क्या ओपन मॉडल्स वाकई सबसे बड़ी लैब्स को चुनौती दे सकते हैं?
इंटेलिजेंस का बड़ा विकेंद्रीकरण
क्लोज्ड प्रोप्राइटरी सिस्टम और पब्लिक मॉडल्स के बीच का अंतर ज्यादातर विश्लेषकों के अनुमान से कहीं ज्यादा तेजी से कम हो रहा है। सिर्फ एक साल पहले, आम राय यह थी कि अरबों की फंडिंग वाली बड़ी लैब्स क्षमता में हमेशा आगे रहेंगी। आज, वह बढ़त वर्षों के बजाय महीनों में मापी जा रही है। ओपन वेट्स मॉडल्स अब कोडिंग, रीजनिंग और क्रिएटिव राइटिंग में सबसे उन्नत क्लोज्ड सिस्टम्स को टक्कर दे रहे हैं। यह बदलाव सिर्फ एक तकनीकी जिज्ञासा नहीं है। यह इस बात में एक बुनियादी बदलाव का प्रतिनिधित्व करता है कि कंप्यूटेशन के भविष्य को कौन नियंत्रित करता है। जब कोई डेवलपर अपने हार्डवेयर पर एक हाई परफॉरमेंस मॉडल चला सकता है, तो पावर डायनामिक्स सेंट्रलाइज्ड प्रोवाइडर्स से दूर हो जाते हैं। यह ट्रेंड बताता है कि ब्लैक बॉक्स मॉडल का युग एक डिस्ट्रीब्यूटेड ग्लोबल कम्युनिटी से अपनी पहली वास्तविक चुनौती का सामना कर रहा है।
इन सुलभ सिस्टम्स के उदय ने इस क्षेत्र में लीडर होने के मायने पर पुनर्विचार करने के लिए मजबूर किया है। अब सिर्फ चिप्स का सबसे बड़ा क्लस्टर होना काफी नहीं है, अगर परिणामी मॉडल एक महंगे और प्रतिबंधात्मक इंटरफेस के पीछे बंद है। डेवलपर्स अपने समय और कंप्यूट के साथ वोट कर रहे हैं। वे ऐसे मॉडल्स चुन रहे हैं जिन्हें वे बिना अनुमति मांगे देख सकें, संशोधित कर सकें और तैनात कर सकें। यह मूवमेंट गति पकड़ रहा है क्योंकि यह प्राइवेसी और कस्टमाइजेशन की उन मुख्य जरूरतों को पूरा करता है जिन्हें क्लोज्ड मॉडल्स अक्सर नजरअंदाज कर देते हैं। परिणाम एक अधिक प्रतिस्पर्धी वातावरण है जहां ध्यान केवल स्केल से हटकर एफिशिएंसी और एक्सेसिबिलिटी पर आ गया है। यह एक नए युग की शुरुआत है जहां सबसे सक्षम टूल्स ही सबसे अधिक उपलब्ध हैं।
डेवलपमेंट की तीन जनजातियां
यह समझने के लिए कि यह टेक्नोलॉजी किस दिशा में जा रही है, आपको इसे बनाने वाले तीन अलग-अलग प्रकार के संगठनों को देखना होगा। सबसे पहले, फ्रंटियर लैब्स हैं। ये OpenAI और Google जैसे दिग्गज हैं। उनका लक्ष्य जनरल इंटेलिजेंस के उच्चतम संभव स्तर तक पहुंचना है। वे बाकी सब चीजों से ऊपर स्केल और रॉ पावर को प्राथमिकता देते हैं। उनके लिए, ओपननेस को अक्सर सुरक्षा के लिए जोखिम या प्रतिस्पर्धी लाभ का नुकसान माना जाता है। वे बड़े, क्लोज्ड इकोसिस्टम बनाते हैं जो हाई परफॉरमेंस तो देते हैं लेकिन उनके क्लाउड इंफ्रास्ट्रक्चर पर पूर्ण निर्भरता की मांग करते हैं। उनके मॉडल्स परफॉरमेंस के लिए गोल्ड स्टैंडर्ड हैं, लेकिन वे उपयोग नीतियों और आवर्ती लागतों के रूप में शर्तों के साथ आते हैं।
दूसरे, हमारे पास एकेडमिक लैब्स हैं। स्टैनफोर्ड इंस्टीट्यूट फॉर ह्यूमन-सेंटर्ड AI जैसे संस्थान पारदर्शिता और पुनरुत्पादन पर ध्यान केंद्रित करते हैं। उनका लक्ष्य कोई उत्पाद बेचना नहीं, बल्कि यह समझना है कि ये सिस्टम कैसे काम करते हैं। वे अपनी खोजों, डेटा सेट्स और ट्रेनिंग मेथोडोलॉजी को प्रकाशित करते हैं। हालांकि उनके मॉडल्स हमेशा फ्रंटियर लैब्स की रॉ पावर से मेल नहीं खा सकते हैं, लेकिन वे बाकी इंडस्ट्री के लिए आधार प्रदान करते हैं। वे ऐसे सवाल पूछते हैं जिनसे कमर्शियल लैब्स बच सकती हैं, जैसे कि बायस कैसे बनता है या ट्रेनिंग को अधिक ऊर्जा कुशल कैसे बनाया जाए। उनका काम यह सुनिश्चित करता है कि इस क्षेत्र का विज्ञान कॉर्पोरेट रहस्य के बजाय एक पब्लिक गुड बना रहे।
अंत में, प्रोडक्ट लैब्स और कॉर्पोरेट ओपन वेट प्रस्तावक हैं। Meta और Mistral इस श्रेणी में आते हैं। वे एक इकोसिस्टम बनाने के लिए मॉडल्स को पब्लिक के लिए रिलीज करते हैं। अपने वेट्स को उपलब्ध कराकर, वे हजारों डेवलपर्स को अपने कोड को ऑप्टिमाइज़ करने और संगत टूल्स बनाने के लिए प्रोत्साहित करते हैं। क्लोज्ड प्लेटफॉर्म्स के प्रभुत्व का मुकाबला करने के लिए यह एक रणनीतिक कदम है। यदि हर कोई आपके आर्किटेक्चर पर निर्माण कर रहा है, तो आप इंडस्ट्री स्टैंडर्ड बन जाते हैं। यह दृष्टिकोण शुद्ध रिसर्च और कमर्शियल प्रोडक्ट्स के बीच की खाई को पाटता है। यह तैनाती के उस स्तर की अनुमति देता है जिसे एकेडमिक लैब्स हासिल नहीं कर सकतीं, साथ ही स्वतंत्रता का वह स्तर भी बनाए रखती है जो फ्रंटियर लैब्स नहीं देतीं।
आधुनिक सॉफ्टवेयर में ओपननेस का भ्रम
इस इंडस्ट्री में ओपन सोर्स शब्द का इस्तेमाल अक्सर ढीले तरीके से किया जाता है, जिससे काफी भ्रम पैदा होता है। ओपन सोर्स इनिशिएटिव द्वारा परिभाषित ट्रू ओपन सोर्स सॉफ्टवेयर के लिए आवश्यक है कि सोर्स कोड, बिल्ड निर्देश और डेटा स्वतंत्र रूप से उपलब्ध हों। अधिकांश आधुनिक मॉडल्स इन मानदंडों को पूरा नहीं करते हैं। इसके बजाय, हम ओपन वेट्स मॉडल्स में वृद्धि देख रहे हैं। इस सेटअप में, कंपनी ट्रेनिंग प्रक्रिया का अंतिम परिणाम प्रदान करती है लेकिन ट्रेनिंग डेटा और रेसिपी को गुप्त रखती है। यह एक महत्वपूर्ण अंतर है। आप मॉडल चला सकते हैं और देख सकते हैं कि यह कैसा व्यवहार करता है, लेकिन आप इसे खरोंच से आसानी से फिर से नहीं बना सकते या यह नहीं जान सकते कि इसके निर्माण के दौरान इसे वास्तव में क्या जानकारी दी गई थी।
मार्केटिंग की भाषा अक्सर परमिसिव या कम्युनिटी लाइसेंस जैसे शब्दों का उपयोग करके इसे और जटिल बना देती है। इन लाइसेंसों में अक्सर ऐसी शर्तें शामिल होती हैं जो यह प्रतिबंधित करती हैं कि मॉडल का उपयोग बहुत बड़ी कंपनियों द्वारा या विशिष्ट कार्यों के लिए कैसे किया जा सकता है। हालांकि ये मॉडल्स क्लोज्ड API की तुलना में कहीं अधिक सुलभ हैं, लेकिन वे हमेशा पारंपरिक अर्थों में मुफ्त नहीं होते हैं। यह ओपननेस का एक स्पेक्ट्रम बनाता है। एक तरफ, आपके पास GPT-4 जैसे पूरी तरह से क्लोज्ड मॉडल्स हैं। बीच में, आपके पास Llama 3 जैसे ओपन वेट्स मॉडल्स हैं। दूसरी तरफ, आपके पास ऐसे प्रोजेक्ट्स हैं जो डेटा सहित सब कुछ रिलीज करते हैं। यह समझना कि कोई मॉडल इस स्पेक्ट्रम पर कहां स्थित है, किसी भी एंटरप्राइज या डेवलपर के लिए जो लंबी अवधि की योजना बना रहा है, महत्वपूर्ण है।
इस सेमी-ओपन दृष्टिकोण के लाभ अभी भी बहुत बड़े हैं। यह लोकल होस्टिंग की अनुमति देता है, जो सख्त डेटा संप्रभुता नियमों वाले कई उद्योगों के लिए एक आवश्यकता है। यह फाइन ट्यूनिंग को भी सक्षम बनाता है, जहां एक मॉडल को किसी विशेष क्षेत्र में विशेषज्ञ बनाने के लिए थोड़ी मात्रा में विशिष्ट डेटा पर प्रशिक्षित किया जाता है। नियंत्रण का यह स्तर क्लोज्ड API के साथ असंभव है। हालांकि, हमें इस बारे में सटीक होना चाहिए कि वास्तव में क्या ओपन है। यदि कोई कंपनी आपका लाइसेंस रद्द कर सकती है या यदि ट्रेनिंग डेटा एक रहस्य है, तो आप अभी भी किसी और द्वारा डिजाइन किए गए सिस्टम के भीतर काम कर रहे हैं। वर्तमान ट्रेंड अधिक पारदर्शिता की ओर है, लेकिन हम अभी उस बिंदु पर नहीं हैं जहां सबसे शक्तिशाली मॉडल्स वास्तव में ओपन सोर्स हैं।
क्लाउड दिग्गजों के युग में लोकल कंट्रोल
हाई सिक्योरिटी वातावरण में काम करने वाले डेवलपर के लिए, ओपन वेट्स की ओर बदलाव एक व्यावहारिक आवश्यकता है। एक मध्यम आकार की वित्तीय फर्म में एक लीड इंजीनियर की कल्पना करें। अतीत में, उन्हें एक बड़े लैंग्वेज मॉडल के लाभ पाने के लिए संवेदनशील ग्राहक डेटा को थर्ड-पार्टी सर्वर पर भेजना पड़ता था। इससे एक बड़ा प्राइवेसी जोखिम और बाहरी प्रोवाइडर के अपटाइम पर निर्भरता पैदा होती थी। आज, वह इंजीनियर एक हाई परफॉरमेंस मॉडल डाउनलोड कर सकता है और उसे इंटरनल सर्वर पर चला सकता है। डेटा फ्लो पर उनका पूरा नियंत्रण होता है। वे फर्म के विशिष्ट जार्गन और अनुपालन नियमों को समझने के लिए मॉडल को संशोधित कर सकते हैं। यह सिर्फ एक सुविधा नहीं है। यह इस बात में एक बुनियादी बदलाव है कि कंपनी अपनी सबसे मूल्यवान संपत्ति, यानी अपने डेटा को कैसे मैनेज करती है।
इस इंजीनियर के जीवन का एक दिन काफी बदल गया है। API कीज को मैनेज करने और रेट लिमिट्स के बारे में चिंता करने के बजाय, वे अपना समय लोकल इन्फरेंस को ऑप्टिमाइज़ करने में बिताते हैं। वे Hugging Face जैसे टूल का उपयोग कर सकते हैं ताकि मॉडल का वह वर्जन मिल सके जिसे उनके उपलब्ध हार्डवेयर पर फिट करने के लिए कंप्रेस किया गया है। वे हर उत्पन्न टोकन की लागत की चिंता किए बिना रात के 3 बजे टेस्ट चला सकते हैं। यदि मॉडल कोई गलती करता है, तो वे वेट्स को देख सकते हैं और यह समझने की कोशिश कर सकते हैं कि क्यों, या वे इसे ठीक करने के लिए फाइन ट्यूनिंग का उपयोग कर सकते हैं। स्वायत्तता का यह स्तर केवल दो साल पहले अधिकांश व्यवसायों के लिए अकल्पनीय था। यह एक तेज इटरेशन साइकिल और अधिक मजबूत अंतिम उत्पाद की अनुमति देता है।
यह स्वतंत्रता व्यक्तिगत यूजर तक भी फैली हुई है। एक लेखक या रिसर्चर अपने लैपटॉप पर ऐसा मॉडल चला सकता है जिसमें सिलिकॉन वैली की किसी समिति द्वारा डिजाइन किया गया कोई फिल्टर न हो। वे बिना किसी बिचौलिए के यह तय किए कि क्या उचित है, विचारों का पता लगा सकते हैं और कंटेंट उत्पन्न कर सकते हैं। यह एक टूल किराए पर लेने और उसे खरीदने के बीच का अंतर है। जबकि क्लाउड दिग्गज एक पॉलिश, उपयोग में आसान अनुभव प्रदान करते हैं, ओपन इकोसिस्टम कुछ अधिक मूल्यवान प्रदान करता है: एजेंसी। जैसे-जैसे हार्डवेयर अधिक शक्तिशाली होता जा रहा है और मॉडल्स अधिक कुशल होते जा रहे हैं, इन सिस्टम्स को स्थानीय रूप से चलाने वाले लोगों की संख्या केवल बढ़ेगी। यह विकेंद्रीकृत दृष्टिकोण सुनिश्चित करता है कि इस टेक्नोलॉजी के लाभ केवल उन लोगों तक सीमित न रहें जो महंगे मासिक सब्सक्रिप्शन का खर्च उठा सकते हैं।
BotNews.today सामग्री का शोध करने, लिखने, संपादित करने और अनुवाद करने के लिए AI उपकरणों का उपयोग करता है। हमारी टीम जानकारी को उपयोगी, स्पष्ट और विश्वसनीय बनाए रखने के लिए प्रक्रिया की समीक्षा और पर्यवेक्षण करती है।
एंटरप्राइजेज को यह भी पता चल रहा है कि ओपन मॉडल्स प्लेटफॉर्म जोखिम के खिलाफ एक बचाव हैं। यदि कोई क्लोज्ड प्रोवाइडर अपनी कीमत या अपनी सेवा की शर्तों को बदलता है, तो उस API पर बनी कंपनी मुसीबत में पड़ जाती है। ओपन वेट्स का उपयोग करके, एक कंपनी हार्डवेयर प्रोवाइडर्स को बदल सकती है या अपने मुख्य इंटेलिजेंस को खोए बिना अपने पूरे स्टैक को किसी अलग क्लाउड पर ले जा सकती है। यह लचीलापन आज हमें दिखाई देने वाले बहुत सारे एडॉप्शन को प्रेरित कर रहा है। अब यह इस बारे में नहीं है कि बेंचमार्क पर कौन सा मॉडल थोड़ा बेहतर है। यह इस बारे में है कि कौन सा मॉडल व्यवसाय को सबसे अधिक दीर्घकालिक स्थिरता देता है। ओपन सोर्स AI इकोसिस्टम में हालिया सुधारों ने इसे सभी आकारों की कंपनियों के लिए एक व्यवहार्य रणनीति बना दिया है।
फ्री मॉडल्स की भारी कीमत
उत्साह के बावजूद, हमें ओपननेस की छिपी हुई लागतों के बारे में कठिन सवाल पूछने चाहिए। एक बड़े मॉडल को स्थानीय रूप से चलाना मुफ्त नहीं है। इसके लिए हार्डवेयर में महत्वपूर्ण निवेश की आवश्यकता होती है, विशेष रूप से बहुत सारी मेमोरी वाले हाई-एंड GPU। कई छोटे व्यवसायों के लिए, इस हार्डवेयर को खरीदने और बनाए रखने की लागत कई वर्षों के लिए API सब्सक्रिप्शन की लागत से अधिक हो सकती है। बिजली की लागत और तैनाती को मैनेज करने के लिए विशेष प्रतिभा की आवश्यकता भी है। क्या हम केवल सॉफ्टवेयर सब्सक्रिप्शन को हार्डवेयर और ऊर्जा बिल के लिए बदल रहे हैं? लोकल AI की आर्थिक वास्तविकता हेडलाइंस के सुझाव से कहीं अधिक जटिल है।
क्या आपके पास कोई AI कहानी, उपकरण, ट्रेंड या प्रश्न है जिसके बारे में आपको लगता है कि हमें कवर करना चाहिए? हमें अपना लेख विचार भेजें — हमें इसे सुनकर खुशी होगी।प्राइवेसी एक और क्षेत्र है जहां संदेह की आवश्यकता है। हालांकि डेटा सुरक्षा के लिए मॉडल को स्थानीय रूप से चलाना बेहतर है, लेकिन मॉडल्स को अक्सर बिना सहमति के इंटरनेट से स्क्रैप किए गए डेटा पर प्रशिक्षित किया जाता है। क्या ओपन मॉडल का उपयोग करना आपको इस अभ्यास में भागीदार बनाता है? इसके अलावा, यदि कोई मॉडल ओपन है, तो वह बुरे एक्टर्स के लिए भी ओपन है। जिन टूल्स का उपयोग एक डॉक्टर मेडिकल नोट्स को सारांशित करने के लिए करता है, उन्हीं का उपयोग हैकर द्वारा फिशिंग हमलों को स्वचालित करने के लिए किया जा सकता है। हम लोकतंत्रीकरण के लाभों और दुरुपयोग के जोखिमों को कैसे संतुलित करें? जो लैब्स अपने वेट्स रिलीज करती हैं, वे अक्सर दावा करती हैं कि कम्युनिटी आवश्यक सुरक्षा जांच प्रदान करेगी, लेकिन यह दावा सत्यापित करना कठिन है। हमें यह विचार करना चाहिए कि क्या सेंट्रलाइज्ड ओवरसाइट की कमी एक फीचर है या खामी।
अंत में, हमें ओपन मॉडल की स्थिरता को देखना होगा। इन सिस्टम्स को प्रशिक्षित करने में लाखों डॉलर का खर्च आता है। यदि Meta या Mistral जैसी कंपनियां तय करती हैं कि उनके वेट्स को रिलीज करना अब उनके हित में नहीं है, तो ओपन कम्युनिटी की प्रगति रुक सकती है। हम वर्तमान में एक ऐसी कॉर्पोरेट रणनीति से लाभ उठा रहे हैं जो मार्केट शेयर हासिल करने के लिए ओपननेस का पक्ष लेती है। यदि वह रणनीति बदलती है, तो कम्युनिटी खुद को फिर से फ्रंटियर लैब्स से वर्षों पीछे पा सकती है। क्या मल्टी-बिलियन डॉलर कॉर्पोरेशन के समर्थन के बिना वास्तव में एक स्वतंत्र, हाई परफॉरमेंस मॉडल बनाना संभव है? कॉर्पोरेट उदारता पर वर्तमान निर्भरता पूरे मूवमेंट के लिए विफलता का एक संभावित एकल बिंदु है।
लोकल इन्फरेंस के अंदर की बात
पावर यूजर के लिए, असली काम इन मॉडल्स को मौजूदा वर्कफ्लो में एकीकृत करने में होता है। सबसे बड़ी चुनौतियों में से एक हार्डवेयर आवश्यकता है। 70 बिलियन पैरामीटर्स वाले मॉडल को चलाने के लिए, आपको आमतौर पर कम से कम दो हाई-एंड कंज्यूमर GPU या 48GB VRAM वाले प्रोफेशनल ग्रेड कार्ड की आवश्यकता होती है। इसने क्वांटाइजेशन तकनीकों के उदय को जन्म दिया है। मॉडल वेट्स की प्रिसिजन को 16-बिट से 4-बिट या 2-बिट तक कम करके, डेवलपर्स सस्ते हार्डवेयर पर बहुत बड़े मॉडल्स फिट कर सकते हैं। इस प्रक्रिया में सटीकता में थोड़ी कमी आती है, लेकिन अधिकांश कार्यों के लिए, अंतर नगण्य है। Llama.cpp जैसे टूल्स ने इन मॉडल्स को स्टैंडर्ड CPU और Mac हार्डवेयर पर चलाना संभव बना दिया है, जिससे प्रवेश की बाधा काफी कम हो गई है।
एक और महत्वपूर्ण कारक API लिमिट है। क्लोज्ड प्रोवाइडर का उपयोग करते समय, आप अक्सर इस बात से सीमित होते हैं कि आप प्रति मिनट कितने अनुरोध कर सकते हैं। लोकल मॉडल के साथ, आपकी एकमात्र सीमा आपके हार्डवेयर की गति है। यह जटिल वर्कफ्लो की अनुमति देता है जहां मॉडल को एक ही प्रक्रिया में सैकड़ों बार कॉल किया जाता है। उदाहरण के लिए, एक डेवलपर कोड की हजारों लाइनों का विश्लेषण करने या टेस्टिंग के लिए एक पूरा सिंथेटिक डेटा सेट उत्पन्न करने के लिए मॉडल का उपयोग कर सकता है। ये कार्य क्लाउड API पर बहुत महंगे और धीमे होंगे। लोकल स्टोरेज बड़े कॉन्टेक्स्ट विंडोज के उपयोग की भी अनुमति देता है। आप इनपुट टोकन की लागत की चिंता किए बिना दस्तावेजों की पूरी लाइब्रेरी को मॉडल में फीड कर सकते हैं।
वर्कफ्लो एकीकरण भी अधिक परिष्कृत होता जा रहा है। डेवलपर्स ऐसे फ्रेमवर्क का उपयोग कर रहे हैं जो उन्हें कोड की एक लाइन के साथ मॉडल्स को अंदर और बाहर स्वैप करने की अनुमति देते हैं। इसका मतलब है कि एक सिस्टम सरल कार्यों के लिए एक छोटे, तेज मॉडल और जटिल रीजनिंग के लिए एक बड़े, धीमे मॉडल का उपयोग कर सकता है। यह हाइब्रिड दृष्टिकोण लागत और परफॉरमेंस दोनों को ऑप्टिमाइज़ करता है। हालांकि, अभी भी बाधाएं हैं। लोकल मॉडल्स में अक्सर उनके क्लोज्ड समकक्षों के पॉलिश किए गए सुरक्षा फिल्टर और व्यापक दस्तावेज की कमी होती है। एक मजबूत लोकल वातावरण स्थापित करने के लिए Linux, Python और GPU ड्राइवर्स की गहरी समझ की आवश्यकता होती है। जो लोग इसे मैनेज कर सकते हैं, उनके लिए इनाम परफॉरमेंस और प्राइवेसी का वह स्तर है जिसका कोई क्लाउड प्रोवाइडर मुकाबला नहीं कर सकता।
पब्लिक टेक के लिए नया स्टैंडर्ड
ओपन और क्लोज्ड मॉडल्स के बीच की प्रतिस्पर्धा आज टेक्नोलॉजी में सबसे महत्वपूर्ण कहानी है। यह इंटरनेट के बुनियादी आर्किटेक्चर पर एक लड़ाई है। यदि क्लोज्ड मॉडल्स जीतते हैं, तो AI का भविष्य मौजूदा मोबाइल ऐप स्टोर्स जैसा दिखेगा, जिसमें दो या तीन दिग्गज यह नियंत्रित करेंगे कि क्या संभव है। यदि ओपन मॉडल्स अपनी वर्तमान गति को जारी रखते हैं, तो भविष्य इंटरनेट जैसा ही होगा, एक विकेंद्रीकृत नेटवर्क जहां कोई भी निर्माण और नवाचार कर सकता है। हाई क्वालिटी ओपन वेट्स की ओर हालिया बदलाव एक मजबूत संकेत है कि बाद वाला अधिक संभावित हो रहा है। यह एक आकर्षक दृष्टि है एक ऐसी दुनिया की जहां इंटेलिजेंस एक लक्जरी के बजाय एक उपयोगिता है।
जैसे-जैसे हम आगे बढ़ रहे हैं, ध्यान संभवतः रॉ मॉडल परफॉरमेंस से हटकर इन मॉडल्स के आसपास के इकोसिस्टम पर चला जाएगा। विजेता वह कंपनी नहीं होगी जिसका बेंचमार्क स्कोर सबसे अधिक है, बल्कि वह होगी जो दूसरों के लिए निर्माण करना सबसे आसान बनाती है। रिसर्च पेपर और उपयोगी उत्पाद के बीच की दूरी अभी भी बहुत बड़ी है, लेकिन ओपन कम्युनिटी इसे पार करने के लिए आवश्यक पुल बना रही है। यह तेजी से बदलाव का समय है, और डेवलपर्स और एंटरप्राइजेज द्वारा आज लिए गए निर्णय अगले दशक के लिए टेक वातावरण को परिभाषित करेंगे। क्लोज्ड बॉक्स का युग समाप्त हो रहा है, और ओपन वेट का युग अभी शुरू हो रहा है।
संपादक का नोट: हमने इस साइट को उन लोगों के लिए एक बहुभाषी AI समाचार और गाइड हब के रूप में बनाया है जो कंप्यूटर गीक नहीं हैं, लेकिन फिर भी आर्टिफिशियल इंटेलिजेंस को समझना चाहते हैं, इसे अधिक आत्मविश्वास के साथ उपयोग करना चाहते हैं, और उस भविष्य का अनुसरण करना चाहते हैं जो पहले से ही आ रहा है।
कोई त्रुटि मिली या कुछ ऐसा जिसे सुधारने की आवश्यकता है? हमें बताएं।
