کوئی بھی عام پہاڑی چڑھنے کے بارے میں بات نہیں کر رہا ہے (رن ٹائم پر)

بہتر “جنرل” ماڈل بنانے کے لیے تمام لیبز پری ٹریننگ اور RL کے امتزاج کا استعمال کر رہی ہیں۔ جس کا مطلب ہے کہ وہ صرف ایک چیز میں اچھے نہیں ہیں بلکہ بہت سی چیزوں میں اچھے ہیں، اور مثالی طور پر نئی چیزیں سیکھنے میں بھی اچھے ہیں۔

میں بمشکل RL کے بنیادی اصولوں کو جانتا ہوں، اور نفاذ کی تازہ ترین تفصیلات مجھ سے کہیں زیادہ ہیں۔ پلس، اس کا پیچھا کرنے کے لئے ماڈل/RL عمومیت تک پہنچنے کے لیے آپ کو بہت سارے GPUs اور پیسے کی ضرورت ہے، جس کا مطلب ہے کہ یہ زیادہ تر بڑی لیبز ترقی کر رہی ہیں۔

اس لیے میں عام پہاڑی چڑھنے کے لیے ایک مختلف راستہ اختیار کر رہا ہوں۔

میں 2023 یا 2024 سے اس کے بارے میں ڈھیلے طریقے سے سوچ رہا ہوں، لیکن آندریج کارپاتھی نے واقعی ٹویٹر پر اس کے ساتھ میرے لئے اس کو کرسٹل بنا دیا:

اس سے میرے اندر آگ لگ گئی ہوگی کیونکہ میں تب سے یہی سوچ رہا ہوں۔ میرے نزدیک یہ دنیا کا سب سے دلچسپ سوال پوچھتا ہے:

ہم کیسے بنا سکتے ہیں۔ سب کچھ قابل تصدیق؟

عام تصدیق کے راستے کے طور پر مثالی ریاست

میں ایک طویل عرصے سے آئیڈیل سٹیٹ کے بارے میں سوچ رہا ہوں، لیکن کارپتھی کی تصدیق پر توجہ نے اسے میرے ذہن میں انتہائی ٹھوس بنا دیا۔ اس نے میرے لئے دو خیالات کو جوڑ دیا۔

بنیادی طور پر، سیڑھی کے کنارے یا پاؤں رکھنے کے لیے—جو بھی تشبیہ آپ چڑھنے کے لیے استعمال کرنا چاہتے ہیں—ایک ایسی چیز ہونی چاہئے جس کی طرف آپ چڑھ رہے ہیں۔. تو، کوئی بات نہیں، پہلا سوال ہمیشہ ہوتا ہے،

وہ چیز کیا ہے؟

میرے نزدیک یہ ہے۔ پورا کھیل.

چونکہ 2023 کے اوائل میں سب کچھ اڑا دیا گیا تھا، میں اس بارے میں بات کر رہا ہوں کہ اشارہ کرنا کتنا اہم ہے۔ میں نے مئی 2024 میں AI is Mostly Prompting لکھا تھا، جہاں میں نے کہا تھا کہ ارادے کے عین مطابق بیان سے کوئی بھی چیز موازنہ نہیں کرتی۔ میں نے 2025 کے مارچ میں Coding is Thinking لکھا تھا، جو اس بارے میں تھا کہ کس طرح لکھنا = سوچنا، تخلیق کرنا = تصور کرنا، اور کوڈنگ = عمارت۔ اور حال ہی میں میں نے 2025 کے جون میں AI سے بات کرنے کا طریقہ لکھا تھا، جہاں میرا بنیادی نکتہ یہ تھا کہ اگر آپ اپنی مرضی کو بیان نہیں کر سکتے تو اشارہ اور سیاق و سباق آپ کی زیادہ مدد نہیں کرے گا۔

یہ آئیڈیل اسٹیٹ کا تصور اس کی حتمی مثال ہے۔

جو میں نے سوچا وہ یہ ہے کہ مشکل حصہ ہے۔ بیان کرنے والا کسی چیز کے لیے مثالی ریاست۔ خاص طور پر عام طور پر، بہت سے مختلف کاموں کے لیے۔

تو یہ میری بنیادی توجہ ہے: ریورس انجینئرنگ کی درخواستیں اور اس کو سیاق و سباق کے ساتھ جوڑ کر مجرد، بولین، قابل امتحان آئیڈیل اسٹیٹ کا معیار بنانا.

اور اس کے بارے میں سب سے اچھی بات یہ ہے کہ آئیڈیل اسٹیٹ کے معیار کو بھی توثیق کا معیار بنتا ہے! درحقیقت یہ ان کی پوری بات ہے!

جب ہم کسی بھی درخواست کو ریورس کرتے ہیں (اور پھر تحقیق شامل کرتے ہیں اور ہم صارف اور کام کے بارے میں اور کیا جانتے ہیں)، تو ہم بیک وقت آئیڈیل اسٹیٹ بنا رہے ہوتے ہیں۔ اور ہمارے جانچ کے معیار جو ہم پہاڑی پر چڑھنے کے لیے استعمال کریں گے۔

دو نیسٹڈ لوپس

تو یہ آئیڈیل سٹیٹ ہے، اور الگورتھم بنیادی طور پر چڑھنے کی سہولت کے لیے دو نیسٹڈ لوپس چلا رہا ہے۔

1. موجودہ حالت ➡︎ مثالی ریاست
2. آئیڈیا ➡︎ ٹیسٹ ➡︎ دوبارہ کرنا

پہلا وہ ہے جس کے بارے میں ہم بات کر رہے ہیں: آپ کی موجودہ حالت جو بھی ہے اس سے آپ کی طرف جانا مثالی ریاست

اس دوسرے کے بہت سے نام ہیں، لیکن یہ زیادہ تر سائنسی طریقہ کے طور پر جانا جاتا ہے، یا — سائبر سیکیورٹی میں — او او ڈی اے لوپ۔ بنیادی طور پر، چیزوں پر ایک نظر ڈالیں، کچھ معلوم کرنے کی کوشش کریں، تجربہ یا کوئی اور طریقہ استعمال کرتے ہوئے حقیقت کے خلاف ٹیسٹ کریں، اور پھر ایڈجسٹ کریں اور دوبارہ کوشش کریں جب تک کہ آپ کا جواب نہ ہو۔

لہذا بنیادی طور پر مرکزی کھیل موجودہ سے مثالی کی طرف جا رہا ہے، اور ہم اسے سائنسی طریقہ سے کرتے ہیں۔ اور وہ اندرونی لوپ تبھی چل سکتا ہے جب وہ کسی ٹھوس چیز کا پیچھا کر رہا ہو، جو بیرونی لوپ کی مثالی منزل ہے۔

الگورتھم کا استعمال کرتے ہوئے

میں نے اپنے PAI پروجیکٹ (ذاتی AI انفراسٹرکچر) میں الگورتھم (میرا پیارا ہینڈل نام جو میں نے دیا ہے) بنایا ہے جو کلاڈ کوڈ کے اوپر چلتا ہے۔ عملی طور پر یہ کیسا لگتا ہے۔

مرحلہ 1: درخواست کو ریورس انجینئرنگ کریں۔

دوبارہ اشارہ کرنے پر واپس جاکر، مجھے کے تصور کی یاد دلائی گئی۔ مصنف کا اندھا پن، جہاں کسی کے ذہن میں ایک خیال ہے لیکن اس پر قائم تمام مفروضوں کی وجہ سے اسے پہنچانے سے قاصر ہے۔

تو یہ ابتدائی مرحلہ سپر کلید ہے۔

صارف اصل میں کیا چاہتا ہے؟ اور وہ کیا کرتے ہیں۔ نہیں چاہتے ہیں؟

ہر ان پٹ کو ریورس انجنیئر کیا جاتا ہے۔

• انہوں نے واضح طور پر کیا مطالبہ کیا؟
• انہوں نے کیا مطلب?
• وہ کیا نہیں چاہتے؟
• ہمیں کن چیزوں کو دیکھنا چاہئے؟
• ایسا کرنے کی کوشش کرنے والوں کے لیے عام ناکامی کے طریقے کیا ہیں؟
• وغیرہ

یہاں میں نے کائی (میرے ڈی اے) سے آواز کی نقل سے مواد کیوریشن ویب سائٹ بنانے کو کہا:

تو یہاں یہ بالکل درست قسم کے مراحل سے گزر رہا ہے۔ یہ صرف وہی نہیں نکال رہا ہے جو میں نے کہا، بلکہ جو میں نے کہا مضمر اور میں خاص طور پر کیا مت کرو چاہتے ہیں

درخواستیں اکثر ان کہی ہوئی چیزوں سے بھری ہوتی ہیں، اور اگر آپ تصدیق کے معیار کو بنانا چاہتے ہیں تو آپ کو اسے ڈی کنسٹریکٹ کرنا ہوگا اور انہیں اپنی مثالی حالت میں لانا ہوگا۔

مرحلہ 2: کوشش کی سطح کا انتخاب

“اس ٹائپو کو ٹھیک کریں” کو اسی مشینری کو متحرک نہیں کرنا چاہئے جیسا کہ “میرے تصدیقی نظام کو ڈیزائن کریں۔” الگورتھم OBSERVE کے دوران ایک کوشش کی سطح تفویض کرتا ہے جو کنٹرول کرتا ہے کہ ہر چیز کتنی گہرائی میں جاتی ہے:

| Tier          | Budget  | When                                    |
|---------------|---------|---------------------------------------- |
| Instant       | <10s    | Trivial lookup, greeting                |
| Fast          | <1min   | Simple fix, skill invocation            |
| Standard      | <2min   | Normal request, no time pressure        |
| Extended      | <8min   | Quality must be extraordinary           |
| Advanced      | <16min  | Full phases, multi-file changes         |
| Deep          | <32min  | Complex design, thorough exploration    |
| Comprehensive | <120min | Don't feel rushed by time               |

کوشش کی سطح کی گہرائی کو کنٹرول کرتی ہے۔ سب کچھ-کتنے معیارات تیار کرنے ہیں، پلان موڈ میں داخل ہونا ہے، کن صلاحیتوں کو شامل کرنا ہے، کتنی مکمل تصدیق کی ضرورت ہے۔ ہو سکتا ہے کہ فوری میں ٹائپنگ کی غلطی مکمل مراحل تک نہ چل سکے۔ ڈیپ پر سسٹم کو دوبارہ ڈیزائن کرنے سے 40+ معیارات حاصل ہوتے ہیں، سٹرکچرڈ کوڈ بیس ایکسپلوریشن کے لیے پلان موڈ میں داخل ہوتا ہے، اور متوازی ایجنٹوں کو جنم دیتا ہے۔

مرحلہ 3: مثالی ریاست کا معیار بنانا

درخواست کے سمجھے جانے اور کوشش کی سطح کے سیٹ کے ساتھ، یہ آئیڈیل اسٹیٹ کے معیار کی شکل میں آئیڈیل اسٹیٹ بناتا ہے۔

یہ 8-12 لفظ، مجرد، قابل جانچ، بولین بیانات ہیں جو بیان کرتے ہیں کہ “ہو گیا” کیسا لگتا ہے۔ یہی معیار بعد میں تصدیق کا معیار بن جاتے ہیں۔

• ہر انکاؤنٹر میں منفرد پرائمری ڈائنامک ہوتا ہے۔
• کوئی ٹرن ون مہلک ممکن نہیں۔
• 1-25 کی حد میں دشواری۔
• ہر ایک بائنری ٹیسٹ ایبل ہے۔

آپ آؤٹ پٹ کو دیکھتے ہیں اور ہاں یا نہیں کہتے ہیں۔

کوشش کی سطح کے ساتھ ISC پیمانے کی تعداد۔ آسان کام: 4-8 معیار۔ درمیانی خصوصیت: 12-40۔ بڑا پروجیکٹ: 40-150+، بچوں کے PRDs کے ساتھ ڈومینز میں منظم۔

ہر جگہ ایک ہی اصول: 8-12 الفاظ، ریاست نہیں عمل، بائنری ٹیسٹ ایبل۔

مرحلہ 4: صلاحیتوں کا انتخاب

دوسری بڑی چیز الگورتھم کی صلاحیتیں دے رہی ہے۔ واضح طور پر اس میں پہلے سے ہی ٹن ہے کیونکہ کلاڈ کوڈ بہت اچھا ہے، لیکن میں اسے خاص طور پر مقامی اور اپنی مرضی کے مطابق چیزوں کی طرف لے جا رہا ہوں جو میں نے الگورتھم کی مدد کے لیے بنایا ہے۔

صلاحیتوں کے میٹرکس میں (فی الحال) ~25 مخصوص صلاحیتیں ہیں، تقریباً ان زمروں میں۔

• فاؤنڈیشن – ٹاسک ٹریکنگ، صارف کی وضاحت، الگ تھلگ عملدرآمد، 70+ اسکل لائبریری
• سوچ اور تجزیہ – تکراری گہرائی، پہلے اصولوں کی خرابی، توسیعی تخلیقی سوچ، ساختی ISC ترقی کے لیے منصوبہ بندی
• ایجنٹس – خصوصی کارکنان: ISC کے لیے الگورتھم ایجنٹس، عمارت کے لیے انجینئرز، ڈیزائن کے لیے معمار، تحقیقات کے لیے محقق
• تعاون اور چیلنج – ملٹی ایجنٹ بحث (کونسل)، 32 ایجنٹوں کے ساتھ مخالفانہ تجزیہ (ریڈ ٹیم)، مربوط ایجنٹوں کی بھیڑ
• پھانسی – بیک گراؤنڈ ایجنٹس میں ہم آہنگی، تخلیقی برانچنگ، گٹ ورک ٹری تجربات، براؤزر پر مبنی بصری تصدیق
• ٹیسٹنگ – ٹیسٹ رنرز، جامد تجزیہ، ڈیٹرمنسٹک CLI تحقیقات

یہی نظام کو اتنا متحرک بناتا ہے۔ 30 سیکنڈ کی دوڑ سے گھنٹوں تک (اور لوپ موڈ میں اس سے بھی زیادہ)۔

ایک تیز کام صرف ٹاسک ٹول اور ایک ہی مہارت کا استعمال کر سکتا ہے۔ ایک توسیعی کام کونسل فار ملٹی ایجنٹ ڈبیٹ کو آگے بڑھا سکتا ہے، متوازی انجینئر ایجنٹس کو تیار کرنے کے لیے تیار کر سکتا ہے، پھر بصری طور پر تصدیق کرنے کے لیے ہماری براؤزر اسکل کا استعمال کر سکتا ہے۔ کوشش کی سطح اور صلاحیتیں ایک ساتھ کام کرتی ہیں — 90% کاموں کے لیے تیز، جب مسئلہ اس کا مطالبہ کرتا ہے۔

مرحلہ 5: مثالی ریاست کے خلاف تصدیق

پھر، اس سب کے پورے نقطہ کی طرح، ہم تصدیق کرتے ہیں۔

تعمیر کرنے کے بعد، الگورتھم اصل آؤٹ پٹ کے خلاف ہر ایک ISC معیار کی تصدیق کرتا ہے:

ہر معیار ایک چیک باکس ہے۔ پاس یا فیل۔ اگر آپ ناکام ہوجاتے ہیں تو آپ اعادہ کرتے ہیں۔ اگر سب کچھ گزر جاتا ہے، تو آپ نے اس درخواست کے لیے مثالی ریاست حاصل کر لی ہے۔

ڈیش بورڈ: متوازی چل رہا ہے۔

میں نے ایک ڈیش بورڈ بنایا ہے (شاید PAI 3.1 یا 3.2 پر آرہا ہے) جو ایک ساتھ چلتے ہوئے متعدد الگورتھم سیشنز کو دکھاتا ہے، ہر ایک اپنے ISC کے معیار کو سات مراحل سے باخبر رکھتا ہے:

اور PAI ہر ردعمل سے جذباتی سگنل بھی حاصل کرتا ہے اور جو کچھ کیا گیا اس پر اوورلی کرتا ہے۔ اس طرح ہماری پی اے آئی اپ ڈیٹ مہارت اس کا استعمال کر سکتے ہیں الگورتھم کو اپ گریڈ کریں۔ الگورتھم کو آگے بڑھانے کے لیے مخصوص طریقے تجویز کرنے کے لیے ورک فلو۔

پہاڑی پر چڑھنے کی اپنی صلاحیت پر پہاڑی چڑھنا۔

یہ ہر چیز کے لیے کام کرتا ہے۔

خیال یہ ہے کہ یہ صرف سافٹ ویئر تک محدود نہیں ہے۔ آپ اس پر کچھ بھی پھینک سکتے ہیں:

• “میرے لیے ایک ویب سائٹ بنائیں” → ڈیزائن، فعالیت، کارکردگی، مواد کے لیے ISC
• توازن، مختلف قسم، حرکیات، تفریحی عنصر کے لیے “16 RPG مقابلے بنائیں” → ISC
• “ایک مواد کی پائپ لائن ڈیزائن کریں” → فن تعمیر، ڈیٹا کے بہاؤ، وشوسنییتا، توسیع پذیری کے لیے ISC
• “20 کلو وزن کم کرنے میں میری مدد کریں” → ISC برائے غذائیت کے منصوبے، ورزش کا معمول، ٹریکنگ، پائیداری

ہر ڈومین کے لیے معیار بالکل مختلف نظر آتے ہیں، لیکن عمل ان کی تخلیق، ان کے خلاف تصدیق، اور تکرار ہمیشہ ایک جیسا ہوتا ہے۔ یہی چیز اسے عمومی بناتی ہے۔

میرے خیال میں یہ وہ جگہ ہے جہاں چیزیں چل رہی ہیں۔

مجھے امید ہے کہ 2026 کے اگلے چند مہینوں میں لیبز اور دیگر پروجیکٹس اس پر گرفت میں آئیں گے۔

جیسا کہ میں نے اوپر کہا، لیبز ظاہر ہے کہ ماڈلز میں پہلے سے ہی ایسا کرنے کی کوشش کر رہی ہیں، لیکن مجھے امید ہے کہ ان کے ایجنٹی فریم ورک میں جلد ہی الگورتھم جیسی صلاحیتیں بھی ہوں گی۔

مجھے اس تصور کی طرح محسوس ہوتا ہے۔ مناسب طریقے سے ریورس انجینئرنگ اور مثالی ریاست کو واضح کرنا AGI کا پیچھا کرنے کے لیے انتہائی زرخیز زمین ہے، اور یہ ایک تصور کے طور پر پھٹنے والا ہے۔