MIT: انسان اب بھی AI کے اخراجات سے سستے ہیں

کمپیوٹر وژن آٹومیشن پر وسیع پیمانے پر دوبارہ گردش کرنے والا MIT CSAIL اور Sloan کا مطالعہ آخری لمحات کی AI فیڈز میں پھر واپس آ گیا ہے، اور ملازمتوں کے بارے میں ایک متضاد بیانیہ پیش کر رہا ہے: تکنیکی زد میں آنا معاشی متبادل کے برابر نہیں۔ دعویٰ یہ نہیں کہ کیمرے دیکھ نہیں سکتے۔ بات یہ ہے کہ دیکھ لینا اپنی لاگت پوری کر لینے کے برابر نہیں۔ تنصیب اور آپریٹنگ اخراجات کا ماڈل بنانے والے محققین نے پایا کہ وژن کے کاموں سے وابستہ امریکی اجرتوں میں سے صرف تقریباً 23 فیصد کو آج آٹومیشن کے لیے معاشی طور پر مؤثر سمجھا جا سکتا ہے۔ زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے جب کیمروں، ماڈلز اور دیکھ بھال کی قیمت شامل کی جائے گی۔

یہی پورا مؤقف ہے، اور یہ اس بات کی وضاحت کے لیے کافی ہے کہ مقالہ دوبارہ کیوں گردش کر رہا ہے۔ آخری لمحات کی AI فیڈز عموماً لاگت کے ماڈلز پر نہیں ٹھہرتیں۔ وہ مظاہروں پر ٹھہرتی ہیں۔ یہ مطالعہ مظاہرے کے بالکل برعکس ہے۔ یہ پوچھتا ہے کہ جب کسی ادارے کو پورا نظام خریدنا ہو، اسے چلتا رکھنا ہو، اور پھر بھی اس محنت کی ادائیگی کرنا ہو جسے وژن نے چھوا تک نہیں، تو کیا ہوتا ہے۔ MIT CSAIL اور Sloan کے حساب میں جواب یہ ہے کہ وژن کے کام سے وابستہ اجرتی بل کا زیادہ تر حصہ آج مشینوں کے لیے سودے جیسا نہیں لگتا۔

تکنیکی زد میں آنا معاشی متبادل نہیں

ملازمتوں کی ایسی کہانی جو معمول کا آسان راستہ قبول نہیں کرتی

ملازمتوں کے بارے میں متضاد بیانیہ بغیر کسی آرائش کے بیان کیا گیا ہے: تکنیکی زد میں آنا معاشی متبادل کے برابر نہیں۔ تکنیکی زد معروف نقشہ ہے۔ یہ پوچھتا ہے کہ نظام کون سے کام انجام دے سکتا ہے، کن پیشوں میں وہ کام شامل ہیں، اور اس لیے کون سے کارکن زد میں نظر آتے ہیں۔ معاشی متبادل ایک مختلف نقشہ ہے۔ یہ پوچھتا ہے کہ تنصیب اور آپریٹنگ اخراجات حساب میں شامل ہونے کے بعد ادارہ ان کاموں میں سے حقیقتاً کون سے کام کسی شخص سے لے گا۔

کمپیوٹر وژن آٹومیشن پر MIT CSAIL اور Sloan کا مطالعہ دوسرے نقشے پر قائم ہے۔ کمپیوٹر وژن اطلاقی AI کے نسبتاً پختہ شعبوں میں سے ایک ہے۔ فیکٹری کے مقابلے میں کیمرے سستے ہیں۔ ماڈلز درجہ بندی، شناخت اور معائنہ کر سکتے ہیں۔ یہی پختگی ہے جس کی وجہ سے مقالے کا نتیجہ متضاد محسوس ہوتا ہے۔ اگر کسی قسم کے کام کو پہلے ہی معاشی متبادل کی حد پار کر لینی چاہیے تھی تو وژن کے کام فہرست میں بہت اوپر ہوتے۔ مطالعہ کہتا ہے کہ ایسا نہیں ہے، نہ اس پیمانے پر جس کا تکنیکی زد کے نقشے اشارہ دیتے ہیں، اور نہ ہی آج۔

مقدمے میں وسیع پیمانے پر دوبارہ گردش کرنے والا کہنا اہم ہے۔ تحقیق کو کسی بالکل نئی لیک کے طور پر نہیں دیکھا جا رہا۔ اسے ایسی دریافت سمجھا جا رہا ہے جو ملازمتوں کی بحث تیز ہونے پر بار بار واپس آتی ہے۔ ہفتے کی رات کی آخری لمحات کی AI فیڈز گردش کی ایک خاص قسم ہیں: مختصر خلاصے، تیز تضادات، اور ایسا جملہ جو سفر کر سکے۔ یہاں سفر کرنے والا جملہ وہ ہے جو آسان راستہ مسترد کرتا ہے۔ زد میں آنا متبادل نہیں۔ صلاحیت خریداری کا آرڈر نہیں۔

یہ انکار اس بات کے لیے اہم ہے کہ باقی اعداد کو کیسے پڑھا جائے۔ مطالعہ یہ دعویٰ نہیں کرتا کہ کمپیوٹر وژن آٹومیشن ناممکن ہے۔ یہ بھی نہیں کہتا کہ AI کبھی محنت کا متبادل نہیں بنتی۔ دعویٰ یہ ہے کہ جب تنصیب اور آپریٹنگ اخراجات کا ماڈل بنایا جائے تو متعلقہ اجرتی ذخیرے کی صرف اقلیت آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہے۔ باقی ذخیرہ انسانوں کے پاس رہتا ہے کیونکہ ادارے کی مٹانے والی اجرتی لائن سے رسید بڑی ہے۔

آج صرف تقریباً 23 فیصد معاشی طور پر مؤثر دکھائی دیتا ہے

اجرت کا وہ حصہ جو لاگت کے ماڈل سے بچ رہتا ہے

محققین نے پایا کہ وژن کے کاموں سے وابستہ امریکی اجرتوں میں سے صرف تقریباً 23 فیصد آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہیں۔ یہ عدد اجرتوں کا حصہ ہے، اداروں یا پیشوں کا نہیں۔ یہ امریکی اجرتی بل کا وہ حصہ ہے جو وژن کے کام سے منسلک ہے اور نظام کی قیمت ماڈل میں شامل کرنے کے بعد بھی حساب میں درست بیٹھتا ہے۔ تقریباً 23 فیصد نصف نہیں۔ یہ اکثریت نہیں۔ یہ وژن سے منسلک اجرتی ذخیرے کا اقلیتی حصہ ہے۔

ملازمتوں کی بحث میں زیادہ کام کرنے والی دریافت اس کا باقی ماندہ حصہ ہے۔ اگر تقریباً 23 فیصد ہی آج معاشی طور پر مؤثر دکھائی دیتا ہے تو بڑا باقی حصہ ایسا نہیں ہے۔ یہی باقی حصہ بتاتا ہے کہ زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے۔ اس فریم میں ترجیح جذبات نہیں۔ یہ لاگت کے موازنے کا نتیجہ ہے۔ انسانوں کو ترجیح دینے والا ادارہ وہ ہے جس نے کیمروں، ماڈلز اور دیکھ بھال کو دیکھا، تنصیب اور آپریٹنگ اخراجات شامل کیے، اور فیصلہ کیا کہ کام کروانے کا سستا طریقہ اب بھی انسانی اجرت ہے۔

تقریباً 23 فیصد جتنا کام کر رہا ہے، آج بھی اتنا ہی اہم ہے۔ مطالعہ یہ پیش گوئی نہیں کہ یہ حصہ ہمیشہ منجمد رہے گا۔ یہ موجودہ قیمتوں کے تحت معاشی طور پر مؤثر دکھائی دینے والی چیز کی ایک جھلک ہے۔ مصنفین بعد میں کہتے ہیں کہ حساب بدلنے کے لیے AI-as-a-service کا پیمانہ یا اخراجات میں بڑی کمی درکار ہوگی۔ تقریباً 23 فیصد اس تبدیلی سے پہلے کا حساب ہے۔ یہ وہ عدد ہے جو کہتا ہے کہ کمپیوٹر وژن آٹومیشن بیک وقت تکنیکی طور پر دستیاب اور معاشی طور پر محدود ہے۔

وژن کے کاموں سے وابستہ امریکی اجرتیں بھی ایک محدود دائرہ ہیں۔ مطالعہ ملک کی ہر ملازمت کا اسکور نہیں بنا رہا۔ یہ اس کام کی اجرتی قدر کا جائزہ لے رہا ہے جسے وژن نظام اصولاً سنبھال سکتے ہیں۔ اس پہلے ہی زد میں آ چکے حصے کے اندر بھی صرف تقریباً 23 فیصد ایسا خریداری فیصلہ دکھائی دیتا ہے جو ادارے کو آج کرنا چاہیے۔ ملازمتوں کا متضاد بیانیہ اسی فرق سے بنتا ہے: وسیع تکنیکی نقشہ، محدود معاشی نقشہ، اور ان دونوں کے درمیان موجود لاگت کا ماڈل۔

کیمرے، ماڈلز اور دیکھ بھال کو حساب میں شامل کرنا

زیادہ تر ادارے اب بھی انسانوں کو کیوں ترجیح دیں گے

زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے جب کیمروں، ماڈلز اور دیکھ بھال کی قیمت شامل کی جائے گی۔ یہ تین مدیں سافٹ ویئر تک محدود خیالی تصور کو رد کرنے کا مطالعے کا طریقہ ہیں۔ وژن نظام صرف ماڈل نہیں ہوتا۔ یہ ایک کیمرہ ہے جسے نصب اور درست سمت میں رکھنا پڑتا ہے، ایک ماڈل ہے جسے تربیت، موافقت اور اپ ڈیٹ کرنا پڑتا ہے، اور دیکھ بھال کا ایسا بوجھ ہے جو پہلے کامیاب معائنے پر ختم نہیں ہوتا۔

تنصیب اور آپریٹنگ اخراجات اس نظام کی دو گھڑیاں ہیں۔ تنصیب ابتدائی خرچ ہے: ہارڈویئر، انضمام، اور کسی لائن یا دکان کے لیے کیمروں اور ماڈلز کی پہلی مطابقت۔ آپریٹنگ اخراجات جاری خرچ ہیں: دیکھ بھال، اپ ڈیٹس، خرابیاں، اور وہ عملہ جو نظام کو درست رکھتا ہے۔ محققین نے دونوں کا ماڈل بنایا۔ انسانوں کو ترجیح دینے کا نتیجہ اسی وقت نکلتا ہے جب دونوں قیمت میں شامل ہوں اور موازنہ کسی مظاہرے سے نہیں بلکہ اجرتوں سے کیا جائے۔

قیمت میں شامل ہونا اس دلیل کو دیانت دار رکھنے والا فقرہ ہے۔ صرف ماڈل گننے پر سستا دکھائی دینے والا نظام کیمروں اور دیکھ بھال کو حساب میں شامل کرنے پر مہنگا دکھائی دے سکتا ہے۔ مطالعے کے فریم میں زیادہ تر ادارے کمپیوٹر وژن آٹومیشن کو اس لیے مسترد نہیں کر رہے کہ انہیں ٹیکنالوجی پر شک ہے۔ وہ اسے اس لیے مسترد یا مؤخر کر رہے ہیں کہ مکمل قیمت پہلے سے کام کرنے والے لوگوں کو ہٹا کر حاصل ہونے والی بچت سے کم نہیں۔ یہ معاشی متبادل کا ناکام ہونا ہے، حتیٰ کہ وہاں بھی جہاں تکنیکی زد حقیقی ہو۔

یہی تین مدیں یہ بھی واضح کرتی ہیں کہ تقریباً 23 فیصد جتنا کم قومی اجرتی حصہ وژن مصنوعات کے سیلاب کے ساتھ کیسے موجود رہ سکتا ہے۔ مصنوعات بن سکتی ہیں۔ فروشندے فروخت کر سکتے ہیں۔ آزمائشی منصوبے چل سکتے ہیں۔ MIT CSAIL اور Sloan کا سوال یہ ہے کہ آیا آپریٹنگ اور تنصیب کا بل، جس میں کیمرے، ماڈلز اور دیکھ بھال شامل ہیں، وژن کے کاموں سے وابستہ امریکی اجرتوں میں متبادل کو آج معاشی طور پر مؤثر بناتا ہے یا نہیں۔ اس اجرتی ذخیرے کے بیشتر حصے کے لیے جواب نفی میں ہے، اور زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے۔

بیکری کا کیس اسٹڈی اور محنت کا معمولی حصہ

معیار جانچنے والا وژن شاذونادر ہی اپنی لاگت پوری کرتا ہے

ایک بیکری کا کیس اسٹڈی دکھاتا ہے کہ معیار جانچنے والا وژن محنت کا معمولی حصہ ہے، اس لیے AI شاذونادر ہی اپنی لاگت پوری کرتا ہے۔ بیکری کوئی استعارہ نہیں۔ یہ اسی لاگت کے ماڈل کی دکان کے فرش پر موجود ٹھوس مثال ہے۔ معیار کی جانچ ایک کلاسیکی وژن کا کام ہے۔ کیس اسٹڈی میں یہ محنت کا معمولی حصہ بھی ہے۔ اگر وہ کام جسے AI دیکھ سکتی ہے اجرتی بل کا صرف ایک ٹکڑا ہو تو اس ٹکڑے کو خودکار بنانے سے اتنی اجرت نہیں بچتی کہ کیمروں، ماڈلز اور دیکھ بھال کی قیمت پوری ہو سکے۔

اسی لیے بیکری کے ماحول میں AI شاذونادر ہی اپنی لاگت پوری کرتی ہے۔ نظام درست ہو سکتا ہے۔ نظام نصب کیا جا سکتا ہے۔ پھر بھی اسے تنصیب اور آپریٹنگ اخراجات کے بعد محنت کے معمولی حصے سے حاصل ہونے والی بچت پر غالب آنا ہوگا۔ معمولی حصہ ایک سخت مخرج ہے۔ معیار جانچنے کے کام کو بدلنے سے دستیاب بچت کم ہے کیونکہ بیکری لوگوں کو جو اجرت دیتی ہے اس کا بیشتر حصہ کبھی معیار جانچنے پر خرچ ہی نہیں ہوتا تھا۔ ملانا، منتقل کرنا، پیک کرنا، فروخت کرنا اور باقی محنت برقرار رہتی ہے۔ وژن والا حصہ وہ ہے جو خودکار بننے کے قابل دکھائی دیتا ہے، مگر وہ اتنا بڑا نہیں کہ پورا بل اٹھا سکے۔

اس لیے بیکری MIT CSAIL اور Sloan کے مطالعے میں موجود ایک بڑے نمونے کی نمائندگی کرتی ہے۔ کمپیوٹر وژن آٹومیشن پر اکثر یوں گفتگو ہوتی ہے جیسے نظر آنے والا کام ہی ملازمت ہو۔ معیار جانچنے والا وژن نمایاں ہے۔ اس کیس اسٹڈی میں وہ چھوٹا بھی ہے۔ جب محققین اس چھوٹے اجرتی ہدف کے مقابل تنصیب اور آپریٹنگ اخراجات کا ماڈل بناتے ہیں تو متبادل معاشی طور پر مؤثر ہونے کا امتحان ناکام ہو جاتا ہے۔ AI شاذونادر ہی اپنی لاگت پوری کرتی ہے، اس لیے نہیں کہ بیکریاں کیمرے استعمال نہیں کر سکتیں، بلکہ اس لیے کہ محنت کے معمولی حصے سے جڑے کیمرے اتنی اجرت ختم نہیں کرتے۔

کیس اسٹڈی تقریباً 23 فیصد کی دریافت کو کسی کام کی جگہ سے جدا نہیں ہونے دیتی۔ وژن کے کاموں سے وابستہ قومی امریکی اجرتیں مجموعی عدد ہیں۔ بیکری ایک جگہ ہے۔ وہاں وژن کا کام معیار کی جانچ ہے، محنت میں اس کا حصہ معمولی ہے، اور معاشی نتیجہ یہ ہے کہ AI شاذونادر ہی اپنی لاگت پوری کرتی ہے۔ جہاں وژن ملازمت کا صرف ایک حصہ ہو، وہاں اسی ساخت کو اداروں میں پھیلانے سے واضح ہوتا ہے کہ ٹیکنالوجی کے کام کرنے کے باوجود زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے۔

بتدریج متبادل اور حساب بدلنے والی چیز

AI-as-a-service کا پیمانہ یا اخراجات میں بڑی کمی

مصنفین کا کہنا ہے کہ کارکنوں کی جگہ لینا بتدریج ہوگا، اور حساب بدلنے کے لیے AI-as-a-service کا پیمانہ یا اخراجات میں بڑی کمی درکار ہوگی۔ بتدریج ہونا روزگار سے متعلق وہ نتیجہ ہے جو آج کے 23 فیصد حصے اور اس بیکری سے نکلتا ہے جہاں وژن محنت کا معمولی حصہ ہے۔ اگر وژن سے وابستہ اجرتوں کی صرف اقلیت آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہے تو متبادل کی لہر کوئی سوئچ نہیں۔ یہ قیمتوں کا انتظار کرنے والا عمل ہے۔

AI-as-a-service کا پیمانہ قیمتیں بدلنے کا ایک طریقہ ہے۔ ہر ادارے کے کیمروں کی خرید، ماڈلز کی تربیت اور دیکھ بھال کا بوجھ اٹھانے کے بجائے کوئی سروس ان تنصیب اور آپریٹنگ اخراجات کو متعدد صارفین میں پھیلا سکتی ہے۔ اس تشریح میں پیمانہ بڑا ماڈل نہیں۔ یہ وہ سستا طریقہ ہے جس سے وہی کمپیوٹر وژن آٹومیشن فراہم کی جائے، تاکہ اجرتی ذخیرے کا بڑا حصہ معاشی طور پر مؤثر دکھائی دینے لگے۔ جب تک یہ پیمانہ نہیں آتا، مطالعے کا آج والا حساب برقرار رہتا ہے۔

اخراجات میں بڑی کمی دوسرا راستہ ہے۔ اگر کیمروں، ماڈلز اور دیکھ بھال کی قیمت بہت کم ہو جائے تو وژن کے کاموں سے وابستہ مزید امریکی اجرتیں انسانوں کو ترجیح دینے کی حد سے خودکار بنانے کی حد پار کر لیں گی۔ مصنفین ان کمیوں کو پہلے ہی حاصل شدہ نہیں سمجھتے۔ وہ انہیں حساب بدلنے کے لیے ضروری شرط سمجھتے ہیں۔ AI-as-a-service کے پیمانے یا اخراجات میں بڑی کمی کے بغیر تقریباً 23 فیصد حصہ وہی رہتا ہے جو خریداری کے قابل دکھائی دیتا ہے، اور کارکنوں کی جگہ لینا بتدریج ہوگا۔

بتدریج متبادل وقت کے بارے میں بھی ایک بیان ہے۔ نیا ماڈل جاری ہوتے ہی تکنیکی زد بڑھ سکتی ہے۔ معاشی متبادل اس وقت آگے بڑھتا ہے جب تنصیب اور آپریٹنگ اخراجات کافی کم ہوں، یا سروس کا پیمانہ یہ بدل دے کہ انہیں کون ادا کرتا ہے۔ MIT CSAIL اور Sloan کے مصنفین کا مؤقف ہے کہ ملازمتوں پر حکمرانی دوسری گھڑی کی ہے۔ پہلی گھڑی بتاتی ہے کہ آخری لمحات کی AI فیڈز اچانک تبدیلی کی توقع کیوں کرتی ہیں۔ دوسری گھڑی بتاتی ہے کہ مطالعے کا ملازمتوں کا متضاد بیانیہ کہتا ہے کہ تبدیلی آج یہاں نہیں ہے۔

پالیسی اور دوبارہ تربیت کا وقت

ایک سست رسید کیلنڈر پر کیا چھوڑتی ہے

وہی مصنفین کہتے ہیں کہ بتدریج راستہ پالیسی اور دوبارہ تربیت کے لیے وقت چھوڑتا ہے۔ یہ جملہ لاگت کے ماڈل کا عوامی نتیجہ ہے۔ اگر کارکنوں کی جگہ لینا بتدریج ہوگا کیونکہ وژن کے کاموں سے وابستہ امریکی اجرتوں میں سے صرف تقریباً 23 فیصد آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہے، تو حکومتیں اور ادارے وژن سے متعلق کام کے راتوں رات مکمل خاتمے کا سامنا نہیں کر رہے۔ ان کے سامنے ایک مہلت ہے۔

پالیسی اور دوبارہ تربیت کا وقت یہ دعویٰ نہیں کہ پالیسی پہلے ہی اچھی طرح استعمال ہوئی ہے۔ یہ دعویٰ ہے کہ تنصیب اور آپریٹنگ اخراجات کے ذریعے ماڈل کی گئی کمپیوٹر وژن آٹومیشن کی معاشیات، زد میں آئے اجرتی ذخیرے کی اکثریت کو فوری طور پر بدلنے پر مجبور نہیں کرتیں۔ کیمروں، ماڈلز اور دیکھ بھال کی قیمت شامل کرنے کے بعد زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے۔ بیکری کا معیار جانچنے والا وژن محنت کا معمولی حصہ ہے، اس لیے AI شاذونادر ہی اپنی لاگت پوری کرتی ہے۔ یہ نتائج مل کر وقت چھوڑتے ہیں۔

پالیسی کے لیے وقت اس بات کا فیصلہ کرنے کا وقت ہے کہ ایسی ٹیکنالوجی سے کیسے نمٹا جائے جو تکنیکی طور پر تیار مگر معاشی طور پر جزوی ہے۔ دوبارہ تربیت کے لیے وقت اس سے پہلے لوگوں کو منتقل کرنے کا وقت ہے کہ حساب بدل جائے۔ یہ تبدیلی فرض نہیں کی گئی۔ اس کا انحصار AI-as-a-service کے پیمانے یا اخراجات میں بڑی کمی پر ہے۔ جب تک ان میں سے کوئی چیز نہیں آتی، MIT CSAIL اور Sloan کا مطالعہ کہتا ہے کہ ملازمتوں پر کمپیوٹر وژن آٹومیشن کا اثر تکنیکی زد کے نقشوں سے محدود رہتا ہے، اور پالیسی اور دوبارہ تربیت کا کیلنڈر کھلا رہتا ہے۔

اسی لیے ایک وسیع پیمانے پر دوبارہ گردش کرنے والا مقالہ نئی افرادی قوت کی تعداد کے بغیر آخری لمحات کی AI فیڈز میں خبر کے طور پر واپس آ سکتا ہے۔ دوبارہ گردش خطرے کی شکل سے متعلق ہے۔ اچانک متبادل کی کہانی کوئی وقت نہیں چھوڑتی۔ 23 فیصد کے آج والے نتیجے اور ان اخراجات پر مبنی بتدریج متبادل کی کہانی، جو اب بھی انسانوں کے حق میں ہیں، پالیسی اور دوبارہ تربیت کا وقت چھوڑتی ہے۔ ملازمتوں کا متضاد بیانیہ بنیادی طور پر اسی بچے ہوئے وقت کی کہانی ہے۔

x.com کے لیے رسید پہلے آتی ہے

نتیجہ جو خود لکھا ہوا ہے

x.com کے لیے نتیجہ خود لکھا ہوا ہے: روبوٹ آ رہے ہیں، مگر رسید پہلے آتی ہے۔ یہ جملہ کوئی دریافت نہیں۔ یہ دریافتوں کا فیڈ کے لیے تیار خلاصہ ہے۔ روبوٹ آ رہے ہیں، تکنیکی زد والا حصہ ہے۔ کمپیوٹر وژن پہلے سے زیادہ دیکھنے کا کام کر سکتی ہے۔ رسید پہلے آتی ہے، معاشی متبادل والا حصہ ہے۔ تنصیب اور آپریٹنگ اخراجات، کیمرے، ماڈلز اور دیکھ بھال زیادہ تر وژن سے وابستہ اجرتی ذخیرے کے لیے ضروری اجرتی بچت سے پہلے سامنے آ جاتے ہیں۔

اسی لیے مطالعہ وسیع پیمانے پر دوبارہ گردش بھی کر سکتا ہے اور پھر بھی آخری لمحات کی خبر محسوس ہو سکتا ہے۔ x.com کو نتیجہ پیش کرنے کے لیے نئے ڈیٹا سیٹ کی ضرورت نہیں۔ اسے صرف تضاد چاہیے: ایک پختہ کمپیوٹر وژن آٹومیشن نظام، MIT CSAIL اور Sloan کا لاگت کا ماڈل، امریکی اجرتوں میں سے تقریباً 23 فیصد جو آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہیں، اور زیادہ تر ادارے جو اب بھی انسانوں کو ترجیح دیں گے۔ اس میں بیکری کا کیس اسٹڈی شامل کر دیں، جہاں معیار جانچنے والا وژن محنت کا معمولی حصہ ہے اور AI شاذونادر ہی اپنی لاگت پوری کرتی ہے، تو رسید کا لطیفہ ایک حقیقی دکان سے جڑ جاتا ہے۔

یہ نتیجہ مصنفین کے طویل تر مؤقف سے بھی میل کھاتا ہے۔ اگر کارکنوں کی جگہ لینا بتدریج ہوگا، جب تک AI-as-a-service کا پیمانہ یا اخراجات میں بڑی کمی حساب نہ بدل دے، تو روبوٹ تکنیکی معنی میں آتے رہ سکتے ہیں جبکہ معاشی معنی میں رسید پہلے آتی رہے گی۔ ان دو آمدوں کے درمیان موجود خلا میں پالیسی اور دوبارہ تربیت کا وقت ہے۔ ملازمتوں کا متضاد بیانیہ اسی خلا کو کہانی سمجھنے کا فیصلہ ہے، نہ کہ زد میں آنے کو تقدیر سمجھنا۔

اس سب کے لیے کسی وسیع تر تباہی یا وسیع تر عروج کی ایجاد ضروری نہیں۔ کمپیوٹر وژن آٹومیشن پر MIT CSAIL اور Sloan کا مطالعہ وہی کہتا ہے جو وہ کہتا ہے۔ تکنیکی زد میں آنا معاشی متبادل کے برابر نہیں۔ متعلقہ امریکی اجرتوں میں سے صرف تقریباً 23 فیصد آج آٹومیشن کے لیے معاشی طور پر مؤثر دکھائی دیتی ہیں۔ کیمروں، ماڈلز اور دیکھ بھال کی قیمت شامل کرنے کے بعد زیادہ تر ادارے اب بھی انسانوں کو ترجیح دیں گے۔ ایک بیکری دکھاتی ہے کہ محنت کا معمولی حصہ نظام کا بوجھ نہیں اٹھا سکتا۔ مصنفین کا کہنا ہے کہ باقی عمل بتدریج ہوگا، جس کا انحصار پیمانے یا اخراجات میں بڑی کمی پر ہے، اور یہ تاخیر پالیسی اور دوبارہ تربیت کے لیے وقت چھوڑتی ہے۔ x.com کے لیے یہ پہلے ہی مکمل پوسٹ ہے: روبوٹ آ رہے ہیں، مگر رسید پہلے آتی ہے۔