Anthropic کا کہنا ہے کہ Claude اب کمپنی کے اندر ناپے گئے AI research and development (R&D) کام کا 26% “lead” کرتا ہے۔ اس کا مطلب ہے کہ system کسی task کا زیادہ تر کام ایک عمومی ہدایت کے بعد مکمل کر سکتا ہے، جبکہ انسان نگرانی کرتا ہے۔ Anthropic یہ بھی کہتا ہے کہ Claude کوئی ناپا گیا R&D کام مکمل خودمختاری سے نہیں کرتا۔ یہ فرق ایک نئے Cambridge Programme on AI Science & Policy کا working paper میں اہم ہے، جو پوچھتا ہے کہ کیا AI کی اپنی R&D میں بڑھتی شمولیت بالآخر AI کی پیش رفت کو تیزی سے بڑھا سکتی ہے۔

ستمبر 2026 کی تاریخ والا یہ مقالہ جامعات، AI کمپنیوں اور سول سوسائٹی کے 22 مصنفین کی مشترکہ کاوش ہے۔ اس میں تیز feedback loop کے ممکنہ ہونے کی دلیل ہے: قابل AI systems بہتر systems بنانے میں مدد دیں، جو پھر مزید تحقیق کریں۔ مرکزی نتیجہ ایک قابلِ فہم راستے کے بارے میں تنبیہ اور اس کی پیمائش کی ضرورت ہے۔ مقالہ یہ رپورٹ نہیں کرتا کہ ایسی تیزی شروع ہو چکی ہے۔

بڑی تبدیلی

  • کیا بدلا: مختلف اداروں کے اس working paper نے AI کی قیادت والی R&D کے شواہد، ان شرائط کو بیان کیا ہے جن میں وہ AI کی پیش رفت تیز کر سکتی ہے، اور ان مخصوص پیمائشوں کی فہرست دی ہے جو حکومتوں کو frontier labs سے حاصل کرنی چاہییں۔
  • یہ کیوں اہم ہے: AI systems کو ان کمپنیوں کے اندر مزید تحقیقی کام سونپا جا رہا ہے جو انہیں بنا رہی ہیں۔ اس delegation کی عوامی پیمائشیں اب بھی جزوی ہیں، اس لیے یہ طے کرنا مشکل ہے کہ پورا research process کتنا تیز ہو رہا ہے۔
  • کس بات پر نظر رکھیں: AI کتنا کام مکمل کرتا ہے، اس کی شراکتیں بعد کے models کو بہتر بناتی ہیں یا نہیں، اور compute، experiments اور انسانی review feedback loop کو سست کرتے ہیں یا نہیں—ان سب کی آزادانہ طور پر جانچی گئی پیمائشیں۔

شواہد حقیقی ہیں، مگر پیمائشیں مختلف سوالات کے جواب دیتی ہیں

Anthropic کی ستمبر کی پیمائش کی رپورٹ کے مطابق اگست 2026 میں اس کے R&D کام کا “AI leads” درجہ 26% تک پہنچا، جبکہ فروری میں یہ 1% سے کم تھا۔ اس درجہ بندی میں بھی انسانی نگران شامل ہے۔ Anthropic کہتا ہے کہ index ابھی prototype ہے، اس کے اپنے models کام کو درجہ دینے میں مدد کرتے ہیں، اور کمپنیوں کے درمیان ایسے اعداد کا موازنہ کرنے کا کوئی مشترک طریقہ نہیں۔ Claude کے کوئی ناپے ہوئے کام مکمل خودمختاری سے نہ کرنے کا بیان بھی 26% کے عدد کے ساتھ سامنے رکھنا چاہیے۔

OpenAI کی ستمبر کی رپورٹ محققین کو زیادہ coding agents استعمال کرتے، code تیزی سے دیتے اور مزید experiments چلاتے دکھاتا ہے۔ OpenAI کہتا ہے کہ experiments کی تعداد کا agent استعمال سے تعلق ہے، جبکہ دستیاب compute بھی بڑھا ہے۔ اس کے مطابق لوگ اب بھی تحقیق کی ترجیحات چنتے اور طے کرتے ہیں کہ کن نتائج پر آگے کام کرنا ہے۔ مزید code اور experiments تحقیق میں مدد دے سکتے ہیں، مگر اس سے زیادہ قابل models تیار ہونے کی رفتار میں اتنا ہی اضافہ ثابت نہیں ہوتا۔

آزاد evaluations اس عمل کا ایک حصہ ناپنے میں مدد دیتے ہیں۔ METR کی Time Horizon 1.1 تازہ کاری کے مطابق models اس کے test suite میں پہلے کے systems سے زیادہ طویل research اور software tasks مکمل کر سکتے ہیں۔ METR طویل tasks کے لیے وسیع uncertainty بھی بتاتا ہے، جن میں سے کئی کے انسانی تکمیل کے اوقات تخمینی تھے۔ task benchmark منتخب tasks پر صلاحیت ناپتا ہے؛ یہ AI lab کی مجموعی research productivity نہیں ناپتا۔ 246 tasks پر کام کرنے والے 16 تجربہ کار open-source developers کے ایک الگ randomized مطالعے میں METR نے پایا کہ 2025 کے اوائل کے AI tools کی رسائی سے کام مکمل کرنے کا وقت 19% بڑھا۔ software کا وہ پرانا ماحول ستمبر 2026 کی frontier lab کا متبادل نہیں، مگر یہ دکھاتا ہے کہ صرف tools کے استعمال اور task benchmarks سے productivity کا سوال طے نہیں ہوتا۔

ایک ممکنہ feedback loop کے سامنے کئی رکاوٹیں ہیں

CASP کا مقالہ software سے چلنے والے feedback loop پر توجہ دیتا ہے۔ AI systems متوازی کام کر کے مؤثر research workforce بڑھائیں گے۔ کامیاب بہتریاں اگلے systems کو بہتر محقق بنائیں گی اور مزید بہتریوں کی گنجائش دیں گی۔ مصنفین کہتے ہیں کہ ابتدائی شواہد اس طریقۂ کار سے مطابقت رکھتے ہیں اور چند برسوں میں R&D کی نمایاں automation کو ممکنہ سمجھتے ہیں۔ “intelligence explosion” کا زیادہ قوی امکان—جس میں برسوں کی پیش رفت مہینوں یا اس سے کم وقت میں سمٹ جائے—اس پر منحصر ہے کہ loop اپنی رکاوٹوں سے تیز چلتا ہے یا نہیں۔ یہ مشروط منظرنامہ ہے، آئندہ واقعے کی ناپی ہوئی پیش گوئی نہیں۔

مقالہ چار اہم رکاوٹیں بیان کرتا ہے: تحقیق کی اضافی محنت سے کم ہوتے فوائد، محدود compute اور data، ایسے tasks جنہیں خودکار بنانا اب بھی مشکل ہے، اور طویل training runs جیسے عمل جنہیں حسبِ خواہش تیز نہیں کیا جا سکتا۔ اس کے مطابق ان میں سے بعض کے شواہد ملے جلے یا بالواسطہ ہیں، اور وقت طلب رکاوٹوں کی قوت کے بارے میں براہِ راست شواہد موجود نہیں۔ تقریباً 1.5 برس میں پیش رفت دس گنا تیز ہونے کی مثال، مکمل R&D automation کے بعد کی model calculation ہے؛ یہ تحقیق کی کوشش سے منافع برقرار رہنے اور کوئی نئی رکاوٹ سامنے نہ آنے پر مشروط ہے۔ یہ مشاہدہ شدہ تیزی یا غیر مشروط تاریخ نہیں۔

دوسرے کام سے غیر یقینی کی حد واضح ہوتی ہے۔ چار AI labs کا 2025 کا مطالعہ Parker Whitfill اور Cheryl Wu نے compute کی تحقیق میں کس طرح نمائندگی کی اس کے مطابق مختلف نتائج پائے۔ ایک specification میں cognitive labor اور compute ایک دوسرے کے متبادل دکھائی دیے؛ frontier experiments کی بڑھتی ضرورت کا حساب رکھنے والے model میں وہ ایک دوسرے کی تکمیل کرتے دکھائی دیے۔ مصنفین نے data اور model کی حدود سے خبردار کیا۔ Toby Ord کا اگست 2026 کا تجزیہ ہر بہتری کے چکر کو مکمل کرنے میں لگنے والے وقت کو ایک اور فیصلہ کن parameter قرار دیتا ہے۔ یہ تجزیے تیز acceleration کو رد نہیں کرتے۔ یہ دکھاتے ہیں کہ loop کی رفتار agents کی تعداد یا ان کے لکھے code سے براہِ راست معلوم نہیں کی جا سکتی۔

مصنفین کیا ناپنے کا کہتے ہیں

کیمبرج کے مصنفین تین پالیسی ترجیحات پیش کرتے ہیں: AI R&D automation کے بارے میں visibility حاصل کرنا، ممکنہ تیزی کو سمت دینے اور محدود کرنے کے طریقے بنانا، اور اس کے ممکنہ اثرات کے لیے تیاری کرنا۔ ان میں سب سے فوری اور قابلِ آزمائش کام پیمائش ہے۔ وہ AI کی تیار کردہ research contributions کا حصہ، algorithmic improvement کی رفتار، labs کے people اور compute پر خرچ کی تقسیم، AI systems سے متاثر research decisions، اور اندرونی agents کے واقعات رپورٹ کرنے کی تجاویز دیتے ہیں۔ وہ آزادانہ auditing بھی تجویز کرتے ہیں، frontier AI R&D صلاحیت والے systems کے لیے سخت تقاضوں کے ساتھ۔

بعد کی کچھ تجاویز—مثلاً مزید deployment سے پہلے شرائط، مخصوص R&D workloads روکنے کے طریقے اور بین الاقوامی verification—میں بڑی منصوبہ بندی اور سمجھوتے درکار ہوں گے۔ مقالہ خود خبردار کرتا ہے کہ ناقص اختیارات کسی ایک کمپنی کو فائدہ پہنچا سکتے اور مفید کام میں تاخیر کر سکتے ہیں۔ ممکنہ فوائد اور سنگین نقصانات کا اس کا بیان پہلے بیان کردہ مشروط acceleration پر منحصر ہے۔ پالیسی ساز انتہائی منظرنامہ واقع ہو چکا ہے فرض کیے بغیر قریب المدت reporting کی ضرورت کا جائزہ لے سکتے ہیں۔

اس رپورٹ کے بعد مفید سوال یہ ہے کہ آیا AI اچانک superintelligent ہو جائے گا، اس سے کہیں محدود ہے۔ سوال یہ ہے کہ کیا labs تقابلی شرائط میں دکھا سکتی ہیں کہ تحقیق کے کن حصوں کی قیادت AI کر رہا ہے، کون سی بہتریاں انسانی evaluation کے بعد بھی برقرار رہتی ہیں، اور یہ بہتریاں اگلی نسل کے systems میں کتنی تیزی سے شامل ہوتی ہیں۔ مختلف کمپنیوں کے متعلق عوامی شواہد ابھی اس سوال کا جواب دینے کے لیے کافی نہیں۔

ذرائع اور مزید مطالعہ