جب لوگ جیفری ہنٹن کے بارے میں سوچتے ہیں، تو وہ عام طور پر بیک پروپیگیشن، بولٹزمین مشینز، ڈیپ بیلیف نیٹ ورکس، یا گہری سیکھنے کے انقلاب کے بارے میں سوچتے ہیں جس نے مصنوعی ذہانت کو تبدیل کیا۔
لیکن کچھ لوگ اپنے تحقیقی کیریئر کے آغاز میں زیادہ گہرائی سے پیچھے مڑ کر دیکھتے ہیں۔
1977 میں، اپنے مشہور بیک پروپیگیشن پیپر سے تقریباً ایک دہائی قبل، ہنٹن نے ایڈنبرا یونیورسٹی میں "آرام اور بصارت میں اس کا کردار” کے عنوان سے اپنا ڈاکٹریٹ کا مقالہ مکمل کیا۔ پہلی نظر میں، یہ کمپیوٹر کے نقطہ نظر اور آرام کے طریقوں پر ایک کاغذ کی طرح لگتا ہے. جب میں نے کتاب پڑھنا شروع کی تو مجھے بالکل یہی توقع تھی۔
لیکن جیسا کہ میں نے کاغذ کا جائزہ لیا، میں نے محسوس کیا کہ یہ صرف ایک وژن الگورتھم سے زیادہ ہے۔ بہت سے خیالات جو بعد میں ہنٹن کے کام کی وضاحت کریں گے پہلے ہی شکل اختیار کر رہے تھے۔ اصطلاحات مختلف تھیں، ریاضی آسان تھی، اور نیورل نیٹ ورک ابھی تک اس کے کام کا مرکز نہیں بن پائے تھے۔ لیکن وہی خیال پہلے سے موجود تھا۔
یہ جائزہ پیپر کا باب بہ باب خلاصہ نہیں ہے۔ اس کے بجائے، میں ان خیالات پر توجہ مرکوز کرتا ہوں جو اس کتاب کو پڑھتے ہوئے میرے سامنے آئے اور یہ دریافت کرتا ہوں کہ ان میں سے کتنے ہینٹن کے بعد کے کام میں دوبارہ ظاہر ہوئے۔ اگرچہ ان میں سے کچھ نظریات جدید AI کے لیے مرکزی حیثیت اختیار کر چکے ہیں، جبکہ دیگر تقریباً 50 سال پہلے زیر بحث آنے کے باوجود حیرت انگیز طور پر نظر انداز کیے گئے ہیں۔
پیچھے مڑ کر دیکھا، جس چیز نے مجھے سب سے زیادہ متاثر کیا وہ یہ نہیں تھا کہ کاغذ نے کسی مخصوص الگورتھم کی پیش گوئی کی تھی۔ اس نے ذہانت، ادراک اور حساب کے بارے میں سوچنے کا ایک مربوط طریقہ متعارف کرایا جو کئی دہائیوں تک ہنٹن کے کام کو شکل دیتا رہے گا۔
مجھے امید ہے کہ یہ جائزہ مزید لوگوں کو اس قابل ذکر مقالے کو نہ صرف ایک تاریخی دستاویز کے طور پر بلکہ مصنوعی ذہانت میں سب سے زیادہ اثر انگیز تحقیقی سفر کے نقطہ آغاز کے طور پر پڑھنے کی ترغیب دے گا۔
مقالہ کا خاکہ
اس جائزے میں ہم جیفری ہنٹن کے 1977 کے ڈاکٹریٹ کے مقالے "آرام اور بصارت میں اس کا کردار” کو دیکھیں گے، جو ایڈنبرا یونیورسٹی میں مکمل ہوا۔
آئیے سب سے پہلے اس بنیادی مسئلے پر نظر ڈالتے ہیں جو ہنٹن حل کرنے کی کوشش کر رہا تھا اور ان خیالات کو جو اس کے آرام کے نقطہ نظر کو متحرک کرتے ہیں۔ وہاں سے، ہم دریافت کریں گے کہ کاغذ کس طرح غیر یقینی صورتحال کو پیش کرتا ہے، مسابقتی مفروضوں کی وجوہات، اور پوری دنیا میں مستقل تشریحات کیسے تلاش کی جاتی ہیں۔
اگلا، ہم ہنٹن کے کٹھ پتلی پروگراموں، نرمی کے آپریٹرز، اسکیموں اور ذخیرہ شدہ علم کے کردار، سیٹل سسٹم، اور اس وقت کے دیگر طریقوں کے ساتھ موازنہ کا جائزہ لیں گے۔ ہم ان حدود پر بھی بات کریں گے جن کی نشاندہی اس نے اپنے طریقہ کار میں کی ہے اور وہ کیوں اہم ہیں۔
آخر میں، آئیے دیکھتے ہیں کہ اس مقالے میں متعارف کرائے گئے خیالات میں سے کتنے ہینٹن کے بعد کے کام کے دوران دوبارہ ظاہر ہوئے اور جدید AI کی ترقی میں مدد کی۔
اگر آپ ساتھ چلنا چاہتے ہیں تو آپ اصل کاغذ بھی پڑھ سکتے ہیں۔
جیفری ہنٹن۔ آرام اور وژن میں کردار. ڈاکٹریٹ کا مقالہ، یونیورسٹی آف ایڈنبرا، 1977۔
ذیل میں ایک انفوگرافک ہے جو جیفری ہنٹن کے 1977 کے ڈاکٹریٹ کے مقالے کا ایک مختصر جائزہ فراہم کرتا ہے۔ یہ مرکزی خیالات کا خلاصہ کرتا ہے، آرام کے طریقے کیسے کام کرتے ہیں، ان کے اطلاقات، حدود، اور ان میں سے بہت سے خیالات آج بھی کیوں اہم ہیں۔
اشاریہ:
اہم چیلنج: کیوں بصری نظام بہت جلد اندازہ لگانے کا متحمل نہیں ہو سکتا
ہنٹن کے کاغذ کے پیچھے خیالات کی کھوج سے پہلے، اس مسئلے کو سمجھنا مددگار ہے جسے وہ حل کرنے کی کوشش کر رہا تھا۔ پہلا باب ایک سادہ سا سوال پوچھتا ہے: جب ایک تصویر بہت سے قابل فہم وضاحتوں کی حمایت کر سکتی ہے، تو بصری نظام صحیح تشریح کا انتخاب کیسے کر سکتا ہے؟
یہ بصری ادراک میں ایک اہم چیلنج ہے۔ حقیقی دنیا کے مناظر اکثر مبہم یا جزوی طور پر پوشیدہ ہوتے ہیں، اس لیے یہ نظام بہت جلد ایک ہی تشریح کرنے کا متحمل نہیں ہو سکتا۔ جلد بازی میں کیے گئے فیصلے غلطیاں پیدا کر سکتے ہیں جو بقیہ تخمینے کے عمل میں پھیل سکتے ہیں اور پورے منظر کی غلط تفہیم کا باعث بن سکتے ہیں۔
اصل چیلنج متعدد قابل فہم تشریحات کو برقرار رکھنا ہے جب تک کہ اس بات کا تعین کرنے کے لیے کافی ثبوت سامنے نہ آجائیں کہ کون سی تشریح سب سے زیادہ مطابقت رکھتی ہے۔
ہنٹن کا استدلال ہے کہ 1970 کی دہائی کے مروجہ طریقوں نے اس مسئلے کو حل نہیں کیا۔ ایک نقطہ نظر کے طور پر جانا جاتا ہے۔ کم سے کم عزم کا اصولمعلومات کی وضاحت میں ناکامی کی وجہ سے فیصلہ میں تاخیر ہوئی۔ ہنٹن کے مطابق، یہ صرف اصل مسئلہ کو ملتوی کرتا ہے کیونکہ مسابقتی مفروضوں کا موازنہ کرنے یا انہیں ایک دوسرے کے ساتھ مطابقت رکھنے کا طریقہ طے کرنے کا کوئی طریقہ نہیں ہے۔
ایک اور نقطہ نظر نے کم درجے کی بصری خصوصیات کو مقررہ معنی تفویض کیے ہیں۔ تاہم، چونکہ کسی خصوصیت کا مطلب اس کے آس پاس کے سیاق و سباق پر منحصر ہوتا ہے، اس لیے ایسی سخت تعریفیں اکثر اس وقت ناکام ہو جاتی ہیں جب اشیاء جزوی طور پر پوشیدہ ہوں یا مختلف سیاق و سباق میں ظاہر ہوں۔
ذیل میں انفوگرافک ان اہم چیلنجوں کا خلاصہ کرتا ہے جن کی نشاندہی ہنٹن نے اپنے مقالے کے آغاز میں کی تھی۔ اس کا استدلال ہے کہ کسی بصری منظر کی پہلی قابل تعبیر تشریح کا ارتکاب کرنے کے بجائے، وژن کے نظام کو بہت سے مسابقتی مفروضوں کو ایک ساتھ منعقد کرنے اور اس وقت تک تعامل کرنے کی اجازت دینی چاہیے جب تک کہ وہ ایک واحد، عالمی سطح پر ہم آہنگ وضاحت پر اکٹھا نہ ہوں۔
یہ دو جدید طریقوں پر بھی روشنی ڈالتا ہے جنہیں ہنٹن مسترد کرتا ہے۔ کم سے کم عزم کا اصول اور سخت فنکشنل سیمنٹکسان کے خیال میں اس کی وجہ یہ ہے کہ وہ بنیادی مسائل کو حل کرنے کے بجائے ان سے بچتے ہیں۔
یہ فریم کاغذ کے بقیہ حصے میں تیار کردہ نرمی کے فریم ورک کے لیے محرک کا تعین کرتا ہے۔
اصلاح کے طور پر سوچ کی پہلی ظاہری شکل
ہنٹن کے مقالے میں سب سے دلچسپ خیالات میں سے ایک یہ ہے کہ ادراک کسی چیز کو فوری طور پر پہچاننے کا معاملہ نہیں ہے۔ اس کے بجائے، وہ اسے آنکھ جو کچھ دیکھ رہی ہے اس کی بہترین وضاحت تلاش کرنے کے عمل کے طور پر دیکھتا ہے۔
شروع سے ہی کسی ایک تشریح کا ارتکاب کرنے کے بجائے، نظام بیک وقت متعدد ممکنہ مفروضوں پر غور کرتا ہے۔ کچھ ایک دوسرے کا ساتھ دیتے ہیں، دوسرے مقابلہ کرتے ہیں، اور جب وہ بات چیت کرتے ہیں تو ان کا اعتماد بدل جاتا ہے۔ بار بار اپ ڈیٹس کے ذریعے، کمزور وضاحتیں آہستہ آہستہ ختم ہو جاتی ہیں اور مضبوط ترین اور سب سے زیادہ مستقل تشریحات سامنے آتی ہیں۔
ہنٹن اس خیال کو بصری ادراک پر لاگو کرتا ہے، لیکن بنیادی اصول کمپیوٹر وژن سے بہت آگے ہیں۔ یہ ایک اصلاحی مسئلہ کے طور پر ذہانت کے بارے میں سوچنے کا طریقہ متعارف کراتا ہے۔ بہت سی ممکنہ وضاحتیں اس وقت تک مقابلہ کرتی ہیں جب تک کہ نظام اس بات کا تعین نہیں کر لیتا کہ کون سی وضاحت دستیاب شواہد پر بہترین فٹ بیٹھتی ہے۔
پیچھے مڑ کر دیکھیں تو یہ خیال حیرت انگیز طور پر مانوس محسوس ہوتا ہے۔ یہی عمومی فلسفہ بعد میں امکانی استدلال، توانائی پر مبنی ماڈلز، مشروط بے ترتیب فیلڈز (CRFs)، بولٹزمین مشینوں، اور بہت سے دوسرے طریقوں میں ظاہر ہوا جہاں ذہانت ایک فوری فیصلہ کرنے کے بجائے انتہائی مستقل حل کی تلاش سے ابھرتی ہے۔
نقطہ نظر استدلال ہے، پیٹرن میچنگ نہیں.
ایک خیال جو پورے کاغذ میں نمایاں ہے وہ ہے ہنٹن کا نظریہ کہ دیکھنے کا اصل مطلب کیا ہے۔ اس کا استدلال ہے کہ وژن صرف نمونوں کو پہچاننا یا زمروں میں تصاویر تفویض کرنا نہیں ہے۔ اس کے بجائے، تصور ایک منظر کی اندرونی وضاحت کی تعمیر کا عمل ہے.
بصری نظام فوری طور پر نہیں جانتا کہ وہ کیا دیکھ رہا ہے۔ آپ کو یہ فیصلہ کرنے کی ضرورت ہے کہ کون سی اشیاء موجود ہیں، ان کا ایک دوسرے سے کیا تعلق ہے، اور کون سی تشریح دستیاب شواہد کی بہترین وضاحت کرتی ہے۔ دوسرے الفاظ میں، دیکھنا سادہ ادراک کے بجائے استدلال کا عمل ہے۔
ہنٹن اس خیال کو بھی مسترد کرتا ہے کہ شناخت صرف ذخیرہ شدہ ٹیمپلیٹس کے مجموعہ سے ان پٹ کا موازنہ کرکے کام کرتی ہے۔ اس کا استدلال ہے کہ یہ نقطہ نظر اس بات کی وضاحت کرنے کے لیے بہت محدود ہے کہ ہم پیچیدہ اور غیر مانوس مناظر کو کیسے سمجھتے ہیں۔
اس کے بجائے، بیداری کو ایک تعمیری عمل کے طور پر پیش کیا جاتا ہے۔ یہ نظام شواہد، تعلقات اور پیشگی علم کو ملا کر تشریحات تیار کرتا ہے جب تک کہ کوئی مربوط وضاحت سامنے نہ آجائے۔ میموری سے جوابات حاصل کرنے کے بجائے، آپ انہیں فعال طور پر تشکیل دے رہے ہیں۔
آج اسے پڑھ کر حیرت ہوتی ہے کیونکہ یہ اس خیال سے بہت ملتا جلتا ہے جو کئی دہائیوں بعد مقبول ہوا۔ جدید جنریٹو ماڈلز اور اویکت متغیر طریقے بھی مشاہدات کی وضاحت کرنے کے خیال کے ارد گرد بنائے گئے ہیں جو ان چھپی ہوئی ساختوں کا اندازہ لگاتے ہیں جنہوں نے انہیں پیدا کیا ہے۔
یہ خیالات بھی جدید نمائندگی کی تعلیم سے بہت ملتے جلتے محسوس کرتے ہیں، جہاں مقصد مثالوں کو یاد کرنا نہیں ہے، بلکہ بامعنی داخلی نمائندگی سیکھنا ہے جو نئے مشاہدات کی وضاحت کر سکیں۔
ہنٹن نے 1977 میں اس طرزِ فکر کی کھوج کی، اس سے بہت پہلے کہ یہ جدید AI کا مرکزی موضوع بن جائے۔
ادراک کے لیے مفروضوں کی ضرورت کیوں ہے۔
ہنٹن کا استدلال ہے کہ ادراک خالص طور پر رد عمل کا عمل نہیں ہو سکتا۔ بصری نظام اکثر نامکمل، مبہم اور گمراہ کن معلومات حاصل کرتا ہے اور ذہن میں آنے والی پہلی تشریح کو آسانی سے قبول نہیں کر سکتا۔
اس کے بجائے، آپ کو کئی ممکنہ وضاحتوں کے ساتھ شروع کرنا چاہیے۔ جیسا کہ مزید شواہد پر غور کیا جاتا ہے، کچھ مفروضے زیادہ قائل ہو جاتے ہیں، جبکہ دیگر کمزور یا مسترد کر دیے جاتے ہیں۔ اس تشخیص اور بہتری کے عمل کے ذریعے ہی حتمی تشریح تک پہنچا جا سکتا ہے۔
ہنٹن اس کی وضاحت کے لیے جدید Bayesian اصطلاحات کا استعمال نہیں کرتا، لیکن بنیادی خیال حیرت انگیز طور پر اسی طرح کا ہے۔ فوری فیصلے کرنے کے بجائے، نظام مسلسل اپنے عقائد کو اپ ڈیٹ کرتا رہتا ہے کیونکہ ثبوت جمع ہو جاتے ہیں جب تک کہ سب سے زیادہ مستقل وضاحت باقی نہ رہے۔
بائنری فیصلوں سے لے کر یقین کی ڈگریوں تک
ایک اور خیال جو حیرت انگیز طور پر جدید محسوس ہوتا ہے وہ ہے ہنٹن کا یہ فیصلہ کہ مفروضوں کو محض سچ یا غلط نہ سمجھا جائے۔ اس کے بجائے، ہر مفروضے کو 0 اور 1 کے درمیان ایک قدر تفویض کی جاتی ہے جو اس بات کی عکاسی کرتی ہے کہ سسٹم فی الحال اس پر کتنا پختہ یقین رکھتا ہے۔ جیسے جیسے نرمی کا عمل سامنے آتا ہے، ان اقدار کو بار بار اپ ڈیٹ کیا جاتا ہے جب تک کہ سب سے زیادہ مستقل تشریح سامنے نہ آجائے اور دوسری قدریں آہستہ آہستہ غائب ہو جائیں۔
آج ہم ایک جیسے تصورات کے لیے مختلف اصطلاحات استعمال کرتے ہیں، بشمول امکان، یقین کی قدر، اعتماد کا سکور، ایکٹیویشن، اور لاگٹ۔ اگرچہ اصطلاحات برسوں کے دوران تیار ہوئی ہیں، لیکن بنیادی خیال وہی رہتا ہے۔ یعنی، ذہانت اکثر فوری، ناقابل واپسی فیصلے کرنے کے بجائے غیر یقینی صورتحال کے اظہار پر انحصار کرتی ہے۔
نیچے دی گئی انفوگرافک سے پتہ چلتا ہے کہ مفروضوں کو لگاتار اعتقادی اقدار کے تفویض ہونے کے بعد ہنٹن کا نرمی کا عمل کس طرح کام کرتا ہے۔
ایک ہی جواب کو فوری طور پر منتخب کرنے کے بجائے، نظام تکراری طور پر تمام مسابقتی مفروضوں کو متوازی طور پر اپ ڈیٹ کرتا ہے، دونوں عددی رکاوٹوں اور ذاتی ترجیحات کا استعمال کرتے ہوئے، جب تک کہ ایک مستقل تشریح بتدریج سامنے نہ آجائے۔
سخت ہاں/نہیں کے فیصلوں کو مسلسل اصلاح سے بدل کر، ہمارا تخفیف کا فریم ورک عالمی سطح پر مستقل حل کے لیے موثر تلاش کو قابل بناتا ہے۔
عصبی نیٹ ورکس سے پہلے تقسیم شدہ حساب
مقالے میں سب سے آگے کی سوچ میں سے ایک یہ ہے کہ ذہانت کو تمام فیصلے کرنے والے ایک مرکزی کنٹرولر پر انحصار نہیں کرنا چاہئے۔ اس کے بجائے، ہنٹن ایک ایسے نظام کی وضاحت کرتا ہے جس میں بہت سے مقامی مفروضوں پر مشتمل ایک دوسرے کے ساتھ بیک وقت تعامل ہوتا ہے۔ ہر ایک حتمی حل کے ایک چھوٹے سے حصے میں حصہ ڈالتا ہے اور وہ مل کر ایک مستقل تشریح تیار کرتے ہیں۔
انفرادی اجزاء پر توجہ مرکوز کرنے کے بجائے، ہنٹن اس بات پر زور دیتا ہے کہ ان رابطوں کے ذریعے ایک نظام کے ذریعے معلومات کس طرح بہتی ہیں جب تک کہ ایک مربوط تشریح سامنے نہ آجائے۔
سوچنے کا یہ طریقہ آج حیرت انگیز طور پر مانوس محسوس ہوتا ہے۔ جدید عصبی نیٹ ورک اس خیال پر بنائے گئے ہیں کہ پیچیدہ رویہ پورے عمل کو ہدایت کرنے والے ایک جزو کے بجائے کئی سادہ اکائیوں کی مشترکہ سرگرمی سے ابھر سکتا ہے۔
اگرچہ اصطلاحات جدید گہری سیکھنے سے مختلف ہیں، نیٹ ورکس، تعاملات، اور تقسیم شدہ کمپیوٹیشن پر زور پہلے ہی واضح طور پر نظر آتا ہے۔
حساب کے قدرتی طریقہ کے طور پر متوازییت
ایک اور خیال جو نمایاں ہے وہ متوازی حساب پر ہنٹن کا زور ہے۔ ایک ایسے وقت میں جب زیادہ تر کمپیوٹرز کو ایک کے بعد ایک ہدایات پر عمل کرنے کے لیے ڈیزائن کیا گیا تھا، اس نے استدلال کیا کہ تصور کو بہتر طور پر دیکھا جاتا ہے کیونکہ بہت سے عمل بیک وقت کام کرتے ہیں اور ایک دوسرے کو متاثر کرتے ہیں۔
ماضی میں، یہ ایک غیر معمولی طور پر آگے کی طرف دیکھنے والا نقطہ نظر تھا۔ بڑے پیمانے پر متوازی ہارڈویئر کے عام ہونے سے کئی دہائیاں پہلے، ہنٹن پہلے ہی کمپیوٹیشن کو اس طرح سے بیان کر رہا تھا جس طرح جدید نیورل نیٹ ورک چلتے ہیں، جس میں قدم بہ قدم کی بجائے بہت سے آسان آپریشن بیک وقت ہوتے ہیں۔
دواسازی کی تقسیم
پورے کاغذ میں ایک بار بار چلنے والا خیال یہ ہے کہ کسی بھی مفروضے کا تنہائی میں جائزہ نہیں لیا جانا چاہئے۔ اس کے بجائے، ہر ایک رکاوٹوں کے نیٹ ورک کے ذریعے دوسروں کو متاثر کرتا ہے۔ جب ایک مفروضے پر اعتماد بدل جاتا ہے، تو یہ تبدیلی پورے نیٹ ورک میں پھیلتی ہے، مطابقت پذیر وضاحتوں کو مضبوط کرتی ہے اور متضاد وضاحتوں کو کمزور کرتی ہے۔
یہ خیال بعد میں AI کے بہت سے علاقوں میں ایک عام موضوع بن گیا۔ گرافیکل ماڈلز، فیکٹر گرافس، پیغام کی منتقلی، اور عقیدہ کی تبلیغ سب ایک ہی بنیادی وجدان پر انحصار کرتے ہیں۔ یعنی، مقامی تعاملات بتدریج عالمی سطح پر مستقل حل کی طرف لے جا سکتے ہیں۔
اگرچہ یہ طریقے بعد میں تیار کیے گئے تھے اور مختلف ریاضیاتی فریم ورک استعمال کرتے ہیں، تصوراتی کنکشن کو دیکھنا مشکل نہیں ہے۔
یہ ظاہر کرنے کے لیے کہ آرام کے دوران رکاوٹیں کیسے تعامل کرتی ہیں، ہنٹن نے جان بوجھ کر حقیقی تصویر کے بجائے بصارت کے آسان مسئلے کا انتخاب کیا۔
صارف نے پہلے گرافکس ٹرمینل پر کئی شفاف، اوورلیپنگ مستطیل کھینچے۔ کچھ مستطیلیں چھڑی کے کٹھ پتلی کے اصل حصوں کی نمائندگی کرتی ہیں، جیسے دھڑ، بازو اور ٹانگیں، جبکہ دیگر مستطیلیں غیر متعلقہ خلفشار کے طور پر کام کرتی ہیں۔
مستطیلوں کے درمیان تمام اوورلیپس امیدوار جوڑ بن گئے، اور نظام نے مسابقتی مفروضے پیدا کیے کہ کون سے مستطیل گڑیا سے تعلق رکھتے ہیں اور کون سے اوورلیپس اصل کنکشن کی نمائندگی کرتے ہیں۔ مقصد یہ تھا کہ سب سے بڑی تعداد میں فوری جوڑوں کے ساتھ تشریحات کی نشاندہی کی جائے جو جسم کے گمشدہ حصوں اور غیر متعلقہ الجھنوں کے خلاف مضبوطی کو برقرار رکھتے ہوئے باہمی مطابقت رکھتے ہوں۔
فطری امیجز کی پیچیدگی کو دور کر کے، ہنٹن نے بصری تشریح کے مشترکہ مسئلے کو الگ تھلگ کرتے ہوئے اس مسئلے کو ریاضیاتی طور پر قابل انتظام رکھا۔
نیچے دی گئی انفوگرافک سے پتہ چلتا ہے کہ کس طرح ہنٹن نرمی کے فریم ورک کا اندازہ کرنے کے لیے اس آسان ڈمی ڈومین کا استعمال کرتا ہے۔ جسم کے مستقل اعضاء اور جوڑوں کی شناخت کے لیے وژن کو کم کرکے، یہ مثال بہت سے مسابقتی علاقائی مفروضوں کو ایک عالمی سطح پر مستقل تشریح میں یکجا کرنے کے کلیدی چیلنج کو الگ کرتی ہے۔
اگرچہ جان بوجھ کر آسان ہے، کٹھ پتلی کا تجربہ کمپیوٹر وژن کے ضروری تخمینے کے مسئلے کو پکڑتا ہے۔ یعنی، بہت سے مقامی مفروضے بیک وقت مقابلہ کرتے ہیں، ان میں رکاوٹیں پھیلتی ہیں، اور صرف مجموعی طور پر سب سے زیادہ مستقل تشریح ہی باقی رہتی ہے۔
ہنٹن ان تعاملات کا مطالعہ کرنے کے لیے ڈومین کو ایک کنٹرول لیبارٹری کے طور پر پیش کرتا ہے اس سے پہلے کہ انہی نرمی کے اصولوں کو مزید حقیقت پسندانہ وژن کے مسائل تک بڑھایا جائے۔
مقامی قوانین عالمی ذہانت پیدا کر سکتے ہیں۔
میں نے اس مقالے میں سب سے زیادہ لطف اندوز ہونے والے خیالات میں سے ایک یہ ہے کہ سادہ مقامی تعاملات سے پیچیدہ حل کیسے نکلتے ہیں۔ ہر مفروضے کو صرف اس مفروضے کے ساتھ بات چیت کرنے کی ضرورت ہے جو اس سے براہ راست جڑا ہوا ہے۔ کوئی مرکزی جز نہیں ہے جو جوابات جانتا ہو یا پورے عمل کو کنٹرول کرتا ہو۔
جیسے جیسے معلومات نیٹ ورک کے ذریعے بہتی ہے، نظام آہستہ آہستہ ایک مستقل تشریح قائم کرتا ہے۔ حتمی نتیجہ حکم کے بجائے تعاون سے نکلتا ہے۔
یہی اصول پوری AI تحقیق میں بار بار ظاہر ہوتے ہیں۔ عصبی نیٹ ورکس، بھیڑ کی ذہانت، گراف نیورل نیٹ ورکس، اور عقیدہ کی تشہیر سبھی یہ ظاہر کرتے ہیں کہ پیچیدہ رویے بہت سے سادہ اجزاء سے پیدا ہو سکتے ہیں جو مقامی اصولوں پر عمل کرتے ہیں۔
کٹھ پتلی کا کام محض ایک کھلونا مثال نہیں تھا۔ یہ ایک مکمل پروگرام تھا جس کی اپنی پروسیسنگ پائپ لائن تھی۔ نظام کا آغاز اوورلیپنگ مستطیلوں، تخلیق کردہ مفروضوں، لاگو رکاوٹوں، اعتماد کی سطحوں کو بار بار اپ ڈیٹ کرکے، اور آخر میں سب سے زیادہ مستقل تشریح کا انتخاب کرکے شروع کیا گیا۔
نیچے دی گئی انفوگرافک سے پتہ چلتا ہے کہ کس طرح ہنٹن کے مکمل آرام کے فریم ورک کو ایک مکمل کمپیوٹیشنل پائپ لائن میں اکٹھا کیا جاتا ہے۔ اس سے پتہ چلتا ہے کہ کس طرح مفروضے کی تخلیق، رکاوٹ کی تعمیر، تکراری نرمی، اور حتمی انتخاب ایک ہی تخمینہ کے عمل میں یکے بعد دیگرے اقدامات کے طور پر کام کرتے ہیں۔
مرکزی کنٹرولر یا جدید اینڈ ٹو اینڈ ٹریننگ پر انحصار کرنے کے بجائے، نظام مسابقتی مفروضوں کے درمیان تکراری مقامی تعاملات کے ذریعے مستقل حل تک پہنچتا ہے۔ اس سے پتہ چلتا ہے کہ کس طرح سادہ مقامی قوانین عالمی سطح پر مسلسل رویہ پیدا کر سکتے ہیں۔
علاقائی مطابقت کیوں کافی نہیں ہے۔
ایک اہم نکتہ جو ہنٹن نے بنایا ہے وہ یہ ہے کہ چھوٹے مقامی تنازعات کو حل کرنے کے نتیجے میں یہ ضروری نہیں کہ مجموعی طور پر بہترین تشریح ہو۔ ایک مفروضہ اس کے قریبی پڑوسیوں کے لیے ایک اچھا میچ ہو سکتا ہے، پھر بھی پورے منظر کی غلط وضاحت کا باعث بنتا ہے۔
اس وجہ سے، نظام کو یہ جائزہ لینا چاہیے کہ ہر مفروضے کو آزادانہ طور پر پرکھنے کے بجائے تمام مفروضے ایک ساتھ کیسے کام کرتے ہیں۔
مقامی اتفاق رائے سے بہترین مجموعی حل تلاش کرنے کی طرف تبدیلی پورے کاغذ میں مرکزی موضوع ہے۔ یہ اس وسیع سمت کی بھی عکاسی کرتا ہے جو AI بعد میں لے گا۔ یعنی بہت سے مسائل کو الگ تھلگ مقامی فیصلوں کے مجموعے کے بجائے عالمی اصلاح کے طور پر تشکیل دیا جاتا ہے۔
استدلال کے طریقہ کار کے طور پر آرام کریں۔
جیسا کہ میں نے کاغذ پڑھا، میں نے آرام کو صرف ایک الگورتھم سے زیادہ کے طور پر دیکھنا شروع کیا۔ یہ مشکل مسائل سے نمٹنے کا ایک طریقہ ہے۔ ایک ہی قدم میں صحیح جواب پر پہنچنے کی کوشش کرنے کے بجائے، نظام ایک عارضی یقین کے ساتھ شروع ہوتا ہے اور اسے تکراری تعاملات کے ذریعے بہتر کرتا ہے، جب تک کہ حل مستحکم نہ ہو جائے۔
یہ خیال آج حیرت انگیز طور پر مانوس محسوس ہوتا ہے۔ اگرچہ ریاضی مختلف ہے، بہت سے جدید طریقے ایک ہی طرز پر چلتے ہیں۔ تدریجی نزول قدم بہ قدم پیرامیٹرز کو بہتر بناتا ہے، بہتری کے مراحل کے درمیان توقعات کی زیادہ سے زیادہ اضافہ (EM) الگورتھم، عقیدہ کی تشہیر بار بار معلومات کا تبادلہ کرتی ہے، اور ڈفیوژن ماڈل اضافی اپ ڈیٹس کی ایک سیریز کے ذریعے نمونے تیار کرتے ہیں۔
اگرچہ طریقے مختلف ہیں، لیکن بنیادی فلسفہ حیرت انگیز طور پر ایک جیسا ہے۔ یعنی، اچھے حل اکثر ایک حتمی حساب کے بجائے بہت سی چھوٹی بہتریوں کے نتیجے میں ہوتے ہیں۔
تو آرام اصل میں کیسے کام کرتا ہے؟ ہنٹن کا جواب حیرت انگیز طور پر سادہ ہے۔ ہر اپ ڈیٹ کے دوران، نظام دو قوتوں کو متوازن کرتا ہے۔ ایک مفروضے کو رکاوٹوں کے ساتھ ہم آہنگ رکھتا ہے، اور دوسرا آہستہ سے بہتر وضاحت کی طرف دھکیلتا ہے۔ اس عمل کو دہرانے سے بالآخر ایک مستحکم حل نکلتا ہے۔
نیچے دی گئی انفوگرافک سے پتہ چلتا ہے کہ ہنٹن اس استدلال کے عمل کو ایک ٹھوس کمپیوٹیشنل طریقہ کار میں کیسے ترجمہ کرتا ہے۔ ایک ہی فیصلہ کرنے کے بجائے، ریلیکس آپریٹر تکراری طور پر تمام مفروضوں کو متوازی طور پر اپ ڈیٹ کرتا ہے، ایک ہی دو قوت کے اصول کو لاگو کرتے ہوئے، جب تک کہ پورا نیٹ ورک ایک مستحکم، عالمی سطح پر ہم آہنگ حالت میں نہ آ جائے۔
یہ عمل ظاہر کرتا ہے کہ کس طرح سادہ مقامی اپ ڈیٹس اجتماعی طور پر ایک مستقل عالمی تشریح پیدا کر سکتے ہیں۔
توازن کی اہمیت
ایک اور خیال جو پورے کاغذ میں ظاہر ہوتا ہے وہ ہے نظام کو مستحکم حالت تک پہنچنے کی اجازت دینے کی اہمیت۔ حتمی تشریح کسی مرکزی کنٹرولر کے ذریعہ عائد نہیں کی جاتی ہے یا مقررہ قواعد کے ذریعہ منتخب نہیں کی جاتی ہے۔ اس کے بجائے، مفروضے فطری طور پر ابھرتے ہیں جب تک کہ وہ بات چیت کرتے ہیں جب تک کہ مزید تبدیلیوں کی ضرورت نہ ہو۔
یہ خیال ہنٹن کے بعد کے کام میں بار بار چلنے والا موضوع بن گیا۔ ہاپفیلڈ نیٹ ورکس، بولٹزمین مشینیں، اور توانائی پر مبنی ماڈل سبھی اپنی اندرونی حرکیات کے ذریعے ایک مستحکم ترتیب کی طرف تیار ہونے والے نظاموں پر انحصار کرتے ہیں۔ ماڈل مختلف ہیں، لیکن بنیادی بصیرت بہت زیادہ ایک جیسی ہے۔ ایک اچھا حل وہ ہے جس میں نظام قدرتی طور پر آباد ہو جائے۔
ہنٹن نے صرف اس بات کی وضاحت نہیں کی کہ کیا کام ہوا۔ انہوں نے ایسے حالات کا بھی تجزیہ کیا جن میں نرمی ٹوٹ سکتی ہے، مبہم انٹرمیڈیٹ حلوں میں ہم آہنگی کے امکان اور مجموعی فریم ورک کی تعمیراتی حدود پر تبادلہ خیال کیا۔
ذیل میں انفوگرافک ان دو حدود کو ظاہر کرتا ہے۔ نرمی کے دوران، نظام ایک مستحکم حل کی طرف متوجہ ہو سکتا ہے جو انفرادی تشریحات کے درمیان واقع ہے، بجائے اس کے کہ کسی ایک تشریح پر پوری طرح پابند ہو۔
یہ وسیع تر ساختی کمزوریوں کو بھی اجاگر کرتا ہے۔ مفروضے کی تخلیق اور مفروضے کے انتخاب کو الگ الگ مراحل کے طور پر رکھا جاتا ہے، جو بعد میں ہونے والے قیاس کو متاثر کرنے سے روکتا ہے کہ ابتدائی طور پر کون سے امیدوار مفروضے تیار کیے گئے ہیں۔
ہنٹن عوامی طور پر ان حدود کو دور کرتا ہے، جنہیں AI سسٹمز نے مزید مربوط، آخر سے آخر تک سیکھنے کے طریقوں کے ذریعے حل کیا ہے۔
علامتی فیصلوں سے عددی استدلال تک
مقالے میں ایک لطیف لیکن اہم تبدیلی یہ ہے کہ علم کو محض سچ یا غلط سمجھنا چھوڑ دیا جائے۔ سختی سے علامتی فیصلوں پر بھروسہ کرنے کے بجائے، ہنٹن عقائد کو عددی قدروں کے طور پر پیش کرتا ہے جو کہ نئے شواہد پر غور کرنے کے ساتھ ہی اضافہ یا کمی کر سکتے ہیں۔
یہ ایک چھوٹے سے ڈیزائن کے انتخاب کی طرح لگ سکتا ہے، لیکن یہ ایک بہت وسیع تبدیلی کی عکاسی کرتا ہے کہ کس طرح ذہین نظام استدلال کر سکتے ہیں۔ ابتدائی فیصلوں پر مجبور کرنے کے بجائے، نظام غیر یقینی صورتحال کو ٹریک کرتا ہے اور وقت کے ساتھ ساتھ عقائد کو ایڈجسٹ کرتا ہے۔ ماضی میں، یہ وہی سمت ہے جس کی زیادہ تر جدید مشین لرننگ بالآخر عمل کرے گی۔
ہنٹن نے اکیلے ان خیالات کو تیار نہیں کیا۔ مقالے میں، وہ اس وقت کے دیگر نمایاں نقطہ نظر کے ساتھ ساتھ اپنے آرام کے فریم ورک کا بھی جائزہ لیتا ہے، اور بصری مناظر کے بارے میں غیر یقینی صورتحال اور وجہ کی نمائندگی کرنے کے مختلف طریقوں پر روشنی ڈالتا ہے۔
نیچے دی گئی انفوگرافک تینوں طریقوں کا ساتھ ساتھ موازنہ کرتی ہے۔ اسی لائن لیبلنگ کے مسئلے کو ایک عام بینچ مارک کے طور پر استعمال کرتے ہوئے، ہم یہ ظاہر کرتے ہیں کہ کس طرح والٹز کا فلٹرنگ الگورتھم، فزی ویٹ ماڈل، اور ہنٹن کا نرمی کا فریم ورک غیر یقینی صورتحال کی نمائندگی کرتا ہے، مفروضوں کو اپ ڈیٹ کرتا ہے، اور مستقل مزاجی کو نافذ کرتا ہے۔
ہنٹن کا استدلال ہے کہ اس کے مفروضے کی قدر کا فریم ورک واضح عددی رکاوٹوں کے ساتھ مسلسل اعتماد کی اقدار کو یکجا کرتا ہے تاکہ غیر یقینی صورتحال کے تحت استدلال کا ایک زیادہ اصولی طریقہ فراہم کیا جا سکے، جس سے مسابقتی تشریحات کو عالمی سطح پر مستقل حل کی طرف بڑھنے کی اجازت ملتی ہے۔
کیوں شناخت تلاش کا مسئلہ ہے۔
ایک خیال جو پورے کاغذ میں دہرایا جاتا ہے وہ یہ ہے کہ شناخت بنیادی طور پر تلاش کا عمل ہے۔ بصری نظام اشیاء کو صرف ان چیزوں سے نہیں پہچانتا جو وہ دیکھتے ہیں۔ اس کے بجائے، یہ دستیاب شواہد پر بہترین فٹ ہونے والی ایک کو تلاش کرنے کے لیے زیادہ سے زیادہ ممکنہ وضاحتیں تلاش کرتا ہے۔
یہ تفریق اس سے زیادہ اہم ہے جتنا یہ پہلے ظاہر ہوتا ہے۔ بیداری سے پتہ چلتا ہے کہ جواب پہلے ہی واضح ہے اور آپ کو صرف اسے تلاش کرنا ہوگا۔ تلاش فرض کرتی ہے کہ صحیح تشریح تلاش کرنے کے لیے متبادل تلاش کیے جائیں اور غیر یقینی صورتحال کو دور کیا جائے۔
آج بھی، سوچ کا یہ طریقہ مصنوعی ذہانت کے لیے مختلف طریقوں کو تشکیل دیتا ہے۔
اگر شناخت ایک تلاش کا مسئلہ ہے، تو اگلا سوال یہ بنتا ہے کہ سسٹم اصل میں کیا تلاش کر رہا ہے۔ ہنٹن اس کا جواب تلاش کے عمل کا ایک ہندسی نقطہ نظر پیش کرتے ہوئے دیتا ہے جس میں تمام ممکنہ تشریحات کو ممکنہ حل کی ایک منظم جگہ میں جگہ حاصل ہوتی ہے۔
نیچے دی گئی انفوگرافک اس ہندسی نقطہ نظر کو ظاہر کرتی ہے۔ یہ ممکنہ تلاش کی جگہ کے اندر پوائنٹس کے طور پر تمام درست فرضی اسائنمنٹس کی نمائندگی کرتا ہے۔ یہاں، کونے تمام یا کچھ بھی نہیں مکمل تشریحات سے مطابقت رکھتے ہیں، اور درمیانی نقطہ غیر یقینی یا جزوی عقائد کی نمائندگی کرتے ہیں۔
انفرادی حلوں کے درمیان براہ راست تلاش کرنے کے بجائے، نرمی کا عمل مسلسل اس جگہ سے گزرتا ہے، بتدریج موجودہ حالت کو بہتر بناتا ہے جب تک کہ یہ سب سے زیادہ اسکور کرنے والی قابل عمل تشریح پر اکٹھا نہ ہوجائے۔
یہ ہندسی نقطہ نظر یہ سمجھنے کا ایک بدیہی طریقہ فراہم کرتا ہے کہ کس طرح نرمی ایک مشکل مشترکہ تلاش کو مسلسل اصلاح کے مسئلے میں بدل دیتی ہے۔
پیٹرن کی شناخت سے آگے: کیوں داخلی نمائندگی حتمی آؤٹ پٹ سے زیادہ اہم ہے۔
اس مقالے کے سب سے زیادہ فکر انگیز حصوں میں سے ایک ہنٹن کا تاثر پر تنقید ہے جیسا کہ پیٹرن کی شناخت کے علاوہ کچھ نہیں۔ اس کا استدلال ہے کہ صرف بصری خصوصیات کو پہچاننا اس بات کی وضاحت نہیں کرتا کہ ہم کسی منظر کو کیسے سمجھتے ہیں۔ وژن کے نظام کو یہ بھی طے کرنا چاہیے کہ اشیاء کا تعلق کس طرح ہے، ان کے پرزے کیسے جوڑے جاتے ہیں، اور یہ تعلقات دنیا کی ایک مربوط تشریح تخلیق کرنے کے لیے کیسے ملتے ہیں۔
رشتوں پر یہ زور ہنٹن کے ادراک کے نقطہ نظر میں مرکزی حیثیت رکھتا ہے۔ کسی منظر کو سمجھنے کے لیے انفرادی اشیاء کی شناخت سے زیادہ کی ضرورت ہوتی ہے۔ ایک نظام کو اشیاء، ان کے اجزاء، اور ساختی رشتوں کی نمائندگی کرنی چاہیے جو اشیاء کو ایک بڑے پورے میں جوڑتے ہیں۔ یعنی، ادراک بنیادی طور پر الگ تھلگ نمونوں کو پہچاننے کے بجائے منظر کی ساختی نمائندگی کرنے کے بارے میں ہے۔
پیپر پڑھتے ہی ایک موضوع ذہن میں آتا رہا۔ ہنٹن کا نقطہ نظر یہ ہے کہ وہ اندرونی نمائندگی کے مقابلے میں حتمی جواب میں کم دلچسپی رکھتا ہے جو نظام منظر کی تشریح کرتے ہوئے بناتا ہے۔ مقصد صرف تصاویر کو لیبل تفویض کرنا نہیں ہے، بلکہ ساختی وضاحتیں تیار کرنا ہے جو ان کے اجزاء کے درمیان تعلقات کو گرفت میں لے۔ حتمی فیصلہ صرف اس امیر استدلال کے عمل کا نتیجہ ہے۔
ماضی میں، یہ نقطہ نظر حیرت انگیز طور پر آگے کی طرف دیکھنے والا تھا۔ بہت سے جدید AI نظام سادہ درجہ بندی سے آگے بڑھ چکے ہیں اور اندرونی نمائندگیوں کو سیکھنے کی طرف بڑھ چکے ہیں جو ساخت، تعلقات اور سیاق و سباق کو حاصل کرتے ہیں۔ آج کے ماڈلز بہت مختلف ریاضیاتی اوزار استعمال کرتے ہیں، لیکن بنیادی وجدان حیرت انگیز طور پر اسی طرح کی ہے۔
اپنے بعد کے کیریئر کے دوران، ہنٹن نے مسلسل اس بات پر زور دیا کہ ایک ذہین نظام کا معیار اس کی حتمی پیداوار پر کم انحصار کرتا ہے جو کہ راستے میں سیکھتا ہے۔
ایک خیال جس نے میری توجہ حاصل کی وہ ہے درمیانی سطح کے مفروضے پر ہنٹن کی بحث۔ اس کا استدلال ہے کہ بصری ان پٹ سے براہ راست حتمی تشریح کی طرف جانے کے بجائے، ادراک کو درمیانی نمائندگی سے فائدہ ہوتا ہے جو خام مشاہدے اور مکمل تفہیم کے درمیان فرق کو ختم کرتے ہیں۔
ایک منظر کو سمجھنا کئی سطحوں پر ہوتا ہے۔ سادہ عناصر مل کر بڑے ڈھانچے بناتے ہیں، جو پھر ایک بھرپور تشریح کا حصہ بن جاتے ہیں۔ آگاہی ایک ہی بار کے بجائے ایک درجہ بندی کے ذریعے آہستہ آہستہ تیار کی جاتی ہے۔
پیچھے مڑ کر دیکھیں تو یہ خیالات حیرت انگیز طور پر مانوس محسوس ہوتے ہیں۔ جدید گہری تعلیم کو درمیانی درجے کے مفروضوں کے اصول پر بنایا گیا ہے، جس میں ہر پرت حتمی پیشین گوئی پر پہنچنے سے پہلے تیزی سے تجریدی نمائندگی سیکھتی ہے۔
اور ہینٹن کے بعد کے کام میں درجہ بندی کا خیال ابھرتا رہا۔ یہی اصول ڈیپ بیلیف نیٹ، کیپسول نیٹ ورکس یا درجہ بندی پیدا کرنے والے ماڈلز کے لیے بھی درست ہیں۔ بامعنی نمائندگی پرت کے لحاظ سے بنائی گئی ہے، ہر سطح کی گرفت کرنے والے پیٹرن کے ساتھ جو پچھلی سطح پر نہیں ہوسکتی تھی۔
اصطلاحات ایک بار پھر بدل گئی ہیں، لیکن وجدان بہت زیادہ وہی ہے۔ پیچیدہ تفہیم ایک قدم کے بجائے درمیانی نمائندگی کے درجہ بندی کے ذریعے حاصل کی جاتی ہے۔
اسکیماس اور ذخیرہ شدہ علم
بعد کے ابواب میں، ہنٹن نے علم کو منظم کرنے اور اسے ادراک سے جوڑنے کے طریقے کے طور پر اسکیموں کے تصور کو متعارف کرایا ہے۔ ادراک اور ذخیرہ شدہ علم کو الگ الگ عمل کے طور پر سمجھنے کے بجائے، وہ یہ ظاہر کرتا ہے کہ وہ کس طرح مل کر کام کر سکتے ہیں اس کی تشریح کرنے کے لیے جو نظام مشاہدہ کرتا ہے۔
اس باب میں سب سے دلچسپ خیالات میں سے ایک اسکیموں کے بارے میں ہنٹن کا نظریہ ہے۔ اس کا استدلال ہے کہ قطعی مثالوں کو ذخیرہ کرنے کے بجائے، علم کو ان اصولوں، رشتوں اور رکاوٹوں کو حاصل کرنا چاہیے جو زمرہ جات کی وضاحت کرتے ہیں۔ یہ نظام کو اس کی بنیادی ساخت کا اندازہ لگا کر نئی صورتحال کی تشریح کرنے کی اجازت دیتا ہے بجائے اس کے کہ اس سے جو اس نے پہلے سے دیکھا ہو۔
آج اسے پڑھ کر، یہ دیکھنا آسان ہے کہ یہ خیال اب بھی متعلقہ کیوں ہے۔ اگرچہ اصطلاحات بدل گئی ہیں، بہت سے جدید AI نظام سیکھے ہوئے داخلی نمائندوں پر انحصار کرتے ہیں جو حفظ کے بجائے عمومیت کی حمایت کرتے ہیں۔ اس لحاظ سے، ہنٹن کی اسکیموں کی بحث کو تصورات کی طرف ایک ابتدائی قدم کے طور پر دیکھا جا سکتا ہے جو بعد میں ممکنہ نمائندگیوں اور اندرونی دنیا کے ماڈلز میں تیار ہوئے۔
ذیل کا انفوگرافک اسکیما پر مبنی استدلال اور ٹیمپلیٹ مماثلت کے درمیان ہنٹن کے تضاد کو واضح کرتا ہے۔ ذخیرہ شدہ مثالوں پر بھروسہ کرنے کے بجائے، اسکیما کرداروں، رشتوں اور رکاوٹوں کے ذریعے ساختی علم کی نمائندگی کرتے ہیں جو تشریح کی رہنمائی کرتے ہیں۔ نئے مشاہدات کو ان ساختی رشتوں کو مطمئن کرنے سے سمجھا جاتا ہے، بجائے اس کے کہ کسی حفظ شدہ سانچے سے قطعی مماثلت تلاش کر کے۔
یہ نظریہ نمائندہ سیکھنے میں بعد میں ہونے والی پیش رفتوں کی پیشین گوئی کرتا ہے، جہاں کامیاب جنرلائزیشن انفرادی مثالوں کو یاد کرنے کے بجائے بنیادی ڈھانچے کو سیکھنے پر منحصر ہوگی۔
تصفیہ کا نظام
کاغذ کا ایک حصہ جو زیادہ توجہ کا مستحق ہے وہ یہ ہے: حلایک تجرباتی تخمینہ کا نظام ہنٹن کے ذریعہ تیار کیا گیا ہے تاکہ اسکیموں، تخمینہ کے اصولوں، اور نرمیوں کو ایک واحد کمپیوٹیشنل فریم ورک میں ملایا جاسکے۔ یہ اکثر آرام سے متعلق پچھلے باب کی طرف سے چھایا جاتا ہے، لیکن یہ ظاہر کرتا ہے کہ کس طرح ہنٹن پہلے سے ہی استدلال کی مختلف شکلوں کو یکجا کرنے کے بارے میں سوچ رہا تھا بجائے اس کے کہ ان کو الگ الگ عمل سمجھے۔
قوانین کو آزادانہ طور پر لاگو کرنے یا علم کو الگ سے ذخیرہ کرنے کے بجائے، SETTLE اسکیموں، تخمینہ کے اصولوں، نرمی اور متحرک نیٹ ورک کی تعمیر کو تعاون کرنے کی اجازت دیتا ہے، اور نظام آہستہ آہستہ غیر یقینی شواہد سے سب سے زیادہ مستقل تشریح تیار کرتا ہے۔
ماضی میں، جو چیز SETTLE کو دلچسپ بناتی ہے وہ اس لیے نہیں کہ یہ جدید AI سسٹمز سے تفصیل سے مشابہت رکھتا ہے، بلکہ اس لیے کہ یہ علم، تخمینہ، اور تخمینہ کو ایک واحد، مربوط کمپیوٹیشنل عمل میں ضم کرنے کے لیے ہنٹن کی ابتدائی کوششوں کی عکاسی کرتا ہے۔
نیچے دی گئی انفوگرافک سے پتہ چلتا ہے کہ یہ اجزاء SETTLE کے اندر کیسے تعامل کرتے ہیں۔ انفرنس کے اصول امیدوار کے نتائج اخذ کرتے ہیں، جبکہ نرمی کا عمل مستقل مزاجی کا جائزہ لیتا ہے۔ یہ شواہد، قواعد، اور مسابقتی مفروضوں کو ایک دوسرے پر اثر انداز ہونے کی اجازت دیتا ہے جب تک کہ وہ سب سے زیادہ مستقل تشریح پر متفق نہ ہوں۔
استدلال کی بنیاد کے طور پر غیر یقینی اور ابہام
ایک تھیم جو پورے مقالے میں چلتا ہے وہ یہ ہے کہ غیر یقینی صورتحال ایک مسئلہ نہیں ہے جس سے گریز کیا جائے بلکہ ادراک کا ایک فطری نقطہ آغاز ہے۔ بصری نظام مکمل علم یا فوری اعتماد کے ساتھ شروع نہیں ہوتا۔ اس کے بجائے، ہم عارضی مفروضوں کے ساتھ شروع کرتے ہیں جو کہ بتدریج مضبوط، کمزور، یا مسترد کر دیے جاتے ہیں کیونکہ مزید شواہد پر غور کیا جاتا ہے۔
ہنٹن کا ابہام سے نمٹنے کا اس سے گہرا تعلق ہے۔ متعدد ممکنہ تشریحات کو ادراک کی ناکامی کے طور پر دیکھنے کے بجائے، وہ انہیں نامکمل معلومات کے ناگزیر نتیجے کے طور پر قبول کرتا ہے۔
ایک بصری منظر کئی قابل فہم وضاحتوں کی حمایت کر سکتا ہے، اور نظام کو ان امکانات کو ایک ساتھ رہنے کی اجازت دینی چاہیے جب تک کہ ان میں فرق کرنے کے لیے کافی ثبوت دستیاب نہ ہوں۔ ابتدائی فیصلے پر مجبور کرنے کے بجائے، آہستہ آہستہ سب سے زیادہ مستقل تشریح کی طرف بڑھیں۔
اگرچہ ہنٹن کا مقالہ جدید سٹاکسٹک گرافیکل ماڈلز اور بایسیئن انفرنس طریقوں کی پیش گوئی کرتا ہے، لیکن اس کا بنیادی تناظر امکانی سوچ کے بہت قریب ہے۔
اگرچہ ریاضی کے اوزار اگلی دہائیوں میں کافی ترقی کریں گے، لیکن بنیادی خیال وہی رہا۔ ذہین نظاموں کو شروع سے ہی مکمل اور کامل معلومات کی توقع کرنے کے بجائے غیر یقینی صورتحال میں استدلال کرنا چاہیے۔ ماضی میں، یہ سمجھنا مشکل نہیں ہے کہ یہ نقطہ نظر جدید AI کے متعین اصولوں میں سے ایک کیوں بن گیا ہے۔
مکمل تصویر
نیچے دی گئی انفوگرافک ہنٹن کے مقالے کی کلیدی شراکتوں کا ایک جائزہ فراہم کرتی ہے، انہیں ایک ہی تناظر میں اکٹھا کرتی ہے۔ یہ 1970 کی دہائی کے آخر میں دستیاب دیگر طریقوں کے ساتھ اس کے آرام کے فریم ورک کا موازنہ کرتا ہے، پورے کاغذ میں دریافت کیے گئے مختلف ایپلیکیشن کے شعبوں کی وضاحت کرتا ہے (سادہ وژن کے کاموں سے لے کر اسکیما پر مبنی استدلال اور سیٹل سسٹم تک)، اور ان اہم حدود کے ساتھ نتیجہ اخذ کرتا ہے جن کی ہنٹن نے عوامی طور پر نشاندہی کی تھی۔
ایک ساتھ مل کر، یہ عوامل ظاہر کرتے ہیں کہ کاغذ نہ صرف ایک آرام دہ الگورتھم کی تجویز ہے، بلکہ غیر یقینی صورتحال کے تحت استدلال کے لیے ایک وسیع تر تحقیقی پروگرام بھی ہے جس نے بعد میں AI سسٹمز میں تیار کیے گئے بہت سے خیالات کو متاثر کیا ہے۔
50 سال سے زیادہ مسلسل فلسفہ
میرا مقالہ مکمل کرنے کے بعد جس چیز نے مجھے سب سے زیادہ متاثر کیا وہ کوئی الگورتھم یا تجربہ نہیں تھا۔ یہ ہنٹن کے خیالات کا تسلسل تھا۔ 1977 میں متعارف کرائے گئے بہت سے آئیڈیاز ان کے بقیہ کیرئیر میں دوبارہ نمودار ہوئے، حالانکہ ریاضی کے اوزار اور ماڈلز ڈرامائی طور پر بدل گئے تھے۔
مقالہ نرمی، مسابقتی مفروضوں، تقسیم شدہ رکاوٹوں، اصلاح اور مستحکم حل کے ساتھ شروع ہوتا ہے۔ بعد میں بولٹزمین مشینوں، بیک پروپیگیشن، ڈیپ بیلیف نیٹ ورکس، الیکس نیٹ، فارورڈ فارورڈ الگورتھم، اور حال ہی میں انسانی حساب کے بارے میں ان کے خیالات آئے۔
پہلی نظر میں، یہ شراکتیں بہت مختلف دکھائی دیتی ہیں۔ لیکن وہ ایک قابل ذکر مستقل تحقیقی فلسفہ سے جڑے ہوئے ہیں۔
اپنے پورے کیریئر کے دوران، ہنٹن نے ذہانت کو مرکزی کنٹرولر کے بجائے بہت سے سادہ کمپیوٹیشنل عناصر کے باہمی تعامل سے ابھرتی ہوئی نظر سے دیکھا۔ اس نے الگ تھلگ علامتوں پر تقسیم شدہ علم پر مسلسل زور دیا ہے، سادہ ادراک کا اندازہ، حتمی پیداوار کی بھرپور اندرونی نمائندگی، ذہین عمل کے طریقہ کار کے طور پر اصلاح، اور نظر انداز کرنے کی بجائے اظہار اور بہتر کرنے کی غیر یقینی صورتحال پر زور دیا ہے۔
آج پیچھے مڑ کر دیکھیں تو، ہنٹن کا 1977 کا مقالہ ابتدائی تحقیق کے الگ تھلگ ٹکڑے کی طرح محسوس ہوتا ہے اور ایک فکری سفر کے آغاز جیسا لگتا ہے جو تقریباً 50 سال کی مصنوعی ذہانت کی تحقیق کو تشکیل دے گا۔
یہ حتمی انفوگرافک اس تصوراتی تعلق کو واضح کرتا ہے۔ ہنٹن کے بعد کے کام کو اس کے مقالے کے براہ راست نفاذ کے طور پر پیش کرنے کے بجائے، ہم دکھاتے ہیں کہ ان کے کتنے بنیادی خیالات بشمول مسلسل اعتماد کی اقدار، اصلاح پر مبنی شناخت، ساختی علم کی نمائندگی، اور مربوط تخمینہ، بعد میں ہونے والی پیش رفتوں جیسے کہ بولٹزمین مشینیں، بیک پروپیگیشن، ڈیپ بیلیف نیٹ ورکس اور انرجی ماڈلز میں دوبارہ ظاہر ہوتے رہتے ہیں۔
زور تکنیکی ترقی کی ایک لائن پر نہیں ہے بلکہ تحقیقی فلسفے کے قابل ذکر تسلسل پر ہے جو ہنٹن کے ابتدائی کام کو ان کے بعد کی بہت سی شراکتوں سے جوڑتا ہے۔
شائع کرنے کی اجازت
یہ جائزہ لکھنے سے پہلے، میں نے پروفیسر جیفری ہنٹن سے رابطہ کیا اور ان کے مقالے کا تعلیمی جائزہ شائع کرنے کی اجازت کی درخواست کی۔ پروفیسر ہنٹن نے مہربانی کرکے اس جائزے کی اشاعت کی اجازت دی۔
یہ مضمون مکمل طور پر میرے اپنے الفاظ میں لکھا گیا ہے اور اصل کام کے مکمل اعتراف کے ساتھ کاغذ کی میری تشریح کی عکاسی کرتا ہے۔
اضافی وسائل
مجھ سے رابطہ کریں