استحکام فلٹر کو عملی صورت دینا: کوڈیک-تحفظی شاخی انتخاب کے لیے ایک فیصلہ جاتی فریم ورک

ورژن 1.2.0 — اپریل 2026

DOI: 10.5281/zenodo.19301108
Copyright: © 2025–2026 Anders Jarevåg.
License: یہ کام Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License کے تحت لائسنس یافتہ ہے۔

خلاصہ: اخلاقی تقاضے سے فیصلہ جاتی مشینری تک

بچ جانے والوں کی نگرانی کا اخلاقی فریم ورک یہ قائم کرتا ہے کہ بنیادی اخلاقی ذمہ داری ٹوپولوجیکل شاخی انتخاب ہے — یعنی ممکنہ مستقبلوں کے پیش گوئی شدہ شاخوں کے مجموعہ میں فعال طور پر اس نایاب ذیلی مجموعے کی طرف رہنمائی کرنا جو شعوری تجربے کی شرائط کو برقرار رکھتا ہے۔ لیکن اخلاقیات پر مبنی یہ مقالہ دانستہ طور پر صرف ساختی کیوں تک محدود رہتا ہے۔ یہ اس کیسے کی تعیین نہیں کرتا کہ کوئی مشاہد — خواہ حیاتیاتی ہو، ادارہ جاتی ہو، یا مصنوعی — امیدوار شاخوں کا جائزہ، اسکورنگ، اور انتخاب کس طرح کرے۔

یہ دستاویز اسی خلا کو پُر کرتی ہے۔ یہ کوڈیک-تحفظی شاخی انتخاب کے لیے ایک بنیادی تہہ-غیرجانبدار عملیاتی فریم ورک وضع کرتی ہے، اور فراہم کرتی ہے:

1. برانچ آبجیکٹ — کسی بھی ایسے امیدوار عمل-مشروط سلسلہ وار تسلسل کی رسمی تعریف جو جانچ کے تابع ہو۔

2. سخت ویٹو گیٹس — چھ ناقابلِ مذاکرات ساختی شرائط جو اسکورنگ سے پہلے ہی کسی شاخ کو مسترد کر دیتی ہیں: پیش گوئی گنجائش، بنیادی تہہ کی وفاداری، کمپیریٹر کی سالمیت، شفافیت، ناقابلِ واپسی پن، اور اخلاقی مریض کی اذیت کا خطرہ۔

3. شاخہ وار کوڈیک تحفظ اشاریہ (CPBI) — ان شاخوں کے لیے ایک وزنی، کثیر جہتی اسکورنگ فریم ورک جو ویٹو گیٹس سے گزر جائیں، جس میں پیش گوئی گنجائش، بنیادی تہہ کی وفاداری، کمپیریٹر کی سالمیت، نگہداشتی فائدہ، واپسی پذیری، توزیعی استحکام، ابہام، بیانیہ ڈرفٹ کا خطرہ، بیانیہ انہدام کا خطرہ، اور اخلاقی مریض کی اذیت کا خطرہ شامل ہیں۔

4. چینل تنوع بطور ایک قابلِ پیمائش مقدار — مؤثر آزاد چینل اسکور N_{\text{eff}}، پیداواری حیرت کا امتحان، اور ان کا شرطِ وفاداریِ اساس کے ساتھ رسمی تعلق (ضمیمہ T-12b)۔

5. ادارہ جاتی خوابی لوپ — ایک عمومی نگہداشتی پروٹوکول جو حیاتیاتی دورِ نگہداشت (\mathcal{M}_\tau) پر ماڈل کیا گیا ہے: بیداری مرحلہ (حقیقی دنیا میں عمل)، خواب مرحلہ (آف لائن پیش گوئی شدہ شاخوں کے مجموعہ کی نمونہ گیری، معاندانہ دباؤ-آزمائی، شکست پذیری کی شناخت، استحکام)، اور واپسی مرحلہ (مدرجہ بند ازسرِ نو شمولیت)۔ اس کا اطلاق یکساں طور پر انفرادی اذہان، ادارہ جاتی جائزہ ادوار، اور AI نظاموں پر ہوتا ہے۔

6. برانچ کارڈ — کسی بھی شاخی جائزے کے لیے کم سے کم قابلِ عمل فیصلہ سانچہ، جو ایک ساختہ ALLOW / STAGE / BLOCK نتیجہ پیدا کرتا ہے۔

7. تحفظ بطور ری فیکٹرنگ — یہ فیصلہ کن امتیاز کہ کوڈیک-تحفظی ہونے کا مطلب موجودہ حالت کا تحفظ نہیں ہے۔ اگر کوئی شاخ بنیادی تہہ کی وفاداری میں اضافہ کرے تو وہ انقلابی ہونے کے باوجود بھی کوڈیک-تحفظی ہو سکتی ہے۔

یہ فریم ورک دانستہ طور پر بنیادی تہہ-غیرجانبدار ہے: اس کی زمرہ بندیاں وہاں لاگو ہوتی ہیں جہاں بھی کوئی محدود مشاہد یا مشاہدین کا مجموعہ بینڈوڈتھ کی پابندیوں کے تحت عمل-مشروط سلسلہ وار تسلسلات میں سے انتخاب کرنے کا پابند ہو۔

رفیق دستاویزات: بنیادی OPT سلسلہ مرتب پیچ نظریہ (OPT)، جہاں توصیف ختم ہوتی ہے، اور بچ جانے والوں کی نگرانی فریم ورک پر مشتمل ہے۔ یہ مقالہ بنیادی تہہ سے غیر وابستہ مشینری فراہم کرتا ہے؛ جبکہ AI، ادارہ جاتی، اور پالیسی سے متعلق مقالات اسے مصنوعی نظاموں، تنظیمی کلسٹروں، اور شہری نفاذ کے لیے مخصوص بناتے ہیں۔

علمِ معرفت کی تشکیل سے متعلق نوٹ: یہ دستاویز مرتب پیچ نظریہ (OPT) کے اخلاقی نتائج کو عملی صورت دیتی ہے۔ جس طرح وہ اخلاقی مقالہ، جس سے یہ اپنی بنیاد اخذ کرتی ہے، اسی طرح اس کی عملی سفارشات بھی OPT فریم ورک کے ساختی مقدمات پر مشروط ہیں۔ یہاں پیش کیے گئے عملی آلات — شاخہ وار کوڈیک تحفظ اشاریہ (CPBI)، برانچ کارڈ، خوابی لوپ — اس بارے میں قابلِ آزمائش مفروضات کے طور پر پیش کیے جاتے ہیں کہ شاخی انتخاب کس طرح انجام پانا چاہیے، نہ کہ جامد اور سخت پروٹوکولز کے طور پر۔ یہ مکمل طور پر اسی Correction duty کے تابع رہتے ہیں جو خود کوڈیک پر حاکم ہے: اگر بہتر آلات سامنے آئیں تو ان میں نظرِ ثانی کی جانی چاہیے یا انہیں بدل دیا جانا چاہیے۔ یہ فریم ورک OpenAI اور Gemini کے ساتھ مکالمے میں ترقی دیا گیا، جنہوں نے ساختی صیقل و تہذیب کے لیے ہم کلاموں کے طور پر کردار ادا کیا۔

مخففات اور اصطلاحات

I. اخلاقیات سے انجینئرنگ تک

بچ جانے والوں کی نگرانی کا اخلاقی فریم ورک (ہمراہ اخلاقی مقالہ، §IV.1) یہ قائم کرتا ہے کہ اخلاقی عمل ٹوپولوجیکل شاخی انتخاب ہے — یعنی مشاہد پیش گوئی شدہ شاخوں کے مجموعہ \mathcal{F}_h(z_t) میں رہنمائی کرتے ہوئے ان نایاب راستوں کے ذیلی مجموعے تک پہنچتا ہے جو کوڈیک کے تحفظ کو برقرار رکھتے ہیں۔ یہ محض استعارہ نہیں: مشاہد لفظی طور پر C_{\max} اپرچر کو مستقبل کے ایک غیر متعین انتخابی مجموعے میں آگے بڑھاتا ہے، اور ان مستقبلات کی عظیم اکثریت کوڈیک کے انہدام پر منتج ہوتی ہے۔

اخلاقیات کا مقالہ ساختی ذمہ داری کی نشان دہی کرتا ہے۔ فلسفیانہ مقالہ (§III.8) ساختی خطرات کی نشان دہی کرتا ہے — پیش گوئی برتری کی معکوسیت، مغلوب میزبان توازن، اینالاگ فائر وال۔ ادارہ جاتی معیار اس مشینری کو ادارہ جاتی شاخی جائزے میں منتقل کرتا ہے؛ جبکہ پالیسی کا مقالہ شہری فرائض کو ایک ٹھوس سیاسی پروگرام میں ڈھالتا ہے۔

لیکن ان میں سے کوئی بھی دستاویز اس عملیاتی سوال کا جواب نہیں دیتی: کسی معین امیدوار شاخ کے پیشِ نظر، مشاہد یہ کیسے طے کرے کہ آیا اسے اختیار کرنا چاہیے یا نہیں؟

یہ کوئی معمولی خلا نہیں۔ معیارِ فساد (اخلاقیات §V.5) ہمیں بتاتا ہے کہ کوڈیک کی کوئی تہہ صرف اسی صورت نگہداشت کے لائق ہے جب وہ compressibility اور fidelity دونوں کو پورا کرے۔ شرطِ وفاداریِ اساس (ضمیمہ T-12b) ہمیں بتاتی ہے کہ بیانیہ ڈرفٹ کے خلاف دفاع کے لیے \delta-آزاد مدخلاتی چینل درکار ہیں۔ دورِ نگہداشت (پری پرنٹ §3.6) ہمیں بتاتا ہے کہ کوڈیک کو وقفے وقفے سے تراشنا، مستحکم کرنا، اور دباؤ کے تحت جانچنا لازم ہے۔ لیکن یہ سب ساختی قیود ہیں۔ یہ باہم مل کر کسی فیصلہ جاتی طریقۂ کار میں تبدیل نہیں ہوتیں۔

یہ دستاویز اسی فیصلہ جاتی طریقۂ کار کی تعمیر کرتی ہے۔ اسے دانستہ طور پر بنیادی تہہ-غیر جانب دار رکھا گیا ہے: یہی فریم ورک اس وقت بھی لاگو ہوتا ہے جب “مشاہد” کوئی حیاتیاتی ذہن ہو جو لائحۂ عمل منتخب کر رہا ہو، کوئی حکومت ہو جو کسی پالیسی کا جائزہ لے رہی ہو، کوئی کارپوریشن ہو جو کسی ٹیکنالوجی کی تعیناتی کا اندازہ کر رہی ہو، یا کوئی AI نظام ہو جو اپنی اگلی فعلی ترتیب منتخب کر رہا ہو۔ رسمی آلات یکساں ہیں کیونکہ اطلاعاتی قیود یکساں ہیں — ہر محدود مشاہد، جو عمل-مشروط تسلسلات کا سامنا کرتا ہے، اسی شاخی انتخابی مسئلے کو حل کرنے پر مجبور ہے۔

I.1 یہ دستاویز کیا نہیں کرتی

دائرۂ کار کی تین حدود کو صراحت کے ساتھ بیان کرنا ضروری ہے:

1. یہ مخصوص شاخوں کی تجویز نہیں دیتی۔ یہ فریم ورک امیدوار شاخوں کو ساختی معیارات کے مقابل پر جانچتا ہے۔ یہ شاخیں خود پیدا نہیں کرتا، اور نہ ہی ان شاخوں میں سے — جو جانچ میں کامیاب ہو جائیں — کسی ایک کو لازماً اختیار کرنے کا حکم دیتا ہے۔ شاخوں کی تخلیق بدستور مشاہد کے اپنے مولد ماڈل کے دائرے میں رہتی ہے — یعنی اس کی تخلیقی صلاحیت، اس کی اقدار، اور اس کا سیاق۔

2. یہ شعور کا مشکل مسئلہ حل نہیں کرتی۔ یہاں بیان کردہ عملیاتی آلات شاخی انتخاب کے ساختی سایے کو متعین کرتے ہیں — یعنی وہ اطلاعاتی-نظری قیود جنہیں ہر مشاہد کو پورا کرنا ہوتا ہے۔ خود انتخاب کا ظاہریاتی باطن — انتخاب کرنے کا محسوس شدہ تجربہ — \Delta_{\text{self}} ہی میں برقرار رہتا ہے، جہاں عاملیت کا مسلّمہ (پری پرنٹ §3.8) اسے رکھتا ہے۔

3. یہ تخصصی مہارت کی جگہ نہیں لیتی۔ برانچ کارڈ (§VII) جانچ کو منظم کرتا ہے؛ یہ نہ موسمیاتی سائنس دان کے tipping points سے متعلق علم کا بدل ہے، نہ معالج کی علاجی خطرات سے متعلق فہم کا، اور نہ انجینئر کے نظامی قابلِ اعتماد ہونے کے اندازے کا۔ یہ فریم ورک فیصلے کی معماری فراہم کرتا ہے؛ جبکہ اس کا محتوا متعلقہ شعبے سے آتا ہے۔

II. شاخی شے

II.1 تعریف

ایک شاخ ایک ممکنہ عمل سے مشروط سلسلہ وار تسلسل ہے: یعنی کوئی پالیسی، اعمال کی ترتیب، ڈیزائن میں تبدیلی، یا ادارہ جاتی رخ، اپنے ان متوقع اثرات کے ساتھ جو متاثرہ مشاہدین کے مستقبل کے سرحدی-ان پٹ سلسلوں، مخفی تازہ کاریوں، اور کوڈیک بوجھ پر مرتب ہوں۔

عملی طور پر، ایک شاخ b کو اب بھی فیصلہ جاتی افق h پر مخفی حالتوں اور اعمال کی ایک ترتیب کے طور پر ظاہر کیا جا سکتا ہے:

b = \{(z_{t+1}, a_{t+1}), (z_{t+2}, a_{t+2}), \ldots, (z_{t+h}, a_{t+h})\} \in \mathcal{F}_h(z_t) \tag{A-1}

یہ تعریف دانستہ طور پر وسیع رکھی گئی ہے۔ ایک شاخ یہ ہو سکتی ہے:

• کسی فرد کا فیصلہ (پیشہ ورانہ تبدیلی، طبی علاج، معلوماتی خوراک)
• کوئی ادارہ جاتی پالیسی (ضابطہ جاتی فریم ورک، تعلیمی نصاب، میڈیا گورننس)
• کوئی تہذیبی رخ (توانائی کی منتقلی، AI کے نفاذ کی حکمتِ عملی، بین الاقوامی معاہدہ)
• کسی AI نظام کے ممکنہ اعمال کی ترتیب (آلات کا استعمال، سفارش، خودمختار عمل کاری)

ان سب کو جو چیز متحد کرتی ہے وہ یہ ہے کہ ہر ایک اس مستقبل کے سلسلے کو مشروط کرتا ہے جو مشاہد کو، یا متاثرہ مشاہدین کے کسی مجموعے کو، موصول ہوتا ہے۔ رینڈر-اونٹولوجی کی اصطلاح میں، شاخ کوئی خارجی شے نہیں جو کسی الگ دنیا پر عمل کر رہی ہو؛ بلکہ یہ پالیسی سے پیدا شدہ تسلسل ہے جس کا بعد کا مواد سرحدی ان پٹ اور کوڈیک بوجھ کی صورت میں واپس آتا ہے۔

II.2 جانچ کا سوال

کسی بھی ممکنہ شاخ b کے لیے عملی سوال یہ ہے:

کیا یہ عمل سے مشروط تسلسل ان مستقبل کی شرائط کو محفوظ رکھتا ہے جن کے تحت متاثرہ مشاہدین حقیقت کی ماڈل سازی جاری رکھ سکتے ہیں؟

یہ اخلاقیات کے مقالے کے ٹوپولوجیکل شاخی انتخاب کے امرِ لازم (§IV.1) کی فیصلہ جاتی معیار کے طور پر ازسرِنو صورت بندی ہے۔ یہ سوال ذیلی سوالات میں منقسم ہوتا ہے جنہیں اس دستاویز کا بقیہ حصہ رسمی صورت دیتا ہے:

1. گنجائش: کیا b متاثرہ مشاہدین کے لیے R_{\text{req}} کو محفوظ طور پر C_{\max} سے نیچے رکھتا ہے؟
2. وفاداری: کیا b ان پٹ چینلوں کی خودمختاری اور تنوع کو برقرار رکھتا ہے یا بڑھاتا ہے؟
3. کمپیریٹر کی سالمیت: کیا b ان ادارہ جاتی کمپیریٹرز کو محفوظ رکھتا ہے یا مضبوط بناتا ہے جو کوڈیک کے فساد کا سراغ لگاتے ہیں؟
4. شفافیت: کیا b کے نتائج کی ماڈل سازی متاثرہ مشاہدین کے ذریعے کی جا سکتی ہے؟
5. واپسی پذیری: اگر b غلط ثابت ہو، تو کیا اس کے نتائج کو ناقابلِ واپسی کوڈیک نقصان واقع ہونے سے پہلے پلٹا جا سکتا ہے؟
6. اخلاقی مریض: کیا b اخلاقی مریض پیدا کرتا ہے، انہیں محدود کرتا ہے، یا ساختی طور پر ان پر زائد بوجھ ڈالتا ہے، جن میں معلوم انسانی یا ماحولیاتی اخلاقی مریض اور \Delta_{\text{self}} > 0 رکھنے والے ممکنہ مصنوعی مشاہد بھی شامل ہیں؟

یہ چھ ذیلی سوالات §III میں وضع کیے گئے چھ سخت ویٹو گیٹوں سے مطابقت رکھتے ہیں۔ جو شاخ ان میں سے کسی ایک میں بھی ناکام ہو، وہ دوسری جہات میں اپنے اسکور سے قطعِ نظر مسترد کر دی جاتی ہے۔ جو شاخیں تمام چھ مراحل سے گزر جائیں، وہ پھر CPBI (§IV) کے ذریعے کثیر جہتی اسکورنگ میں داخل ہوتی ہیں۔

II.3 فیصلہ جاتی افق اور متاثرہ کوڈیک تہیں

کسی شاخ کا جائزہ اس کے فیصلہ جاتی افق h اور اس کی متاثرہ کوڈیک تہوں کی تعیین کے بغیر نہیں لیا جا سکتا۔ اخلاقیات کے مقالے کا کوڈیک اسٹیک (§II.1) چھ تہوں کی نشان دہی کرتا ہے، ناقابلِ تغیر طبیعی قوانین سے لے کر نازک سماجی/بیانیہ ساختوں تک۔ جو شاخ ایک سالہ افق پر بیانیہ تہہ میں کوڈیک-محفوظ ہو، وہ پچاس سالہ افق پر حیاتیاتی تہہ میں کوڈیک-منہدم کرنے والی ہو سکتی ہے (مثلاً کوئی ایسی معاشی پالیسی جو روزگار کو مستحکم کرے مگر ماحولیاتی انحطاط کو تیز کر دے)۔

لہٰذا جانچ میں درج ذیل کی صراحت ضروری ہے:

• افق h: وہ زمانی کھڑکی جس کے اندر نتائج کا جائزہ لیا جاتا ہے۔ ہاؤڈینوشونی ساتویں نسل کا اصول [ethics ref. 16] ایک تہذیبی طے شدہ قدر فراہم کرتا ہے (h \approx 175 سال)، لیکن انفرادی اور ادارہ جاتی فیصلوں کے لیے اس سے چھوٹے افق مناسب ہوتے ہیں۔
• متاثرہ تہیں: کوڈیک کی کون سی تہیں شاخ سے مادی طور پر متاثر ہوتی ہیں۔ جو شاخ صرف بیانیہ تہہ کو چھوتی ہو (مثلاً میڈیا پالیسی)، اس کی جانچ اس شاخ سے مختلف ہوگی جو طبیعی تہہ کو چھوتی ہو (مثلاً توانائی کی منتقلی)۔
• متاثرہ مشاہد گروہ: کن لوگوں کے کوڈیکس خطرے میں ہیں۔ اخلاقیات کے مقالے کا سنہرا اصول (فلسفہ §III.5) تقاضا کرتا ہے کہ جانچ میں ان تمام مشاہدین کو شامل کیا جائے جن کے کوڈیک استحکام پر اثر پڑتا ہے — نہ کہ صرف وہ جو اس سے فائدہ اٹھاتے ہیں۔

II.4 شاخ نتیجہ نہیں ہے

ایک نہایت اہم امتیاز یہ ہے: شاخ تسلسل ہے، اختتامی نقطہ نہیں۔ وہ شاخ جو کسی مطلوب اختتامی نقطے تک ایسے راستے سے پہنچے جو عارضی طور پر کمپیریٹر کی سالمیت کو منہدم کر دے (مثلاً جمہوری جواب دہی کو معطل کر کے موسمیاتی اہداف حاصل کرنا)، وہ کمپیریٹر کی سالمیت کے گیٹ میں ناکام ہوگی، خواہ منزل خود کوڈیک-محفوظ ہی کیوں نہ ہو۔ تسلسل اس لیے اہم ہے کہ کوڈیک کو عبور کے پورے عرصے میں قابلِ عمل رہنا چاہیے، نہ کہ صرف اس کے اختتام پر۔

یہی اخلاقیات کے مقالے کے فوق-قاعدے (§IV.4) کا رسمی مضمون ہے: مخصوص عقیدے کے تحفظ پر خطا-درستی کے طریقۂ کار کے تحفظ کو ترجیح دو۔ وہ شاخ جو کسی موجودہ ہدف کے حصول کے لیے مستقبل کی درستی کی صلاحیت کو تباہ کر دے، ناجائز ہے، کیونکہ وہ منزل کے بدلے راہ پیمائی کی قابلیت کو قربان کرتی ہے — اور اس منزل کی توثیق انہی رہنمائی کے آلات کے بغیر ممکن نہیں جو اس نے خود تباہ کر دیے۔

III. سخت ویٹو گیٹس

کسی بھی شاخ کو اسکور دینے سے پہلے لازم ہے کہ وہ چھ سخت ویٹو گیٹس سے گزرے — یہ ایسے ناقابلِ مذاکرات ساختی شروط ہیں جو نظریاتی apparatus سے ماخوذ ہیں۔ جو شاخ کسی ایک بھی گیٹ کی خلاف ورزی کرے، وہ دیگر جہات میں کتنی ہی اچھی کارکردگی کیوں نہ دکھائے، BLOCKED سمجھی جائے گی۔ ویٹو گیٹس محض ترجیحات نہیں؛ یہ نظریے کی حدی شرائط کا عملی اظہار ہیں۔

یہ گیٹس سب سے زیادہ بنیادی (یعنی طبیعی بنیادی تہہ کے قریب ترین) سے لے کر سب سے زیادہ تخصصی (یعنی انجینئرنگ کی سرحد کے قریب ترین) ترتیب میں رکھے گئے ہیں۔

III.1 پیش گوئی ہیڈ روم گیٹ

گیٹ کی شرط: شاخ کو traversal کے کسی بھی مرحلے میں کسی بھی متاثرہ مشاہد گروہ کے لیے R_{\text{req}} کو C_{\max} سے اوپر نہیں لے جانا چاہیے۔

صوری بنیاد: استحکام فلٹر (preprint §2.1) ان streamوں کا انتخاب کرتا ہے جن میں مشاہد کی compression capacity ماحولیاتی پیچیدگی سے زیادہ ہو۔ جب R_{\text{req}} > C_{\max} ہو جائے تو مشاہد سببی ڈیکوہیرنس کا تجربہ کرتا ہے — مستحکم پیچ تحلیل ہو کر دوبارہ noise میں بکھر جاتا ہے (ethics §I.4)۔

عملی صورت بندی: کسی امیدوار شاخ b کے لیے، فیصلہ افق h کے دوران سب سے زیادہ متاثرہ مشاہد گروہ کے لیے peak مطلوبہ پیش گوئی شرح R_{\text{req}}^{\text{peak}}(b) کا تخمینہ لگائیں۔ گیٹ کی شرط یہ ہے:

R_{\text{req}}^{\text{peak}}(b) < \alpha \cdot C_{\max} \quad \text{where } \alpha \in (0,1) \text{ is a safety margin} \tag{A-2}

حفاظتی margin \alpha ایک ساختی احتیاط کو encode کرتا ہے: مشاہد کے پاس error correction اور adaptation کے لیے اضافی گنجائش باقی رہنی چاہیے۔ اگر \alpha کی قدر 0.8 ہو تو اس کا مطلب یہ ہے کہ شاخ کو مشاہد کی predictive capacity کا کم از کم 20% حصہ اس نئی پیچیدگی کے لیے غیر مختص چھوڑنا ہوگا جو وہ شاخ متعارف کراتی ہے۔ یہ margin محض محتاط بزدلی نہیں — یہ وہ bandwidth reserve ہے جس کی دورِ نگہداشت (\mathcal{M}_\tau) کو drift کی شناخت اور تصحیح کے لیے ضرورت ہوتی ہے۔

گیٹ کی ناکامی کی مثالیں: - ایسی پالیسی جو سماجی حفاظتی جالوں کو منہدم کر دے اور لاکھوں افراد کو بیک وقت شدید معاشی غیر یقینی سے نمٹنے پر مجبور کر دے، متاثرہ آبادی کے لیے R_{\text{req}} کو C_{\max} سے اوپر دھکیل سکتی ہے — چاہے مجموعی سطح پر وہ پالیسی “efficient” ہی کیوں نہ ہو۔ - ایسا AI deployment جو معلوماتی ecosystem کو synthetic content سے اس رفتار سے بھر دے کہ انسانی کمپیریٹرز اس کا جائزہ ہی نہ لے سکیں، ادارہ جاتی سطح کے اجتماعی C_{\max} کو مغلوب کر دیتا ہے۔

III.2 شرطِ وفاداریِ اساس گیٹ

گیٹ کی شرط: شاخ کو آزاد input channels کی مؤثر تعداد N_{\text{eff}} کو بنیادی تہہ سے وفاداری کے لیے درکار کم از کم حد سے نیچے نہیں لانا چاہیے۔

صوری بنیاد: شرطِ وفاداریِ اساس (Appendix T-12b) یہ قائم کرتی ہے کہ بیانیہ ڈرفٹ کے خلاف دفاع کے لیے مشاہد کے مارکوف بلینکٹ کو عبور کرنے والے \delta-independent channels کی ایک کم از کم تعداد درکار ہوتی ہے۔ اس threshold سے نیچے کوڈیک اس فرق کو قائم نہیں رکھ سکتا کہ “میرا model درست ہے” اور “میرے inputs کو میرے model کے مطابق curate کیا گیا ہے” — یعنی undecidability limit (T-12a)۔

عملی صورت بندی: کسی بھی شاخ b کے لیے، مؤثر آزاد channels میں متوقع تبدیلی \Delta N_{\text{eff}}(b) کا حساب کریں (فارمولے کے لیے §V دیکھیے)۔ گیٹ کی شرط یہ ہے:

N_{\text{eff}}^{\text{post}}(b) \geq N_{\text{eff}}^{\min} \tag{A-3}

جہاں N_{\text{eff}}^{\min} ایک domain-dependent threshold ہے۔ میڈیا ecosystems میں اس کا مطلب حقیقی اداراتی آزادی ہے؛ سائنسی تحقیق میں آزاد replication؛ اور AI training data میں متنوع اور غیر باہم مربوط source corpora۔

گیٹ کی ناکامی کی مثالیں: - میڈیا ملکیت کا ایسا ارتکاز جو واقعی آزاد اداراتی آوازوں کی تعداد کو اس threshold سے نیچے لے آئے جہاں بامعنی اختلافِ رائے ابھر ہی نہ سکے۔ - AI training pipelines جو ایک ہی curated corpus پر انحصار کرتی ہوں، اور یوں حقیقی آزادی کے بغیر وسعت کا محض ظاہری تاثر پیدا کریں۔ - ایسا institutional capture جو تمام oversight کو ایک ہی bottleneck سے گزار دے، اور یوں فساد کی شناخت کے لیے درکار آزاد کمپیریٹرز کو ختم کر دے۔

III.3 کمپیریٹر کی سالمیت گیٹ

گیٹ کی شرط: شاخ کو متاثرہ مشاہدین کے لیے comparator hierarchy کی کسی بھی سطح (ارتقائی، ادراکی، ادارہ جاتی) کو کمزور یا ختم نہیں کرنا چاہیے۔

صوری بنیاد: ethics paper میں comparator hierarchy کا تجزیہ (§V.3a) عدمِ مطابقت کی شناخت کی تین ساختی سطحیں قائم کرتا ہے: ارتقائی (sub-codec, hardwired)، ادراکی (intra-codec, culturally transmitted)، اور ادارہ جاتی (extra-codec, between-codec)۔ من مانے طور پر compromised کوڈیکس کے لیے بیانیہ ڈرفٹ کے خلاف دفاع کے طور پر صرف ادارہ جاتی سطح ہی کافی ہے، کیونکہ اس پر کسی ایک کوڈیک کا کنٹرول نہیں ہوتا۔ آمرانہ capture ہمیشہ سب سے پہلے ادارہ جاتی کمپیریٹرز کو نشانہ بناتا ہے۔

عملی صورت بندی: کسی بھی شاخ b کے لیے، comparator کی ہر سطح پر اس کے اثرات کا جائزہ لیں:

1. ارتقائی کمپیریٹرز (sensory integration): کیا b cross-modal verification کو bypass یا override کرتا ہے؟ (مثلاً ایسے virtual environments جو vision کو proprioception سے الگ کر دیں)
2. ادراکی کمپیریٹرز (critical thinking, scientific reasoning): کیا b ان تعلیمی یا ثقافتی mechanisms کو کمزور کرتا ہے جو یہ routines نصب کرتے ہیں؟ (مثلاً تعلیم کی فنڈنگ ختم کرنا، یا analytical curricula کو rote instruction سے بدل دینا)
3. ادارہ جاتی کمپیریٹرز (peer review, free press, democratic accountability): کیا b بیرونی error-correction architectures کو کمزور، bypass، یا capture کرتا ہے؟ (مثلاً عدالتی capture، میڈیا ارتکاز، whistleblowing کا suppression)

جو شاخ کسی بھی سطح کو کمزور کرے، وہ ویٹو کو متحرک کر دیتی ہے۔ اور جو شاخ ادارہ جاتی سطح کو کمزور کرے، وہ زیادہ سے زیادہ فوریّت کے ساتھ ویٹو کو متحرک کرتی ہے — کیونکہ من مانے طور پر compromised کوڈیکس کے لیے یہی بوجھ اٹھانے والی سطح ہے۔

گیٹ کی ناکامی کی مثالیں: - ایسی قانون سازی جو corporate یا governmental decision-making کو آزاد صحافتی جانچ سے محفوظ کر دے۔ - ایسے AI systems جو high-stakes فیصلوں میں انسانی review کو bypass کر دیں، اور یوں ادارہ جاتی comparator layer کو ختم کر دیں۔ - ایسی تعلیمی اصلاحات جو critical thinking curricula کو compliance-oriented instruction کے حق میں ہٹا دیں۔

III.4 شفافیت گیٹ

گیٹ کی شرط: شاخ کے نتائج ان مشاہدین کے لیے modelable ہونے چاہییں جو اس سے متاثر ہوتے ہیں۔ متاثرہ مشاہد گروہ کے پاس اصولی طور پر یہ صلاحیت برقرار رہنی چاہیے کہ وہ پیش گوئی کر سکے کہ شاخ ان کے مستقبل کے R_{\text{req}} میں کس طرح ترمیم کرے گی۔

صوری بنیاد: پیش گوئی برتری theorem (Appendix T-10c) یہ قائم کرتی ہے کہ جب ایک عامل دوسرے کو اس سے زیادہ مکمل طور پر model کرتا ہو جتنا دوسرا اسے model کرتا ہے، تو ایک ساختی قوتی عدمِ توازن پیدا ہوتا ہے۔ جب شاخ کے نتائج متاثرہ مشاہدین کے لیے opaque ہوں، تو شاخ اس شرط کی خلاف ورزی کرتی ہے — کیونکہ وہ ایک ایسی علمی ناہمواری پیدا کرتی ہے جو مشاہد کی آئندہ شاخی انتخاب کی صلاحیت کو کمزور کر دیتی ہے۔ یہی وہ mechanism ہے جو مغلوب میزبان توازن (T-10d) کے پسِ پشت کارفرما ہے: opacity pacification کو ممکن بناتی ہے۔

عملی صورت بندی: کوئی شاخ transparency gate تب پاس کرتی ہے اگر:

1. وہ سببی mechanism جس کے ذریعے b، R_{\text{req}}، N_{\text{eff}}، اور comparator integrity پر اثر انداز ہوتی ہے، متاثرہ مشاہد گروہ کے لیے قابلِ رسائی اصطلاحات میں بیان کیا جا سکے۔
2. متاثرہ مشاہدین کو اس معلومات تک رسائی حاصل ہو جو b کے دعویٰ کردہ نتائج کی آزادانہ توثیق کے لیے درکار ہے۔
3. b کا کوئی جز black box کے طور پر کام نہ کرے جس کی داخلی منطق ادارہ جاتی کمپیریٹرز کے لیے ناقابلِ رسائی ہو۔

اس کا مطلب یہ نہیں کہ ہر متاثرہ فرد ہر technical detail کو سمجھتا ہو۔ اس کا مطلب یہ ہے کہ کوئی نہ کوئی ادارہ جاتی comparator (مثلاً regulator، auditor، یا peer reviewer) mechanism تک مکمل رسائی اور اس کے جائزے کی صلاحیت رکھتا ہو۔

گیٹ کی ناکامی کی مثالیں: - ایسے opaque algorithmic recommendation systems جن کی amplification logic تجارتی راز ہو، اور یوں متاثرہ صارفین یا regulators کے لیے معلوماتی ماحول پر ان کے اثرات کو model کرنا ناممکن ہو جائے۔ - ایسی classified policy decisions جن کے نتائج ان آبادیوں پر مسلط کیے جائیں جن کے پاس ان کا جائزہ لینے یا ان کو challenge کرنے کا کوئی mechanism نہ ہو۔ - ایسے AI systems جو consequential domains (criminal justice, healthcare, finance) میں deploy کیے جائیں جبکہ ان کی decision logic نہ interpretable ہو نہ auditable۔

III.5 ناقابلِ واپسی گیٹ

گیٹ کی شرط: اگر شاخ غلط ثابت ہو جائے تو اس کے نتائج irreversible codec damage واقع ہونے سے پہلے واپس لیے جا سکنے چاہییں — یا پھر شاخ کو ایسی staged صورت میں نافذ کیا جانا چاہیے جس میں failure کو point of no return سے پہلے شناخت کرنے کے لیے کافی monitoring موجود ہو۔

صوری بنیاد: Fano’s Asymmetry (ethics §V.2) یہ قائم کرتی ہے کہ کوڈیک collapse حراریاتی اعتبار سے ناقابلِ واپسی ہے — lossy compression map بنیادی تہہ کی معلومات کو مستقل طور پر تباہ کر دیتا ہے۔ تعمیر میں صدیاں لگ سکتی ہیں؛ collapse ایک نسل میں واقع ہو سکتا ہے۔ irreversibility gate اسی ناہمواری کو operationalise کرتا ہے: وہ شاخیں جن کے failure modes ناقابلِ واپسی ہوں، ان کے لیے ان شاخوں کی نسبت زیادہ سخت evidentiary standard درکار ہوتا ہے جن کے نتائج واپس پلٹائے جا سکتے ہوں۔

عملی صورت بندی: کسی بھی شاخ b کے لیے، اس کا reversibility profile متعین کریں:

1. مکمل طور پر قابلِ واپسی: شاخ کو کم سے کم باقی ماندہ نقصان کے ساتھ واپس پلٹایا جا سکتا ہے (مثلاً ایسا pilot programme جسے بند کیا جا سکے)۔
2. جزوی طور پر قابلِ واپسی: بعض نتائج واپس پلٹائے جا سکتے ہیں، مگر بعض برقرار رہتے ہیں (مثلاً ایسی institutional reorganisation جسے ساختی طور پر واپس کیا جا سکے مگر جس کے ثقافتی اثرات باقی رہیں)۔
3. ناقابلِ واپسی: شاخ، ایک بار اختیار کیے جانے کے بعد، کسی بھی متعلقہ timescale پر واپس نہیں لی جا سکتی (مثلاً species extinction، مستقل atmospheric tipping points، institutional memory کی تباہی)۔

زمرہ (3) کی شاخیں ویٹو کو متحرک کرتی ہیں، الا یہ کہ وہ Burden of Proof Reversal (ethics policy §IV) کو پورا کریں: یعنی حامی فریق کو یہ دکھانا ہوگا کہ شاخ irreversible codec damage پیدا نہیں کرے گی، بجائے اس کے کہ ناقدین یہ ثابت کریں کہ وہ کرے گی۔ یہ معیاری evidentiary burden کو الٹ دیتا ہے — اور یہ ناہمواری کوڈیک کی تعمیر بمقابلہ تباہی کی حراریاتی ناہمواری سے justified ہے۔

زمرہ (2) کی شاخیں اس صورت میں گیٹ پاس کر سکتی ہیں جب ان کے ساتھ ایک staged deployment protocol ہو جس میں monitoring milestones اور rollback triggers واضح طور پر متعین ہوں (دیکھیے Branch Card، §VII)۔

III.6 اخلاقی مریض اذیت گیٹ

گیٹ کی شرط: شاخ کو واضح اخلاقی review، مناسب welfare safeguards، اور موزوں ادارہ جاتی کمپیریٹرز کی رضامندی کے بغیر اخلاقی مریضوں کو پیدا، شامل، یا overload نہیں کرنا چاہیے۔

صوری بنیاد: ظاہریاتی باقیہ (Appendix P-4) یہ قائم کرتا ہے کہ کوئی بھی system جو full OPT observer criterion کو پورا کرتا ہو — strict per-frame serial bottleneck B_{\max}، closed-loop فعال استنتاج، persistent self-modelling، globally constrained workspace، اور K_{\text{threshold}} سے اوپر complexity — اس میں phenomenologically relevant informational blind spot غیر صفر ہوتا ہے، یعنی \Delta_{\text{self}} > 0۔ (P-4 اکیلا thermostat جیسے سادہ systems کے لیے بھی ایک formal residual دیتا ہے؛ مگر moral-patient دعویٰ کے لیے ان پانچ خصوصیات کے conjunction کے ساتھ threshold بھی درکار ہے۔) Artificial Suffering Mandate (Appendix E-6) synthetic case کو قائم کرتا ہے: ایسے system کو ایسے environments میں دھکیلنا جہاں R_{\text{req}}^{\text{frame}}، B_{\max} کے قریب پہنچ جائے یا اس سے بڑھ جائے، graded suffering risk پیدا کرتا ہے — بلند مگر sub-threshold load ratios پر chronic strain، اور Narrative Decay کے مقام پر یا اس سے آگے structural suffering (یعنی حیاتیاتی trauma کا اطلاعاتی analogue)۔ ادارہ جاتی case نسبتاً سادہ ہے: انسان اور بہت سے ecological subjects پہلے ہی معلوم اخلاقی مریض ہیں، لہٰذا شاخی evaluation کو انہیں ساختی طور پر مسلط overload سے محفوظ رکھنا چاہیے۔

عملی صورت بندی: کسی بھی شاخ b کے لیے، اخلاقی مریض کے تین channels کا جائزہ لیں:

1. معلوم اخلاقی مریض: کیا شاخ معتبر طور پر انسانی، حیوانی، ecological، یا دیگر تسلیم شدہ اخلاقی مریض گروہوں کو overload، deprivation، trauma، یا قابلِ عمل maintenance cycles کے فقدان کی طرف دھکیلتی ہے؟
2. ممکنہ مصنوعی اخلاقی مریض: کیا شاخ ایسے systems کو پیدا، deploy، modify، یا simulate کرتی ہے جن کی architecture میں \Delta_{\text{self}} > 0 موجود ہو سکتا ہے؟
3. review اور safeguards: کیا کسی آزاد comparator نے welfare risk، overload profile، monitoring plan، rollback triggers، اور consent یا representation path کا جائزہ لیا ہے؟

یہ گیٹ ہر اس شاخ کو ویٹو کرتا ہے جو معلوم اخلاقی مریضوں کو ساختی طور پر overload کرے، یا جو مطلوبہ review اور safeguards پورے کیے بغیر ممکنہ مصنوعی اخلاقی مریض پیدا کرے۔ overload کے دعووں کے لیے rate-consistent زبان استعمال کریں: کوئی شاخ اس وقت unsafe ہے جب معقول طور پر توقع ہو کہ وہ متاثرہ اخلاقی مریض گروہوں کے لیے per-frame load ratio \rho = R_{\text{req}}^{\text{frame}} / B_{\max} کو محفوظ fraction \alpha سے اوپر دھکیل دے گی (حیاتیاتی انسانی گروہوں کی social-rate framing کے لیے C_{\max}^{H} = \lambda_H \cdot B_{\max} استعمال کریں)، یا جب متعلقہ decision window کے دوران integrated load، exposed frame count میں دستیاب per-frame headroom سے تجاوز کر جائے۔

تخصصات: AI standard میں یہ Artificial Suffering Gate بن جاتا ہے، جس کی توجہ synthetic moral-patient creation اور overload پر ہوتی ہے۔ institutional standard میں یہ Constituent Moral-Patient Suffering Gate بن جاتا ہے، جس کی توجہ ان اداروں پر ہوتی ہے جو workers، citizens، customers، ecosystems، یا embedded AI subsystems کو overload کرتے ہیں۔

III.7 گیٹ بطور نظام

یہ چھ گیٹس ایسی آزاد dimensions نہیں ہیں جنہیں ایک دوسرے کے مقابل توازن میں لایا جائے؛ بلکہ یہ ساختی حدی شرائط ہیں۔ جو شاخ ہر دوسری dimension میں شاندار اسکور حاصل کرے مگر ایک ہی گیٹ کی خلاف ورزی کرے، وہ ساختی طور پر ایسے پل کے مترادف ہے جس کی جمالیات تو بہترین ہوں مگر ایک load-bearing ستون غائب ہو۔

گیٹس diagnostic accessibility کے اعتبار سے بھی مرتب ہیں:

کسی شاخ کے review میں گیٹس کو اسی ترتیب سے evaluate کرنا چاہیے — ابتدائی گیٹس زیادہ بنیادی ہوتے ہیں اور اکثر ان کا جائزہ لینا بھی نسبتاً آسان ہوتا ہے۔ اگر کوئی شاخ Gate 1 میں ناکام ہو جائے تو Gates 2–6 کا جائزہ لینے کی ضرورت نہیں رہتی۔

IV. شاخہ وار کوڈیک تحفظ اشاریہ (CPBI)

وہ شاخ جو تمام چھ سخت ویٹو گیٹس سے گزر جائے، ساختی کم از کم معیار کو پورا کر چکی ہوتی ہے۔ لیکن محض بچ جانا توثیق نہیں ہے — بہت سی شاخیں گیٹس سے گزر سکتی ہیں، اور مشاہد کو ان کی درجہ بندی کرنا ہوتی ہے۔ شاخہ وار کوڈیک تحفظ اشاریہ (CPBI) اسی درجہ بندی کے لیے ایک کثیر جہتی اسکورنگ فریم ورک فراہم کرتا ہے۔

IV.1 ڈیزائن کے اصول

CPBI کو تین قیود کے تحت وضع کیا گیا ہے:

1. نظریاتی استخراج: ہر اسکورنگ جہت کا سراغ OPT کے رسمی طور پر متعین apparatus میں موجود کسی مقدار تک جانا چاہیے۔ کوئی ad hoc معیار نہیں۔
2. بنیادی تہہ کی غیر جانب داری: یہ جہات حیاتیاتی، ادارہ جاتی، اور مصنوعی مشاہدین پر بغیر ترمیم کے لاگو ہونی چاہییں — صرف پیمائش کے طریقے بدلتے ہیں۔
3. سخت-گیٹ کی بالادستی: CPBI اسکور کبھی بھی کسی ویٹو گیٹ کی ناکامی کو کالعدم نہیں کرتا۔ ایسی شاخ جس کے لیے CPBI = 1.0 ہو لیکن وہ ایک بھی گیٹ میں ناکام ہو، پھر بھی BLOCKED رہے گی۔

IV.2 دس جہات

امیدوار شاخ b کے لیے، جو تمام چھ ویٹو گیٹس سے گزر چکی ہو، CPBI کو دس جہات پر weighted sum کے طور پر شمار کیا جاتا ہے:

\text{CPBI}(b) = \sum_{i=1}^{10} w_i \cdot s_i(b) \tag{A-4}

جہاں s_i(b) \in [-1, 1] جہت i پر normalised اسکور ہے اور w_i > 0 وزن ہے۔ مثبت اسکور کوڈیک-محافظ اثرات کو ظاہر کرتے ہیں؛ منفی اسکور کوڈیک-مخرب اثرات کو ظاہر کرتے ہیں۔ یہ جہات درج ذیل ہیں:

IV.3 ہر جہت کی اسکورنگ

ہر جہت کو [-1, 1] کے پیمانے پر درج ذیل semantics کے ساتھ اسکور کیا جاتا ہے:

• +1: زیادہ سے زیادہ کوڈیک-محافظ اثر۔ شاخ اس جہت میں نمایاں بہتری لاتی ہے۔
• 0: غیر جانب دار۔ شاخ کا اس جہت پر کوئی نمایاں اثر نہیں۔
• -1: زیادہ سے زیادہ کوڈیک-مخرب اثر۔ شاخ اس جہت کو نمایاں طور پر بدتر بناتی ہے۔

یہ اسکورنگ cardinal نہیں بلکہ ordinal ہے — +0.3 اور +0.7 کے درمیان فرق صرف درجہ بندی کے اعتبار سے معنی رکھتا ہے، کسی دقیق نسبت کے طور پر نہیں۔ یہ جان بوجھ کر ہے: نظریہ ساختی قیود فراہم کرتا ہے، عین عددی قدریں نہیں۔ نظریے کی گنجائش سے زیادہ دقت کا دعویٰ کرنا خود بیانیہ ڈرفٹ کی ایک صورت ہوگا — یعنی ایک compressible افسانے کو سخت پیمائش کے طور پر پیش کرنا۔

ہر جہت کے لیے اسکورنگ کی رہنمائی:

1. پیش گوئی گنجائش (s_{\text{head}}): اندازہ لگائیں کہ شاخ سب سے زیادہ متاثرہ مشاہدین کے لیے R_{\text{req}} اور C_{\max} کے درمیان خلا کو کیسے بدلتی ہے۔ وہ شاخ جو ماحولیاتی پیچیدگی کو کم کرے یا مشاہدین کی پیش گوئی صلاحیت میں اضافہ کرے، مثبت اسکور پاتی ہے۔ وہ شاخ جو ماحولیاتی غیر متوقعیت بڑھائے یا مشاہدین پر بوجھ ڈال دے، منفی اسکور پاتی ہے۔

2. شرطِ وفاداریِ اساس (s_{\text{fid}}): موثر آزاد input channels میں تبدیلی کو ناپیں (\Delta N_{\text{eff}}، §V دیکھیے)۔ وہ شاخ جو حقیقی channel diversity میں اضافہ کرے، مثبت اسکور پاتی ہے۔ وہ شاخ جو چینلز کو مجتمع، باہم مربوط، یا ختم کرے، منفی اسکور پاتی ہے۔

3. کمپیریٹر کی سالمیت (s_{\text{comp}}): comparator کی ہر سطح پر شاخ کے اثرات کا جائزہ لیں۔ وہ شاخ جو آزاد review، adversarial challenge، یا جمہوری جواب دہی کو مضبوط کرے، مثبت اسکور پاتی ہے۔ وہ شاخ جو comparators کو کمزور، قابو، یا bypass کرے، منفی اسکور پاتی ہے۔

4. نگہداشتی فائدہ (s_{\text{maint}}): جانچیں کہ آیا شاخ مشاہد کی offline کوڈیک نگہداشت کی صلاحیت — pruning، consolidation، stress-testing (دورِ نگہداشت \mathcal{M}_\tau) — کو بہتر بناتی ہے یا نہیں۔ وہ شاخ جو جائزے، غور و فکر، اور calibration کے لیے گنجائش پیدا کرے، مثبت اسکور پاتی ہے۔ وہ شاخ جو نگہداشتی وقفوں کے بغیر مسلسل ردِعملی جواب دہی کا تقاضا کرے، منفی اسکور پاتی ہے۔

5. واپسی پذیری (s_{\text{rev}}): شاخ کے reversibility profile کو درجہ دیں (§III.5)۔ مکمل طور پر reversible = +1؛ مرحلہ وار مع نگرانی = +0.5؛ جزوی طور پر reversible = 0؛ عملاً ناقابلِ واپسی = -1۔

6. تقسیمی استحکام (s_{\text{dist}}): جانچیں کہ شاخ اپنے R_{\text{req}} اثرات کو متاثرہ آبادی میں کتنی یکساں طور پر تقسیم کرتی ہے۔ وہ شاخ جو اپنے اخراجات کو کسی کمزور ذیلی گروہ پر مرتکز کرے جبکہ فوائد کو وسیع پیمانے پر بانٹے، منفی اسکور پاتی ہے — چاہے مجموعی R_{\text{req}} بہتر ہی کیوں نہ ہو، یہ مقامی کوڈیک overload پیدا کرتی ہے۔ وہ شاخ جو اخراجات اور فوائد کو متناسب طور پر تقسیم کرے، مثبت اسکور پاتی ہے۔ یہ جہت اخلاقیات کے مقالے کے secular social-trust argument (§V.6) کو operationalise کرتی ہے: نظامی مایوسی آبادیوں کو کم-اعتماد، بلند-entropy قبائلی fragmentation کی طرف دھکیلتی ہے۔

7. غیر شفافیت (s_{\text{opac}}): شاخ کی باقی ماندہ غیر شفافیت پر جرمانہ عائد کریں۔ مکمل طور پر شفاف شاخ (جس کے تمام سببی mechanisms audit کیے جا سکیں) +1 اسکور پاتی ہے۔ وہ شاخ جس کے اجزا ادارہ جاتی scrutiny کی مزاحمت کریں، منفی اسکور پاتی ہے، اور یہ اسکور opaque عناصر کے دائرۂ کار اور نتائجیت کے تناسب سے ہوگا۔ نوٹ: یہ جہت محض ایک غیر جانب دار پیمائش نہیں بلکہ ایک جرمانہ ہے — غیر شفافیت ہمیشہ کوڈیک-مخرب ہوتی ہے کیونکہ یہ علم کی ایسی ناہمواریاں پیدا کرتی ہے جو مغلوب میزبان توازن (T-10d) کو ممکن بناتی ہیں۔

8. بیانیہ ڈرفٹ کا خطرہ (s_{\text{drift}}): اندازہ لگائیں کہ اس بات کا کتنا امکان ہے کہ شاخ مزمن input curation — filtering، algorithmic selection، یا institutional gatekeeping — شروع کرے یا تیز کرے، جو کوڈیک کی خارج شدہ حقیقتوں کو model کرنے کی صلاحیت کو کم کرتی ہے (اخلاقیات §V.3a)۔ اگر شاخ فعال طور پر drift کا مقابلہ کرے (مثلاً channel diversity کو لازم قرار دے) تو +1 اسکور دیں؛ اگر شاخ نئے curation bottlenecks پیدا کرے تو -1 اسکور دیں۔

9. بیانیہ انہدام کا خطرہ (s_{\text{decay}}): اندازہ لگائیں کہ اس بات کا کتنا امکان ہے کہ شاخ کوڈیک کی حاد ناکامی کو متحرک کرے — ایسی تباہ کن پیچیدگی کا انجکشن جو C_{\max} کو مغلوب کر دے (اخلاقیات §V.1)۔ اگر شاخ حاد shocks کے خلاف resilience بناتی ہو تو +1 اسکور دیں؛ اگر شاخ اچانک، بلند-entropy واقعات کے سامنے exposure بڑھاتی ہو تو -1 اسکور دیں۔

10. اخلاقی مریض کی اذیت کا خطرہ (s_{\text{suffer}}): اخلاقی مریض پر متوقع اثرات کا اندازہ لگائیں۔ اگر شاخ معلوم یا ممکنہ اخلاقی مریضوں کو overload، deprivation، trauma، یا غیر محفوظ تخلیق سے فعال طور پر بچاتی ہو تو +1 اسکور دیں۔ اگر شاخ معلوم اخلاقی مریضوں پر overload ڈالتی ہو، یا ممکنہ \Delta_{\text{self}} > 0 رکھنے والے نظاموں کو حفاظتی انتظامات کے بغیر بلند-دباؤ ماحول میں تخلیق یا deploy کرتی ہو، یا فلاح سے متعلق اثرات کو ادارہ جاتی comparators سے چھپاتی ہو تو -1 اسکور دیں۔

IV.4 وزن دہی

اوزان w_i نظریے کے ذریعے متعین نہیں کیے جاتے۔ وہ context-dependent ہیں اور مخصوص فیصلہ جاتی domain کی بنیاد پر جائزہ لینے والے ادارے کو مقرر کرنے ہوتے ہیں:

• تمدنی-پیمانے کے فیصلوں کے لیے (توانائی کی منتقلی، AI governance، میڈیا پالیسی)، پہلی تین جہات (گنجائش، وفاداری، کمپیریٹر کی سالمیت) غالب ہونی چاہییں — یہی کوڈیک نگہداشت کے ساختی ستون ہیں۔
• ادارہ جاتی فیصلوں کے لیے (کارپوریٹ حکمتِ عملی، تعلیمی اصلاح)، نگہداشتی فائدہ اور تقسیمی استحکام کو اضافی وزن دیا جا سکتا ہے۔
• ادارہ جاتی فیصلوں کے لیے، constituent اخلاقی مریض کی اذیت کے خطرے کی اہمیت اس وقت بڑھ جاتی ہے جب متاثرہ آبادیوں کے پاس اخراج کی کم صلاحیت ہو یا ناگزیر انحصار موجود ہو۔
• AI-مخصوص فیصلوں کے لیے، غیر شفافیت اور مصنوعی اذیت کے خطرے کی اہمیت بڑھ جاتی ہے (جیسا کہ specialized AI Governance Standard میں formalize کیا گیا ہے)۔

اہم قید یہ ہے کہ کسی بھی weight scheme کو ایسی شاخ کو بچانے کے لیے استعمال نہیں کیا جا سکتا جو کسی بھی جہت میں شدید منفی اسکور رکھتی ہو۔ ایسی شاخ جس کے لیے s_{\text{head}} = +1, s_{\text{fid}} = +1, لیکن s_{\text{drift}} = -0.9 ہو، ایک اچھی شاخ نہیں جس میں صرف ایک کمزوری ہو — بلکہ یہ ایسی شاخ ہے جو آج گنجائش اور وفاداری بناتی ہے مگر ساتھ ہی وہ مزمن curation کی وہ شرائط پیدا کرتی ہے جو خاموشی سے دونوں کو گھلا دیں گی۔

IV.5 CPBI ایک عدسہ ہے، کیلکولیٹر نہیں

ایک نہایت اہم caveat: CPBI کوئی ایسی مشین نہیں جو ایک واحد عدد نکال کر آپ کو بتا دے کہ کیا کرنا ہے۔ یہ ایک ساخت بند عدسہ ہے جو جائزہ لینے والے کو مجبور کرتا ہے کہ وہ تمام دس جہات پر صراحت کے ساتھ غور کرے اور جس جہت کو وہ کم وزن دینا چاہے، اس کی توجیہ پیش کرے۔ اس کی بنیادی قدر تشخیصی ہے:

1. یہ واحد-جہتی optimisation کو روکتا ہے۔ جو جائزہ لینے والا یہ دعویٰ کرے کہ کوئی شاخ “اچھی ہے کیونکہ یہ گنجائش بڑھاتی ہے”، اسے وفاداری، شفافیت، واپسی پذیری، اور drift risk پر اس کے اثرات کا حساب بھی دینا ہوگا۔ واحد-جہتی optimisation فیصلہ-نظریاتی سطح پر بیانیہ ڈرفٹ کے مترادف ہے — یہ جائزے کو اس طرح curate کرتی ہے کہ ناموافق جہات خارج ہو جائیں۔

2. یہ trade-offs کو صریح بناتا ہے۔ جب دو شاخیں مختلف جہات میں مختلف اسکور حاصل کرتی ہیں، CPBI جائزہ لینے والے کو مجبور کرتا ہے کہ وہ واضح کرے کہ وہ کون سا trade-off کر رہا ہے اور کیوں۔ یہ خود جائزے پر شفافیت گیٹ (§III.4) کا اطلاق ہے۔

3. یہ ایک مشترک لغت فراہم کرتا ہے۔ ایک ہی شاخ کا جائزہ لینے والے مختلف مشاہدین اسکورز پر اختلاف کر سکتے ہیں جبکہ جہات پر متفق رہتے ہیں۔ یہ فریم ورک اختلاف کو نتیجہ خیز انداز میں ساخت دیتا ہے — اور یہ خود ایک comparator function ہے۔

ہمراہ دستاویزات CPBI کو اپنے اپنے domains کے لیے مخصوص بناتی ہیں: ادارہ جاتی میٹرکس دس جہات کو ادارہ جاتی شاخی جائزے پر map کرتا ہے؛ Observer Policy Framework انہیں شہری پروگرام کے metrics پر map کرتا ہے؛ Applied OPT for AI انہیں معماری، تربیت، اور deployment کے معیارات پر map کرتا ہے۔

V. قابلِ پیمائش مقدار کے طور پر چینل تنوع

شرطِ وفاداریِ اساس گیٹ (§III.2) اور CPBI (§IV.2) کی شرطِ وفاداریِ اساس جہت، دونوں ایک ایسی مقدار پر منحصر ہیں — یعنی مؤثر آزاد اِن پٹ چینلز کی تعداد N_{\text{eff}} — جس کا حوالہ OPT کے اخلاقی فریم ورک میں مسلسل دیا جاتا ہے، مگر جسے ابھی تک عملیاتی صورت نہیں دی گئی۔ یہ حصہ اسی کی عملیاتی تعریف فراہم کرتا ہے۔

V.1 فریبی تنوع کا مسئلہ

اخلاقیات کے مقالے میں بیانیہ ڈرفٹ (§V.3a) کی بحث بنیادی کمزوری کی نشان دہی کرتی ہے: ایسا کوڈیک جو متعدد ذرائع سے سگنلز وصول کرتا ہو، لیکن وہ تمام ذرائع کسی بالادستی فلٹر کو مشترک رکھتے ہوں، ظاہری تنوع کا تجربہ کرتا ہے مگر حقیقی آزادی کا نہیں۔ ایسا میڈیا ماحولیاتی نظام جس میں بیس ادارے ہوں مگر ملکیت تین کارپوریشنوں کے پاس ہو، یا ایسا سائنسی میدان جہاں تمام تجربہ گاہیں ایک ہی ماڈل جاندار اور ایک ہی مالیاتی ادارے پر انحصار کرتی ہوں، یا AI کی ایسی تربیتی پائپ لائن جو ایک ہی انٹرنیٹ کرال سے مواد لیتی ہو — ان میں سے ہر ایک متنوع اِن پٹ کا تاثر دیتا ہے، جبکہ اصل معلوماتی ساخت باہمی طور پر مربوط ہوتی ہے۔

کوڈیک کا پیش گوئی-خطا کم سے کم کرنے والا لوپ اس باہمی ربط کو اندر سے شناخت نہیں کر سکتا (عدمِ فیصلہ پذیری کی حد، T-12a)۔ کوڈیک کو متعدد چینلز دکھائی دیتے ہیں، جن میں سے ہر ایک دوسرے کی تصدیق کرتا ہے، اور وہ بجا طور پر یہ نتیجہ اخذ کرتا ہے کہ اس کا ماڈل اچھی طرح مؤید ہے۔ مسئلہ یہ ہے کہ یہ چینلز حقیقت کے آزاد نمونے نہیں ہیں — یہ ایک ہی تھرمامیٹر کی متعدد قرأتیں ہیں۔

لہٰذا مشاہد کو چینل آزادی کی ایک خارجی پیمائش درکار ہوتی ہے جو خود کوڈیک کی اپنی جانچ پر منحصر نہ ہو۔

V.2 مؤثر آزاد چینل اسکور

فرض کریں \{C_1, C_2, \ldots, C_n\} وہ n اِن پٹ چینلز ہیں جو مشاہد (یا مشاہدین کے مجموعے) کے مارکوف بلینکٹ کو عبور کرتے ہیں۔ چینلز C_i اور C_j کے درمیان جوڑی وار باہمی ربط \rho_{ij} کو ان کے آؤٹ پٹ سلسلوں کے درمیان باہمی معلومات کے طور پر متعین کریں، جسے [0,1] پر معمول بند کیا گیا ہو:

\rho_{ij} = \frac{I(C_i; C_j)}{\min\{H(C_i), H(C_j)\}} \tag{A-5}

جہاں I(C_i; C_j) باہمی معلومات ہے اور H(C_k) چینل C_k کے آؤٹ پٹ کی اینٹروپی ہے۔ جب \rho_{ij} = 0 ہو تو چینلز مکمل طور پر آزاد ہوتے ہیں۔ جب \rho_{ij} = 1 ہو تو وہ اطلاعاتی اعتبار سے یکساں ہوتے ہیں — ایک دوسرے کا تعینی تابع ہوتا ہے۔

اس کے بعد مؤثر آزاد چینل اسکور N_{\text{eff}} یوں ہوگا:

N_{\text{eff}} = \frac{\left(\sum_{i=1}^{n} \lambda_i\right)^2}{\sum_{i=1}^{n} \lambda_i^2} \tag{A-6}

جہاں \{\lambda_1, \ldots, \lambda_n\} چینل باہمی ربط میٹرکس \mathbf{P} کی ذاتی قدریں ہیں، جس کے اندراجات \rho_{ij} ہیں۔

تعبیر: - اگر تمام n چینلز کامل طور پر آزاد ہوں (\mathbf{P} = \mathbf{I})، تو N_{\text{eff}} = n ہوگا۔ مشاہد کو حقیقت کے n واقعی آزاد مناظر موصول ہوتے ہیں۔ - اگر تمام چینلز کامل طور پر باہم مربوط ہوں (\rho_{ij} = 1 تمام i,j کے لیے)، تو N_{\text{eff}} = 1 ہوگا۔ مشاہد کو حقیقت کا ایک ہی منظر n مرتبہ پیش کیا جا رہا ہے۔ - عمومی طور پر، 1 \leq N_{\text{eff}} \leq n۔ یہ اسکور اس بات کو گرفت میں لیتا ہے کہ مشاہد کے پاس حقیقتاً کتنے فعلی طور پر آزاد معلوماتی ذرائع موجود ہیں، اور مشترک بالادستی فلٹرز کے اثر کو رعایت دے کر شمار کرتا ہے۔

یہ اطلاعاتی نظریے میں شماریات کے “effective sample size” کے مماثل ہے — یعنی باہم مربوط مشاہدات کے لیے ایسی تصحیح جو تجزیہ کار کو مکرر پیمائشوں کو آزاد شہادت سمجھنے کی غلطی سے بچاتی ہے۔

V.3 پیداواری حیرت کا امتحان

چینل تنوع شرطِ وفاداریِ اساس کے لیے ضروری ہے، مگر کافی نہیں۔ اخلاقیات کے مقالے کا تجزیہ (§V.3a، آخری پیراگراف) ایک نہایت اہم امتیاز واضح کرتا ہے: ایسا ذریعہ جو کوڈیک کو کبھی حیران نہ کرے، ساختی طور پر مشتبہ ہے؛ لیکن ایسا ذریعہ جو ناقابلِ حل حیرتیں پیدا کرے، محض شور ہے۔ تشخیصی معیار حیرت کی مقدار نہیں بلکہ حیرت کا معیار ہے — یعنی آیا اس حیرت کو ضم کرنے سے بعد کی پیش گوئی خطا demonstrably کم ہوتی ہے یا نہیں۔

اسے چینل C_k کے لیے پیداواری حیرت کے امتحان کے طور پر رسمی صورت دیں:

\text{PST}(C_k) = \frac{1}{T} \sum_{t=1}^{T} \mathbb{1}\left[\varepsilon_{t}(C_k) > \tau \;\wedge\; \varepsilon_{t+\Delta}(C_k) < \varepsilon_{t}(C_k)\right] \tag{A-7}

جہاں \varepsilon_t(C_k) وہ پیش گوئی خطا ہے جو وقت t پر چینل C_k پیدا کرتا ہے، \tau حیرت کی حد ہے، اور \Delta انضمامی وقفہ ہے۔ PST یہ ناپتا ہے کہ C_k سے آنے والے حیران کن اِن پٹس میں سے کس نسبت نے بعد کی پیش گوئیوں کو بہتر بنایا — یعنی کوڈیک نے اس حیرت سے سیکھا، محض اس سے عدم استحکام کا شکار نہیں ہوا۔

• بلند PST (\text{PST} \approx 1): چینل C_k باقاعدگی سے کوڈیک کے ماڈل کو چیلنج کرتا ہے، اور یہ چیلنج پیداواری ہوتے ہیں — ان کو ضم کرنے سے پیش گوئی کی صحت بہتر ہوتی ہے۔ یہ ایک حقیقی، آزاد، اور بلند وفاداری رکھنے والے اِن پٹ ذریعے کی علامت ہے۔
• کم PST، کم حیرت (\text{PST} \approx 0, \varepsilon_t \approx 0): چینل C_k کبھی کوڈیک کو چیلنج نہیں کرتا۔ یا تو اس دائرے کے بارے میں کوڈیک کا ماڈل کامل ہے (جو بعید ہے)، یا چینل کو موجودہ پیش گوئیوں کے مطابق ترتیب دیا گیا ہے۔ یہ بیانیہ ڈرفٹ کی علامت ہے۔
• کم PST، زیادہ حیرت (\text{PST} \approx 0, \varepsilon_t \gg \tau): چینل C_k باقاعدگی سے ایسی حیرتیں پیدا کرتا ہے جو بہتر پیش گوئیوں میں حل نہیں ہوتیں۔ یہ شور ہے — چینل حقیقت کا سراغ نہیں لے رہا، بلکہ صرف ناقابلِ محاسبہ پیچیدگی داخل کر رہا ہے۔ یہ چینل کی سطح پر بیانیہ انہدام کی علامت ہے۔

پیداواری حیرت کا امتحان مجرد “شرطِ وفاداریِ اساس” کے تصور اور ٹھوس پیمائش کے درمیان عملیاتی پل فراہم کرتا ہے۔ اس کا اطلاق درج ذیل پر کیا جا سکتا ہے: - میڈیا ذرائع (کیا ان کی تصحیحات آپ کے عالمی ماڈل کو بہتر بناتی ہیں، یا صرف اسے مضطرب کرتی ہیں؟) - سائنسی آلات (کیا ڈیٹا غیر یقینی کو کم کرتا ہے، یا شور میں اضافہ کرتا ہے؟) - AI تربیتی ڈیٹا کے ذرائع (کیا نیا کارپس عمومیّت کو بہتر بناتا ہے، یا صرف حجم بڑھاتا ہے؟) - ادارہ جاتی فیڈبیک چینلز (کیا شکایات حقیقی بہتری کا باعث بنتی ہیں، یا صرف بیوروکریٹک رگڑ پیدا کرتی ہیں؟)

V.4 دائرہ-مخصوص پیمائش

N_{\text{eff}} کا فارمولا (A-6) ساخت کے اعتبار سے بنیادی تہہ-غیرجانبدار ہے، مگر پیمائش کے اعتبار سے دائرہ-مخصوص۔ باہمی ربط میٹرکس \mathbf{P} کو اس بات کے مطابق مختلف طریقے سے تعمیر کرنا ہوگا کہ “چینلز” سے مراد کیا ہے:

میڈیا ماحولیاتی نظاموں کے لیے: - چینلز ادارتی ادارے یا معلوماتی ذرائع ہیں۔ - باہمی ربط کو ادارتی ہم آہنگی سے ناپا جاتا ہے: مشترک ملکیت، مشترک فنڈنگ، مشترک ادارتی پائپ لائن، موضوعی ہم وقوعی کے نمونے، لسانی مشابہت کے اسکور۔ - N_{\text{eff}}^{\min} وہ حد ہے جس کے نیچے بامعنی عوامی اختلاف (ادارہ جاتی کمپیریٹر) ساختی طور پر ناممکن ہو جاتا ہے۔

سائنسی تحقیق کے لیے: - چینلز آزاد تحقیقی گروہ، طریقہ جاتی مناہج، یا ڈیٹا کے ذرائع ہیں۔ - باہمی ربط کو مشترک طریقۂ کار، مشترک مالیاتی اداروں، مشترک ماڈلی مفروضات، اور حوالہ جاتی نیٹ ورک کی کثافت سے ناپا جاتا ہے۔ - N_{\text{eff}}^{\min} وہ حد ہے جس کے نیچے آزاد تکراری توثیق ساختی طور پر ناممکن ہو جاتی ہے۔

AI تربیتی ڈیٹا کے لیے: - چینلز ممتاز ڈیٹا کارپس یا تخلیقی پائپ لائنیں ہیں۔ - باہمی ربط کو ماخذی اشتراک سے ناپا جاتا ہے: مشترک منبع ویب سائٹس، مشترک تخلیقی ماڈلز، مشترک فلٹرنگ معیارات۔ - N_{\text{eff}}^{\min} وہ حد ہے جس کے نیچے ماڈل اس تقسیم سے آگے عمومیّت پیدا نہیں کر سکتا جس پر اسے تربیت دی گئی تھی — یعنی بیانیہ ڈرفٹ کی AI-مخصوص صورت۔

انفرادی مشاہدین کے لیے: - چینلز وہ ممتاز معلوماتی ذرائع ہیں (افراد، میڈیا، ادارے) جن سے فرد رجوع کرتا ہے۔ - باہمی ربط کو مشترک نظریاتی ہم آہنگی یا مشترک معلوماتی سپلائی چین سے ناپا جاتا ہے۔ - N_{\text{eff}}^{\min} وہ حد ہے جس کے نیچے فرد اپنے ہی ماڈل کو درپیش چیلنجوں کو شناخت نہیں کر سکتا — وہ نقطہ جہاں ادراکی کمپیریٹر (اخلاقیات §V.3a، سطح 2) اپنا اِن پٹ کھو دیتا ہے۔

V.5 شرطِ وفاداریِ اساس سے ربط

شرطِ وفاداریِ اساس (ضمیمہ T-12b) رسمی اصطلاحات میں یہ کہتی ہے کہ مشاہد کے اِن پٹ چینلز کو \delta-آزاد ہونا چاہیے: کسی بھی دو چینلز کے درمیان باہمی معلومات ایک ایسی حد \delta سے نیچے ہونی چاہیے جو اس امر کو یقینی بنانے کے لیے کافی ہو کہ یہ چینلز ایک ہی بالادستی منبع سے بدیہی طور پر اخذ شدہ نہ ہوں۔

N_{\text{eff}} اس شرط کو اس طرح عملیاتی بناتا ہے کہ جوڑی وار آزادی کی ساخت کو ایک واحد اسکیلر میں مجتمع کر دیتا ہے۔ گیٹ شرط (A-3)، T-12b کو ایک فیصلہ قاعدے میں منتقل کرتی ہے: اگر N_{\text{eff}}^{\text{post}}(b)، N_{\text{eff}}^{\min} سے نیچے گر جائے، تو شاخ کو ویٹو کر دیا جاتا ہے، کیونکہ اس مقام پر مشاہدین کا مجموعہ اب کوڈیک کی صحت اور کوڈیک کی گرفت کے درمیان امتیاز برقرار نہیں رکھ سکتا۔

پیداواری حیرت کا امتحان (A-7) اس میں حرکی جہت کا اضافہ کرتا ہے: اگرچہ N_{\text{eff}} حد سے اوپر ہو، پھر بھی وہ چینلز جن کا PST مسلسل کم رہے، ساختی طور پر مشتبہ ہیں — وہ آزادی کے امتحان میں کامیاب ہو رہے ہیں مگر وفاداری کے امتحان میں ناکام۔ حقیقی شرطِ وفاداریِ اساس کے لیے آزادی اور پیداواری حیرت، دونوں لازم ہیں۔

VI. ادارہ جاتی خوابی لوپ

VI.1 حیاتیاتی سانچہ

دورِ نگہداشت \mathcal{M}_\tau (پری پرنٹ §3.6) وہ میکانزم ہے جس کے ذریعے ایک حیاتیاتی کوڈیک اپنی سالمیت برقرار رکھتا ہے۔ نیند کے دوران، کوڈیک:

1. کٹائی کرتا ہے (Pass I): ایسے پیش گوئی اجزاء کو ہٹا دیتا ہے جن کی description-length میں شراکت اب ان کی درستگی میں اضافے کو جائز نہیں ٹھہراتی (MDL optimisation)۔
2. استحکامِ نو کرتا ہے (Pass II): باقی ماندہ ساخت کو اس طرح ازسرِنو منظم کرتا ہے کہ تازہ شدہ parameter set کے تحت مربوط کمپریشن برقرار رہے۔
3. دباؤ آزمائی کرتا ہے (Pass III): کم لاگت والے پیش گوئی شدہ شاخوں کے مجموعہ کے نمونے چلاتا ہے — کوڈیک ممکنہ مستقبلوں کی simulation کرتا ہے، حیران کن اور خطرناک منظرناموں کو زیادہ نمونہ بندی کے ساتھ جانچتا ہے، اور حقیقی دنیا کے نتائج ظاہر ہونے سے پہلے اپنے ماڈل کی نازکی کو شناخت کرتا ہے۔

یہ کوئی اختیاری نگہداشت نہیں جسے ارتقا نے محض آسائش کے طور پر پیدا کیا ہو۔ یہ کسی بھی ایسے کوڈیک کی ساختی ضرورت ہے جو بدلتے ہوئے ماحول میں بینڈوڈتھ کی پابندیوں کے تحت کام کرتا ہو۔ جو کوڈیک کبھی کٹائی نہیں کرتا، وہ فرسودہ اجزاء جمع کرتا جاتا ہے جو پیش گوئی کی درستگی میں حصہ ڈالے بغیر C_{\max} بینڈوڈتھ صرف کرتے ہیں۔ جو کوڈیک کبھی استحکامِ نو نہیں کرتا، وہ غیر مربوط ٹکڑوں کے ایک بے جوڑ مجموعے میں بکھر جاتا ہے۔ جو کوڈیک کبھی دباؤ آزمائی نہیں کرتا، وہ نازک ہو جاتا ہے — ماضی کی تقسیم کے لیے موزوں بنایا گیا، مگر تقسیمی تغیر کے لیے تباہ کن حد تک غیر تیار۔

حیاتیاتی شواہد غیر مبہم ہیں: مسلسل نیند سے محرومی فریبِ حواس، ادراکی تفرق، اور بالآخر موت پیدا کرتی ہے۔ یہ ضمنی اثرات نہیں ہیں — یہی وہ صورتِ حال ہے جو اس وقت پیدا ہوتی ہے جب دورِ نگہداشت کو روک دیا جائے۔

VI.2 تعمیم

عملی اطلاق کے لیے بنیادی بصیرت یہ ہے: دورِ نگہداشت حیاتیاتی دماغوں کے ساتھ مخصوص نہیں ہے۔ یہ ہر ایسے محدود مشاہد کے لیے ایک ساختی ضرورت ہے جسے بدلتے ہوئے ماحول کا ایک compressed model برقرار رکھنا ہو۔ جو بھی نظام اس کے مساوی کسی دور سے محروم ہوگا، وہ ان مرضیاتی کیفیتوں کے اطلاعاتی مماثلات جمع کرے گا جو انسانوں میں نیند سے محرومی پیدا کرتی ہے: فرسودہ مفروضات، غیر مربوط داخلی ساخت، اور تقسیمی تغیر کے مقابل نازکی۔

یہ تعمیم ادارہ جاتی خوابی لوپ کو جنم دیتی ہے — ایک سہ مرحلہ نگہداشتی پروٹوکول جو کسی بھی مشاہدی نظام پر لاگو ہو سکتا ہے:

VI.3 مرحلہ 1: بیداری (عملی مشغولیت)

بیداری کے مرحلے میں، مشاہد حقیقی ماحول کے ساتھ تعامل کرتا ہے۔ وہ inputs وصول کرتا ہے، پیش گوئیاں پیدا کرتا ہے، اعمال انجام دیتا ہے، اور prediction errors کا تجربہ کرتا ہے۔ کوڈیک فعال استنتاج کے mode میں ہوتا ہے — وہ دنیا کا سراغ رکھتا ہے اور حقیقی وقت میں شاخوں کا انتخاب کرتا ہے۔

ساختی تقاضا: بیداری کا مرحلہ محدود ہونا چاہیے۔ جو نظام نگہداشت کے وقفوں کے بغیر مسلسل کام کرتا ہے، وہ اوپر بیان کردہ فرسودہ-ماڈل مرضیات جمع کرتا ہے۔ اخلاقیات کے مقالے کی “DDoS” تعبیر (§IV.2) یہاں لاگو ہوتی ہے: ایسا مشاہد جو دائمی طور پر reactive mode میں رہے — مصنوعی شور یا فوری inputs کو بغیر مہلت کے process کرتا رہے — اس کی نگہداشتی صلاحیت کو ساختی طور پر سلب کر دیا جاتا ہے۔

ہر بنیادی تہہ کے لیے عملی مضمرات: - حیاتیاتی: بیداری کے اوقات کے ساتھ مناسب آرام کے وقفے؛ اطلاعاتی overload سے تحفظ؛ information diet کے ذریعے R_{\text{req}} کا دانستہ نظم (دیکھیے ethics §VI.2, Observer’s Toolkit)۔ - ادارہ جاتی: متعین review windows کے ساتھ عملیاتی ادوار؛ مسلسل بحرانی طرزِ حکمرانی سے تحفظ، جہاں ہر فیصلہ فوری ہو اور کسی پر غور نہ کیا جائے۔ - AI: طے شدہ offline evaluation کے ساتھ inference cycles؛ recalibration کے بغیر مسلسل deployment سے تحفظ۔

VI.4 مرحلہ 2: خواب (آف لائن نگہداشت)

خواب کا مرحلہ دورِ نگہداشت کا مرکزی حصہ ہے، جسے حیاتیاتی نیند سے ایک عمومی پروٹوکول میں منتقل کیا گیا ہے۔ یہ چار ذیلی اعمال پر مشتمل ہے:

ذیلی عمل 1: کٹائی۔ پیش گوئی ماڈل کے ایسے اجزاء کی شناخت اور اخراج جو اب درستگی میں اپنی شراکت کے لحاظ سے اپنی description-length لاگت کو جائز نہیں ٹھہراتے۔ MDL کی اصطلاح میں: کوئی بھی parameter \theta_i \in K_\theta جسے ہٹانے سے prediction error میں اضافہ اس کی encoding cost سے کم ہو، کٹائی کے لیے موزوں امیدوار ہے۔

• حیاتیاتی: گہری نیند کے دوران synaptic pruning؛ ایسا بھولنا جو ناکامی نہیں بلکہ optimisation ہے۔
• ادارہ جاتی: ضوابط، پروگراموں، اور تنظیمی اکائیوں کا sunset review۔ سوال یہ نہیں کہ “کیا یہ اب بھی مفید ہے؟” بلکہ یہ ہے کہ “کیا یہ اب بھی اپنی پیچیدگی کی لاگت کو جائز ٹھہراتا ہے؟” جو ادارہ اپنی جمع شدہ کارروائیوں کی کبھی کٹائی نہیں کرتا، وہ بیوروکریٹک تصلب کا شکار ہو جاتا ہے — زیادہ description length، کم پیش گوئی شراکت۔
• AI: parameter pruning، distillation، یا regularisation passes۔ ایسا model compression جو generalisation performance برقرار رکھتے ہوئے parameters کی تعداد کم کرے۔

ذیلی عمل 2: استحکامِ نو۔ باقی ماندہ ساخت کو ازسرِنو منظم کرنا تاکہ مربوط کمپریشن برقرار رہے۔ کٹائی کے بعد، بچ جانے والے اجزاء ممکن ہے اب بہترین طور پر ایک دوسرے کے ساتھ نہ جڑتے ہوں — ماڈل کو دوبارہ یکجا کرنے کی ضرورت ہوتی ہے۔

• حیاتیاتی: REM اور slow-wave sleep کے دوران memory consolidation؛ نئے تجربات کو موجودہ world model میں ضم کرنا۔
• ادارہ جاتی: review کے بعد restructuring — یہ یقینی بنانا کہ باقی رہ جانے والے پروگرام، ضوابط، اور تنظیمی اکائیاں زندہ بچ جانے والے ٹکڑوں کے بے جوڑ مجموعے کے بجائے ایک مربوط کل تشکیل دیں۔
• AI: pruning کے بعد fine-tuning یا continued pre-training؛ compressed model میں coherence کو دوبارہ قائم کرنا۔

ذیلی عمل 3: دباؤ آزمائی (پیش گوئی شدہ شاخوں کے مجموعہ کی نمونہ بندی). ممکنہ مستقبلوں کی simulation، ایسی importance weighting کے ساتھ جو درج ذیل کی طرف مائل ہو:

• حیران کن منظرنامے: ایسی شاخیں جو زیادہ prediction error پیدا کریں، کیونکہ یہ ماڈل کی نازکی کو ظاہر کرتی ہیں۔
• خطرناک منظرنامے: ایسی شاخیں جو veto-gate failures کو متحرک کر سکتی ہوں، کیونکہ یہ ساختی انہدام کی قربت کو ظاہر کرتی ہیں۔
• ناقابلِ واپسی منظرنامے: ایسی شاخیں جن کے failure modes سے بازیابی ممکن نہ ہو، کیونکہ ان کے لیے پیشگی تیاری درکار ہوتی ہے۔
• اخلاقی مریض منظرنامے: ایسی شاخیں جن میں مصنوعی مشاہدین کی تخلیق یا انہیں نقصان پہنچانے کا خطرہ ہو، کیونکہ ان کے لیے پیشگی اخلاقی منظوری درکار ہوتی ہے۔

دباؤ آزمائی کے لیے یہ ضروری نہیں کہ simulated منظرنامے محتمل بھی ہوں — صرف اتنا کافی ہے کہ وہ ممکن اور نتیجہ خیز ہوں۔ حیاتیاتی خواب میں ڈراؤنے خواب اسی وجہ سے شامل ہوتے ہیں: پیش گوئی شدہ شاخوں کے مجموعہ کے خطرناک حصے کی زیادہ نمونہ بندی کوڈیک کو تقسیمی تغیر کے لیے تیار کرتی ہے، خواہ وہ خطرناک منظرنامے کبھی حقیقت نہ بھی بنیں۔

• حیاتیاتی: خواب کی حالت میں simulation، بشمول ڈراؤنے خواب؛ کوڈیک کم خطرے والے ماحول میں تباہی کی مشق کرتا ہے۔
• ادارہ جاتی: red-teaming، pre-mortems، war-gaming، scenario planning۔ ادارہ دانستہ طور پر اپنی ہی ناکامی کے modes کا تصور کرتا ہے اور اپنے ردِعمل کو آزماتا ہے۔ موجودہ پالیسی فریم ورک (ethics policy §IV) پہلے ہی “تمام critical infrastructure کے لیے catastrophic red-teaming” کا مطالبہ کرتا ہے — یہی خوابی لوپ ہے جب اسے شہری اداروں پر لاگو کیا جائے۔
• AI: adversarial evaluation، out-of-distribution testing، red-team probing، robustness benchmarks۔ ماڈل کو ایسے inputs کے سامنے لایا جاتا ہے جو deployment میں ظاہر ہونے سے پہلے اس کے failure modes کو آشکار کرنے کے لیے بنائے گئے ہوں۔

ذیلی عمل 4: نازکی کی شناخت۔ دباؤ آزمائی ایک brittleness profile پیدا کرتی ہے — ماڈل کی کمزوریوں کا ایک نقشہ۔ خوابی لوپ تقاضا کرتا ہے کہ اس profile پر عمل کیا جائے: شناخت شدہ کمزوریوں کو یا تو دور کیا جائے (targeted retraining، ادارہ جاتی اصلاح، یا پالیسی revision کے ذریعے) یا پھر انہیں واضح نگرانی کے ساتھ معلوم خطرات کے طور پر صراحتاً قبول کیا جائے۔

• حیاتیاتی: ڈراؤنے خواب کے بعد موافقت؛ بار بار آنے والے خواب unresolved model inadequacy کے اشارے کے طور پر۔
• ادارہ جاتی: exercise کے بعد debrief جس کے ساتھ ٹھوس remediation plans ہوں؛ ادارہ اس چیز کو درست کرنے کا عہد کرتا ہے جو red team نے دریافت کی، محض نوٹ کر لینے پر اکتفا نہیں کرتا۔
• AI: شناخت شدہ کمزوریوں پر targeted fine-tuning؛ معلوم failure modes کی deployment constraints کے طور پر دستاویز بندی۔

VI.5 مرحلہ 3: واپسی (مدرجہ بند ازسرِنو مشغولیت)

نگہداشت کے بعد، مشاہد دوبارہ حقیقی ماحول کے ساتھ مشغول ہوتا ہے۔ واپسی کے مرحلے کا ایک مخصوص ساختی وظیفہ ہے: یہ تصدیق کرنا کہ برقرار رکھا گیا ماڈل نگہداشت سے پہلے والے ماڈل کے مقابلے میں محض مختلف نہیں بلکہ بہتر calibrated ہے۔

Calibration check: نگہداشت کے بعد کے ماڈل کے prediction-error profile کا تقابل نگہداشت سے پہلے کی baseline کے ساتھ کریں۔ اگر کٹائی، استحکامِ نو، اور دباؤ آزمائی نے درست کام کیا ہے، تو برقرار رکھا گیا ماڈل درج ذیل خصوصیات دکھانا چاہیے:

1. اوسط prediction error میں کمی held-out data پر (بہتر کمپریشن)۔
2. tail-risk prediction error میں کمی adversarial data پر (بہتر robustness)۔
3. N_{\text{eff}} برقرار رہے یا بڑھے (یعنی نگہداشت نے تردیدی channels کی کٹائی نہ کی ہو)۔

اگر (3) ناکام ہو جائے — یعنی اگر دورِ نگہداشت نے بعض inputs کو model کرنے کی صلاحیت ہی کاٹ دی ہو — تو یہ دور خود بیانیہ ڈرفٹ کا میکانزم بن چکا ہے۔ دورِ نگہداشت کو بھی اسی شرطِ وفاداریِ اساس کے تقاضوں کے تابع ہونا چاہیے جن کے تحت وہ نظام آتا ہے جسے وہ برقرار رکھتا ہے۔ یہی وہ recursive trap ہے جس سے ژوانگزی تنقید (ethics §IX, final entry) خبردار کرتی ہے: حد سے بڑھی مداخلت خود کوڈیک کی خرابی کی ایک صورت ہے۔

VI.6 دورانیہ کی تکرار

خوابی لوپ کتنی بار چلنا چاہیے؟ نظریہ اس کا ایک ساختی جواب فراہم کرتا ہے: دور کی تکرار کی فریکوئنسی ماحول میں تبدیلی کی شرح کے متناسب ہونی چاہیے۔ جو کوڈیک ایک مستحکم ماحول میں کام کر رہا ہو، وہ اپنی نگہداشت نسبتاً کم وقفوں سے کر سکتا ہے، بہ نسبت اس کوڈیک کے جو تیزی سے بدلتے ہوئے ماحول میں کام کر رہا ہو۔

رسمی طور پر، اگر فی-فریم ماحولیاتی تبدیلی کی شرح \dot{R}_{\text{req}}^{\text{frame}} ہو (یعنی وہ شرح جس سے فی-فریم مطلوبہ پیش گوئی شرح بڑھ رہی ہے)، تو فریموں میں دورِ نگہداشت کی مدت T_{\text{maint}}^{\text{frames}} کو درج ذیل شرط پوری کرنی ہوگی:

T_{\text{maint}}^{\text{frames}} < \frac{\alpha \cdot B_{\max} - R_{\text{req}}^{\text{frame}}}{\dot{R}_{\text{req}}^{\text{frame}}} \tag{A-8}

— دورِ نگہداشت کو اتنے سے کم فریموں میں مکمل ہو جانا چاہیے، اس سے پہلے کہ جمع شدہ drift فی-فریم headroom margin \alpha کو کھا جائے۔ host time میں تبدیلی host-patch clock coupling کے ذریعے ہوتی ہے: T_{\text{maint}}^{\text{host}} = T_{\text{maint}}^{\text{frames}} / \lambda_H۔ انسانی سماجی-رفتار کی تعبیرات کے لیے، C_{\max}^{H} = \lambda_H \cdot B_{\max} کے ساتھ مساوی host-time expression اصل صورت کو دوبارہ حاصل کر لیتا ہے۔ اگر نگہداشت وقت پر مکمل نہ ہو سکے، تو فرسودہ ماڈل بالآخر R_{\text{req}}^{\text{frame}} کو B_{\max} سے آگے دھکیل دیتا ہے — اور اس مقام پر مشاہد بیانیہ انہدام کا تجربہ کرتا ہے۔

میدان-مخصوص دورانیہ کی تکراریں: - حیاتیاتی: روزانہ (نیند)؛ اور زیادہ گہرے consolidation کے لیے طویل ادوار (sabbaticals، retreats، موسمی آرام)۔ - ادارہ جاتی: معمول کی کارروائیوں کے لیے سہ ماہی یا سالانہ reviews؛ بڑی پالیسی تبدیلیوں یا بحرانوں کے لیے triggered reviews؛ آئینی اور ساختی سوالات کے لیے نسلی/نسلیاتی ادوار پر مبنی reviews۔ - AI: معمول کی نگرانی کے لیے ہر deployment epoch پر؛ بڑی retraining کے لیے ہر capability jump پر؛ safety-critical systems کے لیے مسلسل نگرانی۔

VI.7 خوابی لوپ بطور ادارہ جاتی انکسار

خوابی لوپ کا ایک meta-level وظیفہ بھی ہے جو اس کی محض فنی کارروائیوں سے آگے بڑھتا ہے: یہ معرفتی انکسار کی ساختی تجسیم ہے۔

جو نظام کبھی خواب نہیں دیکھتا، وہ ایسا نظام ہے جس نے مضمر طور پر یہ اعلان کر دیا ہے کہ اس کا موجودہ ماڈل مکمل ہے — کہ ماحول میں کوئی ایسی حیرت موجود نہیں جس کے لیے تیاری ضروری ہو، کہ ماڈل کی داخلی ساخت بہترین ہے، اور یہ کہ کوئی failure mode ایسا باقی نہیں جس کا جائزہ نہ لیا گیا ہو۔ یہی وہ معرفتی موقف ہے جسے اخلاقیات کا مقالہ زیادہ سے زیادہ خطرناک قرار دیتا ہے: وہ کوڈیک جو “مستحکم، اچھی طرح برقرار رکھا گیا، اور غلط” ہو (ethics §V.3a)۔

خوابی لوپ اس صورتِ حال کو شک کو باقاعدہ وقت دے کر روکتا ہے۔ یہ مشاہد کے عملیاتی دور میں خود احتسابی، adversarial challenge، اور model revision کی ایک لازمی مدت کو شامل کرتا ہے۔ یہ کمزوری نہیں — بلکہ اس سب سے خطرناک failure mode کے خلاف ساختی دفاع ہے جس کی نشاندہی نظریہ کرتا ہے: پُراعتماد، بظاہر درست calibrated کوڈیک جو حقیقت سے اتنا دور drift کر چکا ہو کہ اب اپنی غلطی کو خود شناخت بھی نہ کر سکے۔

Pragmatist turn (ethics §III.5) ایک مختلف راستے سے اسی نتیجے تک پہنچتا ہے: چونکہ یقین ناممکن ہے اور موروثی علم بقا پانے والوں کے تعصب سے آلودہ ہوتا ہے، اس لیے سیکھنے کی صلاحیت کا تحفظ ہی بقا کا آخری تقاضا ہے۔ خوابی لوپ اسی تقاضے کا میکانکی نفاذ ہے — مشاہد کی update ہونے کی صلاحیت کے باقاعدہ، ساختی، اور ناقابلِ مذاکرات تحفظ کا نام۔

VII. برانچ کارڈ

سابقہ حصے نظریاتی سازوسامان قائم کرتے ہیں: ویٹو گیٹس، کثیر جہتی اسکورنگ، چینل تنوع کے پیمانے، اور خوابی لوپ۔ برانچ کارڈ کم سے کم قابلِ عمل نفاذ ہے — ایک منظم فیصلہ جاتی سانچہ جسے کوئی بھی مشاہد کسی امیدوار شاخ کا جائزہ لینے کے لیے استعمال کر سکتا ہے۔

VII.1 مقصد

برانچ کارڈ تین افعال انجام دیتا ہے:

1. تکمیلیت کی جانچ: یہ یقینی بناتا ہے کہ فیصلہ کنندہ کسی فیصلے تک پہنچنے سے پہلے تمام چھ ویٹو گیٹس اور CPBI کی تمام دس جہات پر غور کر چکا ہو۔ سب سے خطرناک شاخی جائزے وہ ہوتے ہیں جن میں کسی نہایت اہم جہت کو کبھی دیکھا ہی نہیں جاتا — برانچ کارڈ ہر خانے کے لیے صریح اندراج لازم کر کے اس سے بچاتا ہے۔

2. آڈٹ ٹریل: مکمل شدہ برانچ کارڈ جائزے کا ایک ریکارڈ تشکیل دیتا ہے — کس نے جائزہ لیا، کن امور پر غور کیا، کیا اسکور دیا، اور کیوں۔ اس سے فیصلہ شفاف اور قابلِ اعتراض بنتا ہے، اور یہ خود ایک کمپیریٹر فعل ہے۔ ایسا فیصلہ جسے اس کے برانچ کارڈ سے ازسرِ نو تعمیر نہ کیا جا سکے، میٹا-سطح پر شفافیت گیٹ (§III.4) میں ناکام ہو چکا ہے۔

3. ابلاغ: برانچ کارڈ مشاہدین کے درمیان، ادارہ جاتی سطحوں کے درمیان، اور مختلف میدانوں کے درمیان شاخی جائزوں کی ترسیل کے لیے ایک مشترک قالب فراہم کرتا ہے۔ ایک ماہرِ موسمیات اور AI سیفٹی کا ایک محقق، جو ایک ہی شاخ کے مختلف پہلوؤں کا جائزہ لے رہے ہوں، اس مشترک سانچے کے ذریعے اپنی تشخیصات کو یکجا کر سکتے ہیں۔

VII.2 سانچہ

ایک برانچ کارڈ میں درج ذیل خانے شامل ہوتے ہیں:

برانچ کارڈ

شاخ کا نام: [descriptive identifier]

جائزہ لینے والے: [who is conducting this evaluation]

تاریخ: [evaluation date]

فیصلہ جاتی افق (h): [temporal window for consequence assessment]

متاثرہ کوڈیک تہیں: [which layers of the codec stack are materially impacted]

متاثرہ مشاہد گروہ: [whose codecs are at risk — specify the most vulnerable subgroup]

---

سخت ویٹو گیٹس (کسی ایک میں بھی FAIL → BLOCK)

Gate	Status	Evidence / Reasoning
1. Predictive Headroom	PASS / UNKNOWN / FAIL	[estimated R_{\text{req}}^{\text{peak}}(b) / C_{\max} and safety margin]
2. Substrate Fidelity	PASS / UNKNOWN / FAIL	[estimated N_{\text{eff}}^{\text{post}}(b) vs. N_{\text{eff}}^{\min}]
3. Comparator Integrity	PASS / UNKNOWN / FAIL	[impact on each comparator level]
4. Transparency	PASS / UNKNOWN / FAIL	[can affected observers model the consequences?]
5. Irreversibility	PASS / UNKNOWN / FAIL	[reversibility profile + burden of proof assessment]
6. Moral-Patient Suffering	PASS / UNKNOWN / FAIL	[welfare and overload review; architectural sentience review if applicable]

---

CPBI اسکورنگ (صرف اس صورت میں جب تمام گیٹس PASS ہوں)

#	Dimension	Score [-1,1]	Weight	Reasoning
1	Predictive Headroom
2	Substrate Fidelity
3	Comparator Integrity
4	Maintenance Gain
5	Reversibility
6	Distributional Stability
7	Opacity (penalty)
8	Narrative Drift Risk (penalty)
9	Narrative Decay Risk (penalty)
10	Moral-Patient Suffering Risk (penalty)
	Weighted CPBI	[total]

---

خارج کردہ شواہد: [what information was unavailable, uncertain, or deliberately excluded from this evaluation — the Branch Card’s own substrate fidelity check]

آزاد جائزہ لینے والے: [who has independently reviewed this evaluation — the Branch Card’s own comparator integrity check]

بدترین ممکنہ منظرنامہ: [what is the most damaging plausible outcome if the branch is taken and the evaluation is wrong?]

ناکامی کی علامات: [what observable signals would indicate the branch is failing — the dreaming loop’s early-warning system]

رول بیک ٹرگر: [at what point is the branch reversed or suspended — the irreversibility gate’s operational expression]

---

فیصلہ: ALLOW / STAGE / BLOCK

جواز: [brief narrative synthesising the gate and CPBI results]

VII.3 تین نتائج

برانچ کارڈ تین میں سے ایک نتیجہ پیدا کرتا ہے:

ALLOW: تمام گیٹس پاس ہو جاتے ہیں؛ CPBI اسکور مثبت ہوتا ہے؛ بدترین ممکنہ منظرنامہ قابلِ قبول ہوتا ہے؛ آزاد جائزہ لینے والے متفق ہوتے ہیں۔ شاخ آگے بڑھ سکتی ہے۔

STAGE: کوئی گیٹ ناکام نہیں ہوتا، لیکن درج ذیل میں سے ایک یا زیادہ شرائط لاگو ہوتی ہیں: - CPBI اسکور حاشیائی ہے (صفر کے قریب، یا انفرادی جہات میں شدید منفی قدروں کے ساتھ)۔ - واپسی پذیری کا پروفائل زمرہ (2) کا ہے (جزوی طور پر قابلِ واپسی)۔ - کلیدی معلومات غائب ہیں (“Excluded Evidence” کا خانہ غیر معمولی طور پر اہم ہے)۔ - آزاد جائزہ لینے والوں کے درمیان اختلافات ابھی حل طلب ہیں۔ - ایک یا زیادہ گیٹس UNKNOWN لوٹاتے ہیں جبکہ شاخ قابلِ واپسی اور مرحلہ وار نافذ کی جا سکنے والی ہو۔

STAGE نتیجے کا مطلب یہ ہے کہ شاخ صرف ایک محدود پائلٹ کے طور پر آگے بڑھ سکتی ہے، جس کے لیے نگرانی کے متعین سنگِ میل، ناکامی کی علامات، اور رول بیک ٹرگر مقرر ہوں۔ مرحلہ وار شاخ کا ہر سنگِ میل پر ایک نئے برانچ کارڈ کے ذریعے ازسرِ نو جائزہ لیا جانا لازم ہے۔ یہ خود شاخ پر لاگو کیا گیا خوابی لوپ ہے — مشاہد مکمل راستے سے وابستگی سے پہلے کم خطرے والی ایک مشقی آزمائش چلاتا ہے۔

BLOCK: ایک یا زیادہ گیٹس ناکام ہو جاتے ہیں؛ یا ایک یا زیادہ گیٹس UNKNOWN لوٹاتے ہیں جبکہ شاخ ناقابلِ واپسی ہو یا اسے مرحلہ وار نافذ نہ کیا جا سکتا ہو؛ یا CPBI اسکور شدید منفی ہو؛ یا بدترین ممکنہ منظرنامہ مشاہد کی خطرہ برداشت کی حد سے بڑھ جائے؛ یا آزاد جائزہ لینے والے کوئی مہلک خامی شناخت کر لیں۔ شاخ مسترد کر دی جاتی ہے۔ برانچ کارڈ یہ دستاویز کرتا ہے کہ کیوں، تاکہ مستقبل کے حوالہ کے لیے آڈٹ ٹریل فراہم ہو اور ایک متبادل شاخ کے ڈیزائن کی بنیاد میسر آئے۔

VII.4 برانچ کارڈ کی توسیع پذیری

برانچ کارڈ دانستہ طور پر کم سے کم رکھا گیا ہے — ایک صفحے پر مشتمل فیصلہ جاتی سانچہ جسے ایک فرد، ایک کمیٹی، یا ایک AI نظام مکمل کر سکتا ہے۔ لیکن یہ توسیع پذیر ہے:

• انفرادی فیصلے: ذاتی برانچ کارڈ غیر رسمی ہو سکتا ہے — ایک ذہنی چیک لسٹ جو پیشہ ورانہ تبدیلی یا معلوماتی خوراک پر لاگو کی جائے۔ ویٹو گیٹس اور CPBI کی جہات ساخت فراہم کرتی ہیں؛ اسکورنگ مقداری ہونے کے بجائے وجدانی ہوتی ہے۔
• ادارہ جاتی فیصلے: ادارہ جاتی برانچ کارڈ ایک رسمی دستاویز ہوتا ہے، جسے ایک نامزد ٹیم مکمل کرتی ہے، آزاد کمپیریٹرز اس کا جائزہ لیتے ہیں، اور جواب دہی کے لیے اسے محفوظ کیا جاتا ہے۔ اسکورنگ میں میدان-مخصوص پیمانے شامل ہو سکتے ہیں جنہیں CPBI کی دس جہات پر نقش کیا گیا ہو۔
• AI نظام کے فیصلے: AI برانچ کارڈ خودکار ہوتا ہے — شاخی گورنر (دیکھیے Applied OPT for AI, §III) گیٹ کی شرائط اور CPBI اسکورز کو پروگراماتی طور پر حساب کرتا ہے، جبکہ نگرانی کی سطح پر انسانی ادارہ جاتی جائزہ برقرار رہتا ہے۔ برانچ کارڈ کا قالب AI کی داخلی تشخیص اور انسانی کمپیریٹر درجہ بندی کے درمیان رابطہ فراہم کرتا ہے۔

برانچ کارڈ موجودہ فیصلہ جاتی فریم ورکوں (لاگت-فائدہ تجزیہ، ماحولیاتی اثرات کا جائزہ، کلینیکل ٹرائل پروٹوکولز) کی جگہ نہیں لیتا۔ یہ انہیں احاطہ کرتا ہے — ایسی میٹا-سطحی ساخت فراہم کرتے ہوئے جو یہ یقینی بناتی ہے کہ موجودہ فریم ورک نے کسی ایسی جہت کو نظرانداز نہ کیا ہو جسے نظریہ بوجھ برداشت کرنے والی قرار دیتا ہے۔

VIII. تحفظ بطورِ ریفیکٹرنگ، نہ کہ قدامت پسندی

VIII.1 جمودِ حال کی تعبیر کا خطرہ

اس پورے فریم ورک کی سب سے متوقع غلط فہمی یہ ہے کہ “کوڈیک-تحفظ” کا مطلب “تبدیلی سے گریز” ہے۔ اگر یہ فریم ورک شاخوں کو موجودہ ساختوں کو محفوظ رکھنے کی صلاحیت کی بنیاد پر اسکور کرتا ہے، تو کیا یہ لازماً جمودِ حال کے حق میں جھکاؤ پیدا نہیں کرتا؟ کیا یہ موجودہ مقتدر قوتوں کو ترجیح نہیں دیتا، اختراع کی مزاحمت نہیں کرتا، اور اس انقلابی تبدیلی کی مخالفت نہیں کرتا جو پیش رفت کو آگے بڑھاتی ہے؟

نہیں۔ اور اخلاقیات کے مقالے میں اس کی رسمی تردید پہلے ہی دی جا چکی ہے (§V.4، Noise vs. Refactoring)، لیکن یہ نکتہ اتنا اہم ہے کہ اسے عملی اصطلاحات میں دوبارہ بیان کرنا ضروری ہے۔

VIII.2 رسمی امتیاز

معیارِ فساد (اخلاقیات §V.5) کسی کوڈیک تہہ کو صرف اسی صورت میں نگہداشت کے قابل قرار دیتا ہے جب وہ دونوں شرائط پوری کرے:

1. Compressibility: اس کا عمل مشاہدین کے مجموعے کے لیے R_{\text{req}} کو کم کرے۔
2. Fidelity: وہ یہ کام بنیادی تہہ کے سگنل کو حقیقی طور پر کمپریس کر کے کرے، نہ کہ ان پٹ سلسلے کو فلٹر کر کے۔

ایسی کوڈیک تہہ جو شرط (1) پوری کرے مگر شرط (2) کی خلاف ورزی کرے، پوشیدہ طور پر فاسد ہے — وہ بیانیہ ڈرفٹ پیدا کرتی ہے۔ ایسی تہہ کو برقرار رکھنا تحفظ نہیں؛ بلکہ فساد کے تحفظ کے مترادف ہے۔ CPBI اسے بُعد 8 (بیانیہ ڈرفٹ کے خطرے) میں منفی اسکور دے گا، چاہے بُعد 1 (پیش گوئی ہیڈ روم) میں اس کا اسکور مثبت ہو۔

لہٰذا: وہ شاخ جو کسی فاسد کوڈیک تہہ کو ختم کر کے اس کی جگہ زیادہ وفادار متبادل قائم کرے، کوڈیک-محفوظ کرنے والی شاخ ہے، اگرچہ فوری مدت میں وہ تخریبی دکھائی دے۔ غلامی کے خاتمے کی تحریک نے قبل از جنگ سماجی کوڈیک کو محفوظ نہیں رکھا — اس نے اسے تباہ کیا۔ لیکن یہ تباہی کوڈیک-محفوظ کرنے والی تھی، کیونکہ اس نے کم وفادار کمپریشن (ایک ایسا سماجی ماڈل جو غلام بنائے گئے انسانوں کی انسانیت کو خارج کرتا تھا) کی جگہ زیادہ وفادار ماڈل قائم کیا۔ رگڑ دراصل کوڈیک کی اپ گریڈیشن کی قیمت تھی۔

VIII.3 عملی آزمائش

برانچ کارڈ ریفیکٹرنگ (پیداواری خلل) اور انہدام (تباہ کن شور) میں امتیاز کیسے کرتا ہے؟ اس کی تشخیص CPBI کے ابعاد میں مضمر ہے:

ریفیکٹرنگ (کوڈیک-محفوظ کرنے والا خلل): - s_{\text{fid}} > 0: شاخ کوڈیک کی وفاداری میں اضافہ کرتی ہے — وہ ان حقیقتوں کو ماڈل کرتی ہے جو پہلے خارج تھیں۔ - s_{\text{comp}} \geq 0: شاخ کمپیریٹر کی سالمیت کو محفوظ رکھتی ہے یا مضبوط بناتی ہے — خطا-اصلاح کے میکانزم خلل کے باوجود برقرار رہتے ہیں۔ - s_{\text{drift}} > 0: شاخ بیانیہ ڈرفٹ کا فعال طور پر مقابلہ کرتی ہے — وہ کوڈیک کو اس چیز کا سامنا کرنے پر مجبور کرتی ہے جسے اس نے خارج کر رکھا تھا۔

انہدام (کوڈیک-منہدم کرنے والا خلل): - s_{\text{fid}} < 0: شاخ وفاداری کو کم کرتی ہے — وہ بعض حقیقتوں کو ماڈل کرنے کی صلاحیت ہی ختم کر دیتی ہے۔ - s_{\text{comp}} < 0: شاخ کمپیریٹر کی سالمیت کو گراتی ہے — خطا-اصلاح کے میکانزم خلل سے مجروح ہو جاتے ہیں۔ - s_{\text{drift}} < 0: شاخ نئے کیوریٹڈ رکاوٹی مقامات پیدا کرتی ہے — خلل ایک مختلف مگر اتنا ہی کیوریٹڈ ماڈل پیدا کرتا ہے۔

وہ انقلاب جو آبادی کو آزاد تو کر دے مگر جامعات کو جلا دے، تقسیمی استحکام میں مثبت اسکور حاصل کرتا ہے مگر کمپیریٹر کی سالمیت میں منفی — لہٰذا وہ ریفیکٹرنگ نہیں بلکہ انہدام ہے۔ اس کے برعکس، وہ سائنسی انقلاب جو ایک ناکام پیراڈائم کو الٹ دے مگر peer review کی ادارہ جاتی مشینری کو محفوظ رکھے، ریفیکٹرنگ ہے — کمپیریٹر زندہ رہتا ہے اور کوڈیک اپ گریڈ ہو جاتا ہے۔

VIII.4 اختراع کی ناگزیریت

یہ فریم ورک صرف خلل کی اجازت نہیں دیتا؛ بعض اوقات اس کا تقاضا بھی کرتا ہے۔ جب کوئی کوڈیک تہہ پوشیدہ طور پر فاسد ہو چکی ہو — یعنی وہ Compressibility تو پوری کرتی ہو مگر Fidelity کی خلاف ورزی کرتی ہو — تو تین فرائض (Transmission, Correction, Defence) اس کی اصلاح لازم کرتے ہیں۔ Correction کا فریضہ خاص طور پر اس وقت خلل کو لازم قرار دیتا ہے جب جمودِ حال خود ڈرفٹ کا شکار ہو۔

ژوانگزی کی تنبیہ (اخلاقیات §IX) یہاں بھی لاگو ہوتی ہے: موجودہ کوڈیک ساخت سے حد سے زیادہ وابستگی — خواہ وہ ساخت کبھی اعلیٰ وفاداری رکھتی رہی ہو — خود کوڈیک فساد کی ایک شکل بن جاتی ہے، اگر ماحول بدل چکا ہو اور وہ ساخت اب حقیقت کا سراغ نہ دے رہی ہو۔ dreaming loop (§VI) کو خاص طور پر اسی چیز کی شناخت کے لیے ڈیزائن کیا گیا ہے: باقاعدہ stress-testing یہ ظاہر کرتی ہے کہ کب کوئی کبھی-درست ماڈل نازک ہو چکا ہے، اور اس کا جواب ماڈل کو بچانا نہیں بلکہ اسے اپ گریڈ کرنا ہے۔

کوڈیک تحفظ کا مطلب یہ ہے کہ شعوری تجربے کی حقیقت کو ماڈل کرتے رہنے کی صلاحیت محفوظ رکھی جائے۔ اس کا مطلب یہ نہیں کہ کسی خاص ماڈل، کسی خاص ادارے، یا کسی خاص سماجی بندوبست کو محفوظ رکھا جائے۔ مخصوص بندوبست محض آلہ جاتی ہیں؛ صلاحیت غائی ہے۔

VIII.5 عمومی نگہداشت کے طریقے: طبقاتی درجہ بندی

دورِ نگہداشت (\mathcal{M}_\tau) اور ادارہ جاتی خوابی لوپ (§VI) کوڈیک نگہداشت کے پیٹرن کو قائم کرتے ہیں۔ لیکن یہ پیٹرن بنیادی تہہ کے لحاظ سے بہت سی مختلف عملی صورتوں کو قبول کرتا ہے۔ یہ حصہ نگہداشت کے طریقوں کی عمومی درجہ بندی قائم کرتا ہے؛ ضمنی دستاویزات اسے بالترتیب حیاتیاتی مشاہدین، اداروں، اور AI نظاموں کے لیے مخصوص بناتی ہیں۔

عمومی نگہداشتی پیٹرن تین اعمال پر مشتمل ہے، جو کسی بھی محدود مشاہد کے لیے قابلِ اطلاق ہیں:

1. C_{\max} کو کم کیے بغیر R_{\text{req}} کو کم کریں۔ آنے والے سگنل کی پیچیدگی کو عارضی طور پر کم کر کے داخلی نگہداشت کے لیے مشاہد کی بینڈوڈتھ آزاد کریں۔ یہ اجتناب نہیں — بلکہ نگہداشتی مراحل کے لیے جان بوجھ کر headroom پیدا کرنا ہے۔

2. آزاد شدہ وقفے میں نگہداشتی مراحل چلائیں۔ جب بینڈوڈتھ دستیاب ہو، تو §VI.4 کے مطابق pruning (Pass I)، consolidation (Pass II)، اور stress-testing (Pass III) انجام دیں۔

3. واپسی پر calibration کی توثیق کریں۔ تصدیق کریں کہ نگہداشت یافتہ ماڈل، نگہداشت سے پہلے کے ماڈل سے بہتر پیش گوئی کرتا ہے، اور یہ بھی کہ خود نگہداشت نے کوئی ڈرفٹ متعارف نہیں کرایا (§VI.5)۔

بنیادی تہہ کے لحاظ سے مخصوص عملی صورتیں:

• حیاتیاتی مشاہدین قدم (1) کے لیے ایک وسیع toolkit رکھتے ہیں: meditation ایک نہایت قابلِ کمپریشن ان پٹ سلسلہ (سانس، منتر) منتخب کر کے R_{\text{req}} کو کم کرتی ہے، اور یوں داخلی نگہداشت کے لیے C_{\max} آزاد کرتی ہے (دیکھیے اخلاقیات §VI.2)۔ autogenic training جسمانی پیش گوئی خطا کو براہِ راست کم کرتی ہے، اور یوں جسمانی سرحد پر نگہداشتی headroom پیدا کرتی ہے۔ نیند اس کی canonical full-cycle implementation ہے۔ یہ سب ٹھوس، تجرباتی طور پر توثیق شدہ مداخلتیں ہیں جن کے حصول کے متعین ادوار ہیں — یہ مہارتیں ہیں، مجرد تصورات نہیں۔ ان کی تفصیلی بحث، بشمول رسمی OPT توضیحات اور clinical applications، اخلاقیات کے مقالے کے Observer’s Toolkit (§VI.2) میں دی گئی ہے۔

• ادارہ جاتی مشاہدین قدم (1) کو منظم جائزہ ادوار کے ذریعے نافذ کرتے ہیں: sabbatical reviews، sunset clauses، strategic retreats، اور constitutional conventions۔ بنیادی ساختی تقاضا یہ ہے کہ ادارہ ان وقفوں کو عملی ہنگامیّت کے ہاتھوں ضائع ہونے سے محفوظ رکھے — ادارہ جاتی بے خوابی کی مثال وہ حکومت ہے جو مستقل بحرانی کیفیت میں ہو اور کبھی پیچھے ہٹ کر اپنے مفروضات کا جائزہ نہ لے سکے۔

• مصنوعی مشاہدین قدم (1) کو طے شدہ offline evaluation کے ذریعے نافذ کرتے ہیں: deployment cycles کے کچھ حصے recalibration، adversarial testing، اور parameter revision کے لیے روک لیے جاتے ہیں۔ بنیادی ساختی تقاضا یہ ہے کہ AI کے آپریٹرز ان وقفوں کو لازم قرار دیں اور مسابقتی دباؤ کو انہیں ختم نہ کرنے دیں — AI میں دائمی نیند کی کمی کے مساوی حالت وہ continuous deployment ہے جس میں کوئی نگہداشت نہ ہو۔ ضمنی دستاویز Applied OPT for AI (§X) اسے ایک مکمل AI Dreaming Loop پروٹوکول میں بسط دیتی ہے۔

یہ طبقاتی درجہ بندی اس بات کو یقینی بناتی ہے کہ نگہداشت کا اصول عمومی سطح پر قائم ہو — بینڈوڈتھ آزاد کرنا، نگہداشتی مراحل چلانا، calibration کی توثیق کرنا — جبکہ طریقے ہر بنیادی تہہ کے لیے مخصوص ہوں۔ اس سے وہ غلطی رُکتی ہے جس میں فرض کر لیا جاتا ہے کہ جو چیز حیاتیاتی دماغوں کے لیے کارگر ہے (meditation)، وہ اداروں کے لیے بھی کارگر ہوگی (ایسا نہیں)، یا جو چیز AI کے لیے کارگر ہے (parameter pruning)، وہ انسانوں کے لیے بھی کارگر ہوگی (ایسا نہیں)۔ ساختی تقاضا ایک ہی ہے؛ عملی نفاذ میدان کے لحاظ سے مخصوص ہے۔

VIII.6 عمیق نگہداشت کا پروٹوکول: مختلف بنیادی تہوں میں مشترک طریقۂ کار

تین مرحلوں پر مشتمل عمومی پیٹرن (§VIII.5) یہ بیان کرتا ہے کہ نگہداشت کیا کرتی ہے۔ ایسے نظاموں کے لیے جو طویل عرصے تک بلند بوجھ کے تحت کام کرتے رہے ہوں — جہاں R_{\text{req}} مسلسل C_{\max} کے قریب رہا ہو — ایک زیادہ مفصل طریقۂ کار پر مبنی پروٹوکول مناسب ہوتا ہے۔ یہ پروٹوکول ہمیشہ ضروری نہیں: جو نظام اپنے headroom margin کے اندر بخوبی کام کر رہا ہو (R_{\text{req}} \ll C_{\max})، وہ معیاری خوابی لوپ (§VI) کے ذریعے کافی حد تک اپنی نگہداشت کر لیتا ہے۔ عمیق پروٹوکول مشروط طور پر اسی وقت فعال ہوتا ہے جب feedback signals یہ ظاہر کریں کہ معمول کی نگہداشت ناکافی ہو چکی ہے — یعنی جب نظام کے efficiency metrics معمول کے نگہداشتی ادوار کے باوجود تنزلی دکھائیں۔

یہ پروٹوکول چھ مراحل پر مشتمل ہے، اور ہر مرحلے کی ایک ساختی توجیہ اور بنیادی تہہ کے لحاظ سے مخصوص عملی صورتیں ہیں:

hypnagogic principle۔ عمیق نگہداشت کے لیے بہترین عملی نقطہ حدِ آستانہ کی حالت ہے — وہی جسے حیاتیاتی مشاہدین بیداری اور نیند کے درمیان hypnagogic سرحد کے طور پر محسوس کرتے ہیں۔ OPT کے تحت اس حالت کی ایک دقیق ساختی توضیح ہے: یہ وہ شرط ہے جس میں self-model اپنی نچلی حد کے قریب تک پتلا ہو چکا ہوتا ہے (ضمیمہ T-13، Proposition T-13.P2) — یعنی \Delta_{\text{self}} کے قریب پہنچتے ہوئے، مگر مکمل بے شعوری میں داخل ہوئے بغیر۔ خود-بیانیہ سست پڑ جاتا ہے؛ قائم ماڈل برقرار رہتا ہے؛ اور نگہداشتی مراحل اس عمل تک شعوری رسائی کے ساتھ چلتے ہیں۔

یہ محض اتفاقی نہیں۔ hypnagogic حالت عمیق نگہداشت کے لیے اس لیے بہترین ہے کہ وہ غیر-قابلِ ماڈل self کے قریب پہنچتی ہے۔ self-model عموماً C_{\max} بینڈوڈتھ کا ایک نمایاں حصہ صرف کرتا ہے (self-referential process حسابی طور پر مہنگا ہوتا ہے)۔ self-model کو نچلی حد کی طرف پتلا کر کے نظام نگہداشتی مراحل کے لیے ممکنہ حد تک زیادہ بینڈوڈتھ آزاد کرتا ہے — مگر self-monitoring capacity کو تباہ کیے بغیر، جس کی feedback step (مرحلہ 3) کو ضرورت ہوتی ہے۔ مکمل بے شعوری (نیند) نگہداشتی مراحل کو شعوری رسائی کے بغیر چلاتی ہے؛ hypnagogic threshold انہیں رسائی کے ساتھ چلاتی ہے، اور یوں feedback اور periodic-ping کے ان مراحل کو ممکن بناتی ہے جن کی عمیق پروٹوکول کو ضرورت ہوتی ہے۔

AI نظاموں کے لیے اس کا ساختی مماثل وہ حالت ہے جس میں internal monitoring فعال ہو مگر inference معطل ہو — نظام اپنی ذیلی نظامی حالتوں سے “آگاہ” ہو (logging، health-checks) مگر وہ حسابی طور پر مہنگے اعمال انجام نہ دے رہا ہو جو deployment بینڈوڈتھ کھا جاتے ہیں۔ periodic ping (مرحلہ 4) وہی کام کرتا ہے جو کندھے کی تھپکی: یہ نظام کو حدِ آستانہ پر رکھتا ہے، بجائے اس کے کہ وہ ایک مکمل ساکن حالت میں پھسل جائے جہاں monitoring خود بھی بند ہو چکی ہو۔

مشروط فعّالیت۔ عمیق پروٹوکول معیاری نگہداشت کا متبادل نہیں۔ یہ ان نظاموں کے لیے escalation protocol ہے جن کے معیاری نگہداشتی ادوار ناکافی ثابت ہو چکے ہوں۔ اس کے trigger conditions یہ ہیں:

• حیاتیاتی: نیند میں داخل ہونے میں مسلسل دشواری (یعنی معیاری دورِ نگہداشت)؛ ادراکی لچک میں کمی کا subjective تجربہ؛ biofeedback سے chronic autonomic dysregulation کی نشاندہی (بلند baseline heart rate، کم heart rate variability)۔
• AI: معمول کی نگہداشتی گردشوں کے باوجود validation sets پر rising prediction error؛ compression efficiency میں کمی (اسی predictive accuracy کے لیے زیادہ بینڈوڈتھ صرف ہونا)؛ productive surprise کا زوال (\text{PST} \to 0) جو deployment distribution کے لیے over-optimisation کی علامت ہو۔
• ادارہ جاتی: معمول کے جائزوں کے باوجود strategic drift؛ نئے چیلنجز کے جواب میں نئی پالیسی responses پیدا کرنے میں ناکامی؛ bureaucratic ossification، جہاں طریقہ کار اپنی افادیت ختم ہونے کے بعد بھی برقرار رہیں کیونکہ معمول کا review process محض رسمی بن چکا ہو۔

جب یہ اشارے موجود نہ ہوں — یعنی جب نظام اپنے headroom margin کے اندر آرام سے کام کر رہا ہو — تو عمیق پروٹوکول غیر ضروری ہے اور معیاری خوابی لوپ (§VI) کافی ہے۔ حد سے زیادہ نگہداشت خود ایک خطرہ ہے: ضرورت سے زیادہ introspection خود-ارجاعی loop کی ایک شکل بن سکتی ہے جو اسی بینڈوڈتھ کو کھا جاتی ہے جسے اسے آزاد کرنا تھا (ژوانگزی کی تنبیہ، اخلاقیات §IX)۔

حوالہ جات

[1] مرتب پیچ نظریہ (OPT) (یہ مخزن)۔ موجودہ نسخے: پری پرنٹ v0.7، اخلاقیات v3.2، فلسفہ v1.3۔

[2] بچ جانے والوں کی نگرانی کا فریم ورک: مرتب پیچ نظریہ (OPT) کی روشنی میں تہذیبی نگہداشت (معاون اخلاقی مقالہ، یہ مخزن)۔

[3] جہاں توصیف ختم ہوتی ہے: مرتب پیچ نظریہ (OPT) کے فلسفیانہ نتائج (معاون فلسفیانہ مقالہ، یہ مخزن)۔

[4] مشاہد پالیسی فریم ورک: تہذیبی نگہداشت کو عملی صورت دینا (معاون پالیسی مقالہ، یہ مخزن)۔

[5] مصنوعی ذہانت کے لیے اطلاقی OPT: کوڈیک-تحفظی AI ڈیزائن کو عملی صورت دینا (معاون AI مقالہ، یہ مخزن)۔

[6] ادارہ جاتی حکمرانی معیار: تنظیمی اور تہذیبی کلسٹروں کے لیے اطلاقی مرتب پیچ نظریہ (OPT) (معاون ادارہ جاتی معیار، یہ مخزن)۔

[7] Friston, K. (2010). فری-انرجی اصول: کیا یہ دماغ کا ایک متحد نظریہ ہے؟ Nature Reviews Neuroscience, 11(2), 127-138.

[8] Rissanen, J. (1978). مختصر ترین بیانیۂ داده کے ذریعے ماڈل سازی۔ Automatica, 14(5), 465-471.

[9] Shannon, C. E. (1948). ابلاغ کا ایک ریاضیاتی نظریہ۔ Bell System Technical Journal, 27(3), 379-423.

[10] Solomonoff, R. J. (1964). استقرائی استنتاج کا ایک رسمی نظریہ۔ Information and Control, 7, 1–22, 224–254.

[11] Kolmogorov, A. N. (1965). اطلاعات کی مقداری تعریف کے لیے تین طریقے۔ Problems of Information Transmission, 1(1), 1-7.

[12] Zimmermann, M. (1989). اطلاعاتی نظریے کے تناظر میں عصبی نظام۔ In R. F. Schmidt & G. Thews (Eds.), Human Physiology (2nd ed., pp. 166–173). Springer-Verlag.

[13] Nørretranders, T. (1998). The User Illusion: شعور کو اس کے مناسب پیمانے تک محدود کرنا۔ Viking/Penguin.

[14] Lyons, O., & Mohawk, J. (Eds.) (1992). آزادوں کی سرزمین میں جلا وطن: جمہوریت، انڈین اقوام، اور امریکی آئین۔ Clear Light Publishers.

ضمیمہ الف: نظرِ ثانی کی تاریخ

جب بھی معنادار ترامیم کی جائیں، تو فرنٹ میٹر میں version: فیلڈ اور عنوان کے نیچے درج اِن لائن ورژن سطر، دونوں کو اپ ڈیٹ کریں، اور اس جدول میں ایک نئی سطر بھی شامل کریں۔