--- title: "ذہن، دماغ اور مصنوعی دنیائیں · سمیولیشنز · سمیولیشن مفروضہ" url: https://simulation-hypothesis.com/ur/simulations/minds-computation description: "نیورون، دماغ، مصنوعی زندگی، اور وہ سمیولیٹ کی گئی دنیائیں جن میں مشینیں سیکھتی ہیں۔ ان سمیولیشنز کی درجہ بندی کا حصہ جو لوگ واقعی چلاتے ہیں۔" license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl، سمیولیشن مفروضہ (simulation-hypothesis.com)" --- [سمیولیشنز](https://simulation-hypothesis.com/ur/simulations)شعبہ 11 از 18 # ذہن، دماغ اور مصنوعی دنیائیں نیورون، دماغ، مصنوعی زندگی، اور وہ سمیولیٹ کی گئی دنیائیں جن میں مشینیں سیکھتی ہیں۔ دماغوں کی سمیولیشنز، اور مصنوعی ایجنٹوں کے رہنے اور سیکھنے کے لیے بنائی گئی دنیائیں۔ ایک محدود طریقے سے، سمیولیشن مفروضہ یہاں پہلے ہی حقیقت ہے: ہم نے ایسی سمیولیٹ شدہ دنیائیں بنائی ہیں جن کے اندر سیکھنے والے ایجنٹ ہیں۔ ## دماغ ### تفصیلی نیورون ماڈل ایک اکیلا نیورون، آئن چینلوں والی شاخ دار برقی تار کے طور پر، ہوجکن اور ہکسلے کے مطابق۔ وہ سوال جس کا یہ جواب دیتا ہے: نیوران کی شکل اس کے حساب کتاب کو کیسے بدلتی ہے؟ چھوڑ دیتا ہے: ایک نیوران کی باریک کیمیا کو اب بھی چند برقی رووں میں سادہ کیا گیا ہے۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ ایک لیپ ٹاپ، ایک نیورون کے لیے حقیقی وقت میں تب سے: 1952 ہکسلے نے ہاجکن–ہکسلے مساواتوں کو میکانکی کیلکولیٹر پر ہاتھ سے حل کیا، ہر ایکشن پوٹینشل کے لیے تقریباً تین ہفتے؛ کمپیوٹروں نے بعد میں یہ کام سنبھال لیا [ماخذ](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) سمیولیشنز کے درخت میں: [ہاجکن–ہکسلے ہاتھ سے](https://simulation-hypothesis.com/ur/trees/simulations?n=min-hh) [تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ### دماغ کے بڑے پیمانے کے سرکٹ کئی ملین اسپائک کرنے والے نیوران، جنہیں پرانتستا کے ٹکڑے سے مشابہ سرکٹ میں جوڑا گیا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ہم صرف وائرنگ سے دماغی تالیں اور ردعمل دہرا سکتے ہیں؟ چھوڑ دیتا ہے: تاریں اکثر شماریاتی ہوتی ہیں، جانور کے اصل ناپے ہوئے رابطے نہیں۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ایک یونیورسٹی کلسٹر، قشری ٹکڑے کے لیے چند گھنٹے تب سے: 2006 2006 تک، قشری ستون کی ابتدائی بڑے پیمانے کی سمیولیشنز سمیولیشنز کے درخت میں: [نو قشری مائیکرو سرکٹ](https://simulation-hypothesis.com/ur/trees/simulations?n=min-markram) [تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)[نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)نچلی حد: خلیے ### پورے دماغ کے نیٹ ورک کے ماڈل دماغی حصے نوڈز کے طور پر جو ناپی گئی وائرنگ سے جڑے ہیں، اسکینز سے فٹ کیے گئے۔ وہ سوال جس کا یہ جواب دیتا ہے: ایک حصے کو نقصان پہنچنے سے پورے دماغ کی سرگرمی کیسے بدلتی ہے؟ چھوڑ دیتا ہے: علاقوں کو ایک نقطہ مانا جاتا ہے، جس سے ان کے اندر کی ساری تفصیل چھوٹ جاتی ہے۔ چلتی ہے: تقریباً 10^14 FLOPS موٹا اندازہ ایک یونیورسٹی کلسٹر، فی سمیولیٹ شدہ منظرنامہ چند منٹ تب سے: 2008 2008 تک، ڈفیوژن MRI وائرنگ پر فٹ کیے گئے ابتدائی پورے دماغ کے نیٹ ورک ماڈل ماڈل: [انسان](https://simulation-hypothesis.com/ur/entities/human) [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: آبادیاں ### سمیولیٹ شدہ چھوٹے جاندار ایک ننھے جانور کا مکمل اعصابی نظام، جیسے گول کیڑے کے 302 نیورون، ایک ورچوئل ڈش میں سمیولیٹ شدہ جسم سے جوڑا گیا۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا تاروں کا نقشہ رویہ پیدا کرنے کے لیے کافی ہے؟ چھوڑ دیتا ہے: صرف تاروں کا خاکہ اب بھی جانور کے رویّے کی پوری وضاحت نہیں کرتا۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ ایک لیپ ٹاپ، پورے اعصابی نظام کے لیے حقیقی وقت میں تب سے: 1997 1997 تک، گول کیڑے کے 1986 کے کنیکٹوم نقشے پر بنی ابتدائی سمیولیشنز سمیولیشنز کے درخت میں: [OpenWorm](https://simulation-hypothesis.com/ur/trees/simulations?n=min-openworm) [تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)نچلی حد: خلیے ### نیورومارفک ہارڈویئر کی سمیولیشن ایسے چپس جن کے سرکٹ براہِ راست ہارڈویئر میں نیورونز اور سائنیپسز کی طرح برتاؤ کرتے ہیں، بجائے اس کے کہ مساواتیں سافٹ ویئر میں قدم بہ قدم حساب ہوں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا نیورومارفک ہارڈویئر بہت کم بجلی میں وہی حساب کر سکتا ہے جو دماغ کرتا ہے؟ چھوڑ دیتا ہے: حقیقی نیورانوں میں ان کی اسپائکس کی نقل کے لیے بنائے گئے سرکٹ سے کہیں زیادہ تہہ دار کیمیا ہوتی ہے۔ چلتی ہے: تقریباً 10^13 FLOPS موٹا اندازہ ایک نیورومارفک تحقیقی چپ، حقیقی وقت میں تب سے: 1989 Carver Mead کے ابتدائی سلیکون نیورون اور ریٹینا سرکٹ [حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ### دماغی بیماری اور دورے کا پھیلاؤ غیر معمولی برقی سرگرمی یا غلط طریقے سے تہہ ہوئے پروٹین ایک سمیولیٹ شدہ دماغی نیٹ ورک میں پھیلتے ہوئے، جیسے مرگی یا ڈیمنشیا میں۔ وہ سوال جس کا یہ جواب دیتا ہے: دورہ کہاں سے شروع ہوتا ہے، اور کتنی دور تک پھیلے گا؟ چھوڑ دیتا ہے: ہر حقیقی دماغ کی بیماری کا راستہ مختلف ہے؛ ماڈل ایک نمونہ دکھاتا ہے، کسی ایک مریض کی پیش گوئی نہیں۔ چلتی ہے: تقریباً 10^13 FLOPS موٹا اندازہ ایک ہسپتال یا یونیورسٹی کا کلسٹر، فی مریض ماڈل چند منٹ تب سے: 1997 1997 تک، دماغ میں دورے کے پھیلاؤ کے ابتدائی نیٹ ورک ماڈل [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: آبادیاں ### کنیکٹوم سے پابند پورے دماغ کے ماڈل ایک نیورل سمیولیشن کیڑے کے دماغ کی پوری ناپی گئی وائرنگ کو سادہ نیورون ماڈلوں کے ساتھ استعمال کرتی ہے تاکہ پیش گوئی ہو کہ محرکات رویہ کیسے پیدا کرتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا صرف وائرنگ سے پیش گوئی ہوتی ہے کہ دماغ حواس کو عمل میں کیسے بدلتا ہے؟ چھوڑ دیتا ہے: سائنیپس کی قوت اور نیورون کی حرکیات سادہ قواعد سے فرض کی جاتی ہیں۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ تقریباً 130,000 نیورونز کا اسپائکنگ نیٹ ورک تب سے: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [ماخذ](https://doi.org/10.1038/s41586-024-07763-9) [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ### نیورل کمیت اور میدان کے ماڈل نیورونز کی ایک آبادی کو ایک یا دو اوسط سرگرمی متغیرات تک سمیٹا گیا، جو پورے علاقوں کی تال اور لہریں دیتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: تحریک اور روک آبادیوں کے درمیان کون سی اجتماعی تالیں پیدا کر سکتی ہیں؟ چھوڑ دیتا ہے: انفرادی نیوران ایک اوسط میں گم ہو جاتے ہیں۔ چلتی ہے: تقریباً 10^9 FLOPS موٹا اندازہ ایک لیپ ٹاپ، چند سیکنڈ تب سے: 1972 1972 تک، Wilson اور Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [ماخذ](https://doi.org/10.1016/s0006-3495%2872%2986068-5) [تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)[مسلسل میدان](https://simulation-hypothesis.com/ur/simulations/methods#m-continuum)نچلی حد: خلیے ### فعال اسپائکنگ دماغی ماڈل اسپائکنگ ماڈل نیورونز کا ایک نیٹ ورک جو یاد کرنے، گننے اور بنائے گئے ہندسے کی نقل کرنے جیسے ادراکی کام کرنے کے لیے بنایا گیا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا نیورونز سے بنا ماڈل وہ کام کر سکتا ہے جو دماغ سنبھالتا ہے؟ چھوڑ دیتا ہے: اس کے کاموں کا مجموعہ چھوٹا ہے اور تار بندی ڈیزائن کی گئی ہے، ناپی نہیں گئی۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ایک یونیورسٹی کلسٹر، چند گھنٹے تب سے: 2012 2012 تک، Eliasmith اور دوسرے, A large-scale model of the functioning brain (Spaun) [ماخذ](https://doi.org/10.1126/science.1225266) [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ### کششی یادداشت کے نیٹ ورک سادہ اکائیوں کا ایک نیٹ ورک جس کے روابط نمونوں کو مستحکم حالتوں کے طور پر محفوظ کرتے ہیں، تاکہ ادھورا اشارہ پوری یادداشت میں ٹھہر جائے۔ وہ سوال جس کا یہ جواب دیتا ہے: ایک نیٹ ورک ایک ٹکڑے سے پوری یاد کیسے یاد کر لیتا ہے؟ چھوڑ دیتا ہے: گنجائش چھوٹی ہے اور حقیقی نیورون کہیں زیادہ پیچیدہ ہیں۔ چلتی ہے: تقریباً 10^8 FLOPS موٹا اندازہ ایک لیپ ٹاپ، چند سیکنڈ تب سے: 1982 1982 تک، Hopfield, Neural networks and physical systems with emergent collective computational abilities [ماخذ](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork) [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ### کنیکٹوم پر مبنی کیڑوں کے دماغ کے ماڈل مکھی کا پورا دماغ اس کے ناپے گئے وائرنگ نقشے سے سمیولیٹ کیا گیا، جس میں ہر نیورون اور سائنیپس تعمیرِ نو سے لیا گیا۔ وہ سوال جس کا یہ جواب دیتا ہے: جب ہر جوڑ معلوم ہو تو صرف تاروں سے کون سے رویّے نکلتے ہیں؟ چھوڑ دیتا ہے: سائنیپس کی قوت اور نیورون کی کیمیا کا اندازہ لگایا جاتا ہے، ناپی نہیں جاتی۔ چلتی ہے: تقریباً 10^14 FLOPS موٹا اندازہ ایک ورک اسٹیشن، فی سمیولیٹ شدہ سیکنڈ چند منٹ تب سے: 2024 2024 تک، Dorkenwald اور دوسرے, the adult fly brain wiring diagram، اور Shiu اور دوسرے, a computational model built on it [ماخذ](https://doi.org/10.1038/s41586-024-07763-9) [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: خلیے ## مصنوعی زندگی اور پیچیدگی ### خلوی آٹومیٹا سادہ قاعدوں پر چلنے والے خانوں کی جالیاں، جیسے جان کونوے کی لائف، جن میں گلائیڈر، خود کو دہرانے والے نمونے اور حتیٰ کہ چلتے ہوئے کمپیوٹر بھی پیدا ہو جاتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کتنے سادہ قاعدے سے کتنی پیچیدگی اگ سکتی ہے؟ چھوڑ دیتا ہے: سادہ قاعدے شاذ ہی حقیقی طبعی یا حیاتیاتی نظاموں پر صاف طور پر منطبق ہوتے ہیں۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ ایک لیپ ٹاپ، بہت بڑے گرڈ سیکنڈوں میں تب سے: 1970 جان کونوے کا گیم آف لائف سمیولیشنز کے درخت میں: [لائف، ہاتھ سے کھیلی ہوئی](https://simulation-hypothesis.com/ur/trees/simulations?n=life-life) [متحرک ماڈل چلائیں](https://simulation-hypothesis.com/ur/simulations/run#toy-life) [خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)نچلی حد: قاعدے ### ڈیجیٹل ارتقا خود کو نقل کرنے والے کمپیوٹر پروگرام ایک سمیولیٹ شدہ مشین میں بدلتے اور پروسیسر کے وقت کے لیے مقابلہ کرتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ارتقا پیچیدہ خصوصیات ایجاد کر سکتا ہے جنہیں ہم قدم بہ قدم دیکھ سکیں؟ چھوڑ دیتا ہے: پروگرام ایک مصنوعی کمپیوٹر دنیا میں ارتقا پاتے ہیں، حقیقی حیاتیاتی کیمیا میں نہیں۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ ایک ڈیسک ٹاپ، رات بھر میں کئی ملین نسلیں تب سے: 1953 Barricelli کے Institute for Advanced Study کے کمپیوٹر پر عددی ارتقا کے تجربات [ماخذ](https://www.ias.edu/ideas/2012/george-dyson-ecp) [ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)نچلی حد: قاعدے ### ارتقا پانے والی ورچوئل مخلوقات جسم اور دماغ ایک طبیعیات سمیولیشن میں ایک ساتھ ارتقا پاتے ہیں، تیرنا، چلنا یا چھلانگ لگانا سیکھتے ہوئے۔ وہ سوال جس کا یہ جواب دیتا ہے: جب ہم رہنمائی نہ کر رہے ہوں تو ارتقا کون سے جسم اور رویّے ایجاد کرتا ہے؟ چھوڑ دیتا ہے: ارتقا پانے والی چالیں اکثر حیاتیاتی چالوں سے بہت مختلف نظر آتی ہیں، کیونکہ سمیولیٹ شدہ طبیعیات حقیقی دنیا سے باریک طور پر مختلف ہے۔ چلتی ہے: تقریباً 10^13 FLOPS موٹا اندازہ ایک ڈیسک ٹاپ یا چھوٹا کلسٹر، آبادی کو ارتقا دینے میں چند گھنٹے تب سے: 1994 کارل سمز نے طبیعیات کی سمیولیشن میں تیرنے اور چلنے والی مخلوقات کو ارتقا دیا [ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)نچلی حد: جسم ### خود منظم بحرانی حالت ریت کے ڈھیر میں ایک ایک دانہ ڈالا جاتا ہے، یہاں تک کہ ہر سائز کے تودے گرنے لگتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: زلزلے، آگیں اور معدومیتیں ایک ہی شماریات کی پیروی کیوں کرتی ہیں؟ چھوڑ دیتا ہے: حقیقی زلزلوں اور آگوں کی مخصوص طبیعیات ہوتی ہے جس کا ریت کا ڈھیر صرف خاکہ بناتا ہے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ ایک لیپ ٹاپ، بڑے ریت کے ڈھیر کے لیے چند سیکنڈ تب سے: 1987 Bak، Tang اور Wiesenfeld کا ریت کے ڈھیر کا ماڈل [متحرک ماڈل چلائیں](https://simulation-hypothesis.com/ur/simulations/run#toy-sandpile) [خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)نچلی حد: جسم ### جھنڈ کی ذہانت کے الگورتھم سادہ مجازی ایجنٹ جو نشان چھوڑتے یا پڑوسیوں کی نقل کرتے ہیں، چیونٹیوں اور پرندوں سے مستعار لیے گئے ہیں تاکہ راستے اور شیڈولنگ جیسے تجریدی مسائل حل ہوں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا سادہ نقل اور راستے کی پیروی سخت اصلاحی مسئلہ حل کر سکتی ہے؟ چھوڑ دیتا ہے: جن اچھی طرح بیان شدہ مسائل پر آزمایا گیا ان پر اچھا کام کرتا ہے۔ حقیقی، بے قاعدہ مسائل کو زیادہ ٹیوننگ چاہیے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ ایک لیپ ٹاپ، فی رن چند سیکنڈ سے چند منٹ تب سے: 1992 مارکو دوریگو کا چیونٹیوں کی کالونی کی بہتر سازی کا الگورتھم [متحرک ماڈل چلائیں](https://simulation-hypothesis.com/ur/simulations/run#toy-flock) [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)نچلی حد: قاعدے ### بے ترتیب بولین نیٹ ورک بے ترتیب طور پر جوڑے گئے سوئچ، جن میں سے ہر ایک چند دوسروں کی بنیاد پر آن یا آف ہوتا ہے، اور دیکھا جاتا ہے کہ پورا نیٹ ورک کب ٹھہر جاتا ہے یا ہمیشہ ہلچل میں رہتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: سوئچوں کے نیٹ ورک کے انتشاری ہونے سے پہلے کتنی تاریں درکار ہوتی ہیں؟ چھوڑ دیتا ہے: بے ترتیب تار بندی کسی حقیقی خلیے یا دماغ کی احتیاط سے ارتقا پائی تار بندی کا خام متبادل ہے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ ایک لیپ ٹاپ، فی نیٹ ورک چند سیکنڈ تب سے: 1969 Stuart Kauffman کے جینیاتی سوئچوں کے بے ترتیب نیٹ ورک [نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)نچلی حد: قاعدے ### مسلسل سیلولر آٹومیٹا سیلولر آٹومیٹا جن کے خلیوں کی حالتیں، مکان اور وقت مسلسل ہیں، اور جو ہموار خود کو منظم کرنے والی مخلوقات پیدا کرتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: مسلسل خلیاتی آٹومیٹن میں زندگی جیسے کون سے نمونے ابھرتے ہیں؟ چھوڑ دیتا ہے: قواعد مصنوعی ہیں اور حقیقی کیمیا کا ماڈل نہیں بناتے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ GPU گرڈ اپ ڈیٹ تب سے: 2018 Lenia: biology of artificial life (2018) [ماخذ](https://arxiv.org/abs/1812.05433) [خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)نچلی حد: قاعدے ### نیورل سیلولر آٹومیٹا ہر خلیہ ایک چھوٹا نیورل نیٹ ورک رکھتا ہے جو مقامی قاعدہ سیکھتا ہے، تاکہ گرڈ ہدفی نمونہ اگائے اور مرمت کرے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک مقامی سیکھا ہوا قاعدہ ایسا عالمی نمونہ پیدا کر سکتا ہے جو بڑھے اور خود کو ٹھیک کر لے؟ چھوڑ دیتا ہے: ہدفی نمونے چھوٹے ہیں، اور قواعد سکھائے جاتے ہیں، دریافت نہیں کیے جاتے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ چھوٹی قابلِ تفرق تربیت تب سے: 2020 Growing Neural Cellular Automata (2020) [ماخذ](https://distill.pub/2020/growing-ca/) [خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### خود کو دہرانے والے پروگراموں کا شوربہ بے ترتیب پروگراموں کا ایک ذخیرہ اتفاقاً آپس میں ٹکراتا ہے یہاں تک کہ خود کو نقل کرنے والے پروگرام ملاپ میں سے ابھر آتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا نقل کرنے والے بغیر ڈیزائن کیے ظاہر ہو سکتے ہیں؟ چھوڑ دیتا ہے: زبان کا انتخاب نتیجہ طے کرتا ہے، اور یہ کیمیا سے بہت دور ہے۔ چلتی ہے: تقریباً 10^10 FLOPS موٹا اندازہ پروگراموں کے کئی ملین چھوٹے تعاملات تب سے: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [ماخذ](https://arxiv.org/abs/2406.19108) [ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)[تصادفی عمل](https://simulation-hypothesis.com/ur/simulations/methods#m-stochastic)نچلی حد: قاعدے ### مصنوعی کیمیا تجریدی مالیکیولوں کا ایک ذخیرہ جو قواعد کے مطابق ردعمل کرتے ہیں، تاکہ حقیقی کیمیا کے بغیر خود کو قائم رکھنے والی ساختیں ابھر سکیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا سادہ ردعمل کی شرحوں سے خود قائم رہنے والی کیمیائی تنظیم پیدا ہو سکتی ہے؟ چھوڑ دیتا ہے: مالیکیول علامتیں ہیں؛ کیمیائی بندھنوں کی اصل توانائیاں اور ہندسہ موجود نہیں۔ چلتی ہے: تقریباً 10^9 FLOPS موٹا اندازہ ایک لیپ ٹاپ، چند گھنٹے تب سے: 1991 1991 تک، Fontana کا AlChemy، جو Second Artificial Life Conference میں پیش ہوا [ماخذ](https://en.wikipedia.org/wiki/Artificial%5Fchemistry) [قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)[تصادفی عمل](https://simulation-hypothesis.com/ur/simulations/methods#m-stochastic)[ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)نچلی حد: سالمے ### ارتقائی روبوٹکس سمیولیٹ شدہ روبوٹوں کے کنٹرولر یا جسم کئی نسلوں میں کام کی کارکردگی کے انتخاب سے ارتقا پاتے ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا کسی روبوٹ کا دماغ اور جسم ڈیزائن کرنے کی بجائے افزائش سے بنائے جا سکتے ہیں؟ چھوڑ دیتا ہے: سمیولیشن میں ارتقا پانے والے کنٹرولر اکثر اصل ہارڈویئر پر ناکام ہوتے ہیں۔ چلتی ہے: تقریباً 10^14 FLOPS موٹا اندازہ ایک یونیورسٹی کلسٹر، چند دن تب سے: 1993 1993 تک، Cliff, Husbands اور Harvey, Evolving visually guided robots [ماخذ](https://doi.org/10.7551/mitpress/3116.003.0051) [ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[تفرقی مساواتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-equations)نچلی حد: جسم ### مسلسل مصنوعی زندگی مسلسل حالتوں، مکان اور وقت والا سیلولر آٹومیٹن جو حرکت کرتے، خود کو منظم کرتے زندگی نما نمونے بناتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: جب قواعد منفصل کے بجائے ہموار ہوں تو زندگی جیسی کون سی شکلیں ابھرتی ہیں؟ چھوڑ دیتا ہے: نمونے جانداروں جیسے لگتے ہیں مگر کسی حقیقی حیاتیات کی پیروی نہیں کرتے۔ چلتی ہے: تقریباً 10^11 FLOPS موٹا اندازہ ایک گیمنگ PC، حقیقی وقت میں تب سے: 2018 2018 تک، Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [ماخذ](https://arxiv.org/abs/1812.05433) [خلوی آٹومیٹا](https://simulation-hypothesis.com/ur/simulations/methods#m-cellular-automata)[مسلسل میدان](https://simulation-hypothesis.com/ur/simulations/methods#m-continuum)نچلی حد: قاعدے ### مصنوعی مدافعتی ماڈل باہم عمل کرنے والے اینٹی باڈی نما ایجنٹوں کی آبادیاں جو انتخاب اور نیٹ ورک کے اثرات سے نمونے پہچاننا سیکھتی ہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: ایک شناختی نظام صرف مقامی تعاملات کی مدد سے خود کو کیسے ڈھالتا ہے؟ چھوڑ دیتا ہے: یہ کمپیوٹنگ کے لیے مدافعتیات سے خیالات لیتا ہے، کسی حقیقی مدافعتی ردعمل کا ناپا ہوا ماڈل نہیں۔ چلتی ہے: تقریباً 10^8 FLOPS موٹا اندازہ ایک لیپ ٹاپ، چند گھنٹے تب سے: 1986 1986 تک، Farmer, Packard اور Perelson, The immune system, adaptation, and machine learning [ماخذ](https://doi.org/10.1016/0167-2789%2886%2990240-x) [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[نیٹ ورک ماڈل](https://simulation-hypothesis.com/ur/simulations/methods#m-network)[ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)نچلی حد: خلیے ### Core War کے مقابلے ایک چھوٹی اسمبلی زبان میں لکھے پروگرام مشترکہ سمیولیٹ شدہ یادداشت پر قبضے کے لیے لڑتے ہیں، ایک دوسرے کو مٹاتے ہوئے۔ وہ سوال جس کا یہ جواب دیتا ہے: جب ساری یادداشت میدانِ جنگ ہو تو کون سا خود کو نقل کرنے والا پروگرام بچتا ہے؟ چھوڑ دیتا ہے: مشین ایک ایجاد کردہ ہدایتی سیٹ ہے، اس لیے سبق اصل میلویئر پر نہیں بیٹھتے۔ چلتی ہے: تقریباً 10^7 FLOPS موٹا اندازہ ایک لیپ ٹاپ، فی لڑائی چند سیکنڈ تب سے: 1984 1984 تک، Jones اور Dewdney کا Core War، Scientific American میں [ماخذ](https://en.wikipedia.org/wiki/Core%5FWar) [قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)[الگ واقعات](https://simulation-hypothesis.com/ur/simulations/methods#m-discrete-event)[ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)نچلی حد: قاعدے ## مصنوعی ذہنوں کے لیے دنیائیں ### تقویتی تعلیم کے ماحول سمیولیٹ شدہ دنیائیں جہاں ایک مصنوعی ایجنٹ عمل کرتا، انعام پاتا اور کئی ملین کوششوں میں بہتر ہوتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک ایجنٹ یہ مہارت صرف آزمائش اور غلطی سے سیکھ سکتا ہے؟ چھوڑ دیتا ہے: سادہ دنیا میں سیکھی گئی مہارتیں ہمیشہ حقیقت کی پیچیدگی پر منتقل نہیں ہوتیں۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ GPUs کا ایک کلسٹر، سمیولیٹ شدہ تجربے کے کئی دن تب سے: 1992 1992 تک، TD-Gammon نے خود سے کھیل کر بیک گیمن کی حکمتِ عملی سیکھی [حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: جسم ### متعدد ایجنٹ AI معاشرے بہت سے AI ایجنٹ ایک دنیا بانٹتے ہیں، اپنے مقاصد، یادداشتوں اور گفتگوؤں کے ساتھ۔ وہ سوال جس کا یہ جواب دیتا ہے: جب بہت سے مصنوعی ایجنٹ ساتھ رہتے ہیں تو کون سا سماجی رویّہ ابھرتا ہے؟ چھوڑ دیتا ہے: جو رویے سماجی نظر آتے ہیں وہ تربیت کی ترتیب کے مطابق ڈھلی ہوئی تنگ چالیں ہو سکتے ہیں۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ GPUs کا ایک کلسٹر، بہت سے ایجنٹ ایک ساتھ چلاتا ہوا تب سے: 2017 2017 تک، ایک ہی دنیا بانٹتے بہت سے سیکھنے والے ایجنٹوں کے ابتدائی تجربات [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: جسم ### مصنوعی تربیتی ڈیٹا حقیقت نما مناظر لامتناہی تغیرات میں رینڈر کیے جاتے ہیں تاکہ بصری نظاموں کو تربیت دی جائے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا صرف رینڈر شدہ تصاویر پر تربیت پانے والا نظام حقیقی دنیا دیکھ سکتا ہے؟ چھوڑ دیتا ہے: رینڈر کیے گئے مناظر حقیقت سے زیادہ صاف ہوتے ہیں، اس لیے تربیت یافتہ نظام حقیقی دنیا کے شور سے گمراہ ہو سکتے ہیں۔ چلتی ہے: تقریباً 10^14 FLOPS موٹا اندازہ ایک رینڈر فارم یا GPU کلسٹر، ڈیٹا سیٹ کے لیے چند گھنٹے تب سے: 2016 2016 تک، ابتدائی رینڈر شدہ ڈیٹا سیٹ تصویر کی پہچان کے نظاموں کی تربیت کرتے ہیں [حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)نچلی حد: جسم ### سیکھے ہوئے عالمی ماڈل ایک نیورل نیٹ ورک جو پیش گوئی کرتا ہے کہ دنیا میں آگے کیا ہوتا ہے، اتنے اچھے طریقے سے کہ اس کے کھیلنے کے قابل مناظر بنا دے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک نیٹ ورک صرف دنیا کو دیکھ کر اسے سمیولیٹ کرنا سیکھ سکتا ہے؟ چھوڑ دیتا ہے: طویل مدتی پیش گوئیاں ہر اس چیز سے ہٹ جاتی ہیں جو طبعی طور پر ہم آہنگ ہو۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ایک بڑا GPU کلسٹر، تربیت کے چند دن تب سے: 2018 ہا اور شمڈہوبر نے ایک نیٹ ورک کو کھیل جیسے مناظر کی پیش گوئی کرنے اور انہیں خواب میں دیکھنے کی تربیت دی [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: میدان ### خود کھیل کر حکمت عملی کی تربیت ایک مصنوعی ایجنٹ ایک تجریدی حکمتِ عملی کے کھیل میں اپنی ہی نقلوں کے خلاف بار بار میچ کھیلتا ہے، اور ہر دور کے ساتھ بہتر ہوتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: اپنے ہی ماضی کے سوا کسی استاد کے بغیر کوئی حکمت عملی کتنی مضبوط ہو سکتی ہے؟ چھوڑ دیتا ہے: اسی ایجنٹ کی نقل کے مقابل ٹھیک کی گئی حکمتِ عملیوں میں ایسے اندھے مقامات ہو سکتے ہیں جن کا کوئی مختلف حریف فائدہ اٹھائے۔ چلتی ہے: تقریباً 10^16 FLOPS موٹا اندازہ ایک بڑا GPU کلسٹر، خود کھیل کر سیکھنے کے چند دن تب سے: 1959 Arthur Samuel کا چیکرز پروگرام جو خود سے کھیل کر سیکھتا تھا [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)[کھیل کا نظریہ](https://simulation-hypothesis.com/ur/simulations/methods#m-game-theory)نچلی حد: قاعدے ### AI سیفٹی ریڈ ٹیمنگ ماحول ایک سمیولیٹ شدہ ماحول جو کسی مصنوعی ایجنٹ کو ناپسندیدہ رویے کی طرف راغب کرنے کے لیے بنایا گیا، تاکہ ناکامی تعیناتی سے پہلے پکڑی جا سکے۔ وہ سوال جس کا یہ جواب دیتا ہے: کن حالات میں یہ نظام وہ رویّہ دکھاتا ہے جو اسے نہیں دکھانا چاہیے؟ چھوڑ دیتا ہے: صرف ان ناکامیوں کی جانچ ہوتی ہے جنہیں ریڈ ٹیم نے تلاش کرنے کا سوچا۔ چلتی ہے: تقریباً 10^14 FLOPS موٹا اندازہ ایک تحقیقی ٹیم کا GPU سرور، فی ٹیسٹ سویٹ چند گھنٹے تب سے: 2016 2016 تک، ری انفورسمنٹ لرننگ ایجنٹوں کے لیے ابتدائی مخالفانہ جانچ کے ماحول [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### مجسم گھریلو سمیولیٹر تین بعدی مجازی گھر جہاں ایک ایجنٹ دیکھتا، حرکت کرتا اور اشیا کو سنبھالتا ہے؛ مجسم AI کی تربیت اور جانچ کے لیے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک ایجنٹ ورچوئل گھر میں ایسے کام سیکھ سکتا ہے جو حقیقی کاموں پر منتقل ہوں؟ چھوڑ دیتا ہے: اشیا کی طبیعیات اور منظر کی اقسام محدود ہیں۔ چلتی ہے: تقریباً 10^12 FLOPS موٹا اندازہ حقیقی وقتی رینڈرنگ، بہت سے متوازی انسٹینس تب سے: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [ماخذ](https://arxiv.org/abs/1712.05474) [حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)نچلی حد: جسم ### کھلے اختتام والے ماحول کی تخلیق تربیتی دنیائیں خودکار طور پر بنائی اور بدلی جاتی ہیں جیسے جیسے ایجنٹ سیکھتے ہیں، تاکہ چیلنج مشکل اور تنوع میں بڑھتے رہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ماحول بنانے والا نظام مسلسل مفید نئے چیلنج بناتا رہ سکتا ہے؟ چھوڑ دیتا ہے: تلاش اس سے محدود ہے جو ماحول کا خاندان بیان کر سکتا ہے۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ماحول اور ایجنٹوں کی آبادی تب سے: 2019 Paired Open-Ended Trailblazer (POET) (2019) [ماخذ](https://arxiv.org/abs/1901.01753) [ارتقائی](https://simulation-hypothesis.com/ur/simulations/methods#m-evolutionary)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### ایجنٹوں کے لیے سمیولیٹ شدہ ویب ماحول حقیقی ویب سائٹوں کی خود میزبانی والی نقلیں جہاں لینگویج ماڈل ایجنٹ کام مکمل کرتا ہے، اور آخری حالت جانچ کر اسکور دیا جاتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک ایجنٹ حقیقت پسندانہ ویب سائٹوں پر کئی مراحل کے کام مکمل کر سکتا ہے؟ چھوڑ دیتا ہے: سائٹیں ساکن نقلیں ہیں، اور کاموں کی قسمیں محدود ہیں۔ چلتی ہے: تقریباً 10^13 FLOPS موٹا اندازہ ماحول کی دوبارہ ترتیب اور بہت سی ماڈل کالیں تب سے: 2023 WebArena (2023) [ماخذ](https://arxiv.org/abs/2307.13854) [قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)[سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### سفارشی نظام کے سمیولیٹر ایک قابلِ ترتیب سمیولیٹ شدہ صارفین کی آبادی اور اشیا کی فہرست، جو سفارشی الگورتھم کی تربیت اور جانچ کے لیے استعمال ہوتی ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: صارفین کے ساتھ کئی تعاملات کے دوران ایک سفارشی الگورتھم کیسا برتاؤ کرے گا؟ چھوڑ دیتا ہے: صارف کا رویّہ فرض کیا گیا ہے، ناپا نہیں گیا۔ چلتی ہے: تقریباً 10^10 FLOPS موٹا اندازہ کم کمپیوٹنگ والے متوازی رنز تب سے: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [ماخذ](https://arxiv.org/abs/1909.04847) [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[تصادفی عمل](https://simulation-hypothesis.com/ur/simulations/methods#m-stochastic)نچلی حد: قاعدے ### نیورل گیم انجن گیم پلے کی ریکارڈنگز پر تربیت یافتہ ایک ڈفیوژن ماڈل کھلاڑی کی حرکات سے اگلا فریم بناتا ہے، اور کھیل کے اپنے انجن کی جگہ لے لیتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک نیورل نیٹ ورک کھیلنے کے قابل رفتار پر ایک انٹرایکٹو گیم چلا سکتا ہے؟ چھوڑ دیتا ہے: یادداشت مختصر ہے، اور لمبے کھیل میں تفصیلات بھٹک جاتی ہیں۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ بھاری تربیت؛ ایک ایکسیلیریٹر پر حقیقی وقت میں استنباط تب سے: 2024 Diffusion models are real-time game engines (2024) [ماخذ](https://arxiv.org/abs/2408.14837) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)نچلی حد: قاعدے ### تعاملی تخلیقی دنیائیں ایک ماڈل بغیر لیبل کی ویڈیو سے سیکھ کر قابو میں آنے والی دنیائیں بناتا ہے جن میں صارف فریم بہ فریم عمل کر سکتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا صرف تصاویر سے کھیلنے کے قابل دنیا بنائی جا سکتی ہے؟ چھوڑ دیتا ہے: تسلسل اور فریم ریٹ محدود ہیں، اور طبیعیات کی ضمانت نہیں۔ چلتی ہے: تقریباً 10^17 FLOPS موٹا اندازہ بڑے پیمانے کی ویڈیو تربیت تب سے: 2024 Genie: generative interactive environments (2024) [ماخذ](https://arxiv.org/abs/2402.15391) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### سیکھے ہوئے حقیقی دنیا کے انٹرایکٹو سمیولیٹر عمل پر مشروط ایک ویڈیو ماڈل پیش گوئی کرتا ہے کہ ہر حکم کے بعد روبوٹ یا ایجنٹ کیا دیکھے گا، اور ہاتھ سے بنے سمیولیٹر کی جگہ لیتا ہے۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا ایک سیکھا ہوا ماڈل اعمال کے حقیقی دنیا کے نتائج سمیولیٹ کر سکتا ہے؟ چھوڑ دیتا ہے: لمبے رول آؤٹ میں من گھڑت نتائج پیدا ہونے لگتے ہیں، اور طبعی درستگی کی تصدیق نہیں ہوتی۔ چلتی ہے: تقریباً 10^17 FLOPS موٹا اندازہ ویڈیو اور عمل کے بڑے ڈیٹا سیٹس پر تربیت تب سے: 2023 Learning interactive real-world simulators (2023) [ماخذ](https://arxiv.org/abs/2310.06114) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### ڈرائیونگ کی تخلیقی دنیا کے ماڈل رفتار اور اسٹیئرنگ پر مشروط ایک ویڈیو ماڈل کار کے نقطۂ نظر سے ممکنہ آئندہ مناظر بناتا ہے، خودمختاری کی تربیت اور جانچ کے لیے۔ وہ سوال جس کا یہ جواب دیتا ہے: ڈرائیونگ کے کسی دیے گئے عمل کے بعد ٹریفک کے کون سے مناظر آ سکتے ہیں؟ چھوڑ دیتا ہے: بنائے گئے مناظر طبیعیات یا نایاب صورتوں کے رویے کی خلاف ورزی کر سکتے ہیں۔ چلتی ہے: تقریباً 10^17 FLOPS موٹا اندازہ بڑے ویڈیو ماڈل کی تربیت تب سے: 2023 GAIA-1: a generative world model for autonomous driving (2023) [ماخذ](https://arxiv.org/abs/2309.17080) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)نچلی حد: قاعدے ### سمیولیٹ شدہ روبوٹ فٹ بال سافٹ ویئر کھلاڑیوں کی دو ٹیمیں، ہر ایک شور آلود حواس سے میدان کا صرف ایک حصہ دیکھتی ہے، سمیولیٹ اسٹیڈیم میں فٹ بال کھیلتی ہیں تاکہ تعاون اور حکمتِ عملی کی جانچ ہو۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا آزاد سافٹ ویئر کھلاڑی حریف ٹیم کو ہرانے کے لیے کافی اچھا تال میل کر سکتے ہیں؟ چھوڑ دیتا ہے: میدان، گیند اور روبوٹ کے جسم مثالی بنائے گئے ہیں، اس لیے کامیابی حکمتِ عملی دکھاتی ہے، حقیقی ہارڈ ویئر کے ساتھ مہارت نہیں۔ چلتی ہے: تقریباً 10^9 FLOPS موٹا اندازہ ایک میچ کے لیے ورک سٹیشن پر حقیقی وقت میں۔ تب سے: 1998 نودا اور ساتھیوں کا Soccer Server، متعدد ایجنٹ نظاموں پر تحقیق کا اوزار۔ [ماخذ](https://doi.org/10.1080/088395198117848) [ایجنٹ پر مبنی](https://simulation-hypothesis.com/ur/simulations/methods#m-agent-based)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[کھیل کا نظریہ](https://simulation-hypothesis.com/ur/simulations/methods#m-game-theory)نچلی حد: آبادیاں ### سافٹ ویئر انجینئرنگ ایجنٹس کے سینڈ باکس ایک ایجنٹ کو حقیقی کوڈ پروجیکٹ اور مسئلے کی رپورٹ دی جاتی ہے، وہ سینڈ باکس میں فائلیں تبدیل کرتا اور ٹیسٹ چلاتا ہے، اور اس پر اس بات کا اسکور لگتا ہے کہ اصلاح ٹیسٹ پاس کرتی ہے یا نہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا AI ایجنٹ بغیر مدد کے حقیقی سافٹ ویئر منصوبوں کی حقیقی خرابیاں ٹھیک کر سکتا ہے؟ چھوڑ دیتا ہے: ٹیسٹ کا پاس ہونا درست حل کے برابر نہیں، اور یہ منصوبے تمام سافٹ ویئر کا ایک چھوٹا سا حصہ ہیں۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ماڈل کے ہزاروں رنز، ہر ایک میں بہت سی کالیں اور ٹیسٹ رنز۔ تب سے: 2023 ہمینیز اور ساتھیوں کا SWE-bench، لینگویج ماڈلز کے لیے GitHub کے حقیقی مسائل پر مبنی۔ [ماخذ](https://arxiv.org/abs/2310.06770) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)نچلی حد: قاعدے ### ڈیسک ٹاپ کمپیوٹر ایجنٹ کے ماحول ایک پورا ورچوئل کمپیوٹر حقیقی پروگراموں کے ساتھ ایک ایجنٹ کو دیا جاتا ہے جو اسکرین دیکھتا، کلک کرتا اور ٹائپ کرتا ہے، اور اس پر نمبر اس بات کے لگتے ہیں کہ کام ہوا یا نہیں۔ وہ سوال جس کا یہ جواب دیتا ہے: کیا AI ایجنٹ کمپیوٹر پر کام اسی طرح کر سکتا ہے جیسے انسان کرتا ہے؟ چھوڑ دیتا ہے: کام مقررہ اور اسکرپٹ شدہ ہیں، جبکہ حقیقی کام کھلا، رکاوٹوں سے بھرا اور دوسرے لوگوں کے ساتھ بٹا ہوتا ہے۔ چلتی ہے: تقریباً 10^15 FLOPS موٹا اندازہ ہزاروں رنز، ہر ایک ایک ورچوئل مشین اور بہت سی ماڈل کالیں چلاتا ہے۔ تب سے: 2024 Xie اور ساتھیوں کا OSWorld، حقیقی کمپیوٹر ماحول میں ایجنٹس کی جانچ۔ [ماخذ](https://doi.org/10.52202/079017-1650) [سیکھے ہوئے ایمولیٹر](https://simulation-hypothesis.com/ur/simulations/methods#m-learned)[حقیقی وقت](https://simulation-hypothesis.com/ur/simulations/methods#m-real-time)[قاعدے اور حالتیں](https://simulation-hypothesis.com/ur/simulations/methods#m-rules)نچلی حد: قاعدے [◂ شہر، بنیادی ڈھانچا اور آپریشنز](https://simulation-hypothesis.com/ur/simulations/cities-operations)[ریاضی اور کمپیوٹیشن ▸](https://simulation-hypothesis.com/ur/simulations/mathematics-computation)