ഇന്നത്തെ AI ഹൈപ്പ് സൈക്കിളിലേക്കുള്ള ദീർഘദൂര യാത്ര

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലെ ഇപ്പോഴത്തെ കുതിച്ചുചാട്ടം പെട്ടെന്നുണ്ടായ ഒരു കൊടുങ്കാറ്റ് പോലെയാണ് തോന്നുന്നത്. എന്നാൽ വർഷങ്ങൾക്ക് മുമ്പ് എടുത്ത ഒരു നിശബ്ദ തീരുമാനത്തിന്റെ ഫലമാണിത്. 2017-ൽ, ഗൂഗിളിലെ ഗവേഷകർ ‘Attention Is All You Need’ എന്നൊരു പ്രബന്ധം പ്രസിദ്ധീകരിച്ചു. ഈ പ്രബന്ധം Transformer architecture അവതരിപ്പിച്ചു. ഈ പ്രത്യേക ഡിസൈൻ, ഒരു വാക്യത്തിലെ വാക്കുകളെ ഒന്നിനുപുറകെ ഒന്നായി പ്രോസസ്സ് ചെയ്യുന്നതിന് പകരം, എല്ലാ വാക്കുകളുമായും ബന്ധപ്പെടുത്തി ഒരേസമയം പ്രോസസ്സ് ചെയ്യാൻ മെഷീനുകളെ അനുവദിച്ചു. ഇത് സീക്വൻഷ്യൽ പ്രോസസ്സിംഗിന്റെ തടസ്സം നീക്കി. ഇന്ന്, ChatGPT മുതൽ Claude വരെയുള്ള എല്ലാ പ്രധാന മോഡലുകളും ഈ ഒരൊറ്റ കണ്ടുപിടുത്തത്തെയാണ് ആശ്രയിക്കുന്നത്. ഇത് സംഭവിച്ചത് 2026 കാലയളവിലാണ്. നമ്മൾ കാണുന്നത് പുതിയൊരു കണ്ടുപിടുത്തമല്ല. ഏഴ് വർഷം പഴക്കമുള്ള ഒരു ആശയത്തിന്റെ വിപുലീകരണമാണ് നമ്മൾ കാണുന്നത്. ഈ മാറ്റം നമ്മളെ ലളിതമായ പാറ്റേൺ തിരിച്ചറിയലിൽ നിന്ന് സങ്കീർണ്ണമായ ജനറേഷനിലേക്ക് മാറ്റി. ഇത് കമ്പ്യൂട്ടറുകളുമായുള്ള നമ്മുടെ ഇടപെടലിനെ മാറ്റിമറിച്ചു. ഇപ്പോൾ, എത്രത്തോളം ഡാറ്റയും വൈദ്യുതിയും ഈ സിസ്റ്റങ്ങളിലേക്ക് നൽകാം എന്നതിലാണ് ശ്രദ്ധ. ഫലങ്ങൾ ശ്രദ്ധേയമാണെങ്കിലും അടിസ്ഥാനം പഴയതുതന്നെ. ഈ ചരിത്രം മനസ്സിലാക്കുന്നത് മാർക്കറ്റിംഗിന് അപ്പുറം കാണാൻ നമ്മളെ സഹായിക്കുന്നു. കഴിഞ്ഞ ദശകത്തിൽ എടുത്ത പ്രത്യേക എഞ്ചിനീയറിംഗ് തീരുമാനങ്ങളുടെ യുക്തിസഹമായ നിഗമനമാണ് ഇന്നത്തെ ടൂളുകൾ എന്ന് ഇത് കാണിക്കുന്നു.

പ്രെഡിക്ഷൻ എഞ്ചിനുകളും പ്രോബബിലിറ്റിയും

ജനറേറ്റീവ് AI ഒരു വലിയ പ്രെഡിക്ഷൻ എഞ്ചിനായി പ്രവർത്തിക്കുന്നു. ഇത് മനുഷ്യനെപ്പോലെ ചിന്തിക്കുകയോ മനസ്സിലാക്കുകയോ ചെയ്യുന്നില്ല. പകരം, ഒരു സീക്വൻസിലെ അടുത്ത ടോക്കണിന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോബബിലിറ്റി ഇത് കണക്കാക്കുന്നു. ഒരു ടോക്കൺ എന്നത് പലപ്പോഴും ഒരു വാക്കോ അല്ലെങ്കിൽ വാക്കിന്റെ ഭാഗമോ ആണ്. നിങ്ങൾ ഒരു മോഡലിനോട് ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ, പരിശീലന വേളയിൽ അത് പഠിച്ച കോടിക്കണക്കിന് പാരാമീറ്ററുകളിലേക്ക് അത് നോക്കുന്നു. തുടർന്ന്, അതിന്റെ ട്രെയിനിംഗ് ഡാറ്റയിൽ കണ്ട പാറ്റേണുകൾ അടിസ്ഥാനമാക്കി അടുത്ത വാക്ക് ഏതായിരിക്കണമെന്ന് അത് ഊഹിക്കുന്നു. ഈ പ്രക്രിയയെ പലപ്പോഴും സ്റ്റോക്കാസ്റ്റിക് പാരറ്റ് എന്ന് വിളിക്കുന്നു. മെഷീൻ അതിന്റെ അർത്ഥം മനസ്സിലാക്കാതെ പാറ്റേണുകൾ ആവർത്തിക്കുകയാണെന്ന് ഈ പദം സൂചിപ്പിക്കുന്നു. ഈ വ്യത്യാസം ഇന്ന് ഈ ടൂളുകൾ ഉപയോഗിക്കുന്ന ആർക്കും വളരെ പ്രധാനമാണ്. നിങ്ങൾ AI-യെ ഒരു സെർച്ച് എഞ്ചിനായി കണക്കാക്കിയാൽ, നിങ്ങൾ നിരാശരായേക്കാം. ഇത് ഒരു ഡാറ്റാബേസിൽ വസ്തുതകൾ തിരയുന്നില്ല. പ്രോബബിലിറ്റി അടിസ്ഥാനമാക്കി വസ്തുതകൾ പോലെ തോന്നിക്കുന്ന ടെക്സ്റ്റ് നിർമ്മിക്കുകയാണ് ചെയ്യുന്നത്. അതുകൊണ്ടാണ് മോഡലുകൾക്ക് ഹാലുസിനേഷൻ സംഭവിക്കുന്നത്. അവ കൃത്യതയോടെയല്ല, മറിച്ച് ഫ്ലുവൻസിയോടെ പ്രവർത്തിക്കാനാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ട്രെയിനിംഗ് ഡാറ്റ സാധാരണയായി പൊതു ഇന്റർനെറ്റിലെ വലിയൊരു ഭാഗമാണ്. ഇതിൽ പുസ്തകങ്ങൾ, ലേഖനങ്ങൾ, കോഡ്, ഫോറം പോസ്റ്റുകൾ എന്നിവ ഉൾപ്പെടുന്നു. മോഡൽ മനുഷ്യഭാഷയുടെ ഘടനയും പ്രോഗ്രാമിംഗിന്റെ യുക്തിയും പഠിക്കുന്നു. കൂടാതെ, ആ സ്രോതസ്സുകളിൽ ഉള്ള പക്ഷപാതങ്ങളും തെറ്റുകളും അത് ഉൾക്കൊള്ളുന്നു. ഈ പരിശീലനത്തിന്റെ വ്യാപ്തിയാണ് ആധുനിക സിസ്റ്റങ്ങളെ പഴയ ചാറ്റ്ബോട്ടുകളിൽ നിന്ന് വ്യത്യസ്തമാക്കുന്നത്. പഴയ സിസ്റ്റങ്ങൾ കർശനമായ നിയമങ്ങളെ ആശ്രയിച്ചിരുന്നു. ആധുനിക സിസ്റ്റങ്ങൾ ഫ്ലെക്സിബിൾ ആയ ഗണിതത്തെ ആശ്രയിക്കുന്നു. ഈ ഫ്ലെക്സിബിലിറ്റി അവയെ ക്രിയേറ്റീവ് ജോലികൾ, കോഡിംഗ്, വിവർത്തനം എന്നിവ എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാൻ സഹായിക്കുന്നു. എന്നിരുന്നാലും, പ്രധാന മെക്കാനിസം ഒരു ഗണിതപരമായ ഊഹം തന്നെയാണ്. ഇതൊരു സങ്കീർണ്ണമായ ഊഹമാണ്, പക്ഷേ ഇതൊരു ബോധപൂർവ്വമായ ചിന്താ പ്രക്രിയയല്ല.

ഈ മോഡലുകൾ വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന രീതി ഒരു പ്രത്യേക മൂന്ന് ഘട്ട ചക്രത്തെ പിന്തുടരുന്നു:

• മോഡൽ വലിയ ഡാറ്റാസെറ്റുകളിലെ പാറ്റേണുകൾ തിരിച്ചറിയുന്നു.
• സന്ദർഭത്തിനനുസരിച്ച് വ്യത്യസ്ത ടോക്കണുകൾക്ക് വെയിറ്റ് നൽകുന്നു.
• ഒരു സീക്വൻസിൽ ഏറ്റവും സാധ്യതയുള്ള അടുത്ത വാക്ക് അത് നിർമ്മിക്കുന്നു.

കമ്പ്യൂട്ടിംഗിന്റെ പുതിയ ഭൂമിശാസ്ത്രം

ഈ സാങ്കേതികവിദ്യയുടെ സ്വാധീനം ലോകമെമ്പാടും തുല്യമായി വിതരണം ചെയ്യപ്പെടുന്നില്ല. കുറച്ച് ഭൂമിശാസ്ത്രപരമായ കേന്ദ്രങ്ങളിൽ അധികാരം കേന്ദ്രീകരിക്കുന്നതാണ് നമ്മൾ കാണുന്നത്. മുൻനിര മോഡലുകളിൽ ഭൂരിഭാഗവും അമേരിക്കയിലോ ചൈനയിലോ ആണ് വികസിപ്പിക്കുന്നത്. ഇത് മറ്റ് രാജ്യങ്ങൾക്ക് പുതിയൊരു തരം ആശ്രിതത്വം സൃഷ്ടിക്കുന്നു. യൂറോപ്പ്, ആഫ്രിക്ക, തെക്കുകിഴക്കൻ ഏഷ്യ എന്നിവിടങ്ങളിലെ രാജ്യങ്ങൾ ഇപ്പോൾ ഡിജിറ്റൽ പരമാധികാരം എങ്ങനെ നിലനിർത്താം എന്നതിനെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നു. സ്വന്തമായി ചെലവേറിയ ഇൻഫ്രാസ്ട്രക്ചർ നിർമ്മിക്കണോ അതോ വിദേശ ദാതാക്കളെ ആശ്രയിക്കണോ എന്ന് അവർ തീരുമാനിക്കേണ്ടതുണ്ട്. ഇതിലേക്കുള്ള പ്രവേശനച്ചെലവ് വളരെ കൂടുതലാണ്. ഒരു ടോപ്പ് ടിയർ മോഡലിനെ പരിശീലിപ്പിക്കാൻ പതിനായിരക്കണക്കിന് സ്പെഷ്യലൈസ്ഡ് ചിപ്പുകളും വൻതോതിൽ വൈദ്യുതിയും ആവശ്യമാണ്. ഇത് ചെറിയ കമ്പനികൾക്കും വികസ്വര രാജ്യങ്ങൾക്കും ഒരു തടസ്സമാണ്. സാംസ്കാരിക പ്രാതിനിധ്യത്തിന്റെ പ്രശ്നവുമുണ്ട്. മിക്ക ട്രെയിനിംഗ് ഡാറ്റയും ഇംഗ്ലീഷിലായതിനാൽ, ഈ മോഡലുകൾ പലപ്പോഴും പാശ്ചാത്യ മൂല്യങ്ങളും മാനദണ്ഡങ്ങളും പ്രതിഫലിപ്പിക്കുന്നു. ഇത് ഒരുതരം സാംസ്കാരിക ഏകീകരണത്തിന് കാരണമായേക്കാം. ലോകത്തിന്റെ മറുഭാഗത്ത് നിർമ്മിച്ച സിസ്റ്റങ്ങൾ പ്രാദേശിക ഭാഷകളെയും പാരമ്പര്യങ്ങളെയും അവഗണിക്കുകയോ തെറ്റായി ചിത്രീകരിക്കുകയോ ചെയ്തേക്കാം. സാമ്പത്തിക വശത്ത്, മാറ്റം വളരെ നാടകീയമാണ്. എല്ലാ ടൈം സോണുകളിലെയും കമ്പനികൾ ഈ ടൂളുകളെ എങ്ങനെ സംയോജിപ്പിക്കാം എന്ന് ചിന്തിക്കുകയാണ്. ചില പ്രദേശങ്ങളിൽ, പരമ്പരാഗത വികസന ഘട്ടങ്ങളെ മറികടക്കാനുള്ള ഒരു മാർഗ്ഗമായി AI-യെ കാണുന്നു. മറ്റുള്ളവയിൽ, പ്രാദേശിക സമ്പദ്‌വ്യവസ്ഥയെ നിലനിർത്തുന്ന ഔട്ട്സോഴ്സിംഗ് വ്യവസായങ്ങൾക്ക് ഇത് ഭീഷണിയായി കണക്കാക്കപ്പെടുന്നു. 2026-ലെ വിപണിയുടെ നിലവിലെ അവസ്ഥ ഒരു വ്യക്തമായ വിഭജനം കാണിക്കുന്നു. അടിസ്ഥാന കോഡിംഗും ഡാറ്റാ എൻട്രിയും പോലുള്ള ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യപ്പെടുമ്പോൾ ആഗോള തൊഴിൽ വിപണി കൂടുതൽ അസ്ഥിരമായിക്കൊണ്ടിരിക്കുകയാണ്. ഇതൊരു സിലിക്കൺ വാലി കഥ മാത്രമല്ല. ഓട്ടോമേറ്റഡ് കോഗ്നിറ്റീവ് ലേബറിന്റെ പുതിയ യുഗവുമായി ഭൂമിയിലെ എല്ലാ സമ്പദ്‌വ്യവസ്ഥകളും എങ്ങനെ പൊരുത്തപ്പെടും എന്നതിനെക്കുറിച്ചുള്ള കഥയാണിത്. കുറച്ച് ഹാർഡ്‌വെയർ നിർമ്മാതാക്കൾ എടുക്കുന്ന തീരുമാനങ്ങൾ ഇപ്പോൾ മുഴുവൻ പ്രദേശങ്ങളുടെയും സാമ്പത്തിക ഭാവി നിർണ്ണയിക്കുന്നു.

ഓട്ടോമേറ്റഡ് അസിസ്റ്റന്റിനൊപ്പം ജീവിക്കുമ്പോൾ

ദൈനംദിന സ്വാധീനം മനസ്സിലാക്കാൻ, മാർക്കസ് എന്ന മാർക്കറ്റിംഗ് മാനേജരുടെ ജീവിതം പരിഗണിക്കുക. രണ്ട് വർഷം മുമ്പ്, മാർക്കസ് രാവിലെ ഇമെയിലുകൾ തയ്യാറാക്കാനും ഉച്ചയ്ക്ക് ഗ്രാഫിക് ഡിസൈനർമാരുമായി ഏകോപിപ്പിക്കാനും സമയം ചെലവഴിച്ചിരുന്നു. ഇന്ന്, അവന്റെ വർക്ക്ഫ്ലോ വ്യത്യസ്തമാണ്. അവൻ തന്റെ ദിവസം തുടങ്ങുന്നത് ഒരു ലോക്കൽ മോഡലിലേക്ക് ഒരു റഫ് പ്രോഡക്റ്റ് ബ്രീഫ് നൽകിക്കൊണ്ടാണ്. നിമിഷങ്ങൾക്കുള്ളിൽ, അഞ്ച് വ്യത്യസ്ത ക്യാമ്പെയ്ൻ ദിശകൾ അവന് ലഭിക്കുന്നു. അവൻ അവ അതേപടി ഉപയോഗിക്കുന്നില്ല. പകരം, അടുത്ത രണ്ട് മണിക്കൂർ അവൻ ഔട്ട്‌പുട്ട് മെച്ചപ്പെടുത്താൻ ചെലവഴിക്കുന്നു. ബ്രാൻഡ് വോയിസും വസ്തുതാപരമായ തെറ്റുകളും അവൻ പരിശോധിക്കുന്നു. ഒരിക്കൽ നിലവിലില്ലാത്ത ഒരു പ്രോഡക്റ്റ് ഫീച്ചർ നിർമ്മിച്ച ഒരു ഡ്രാഫ്റ്റ് അവന് ലഭിച്ചിരുന്നു. ഇതാണ് ജോലിയുടെ പുതിയ യാഥാർത്ഥ്യം. ഇത് ആദ്യം മുതൽ സൃഷ്ടിക്കുന്നതിനേക്കാൾ എഡിറ്റിംഗിനും ക്യൂറേഷനും കൂടുതൽ പ്രാധാന്യം നൽകുന്നു. മാർക്കസ് കൂടുതൽ ഉൽപ്പാദനക്ഷമനാണ്, പക്ഷേ അവൻ കൂടുതൽ ക്ഷീണിതനുമാണ്. ജോലിയുടെ വേഗത വർദ്ധിച്ചു. പ്രാരംഭ ഡ്രാഫ്റ്റ് നിമിഷങ്ങൾക്കുള്ളിൽ ലഭിക്കുന്നതിനാൽ, ദിവസങ്ങൾക്ക് പകരം മണിക്കൂറുകൾക്കുള്ളിൽ ഫൈനൽ വേർഷൻ ക്ലയന്റുകൾ പ്രതീക്ഷിക്കുന്നു. ഇത് കൂടുതൽ ഉൽപ്പാദിപ്പിക്കാനുള്ള നിരന്തരമായ സമ്മർദ്ദം സൃഷ്ടിക്കുന്നു. ഇത് ആഴത്തിലുള്ള ചിന്തയ്ക്ക് കുറഞ്ഞ ഇടം നൽകുന്ന ഉയർന്ന വേഗതയുള്ള ഔട്ട്‌പുട്ടിന്റെ ഒരു ചക്രമാണ്. ഓഫീസിന് പുറത്ത്, സർക്കാർ, വിദ്യാഭ്യാസ മേഖലകളിൽ ഇത് നമ്മൾ കാണുന്നു. അധ്യാപകർ AI സഹായം കണക്കിലെടുത്ത് തങ്ങളുടെ പാഠ്യപദ്ധതികൾ മാറ്റിയെഴുതുന്നു. അവർ ഹോം വർക്കുകളിൽ നിന്ന് നേരിട്ടുള്ള വാക്കാലുള്ള പരീക്ഷകളിലേക്ക് മാറുന്നു. പ്രാദേശിക സർക്കാരുകൾ പൊതുജനങ്ങളുടെ അഭിപ്രായങ്ങൾ സംഗ്രഹിക്കാനും കുടിയേറ്റ സമൂഹങ്ങൾക്കായി രേഖകൾ വിവർത്തനം ചെയ്യാനും AI ഉപയോഗിക്കുന്നു. ഇവ പ്രകടമായ നേട്ടങ്ങളാണ്. ഇന്ത്യയിലെ ഒരു ഗ്രാമീണ ആശുപത്രിയിൽ, ഒരു ഡോക്ടർ കണ്ണിന്റെ രോഗങ്ങൾ പരിശോധിക്കാൻ AI ടൂൾ ഉപയോഗിക്കുന്നു. ഈ ടൂൾ ആഗോള ഡാറ്റാസെറ്റിൽ പരിശീലിപ്പിച്ചതാണെങ്കിലും പ്രാദേശികമായി സ്പെഷ്യലിസ്റ്റുകളുടെ കുറവ് പരിഹരിക്കാൻ സഹായിക്കുന്നു. ഈ ഉദാഹരണങ്ങൾ സാങ്കേതികവിദ്യ ഒരു സഹായ ടൂളാണെന്ന് കാണിക്കുന്നു. ഇത് മനുഷ്യനെ മാറ്റിസ്ഥാപിക്കുന്നില്ല, മറിച്ച് ജോലിയുടെ സ്വഭാവം മാറ്റുന്നു. വെല്ലുവിളി എന്തെന്നാൽ, ഈ ടൂൾ പലപ്പോഴും പ്രവചനാതീതമാണ്. ഇന്ന് നന്നായി പ്രവർത്തിക്കുന്ന ഒരു സിസ്റ്റം ചെറിയൊരു അപ്‌ഡേറ്റിന് ശേഷം നാളെ പരാജയപ്പെട്ടേക്കാം. ഈ അസ്ഥിരത വ്യക്തിഗത ക്രിയേറ്റർമാർ മുതൽ വലിയ കോർപ്പറേഷനുകൾ വരെ എല്ലാവർക്കും ഒരു സ്ഥിരമായ പശ്ചാത്തല ശബ്ദമാണ്. നമ്മൾ എല്ലാവരും കൈവശം വെക്കുമ്പോൾ തന്നെ നിർമ്മിച്ചുകൊണ്ടിരിക്കുന്ന ഒരു ടൂൾ ഉപയോഗിക്കാൻ പഠിക്കുകയാണ്. കൂടുതൽ വിവരങ്ങൾക്ക്, നിങ്ങൾക്ക് ഞങ്ങളുടെ പ്രധാന സൈറ്റിൽ ഒരു സമഗ്രമായ AI വ്യവസായ വിശകലനം വായിക്കാവുന്നതാണ്.

പ്രെഡിക്ഷന്റെ മറഞ്ഞിരിക്കുന്ന വില

ഈ പുരോഗതിയുടെ മറഞ്ഞിരിക്കുന്ന ചെലവുകളെക്കുറിച്ച് നമ്മൾ ബുദ്ധിമുട്ടുള്ള ചോദ്യങ്ങൾ ചോദിക്കണം. ഒന്നാമതായി, ഡാറ്റാ ഉടമസ്ഥാവകാശത്തെക്കുറിച്ചുള്ള ചോദ്യമുണ്ട്. നമ്മൾ ഇന്ന് ഉപയോഗിക്കുന്ന മിക്ക മോഡലുകളും വ്യക്തമായ സമ്മതമില്ലാതെ ഇന്റർനെറ്റിൽ നിന്ന് ശേഖരിച്ച ഡാറ്റയിലാണ് പരിശീലിപ്പിച്ചത്. ആ ലാഭത്തിന്റെ ഒരു പങ്ക് പോലും ലഭിക്കാത്ത ദശലക്ഷക്കണക്കിന് ആളുകളുടെ ക്രിയേറ്റീവ് വർക്ക് ഉപയോഗിച്ച് ഒരു ബില്യൺ ഡോളർ ഉൽപ്പന്നം നിർമ്മിക്കുന്നത് ധാർമ്മികമാണോ? ഇത് കോടതികൾ ഇപ്പോൾ മാത്രം പരിഗണിക്കാൻ തുടങ്ങിയ ഒരു നിയമപരമായ ചാര മേഖലയാണ്. പിന്നെ പാരിസ്ഥിതിക ആഘാതമുണ്ട്. ഈ മോഡലുകൾ പരിശീലിപ്പിക്കാനും പ്രവർത്തിപ്പിക്കാനും ആവശ്യമായ ഊർജ്ജം അമ്പരപ്പിക്കുന്നതാണ്. വലിയ സിസ്റ്റങ്ങളിലേക്ക് നീങ്ങുമ്പോൾ, കാർബൺ ഫൂട്ട്പ്രിന്റ് വർദ്ധിക്കുന്നു. കാലാവസ്ഥാ പ്രതിസന്ധിയുടെ ഈ കാലഘട്ടത്തിൽ ഈ ഊർജ്ജ ഉപയോഗത്തെ നമുക്ക് ന്യായീകരിക്കാൻ കഴിയുമോ? Nature-ലെ സമീപകാല പഠനങ്ങൾ ഡാറ്റാ സെന്ററുകൾ തണുപ്പിക്കാൻ ആവശ്യമായ വലിയ തോതിലുള്ള ജല ഉപഭോഗത്തെ എടുത്തുകാണിക്കുന്നു. ബ്ലാക്ക് ബോക്സ് പ്രശ്നവും നമ്മൾ പരിഗണിക്കണം. ഈ മോഡലുകൾ നിർമ്മിക്കുന്ന എഞ്ചിനീയർമാർക്ക് പോലും അവ എന്തുകൊണ്ട് ചില തീരുമാനങ്ങൾ എടുക്കുന്നു എന്ന് പൂർണ്ണമായി മനസ്സിലാകുന്നില്ല. ഒരു AI ലോൺ അപേക്ഷയോ ജോലി അഭിമുഖമോ നിരസിക്കുകയാണെങ്കിൽ, ആ തീരുമാനത്തെ നമുക്ക് എങ്ങനെ ഓഡിറ്റ് ചെയ്യാൻ കഴിയും? സുതാര്യതയുടെ അഭാവം പൗരാവകാശങ്ങൾക്ക് വലിയൊരു ഭീഷണിയാണ്. പൂർണ്ണമായി വിശദീകരിക്കാൻ കഴിയാത്ത സിസ്റ്റങ്ങളിലാണ് നമ്മൾ നമ്മുടെ ഇൻഫ്രാസ്ട്രക്ചർ ഏൽപ്പിക്കുന്നത്. സ്ഥാപനപരമായ തകർച്ചയുടെ അപകടസാധ്യതയുമുണ്ട്. വാർത്തകൾ, നിയമപരമായ രേഖകൾ, കോഡ് എന്നിവ നിർമ്മിക്കാൻ നമ്മൾ AI-യെ ആശ്രയിക്കുകയാണെങ്കിൽ, മനുഷ്യന്റെ വൈദഗ്ധ്യത്തിന് എന്ത് സംഭവിക്കും? ജോലി സ്വയം ചെയ്യാനുള്ള കഴിവ് നഷ്ടപ്പെട്ടതുകൊണ്ട് ഔട്ട്‌പുട്ടിന്റെ ഗുണനിലവാരം പരിശോധിക്കാൻ കഴിയാത്ത അവസ്ഥയിൽ നമ്മൾ എത്തിയേക്കാം. ഇവ കേവലം സാങ്കേതിക തടസ്സങ്ങളല്ല. നമ്മൾ സമൂഹത്തെ എങ്ങനെ ക്രമീകരിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള അടിസ്ഥാനപരമായ വെല്ലുവിളികളാണിവ. ഹ്രസ്വകാല കാര്യക്ഷമതയ്ക്കായി നമ്മൾ ദീർഘകാല സ്ഥിരതയെ ബലിനൽകുകയാണ്. അത് നമ്മൾ ശരിക്കും തയ്യാറായ ഒരു വ്യാപാരമാണോ എന്ന് നമ്മൾ ചോദിക്കണം.

ഞങ്ങൾ ഉൾപ്പെടുത്തണമെന്ന് നിങ്ങൾ കരുതുന്ന ഒരു AI സ്റ്റോറിയോ, ടൂളോ, ട്രെൻഡോ, ചോദ്യമോ നിങ്ങളുടെ പക്കലുണ്ടോ? നിങ്ങളുടെ ലേഖന ആശയം ഞങ്ങൾക്ക് അയയ്ക്കുക — അത് കേൾക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

ലോക്കൽ മോഡലുകളുടെ ഉള്ളറകൾ

പവർ യൂസർമാർക്കായി, ശ്രദ്ധ ലളിതമായ പ്രോംപ്റ്റുകളിൽ നിന്ന് സങ്കീർണ്ണമായ വർക്ക്ഫ്ലോ ഇന്റഗ്രേഷനുകളിലേക്ക് മാറിയിരിക്കുന്നു. യഥാർത്ഥ മൂല്യം ഇനി ഒരു ചാറ്റ്ബോട്ടിന്റെ വെബ് ഇന്റർഫേസിലല്ല. അത് API-ലാണ്. ഡെവലപ്പർമാർ ഇപ്പോൾ കർശനമായ റേറ്റ് ലിമിറ്റുകളും ടോക്കൺ ചെലവുകളും കൈകാര്യം ചെയ്യുന്നു. അവർ വലിയ, പൊതുവായ മോഡലുകളിൽ നിന്ന് ചെറിയ, സ്പെഷ്യലൈസ്ഡ് മോഡലുകളിലേക്ക് മാറുകയാണ്. ഇവിടെയാണ് ലോക്കൽ സ്റ്റോറേജും ലോക്കൽ എക്സിക്യൂഷനും വരുന്നത്. Llama.cpp പോലുള്ള ടൂളുകൾ ഉപയോക്താക്കളെ സ്വന്തം ഹാർഡ്‌വെയറിൽ ശക്തമായ മോഡലുകൾ പ്രവർത്തിപ്പിക്കാൻ അനുവദിക്കുന്നു. ഇത് സ്വകാര്യത പ്രശ്നം പരിഹരിക്കുകയും സ്ഥിരമായ ഇന്റർനെറ്റ് കണക്ഷന്റെ ആശ്രിതത്വം നീക്കുകയും ചെയ്യുന്നു. എന്നിരുന്നാലും, ഈ മോഡലുകൾ ലോക്കലായി പ്രവർത്തിപ്പിക്കാൻ കാര്യമായ VRAM ആവശ്യമാണ്. മിക്ക ഉപയോക്താക്കളും 24GB എന്നത് മിഡ് സൈസ് മോഡലുകൾക്ക് മാന്യമായ അനുഭവത്തിനുള്ള ഏറ്റവും കുറഞ്ഞ ആവശ്യകതയാണെന്ന് കണ്ടെത്തുന്നു. ക്വാണ്ടൈസേഷന്റെ ട്രെൻഡുമുണ്ട്. മോഡലിന്റെ വെയിറ്റുകളുടെ കൃത്യത കുറച്ച് അത് വേഗത്തിൽ പ്രവർത്തിക്കാനും കുറഞ്ഞ മെമ്മറി ഉപയോഗിക്കാനും സഹായിക്കുന്ന ഒരു സാങ്കേതികതയാണിത്. ഒരു 4-ബിറ്റ് ക്വാണ്ടൈസ്ഡ് മോഡലിന് പലപ്പോഴും ഫുൾ 16-ബിറ്റ് പതിപ്പിന് തുല്യമായി പ്രവർത്തിക്കാൻ കഴിയും, അതേസമയം കുറഞ്ഞ സ്ഥലം മാത്രമേ എടുക്കൂ. റിട്രീവൽ ഓഗ്മെന്റഡ് ജനറേഷന്റെ (RAG) വളർച്ചയും നമ്മൾ കാണുന്നു. ഒരു പ്രതികരണം സൃഷ്ടിക്കുന്നതിന് മുമ്പ് ഉപയോക്താവിന്റെ സ്വകാര്യ രേഖകൾ പരിശോധിക്കാൻ ഇത് മോഡലിനെ അനുവദിക്കുന്നു. നിർദ്ദിഷ്ടവും പരിശോധിച്ചതുമായ വസ്തുതകളിൽ മോഡലിനെ ഉറപ്പിച്ചുനിർത്തിക്കൊണ്ട് ഇത് ഹാലുസിനേഷനുകൾ കുറയ്ക്കുന്നു. ഇതൊരു പൊതു പ്രെഡിക്ഷൻ എഞ്ചിനും ഉപയോഗപ്രദമായ ബിസിനസ്സ് ടൂളും തമ്മിലുള്ള പാലമാണ്. അടുത്ത അതിർത്തി കോണ്ടക്സ്റ്റ് വിൻഡോ ആണ്. കുറച്ച് പേജ് ടെക്സ്റ്റ് മാത്രം ഓർമ്മിക്കാൻ കഴിയുന്ന മോഡലുകളിൽ നിന്ന് മുഴുവൻ ലൈബ്രറികളും ഒറ്റയടിക്ക് പ്രോസസ്സ് ചെയ്യാൻ കഴിയുന്നവയിലേക്ക് നമ്മൾ മാറി. ഇത് വലിയ കോഡ്ബേസുകളോ നീണ്ട നിയമപരമായ രേഖകളോ വിശകലനം ചെയ്യാൻ അനുവദിക്കുന്നു. വലിയ ഇൻപുട്ടുകൾ വരുമ്പോൾ ഉണ്ടാകുന്ന ലേറ്റൻസി കൈകാര്യം ചെയ്യുന്നതാണ് ഇപ്പോഴത്തെ വെല്ലുവിളി. ഈ സിസ്റ്റങ്ങൾക്ക് ചെയ്യാൻ കഴിയുന്ന കാര്യങ്ങളുടെ പരിധി നമ്മൾ ഉയർത്തുമ്പോൾ, തടസ്സം ഇനി സോഫ്റ്റ്‌വെയറല്ല. അത് സിലിക്കണിന്റെ ഭൗതിക പരിധികളും പ്രകാശത്തിന്റെ വേഗതയുമാണ്. MIT Technology Review, IEEE Spectrum എന്നിവയിൽ നിന്നുള്ള റിപ്പോർട്ടുകൾ സൂചിപ്പിക്കുന്നത് ഹാർഡ്‌വെയർ ഒപ്റ്റിമൈസേഷനാണ് ഇപ്പോൾ AI ശേഷിയുടെ പ്രധാന ചാലകശക്തി എന്നാണ്.

വിദഗ്ദ്ധരായ ഉപയോക്താക്കൾ ഇപ്പോൾ ഒപ്റ്റിമൈസേഷന്റെ മൂന്ന് പ്രധാന മേഖലകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു:

• ക്വാണ്ടൈസേഷൻ ലോക്കൽ ഹാർഡ്‌വെയറിനായുള്ള മെമ്മറി ആവശ്യകതകൾ കുറയ്ക്കുന്നു.
• RAG സിസ്റ്റങ്ങൾ മോഡലുകളെ സ്വകാര്യവും പരിശോധിച്ചതുമായ ഡാറ്റയുമായി ബന്ധിപ്പിക്കുന്നു.
• API ഇന്റഗ്രേഷൻ ഓട്ടോമേറ്റഡ് മൾട്ടി-സ്റ്റെപ്പ് വർക്ക്ഫ്ലോകൾ അനുവദിക്കുന്നു.

അപൂർണ്ണമായ കഥ

ഈ ഘട്ടത്തിലേക്കുള്ള വഴി പ്രത്യേക സാങ്കേതിക തീരുമാനങ്ങളാൽ പാകപ്പെട്ടതാണ്. കാര്യക്ഷമതയേക്കാൾ സ്കെയിലിനും യുക്തിയേക്കാൾ പ്രോബബിലിറ്റിക്കും നമ്മൾ മുൻഗണന നൽകി. ഇത് മാന്ത്രികമായി തോന്നുന്നതും എന്നാൽ ആഴത്തിൽ പിഴവുകളുള്ളതുമായ ടൂളുകൾ നമുക്ക് നൽകി. ഹൈപ്പ് സൈക്കിൾ ഒടുവിൽ തണുക്കും, പക്ഷേ സാങ്കേതികവിദ്യ നിലനിൽക്കും. മനുഷ്യനും മെഷീനും തമ്മിലുള്ള സൃഷ്ടിയുടെ അതിർവരമ്പ് എന്നെന്നേക്കുമായി മങ്ങിയ ഒരു ലോകത്താണ് നമ്മൾ. അനന്തവും വിലകുറഞ്ഞതുമായ ഉള്ളടക്കത്തിന്റെ ഈ യുഗത്തിൽ നമ്മൾ എങ്ങനെ മൂല്യത്തെ നിർവചിക്കും എന്നതാണ് തുറന്ന ചോദ്യം. ഒരു മെഷീന് നിമിഷങ്ങൾക്കുള്ളിൽ ഒരു കവിതയോ പ്രോഗ്രാമോ എഴുതാൻ കഴിയുമെങ്കിൽ, അതേ കാര്യം ചെയ്യാൻ മനുഷ്യൻ എടുക്കുന്ന പരിശ്രമത്തിന്റെ മൂല്യം എന്താണ്? നമ്മൾ ഇപ്പോഴും ഉത്തരത്തിനായി തിരയുകയാണ്. തൽക്കാലം, ജിജ്ഞാസയും സംശയവും ചേർന്ന ഒരു സമീപനമാണ് നല്ലത്. ഈ ടൂളുകളുടെ പരിമിതികളെക്കുറിച്ച് അറിഞ്ഞുകൊണ്ട് തന്നെ നമ്മുടെ കഴിവുകൾ വികസിപ്പിക്കാൻ അവ ഉപയോഗിക്കണം. AI-യുടെ ഭാവി പൂർത്തിയായ ഒരു ഉൽപ്പന്നമല്ല. നമ്മൾക്ക് എന്തൊക്കെ നിർമ്മിക്കാൻ കഴിയും, എന്തൊക്കെ നിർമ്മിക്കണം എന്നിവ തമ്മിലുള്ള തുടർച്ചയായ ചർച്ചയാണിത്.

Editor’s note: We created this site as a multilingual AI news and guides hub for people who are not computer geeks, but still want to understand artificial intelligence, use it with more confidence, and follow the future that is already arriving.