Inherent، جو DeepMind کے سابق محققین نے بنایا، کہتے ہیں کہ اس کا AI 'ٹیم میٹ' Anthropic اور OpenAI سے بہتر ہے تحقیق کی نقل میں

ایک برطانوی AI لیب جو DeepMind کے سابق محققین نے بنایا ہے، ایک دعویٰ کیا ہے جو ایشیا کے ہر ڈیولپر اور بانی کو رکنا چاہیے: ان کا AI ایجنٹ، Faraday، سائنسی مقالات کو زیادہ درستگی سے نقل کر سکتا ہے جتنا Anthropic یا OpenAI نے اب تک شائع کیا ہے۔ Inherent، جو DeepMind کے سابق محققین نے بنایا ہے، کہتے ہیں کہ اس کا AI نظام صرف ایک اور تحقیقی معاون نہیں ہے — یہ ایک حقیقی سائنسی ٹیم میٹ ہے۔ اگر یہ بینچ مارک تنقید کا سامنا کرتا ہے تو یہ 2026 میں لاگو AI تحقیق کی ٹولنگ میں سب سے اہم صلاحیت میں اضافہ ہے۔

کیا ہوا

Inherent، برطانوی AI لیب جس کو TechCrunch نے 22 اگست 2026 کو کور کیا، نے Faraday نام کا ایک AI ایجنٹ جاری کیا۔ بنیادی دعویٰ واضح ہے اور صاف طور سے بیان کرنے کے قابل ہے: Faraday نے Anthropic اور OpenAI کے مسابقتی AI نظاموں سے بہتری کی خاص طور پر سائنسی تحقیق کے مقالات کی نقل کرنے کے کام میں۔

نقل ایک معمولی بینچ مارک نہیں ہے۔ اس کے لیے ایک AI نظام کو شائع شدہ مقالہ پڑھنا، اس کی طریقہ کاری کو سمجھنا، اس کے تجرباتی سیٹ اپ کو دوبارہ تیار کرنا، اور اصل نتائج کے مطابق نتائج تک پہنچنا ضروری ہے — بغیر اس کے کہ آپ کو عمل میں سہارا دیا جائے۔ یہ کوئی مقالہ کا خلاصہ کرنے یا اس کے بارے میں سوالات کا جواب دینے سے بالکل مختلف ہے۔ Faraday، Inherent کے مطابق، یہ خود مختاری سے کرتا ہے، کسی ایسے آلے کی طرح کم کام کرتے ہوئے جس کو آپ استعمال کرتے ہیں اور زیادہ کسی ساتھی کی طرح جس کو آپ کام سونپتے ہیں۔

بنانے والی ٹیم کی نسب یہاں اہم ہے۔ DeepMind تاریخی طور پر دنیا کے سب سے سخت AI تحقیق کے ماحول میں سے ایک رہا ہے — AlphaFold، AlphaGo، اور ہم نظر تحقیق کی ایک طویل فہرست کے پیچھے کی لیب۔ اس ثقافت سے نکلنے والے بانی عام طور پر اس سے زیادہ سخت معیار کے ساتھ بناتے ہیں کہ "یہ کام کرتا ہے" اصل میں کیا مطلب ہے۔ یہ Inherent کے بینچ مارکس کو مضبوط ہونے کی ضمانت نہیں دیتا، لیکن اس کا مطلب یہ ہے کہ Faraday کے پیچھے کی طریقہ کاری اوسط اسٹارٹ اپ کے پریس ریلیز دعویٰ سے زیادہ قابل دفاع ہونے کا امکان ہے۔

Faraday کو "ٹیم میٹ" کے بجائے ایک "آلے" کے طور پر پوزیشن کرنا قصدی ہے اور فلسفیانہ طور پر اہم ہے۔ یہ ڈیزائن فلسفہ کی نشاندہی کرتا ہے: نظام کو اتنی خود مختاری کے ساتھ کام کرنے کے لیے مقصد کیا گیا ہے کہ ایک محقق یا ڈیولپر ایک کام سونپ سکے اور ایک معنی خیز آؤٹ پٹ کی توقع کر سکے، نہ کہ صرف مزید انسانی کام کے لیے ایک نقطہ آغاز۔ یہ فریم ورک حقیقی دنیا کی تحقیق کے طریقوں سے رابطے میں کتنا قائم رہتا ہے یہ ابھی باقی ہے — لیکن بینچ مارک کا نتیجہ اسے سنجیدگی سے لینے کے قابل اعتماد دیتا ہے۔

ایشیا کے لیے یہ کیوں اہم ہے

ایشیا کے تحقیق اور ترقی کا منظر نامہ ایک موڑ پر ہے۔ سنگاپور، جنوبی کوریا، جاپان، تائیوان، اور بڑھتے ہوئے جنوب مشرقی ایشیا میں یونیورسٹیاں عالمی سطح کی AI اور حیاتیات کی تحقیق پیدا کر رہی ہیں۔ ایک ہی وقت میں، تحقیق کی پیداوار اور تجارتی استعمال کے درمیان فاصلہ ان میں سے بہت سے بازاروں میں سخت رہتا ہے۔ ایک ایسا آلہ جو سائنسی کام کی نقل اور تصدیق کو تیز کر سکے نہ صرف اکیڈمیکس کی مدد کرتا ہے — یہ شائع شدہ مقالے سے پروڈکشن کے قابل بصیرت تک کا وقت کم کرتا ہے۔

سنگاپور اور جنوبی کوریا میں فارماسیوٹیکل اور بائیو ٹیک شعبوں پر غور کریں، جہاں تحقیق کی ٹیمیں ان کے عزائم کے مقابلے میں چھوٹی ہیں۔ ایک Faraday کلاس کا ایجنٹ جو تجرباتی نتائج کو خود مختاری سے نقل کر سکے اس کا مطلب ہے کہ پانچ محققین کی ایک ٹیم موثر طریقے سے پندرہ محققین کی ٹیم کے وزن پر کام کر سکتی ہے۔ یہی منطق علاقے میں AI تحقیق کی لیبوں پر بھی لاگو ہوتی ہے جو بنیادی ماڈلز پر تعمیر کے لیے دوڑ میں ہیں — یہ سمجھنا کہ پہلے کے کام نے اصل میں کیا ظاہر کیا، نہ کہ یہ کیا دعویٰ کرتے ہیں، ایک اہم رکاوٹ ہے۔

ایشیا ٹیک کے لیے خاص ایک زبان اور رسائی کا پہلو بھی ہے۔ اعلیٰ قدر کی سائنسی ادب کا ایک اہم حصہ انگریزی میں موجود ہے، جبکہ بہت سے محققین جنہیں اس پر عمل کرنے کی ضرورت ہے وہ مینڈرن، کوریائی، جاپانی، یا Bahasa Indonesia میں کام کر رہے ہیں۔ ایک AI ایجنٹ جو تحقیق کو نقل اور ترکیب کر سکے — صرف ترجمہ نہیں — وہ رکاوٹ کی ایک تہہ ہٹاتا ہے جس نے تاریخی طور پر علاقے میں علم کی منتقلی کو سست کیا ہے۔

وسیع تر طور پر، Faraday کا ظہور یہ ظاہر کرتا ہے کہ اعلیٰ قدر کے AI ایپلیکیشنز کی اگلی لہر عام مقصد کے چیٹ بوٹس نہیں ہوگی۔ وہ ڈومین کے لیے مخصوص ایجنٹس ہوں گے جن میں ایک تنگ، اعلیٰ داؤ والے کام میں گہری صلاحیت ہو۔ ایشیا کے بانیوں کے لیے جو یہ تشخیص کر رہے ہیں کہ کہاں بنایا جائے، یہ واضح اشارہ ہے: اگلے اس مرحلے میں افقی چوڑائی سے عمودی گہرائی بہتر ہے۔ جو ٹیمیں جیتیں گی وہ وہ ہوں گی جو ایک ڈومین — سائنسی تحقیق، قانونی تجزیہ، مالیاتی ماڈلنگ — کو منتخب کریں اور ایک ایسا ایجنٹ بنائیں جو حقیقی طور پر "ٹیم میٹ" کے لیبل کو کمائے۔

ڈیولپرز کے لیے اس کا کیا مطلب ہے

ڈیولپرز کے لیے، Faraday ایک ٹھوس تعمیری سوال اٹھاتا ہے: آپ ایک AI ایجنٹ کو کیسے بناتے ہیں جو طویل مدتی کے کام کو قابل اعتماد طریقے سے انجام دے سکے تاکہ اسے سائنسی نقل جیسی درست چیز کے ساتھ سونپا جا سکے؟

مختصر جواب، جو Inherent نے ظاہر کیا ہے اس کی بنیاد پر، یہ ہے کہ اس کے لیے ایک اچھی طریقے سے تیار شدہ سرحدی ماڈل سے زیادہ کی ضرورت ہے۔ Faraday ایک کثیر مرحلہ ایجنٹک نظام لگتا ہے — ایک جو کارروائیوں کی ترتیب کو منصوبہ بندی کر سکے، ان کو انجام دے سکے، درمیانی نتائج کا تجزیہ کر سکے، اور راستہ درست کر سکے۔ یہ ایک retrieval-augmented generation (RAG) پائپ لائن یا ایک معیاری چیٹ بوٹ انٹرفیس بنانے سے بالکل مختلف انجینئرنگ چیلنج ہے۔

اگر آپ آج ایجنٹس بنا رہے ہیں، تو اس کہانی سے کچھ عملی رہنمائی کے طور پر سامنے آتے ہیں:

• تشخیص سب سے مشکل حصہ ہے۔ Inherent کی Faraday کے Anthropic اور OpenAI سے بہتر ہونے کا دعویٰ کرنے کی صلاحیت صرف اس لیے قابل اعتماد ہے کیونکہ ان کے پاس ایک سخت، مقصد کے مطابق بینچ مارک تھا — کاغذ کی نقل قابل تصدیق نتائج کے ساتھ۔ اگر آپ ڈومین کے کام کے لیے ایک ایجنٹ بنا رہے ہیں، تو اپنی کامیابی کی پیمائش کو کوڈ کی ایک لائن لکھنے سے پہلے بیان کریں۔ "یہ کام کیا" عددی طور پر کیسا لگتا ہے؟
• کام کی تقسیم ماڈل کے انتخاب سے زیادہ اہم ہے۔ ماڈل ایک جزو ہے۔ تعمیر — آپ ایک پیچیدہ کام کو ذیلی کاموں میں کیسے توڑتے ہیں، آپ ناکامیوں کو کیسے سنبھالتے ہیں، آپ درمیانی نتائج کی تصدیق کیسے کرتے ہیں — یہ وہ ہے جہاں حقیقی انجینئرنگ رہتی ہے۔ ایک کمزور ماڈل جس میں ایک مضبوط کام کی تقسیم کی تہہ ہو اکثر ایک مضبوط ماڈل سے بہتری کرتا ہے جو صرف اختتام تک تیار ہے۔
• خود مختاری کو اعتماد کی سہولت کی ضرورت ہے۔ Faraday کو "ٹیم میٹ" کہنا یہ ظاہر کرتا ہے کہ نظام کو بغیر نگرانی کے معنی خیز مدت کے لیے کام کرنے پر اعتماد کیا جا سکتا ہے۔ اس اعتماد کو بنانے کے لیے لاگنگ، وضاحت، اور خوبصورت ناکامی کی صورتیں درکار ہیں۔ صارفین ایسے ایجنٹ کو کام نہیں دیں گے جن کی وہ تدقیق نہیں کر سکتے۔

پلیٹ فارم کی طرف سے، یہ بالکل ایسی ترقی کا نمونہ ہے جو MonstarX کو سپورٹ کرنے کے لیے بنایا گیا ہے۔ ایشیا میں ایجنٹک سسٹمز بنانے والے ڈیولپرز کو بنیادی ڈھانچے کی ضرورت ہے جو آرکیسٹریشن کی تہہ کو سنبھالے — ماڈلز کو ڈیٹا کے ذرائع سے جوڑنا، کثیر مرحلہ کے کام کے بہاؤ میں حالت کو منظم کرنا، اور صحیح کنیکٹرز کو بیرونی APIs اور تحقیق کے ڈیٹا بیسز کے لیے بے نقاب کرنا — ہر ٹیم کو اس سہولت کو دوبارہ بنانے پر مجبور کیے بغیر۔

Faraday کی کہانی خصوصی کاری کے بارے میں ایک نکتہ کو بھی مضبوط کرتی ہے۔ Inherent نے ایک عام مقصد کے تحقیق کے ایجنٹ کو بنانے کی کوشش نہیں کی۔ انہوں نے ایک کام — نقل — کو منتخب کیا اور اس کے لیے سخت محنت کی۔ ایشیا میں بنانے والے ڈیولپرز کو یہ سنجیدگی سے لینا چاہیے۔ وسیع بنانے کی وسوسہ مضبوط ہے، خاص طور پر جب آپ سرمایہ کاروں کو پچ کر رہے ہوں جو TAM چاہتے ہیں۔ لیکن ایجنٹس جو اصل میں اپنایا جائے گا وہ وہ ہیں جو ایک اعلیٰ قدر والے کام کو انسان کے ساتھ بہتری سے کرتے ہیں۔

ایک اور عملی نوٹ: تحقیق کی نقل کے استعمال کا معاملہ سافٹ ویئر کی ترقی میں براہ راست نظائر ہے۔ کوڈ کا جائزہ، ٹیسٹ کی نسل، اور — سب سے متعلقہ — بگ کی نقل