AI کے دور میں ٹورنگ ٹیسٹ نے اپنی معنویت کیوں کھو دی

2024 میں ہونے والی پانچ منٹ کی ایک کنٹرول شدہ گفتگو میں شرکا نے GPT-4 کو 54 فیصد مرتبہ انسان سمجھا۔ بعد میں تین فریقوں والے ایک تجربے میں، انسانی شخصیت اختیار کرنے کی ہدایت ملنے پر GPT-4.5 کا نتیجہ 73 فیصد رہا۔ یہ اعداد ثابت نہیں کرتے کہ زبان کا ماڈل انسان بن گیا ہے۔ یہ دکھاتے ہیں کہ مختصر متنی گفتگو انسان اور مشین میں فرق کرنے کا کمزور طریقہ ہے۔

اسی لیے ٹورنگ ٹیسٹ نے عمومی ذہانت کے امتحان کی حیثیت کھو دی ہے۔ یہ اب بھی یہ ناپ سکتا ہے کہ کوئی نظام مخصوص طریقۂ کار کے اندر انسانی گفتگو کی نقل کر سکتا ہے یا نہیں۔ مگر یہ نہیں بتاتا کہ نظام دنیا کو سمجھتا ہے، اپنی غلطیاں جانچتا ہے، طویل منصوبہ بنا سکتا ہے یا حقیقی کام قابلِ اعتماد طریقے سے مکمل کر سکتا ہے۔

ٹورنگ نے اصل میں کیا تجویز کیا تھا

ایلن ٹورنگ نے 1950 کے مضمون “Computing Machinery and Intelligence” میں سوال اٹھایا: “کیا مشینیں سوچ سکتی ہیں؟” انہوں نے “مشین” اور “سوچ” کی مکمل تعریف پہلے طے کرنے کے بجائے imitation game پیش کیا۔ ایک انسانی سوال کنندہ متن کے ذریعے دو مخفی شرکا سے بات کرتا ہے: ایک انسان اور ایک مشین۔

سوال کنندہ کو فیصلہ کرنا ہوتا ہے کہ مشین کون ہے۔ اگر مشین یہ فیصلہ ناقابلِ اعتماد بنا دے تو وہ کامیاب ہو جاتی ہے۔ آواز، شکل اور جسم کو الگ کر دیا جاتا ہے؛ گفتگو میں نظر آنے والی زبان اور دلیل باقی رہتی ہے۔ سوچ کو براہِ راست دیکھنا ممکن نہیں، مگر گفتگو کے رویے کو ریکارڈ کیا جا سکتا ہے۔ مسئلہ تب پیدا ہوا جب اس رویے کی قربت کو ذہانت کا مکمل نظریہ سمجھ لیا گیا۔

زبان ایک قابلِ اصلاح سطح بن گئی ہے

بڑے زبان ماڈل انسانی تحریروں کے بہت بڑے ذخیرے سے سیکھتے ہیں اور سیاق کے مطابق ممکنہ جملے بناتے ہیں۔ جس ٹیسٹ کا ظاہری مقصد “انسان جیسا لگنا” ہو، اس میں انہیں فطری برتری حاصل ہوتی ہے۔

ماڈل کو بچپن کا تجربہ کیے بغیر بچپن کی یاد لکھنا آتا ہے۔ ذاتی احساسات نہ ہونے کے باوجود ہمدرد جواب دیا جا سکتا ہے۔ مستقل ذاتی یادداشت کے بغیر بھی چند منٹ تک ایک کردار برقرار رکھا جا سکتا ہے۔ زبان کے نمونے، ہدایات اور سیاق اس کے لیے کافی ہو سکتے ہیں۔

اسلوب کو مختصر جواب، عامیانہ الفاظ، کبھی کبھار املا کی غلطی، مصنوعی تردد یا مشکل سوال پر موضوع بدلنے کے ذریعے بدلا جا سکتا ہے۔ قدرتی گفتگو معاون کے لیے فائدہ مند ہے، مگر قدرتی انٹرفیس اندرونی انسانی سمجھ کا ثبوت نہیں۔

ٹیسٹ اداکاری کو انعام دیتا ہے، اعتبار کو نہیں

قابلِ اعتماد معاون کو حقائق اور اندازوں میں فرق کرنا، ذرائع دینا، ثبوت نہ ہونے کا اعتراف کرنا، ضروری سیاق مانگنا اور خطرناک عمل سے پہلے رکنا چاہیے۔ عام گفتگو میں یہ احتیاط کم انسانی لگ سکتی ہے، کیونکہ انسان بھی متضاد ہوتے ہیں اور اعتماد کے ساتھ غلطی کرتے ہیں۔

Imitation game کے محرکات مختلف ہیں۔ ذاتی تجربے کا جھوٹا دعویٰ، چھوٹی غلطی یا درست جواب سے گریز انسانی تاثر بڑھا سکتا ہے۔ مقصد بہترین جواب دینا نہیں، جج کو قائل کرنا ہے۔ اس طرح ماڈل زیادہ درست یا زیادہ قابل ہوئے بغیر اپنا اسکور بڑھا سکتا ہے۔

حالیہ تجربات کیا دکھاتے ہیں

Jones اور Bergen کے 2024 کے preregistered مطالعے میں ELIZA، GPT-3.5، GPT-4 اور انسانوں کا پانچ منٹ کی گفتگو میں موازنہ کیا گیا۔ GPT-4 کو 54 فیصد مرتبہ انسان سمجھا گیا، جبکہ انسانی شرکا کا تناسب 67 فیصد تھا۔

اصل نتیجہ یہ نہیں کہ GPT-4 “تقریباً انسان” ہے۔ اصل نتیجہ یہ ہے کہ مختصر گفتگو میں شناخت کا فیصلہ غیر مستحکم ہو جاتا ہے۔ محققین نے پایا کہ اسلوب اور سماجی جذباتی اشاروں کا اثر روایتی ذہانت کے تصورات سے زیادہ تھا۔

2025 کے “Large Language Models Pass the Turing Test” مطالعے میں انسانی persona کے ساتھ GPT-4.5 کا نتیجہ 73 فیصد، Llama 3.1 کا 56 فیصد، اور GPT-4o اور ELIZA کا 21 اور 23 فیصد تھا۔ یہ arXiv preprint ہے، اس لیے اسے حتمی فیصلہ نہیں کہنا چاہیے۔ تاہم ماڈل، ہدایت اور پروٹوکول کے ساتھ نتیجے کا بدلنا واضح ہے۔

انسان جیسا نظر آنا سمجھ کا ثبوت نہیں

کوئی نظام حقائق سے جڑے قابلِ اعتماد world model کے بغیر بھی قائل کرنے والا جواب بنا سکتا ہے۔ وہ جذبات محسوس کیے بغیر جذبات بیان کر سکتا ہے، ایک ثبوت سمجھا کر اگلے ہی جملے میں بنیادی منطقی غلطی کر سکتا ہے، یا پچھلے پیغام کا حوالہ دے سکتا ہے مگر مخاطب کے بارے میں مستقل یادداشت نہ رکھتا ہو۔

یہ ثابت نہیں کرتا کہ زبان ماڈل میں سمجھ کی کوئی شکل نہیں۔ یہ ثابت کرتا ہے کہ ٹورنگ ٹیسٹ اس سوال کا فیصلہ نہیں کر سکتا۔ ایک ہی ظاہری رویہ مختلف اندرونی عمل سے پیدا ہو سکتا ہے، اور گفتگو کا متن ان عمل کو نہیں دکھاتا۔

حقیقی کام کے لیے حالت برقرار رکھنا، ان پٹ جانچنا، اوزار درست استعمال کرنا، ناکامی پہچاننا، منصوبہ بدلنا اور آڈٹ ریکارڈ رکھنا ضروری ہے۔ پانچ منٹ کی اچھی گفتگو چھ گھنٹے کی تحقیق یا کئی مرحلوں والی سافٹ ویئر تبدیلی کی ضمانت نہیں۔

عملی سوال الٹ گیا ہے

اصل کھیل پوچھتا تھا کہ مشین انسان ہونے کا یقین دلا سکتی ہے یا نہیں۔ آج اہم سوال یہ ہے کہ کسی تعامل کا ماخذ، اختیار اور ذمہ داری کیسے جانچی جائے۔ انسان جیسا پیغام بوٹ سے آ سکتا ہے؛ مصنوعی انداز کسی تھکے ہوئے انسان، ترجمے یا تدوین کا نتیجہ بھی ہو سکتا ہے۔

Rathi اور ساتھیوں نے دکھایا کہ جب فیصلہ کرنے والے صرف transcript پڑھتے ہیں اور براہِ راست سوال نہیں کر سکتے تو انسان اور ماڈل دونوں کی درستگی کم ہو جاتی ہے۔ بہترین GPT-4 گفتگو کو حقیقی انسانوں کی نسبت زیادہ مرتبہ انسان سمجھا گیا۔

اس کا تعلق دھوکے، جعلی اکاؤنٹس، کسٹمر سپورٹ کی نقالی اور خودکار پروپیگنڈے سے ہے۔ زبان کا انداز شناختی ثبوت نہیں۔ شناخت کے لیے authentication، مواد کے لیے provenance، اور اہم کاموں کے لیے اجازت اور logs درکار ہیں۔

اس کے بجائے کیا ناپنا چاہیے

حقائق کے لیے خفیہ ٹیسٹ اور ماخذ کی جانچ، استدلال کے لیے adversarial اور counterfactual کام، کام کی صلاحیت کے لیے end-to-end نتیجہ، اور اعتبار کے لیے calibration، refusal quality، tool verification، لاگت، تاخیر اور استحکام ناپنا چاہیے۔

ٹورنگ ٹیسٹ سماجی دھوکے کے خطرے کا ایک چھوٹا امتحان رہ سکتا ہے۔ یہ بتاتا ہے کہ گفتگو کا نظام انسانی تاثر کتنی آسانی سے بنا سکتا ہے۔ انٹرفیس اور حفاظتی تحقیق میں یہ مفید ہے، مگر ذہانت، شعور یا اعتماد کا سرٹیفکیٹ نہیں۔ ٹیسٹ ختم نہیں ہوا؛ اس کا دائرہ محدود ہو گیا ہے۔