OpenAI کے Astra نے ریاضی کے دس حل طلب مسائل حل کر دیے — اور اصل کہانی ریاضی نہیں ہے

مختصراً: 1 اگست 2026 کو OpenAI نے اعلان کیا کہ اس کے اگلے ماڈل Astra کے ایک اندرونی ورژن نے ریاضی اور نظریاتی کمپیوٹر سائنس کے دس کھلے مسائل پر نئے نتائج حاصل کیے ہیں، جن میں سے ہر ایک کم از کم ایک دہائی سے حل نہیں ہو سکا تھا۔ خود نتائج سے بھی زیادہ اہم یہ ہے کہ انہیں کس طرح پیش کیا گیا: ہر نتیجہ GitHub پر مشین سے جانچے جا سکنے والے Lean 4 ثبوتی سرٹیفکیٹ کے ساتھ آیا، اس کے ساتھ 249 صفحات کا ایک مسودہ بھی تھا، اور کمپیوٹنگ کی کل لاگت تقریباً 2,000 ڈالر رہی۔ کاروبار کے مالک کے لیے سبق گروپ تھیوری یا کروی پیکنگ کے بارے میں نہیں ہے۔ یہ ایک ہی اصول ہے: جو AI آپ کو مشین سے قابلِ تصدیق آؤٹ پٹ دیتی ہے، وہ اس AI سے بنیادی طور پر مختلف ہے جو آپ کو قائل کر دینے والی تحریر دیتی ہے۔

بالکل کیا اعلان کیا گیا؟

سب سے نمایاں نتیجہ نام نہاد نان سوفک گروپ کی پہلی واضح تعمیر ہے، یہ سوال اس وقت سے کھلا تھا جب Mikhail Gromov نے 1999 میں سوفکیت کا تصور متعارف کرایا تھا۔ اس کے ساتھ وان نیومن الجبرا پر Connes کے سختی کے قیاس کی تردید، Ehrhart کے حجم کے قیاس کا ثبوت، Paul Erdős کی فہرست کے تین مسائل کا حل — جن میں کثیر رنگی Ramsey اعداد پر مسئلہ 183 بھی شامل ہے — اور بلند جہتی کروی پیکنگ کی کثافت کے لیے ایک بہتر بالائی حد بھی سامنے آئی، جو اطلاعات کے مطابق 1978 کے بعد پہلی بہتری ہے۔

اسے "AI نے ایک مسئلہ حل کر دیا" جیسے سابقہ دعووں کی لہروں سے جو چیز الگ کرتی ہے وہ پیش کرنے کا طریقہ ہے۔ ایسے دعوے کے بجائے جس پر آپ سے بھروسا کرنے کو کہا جائے، OpenAI نے ہر نتیجے کے لیے Lean 4 سرٹیفکیٹس شائع کیے، جن میں "sorry" کی تعداد صفر تھی — یہ وہ تکنیکی علامت ہے جس کا مطلب ہے کہ شائع شدہ فائلوں میں کوئی بھی مرحلہ بغیر ثبوت کے نہیں چھوڑا گیا۔ کمپیوٹر رکھنے والا کوئی بھی شخص ریپوزیٹری کلون کر کے، چیکر چلا کر، مہینوں تک دستی جائزے کا انتظار کرنے کے بجائے چند منٹوں میں حتمی فیصلہ حاصل کر سکتا ہے۔

قدر اس میں نہیں کہ ماڈل نے کسی نتیجے کا دعویٰ کیا۔ قدر اس میں ہے کہ ماڈل نے ایک ایسی مشین بھی فراہم کی جو آپ کی جانب سے اس دعوے کی جانچ کرتی ہے۔

دوسرا رخ: سنجیدہ تنقید جس کا ذکر ضروری ہے

تصویر ہر لحاظ سے روشن نہیں ہے، اور یہ کہنا ہی دیانت داری ہے۔ ماہر ریاضی دانوں نے ٹھوس اعتراضات اٹھائے۔ پہلا، دس نتائج میں سے کوئی بھی ہم مرتبہ جائزے سے نہیں گزرا، اور اعلان کسی جریدے کے بجائے کمپنی کی بلاگ پوسٹ کے ذریعے ہوا — جسے کچھ لوگ جون 2026 میں جاری ہونے والے لائیڈن اعلامیے کی روح کے منافی سمجھتے ہیں۔ دوسرا، سابقہ کام کا حوالہ نہ دینے کے الزامات ہیں: محققین نے نشاندہی کی کہ کروی پیکنگ والی دلیل میں پہلے سے شائع شدہ استدلال کو حوالہ دیے بغیر دوبارہ استعمال کیا گیا، اور یہی رجحان نان سوفک گروپس والے نتیجے میں بھی نشان زد کیا گیا۔

ایک اہم تکنیکی احتیاط بھی ہے۔ Lean مقامی منطقی غلطیوں کی ایک وسیع قسم کو ختم کر دیتا ہے، لیکن یہ تعریفوں کو — یا کسی غیر رسمی ریاضیاتی سوال کے رسمی بیان میں ترجمے کو — میکانکی حقائق میں تبدیل نہیں کرتا۔ سیدھے الفاظ میں: کوئی ثبوت مکمل طور پر درست ہو سکتا ہے جبکہ ثابت کیا گیا بیان اس سوال سے مطابقت نہ رکھتا ہو جس کے بارے میں لوگ سمجھتے ہیں کہ اس کا جواب دیا جا چکا ہے۔ خود ریپوزیٹری اس کام کو انسانوں کے ذریعے آزادانہ طور پر جانچا ہوا نہیں بلکہ "ایجنٹ کے ذریعے جانچا ہوا" قرار دیتی ہے۔

سعودی کاروبار کے لیے عملی ترجمہ

گروپ تھیوری کے ایک سوال اور آپ کی دکان، فیکٹری یا سروس کمپنی کے درمیان فاصلہ بہت زیادہ لگ سکتا ہے۔ لیکن مرکزی خیال براہِ راست منتقل ہوتا ہے، کیونکہ AI کے آؤٹ پٹ دو زمروں میں تقسیم ہوتے ہیں جن کے لیے بالکل مختلف رسک مینجمنٹ درکار ہے:

  • مشین سے قابلِ تصدیق آؤٹ پٹ: ٹیسٹ پاس کرنے والا کوڈ، متوازن ہونے والی جرنل انٹری، ای انوائسنگ پلیٹ فارم کی قبول کردہ انوائس، ایسی ڈیٹا بیس کوئری جس کے نتیجے کا آپ کسی حوالہ جاتی ماخذ سے موازنہ کر سکیں۔ یہاں آپ ماڈل کو تیزی سے آگے بڑھنے دے سکتے ہیں، کیونکہ ایک حتمی منصف موجود ہے جو خوشامد نہیں کرتا۔
  • ناقابلِ تصدیق آؤٹ پٹ: میٹنگ کا خلاصہ، کسی گاہک کو جواب، مارکیٹ کا تجزیہ، بھرتی کی سفارش۔ کوئی ایسا چیکر نہیں جو پاس یا فیل بتائے، اس لیے آپ کو انسانی جائزے، نظر آنے والے ماخذوں اور اس بارے میں واضح حدود کی ضرورت ہے کہ ماڈل کس چیز کا دعویٰ کر سکتا ہے۔

کمپنیوں کے اندر سب سے بری طرح ناکام ہونے والے AI منصوبے وہ ہیں جو دوسرے زمرے کو پہلے زمرے کی طرح برتتے ہیں۔ الٹ بھی درست ہے: بہت سے کامیاب مواقع اس لیے ضائع ہو جاتے ہیں کہ کسی نے یہ نہیں دیکھا کہ کوئی مخصوص عمل، اگر درست طریقے سے ڈیزائن کیا جائے، تو دراصل خودکار تصدیق کی گنجائش رکھتا ہے۔

اپنی کمپنی کے اندر تصدیق کی تہہ کیسے بنائیں

پہلا قدم یہ ہے کہ جس بھی عمل کو آپ خودکار بنانے پر غور کر رہے ہیں، اس کے لیے پوچھیں: کون سا ٹیسٹ کسی انسان کے پڑھے بغیر ثابت کرتا ہے کہ آؤٹ پٹ درست ہے؟ اگر اس کا جواب موجود ہے تو آپ کے پاس خودکاری کا ایک بہترین امیدوار ہے۔ اگر نہیں، تو یا تو آپ ایسا ٹیسٹ ڈیزائن کریں یا عمل میں ایک انسان کو شامل رکھیں۔

کاروباری سسٹمز میں اس کا مطلب ٹھوس چیزیں ہیں: ایسے توثیقی قواعد جو صرف یوزر انٹرفیس میں نہیں بلکہ ڈیٹا بیس کی سطح پر نافذ ہوں؛ آرڈر، انوائس اور انوینٹری کے درمیان خودکار سہ فریقی مطابقت؛ ماڈل کے آؤٹ پٹ پر بھروسا کرنے سے پہلے اس کا سچائی کے واحد ماخذ سے موازنہ؛ ہر کوڈ تبدیلی پر چلنے والے خودکار ٹیسٹ؛ اور ایسا آڈٹ ٹریل جو دکھائے کہ کس نے کیا، کب اور کس ڈیٹا سے تیار کیا۔ یہ انجینئرنگ کی عیاشی نہیں ہے — یہی وہ چیز ہے جو حساس کارروائیوں میں AI چلانے کو آپ کے آڈیٹر، آپ کے گاہک اور آپ کے ریگولیٹر کے سامنے قابلِ دفاع بناتی ہے۔

ریگولیٹری پہلو کو بھی نظر انداز نہ کریں۔ مملکت میں ذاتی ڈیٹا کی کوئی بھی پروسیسنگ ذاتی ڈیٹا کے تحفظ کے قانون (PDPL) کے دائرے میں آتی ہے، اور اس کے مقصد کی حد بندی، ڈیٹا کو کم سے کم رکھنے اور جواب دہی کے اصولوں کا عملی مطلب یہ ہے کہ آپ کو اس بات کا دستاویزی ریکارڈ درکار ہے کہ ماڈل نے کیا کیا — محض اس کے معیار پر اعتماد کافی نہیں۔

ساتھ لے جانے کے لیے تین نکات

پہلا، گہری استدلالی صلاحیت اس سے کہیں زیادہ تیزی سے آگے بڑھ رہی ہے جتنا بہت سی کمپنیوں کے روڈ میپ فرض کرتے ہیں، اور آپریٹنگ لاگت تیزی سے کم ہو رہی ہے — تحقیقی معیار کے دس نتائج کے لیے 2,000 ڈالر ایک ایسا عدد ہے جس پر رک کر سوچنا چاہیے۔ دوسرا، ماڈل کی صلاحیت کو قابلِ بھروسا آپریشنل قدر میں بدلنے والی چیز بھروسا نہیں بلکہ تصدیق ہے۔ تیسرا، ماخذوں اور حوالوں کے بارے میں شفافیت اب آؤٹ پٹ کے معیار کا ہی حصہ ہے، کوئی آرائشی اضافہ نہیں — اور اس ہفتے کی تنقید ٹھیک اسی جگہ پر مرکوز تھی۔

Origami میں ہم اسے کیسے بناتے ہیں

ہم ایک ٹیکنالوجی کمپنی ہیں، اور AI پر ہمارا کام اسی سوال سے شروع ہوتا ہے: آؤٹ پٹ کی خودکار تصدیق کہاں ممکن ہے اور کہاں نہیں؟ ہم سسٹمز اس طرح ڈیزائن کرتے ہیں کہ ماڈل واضح حدود کے اندر کام کرے، اس کے آؤٹ پٹ آپ کے اپنے سسٹمز کے اندر توثیقی قواعد اور سچائی کے ماخذوں سے گزریں، اور ہر مرحلہ ایک ریکارڈ چھوڑے۔ مقصد زیادہ ذہین ماڈل نہیں — بلکہ ایسا عمل ہے جس پر آپ بھروسا کر سکیں کیونکہ آپ اس کی جانچ کر سکتے ہیں۔

ماخذ

  • OpenAI کا سرکاری اعلان: openai.com
  • The Next Web کی رپورٹ، بشمول نان سوفک گروپس کی تفصیل: thenextweb.com
  • نتائج اور شائع شدہ ثبوتوں پر SiliconANGLE: siliconangle.com
  • سعودی ڈیٹا اور مصنوعی ذہانت اتھارٹی (SDAIA) — ذاتی ڈیٹا کے تحفظ کا قانون (PDPL): sdaia.gov.sa