آس پاس کی ہر چیز کے لیے تبدیلی کا باعث ہو سکتا ہے۔ تصور کریں، اگر ہم نے صرف دستاویز کے عنوانات تلاش نہیں کیے بلکہ خاص طور پر جوابات کے لیے، تو اس سے تمام شعبوں میں تحقیق اور ورک فلو پر کیا اثر پڑے گا۔ 

 دنیا کے سائنسی علم کو رسائی اور فہم کی جڑواں رکاوٹوں سے آزاد کرنے سے کلکس، آراء، پسندیدگیوں اور شواہد، ڈیٹا اور سچائی پر توجہ مرکوز کرنے والے ویب سے منتقلی میں مدد ملے گی۔ فارما کو واضح طور پر اس کو عملی جامہ پہنانے کے لیے ترغیب دی گئی ہے، اس لیے AI کا استعمال کرتے ہوئے ممکنہ منشیات کے اہداف کی نشاندہی کرنے والے سٹارٹ اپس کی بڑھتی ہوئی تعداد — لیکن مجھے یقین ہے کہ عوام، حکومتیں، اور گوگل استعمال کرنے والا کوئی بھی شخص اعتماد اور وقت کی کوشش میں مفت تلاشوں کو ترک کرنے کے لیے تیار ہو سکتا ہے۔ بچت دنیا کو ایسے نظام کی اشد ضرورت ہے، اور اسے اس کی تیزی سے ضرورت ہے۔ 

 

 

18 اگست 2022 کو پوسٹ کیا گیا۔