مقبول سائنس کے روزانہ کے نیوزلیٹر سے سبسکرائب کریں تاکہ ہفتے میں چھ روز نشریات، نئی دریافتیں، اور DIY مشورے حاصل کریں۔ مصنوعی ذہانت (AI) کے ماڈلز کی ترقی اکثر ان کی گیمنگ مہارتوں سے ظاہر ہوتی ہے۔ IBM کے ڈیپ بلو نے 1997 میں شطرنج کے عظیم ماہر گیری کسپر و کے کو شکست دے کر دنیا کو چونکا دیا، اور لگ بھگ بیس سال بعد، گوگل کے الفاگو نے ایک انسان کے چیمپئن کو گو میں شکست دی—جو پہلے ناممکن سمجھا جاتا تھا۔ تب سے، AI نے بورڈ گیمز سے لے کر ویڈیو گیمز تک ترقی کی ہے، ری انفورسمنٹ لرننگ کا استعمال کرتے ہوئے، جو ChatGPT جیسے چیٹ بوٹس کی تربیت کے لیے بھی اہم ہے، جس سے مشینیں Atari کھیل اور پیچیدہ حکمت عملی کے کھیل جیسے Dota 2 اور Starcraft II میں مہارت حاصل کر سکتی ہیں۔ تاہم، AI ابھی بھی مختلف طرح کے زیادہ کھلے ہوئے کھیلوں کو تیزی سے سیکھنے میں مشکل کا سامنا کرتا ہے—وہ میدان جہاں انسان üstün ہیں۔ جب ایک اجنبی کھیل کا سامنا ہوتا ہے، تو انسانی کھلاڑی جلدی اس کے بنیادی اصول سمجھ جاتے ہیں، جبکہ AI ماڈلز اکثر ناکام رہتے ہیں، جیسا کہ NYU کے کمپیوٹر سائنس کے پروفیسر Julian Togelius اور ان کے ساتھیوں کے حالیہ مقالے میں بتایا گیا ہے۔ یہ فرق انسان کی ذہانت اور AI کی موجودہ صلاحیتوں کے درمیان بنیادی فرق کو ظاہر کرتا ہے، اور یہ نشان زد کرتا ہے کہ AI کو اصل انسانی سطح کی ذہانت حاصل کرنے یا اس سے بڑھ جانے میں ابھی بہت وقت درکار ہے۔ کھیلیں ہمیشہ سے AI کے لیے آزمائش کے بہترین میدان رہے ہیں کیونکہ ان کے قواعد قابلِ پیشگوئی، مقاصد واضح، اور میکانیکے ہیں، جو ری انفورسمنٹ لرننگ کے ساتھ اچھی طرح فٹ ہوتے ہیں: ماڈلز بار بار کھیل کھیل کر اور آزمائش و غلطی سے بہتری کرتے ہیں۔ اس طریقہ کار نے DeepMind کو 2015 میں Atari کھیلوں پر مہارت حاصل کرنے کا موقع دیا اور آج کے بڑے زبان کے ماڈلز پر اثر انداز ہو رہا ہے، جو انٹرنیٹ کے وسیع ڈیٹا سے تربیت پاتے ہیں۔ مگر، یہ ماڈلز صرف مخصوص کاموں میں اچھے ہوتے ہیں جن کے لیے واضح حد بندی ہوتی ہے؛ کھیل کے ڈیزائن میں معمولی تبدیلیاں AI کی کارکردگی کو متاثر کر سکتی ہیں۔ جبکہ AI کسی خاص کھیل میں انسانی سے زیادہ مہارت حاصل کر سکتا ہے، وہ مفت تخلیق اور تنہائی میں مشکل کا سامنا کرتا ہے۔ یہ محدودیت زیادہ واضح ہوتی جا رہی ہے کیونکہ جدید کھیل زیادہ سے زیادہ کھلے اور تصوراتی ہو رہے ہیں۔ شطرنج کے برعکس، "ریڈ ڈیڈ ریڈمپشن" جیسی کھلے عالمی کھیلوں کے پیچیدہ مقاصد ہوتے ہیں جو ایک اخلاقی تنازع سے جُڑے ہوتے ہیں، اور سیدھے سادھے ہدف کی بجائے، انسان ان کے نازک پہلوؤں کو فطری طور پر سمجھ لیتے ہیں؛ مشینیں نہیں۔ یہاں تک کہ "Minecraft" جیسے سادے سینڈ باکس کھیلوں میں بھی، AI بنیادی اقدامات جیسے چھلونہ بغیر ان کے سیاق و سباق کو سمجھتے ہوئے انجام دے سکتا ہے۔ مصنفین اس بات پر زور دیتے ہیں کہ اچھی طرح سے ڈیزائن کیے گئے کھیل انسانی فہم، عمومی عقل اور تجربہ سے عین ہم آہنگ ہوتے ہیں، جو انسان سالوں کے حقیقی تجربے سے حاصل کرتے ہیں۔ مثال کے طور پر، بچے تقریباً ۱۸ سے ۲۴ مہینوں میں اشیاء کی پہچان سیکھ لیتے ہیں، صرف تجربے کے ذریعے، جبکہ مشینوں کو بہت زیادہ رہنمائی درکار ہوتی ہے۔ یہ تجرباتی فائدہ انسانوں کو نئے کھیل تیزی سے سیکھنے دیتا ہے۔ تحقیقات سے ظاہر ہوتا ہے کہ تجسس انگیز ری انفورسمنٹ لرننگ AI کو ایک کھیل مکمل کرنے کے لیے تقریباً چار ملین کلید پریس یعنی تقریبا 37 مسلسل گھنٹے درکار ہوتے ہیں، جبکہ اوسط انسانی کھلاڑی چند گھنٹوں میں نئی تکنیکیں سمجھ لیتا ہے۔ ادھر، AI عمومی گیم پلے میں ترقی کر رہا ہے۔ 2023 میں، گوگل کے ڈیپ مائنڈ نے SIMA 2 متعارف کروایا، جو موجودہ AI کو اس کے جمنائی لسانی ماڈل کی ریزننگ صلاحیتوں کے ساتھ ملا کر 3D کھیلوں کو بہتر طریقے سے سمجھنے اور ان کے ساتھ بات چیت کرنے کے قابل بناتا ہے—حتیٰ کہ وہ کھیل جن میں اسے خاص طور پر تربیت نہیں دی گئی۔ تاہم، Togelius اور ان کے ساتھی انتباہ کرتے ہیں کہ AI کو اپنی مطابقت پذیری میں اب بھی خاصا وقت درکار ہے۔ وہ ایک معیار پیش کرتے ہیں جس میں ایک ماڈل Steam یا iOS App Store پر سب سے اوپر 100 کھیل کھیل سکتا ہے اور ان میں جیت سکتا ہے بغیر کسی مخصوص کھیل میں پہلے سے تربیت کے—اور یہ تقریباً اسی وقت میں کرنا چاہیے جتنا کہ ایک انسان کرتا ہے۔ یہ ایک زبردست چیلنج ہے جس کا حل موجودہ AI طریقوں سے نکلنا ابھی دور ہے اور نہ ہی وہ اس پر زبان کھولنے کے قریب ہیں۔ اس سطح کی عمومی صلاحیت کے حصول کے لیے AI کو حقیقت میں تخلیقی، پیشگی منصوبہ بندی اور تجریدی سوچ کا مظاہرہ کرنا ہوگا—یہ خصوصیات انسانی ذہانت کی خاصیت ہیں۔ بالآخر، AI کے لیے "انسان جیسی سطح کی ذہانت" تک پہنچنا، صرف گہرے نقلی (deepfake) بنانے یا سطحی ناول لکھنے سے زیادہ، اس کی مشکل یہ ہے کہ یہ انسان کی طرح سیکھنے، سمجھنے اور مختلف نوعیت کے کھیل جیتنے کی صلاحیت رکھتا ہو۔