१०० लेखांपेक्षा आधुनिक AI अधिक चांगल्या प्रकारे स्पष्ट करणारे १० डेमो

बुद्धिमत्तेचा दृश्य पुरावा

AI बद्दल वाचण्याचा काळ आता संपला आहे. आपण ते प्रत्यक्ष पाहण्याच्या युगात प्रवेश केला आहे. वर्षानुवर्षे, वापरकर्ते लार्ज लँग्वेज मॉडेल्स काय करू शकतात, याच्या केवळ मजकूर वर्णनांवर अवलंबून होते. आता, OpenAI आणि Google सारख्या कंपन्यांच्या हाय-प्रोफाइल व्हिडिओ प्रात्यक्षिकांनी चर्चेची दिशा बदलली आहे. हे क्लिप्स असे सॉफ्टवेअर दाखवतात जे रिअल टाइममध्ये पाहू, ऐकू आणि बोलू शकते. ते असे व्हिडिओ जनरेटर्स दाखवतात जे एका वाक्यातून सिनेमॅटिक जग निर्माण करतात. हे डेमो संशोधन पेपर्स आणि प्रत्यक्ष उत्पादने यांच्यातील दुवा आहेत. ते अशा भविष्याची झलक देतात जिथे संगणक हे केवळ एक साधन नसून एक सहकारी आहे. तथापि, डेमो हे एक सादरीकरण असते. हे तंत्रज्ञानाची अशी एक काळजीपूर्वक निवडलेली खिडकी आहे जी कदाचित लोकांसाठी अजून तयार नसेल.

उद्योगाची सध्याची स्थिती समजून घेण्यासाठी, पॉलिश केलेल्या पिक्सेलच्या पलीकडे पाहणे आवश्यक आहे. हे व्हिडिओ काय सिद्ध करतात आणि काय लपवतात, हे विचारणे गरजेचे आहे. इंजिनिअरिंगमधील प्रगती आणि मार्केटिंगचा देखावा वेगळा करणे हे आपले ध्येय आहे. हा फरक प्रत्येक मोठ्या टेक फर्मसाठी सध्याचा काळ ठरवतो. आपण आता मॉडेल्सना केवळ त्यांच्या बेंचमार्कवरून मोजत नाही आहोत. आपण त्यांना लेन्स किंवा मायक्रोफोनद्वारे भौतिक जगाशी संवाद साधण्याच्या क्षमतेवरून मोजत आहोत. हा बदल मल्टीमोडल युगाची सुरुवात दर्शवतो, जिथे इंटरफेस हा त्यामागील बुद्धिमत्तेइतकाच महत्त्वाचा आहे.

स्टेज केलेल्या वास्तवाचे विश्लेषण

आधुनिक AI डेमो हे सॉफ्टवेअर इंजिनिअरिंग आणि फिल्म प्रोडक्शनचे मिश्रण आहे. जेव्हा एखादी कंपनी मॉडेलला माणसाशी संवाद साधताना दाखवते, तेव्हा ते अनेकदा उत्तम हार्डवेअर आणि परिपूर्ण परिस्थितीचा वापर करत असतात. हे डेमो सामान्यतः तीन श्रेणींमध्ये येतात. पहिली म्हणजे प्रॉडक्ट डेमो. हे असे फीचर दाखवते जे वापरकर्त्यांसाठी लगेच उपलब्ध होत आहे. दुसरी म्हणजे पॉसिबिलिटी डेमो. हे असे काही दाखवते जे Google DeepMind मधील संशोधकांनी लॅबमध्ये साध्य केले आहे, परंतु ते लाखो वापरकर्त्यांपर्यंत पोहोचवू शकत नाहीत. तिसरी म्हणजे परफॉर्मन्स. हे भविष्यातील एक व्हिजन आहे जे भारी एडिटिंग किंवा विशिष्ट प्रॉम्प्ट्सवर अवलंबून असते, जे सामान्य लोकांसाठी उपलब्ध नसतात.

उदाहरणार्थ, जेव्हा आपण एखाद्या मॉडेलला कॅमेरा लेन्सद्वारे वस्तू ओळखताना पाहतो, तेव्हा आपण मल्टीमोडल प्रोसेसिंगमधील मोठी झेप पाहत असतो. मॉडेलला व्हिडिओ फ्रेम्सवर प्रक्रिया करून, त्यांचे डेटामध्ये रूपांतर करून, काही मिलिसेकंदात नैसर्गिक भाषेत प्रतिसाद द्यावा लागतो. हे सिद्ध करते की लॅटन्सीचा अडथळा दूर होत आहे. हे दर्शवते की आर्किटेक्चर हाय बँडविड्थ इनपुट हाताळू शकते. तथापि, या सिस्टिम्सची विश्वासार्हता अजूनही सिद्ध झालेली नाही. डेमोमध्ये हे दिसत नाही की मॉडेलने ती वस्तू ओळखण्यात दहा वेळा चूक केली असेल. त्यात तो हॅल्युसिनेशन दिसत नाही जिथे AI आत्मविश्वासाने मांजरीला टोस्टर म्हणून ओळखते.

लोक सहसा या साधनांच्या तयारीचा अतिअंदाज लावतात, तर ते काम करण्यासाठी लागणाऱ्या तांत्रिक कामगिरीला कमी लेखतात. मजकुरातून सुसंगत व्हिडिओ तयार करणे हे एक मोठे गणिती आव्हान आहे. भौतिकशास्त्राच्या नियमांचे पालन करून हे करणे अधिक कठीण आहे. आपण वर्ल्ड सिम्युलेटरचा जन्म पाहत आहोत. हे केवळ व्हिडिओ प्लेयर्स नाहीत. हे असे इंजिन आहेत जे प्रकाश आणि हालचाल कशी कार्य करेल याचा अंदाज लावतात. जरी निकाल सध्या स्टेज केलेले असले, तरी त्यामागील क्षमता ही कॉम्प्युटिंगमधील एका मोठ्या बदलाचे संकेत आहेत.

जागतिक श्रम बदलाचे वारे

या प्रात्यक्षिकांचा प्रभाव सिलिकॉन व्हॅलीच्या पलीकडे पोहोचला आहे. जागतिक स्तरावर, या क्षमता राष्ट्र श्रम आणि शिक्षणाबद्दल कसा विचार करतात, हे बदलत आहेत. ज्या देशांमध्ये बिझनेस प्रोसेस आउटसोर्सिंगवर जास्त अवलंबित्व आहे, तिथे AI रिअल टाइममध्ये क्लिष्ट ग्राहक सेवा कॉल हाताळताना पाहणे ही एक धोक्याची घंटा आहे. हे सुचवते की स्वयंचलित बुद्धिमत्तेचा खर्च विकसनशील अर्थव्यवस्थांमधील मानवी श्रमाच्या खर्चापेक्षा कमी होत आहे. यामुळे सरकारांवर त्यांच्या आर्थिक धोरणांचा पुनर्विचार करण्यासाठी नवीन प्रकारचे दडपण निर्माण होत आहे.

त्याच वेळी, हे डेमो आंतरराष्ट्रीय स्पर्धेतील एक नवीन आघाडी दर्शवतात. Anthropic सारख्या कंपन्यांच्या प्रगत मॉडेल्सचा प्रवेश ही आता राष्ट्रीय सुरक्षेची बाब बनत आहे. जर एखादे मॉडेल कोड लिहिण्यास किंवा हार्डवेअर डिझाइन करण्यास मदत करू शकत असेल, तर सर्वोत्तम मॉडेल असलेल्या देशाकडे स्पष्ट फायदा आहे. यामुळे कॉम्प्युट रिसोर्सेस आणि डेटा सार्वभौमत्वासाठी शर्यत लागली आहे. आपण स्थानिक मॉडेल्सकडे वळत आहोत जे गोपनीयता जपण्यासाठी आणि नियंत्रण राखण्यासाठी एखाद्या विशिष्ट राष्ट्राच्या सीमांमध्ये चालू शकतात.

जागतिक प्रेक्षक सर्जनशीलतेचे लोकशाहीकरणही पाहत आहेत. दुर्गम गावातील व्यक्ती स्मार्टफोनच्या मदतीने हॉलिवूडमधील स्टुडिओसारखीच सर्जनशील शक्ती मिळवू शकते. यामध्ये सर्जनशील अर्थव्यवस्था सपाट करण्याची क्षमता आहे. हे अशा कथा आणि कल्पनांना वाव देते ज्या पूर्वी उच्च प्रवेश खर्चामुळे अडकल्या होत्या. तथापि, यामुळे चुकीच्या माहितीचा धोकाही निर्माण होतो. जे तंत्रज्ञान सुंदर डेमो तयार करते, तेच तंत्रज्ञान पटण्याजोगा खोटेपणाही तयार करू शकते. जागतिक समुदायाला आता या वास्तवाचा सामना करावा लागेल की पाहणे म्हणजे विश्वास ठेवणे नव्हे. इंटरनेट कनेक्शन असलेल्या प्रत्येक व्यक्तीसाठी हे धोके व्यावहारिक आणि तात्काळ आहेत.

सिंथेटिक सहकाऱ्यांसोबत जगणे

नजीकच्या भविष्यात सारा नावाच्या मार्केटिंग मॅनेजरच्या दिवसाचा विचार करा. ती सकाळी तिच्या वेळापत्रक आणि ईमेल पाहणाऱ्या AI असिस्टंटला उघडून दिवसाची सुरुवात करते. ती टाईप करत नाही. ती कॉफी बनवताना असिस्टंटशी बोलते. AI तीन सर्वात महत्त्वाची कामे सारांशित करते आणि प्रोजेक्ट प्रस्तावाचा मसुदा सुचवते. सारा AI ला प्रतिस्पर्ध्याच्या उत्पादनाचा व्हिडिओ पाहून मुख्य वैशिष्ट्ये ओळखण्यास सांगते. AI हे काही सेकंदात करते, एक तुलनात्मक तक्ता तयार करते जो सारा तिच्या मीटिंगमध्ये वापरू शकते.

त्याच दुपारी, साराला नवीन मोहिमेसाठी एक छोटी प्रमोशनल क्लिप तयार करायची आहे. प्रोडक्शन क्रू भाड्याने घेण्याऐवजी, ती व्हिडिओ जनरेशन टूल वापरते. ती दृश्य, प्रकाश आणि मूडचे वर्णन करते. टूल क्लिपच्या चार वेगवेगळ्या आवृत्त्या तयार करते. ती एक निवडते आणि AI ला कंपनीच्या ब्रँडिंगशी जुळण्यासाठी अभिनेत्याच्या शर्टचा रंग बदलण्यास सांगते. बदल त्वरित होतो. हे आज आपण पाहतो त्या डेमोचा व्यावहारिक उपयोग आहे. हे साराला बदलण्याबद्दल नाही. हे तिच्या कल्पनेतील आणि अंतिम उत्पादनातील अडथळे दूर करण्याबद्दल आहे.

तथापि, विरोधाभास अजूनही स्पष्ट आहेत. जरी AI उपयुक्त असले, तरी साराला कंपनीच्या कायदेशीर अनुपालनाबाबत मॉडेलने केलेली चूक सुधारण्यासाठी तीस मिनिटे खर्च करावी लागतात. मॉडेल आत्मविश्वासाने पण चुकीचे होते. तिला हेही जाणवते की AI ला आग्नेय आशियातील तिच्या लक्ष्यित बाजारपेठेतील विशिष्ट सांस्कृतिक बारकावे समजून घेण्यात अडचण येते. डेमोने सार्वत्रिक बुद्धिमत्ता दाखवली होती, पण वास्तव हे आहे की हे साधन विशिष्ट डेटावर प्रशिक्षित आहे ज्यामध्ये त्रुटी आहेत.

अपेक्षांमधील बदल स्पष्ट आहे. वापरकर्ते आता त्यांच्या सॉफ्टवेअरकडून सक्रिय असण्याची अपेक्षा करतात. त्यांना वाटते की त्याने संदर्भ न सांगता समजून घ्यावा. यामुळे आपण वेबसाइट्स आणि ॲप्स कसे बनवतो हे बदलत आहे. आपण बटणे आणि मेनूपासून दूर जाऊन नैसर्गिक संवादाकडे वळत आहोत. हा बदल समजून घेण्यासाठी, अधिक तपशीलवार तांत्रिक विश्लेषणासाठी आधुनिक कृत्रिम बुद्धिमत्ता ट्रेंड्स पाहावेत.

साराचा अनुभव AI बद्दल लोक काय चुकीचे समजतात हे अधोरेखित करतो:

• AI जे काम करत आहे त्याचा अर्थ त्याला किती समजतो, याचा ते अतिअंदाज लावतात.
• पुनरावृत्तीच्या कामात त्यांचा किती वेळ वाचेल, याचा ते कमी अंदाज लावतात.

जादूची मोठी किंमत

या डेमोभोवतीची उत्सुकता अनेकदा त्यांच्या दीर्घकालीन टिकाऊपणाबद्दलच्या कठीण प्रश्नांना लपवते. आपण प्रगतीच्या कथनाकडे थोड्या संशयाने पाहिले पाहिजे. प्रथम, हे मॉडेल्स चालवण्यासाठी लागणाऱ्या प्रचंड कॉम्प्युट खर्चाची भरपाई कोण करत आहे? प्रत्येक वेळी जेव्हा वापरकर्ता मल्टीमोडल AI शी संवाद साधतो, तेव्हा ते महागड्या GPU प्रक्रियेची साखळी सुरू करते. सध्याचे बिझनेस मॉडेल्स अनेकदा हा खर्च कव्हर करत नाहीत, ज्यामुळे व्हेंचर कॅपिटल किंवा मोठ्या कॉर्पोरेट सबसिडीवर अवलंबून राहावे लागते. सबसिडी संपल्यावर काय होईल, हा प्रश्न यामुळे निर्माण होतो. ही साधने काहींसाठी चैनीची वस्तू बनतील का?

दुसरे, आपण डेटाच्या लपलेल्या खर्चाचा विचार केला पाहिजे. बहुतेक मॉडेल्स इंटरनेटच्या एकत्रित आउटपुटवर प्रशिक्षित आहेत. यामध्ये कॉपीराइट केलेले काम, वैयक्तिक डेटा आणि लाखो लोकांचे सर्जनशील श्रम समाविष्ट आहेत ज्यांनी त्यांचे काम अशा प्रकारे वापरण्यास कधीही संमती दिली नव्हती. जसजसे मॉडेल्स अधिक सक्षम होत आहेत, तसतसे उच्च दर्जाच्या मानवी डेटाचा पुरवठा कमी होत आहे. काही कंपन्या आता AI द्वारे तयार केलेल्या डेटावर AI ला प्रशिक्षित करत आहेत. यामुळे गुणवत्तेचा ऱ्हास होऊ शकतो किंवा चुकांचे फीडबॅक लूप तयार होऊ शकते.

तिसरे, गोपनीयतेचा मुद्दा आहे. AI खरोखर उपयुक्त ठरण्यासाठी, तुम्ही जे पाहता ते त्याला पाहणे आणि तुम्ही जे ऐकता ते ऐकणे आवश्यक आहे. यासाठी अशा देखरेखीची पातळी आवश्यक आहे जी पूर्वी अकल्पनीय होती. चांगल्या असिस्टंटच्या बदल्यात आपल्या दैनंदिन जीवनाचा रिअल-टाइम फीड कॉर्पोरेशनकडे असणे आपल्याला मान्य आहे का? डेमोमध्ये सोय दिसते, पण जिथे ही माहिती साठवली आणि विश्लेषित केली जाते, ते डेटा सेंटर्स तिथे क्वचितच दिसतात. या मॉडेल्सचे वेट्स कोणाकडे आहेत आणि ते बंद करण्याची शक्ती कोणाकडे आहे, हे आपण विचारले पाहिजे. हे केवळ उत्पादकतेबद्दल नाही. हे खाजगी आयुष्याच्या मूलभूत अधिकाराबद्दल आहे. हा सत्तेचा प्रश्न आहे.

एजंट युगाच्या पडद्यामागे

पॉवर युजरसाठी, रस त्या तांत्रिक प्लंबिंगमध्ये आहे जे हे डेमो शक्य करते. आपण एजंट वर्कफ्लोच्या जगाकडे जात आहोत. याचा अर्थ AI केवळ मजकूर तयार करत नाही. ते टूल्स वापरते. ते API कॉल करते, स्थानिक स्टोरेजमध्ये लिहिते आणि इतर सॉफ्टवेअरशी संवाद साधते. सध्याची अडचण मॉडेलची बुद्धिमत्ता नसून सिस्टिमची *लॅटन्सी* आहे. डेमोला प्रवाही दाखवण्यासाठी, डेव्हलपर्स अनेकदा विशेष हार्डवेअर किंवा ऑप्टिमाइझ्ड इन्फरन्स इंजिन वापरतात.

या मॉडेल्सना व्यावसायिक वर्कफ्लोमध्ये समाकलित करताना, अनेक घटक महत्त्वाचे ठरतात:

• कॉन्टेक्स्ट विंडो मर्यादा: सर्वोत्तम मॉडेल्सही खूप लांब संवादात माहितीचा मागोवा गमावू शकतात.
• API रेट मर्यादा: उच्च दर्जाची मॉडेल्स अनेकदा थ्रॉटल केली जातात, ज्यामुळे ती जड उत्पादन कार्यांसाठी वापरणे कठीण होते.
• स्थानिक विरुद्ध क्लाउड: मॅक किंवा पीसीवर स्थानिक पातळीवर मॉडेल चालवणे गोपनीयता आणि वेग देते, परंतु त्यासाठी महत्त्वपूर्ण VRAM लागते.

मध्ये, आपण लहान लँग्वेज मॉडेल्सचा उदय पाहिला जे ग्राहक हार्डवेअरवर चालू शकतात. ही मॉडेल्स अनेकदा मोठ्या आवृत्त्यांपासून डिस्टिल केलेली असतात, जी तर्क करण्याची क्षमता कायम ठेवतात आणि फूटप्रिंट कमी करतात. ज्या डेव्हलपर्सना सतत इंटरनेट कनेक्शनवर अवलंबून नसलेली ॲप्स बनवायची आहेत, त्यांच्यासाठी हे महत्त्वाचे आहे. JSON मोड आणि स्ट्रक्चर्ड आउटपुटच्या दिशेने झालेल्या बदलामुळे AI साठी पारंपारिक डेटाबेसशी बोलणे सोपे झाले आहे.

तथापि, डेमोपासून स्थिर उत्पादनापर्यंतचा प्रवास कठीण आहे. डेमो एज केसेसकडे दुर्लक्ष करू शकतो. प्रोडक्शन एन्व्हायर्नमेंट तसे करू शकत नाही. डेव्हलपर्सना मॉडेलच्या प्रतिसादातील बदल आणि नॉन-डिटरमिनिस्टिक सॉफ्टवेअरची अनिश्चितता व्यवस्थापित करावी लागते. उद्योगाचा गीक विभाग सध्या रिट्रीव्हल ऑगमेंटेड जनरेशनवर वेडा आहे, जेणेकरून या मॉडेल्सना वास्तविक जगातील तथ्यांवर आधारित करता येईल. हे काम मध्ये सुरू राहील कारण हार्डवेअर सॉफ्टवेअरच्या बरोबरीने प्रगती करत आहे.

हायपचा निकाल

आपल्या सध्याच्या क्षणाला परिभाषित करणारे डेमो हे केवळ मार्केटिंगपेक्षा जास्त आहेत. ते तंत्रज्ञानासोबत जगण्याच्या नवीन पद्धतीसाठी एक प्रूफ ऑफ कन्सेप्ट आहेत. ते दर्शवतात की मानवी हेतू आणि मशीन अंमलबजावणी यांच्यातील अडथळे विरघळत आहेत. पण आपण टीकात्मक राहिले पाहिजे. डेमो हे एक आश्वासन आहे, पूर्ण झालेले उत्पादन नाही. ते अजूनही विकसित होत असलेल्या साधनाची सर्वोत्तम आवृत्ती दाखवते. आपण डेमोची पारख त्याने तपासणीत काय सिद्ध केले आणि कॅमेऱ्यासाठी काय स्टेज केले आहे, यावरून केली पाहिजे.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.

या डेमोचे खरे मूल्य हे आहे की ते आपल्या अपेक्षा कशा बदलतात. ते आपल्याला अशा जगाची कल्पना करण्यास भाग पाडतात जिथे संगणक आपल्याला आपल्या अटींवर समजून घेतो. जसे आपण पुढे जाऊ, तसे लक्ष AI व्हिडिओमध्ये काय करू शकते यावरून ते आपल्या डेस्कवर काय करू शकते, याकडे वळेल. पॉलिश केलेले सादरीकरण आणि गोंधळलेले वास्तव यांच्यातील विरोधाभास उद्योगाचा पुढचा टप्पा परिभाषित करतील. डेमोची पारख त्याने काय सिद्ध केले यावरून करा, पण साधन ते प्रत्यक्ष काय देते यासाठी वापरा.

काही चूक आढळली किंवा काही दुरुस्त करायचे आहे का? आम्हाला कळवा.