ਜੇਕਰ AI ਕੋਲਡ ਵਾਰ ਹੋਰ ਤੇਜ਼ ਹੋ ਗਈ ਤਾਂ ਕੀ ਹੋਵੇਗਾ?

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਸਰਵਉੱਚਤਾ ਲਈ ਗਲੋਬਲ ਮੁਕਾਬਲਾ ਹੁਣ ਐਲਗੋਰਿਦਮ ਦੀ ਲੜਾਈ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਭੌਤਿਕ ਸਰੋਤਾਂ ਦੀ ਜੰਗ ਬਣ ਗਿਆ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਸੋਚਦੇ ਹਨ ਕਿ ਇਸ ਦੌੜ ਵਿੱਚ ਉਹੀ ਜਿੱਤੇਗਾ ਜਿਸ ਕੋਲ ਸਭ ਤੋਂ ਵਧੀਆ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰ ਜਾਂ ਚਲਾਕ ਕੋਡ ਹੋਵੇਗਾ। ਇਹ ਮੌਜੂਦਾ ਸਥਿਤੀ ਦੀ ਗਲਤ ਸਮਝ ਹੈ। ਅਸਲੀ ਜੇਤੂ ਉਹ ਹੋਵੇਗਾ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ high end semiconductors ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਬਿਜਲੀ ਸੁਰੱਖਿਅਤ ਕਰ ਸਕੇ। ਅਸੀਂ ਅਕਾਦਮਿਕ ਸਹਿਯੋਗ ਦੀ ਦੁਨੀਆ ਤੋਂ ਨਿਕਲ ਕੇ ਤਕਨੀਕੀ ਸੁਰੱਖਿਆਵਾਦ ਦੇ ਦੌਰ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਹੇ ਹਾਂ। ਇਹ ਬਦਲਾਅ ਇਸ ਲਈ ਆਇਆ ਕਿਉਂਕਿ ਸਰਕਾਰਾਂ ਨੂੰ ਸਮਝ ਆ ਗਿਆ ਹੈ ਕਿ large language models **ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਅਤੇ ਆਰਥਿਕ ਉਤਪਾਦਕਤਾ** ਦਾ ਨਵਾਂ ਆਧਾਰ ਹਨ। ਜੇਕਰ ਅਮਰੀਕਾ ਅਤੇ ਚੀਨ ਵਿਚਕਾਰ ਤਣਾਅ ਵਧਦਾ ਰਿਹਾ, ਤਾਂ ਗਲੋਬਲ tech industry ਦੋ ਵੱਖ-ਵੱਖ ਅਤੇ ਅਸੰਗਤ ecosystems ਵਿੱਚ ਵੰਡੀ ਜਾਵੇਗੀ। ਇਹ ਕੋਈ ਦੂਰ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ, ਇਹ ਪ੍ਰਕਿਰਿਆ ਪਹਿਲਾਂ ਹੀ ਚੱਲ ਰਹੀ ਹੈ। ਕੰਪਨੀਆਂ ਨੂੰ ਮਜਬੂਰਨ ਪੱਖ ਚੁਣਨਾ ਪੈ ਰਿਹਾ ਹੈ ਕਿ ਉਹ ਆਪਣਾ ਡਾਟਾ ਕਿੱਥੇ ਹੋਸਟ ਕਰਨ ਅਤੇ ਕਿਹੜਾ ਹਾਰਡਵੇਅਰ ਖਰੀਦਣ। ਇੱਕਜੁੱਟ, ਗਲੋਬਲ ਇੰਟਰਨੈੱਟ ਦਾ ਯੁੱਗ ਖਤਮ ਹੋ ਰਿਹਾ ਹੈ।

ਚੈਟਬੋਟ ਦੇ ਸ਼ੋਰ ਤੋਂ ਪਰੇ

ਇਸ ਵਿਸ਼ੇ ‘ਤੇ ਨਵੇਂ ਲੋਕਾਂ ਲਈ ਇੱਕ ਆਮ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਕੋਈ ਇੱਕ ਪੱਖ ਜਿੱਤ ਰਿਹਾ ਹੈ। ਇਸਦਾ ਜਵਾਬ ਦੇਣਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿਉਂਕਿ ਦੋਵੇਂ ਮੁੱਖ ਖਿਡਾਰੀ ਵੱਖ-ਵੱਖ ਖੇਡਾਂ ਖੇਡ ਰਹੇ ਹਨ। ਅਮਰੀਕਾ ਫਿਲਹਾਲ foundational research ਅਤੇ raw model performance ਵਿੱਚ ਅੱਗੇ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਵੱਡੇ ਅਤੇ ਸਮਰੱਥ ਮਾਡਲ ਅਮਰੀਕੀ ਫਰਮਾਂ ਦੁਆਰਾ ਬਣਾਏ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਚੀਨ ਇਨ੍ਹਾਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਲਾਗੂ ਕਰਨ ਅਤੇ ਉਦਯੋਗਿਕ ਨਿਰਮਾਣ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਏਕੀਕਰਣ ਵਿੱਚ ਅੱਗੇ ਹੈ। ਇੱਕ ਵੱਡੀ ਗਲਤਫਹਿਮੀ ਇਹ ਹੈ ਕਿ high end chips ‘ਤੇ ਅਮਰੀਕੀ ਪਾਬੰਦੀਆਂ ਨੇ ਚੀਨੀ ਤਰੱਕੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਰੋਕ ਦਿੱਤਾ ਹੈ। ਇਹ ਗਲਤ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹਨਾਂ ਪਾਬੰਦੀਆਂ ਨੇ ਚੀਨੀ ਫਰਮਾਂ ਨੂੰ optimization ਦਾ ਮਾਹਿਰ ਬਣਾ ਦਿੱਤਾ ਹੈ। ਉਹ ਘੱਟ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ train ਕਰਨ ਦੇ ਨਵੀਨਤਾਕਾਰੀ ਤਰੀਕੇ ਲੱਭ ਰਹੇ ਹਨ ਅਤੇ semiconductors ਲਈ ਆਪਣੀ ਘਰੇਲੂ ਸਪਲਾਈ ਚੇਨ ਬਣਾ ਰਹੇ ਹਨ। ਇਸ ਨੇ ਇੱਕ ਅਜਿਹਾ ਬਾਜ਼ਾਰ ਬਣਾਇਆ ਹੈ ਜਿੱਥੇ ਪੱਛਮੀ ਫਰਮਾਂ scale ‘ਤੇ ਅਤੇ ਪੂਰਬੀ ਫਰਮਾਂ efficiency ‘ਤੇ ਧਿਆਨ ਦਿੰਦੀਆਂ ਹਨ।

ਮੁਕਾਬਲੇ ਦਾ ਧਿਆਨ ਹੁਣ ਮਾਡਲਾਂ ਨੂੰ train ਕਰਨ ਤੋਂ ਹਟ ਕੇ ਉਹਨਾਂ ਨੂੰ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਚਲਾਉਣ ‘ਤੇ ਆ ਗਿਆ ਹੈ। ਇੱਥੇ ਹੀ ਹਾਰਡਵੇਅਰ ਦਾ ਸੰਕਟ ਸਾਰਿਆਂ ਲਈ ਮੁਸੀਬਤ ਬਣ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਕੰਪਨੀ ਨਵੀਨਤਮ Nvidia H100 ਜਾਂ B200 chips ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕਰ ਸਕਦੀ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਉਹੀ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਪਵੇਗੀ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਵੱਡਾ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਊਰਜਾ ਦੀਆਂ ਕੀਮਤਾਂ ਅਸਥਿਰ ਹਨ। ਮੁਕਾਬਲਾ ਹੁਣ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਕੌਣ ਸਭ ਤੋਂ ਕੁਸ਼ਲ data centers ਬਣਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਪਾਵਰ ਗਰਿੱਡ ਸੁਰੱਖਿਅਤ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਹੁਣ ਸਿਰਫ ਇਸ ਬਾਰੇ ਨਹੀਂ ਹੈ ਕਿ ਕਿਸ ਕੋਲ ਵਧੀਆ ਗਣਿਤਿਕ ਫਾਰਮੂਲੇ ਹਨ। AI ਦਾ ਭੌਤਿਕ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਕੋਡ ਜਿੰਨਾ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਬਦਲਾਅ ਇਸ ਅਹਿਸਾਸ ਨਾਲ ਤੇਜ਼ ਹੋਇਆ ਕਿ compute power ਇੱਕ ਸੀਮਤ ਸਰੋਤ ਹੈ। ਇਸ ਨੂੰ ਭਾਰੀ ਪੂੰਜੀ ਨਿਵੇਸ਼ ਤੋਂ ਬਿਨਾਂ ਆਸਾਨੀ ਨਾਲ ਸਾਂਝਾ ਜਾਂ ਡੁਪਲੀਕੇਟ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

ਮਹਾਨ ਵੱਖਰੇਵਾਂ (The Great Decoupling)

ਇਸ ਰਗੜ ਦਾ ਗਲੋਬਲ ਪ੍ਰਭਾਵ ਤਕਨਾਲੋਜੀ ਸਪਲਾਈ ਚੇਨ ਦਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪੁਨਰਗਠਨ ਹੈ। ਅਸੀਂ sovereign AI ਦਾ ਉਭਾਰ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਰਾਸ਼ਟਰ ਹੁਣ ਆਪਣੀ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ ਵਿਦੇਸ਼ੀ cloud providers ‘ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਰਹਿਣਾ ਚਾਹੁੰਦੇ। ਉਹ ਚਾਹੁੰਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਮਾਡਲ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਡਾਟਾ ‘ਤੇ train ਹੋਣ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਸਰਹੱਦਾਂ ਦੇ ਅੰਦਰ ਸਥਿਤ servers ‘ਤੇ ਚੱਲਣ। ਉਹ ਵਪਾਰਕ ਵਿਵਾਦ ਜਾਂ ਕੂਟਨੀਤਕ ਸੰਕਟ ਦੌਰਾਨ ਜ਼ਰੂਰੀ ਸੇਵਾਵਾਂ ਤੋਂ ਕੱਟੇ ਜਾਣ ਦਾ ਜੋਖਮ ਨਹੀਂ ਲੈਣਾ ਚਾਹੁੰਦੇ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਵੰਡੀ ਹੋਈ ਦੁਨੀਆ ਵੱਲ ਲੈ ਜਾ ਰਿਹਾ ਹੈ ਜਿੱਥੇ ਤਕਨੀਕੀ ਮਾਪਦੰਡ ਖੇਤਰ ਅਨੁਸਾਰ ਵੱਖੋ-ਵੱਖਰੇ ਹਨ। ਛੋਟੇ ਦੇਸ਼ਾਂ ਨੂੰ ਸਭ ਤੋਂ ਉੱਨਤ tools ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਪੱਖ ਚੁਣਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਸਾਫਟਵੇਅਰ ਮੁੱਦਾ ਨਹੀਂ ਹੈ। ਇਹ ਭੌਤਿਕ ਕੇਬਲਾਂ ਅਤੇ ਉਹਨਾਂ ਫੈਕਟਰੀਆਂ ‘ਤੇ ਨਿਯੰਤਰਣ ਦੀ ਲੜਾਈ ਹੈ ਜੋ ਆਧੁਨਿਕ ਸੰਸਾਰ ਦੇ ਹਿੱਸੇ ਤਿਆਰ ਕਰਦੀਆਂ ਹਨ।

ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਸੋਚਦੇ ਹਨ ਕਿ ਇਹ ਸਿਰਫ਼ smartphones ਵਰਗੀਆਂ ਖਪਤਕਾਰ ਵਸਤੂਆਂ ‘ਤੇ ਵਪਾਰਕ ਜੰਗ ਹੈ। ਇਹ ਅਸਲ ਵਿੱਚ ਗਲੋਬਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਭਵਿੱਖ ਅਤੇ ਇਸਦੇ ਸ਼ਾਸਨ ਦੀ ਲੜਾਈ ਹੈ। ਜੇਕਰ ਦੁਨੀਆ ਵੰਡੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਮਹੱਤਵਪੂਰਨ ਸੁਰੱਖਿਆ ਖੋਜ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ। ਇਹ ਤਕਨਾਲੋਜੀ ਨੂੰ ਹਰ ਕਿਸੇ ਲਈ ਵਧੇਰੇ ਖਤਰਨਾਕ ਬਣਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਖੋਜਕਰਤਾ ਸਰਹੱਦਾਂ ਦੇ ਪਾਰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਗੱਲ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤਾਂ ਉਹ ਬੁਨਿਆਦੀ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਜਾਂ ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ‘ਤੇ ਸਹਿਮਤ ਨਹੀਂ ਹੋ ਸਕਦੇ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਦੌੜ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਸੁਰੱਖਿਆ ਨਾਲੋਂ ਗਤੀ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਕੁਝ ਖੇਤਰਾਂ ਲਈ cloud access ਨੂੰ ਵੀ ਸੀਮਤ ਕਰਨ ਲਈ ਅਮਰੀਕੀ ਨੀਤੀ ਵਿੱਚ ਹਾਲੀਆ ਬਦਲਾਅ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਥਿਤੀ ਕਿੰਨੀ ਗੰਭੀਰ ਹੋ ਗਈ ਹੈ। ਇਹ ਹੁਣ ਸਿਰਫ ਹਾਰਡਵੇਅਰ ਭੇਜਣ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ compute ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਬਾਰੇ ਹੈ। ਨਿਯੰਤਰਣ ਦਾ ਇਹ ਪੱਧਰ ਤਕਨਾਲੋਜੀ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਬੇਮਿਸਾਲ ਹੈ।

ਫ੍ਰਿਕਸ਼ਨ ਜ਼ੋਨ ਵਿੱਚ ਜੀਵਨ

ਦੱਖਣ-ਪੂਰਬੀ ਏਸ਼ੀਆ ਵਿੱਚ ਇੱਕ startup ਦੇ ਡਿਵੈਲਪਰ ਦੀ ਰੋਜ਼ਾਨਾ ਹਕੀਕਤ ਬਾਰੇ ਸੋਚੋ। ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ, ਉਹ ਆਪਣੀ ਮੁੱਖ ਤਰਕ ਲਈ ਇੱਕ US based API ਅਤੇ ਆਪਣੀ ਨਿਰਮਾਣ ਲੌਜਿਸਟਿਕਸ ਲਈ ਇੱਕ ਚੀਨੀ ਪ੍ਰਦਾਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਨ। ਅੱਜ, ਉਹ ਪਾਲਣਾ (compliance) ਦੀ ਇੱਕ ਕੰਧ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਹਨ। US API ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਉਹ ਕੁਝ ਸਥਾਨਕ ਸਰਕਾਰੀ ਗ੍ਰਾਂਟਾਂ ਜਾਂ ਖੇਤਰੀ ਭਾਈਵਾਲੀ ਲਈ ਅਯੋਗ ਹੋ ਸਕਦੇ ਹਨ। ਚੀਨੀ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਉਹਨਾਂ ਦਾ ਉਤਪਾਦ US market ਤੋਂ ਬੈਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਨਵੇਂ ਤਕਨੀਕੀ ਵੰਡ ਦੀ ਰੋਜ਼ਾਨਾ ਹਕੀਕਤ ਹੈ। ਇਹ ਡਿਵੈਲਪਰ ਅਸਲ ਕੋਡਿੰਗ ਨਾਲੋਂ legal compliance ‘ਤੇ ਜ਼ਿਆਦਾ ਸਮਾਂ ਬਿਤਾਉਂਦੇ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਆਪਣੇ ਉਤਪਾਦ ਦੇ ਦੋ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ ਪੈਂਦਾ ਹੈ। ਇੱਕ ਸੰਸਕਰਣ ਅੰਤਰਰਾਸ਼ਟਰੀ ਗਾਹਕਾਂ ਲਈ high end ਪੱਛਮੀ chips ‘ਤੇ ਚੱਲਦਾ ਹੈ। ਦੂਜਾ ਸੰਸਕਰਣ ਸਥਾਨਕ ਵਰਤੋਂ ਲਈ ਘਰੇਲੂ ਵਿਕਲਪਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਹੈ। ਇਹ ਭਾਰੀ overhead ਜੋੜਦਾ ਹੈ ਅਤੇ ਨਵੀਨਤਾ ਦੀ ਗਤੀ ਨੂੰ ਹੌਲੀ ਕਰਦਾ ਹੈ।

ਇਸ ਡਿਵੈਲਪਰ ਲਈ ਇੱਕ ਆਮ ਦਿਨ ਵਿੱਚ code ਨੂੰ repository ਵਿੱਚ ਪਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਅਪਡੇਟ ਕੀਤੀਆਂ export control lists ਦੀ ਜਾਂਚ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦਾ training data ਕੁਝ ਭੂਗੋਲਿਕ ਸਰਹੱਦਾਂ ਨੂੰ ਪਾਰ ਨਾ ਕਰੇ। ਇਹ ਰਗੜ AI ਕੋਲਡ ਵਾਰ ਦਾ collateral damage ਹੈ। ਇਹ ਸਿਰਫ਼ Nvidia ਜਾਂ Huawei ਵਰਗੀਆਂ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਵਿਚਕਾਰ ਫਸੀਆਂ ਹਜ਼ਾਰਾਂ ਛੋਟੀਆਂ ਫਰਮਾਂ ਬਾਰੇ ਹੈ। ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਕੰਪਨੀਆਂ ਹੁਣ ਆਪਣੇ ਹੈੱਡਕੁਆਰਟਰ ਨੂੰ ਸਿੰਗਾਪੁਰ ਜਾਂ ਦੁਬਈ ਵਰਗੇ ਨਿਰਪੱਖ ਜ਼ੋਨਾਂ ਵਿੱਚ ਤਬਦੀਲ ਕਰ ਰਹੀਆਂ ਹਨ। ਉਹ ਇੱਕ ਅਜਿਹਾ ਵਿਚਕਾਰਲਾ ਰਸਤਾ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ ਜੋ ਸ਼ਾਇਦ ਲੰਬੇ ਸਮੇਂ ਲਈ ਮੌਜੂਦ ਨਾ ਹੋਵੇ। ਪੱਖ ਚੁਣਨ ਦਾ ਦਬਾਅ ਲਗਾਤਾਰ ਅਤੇ ਵਧ ਰਿਹਾ ਹੈ। ਇਹ ਵਾਤਾਵਰਣ ਉਹਨਾਂ ਵੱਡੇ ਅਦਾਰਿਆਂ ਦਾ ਪੱਖ ਲੈਂਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਗੁੰਝਲਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ legal teams ਦਾ ਖਰਚਾ ਉਠਾ ਸਕਦੇ ਹਨ। ਇਹ ਇੱਕ ਛੋਟੀ ਟੀਮ ਲਈ ਅਜਿਹੀ ਚੀਜ਼ ਬਣਾਉਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਗਲੋਬਲ ਦਰਸ਼ਕਾਂ ਤੱਕ ਪਹੁੰਚ ਸਕੇ।

ਇਸਦਾ ਪ੍ਰਭਾਵ ਖਪਤਕਾਰ ਪੱਧਰ ਤੱਕ ਵੀ ਫੈਲਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਉਪਭੋਗਤਾ ਇੱਕੋ tools ਦੇ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣ ਦੇਖਣ ਲੱਗੇ ਹਨ। ਇੱਕ ਦੇਸ਼ ਵਿੱਚ ਉਪਲਬਧ ਮਾਡਲ ਵਿੱਚ ਦੂਜੇ ਦੇਸ਼ ਦੇ ਉਸੇ ਮਾਡਲ ਨਾਲੋਂ ਸਖ਼ਤ ਸੀਮਾਵਾਂ ਜਾਂ ਵੱਖਰਾ training data ਹੋ ਸਕਦਾ ਹੈ। ਇਹ intelligence ਦਾ ਇੱਕ splinternet ਬਣਾ ਰਿਹਾ ਹੈ। ਸ਼ੁਰੂਆਤੀ ਵੈੱਬ ਦੇ ਸਹਿਜ ਅਨੁਭਵ ਨੂੰ ਖੇਤਰੀ ਨਿਯਮਾਂ ਅਤੇ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਦੇ ਇੱਕ ਪੈਚਵਰਕ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਸੈਂਸਰਸ਼ਿਪ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਉਹਨਾਂ tools ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਬਾਰੇ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਅਸੀਂ ਸੋਚਣ ਅਤੇ ਕੰਮ ਕਰਨ ਲਈ ਕਰਦੇ ਹਾਂ। ਜੋ ਉਤਪਾਦ ਇਸ ਦਲੀਲ ਨੂੰ ਅਸਲੀ ਮਹਿਸੂਸ ਕਰਾਉਂਦੇ ਹਨ, ਉਹ ਮੱਧ ਪੂਰਬ ਅਤੇ ਯੂਰਪ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵਿਕਸਤ ਕੀਤੇ ਜਾ ਰਹੇ localized LLMs ਹਨ। ਇਹ ਮਾਡਲ ਦੋ ਮੁੱਖ ਸ਼ਕਤੀ ਬਲਾਕਾਂ ਤੋਂ ਸੁਤੰਤਰ ਰਹਿੰਦੇ ਹੋਏ ਸਥਾਨਕ ਕਦਰਾਂ-ਕੀਮਤਾਂ ਅਤੇ ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ।

ਜਿੱਤਣ ਦੀ ਕੀਮਤ

ਸਾਨੂੰ ਇਸ ਮੁਕਾਬਲੇ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਕੀਮਤਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਜੇਕਰ ਅਸੀਂ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਨੂੰ ਸਭ ਤੋਂ ਉੱਪਰ ਰੱਖਦੇ ਹਾਂ, ਤਾਂ ਕੀ ਅਸੀਂ ਉਸ ਨਵੀਨਤਾ ਦੀ ਬਲੀ ਦਿੰਦੇ ਹਾਂ ਜਿਸਦੀ ਅਸੀਂ ਰੱਖਿਆ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ? ਇਹਨਾਂ ਵਿਸ਼ਾਲ GPU clusters ਲਈ ਊਰਜਾ ਦੀਆਂ ਲੋੜਾਂ ਹੈਰਾਨੀਜਨਕ ਹਨ। ਕੁਝ ਅਨੁਮਾਨ ਦੱਸਦੇ ਹਨ ਕਿ ਇੱਕ ਸਿੰਗਲ ਵੱਡਾ training run ਇੱਕ ਛੋਟੇ ਸ਼ਹਿਰ ਜਿੰਨੀ ਬਿਜਲੀ ਦੀ ਖਪਤ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਭੁਗਤਾਨ ਕੌਣ ਕਰਦਾ ਹੈ? ਕੀ ਇਹ ਸਰਕਾਰੀ ਸਬਸਿਡੀਆਂ ਰਾਹੀਂ ਟੈਕਸਦਾਤਾ ਹੈ? ਜਾਂ ਕੀ ਇਹ ਉੱਚੀਆਂ ਕੀਮਤਾਂ ਰਾਹੀਂ ਖਪਤਕਾਰ ਹੈ? ਇੱਕ ਹੋਰ ਸਵਾਲ privacy ਅਤੇ ਤਰੱਕੀ ਵਿਚਕਾਰ trade off ਬਾਰੇ ਹੈ। ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਦੌੜ ਵਿੱਚ, ਕੀ ਸਰਕਾਰਾਂ ਮਸ਼ੀਨਾਂ ਨੂੰ ਖੁਆਉਣ ਲਈ ਡਾਟਾ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਗੀਆਂ? ਇੱਕ ਜੋਖਮ ਇਹ ਹੈ ਕਿ ਵਧੇਰੇ ਡਾਟਾ ਦੀ ਲੋੜ ਰਾਜ ਦੁਆਰਾ ਸਪਾਂਸਰ ਕੀਤੀ ਨਿਗਰਾਨੀ (surveillance) ਵੱਲ ਲੈ ਜਾਵੇਗੀ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਦੇਖੀ।

ਮੌਜੂਦਾ ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਸੀਮਾਵਾਂ ਵੀ ਇੱਕ ਵੱਡਾ ਕਾਰਕ ਹਨ। ਅਸੀਂ ਸਿਲੀਕਾਨ ਵੇਫਰ ‘ਤੇ transistors ਨੂੰ ਕਿੰਨਾ ਛੋਟਾ ਬਣਾ ਸਕਦੇ ਹਾਂ, ਇਸ ਦੀਆਂ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਰਹੇ ਹਾਂ। ਜੇਕਰ ਅਸੀਂ ਇਸ ਤੋਂ ਬਾਹਰ ਨਿਕਲਣ ਲਈ ਨਵੀਨਤਾ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤਾਂ AI ਦੌੜ ਇਸ ਬਾਰੇ ਜੰਗ ਬਣ ਜਾਵੇਗੀ ਕਿ ਕੌਣ ਸਿਲੀਕਾਨ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਢੇਰ ਬਣਾ ਸਕਦਾ ਹੈ। ਇਹ ਗ੍ਰਹਿ ਲਈ ਟਿਕਾਊ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ Reuters ਤੋਂ data centers ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਵਿਸ਼ਾਲ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਰਿਪੋਰਟਾਂ ਦੇਖ ਰਹੇ ਹਾਂ। ਅਸੀਂ The New York Times ਨੂੰ ਤਾਈਵਾਨ ਵਿੱਚ chip manufacturing ਦੇ ਆਲੇ-ਦੁਆਲੇ ਭੂ-ਰਾਜਨੀਤਿਕ ਤਣਾਅ ਬਾਰੇ ਰਿਪੋਰਟ ਕਰਦੇ ਹੋਏ ਵੀ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਸਿਰਫ਼ tech stories ਨਹੀਂ ਹਨ। ਇਹ ਵਾਤਾਵਰਣ ਅਤੇ ਰਾਜਨੀਤਿਕ ਸੰਕਟ ਹਨ। ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਥੋੜੀ ਤੇਜ਼ AI ਦੇ ਫਾਇਦੇ ਸਾਡੇ ਸਾਂਝੇ ਸਰੋਤਾਂ ਦੇ ਸੰਭਾਵੀ ਵਿਨਾਸ਼ ਦੇ ਯੋਗ ਹਨ। ਇੱਥੇ ਸ਼ੱਕੀ ਪਹਿਲੂ ਇਹ ਹੈ ਕਿ ਕੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਖੋਜ ਅਸਲ ਵਿੱਚ ਸਾਡੀ ਭੌਤਿਕ ਦੁਨੀਆ ਨੂੰ ਵਧੇਰੇ ਕਮਜ਼ੋਰ ਬਣਾ ਰਹੀ ਹੈ।

ਕੀ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ AI ਕਹਾਣੀ, ਟੂਲ, ਰੁਝਾਨ ਜਾਂ ਸਵਾਲ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਸਾਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਸਾਨੂੰ ਆਪਣਾ ਲੇਖ ਦਾ ਵਿਚਾਰ ਭੇਜੋ — ਅਸੀਂ ਇਸਨੂੰ ਸੁਣਨਾ ਪਸੰਦ ਕਰਾਂਗੇ।

ਲੋਕਲ ਕੰਪਿਊਟ ਦੇ ਅੰਦਰ

ਪਾਵਰ ਯੂਜ਼ਰਸ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਲਈ, ਅਸਲੀ ਕਹਾਣੀ workflow ਵਿੱਚ ਹੈ। ਅਸੀਂ centralized APIs ਤੋਂ local inference ਵੱਲ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਲਾਗਤ ਅਤੇ ਬਾਹਰੀ ਸੇਵਾਵਾਂ ਤੋਂ ਕੱਟੇ ਜਾਣ ਦੇ ਡਰ ਦੋਵਾਂ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ। High end ਯੂਜ਼ਰਸ consumer grade ਹਾਰਡਵੇਅਰ ‘ਤੇ ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ quantization techniques ਵੱਲ ਦੇਖ ਰਹੇ ਹਨ। ਉਹ ਸੀਮਤ VRAM ਵਿੱਚੋਂ performance ਕੱਢਣ ਲਈ tools ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਪ੍ਰਮੁੱਖ ਪ੍ਰਦਾਤਾਵਾਂ ਦੁਆਰਾ ਲਗਾਈਆਂ ਗਈਆਂ API ਸੀਮਾਵਾਂ automated workflows ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਬਣ ਰਹੀਆਂ ਹਨ। ਇੱਕ ਡਿਵੈਲਪਰ ਕੋਲ ਇੱਕ top tier ਮਾਡਲ ‘ਤੇ ਪ੍ਰਤੀ ਮਿੰਟ 100 requests ਦੀ ਸੀਮਾ ਹੋ ਸਕਦੀ ਹੈ। ਇਹ production environment ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਉਹ hybrid systems ਬਣਾ ਰਹੇ ਹਨ ਜੋ ਗੁੰਝਲਦਾਰ ਤਰਕ ਲਈ ਇੱਕ ਵਿਸ਼ਾਲ cloud model ਅਤੇ ਰੁਟੀਨ ਦੇ ਕੰਮਾਂ ਲਈ ਇੱਕ ਛੋਟਾ, local model ਵਰਤਦੇ ਹਨ।

• Quantization ਮਾਡਲਾਂ ਦੇ 4-bit ਜਾਂ 8-bit ਸੰਸਕਰਣਾਂ ਨੂੰ standard GPUs ‘ਤੇ ਚੱਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
• Cloud providers ਤੋਂ ਉੱਚ egress fees ਤੋਂ ਬਚਣ ਲਈ training data ਦੀ local storage ਲਾਜ਼ਮੀ ਹੁੰਦੀ ਜਾ ਰਹੀ ਹੈ।
• Edge AI latency ਨੂੰ ਘਟਾਉਣ ਅਤੇ data privacy ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ processing ਨੂੰ ਡਿਵਾਈਸ ‘ਤੇ ਲਿਜਾ ਰਿਹਾ ਹੈ।

ਇਸ ਲਈ ਹਾਰਡਵੇਅਰ ਆਰਕੀਟੈਕਚਰ ਦੀ ਡੂੰਘੀ ਸਮਝ ਦੀ ਲੋੜ ਹੈ। ਤੁਸੀਂ ਹੁਣ ਸਿਰਫ਼ ਇੱਕ API ਨੂੰ ਕਾਲ ਨਹੀਂ ਕਰ ਸਕਦੇ ਅਤੇ ਉਮੀਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਕਿ ਇਹ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਕੰਮ ਕਰੇਗਾ। ਤੁਹਾਨੂੰ ਆਪਣੀਆਂ local machines ਦੀ memory bandwidth ਅਤੇ ਆਪਣੇ network ਦੀ latency ਨੂੰ ਸਮਝਣਾ ਹੋਵੇਗਾ। ਉਪਭੋਗਤਾ ਤੇਜ਼ੀ ਨਾਲ open source ਮਾਡਲਾਂ ਵੱਲ ਮੁੜ ਰਹੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ private servers ‘ਤੇ ਹੋਸਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਨਿਯੰਤਰਣ ਦਾ ਇੱਕ ਅਜਿਹਾ ਪੱਧਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸਦਾ ਮੁਕਾਬਲਾ proprietary APIs ਨਹੀਂ ਕਰ ਸਕਦੇ। MIT Technology Review ਦੀ ਖੋਜ ਦੇ ਅਨੁਸਾਰ, local compute ਵੱਲ ਵਧਣਾ ਉਦਯੋਗ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਰੁਝਾਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਹ ਵਧੇਰੇ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਬਿਹਤਰ ਸੁਰੱਖਿਆ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸ ਲਈ ਵਧੇਰੇ ਤਕਨੀਕੀ ਮੁਹਾਰਤ ਦੀ ਵੀ ਲੋੜ ਹੈ। ਇੱਕ ਆਮ ਉਪਭੋਗਤਾ ਅਤੇ ਇੱਕ ਪਾਵਰ ਯੂਜ਼ਰ ਵਿਚਕਾਰ ਪਾੜਾ ਵਧ ਰਿਹਾ ਹੈ। ਪਾਵਰ ਯੂਜ਼ਰ ਅਸਲ ਵਿੱਚ ਇੱਕ systems architect ਬਣ ਰਿਹਾ ਹੈ ਜੋ local ਅਤੇ cloud ਸਰੋਤਾਂ ਦੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਵੈੱਬ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ।

ਖੁੱਲ੍ਹਾ ਸਵਾਲ

ਸਿੱਟਾ ਇਹ ਹੈ ਕਿ AI ਕੋਲਡ ਵਾਰ ਹੁਣ ਕੋਈ ਸਿਧਾਂਤਕ ਬਹਿਸ ਨਹੀਂ ਰਹੀ। ਇਹ ਇੱਕ ਭੌਤਿਕ ਹਕੀਕਤ ਹੈ ਜੋ ਗਲੋਬਲ ਆਰਥਿਕਤਾ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਹੀ ਹੈ। ਖੁੱਲ੍ਹੇ ਸਹਿਯੋਗ ਤੋਂ ਗੁਪਤ ਰਾਜ਼ਾਂ ਤੱਕ ਦਾ ਤਬਦੀਲੀ ਲਗਭਗ ਪੂਰੀ ਹੋ ਚੁੱਕੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿ ਗਏ ਹਾਂ ਜਿੱਥੇ ਤਕਨਾਲੋਜੀ ਰਾਜਨੀਤੀ ਦਾ ਇੱਕ ਪ੍ਰਾਇਮਰੀ ਹਥਿਆਰ ਹੈ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਅਜੇ ਵੀ ਅਣਸੁਲਝਿਆ ਹੈ। ਕੀ ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਅਤੇ ਲਾਭਕਾਰੀ AI ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਵੰਡੀ ਹੋਈ ਹੈ? ਜੇਕਰ ਦੋਵੇਂ ਪੱਖ ਬੁਨਿਆਦੀ ਨਿਯਮਾਂ ‘ਤੇ ਸਹਿਮਤ ਨਹੀਂ ਹੋ ਸਕਦੇ, ਤਾਂ ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਅਜਿਹੀ ਦੌੜ ਵਿੱਚ ਪਾ ਸਕਦੇ ਹਾਂ ਜਿਸਨੂੰ ਕੋਈ ਨਹੀਂ ਜਿੱਤ ਸਕਦਾ। ਵਿਰੋਧਾਭਾਸ ਸਪੱਸ਼ਟ ਹਨ। ਅਸੀਂ ਇੱਕ ਗਲੋਬਲ tech ecosystem ਦੇ ਲਾਭ ਚਾਹੁੰਦੇ ਹਾਂ ਪਰ ਅਸੀਂ ਆਪਸੀ ਨਿਰਭਰਤਾ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹਾਂ। ਇਹ ਤਣਾਅ ਅਗਲੇ ਦਹਾਕੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੇਗਾ। ਭਾਵੇਂ ਅਸੀਂ 2026 ਨੂੰ ਇੱਕ ਮੋੜ ਵਜੋਂ ਦੇਖੀਏ, ਨਤੀਜਾ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਹੈ ਜਿੱਥੇ ਸਾਡੇ ਦੁਆਰਾ ਲਿਖਿਆ ਕੋਡ ਉਹਨਾਂ ਸਰਹੱਦਾਂ ਤੋਂ ਅਟੁੱਟ ਹੈ ਜੋ ਅਸੀਂ ਖਿੱਚਦੇ ਹਾਂ।

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.