مُڈھلی سکھلائی توں AI ایجنٹاں دیاں ٹیماں تک: Jensen Huang دے پھیلاؤ دے چار چکر کمپیوٹنگ دا سوال کیوں بدل دیندے نیں
جان پچھان: جدوں مصنوعی ذہانت ہور قابل ہُندی اے تے کیہ ودھدا اے؟
مصنوعی ذہانت [AI] دی گل بات اکثر ماڈل [Model] دے حجم توں شروع ہُندی اے۔ ایہدے وچ کِنّے پیرامیٹر [Parameters] نیں؟ ایہنوں سکھاؤن لئی کِنّی معلومات ورتی گئی؟ ایہدے پچھے کم کرن والا کمپیوٹنگ نظام [Computing System] کِنّا وڈا سی؟
ایہ سوال نظام دے اک حصے نوں ای بیان کردے نیں۔ Jensen Huang دی وڈیری دلیل اے کہ AI کئی مرحلیاں وچ ودھ سکدی اے: اپنی بنیاد سکھدیاں، اپنا رویہ سنواردیاں، کسے خاص مسئلے اُتے کم کردیاں تے ایجنٹاں [Agents] وچ کم ونڈدیاں۔ ایہناں مرحلیاں دا رشتہ سمجھنا کمپیوٹنگ دی منگ [Computing Demand] بارے ساڈی سوچ بدل دیندا اے۔
اہم فرق ماڈل بناؤن تے ذہین نظام ورتن وچ اے۔ ایہ جڑیاں ہوئیاں سرگرمیاں نیں، پر اکّو جیہا کم دا بوجھ [Workload] نہیں۔
1. مُڈھلی سکھلائی بنیاد بناؤندی اے، پوری طرح تیار کم کرن والا نہیں
مُڈھلی سکھلائی [Pre-training] ماڈل نوں بہتی معلومات نال واسطہ پوا کے اوہدیاں عام صلاحیتاں ودھاؤندی اے۔ ماڈل اوہ نمونے تے رشتے سکھدا اے جو اگلے کماں وچ مدد کر سکن۔
ہور ڈیٹا تے ہور کمپیوٹنگ وسیلے [Computing] ایہ بنیاد بہتر کر سکدے نیں۔ پر سکھلائی دا وڈا دور [Training Run] فائدہ مند ذہانت دی پوری وضاحت نہیں۔ ماڈل کول عام علم بہتا ہو سکدا اے، فیر وی اوہنوں چنگا فیصلہ، خاص کم دا تجربہ یا اوہناں معلومات تک رسائی چاہیدی ہو سکدی اے جو سکھلائی وچ نہیں ملّیاں۔
ایس لئی سوال ایتھے نہیں رک سکدا کہ بندیاں دے لکھے مواد دی دستیابی آخر رکاوٹ بنے گی یا نہیں۔ اگلے مرحلے نظام دے سکھن دا طریقہ تے کیتا جان والا کم، دونے بدل سکدے نیں۔
2. بعد دی سکھلائی بنیاد ورتن دا طریقہ بدل دیندی اے
بعد دی سکھلائی [Post-training] مُڈھلے سکھن توں بعد ماڈل سنواردی اے۔ زور رویے، عملی کماں تے لوکاں نوں لوڑ والے جواباں دیاں قسماں ول مُڑدا اے۔
بناؤٹی ڈیٹا [Synthetic Data] ایس عمل وچ حصہ پا سکدا اے۔ نظام مثالاں بنا، وکھ وکھ صورتاں ویکھ تے ہور سکھن لئی فائدہ مند مواد تیار کر سکدا اے۔ قدر نتیجے وچ ملن والے تجربے دے معیار وچ اے، صرف ایس گل وچ نہیں کہ مشین نے اوہ بنایا۔
ایہ فرق اہم اے۔ ہور مواد بنانا آپے اوہدے درست ہون دا ثبوت نہیں۔ فائدہ مند چکر سنبھالن جوگے تجربے چُندا تے اگلا رویہ سنوارن لئی ورتدا اے۔ چُون توں بغیر ودھدی مقدار کمزوریاں ٹھیک کرن دی تھاں دُہرا سکدی اے۔
3. آزمائش ویلے دی کمپیوٹنگ استنباط نوں ہور اوکھا مسئلہ بناؤندی اے
استنباط [Inference] نوں کدی کدی سَوکھا آخری قدم سمجھیا جاندا اے: ماڈل پہلاں ای سکھ چُکیا اے، سو جواب بناؤن لئی تھوڑا ہور کم لگنا چاہیدا اے۔
آزمائش ویلے پھیلاؤ [Test-time Scaling] ایس سوچ نوں چیلنج کردا اے۔ اوکھے کم لئی نظام نوں مسئلہ نِکّے حصیاں وچ ونڈنا، ممکنہ طریقے پرکھنے، معلومات لبھنا تے ناکام کوشش اُتے فیر سوچنا پے سکدا اے۔
فیر کمپیوٹنگ دی لوڑ [Computing Requirement] ایس گل اُتے اے کہ فائدہ مند جواب دین توں پہلاں نظام نوں کیہ کرنا پیندا اے۔ نِکّا جواب وی بہتے کم توں بعد آ سکدا اے۔ اُلٹ، لمّا جواب سوچ سمجھ کے دلیل دا ثبوت نہیں۔
کاروبار لئی ایہدے نال جواب دی دیر [Latency]، جواب دا معیار تے چلاؤن دا خرچ جڑے ہوئے فیصلے بن جاندے نیں۔ سب توں سستا فوری جواب ہمیشہ سب توں گھٹ خرچ نال کامیابی نال مکیا کم نہیں ہُندا۔
4. ایجنٹاں نال پھیلاؤ صلاحیت نال تال میل وی جوڑدا اے
ایجنٹاں نال پھیلاؤ [Agentic Scaling] اک ہور راہ دسدا اے: نظام اک ماڈل کولوں سارا کم واری واری کرواؤن دی تھاں کئی ایجنٹاں [Agents] وچ ونڈ سکدا اے۔
اک ایجنٹ ریکارڈ ویکھ سکدا اے جدوں دوجا چوناں دا موازنہ کرے۔ اوہناں دیاں لبھتاں سانجھے نتیجے دی مدد کر سکدیاں نیں۔ ایہ اک ماڈل وڈا کرن یا ہور ویلا دین توں وکھری ودھوتری اے۔
ادارے نال موازنہ فائدہ مند اے۔ ہور ملازم صلاحیت ودھا سکدے نیں، پر جدوں ذمہ واریاں، گل بات تے آخری فیصلہ صاف ہون۔ ایس طرح ہور ایجنٹ تال میل، نتیجیاں دے فرق مٹاؤن تے پڑتال دا کم وی پیدا کردے نیں۔ اوہناں دی گنتی ورتیا وسیلہ اے، کامیابی دا پیمانہ نہیں۔
5. چارے مرحلے سکھن دا چکر بناؤندے نیں
سب توں اہم رشتہ نظام دے کم کرن توں بعد والی گل اے۔ ایجنٹاں دے فائدہ مند تجربے اگلی سکھلائی دا مواد بن سکدے نیں۔ سنوارے ماڈل فیر چنگی دلیل تے ہور مؤثر ایجنٹاں دی مدد کر سکدے نیں۔
سو مُڈھلی سکھلائی [Pre-training]، بعد دی سکھلائی [Post-training]، آزمائش ویلے دا کم [Test-time Work] تے ایجنٹاں دی سرگرمی [Agentic Activity] نوں وکھرے ڈبیاں وچ رہن دی لوڑ نہیں۔ اوہ اک دوجے نوں طاقت دے سکدے نیں۔
ایہ بنیادی ڈھانچے [Infrastructure] دا سوال وی بدلدا اے۔ ماڈل دی سکھلائی، فائیلاں وچ لبھنا تے کئی کم کرن والیاں دا تال میل، پروسیسراں [Processors]، میموری [Memory]، ذخیرے [Storage] تے نیٹ ورکنگ [Networking] کولوں وکھ وکھ لوڑاں منگدے نیں۔ اک تنگ کارکردگی پرکھ [Benchmark] اُتے بنایا نظام پورے کم دے بہاؤ [Workflow] لئی ٹھیک نہ وی ہووے۔
نتیجہ: صرف ماڈل نہیں، کم ناپو
Huang دا چار حصیاں والا خاکہ گل نوں ایس خیال توں اگے لے جاندا اے کہ AI دی ترقی صرف وڈے ڈیٹا مجموعے [Dataset] اُتے اک واری سکھلایا وڈا ماڈل اے۔
عملی سبق ایہ پچھاننا اے کہ وادھو کمپیوٹنگ [Computing] کتھے چنگا نتیجہ دیندی اے۔ کم نوں چنگیاں بنیاداں، ہور فائدہ مند سدھار، مسئلہ حل کرن لئی ودھ ویلا یا تال میل والی کم دی ونڈ چاہیدی اے؟
ادارے نوں مُکے کماں، معیار، ویلے تے کُل خرچ نال جواب پرکھنا چاہیدا اے۔ ایہ صرف پیرامیٹراں [Parameters] یا ایجنٹاں [Agents] دی گنتی توں چنگا مُڈھ اے۔ اگلی کمپیوٹنگ دا سوال سکھن تے کم کرن دے پورے نظام بارے اے۔
Powered By K7