2026 ਵਿੱਚ AI: ਪਿਛਲੇ 12 ਮਹੀਨਿਆਂ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਕੀ ਬਦਲਿਆ?

ਉਮੀਦਾਂ ਦਾ ਠੰਢਾ ਹੋਣਾ

ਟੈੱਕ ਸੈਕਟਰ ਵਿੱਚ ਪਿਛਲੇ ਬਾਰਾਂ ਮਹੀਨੇ ਕੁਝ ਵੱਖਰੇ ਹੀ ਮਹਿਸੂਸ ਹੋਏ। ਪਿਛਲੇ ਸਾਲਾਂ ਵਾਲਾ ਉਹ ਪਾਗਲਪਨ ਵਾਲਾ ਜੋਸ਼ ਹੁਣ ਇੱਕ ਠੰਢੀ ਸੱਚਾਈ ਵਿੱਚ ਬਦਲ ਗਿਆ ਹੈ ਕਿ ਇੱਕ model ਬਣਾਉਣਾ ਤਾਂ ਸੌਖਾ ਹੈ, ਪਰ ਇੱਕ business ਖੜ੍ਹਾ ਕਰਨਾ ਔਖਾ। ਅਸੀਂ ਲਗਾਤਾਰ ਹੈਰਾਨ ਹੋਣ ਵਾਲੇ ਦੌਰ ਤੋਂ ਨਿਕਲ ਕੇ ਹੁਣ ਅਸਲ ਵਰਤੋਂ ਵਾਲੇ ਸਮੇਂ ਵਿੱਚ ਆ ਗਏ ਹਾਂ। ਇਹ ਉਹ ਸਾਲ ਸੀ ਜਦੋਂ ਇੰਡਸਟਰੀ ਨੇ ਇਹ ਗੱਲਾਂ ਕਰਨੀਆਂ ਬੰਦ ਕਰ ਦਿੱਤੀਆਂ ਕਿ ਕੀ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸ ਗੱਲ ‘ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਕਿ ਅਸਲ ਵਿੱਚ ਕੀ ਹੋ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਉਹ ਦੌਰ ਖਤਮ ਹੁੰਦਾ ਦੇਖਿਆ ਜਿੱਥੇ ਇੱਕ ਨਵੇਂ model ਦੀ ਲਾਂਚ ਪੂਰੀ ਦੁਨੀਆ ਨੂੰ ਇੱਕ ਦਿਨ ਲਈ ਰੋਕ ਦਿੰਦੀ ਸੀ। ਇਸ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਇੰਟਰਨੈੱਟ ਦੀ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਹੌਲੀ-ਹੌਲੀ ਰਲਦੇ ਦੇਖਿਆ। ਪਿਛਲੇ ਸਾਲ ਦੀਆਂ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਖ਼ਬਰਾਂ benchmarks ਬਾਰੇ ਨਹੀਂ ਸਨ। ਉਹ ਪਾਵਰ ਗਰਿੱਡਾਂ, ਅਦਾਲਤਾਂ ਅਤੇ ਰਵਾਇਤੀ search engine ਦੀ ਚੁੱਪ-ਚਾਪ ਹੋ ਰਹੀ ਮੌਤ ਬਾਰੇ ਸਨ। ਇਹ ਸਾਲ ਉਹ ਮੌਕਾ ਸੀ ਜਦੋਂ ਇੰਡਸਟਰੀ ਨੇ ਆਪਣੇ ਉਤਸ਼ਾਹ ਨੂੰ ਗਲੋਬਲ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਦੀ ਮੇਜ਼ ‘ਤੇ ਇੱਕ ਸੀਟ ਲਈ ਬਦਲ ਲਿਆ। ਉਮੀਦਾਂ ਦਾ ਇਹ ਠੰਢਾ ਹੋਣਾ ਟੈੱਕ ਦੀ ਅਸਫਲਤਾ ਨਹੀਂ, ਸਗੋਂ ਇਸਦੇ ਸਿਆਣੇ ਹੋਣ ਦੀ ਨਿਸ਼ਾਨੀ ਹੈ। ਅਸੀਂ ਹੁਣ ਸਿਰਫ਼ ਕਲਪਨਾ ਵਾਲੀ ਦੁਨੀਆ ਵਿੱਚ ਨਹੀਂ ਰਹਿ ਰਹੇ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਇਹ ਸਿਸਟਮ ਸਾਡੀ ਜ਼ਿੰਦਗੀ ਦਾ ਹਿੱਸਾ ਬਣ ਚੁੱਕੇ ਹਨ ਅਤੇ ਇਨ੍ਹਾਂ ਦਾ ਨਵਾਂਪਨ ਹੁਣ ਖਤਮ ਹੋ ਗਿਆ ਹੈ।

ਦਿਮਾਗੀ ਤਾਕਤ ਦਾ ਇਕੱਠੇ ਹੋਣਾ

ਪਿਛਲੇ ਬਾਰਾਂ ਮਹੀਨਿਆਂ ਦੇ ਬਦਲਾਅ ਦਾ ਮੁੱਖ ਕੇਂਦਰ ਇਹ ਸੀ ਕਿ ਤਾਕਤ ਕਿੱਥੇ ਹੈ। ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਵੱਡੇ ਖਿਡਾਰੀ ਹੋਰ ਵੀ ਵੱਡੇ ਹੋ ਗਏ ਹਨ। ਹਜ਼ਾਰਾਂ ਛੋਟੇ models ਦੇ ਇੱਕੋ ਜਿਹੇ ਮੈਦਾਨ ਵਿੱਚ ਮੁਕਾਬਲਾ ਕਰਨ ਦਾ ਸੁਪਨਾ ਧੁੰਦਲਾ ਪੈ ਗਿਆ। ਇਸ ਦੀ ਬਜਾਏ, ਅਸੀਂ foundation layer ਦਾ ਉਭਾਰ ਦੇਖਿਆ ਜਿੱਥੇ ਸਿਰਫ਼ ਕੁਝ ਕੰਪਨੀਆਂ ਹੀ ਮੁਕਾਬਲੇ ਲਈ ਲੋੜੀਂਦੀ ਬਿਜਲੀ ਅਤੇ chips ਦਾ ਖਰਚਾ ਚੁੱਕ ਸਕਦੀਆਂ ਹਨ। ਇਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੇ models ਨੂੰ ਆਮ ਤੌਰ ‘ਤੇ ਸਮਾਰਟ ਬਣਾਉਣ ਦੀ ਬਜਾਏ ਉਨ੍ਹਾਂ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ‘ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਹੁਣ models ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਿੱਚ ਬਿਹਤਰ ਹਨ ਅਤੇ ਗਲਤ ਗੱਲਾਂ ਘੱਟ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ ਕਿਸੇ ਇੱਕ ਵੱਡੀ ਖੋਜ ਨਾਲ ਨਹੀਂ, ਸਗੋਂ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਅਤੇ models ਨੂੰ ਟਿਊਨ ਕਰਨ ਦੇ ਹਜ਼ਾਰਾਂ ਛੋਟੇ ਸੁਧਾਰਾਂ ਰਾਹੀਂ ਹਾਸਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲ ਹੀ ਦੇ AI industry analysis ਵਿੱਚ ਇਹ ਬਦਲਾਅ ਸਾਫ਼ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ ਸਾਰਾ ਜ਼ੋਰ model ਦੇ ਸਾਈਜ਼ ਤੋਂ ਹਟ ਕੇ ਉਸਦੀ ਉਪਯੋਗਤਾ ‘ਤੇ ਆ ਗਿਆ ਹੈ। ਅਸੀਂ ਛੋਟੇ language models ਦਾ ਉਭਾਰ ਵੀ ਦੇਖਿਆ ਜੋ ਫ਼ੋਨਾਂ ਅਤੇ ਲੈਪਟਾਪਾਂ ‘ਤੇ ਚੱਲਦੇ ਹਨ। ਇਨ੍ਹਾਂ ਛੋਟੇ ਸਿਸਟਮਾਂ ਕੋਲ ਆਪਣੇ ਵੱਡੇ ਭਰਾਵਾਂ ਜਿੰਨਾ ਗਿਆਨ ਤਾਂ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਤੇਜ਼ ਅਤੇ private ਹਨ। ਵਿਸ਼ਾਲ cloud ਦਿਮਾਗਾਂ ਅਤੇ ਲੋਕਲ ਡਿਵਾਈਸਾਂ ਵਿਚਕਾਰ ਇਸ ਵੰਡ ਨੇ ਇਸ ਸਾਲ ਦੇ ਤਕਨੀਕੀ ਢਾਂਚੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ। ਇੰਡਸਟਰੀ ਇਸ ਵਿਚਾਰ ਤੋਂ ਦੂਰ ਹੋ ਗਈ ਹੈ ਕਿ ਇੱਕ ਵਿਸ਼ਾਲ model ਹੀ ਸਭ ਕੁਝ ਕਰੇਗਾ। ਇਹ ਉਹ ਸਾਲ ਸੀ ਜਦੋਂ efficiency ਕੱਚੇ ਸਾਈਜ਼ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੋ ਗਈ। ਕੰਪਨੀਆਂ ਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਇੱਕ ਛੋਟਾ model ਜੋ 99% ਵਾਰ ਸਹੀ ਹੈ, ਉਸ ਵੱਡੇ model ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੈ ਜੋ ਸਿਰਫ਼ 90% ਵਾਰ ਸਹੀ ਹੁੰਦਾ ਹੈ।

ਟਕਰਾਅ ਅਤੇ ਆਪਣੀ AI ਦਾ ਦੌਰ

ਗਲੋਬਲ ਪੱਧਰ ‘ਤੇ, ਪਿਛਲਾ ਸਾਲ ਟਕਰਾਅ ਨਾਲ ਭਰਿਆ ਰਿਹਾ। ਟੈੱਕ ਕੰਪਨੀਆਂ ਅਤੇ ਸਰਕਾਰਾਂ ਵਿਚਕਾਰ ਹਨੀਮੂਨ ਦਾ ਸਮਾਂ ਖਤਮ ਹੋ ਗਿਆ। ਯੂਰਪੀਅਨ ਯੂਨੀਅਨ ਨੇ AI Act ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ, ਜਿਸ ਨੇ ਕੰਪਨੀਆਂ ਨੂੰ ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਬਾਰੇ ਵਧੇਰੇ ਪਾਰਦਰਸ਼ੀ ਹੋਣ ਲਈ ਮਜਬੂਰ ਕੀਤਾ। ਇਸ ਨੇ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਬਣਾ ਦਿੱਤੀ ਹੈ ਜਿੱਥੇ ਕੁਝ ਫੀਚਰਸ ਅਮਰੀਕਾ ਵਿੱਚ ਤਾਂ ਮੌਜੂਦ ਹਨ ਪਰ ਯੂਰਪ ਵਿੱਚ ਬਲੌਕ ਹਨ। ਇਸ ਦੇ ਨਾਲ ਹੀ, copyright ਨੂੰ ਲੈ ਕੇ ਲੜਾਈ ਆਪਣੇ ਸਿਖਰ ‘ਤੇ ਪਹੁੰਚ ਗਈ। ਵੱਡੇ ਪਬਲਿਸ਼ਰਾਂ ਅਤੇ ਕਲਾਕਾਰਾਂ ਨੇ ਵੱਡੀਆਂ ਰਿਆਇਤਾਂ ਜਿੱਤੀਆਂ ਜਾਂ ਮਹਿੰਗੇ ਲਾਇਸੈਂਸ ਸੌਦੇ ਕੀਤੇ। ਇਸ ਨੇ ਇੰਡਸਟਰੀ ਦੀ ਆਰਥਿਕਤਾ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਹੁਣ ਕਿਸੇ product ਨੂੰ ਬਣਾਉਣ ਲਈ ਮੁਫ਼ਤ ਵਿੱਚ ਇੰਟਰਨੈੱਟ ਤੋਂ ਡਾਟਾ ਚੁੱਕਣਾ ਸੰਭਵ ਨਹੀਂ ਰਿਹਾ। Reuters ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਅਨੁਸਾਰ, ਇਨ੍ਹਾਂ ਕਾਨੂੰਨੀ ਲੜਾਈਆਂ ਨੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਆਪਣੀ ਡਾਟਾ ਹਾਸਲ ਕਰਨ ਦੀ ਰਣਨੀਤੀ ‘ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਹੈ। ਅਸੀਂ *sovereign AI* ਦਾ ਉਭਾਰ ਵੀ ਦੇਖਿਆ ਜਿੱਥੇ ਫਰਾਂਸ, ਜਾਪਾਨ ਅਤੇ ਸਾਊਦੀ ਅਰਬ ਵਰਗੇ ਦੇਸ਼ਾਂ ਨੇ ਆਪਣੇ ਘਰੇਲੂ ਕੰਪਿਊਟਿੰਗ ਕਲੱਸਟਰ ਬਣਾਉਣੇ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੇ। ਉਨ੍ਹਾਂ ਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਆਪਣੇ ਦਿਮਾਗੀ ਢਾਂਚੇ ਲਈ ਸਿਰਫ਼ ਕੁਝ ਸਿਲੀਕਾਨ ਵੈਲੀ ਫਰਮਾਂ ‘ਤੇ ਨਿਰਭਰ ਰਹਿਣਾ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਲਈ ਖਤਰਾ ਹੈ। ਲੋਕਲ ਕੰਟਰੋਲ ਦੀ ਇਸ ਕੋਸ਼ਿਸ਼ ਨੇ ਗਲੋਬਲ ਟੈੱਕ ਮਾਰਕੀਟ ਨੂੰ ਵੰਡ ਦਿੱਤਾ ਹੈ। ਸਰਕਾਰਾਂ ਹੁਣ ਰੈਗੂਲੇਸ਼ਨ ਦੇ ਤਿੰਨ ਖਾਸ ਖੇਤਰਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੀਆਂ ਹਨ:

• ਟ੍ਰੇਨਿੰਗ ਸੈੱਟਾਂ ਲਈ ਪਾਰਦਰਸ਼ਤਾ ਦੀਆਂ ਲੋੜਾਂ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਡਾਟਾ ਕਾਨੂੰਨੀ ਤੌਰ ‘ਤੇ ਲਿਆ ਗਿਆ ਸੀ।
• ਜਨਤਕ ਥਾਵਾਂ ‘ਤੇ ਫੇਸ਼ੀਅਲ ਰਿਕੋਗਨੀਸ਼ਨ ਵਰਗੀਆਂ ਹਾਈ ਰਿਸਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ‘ਤੇ ਸਖ਼ਤ ਪਾਬੰਦੀਆਂ।
• ਗਲਤ ਜਾਣਕਾਰੀ ਦੇ ਫੈਲਾਅ ਨੂੰ ਰੋਕਣ ਲਈ ਸਿੰਥੈਟਿਕ ਕੰਟੈਂਟ ‘ਤੇ ਵਾਟਰਮਾਰਕਿੰਗ ਲਾਜ਼ਮੀ ਕਰਨਾ।

ਚੈਟ ਬਾਕਸ ਤੋਂ ਆਟੋਨੋਮਸ Agents ਤੱਕ

ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਇਸਦਾ ਅਸਰ ਚੈਟ ਬਾਕਸ ਤੋਂ agents ਵੱਲ ਬਦਲਾਅ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪਿਛਲੇ ਸਾਲਾਂ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਕੰਪਿਊਟਰ ਨੂੰ ਕਦਮ-ਦਰ-ਕਦਮ ਦੱਸਣਾ ਪੈਂਦਾ ਸੀ ਕਿ ਕੀ ਕਰਨਾ ਹੈ। ਹੁਣ, ਸਿਸਟਮ ਇੱਕ ਟੀਚਾ ਲੈਣ ਅਤੇ ਉਸਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇੱਕ ਮੱਧਮ ਆਕਾਰ ਦੇ ਸ਼ਹਿਰ ਵਿੱਚ ਇੱਕ ਲੌਜਿਸਟਿਕ ਮੈਨੇਜਰ ਦੀ ਜ਼ਿੰਦਗੀ ਬਾਰੇ ਸੋਚੋ। ਸਵੇਰੇ, ਉਸਦੇ ਅਸਿਸਟੈਂਟ ਨੇ ਪਹਿਲਾਂ ਹੀ ਪੰਜ ਸੌ ਈਮੇਲਾਂ ਨੂੰ ਸਕੈਨ ਕਰ ਲਿਆ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਜ਼ਰੂਰਤ ਅਨੁਸਾਰ ਲਗਾ ਦਿੱਤਾ ਹੈ। ਇਸਨੇ ਸਿੰਗਾਪੁਰ ਤੋਂ ਆਉਣ ਵਾਲੀ ਇੱਕ ਸ਼ਿਪਮੈਂਟ ਵਿੱਚ ਦੇਰੀ ਬਾਰੇ ਦੱਸਿਆ ਹੈ ਅਤੇ ਮੌਜੂਦਾ ਮੌਸਮ ਅਤੇ ਪੋਰਟ ਡਾਟਾ ਦੇ ਅਧਾਰ ‘ਤੇ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਹੱਲ ਤਿਆਰ ਕੀਤੇ ਹਨ। ਉਹ ਮਸ਼ੀਨ ਨਾਲ ਚੈਟ ਨਹੀਂ ਕਰਦੀ। ਉਹ ਸਿਰਫ਼ ਉਸਦੇ ਸੁਝਾਵਾਂ ਨੂੰ ਮਨਜ਼ੂਰ ਜਾਂ ਰੱਦ ਕਰਦੀ ਹੈ। ਦੁਪਹਿਰ ਦੇ ਖਾਣੇ ਦੇ ਬ੍ਰੇਕ ਦੌਰਾਨ, ਉਹ ਚਾਰ ਘੰਟੇ ਦੀ ਸਿਟੀ ਕੌਂਸਲ ਮੀਟਿੰਗ ਨੂੰ ਪੰਜ ਮਿੰਟ ਦੀ ਆਡੀਓ ਬ੍ਰੀਫਿੰਗ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਦੁਪਹਿਰ ਨੂੰ, ਸਿਸਟਮ ਉਸਦਾ ਕੈਲੰਡਰ ਸੰਭਾਲਦਾ ਹੈ, ਮੀਟਿੰਗਾਂ ਨੂੰ ਸ਼ਿਪਿੰਗ ਸੰਕਟ ਦੇ ਹਿਸਾਬ ਨਾਲ ਬਦਲਦਾ ਹੈ ਬਿਨਾਂ ਉਸਦੇ ਮਾਊਸ ਨੂੰ ਛੂਹੇ। ਇਹ **agentic** ਬਦਲਾਅ ਹੈ। AI ਹੁਣ ਸਿਰਫ਼ ਇੱਕ ਔਜ਼ਾਰ ਨਹੀਂ ਰਿਹਾ, ਸਗੋਂ ਇੱਕ ਕਾਮਾ ਬਣ ਗਿਆ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਸੰਭਾਲਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਇਸ ਬਦਲਾਅ ਨੇ ਨਵੇਂ ਤਣਾਅ ਵੀ ਪੈਦਾ ਕੀਤੇ ਹਨ। ਕੰਮ ਦੀ ਰਫ਼ਤਾਰ ਵਧ ਗਈ ਹੈ, ਪਰ ਇਨਸਾਨ ਦੀ ਇਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਉਹੀ ਰਹੀ ਹੈ। ਕਰਮਚਾਰੀ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਜਦੋਂ ਮਸ਼ੀਨ ਬੋਰਿੰਗ ਹਿੱਸੇ ਕਰ ਲੈਂਦੀ ਹੈ, ਤਾਂ ਬਾਕੀ ਬਚੇ ਕੰਮ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਹੁੰਦੇ ਹਨ ਅਤੇ ਲਗਾਤਾਰ ਵੱਡੇ ਫੈਸਲਿਆਂ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ। ਇਸ ਨਾਲ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦਾ ਬਰਨਆਊਟ ਹੋ ਰਿਹਾ ਹੈ ਜਿੱਥੇ ਹਰ ਘੰਟੇ ਲਏ ਜਾਣ ਵਾਲੇ ਫੈਸਲਿਆਂ ਦੀ ਗਿਣਤੀ ਦੁੱਗਣੀ ਹੋ ਗਈ ਹੈ। ਅਸੀਂ ਇਹ ਰੁਝਾਨ ਸਾਰੇ ਪੇਸ਼ੇਵਰ ਖੇਤਰਾਂ ਵਿੱਚ ਦੇਖ ਰਹੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ The Verge ਨੇ ਆਪਣੇ ਹਾਲੀਆ ਵਰਕਪਲੇਸ ਅਧਿਐਨਾਂ ਵਿੱਚ ਦੱਸਿਆ ਹੈ। ਮਸ਼ੀਨ ਡਾਟਾ ਤਾਂ ਸੰਭਾਲ ਲੈਂਦੀ ਹੈ, ਪਰ ਜ਼ਿੰਮੇਵਾਰੀ ਅਜੇ ਵੀ ਇਨਸਾਨ ਦੇ ਮੋਢਿਆਂ ‘ਤੇ ਹੀ ਹੈ। ਇਹ ਇੱਕ ਮਨੋਵਿਗਿਆਨਕ ਬੋਝ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿਸ ਵੱਲ ਇੰਡਸਟਰੀ ਨੇ ਅਜੇ ਧਿਆਨ ਨਹੀਂ ਦਿੱਤਾ।

ਮਸ਼ੀਨੀ ਯੁੱਗ ਦੇ ਅਣਸੁਲਝੇ ਸਵਾਲ

ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਸ ਵਧੀ ਹੋਈ ਰਫ਼ਤਾਰ ਦਾ ਅਸਲ ਵਿੱਚ ਫਾਇਦਾ ਕਿਸ ਨੂੰ ਹੋ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਕਰਮਚਾਰੀ ਇੱਕ ਦਿਨ ਵਿੱਚ ਦੁੱਗਣਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੀ ਉਸਦੀ ਤਨਖਾਹ ਦੁੱਗਣੀ ਹੁੰਦੀ ਹੈ ਜਾਂ ਕੰਪਨੀ ਅੱਧਾ ਸਟਾਫ ਕੱਢ ਦਿੰਦੀ ਹੈ? ਲੁਕਵੇਂ ਖਰਚਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਔਖਾ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਇੱਕ ਹਾਈ-ਐਂਡ model ਨੂੰ ਕੀਤੀ ਗਈ ਹਰ query ਡਾਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਠੰਢਾ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰਾ ਪਾਣੀ ਵਰਤਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਇਹ ਸਿਸਟਮ ਹਰ ਸਰਚ ਅਤੇ ਹਰ ਈਮੇਲ ਦਾ ਹਿੱਸਾ ਬਣ ਰਹੇ ਹਨ, ਵਾਤਾਵਰਣ ‘ਤੇ ਇਨ੍ਹਾਂ ਦਾ ਅਸਰ ਉਸ ਰਫ਼ਤਾਰ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ ਜਿਸਦਾ ਮੁਕਾਬਲਾ ਰਵਾਇਤੀ ਗ੍ਰੀਨ ਐਨਰਜੀ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਡਾਟਾ ਪ੍ਰਭੂਸੱਤਾ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਜਦੋਂ ਕੋਈ agent ਤੁਹਾਡੀ ਜ਼ਿੰਦਗੀ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਤਾਂ ਉਹ ਤੁਹਾਡਾ ਸ਼ਡਿਊਲ, ਤੁਹਾਡੀਆਂ ਪਸੰਦਾਂ ਅਤੇ ਤੁਹਾਡੀਆਂ ਨਿੱਜੀ ਗੱਲਾਂ ਜਾਣਦਾ ਹੈ। ਉਹ ਡਾਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ? encryption ਦੇ ਬਾਵਜੂਦ, ਸਾਡੀ ਜ਼ਿੰਦਗੀ ਦਾ ਮੈਟਾਡਾਟਾ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਸਿਸਟਮਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਸੋਸ਼ਲ ਮੀਡੀਆ ਦੇ ਦੌਰ ਨਾਲੋਂ ਕਿਤੇ ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਸਹੂਲਤ ਲਈ ਆਪਣੀ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਸੌਦਾ ਕਰ ਰਹੇ ਹਾਂ। ਕੀ ਇਹ efficiency ਨਿੱਜੀ ਆਜ਼ਾਦੀ ਦੇ ਨੁਕਸਾਨ ਦੇ ਬਰਾਬਰ ਹੈ? ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਬਣਾ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਜਿਉਣ ਦੇ ਤਰੀਕੇ ਲਈ ਇੱਕ ਟੈੱਕ ਦਿੱਗਜ ਦੀ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਜ਼ਰੂਰੀ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਲਈ ਇੱਕ ਨਵਾਂ ਡਿਜੀਟਲ ਪਾੜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਪ੍ਰੀਮੀਅਮ agents ਦਾ ਖਰਚਾ ਨਹੀਂ ਚੁੱਕ ਸਕਦੇ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਖਤਰੇ ਨੂੰ ਵੀ ਵਧਾਉਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਵੱਡਾ ਪ੍ਰੋਵਾਈਡਰ ਆਫਲਾਈਨ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪੂਰੀ ਇੰਡਸਟਰੀ ਰੁਕ ਸਕਦੀ ਹੈ। ਅਸੀਂ ਵੱਖ-ਵੱਖ software ਵਾਲੀ ਦੁਨੀਆ ਤੋਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਆ ਗਏ ਹਾਂ ਜਿੱਥੇ ਹਰ ਕੋਈ ਕੁਝ ਚੁਣੇ ਹੋਏ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ‘ਤੇ ਨਿਰਭਰ ਹੈ। ਜੋਖਮ ਦਾ ਇਹ ਇਕੱਠਾ ਹੋਣਾ ਅਜਿਹੀ ਚੀਜ਼ ਹੈ ਜਿਸਦਾ ਅਰਥ ਸ਼ਾਸਤਰੀਆਂ ਨੇ ਹੁਣੇ ਹੀ ਅਧਿਐਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਇਨਸਾਨੀ ਦਿਮਾਗੀ ਸਮਰੱਥਾ ‘ਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਪ੍ਰਭਾਵ ਵੀ ਅਣਜਾਣ ਹਨ। ਜੇਕਰ ਅਸੀਂ ਆਪਣੀਆਂ ਈਮੇਲਾਂ ਲਿਖਣਾ ਅਤੇ ਆਪਣੇ ਸ਼ਡਿਊਲ ਸੰਭਾਲਣਾ ਬੰਦ ਕਰ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਸਿਸਟਮ ਫੇਲ ਹੋਣ ‘ਤੇ ਸਾਡੀ ਉਨ੍ਹਾਂ ਕੰਮਾਂ ਨੂੰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਦਾ ਕੀ ਹੋਵੇਗਾ?

ਲੋਕਲ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ ਦਾ ਢਾਂਚਾ

ਪਾਵਰ ਯੂਜ਼ਰਸ ਲਈ, ਪਿਛਲਾ ਸਾਲ ਸਿਸਟਮ ਦੀ ਅੰਦਰੂਨੀ ਪਾਈਪਲਾਈਨ ਬਾਰੇ ਸੀ। ਅਸੀਂ Retrieval Augmented Generation ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅੱਗੇ ਵਧਦੇ ਦੇਖਿਆ। ਸਾਰਾ ਧਿਆਨ model ਤੋਂ ਹਟ ਕੇ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਲੇਅਰ ‘ਤੇ ਆ ਗਿਆ। ਡਿਵੈਲਪਰ ਹੁਣ prompt engineering ਦੀ ਬਜਾਏ vector databases ਅਤੇ ਲੰਬੇ context windows ‘ਤੇ ਜ਼ਿਆਦਾ ਸਮਾਂ ਬਿਤਾ ਰਹੇ ਹਨ। ਲੋਕਲ ਸਟੋਰੇਜ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਆਇਆ ਹੈ। ਹਰ ਛੋਟੀ ਜਾਣਕਾਰੀ cloud ‘ਤੇ ਭੇਜਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ hybrid inference ਦੇਖ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਕੰਮ ਦੇ ਸੌਖੇ ਹਿੱਸੇ ਲੋਕਲ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਔਖੇ ਹਿੱਸੇ ਕਲੱਸਟਰ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ। API ਲਿਮਿਟਸ ਹੁਣ ਕਾਰੋਬਾਰੀ ਵਿਕਾਸ ਲਈ ਨਵੀਂ ਰੁਕਾਵਟ ਬਣ ਗਈਆਂ ਹਨ। ਕੰਪਨੀਆਂ ਦੇਖ ਰਹੀਆਂ ਹਨ ਕਿ ਉਹ ਆਪਣੇ ਕੰਮ ਨੂੰ ਵਧਾ ਨਹੀਂ ਸਕਦੀਆਂ ਕਿਉਂਕਿ ਟਾਪ ਟਾਇਰ models ‘ਤੇ ਰੇਟ ਲਿਮਿਟਸ ਬਹੁਤ ਸਖ਼ਤ ਹਨ। MIT Technology Review ਦੀ ਖੋਜ ਦੱਸਦੀ ਹੈ ਕਿ ਵਿਕਾਸ ਦਾ ਅਗਲਾ ਪੜਾਅ model ਦੇ ਸਾਈਜ਼ ਦੀ ਬਜਾਏ ਹਾਰਡਵੇਅਰ ਦੀ efficiency ‘ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ। ਅਸੀਂ ਛੋਟੇ models ਨੂੰ ਖਾਸ ਡਾਟਾ ਸੈੱਟਾਂ ‘ਤੇ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਦਾ ਰੁਝਾਨ ਵੀ ਦੇਖਿਆ। ਇੱਕ 7 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਵਾਲਾ ਮਾਡਲ ਜੋ ਕੰਪਨੀ ਦੇ ਅੰਦਰੂਨੀ ਦਸਤਾਵੇਜ਼ਾਂ ‘ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਉਹ ਅਕਸਰ 1 ਟ੍ਰਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਵਾਲੇ ਜਨਰਲ ਮਾਡਲ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਇਸ ਨਾਲ ਲੋਕਲ ਹਾਰਡਵੇਅਰ ਦੀ ਮੰਗ ਵਧ ਗਈ ਹੈ ਜੋ ਇਨ੍ਹਾਂ models ਨੂੰ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਨਾਲ ਚਲਾ ਸਕਦੇ ਹਨ। ਤਕਨੀਕੀ ਭਾਈਚਾਰਾ ਹੁਣ ਕਈ ਮੁੱਖ ਮੈਟ੍ਰਿਕਸ ‘ਤੇ ਧਿਆਨ ਦੇ ਰਿਹਾ ਹੈ:

• ਲੋਕਲ ਇਨਫਰੈਂਸ ਲਈ ਕੰਜ਼ਿਊਮਰ ਗ੍ਰੇਡ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ ਦੀਆਂ ਸੀਮਾਵਾਂ।
• ਮੋਬਾਈਲ ਚਿਪਸ ‘ਤੇ ਚੱਲਣ ਵਾਲੇ ਕੁਆਂਟਾਈਜ਼ਡ models ਲਈ ਟੋਕਨ ਪ੍ਰਤੀ ਸੈਕਿੰਡ ਬੈਂਚਮਾਰਕ।
• ਲੰਬੇ ਦਸਤਾਵੇਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਲਟੀ-ਮੋਡਲ ਕੰਮਾਂ ਵਿੱਚ ਕੰਟੈਕਸਟ ਵਿੰਡੋ ਮੈਨੇਜਮੈਂਟ।

ਨਵੇਂ ਹਾਲਾਤਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ

ਸਿੱਧੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਪਿਛਲਾ ਸਾਲ ਉਹ ਸਾਲ ਸੀ ਜਦੋਂ AI ਬੋਰਿੰਗ ਹੋ ਗਈ, ਅਤੇ ਇਹੀ ਇਸਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਸਫਲਤਾ ਹੈ। ਜਦੋਂ ਕੋਈ ਟੈਕਨਾਲੋਜੀ ਪਿਛੋਕੜ ਦਾ ਹਿੱਸਾ ਬਣ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਸਮਝੋ ਕਿ ਉਹ ਸਹੀ ਮਾਇਨੇ ਵਿੱਚ ਆ ਗਈ ਹੈ। ਅਸੀਂ ਜਾਦੂਈ ਟ੍ਰਿਕਸ ਦੇ ਦੌਰ ਤੋਂ ਨਿਕਲ ਕੇ ਉਦਯੋਗਿਕ ਵਰਤੋਂ ਦੇ ਦੌਰ ਵਿੱਚ ਆ ਗਏ ਹਾਂ। ਤਾਕਤ ਉਨ੍ਹਾਂ ਦੇ ਹੱਥਾਂ ਵਿੱਚ ਇਕੱਠੀ ਹੋ ਗਈ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਚਿਪਸ ਅਤੇ ਪਾਵਰ ਪਲਾਂਟ ਹਨ, ਪਰ ਇਸਦੀ ਵਰਤੋਂ ਪੇਸ਼ੇਵਰ ਦੁਨੀਆ ਦੇ ਹਰ ਕੋਨੇ ਵਿੱਚ ਫੈਲ ਗਈ ਹੈ। ਵਾਤਾਵਰਣ ਦੇ ਪ੍ਰਭਾਵ ਤੋਂ ਲੈ ਕੇ ਪ੍ਰਾਈਵੇਸੀ ਦੇ ਨੁਕਸਾਨ ਤੱਕ ਦੇ ਜੋਖਮ ਅਸਲੀ ਹਨ, ਪਰ ਹੁਣ ਇਸ ਰਫ਼ਤਾਰ ਨੂੰ ਰੋਕਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। ਅਸੀਂ ਹੁਣ ਭਵਿੱਖ ਦੇ ਆਉਣ ਦਾ ਇੰਤਜ਼ਾਰ ਨਹੀਂ ਕਰ ਰਹੇ। ਅਸੀਂ ਉਸ ਭਵਿੱਖ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਰੁੱਝੇ ਹੋਏ ਹਾਂ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਬਣਾ ਲਿਆ ਹੈ। ਜਿਵੇਂ ਹੀ ਅਸੀਂ ਅੱਗੇ ਵਧਦੇ ਹਾਂ, ਸਾਰਾ ਧਿਆਨ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਹੋਰ ਅਦਿੱਖ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ‘ਤੇ ਰਹੇਗਾ। ਅਗਲੇ ਬਾਰਾਂ ਮਹੀਨੇ ਨਵੇਂ models ਬਾਰੇ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਬਾਰੇ ਹੋਣਗੇ ਕਿ ਅਸੀਂ ਮੌਜੂਦਾ models ਨਾਲ ਕਿਵੇਂ ਰਹਿੰਦੇ ਹਾਂ।

Noot van de redactie: We hebben deze site gemaakt als een meertalige AI-nieuws- en gidsenhub voor mensen die geen computernerds zijn, maar toch kunstmatige intelligentie willen begrijpen, er met meer vertrouwen mee willen omgaan en de toekomst willen volgen die al aanbreekt.