ਇਸ ਸਾਲ AI ਲੀਡਰ ਅਸਲ ਵਿੱਚ ਕੀ ਕਹਿ ਰਹੇ ਹਨ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਬਾਰੇ ਚਰਚਾ ਹੁਣ ਮਾਡਲ ਦੇ ਆਕਾਰ ਤੋਂ ਬਦਲ ਕੇ ਇਸਦੇ ਸੋਚਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗੁਣਵੱਤਾ ਵੱਲ ਚਲੀ ਗਈ ਹੈ। ਪਿਛਲੇ ਕੁਝ ਸਾਲਾਂ ਤੋਂ, ਇੰਡਸਟਰੀ ਦਾ ਧਿਆਨ ਸਕੇਲਿੰਗ ਦੇ ਨਿਯਮਾਂ ‘ਤੇ ਸੀ—ਇਹ ਵਿਚਾਰ ਕਿ ਵਧੇਰੇ ਡੇਟਾ ਅਤੇ ਚਿਪਸ ਨਾਲ ਸਿਸਟਮ ਆਪਣੇ ਆਪ ਸਮਾਰਟ ਹੋ ਜਾਣਗੇ। ਹੁਣ, ਵੱਡੀਆਂ ਲੈਬਾਂ ਦੇ ਲੀਡਰ ਇੱਕ ਨਵੀਂ ਦਿਸ਼ਾ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਰਹੇ ਹਨ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਸਿਰਫ ਵੱਡੇ ਪੈਮਾਨੇ (raw scale) ਦੇ ਫਾਇਦੇ ਘਟ ਰਹੇ ਹਨ। ਇਸ ਦੀ ਬਜਾਏ, ਹੁਣ ਧਿਆਨ ‘ਇਨਫਰੈਂਸ-ਟਾਈਮ ਕੰਪਿਊਟ’ (inference-time compute) ‘ਤੇ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਸੋਚਣ ਲਈ ਵਧੇਰੇ ਸਮਾਂ ਦੇਣਾ। ਅਸੀਂ ਚੈਟਬੋਟ ਯੁੱਗ ਦੇ ਅੰਤ ਅਤੇ ਤਰਕ (reasoning) ਦੇ ਯੁੱਗ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਬਦਲਾਅ ਸਿਰਫ ਇੱਕ ਤਕਨੀਕੀ ਸੁਧਾਰ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਹ ਤੇਜ਼ ਅਤੇ ਅਨੁਭਵੀ ਜਵਾਬਾਂ ਤੋਂ ਹਟ ਕੇ ਇੱਕ ਵਧੇਰੇ ਸੋਚੀ-ਸਮਝੀ ਅਤੇ ਰਣਨੀਤਕ ਬੁੱਧੀ ਵੱਲ ਇੱਕ ਵੱਡਾ ਕਦਮ ਹੈ। ਜੋ ਯੂਜ਼ਰਸ ਇਹ ਉਮੀਦ ਕਰਦੇ ਸਨ ਕਿ ਮਾਡਲ ਹੋਰ ਤੇਜ਼ ਹੋ ਜਾਣਗੇ, ਉਹ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਸਭ ਤੋਂ ਐਡਵਾਂਸਡ ਟੂਲ ਅਸਲ ਵਿੱਚ ਹੌਲੀ ਹੋ ਰਹੇ ਹਨ, ਪਰ ਉਹ ਗਣਿਤ, ਵਿਗਿਆਨ ਅਤੇ ਤਰਕ ਦੀਆਂ ਔਖੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਕਿਤੇ ਜ਼ਿਆਦਾ ਸਮਰੱਥ ਬਣ ਰਹੇ ਹਨ।
ਰਫ਼ਤਾਰ ਤੋਂ ਰਣਨੀਤੀ ਵੱਲ ਤਬਦੀਲੀ
ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਕੀ ਹੋ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਦੇਖਣਾ ਹੋਵੇਗਾ ਕਿ ਇਹ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਸ਼ੁਰੂਆਤੀ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLMs) ਉਸ ‘ਤੇ ਕੰਮ ਕਰਦੇ ਸਨ ਜਿਸ ਨੂੰ ਮਨੋਵਿਗਿਆਨੀ ‘ਸਿਸਟਮ 1’ ਸੋਚ ਕਹਿੰਦੇ ਹਨ। ਇਹ ਤੇਜ਼, ਸੁਭਾਵਿਕ ਅਤੇ ਭਾਵਨਾਤਮਕ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਸਟੈਂਡਰਡ ਮਾਡਲ ਨੂੰ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਇਹ ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖੇ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਤੁਰੰਤ ਅਗਲਾ ਟੋਕਨ (token) ਅਨੁਮਾਨਿਤ ਕਰ ਲੈਂਦਾ ਹੈ। ਇਹ ਅਸਲ ਵਿੱਚ ਆਪਣੇ ਜਵਾਬ ਦੀ ਯੋਜਨਾ ਨਹੀਂ ਬਣਾਉਂਦਾ, ਬਸ ਬੋਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦਾ ਹੈ। ਨਵੀਂ ਦਿਸ਼ਾ, ਜਿਸ ਨੂੰ OpenAI ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਅੱਗੇ ਵਧਾ ਰਹੀਆਂ ਹਨ, ‘ਸਿਸਟਮ 2’ ਸੋਚ ਵੱਲ ਵਧ ਰਹੀ ਹੈ। ਇਹ ਹੌਲੀ, ਵਧੇਰੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਅਤੇ ਤਰਕਪੂਰਨ ਹੈ। ਤੁਸੀਂ ਇਸ ਨੂੰ ਉਦੋਂ ਦੇਖ ਸਕਦੇ ਹੋ ਜਦੋਂ ਇੱਕ ਮਾਡਲ ਆਪਣੇ ਕਦਮਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਰੁਕਦਾ ਹੈ ਜਾਂ ਵਿਚਕਾਰ ਹੀ ਆਪਣੇ ਤਰਕ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ‘ਚੇਨ ਆਫ ਥੌਟ’ (chain of thought) ਪ੍ਰੋਸੈਸਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਸਿਰਫ ਪੁਰਾਣੀ ਸਿਖਲਾਈ ‘ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਬਜਾਏ, ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੇ ਸਮੇਂ ਵਧੇਰੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ।
ਇਹ ਬਦਲਾਅ ਲੋਕਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਲਤਫਹਿਮੀ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਮੰਨਦੇ ਹਨ ਕਿ AI ਜਾਣਕਾਰੀ ਦਾ ਇੱਕ ਸਥਿਰ ਡੇਟਾਬੇਸ ਹੈ। ਅਸਲ ਵਿੱਚ, ਆਧੁਨਿਕ AI ਇੱਕ ਡਾਇਨਾਮਿਕ ਰੀਜ਼ਨਿੰਗ ਇੰਜਣ ਬਣ ਰਿਹਾ ਹੈ। ਲੋਕਾਂ ਦੀ ਸੋਚ ਅਤੇ ਅਸਲੀਅਤ ਵਿੱਚ ਫਰਕ ਸਾਫ ਹੈ। ਜਦੋਂ ਕਿ ਜਨਤਾ ਅਜੇ ਵੀ ਇਹਨਾਂ ਟੂਲਸ ਨੂੰ ਸਰਚ ਇੰਜਣ ਮੰਨਦੀ ਹੈ, ਇੰਡਸਟਰੀ ਉਹਨਾਂ ਨੂੰ ਆਟੋਨੋਮਸ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਵਾਲੇ ਵਜੋਂ ਬਣਾ ਰਹੀ ਹੈ। **ਇਨਫਰੈਂਸ-ਟਾਈਮ ਕੰਪਿਊਟ** ਵੱਲ ਇਸ ਕਦਮ ਦਾ ਮਤਲਬ ਹੈ ਕਿ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲਾਗਤ ਬਦਲ ਰਹੀ ਹੈ। ਇਹ ਹੁਣ ਸਿਰਫ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵਾਰ ਟ੍ਰੇਨ ਕਰਨ ਦੇ ਖਰਚੇ ਬਾਰੇ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਹਰ ਇੱਕ ਕੁਐਰੀ (query) ਕਿੰਨੀ ਬਿਜਲੀ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਦੀ ਖਪਤ ਕਰਦੀ ਹੈ। ਇਸਦੇ ਟੈਕ ਕੰਪਨੀਆਂ ਦੇ ਬਿਜ਼ਨਸ ਮਾਡਲਾਂ ‘ਤੇ ਵੱਡੇ ਪ੍ਰਭਾਵ ਪੈਣਗੇ। ਉਹ ਸਸਤੇ, ਉੱਚ-ਵਾਲੀਅਮ ਵਾਲੇ ਇੰਟਰੈਕਸ਼ਨਾਂ ਤੋਂ ਹਟ ਕੇ ਉੱਚ-ਮੁੱਲ ਵਾਲੇ, ਗੁੰਝਲਦਾਰ ਤਰਕ ਵਾਲੇ ਕੰਮਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਹਰ ਆਉਟਪੁੱਟ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਇਹਨਾਂ ਬਦਲਾਵਾਂ ਬਾਰੇ ਪ੍ਰਮੁੱਖ ਲੈਬਾਂ ਦੇ ਅਧਿਕਾਰਤ ਰਿਸਰਚ ਨੋਟਸ ਵਿੱਚ ਹੋਰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ।
ਕੰਪਿਊਟੇਸ਼ਨ ਦੀ ਭੂ-ਰਾਜਨੀਤਿਕ ਕੀਮਤ
ਇਸ ਬਦਲਾਅ ਦਾ ਵਿਸ਼ਵਵਿਆਪੀ ਪ੍ਰਭਾਵ ਦੋ ਚੀਜ਼ਾਂ ‘ਤੇ ਕੇਂਦਰਿਤ ਹੈ: ਊਰਜਾ ਅਤੇ ਪ੍ਰਭੂਸੱਤਾ। ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲਾਂ ਨੂੰ ਸੋਚਣ ਲਈ ਜ਼ਿਆਦਾ ਸਮਾਂ ਚਾਹੀਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਹੁਣ ਸਿਰਫ ਸਿਲੀਕਾਨ ਵੈਲੀ ਦੀ ਚਿੰਤਾ ਨਹੀਂ ਰਹੀ, ਇਹ ਕਈ ਦੇਸ਼ਾਂ ਲਈ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਦਾ ਮੁੱਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਸਮਝ ਰਹੀਆਂ ਹਨ ਕਿ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਬਿਜਲੀ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਆਰਥਿਕ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਲਈ ਜ਼ਰੂਰੀ ਹੈ। ਅਸੀਂ ਊਰਜਾ ਦੇ ਸਰੋਤਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦੀ ਦੌੜ ਦੇਖ ਰਹੇ ਹਾਂ, ਪਰਮਾਣੂ ਊਰਜਾ ਤੋਂ ਲੈ ਕੇ ਵਿਸ਼ਾਲ ਸੋਲਰ ਫਾਰਮਾਂ ਤੱਕ। ਇਹ ਉਹਨਾਂ ਦੇਸ਼ਾਂ ਵਿਚਕਾਰ ਇੱਕ ਨਵੀਂ ਵੰਡ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਖਰਚਾ ਉਠਾ ਸਕਦੇ ਹਨ ਅਤੇ ਜੋ ਨਹੀਂ ਉਠਾ ਸਕਦੇ। ਵਾਤਾਵਰਣ ਦੀ ਕੀਮਤ ਵੀ ਵਧ ਰਹੀ ਹੈ। ਜਦੋਂ ਕਿ AI ਊਰਜਾ ਗਰਿੱਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਪਾਵਰ ਦੀ ਤੁਰੰਤ ਮੰਗ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਹੋਏ ਵਾਧੇ ਤੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਤਣਾਅ ਹੈ ਜਿਸ ਨੂੰ Google DeepMind ਅਤੇ ਹੋਰ ਸੰਸਥਾਵਾਂ ਦੇ ਲੀਡਰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਆਰਕੀਟੈਕਚਰ ਰਾਹੀਂ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ।
- ਦੇਸ਼ ਹੁਣ ਕੰਪਿਊਟ ਕਲੱਸਟਰਾਂ ਨੂੰ ਬਿਜਲੀ ਪਲਾਂਟਾਂ ਜਾਂ ਬੰਦਰਗਾਹਾਂ ਵਰਗੇ ਮਹੱਤਵਪੂਰਨ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਜੋਂ ਦੇਖ ਰਹੇ ਹਨ।
- ਸਪੈਸ਼ਲਾਈਜ਼ਡ ਹਾਰਡਵੇਅਰ ਦੀ ਮੰਗ ਇੱਕ ਸਪਲਾਈ ਚੇਨ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰ ਰਹੀ ਹੈ ਜੋ ਗਲੋਬਲ ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਕੀਮਤਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।
- ਊਰਜਾ-ਅਮੀਰ ਖੇਤਰ ਆਪਣੇ ਇਤਿਹਾਸਕ ਟੈਕ ਪ੍ਰਭਾਵ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਤਕਨੀਕੀ ਵਿਕਾਸ ਲਈ ਨਵੇਂ ਹੱਬ ਬਣ ਰਹੇ ਹਨ।
- ਰੈਗੂਲੇਟਰੀ ਸੰਸਥਾਵਾਂ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਦੇ ਵੱਡੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਨਾਲ ਨਵੀਨਤਾ ਦੀ ਲੋੜ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ।
ਲੇਬਰ ਮਾਰਕੀਟ ਵੀ ਇਸਦੇ ਪ੍ਰਭਾਵ ਮਹਿਸੂਸ ਕਰ ਰਹੀ ਹੈ। ਪਹਿਲਾਂ, ਡਰ ਇਹ ਸੀ ਕਿ AI ਸਧਾਰਨ ਮੈਨੂਅਲ ਕੰਮਾਂ ਨੂੰ ਬਦਲ ਦੇਵੇਗਾ। ਹੁਣ, ਨਿਸ਼ਾਨਾ ਉੱਚ-ਪੱਧਰੀ ਬੌਧਿਕ ਕੰਮ ਹੈ। ਕਿਉਂਕਿ ਇਹ ਨਵੇਂ ਮਾਡਲ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ਾਂ ਜਾਂ ਮੈਡੀਕਲ ਖੋਜਾਂ ਰਾਹੀਂ ਤਰਕ ਕਰ ਸਕਦੇ ਹਨ, ਇਸਦਾ ਪ੍ਰਭਾਵ ਪੇਸ਼ੇਵਰ ਵਰਗ ‘ਤੇ ਉਮੀਦ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਪੈ ਰਿਹਾ ਹੈ। ਇਹ ਸਿਰਫ ਆਟੋਮੇਸ਼ਨ ਬਾਰੇ ਨਹੀਂ ਹੈ, ਇਹ ਮੁਹਾਰਤ ਦੀ ਮੁੜ-ਵੰਡ ਬਾਰੇ ਹੈ। ਲੰਡਨ ਵਿੱਚ ਇੱਕ ਜੂਨੀਅਰ ਐਨਾਲਿਸਟ ਜਾਂ ਬੰਗਲੌਰ ਵਿੱਚ ਇੱਕ ਡਿਵੈਲਪਰ ਕੋਲ ਹੁਣ ਇੱਕ ਸੀਨੀਅਰ ਪਾਰਟਨਰ ਦੀਆਂ ਤਰਕ ਕਰਨ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਹੈ। ਇਹ ਲੜੀਵਾਰ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ ਅਤੇ ਰਵਾਇਤੀ ਸਿੱਖਿਆ ਦੇ ਮੁੱਲ ਨੂੰ ਬਦਲਦਾ ਹੈ। ਸਵਾਲ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਕਿਸ ਕੋਲ ਸਭ ਤੋਂ ਵੱਧ ਗਿਆਨ ਹੈ, ਸਗੋਂ ਇਹ ਹੈ ਕਿ ਕੌਣ ਮਸ਼ੀਨ ਦੀ ਤਰਕ ਸ਼ਕਤੀ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਨਿਰਦੇਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ।
ਆਟੋਮੇਟਿਡ ਦਫਤਰ ਵਿੱਚ ਇੱਕ ਮੰਗਲਵਾਰ
ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਰ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਇੱਕ ਸਾਲ ਪਹਿਲਾਂ, ਸਾਰਾਹ ਮੀਟਿੰਗਾਂ ਦਾ ਸਾਰ ਦੇਣ ਜਾਂ ਆਪਣੀਆਂ ਈਮੇਲਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਠੀਕ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਸੀ। ਅੱਜ, ਉਸਦਾ ਵਰਕਫਲੋ **ਏਜੰਟਿਕ ਵਰਕਫਲੋਜ਼** (agentic workflows) ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣਿਆ ਹੈ ਜੋ ਘੱਟੋ-ਘੱਟ ਨਿਗਰਾਨੀ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਉਹ ਆਪਣਾ ਦਿਨ ਸ਼ੁਰੂ ਕਰਦੀ ਹੈ, ਤਾਂ ਉਹ ਆਪਣਾ ਇਨਬਾਕਸ ਨਹੀਂ ਦੇਖਦੀ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਇੱਕ ਡੈਸ਼ਬੋਰਡ ਦੇਖਦੀ ਹੈ ਜਿੱਥੇ ਉਸਦੇ AI ਏਜੰਟ ਨੇ ਪਹਿਲਾਂ ਹੀ ਉਸਦੇ ਸੁਨੇਹਿਆਂ ਨੂੰ ਛਾਂਟ ਲਿਆ ਹੈ। ਏਜੰਟ ਨੇ ਸਿਰਫ ਮਹੱਤਵਪੂਰਨ ਸੁਨੇਹਿਆਂ ਨੂੰ ਫਲੈਗ ਨਹੀਂ ਕੀਤਾ, ਸਗੋਂ ਉਸਦੇ ਕੈਲੰਡਰ ਨੂੰ ਦੇਖਿਆ, ਵੀਰਵਾਰ ਦੀ ਮੀਟਿੰਗ ਲਈ ਇੱਕ ਟਕਰਾਅ ਦੀ ਪਛਾਣ ਕੀਤੀ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਉਪਲਬਧਤਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਨਵਾਂ ਸਮਾਂ ਪ੍ਰਸਤਾਵਿਤ ਕਰਨ ਲਈ ਤਿੰਨ ਹੋਰ ਭਾਗੀਦਾਰਾਂ ਨਾਲ ਸੰਪਰਕ ਕੀਤਾ। ਇਸਨੇ ਪਿਛਲੀ ਦੁਪਹਿਰ ਹੋਈ ਗੱਲਬਾਤ ਦੇ ਆਧਾਰ ‘ਤੇ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਬ੍ਰੀਫ ਵੀ ਤਿਆਰ ਕੀਤਾ, ਇੱਕ ਸ਼ੇਅਰਡ ਡਰਾਈਵ ਤੋਂ ਡੇਟਾ ਲਿਆ ਅਤੇ ਲੇਟੈਸਟ ਅਕਾਊਂਟਿੰਗ ਰਿਪੋਰਟ ਦੇ ਮੁਕਾਬਲੇ ਬਜਟ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ।
ਦੁਪਹਿਰ ਤੱਕ, ਸਾਰਾਹ ਇੱਕ ਗੁੰਝਲਦਾਰ ਇਕਰਾਰਨਾਮੇ ਦੀ ਸਮੀਖਿਆ ਕਰ ਰਹੀ ਹੈ। ਸਾਰੇ ਪੰਜਾਹ ਪੰਨੇ ਪੜ੍ਹਨ ਦੀ ਬਜਾਏ, ਉਹ ਮਾਡਲ ਨੂੰ ਉਹ ਕੋਈ ਵੀ ਧਾਰਾਵਾਂ ਲੱਭਣ ਲਈ ਕਹਿੰਦੀ ਹੈ ਜੋ ਬੌਧਿਕ ਸੰਪੱਤੀ (intellectual property) ‘ਤੇ ਕੰਪਨੀ ਦੀ ਨੀਤੀ ਨਾਲ ਟਕਰਾਉਂਦੀਆਂ ਹਨ। ਮਾਡਲ ਨੂੰ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਕਈ ਮਿੰਟ ਲੱਗਦੇ ਹਨ। ਇਹ ਤਰਕ ਕਰਨ ਦਾ ਪੜਾਅ ਹੈ। ਇਹ ਕਾਰਪੋਰੇਟ ਨਿਯਮਾਂ ਦੇ ਡੇਟਾਬੇਸ ਦੇ ਮੁਕਾਬਲੇ ਹਰ ਵਾਕ ਦੀ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ। ਸਾਰਾਹ ਜਾਣਦੀ ਹੈ ਕਿ ਇੰਤਜ਼ਾਰ ਕਰਨਾ ਫਾਇਦੇਮੰਦ ਹੈ ਕਿਉਂਕਿ ਆਉਟਪੁੱਟ ਸਿਰਫ ਇੱਕ ਸਾਰ ਨਹੀਂ ਹੈ, ਇਹ ਇੱਕ ਤਰਕਪੂਰਨ ਆਡਿਟ ਹੈ। ਉਹ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਲਤੀ ਲੱਭਦੀ ਹੈ ਕਿ ਮਾਡਲ ਨੇ ਇੱਕ ਖਾਸ ਟੈਕਸ ਕੋਡ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕੀਤੀ, ਪਰ ਉਹ ਪ੍ਰਭਾਵਿਤ ਹੈ ਕਿ ਕਿੰਨਾ ਜ਼ਿਆਦਾ ਕੰਮ ਪਹਿਲਾਂ ਹੀ ਹੋ ਚੁੱਕਾ ਹੈ। ਉਸ ਦਿਨ ਬਾਅਦ ਵਿੱਚ, ਉਸਨੂੰ ਇੱਕ ਨੋਟੀਫਿਕੇਸ਼ਨ ਮਿਲਿਆ ਕਿ ਏਜੰਟ ਨੇ ਇੱਕ ਵਿਰੋਧੀ ਫਰਮ ਦਾ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ। ਇਸਨੇ ਪਬਲਿਕ ਫਾਈਲਿੰਗਜ਼ ਨੂੰ ਸਕ੍ਰੈਪ ਕੀਤਾ, ਮਾਰਕੀਟ ਦੇ ਰੁਝਾਨਾਂ ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕੀਤਾ, ਅਤੇ ਇੱਕ ਸਲਾਈਡ ਡੇਕ ਬਣਾਇਆ ਜੋ ਬੋਰਡ ਮੀਟਿੰਗ ਲਈ ਅੱਸੀ ਪ੍ਰਤੀਸ਼ਤ ਤਿਆਰ ਹੈ। ਤੁਸੀਂ ਸਾਡੇ ਪਲੇਟਫਾਰਮ ‘ਤੇ ਲੇਟੈਸਟ ਇੰਡਸਟਰੀ ਇਨਸਾਈਟਸ ਵਿੱਚ ਇਹਨਾਂ ਵਿਹਾਰਕ ਉਦਾਹਰਣਾਂ ਨੂੰ ਹੋਰ ਦੇਖ ਸਕਦੇ ਹੋ।
ਇੱਥੇ ਦਾਅ ‘ਤੇ ਲੱਗੀਆਂ ਚੀਜ਼ਾਂ ਵਿਹਾਰਕ ਹਨ। ਸਾਰਾਹ ਹੁਣ ਸਿਰਫ ਇੱਕ ਲੇਖਕ ਜਾਂ ਸ਼ਡਿਊਲਰ ਨਹੀਂ ਹੈ। ਉਹ ਇੱਕ ਆਰਕੈਸਟ੍ਰੇਟਰ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਇਸ ਵਿਸ਼ੇ ‘ਤੇ ਉਲਝਣ ਵਿੱਚ ਹਨ ਕਿ AI ਉਹਨਾਂ ਦੀ ਜਗ੍ਹਾ ਕੰਮ ਕਰੇਗਾ। ਅਸਲ ਵਿੱਚ, AI ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ, ਪਰ ਸਾਰਾਹ ਤਰਕ ਅਤੇ ਅੰਤਿਮ ਮਨਜ਼ੂਰੀ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਤਬਦੀਲੀ ਕੰਮ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਕੰਮ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਤੱਕ ਦੀ ਹੈ। ਇਸ ਲਈ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਸੈੱਟ ਦੀ ਲੋੜ ਹੈ, ਜਿਸ ਵਿੱਚ ਤਰਕ ਦੀ ਲੜੀ ਵਿੱਚ ਸੂਖਮ ਭੁਲੇਖਿਆਂ (hallucinations) ਨੂੰ ਲੱਭਣ ਦੀ ਸਮਰੱਥਾ ਸ਼ਾਮਲ ਹੈ। ਜੇ ਮਾਡਲ ਕੋਈ ਅਜਿਹੀ ਤਰਕਪੂਰਨ ਛਾਲ ਮਾਰਦਾ ਹੈ ਜੋ ਗਲਤ ਹੈ, ਤਾਂ ਸਾਰਾਹ ਨੂੰ ਉਸ ਤਰਕ ਨੂੰ ਸਰੋਤ ਤੱਕ ਵਾਪਸ ਲੱਭਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਵਿਸ਼ਾ ਸਧਾਰਨ ਪੀੜ੍ਹੀ ਤੋਂ ਗੁੰਝਲਦਾਰ ਤਸਦੀਕ ਵੱਲ ਵਿਕਸਤ ਹੋ ਰਿਹਾ ਹੈ।
BotNews.today ਸਮੱਗਰੀ ਦੀ ਖੋਜ, ਲਿਖਣ, ਸੰਪਾਦਨ ਅਤੇ ਅਨੁਵਾਦ ਕਰਨ ਲਈ AI ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਸਾਡੀ ਟੀਮ ਜਾਣਕਾਰੀ ਨੂੰ ਉਪਯੋਗੀ, ਸਪਸ਼ਟ ਅਤੇ ਭਰੋਸੇਮੰਦ ਰੱਖਣ ਲਈ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਦੀ ਹੈ।
ਸਿੰਥੈਟਿਕ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਨੈਤਿਕ ਕਰਜ਼ਾ
ਤਰਕ ਵੱਲ ਇਹ ਤਬਦੀਲੀ ਇਸ ਤਕਨਾਲੋਜੀ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਖੜ੍ਹੇ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਮਾਡਲ ਲੰਬੇ ਸਮੇਂ ਲਈ ਸੋਚ ਰਿਹਾ ਹੈ, ਤਾਂ ਉਸ ਸਮੇਂ ਲਈ ਭੁਗਤਾਨ ਕੌਣ ਕਰ ਰਿਹਾ ਹੈ? ਵਿੱਤੀ ਲਾਗਤ ਸਪੱਸ਼ਟ ਹੈ, ਪਰ ਗੋਪਨੀਯਤਾ (privacy) ਦੀ ਲਾਗਤ ਵਧੇਰੇ ਅਸਪਸ਼ਟ ਹੈ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਤਰਕ ਕਰਨ ਲਈ, ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਵਧੇਰੇ ਸੰਦਰਭ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ, ਤੁਹਾਡੀਆਂ ਨਿੱਜੀ ਤਰਜੀਹਾਂ ਅਤੇ ਤੁਹਾਡੇ ਨਿੱਜੀ ਡੇਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਸਭ ਤੋਂ ਉਪਯੋਗੀ AI ਉਹ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਜਾਣਦਾ ਹੈ। ਇਹ ਇੱਕ ਵੱਡਾ ਗੋਪਨੀਯਤਾ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਡੇ ਏਜੰਟ ਕੋਲ ਤੁਹਾਡੇ ਪੂਰੇ ਈਮੇਲ ਇਤਿਹਾਸ ਅਤੇ ਤੁਹਾਡੇ ਕਾਰਪੋਰੇਟ ਡੇਟਾਬੇਸ ਤੱਕ ਪਹੁੰਚ ਹੈ, ਤਾਂ ਉਹ ਜਾਣਕਾਰੀ ਕਿਸੇ ਤੀਜੀ ਧਿਰ ਦੀ ਮਲਕੀਅਤ ਵਾਲੇ ਸਰਵਰਾਂ ਦੁਆਰਾ ਪ੍ਰੋਸੈਸ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਡੇਟਾ ਲੀਕੇਜ ਜਾਂ ਅਣਅਧਿਕਾਰਤ ਪ੍ਰੋਫਾਈਲਿੰਗ ਦਾ ਜੋਖਮ ਪਹਿਲਾਂ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਹੈ। Reuters ਵਰਗੀਆਂ ਏਜੰਸੀਆਂ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਨੇ ਉਜਾਗਰ ਕੀਤਾ ਹੈ ਕਿ ਕਿਵੇਂ ਡੇਟਾ ਸਕ੍ਰੈਪਿੰਗ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ ਵਧੇਰੇ ਹਮਲਾਵਰ ਹੋ ਰਹੀ ਹੈ ਕਿਉਂਕਿ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਸਿਖਲਾਈ ਜਾਣਕਾਰੀ ਦੀ ਭੁੱਖ ਵਧ ਰਹੀ ਹੈ।
ਇੱਥੇ ‘ਡੈੱਡ ਇੰਟਰਨੈੱਟ’ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਬਿਹਤਰ ਹੁੰਦੇ ਜਾ ਰਹੇ ਹਨ, ਵੈੱਬ ਸਿੰਥੈਟਿਕ ਟੈਕਸਟ, ਚਿੱਤਰਾਂ ਅਤੇ ਵੀਡੀਓਜ਼ ਨਾਲ ਭਰ ਰਿਹਾ ਹੈ। ਜੇਕਰ AI ਮਾਡਲ ਦੂਜੇ AI ਮਾਡਲਾਂ ਦੇ ਆਉਟਪੁੱਟ ‘ਤੇ ਸਿਖਲਾਈ ਦੇਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਅਸੀਂ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਦਾ ਜੋਖਮ ਲੈਂਦੇ ਹਾਂ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਮਨੁੱਖੀ ਗਿਆਨ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ। ਇਹ ‘ਮਾਡਲ ਕੋਲੈਪਸ’ ਥਿਊਰੀ ਹੈ। ਅਸੀਂ ਮਨੁੱਖੀ ਅਨੁਭਵ ਅਤੇ ਮੌਲਿਕ ਸੋਚ ਦੇ ਮੁੱਲ ਨੂੰ ਅਜਿਹੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕਿਵੇਂ ਸੁਰੱਖਿਅਤ ਰੱਖੀਏ ਜਿੱਥੇ ਸਿੰਥੈਟਿਕ ਤਰਕ ਸਸਤਾ ਅਤੇ ਤੇਜ਼ ਹੈ? ਸਾਨੂੰ ਮਨੁੱਖੀ ਹੁਨਰ ਦੇ ਖਾਤਮੇ ਬਾਰੇ ਵੀ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਇੱਕ AI ਕਿਸੇ ਕਾਨੂੰਨੀ ਕੇਸ ਜਾਂ ਮੈਡੀਕਲ ਨਿਦਾਨ ਲਈ ਸਾਰੇ ਤਰਕ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੀ ਡਾਕਟਰਾਂ ਅਤੇ ਵਕੀਲਾਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਕੋਲ ਮਸ਼ੀਨ ਦੇ ਫੇਲ ਹੋਣ ‘ਤੇ ਉਸਨੂੰ ਫੜਨ ਲਈ ਬੁਨਿਆਦੀ ਹੁਨਰ ਹੋਣਗੇ? ਇਹਨਾਂ ਸਿਸਟਮਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਇੱਕ ਅਜਿਹਾ ਕਮਜ਼ੋਰ ਸਮਾਜ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਸਕਦਾ 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।
ਪਾਵਰ ਯੂਜ਼ਰ ਦਾ ਆਰਕੀਟੈਕਚਰ
ਉਹਨਾਂ ਲਈ ਜੋ ਬੁਨਿਆਦੀ ਇੰਟਰਫੇਸ ਤੋਂ ਅੱਗੇ ਜਾਣਾ ਚਾਹੁੰਦੇ ਹਨ, ਤਕਨੀਕੀ ਲੋੜਾਂ ਬਦਲ ਰਹੀਆਂ ਹਨ। ਇਹ ਹੁਣ ਸਿਰਫ ਇੱਕ ਤੇਜ਼ ਇੰਟਰਨੈਟ ਕਨੈਕਸ਼ਨ ਹੋਣ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਪਾਵਰ ਯੂਜ਼ਰ ਹੁਣ ਇਹ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਇਹਨਾਂ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸਥਾਨਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕਿਵੇਂ ਜੋੜਿਆ ਜਾਵੇ। ਇਸ ਵਿੱਚ API ਸੀਮਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਅਤੇ ਲੇਟੈਂਸੀ (latency) ਅਤੇ ਸ਼ੁੱਧਤਾ ਵਿਚਕਾਰ ਵਪਾਰ-ਆਫ ਨੂੰ ਸਮਝਣਾ ਸ਼ਾਮਲ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਅਕਸਰ ਪ੍ਰਤੀ ਸਕਿੰਟ ਘੱਟ ਟੋਕਨਾਂ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹੁੰਦੇ ਹੋ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਮਾਡਲ ਅੰਦਰੂਨੀ ਜਾਂਚਾਂ ਕਰ ਰਿਹਾ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਜਾਂ ਲਾਈਵ ਚੈਟ ਵਰਗੀਆਂ ਰੀਅਲ-ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਅਜੇ ਵੀ ਛੋਟੇ, ਤੇਜ਼ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਭਾਰੀ ਤਰਕ ਨੂੰ ਵਧੇਰੇ ਸਮਰੱਥ ਬੈਕਐਂਡ ‘ਤੇ ਆਫਲੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਲੋਕਲ ਸਟੋਰੇਜ ਰਿਟਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਲਈ ਮਹੱਤਵਪੂਰਨ ਬਣ ਰਹੀ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਮਾਡਲ ਕੋਲ ਨਿੱਜੀ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਹੋਵੇ, ਬਿਨਾਂ ਇਸਨੂੰ ਕਲਾਉਡ ‘ਤੇ ਭੇਜੇ।
- ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਯੂਜ਼ਰਸ ਨੂੰ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਛੋਟੇ ਸੰਸਕਰਣਾਂ ਨੂੰ ਕੰਜ਼ਿਊਮਰ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ, ਹਾਲਾਂਕਿ ਤਰਕ ਦੀ ਡੂੰਘਾਈ ਵਿੱਚ ਥੋੜ੍ਹੀ ਕਮੀ ਆਉਂਦੀ ਹੈ।
- API ਲਾਗਤ ਪ੍ਰਬੰਧਨ ਹੁਣ ਸਟਾਰਟਅੱਪਸ ਲਈ ਇੱਕ ਪ੍ਰਮੁੱਖ ਚਿੰਤਾ ਹੈ, ਕਿਉਂਕਿ ਰੀਜ਼ਨਿੰਗ ਮਾਡਲਾਂ ਲਈ ਪ੍ਰਤੀ ਹਜ਼ਾਰ ਟੋਕਨਾਂ ਦੀ ਕੀਮਤ ਸਟੈਂਡਰਡ ਮਾਡਲਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ।
- ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਅਸਿੰਕ੍ਰੋਨਸ ਪ੍ਰੋਸੈਸਿੰਗ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਯੂਜ਼ਰ ਕੰਮ ਸੌਂਪਦਾ ਹੈ ਅਤੇ ਤੁਰੰਤ ਜਵਾਬ ਦੀ ਉਮੀਦ ਕਰਨ ਦੀ ਬਜਾਏ ਨੋਟੀਫਿਕੇਸ਼ਨ ਦੀ ਉਡੀਕ ਕਰਦਾ ਹੈ।
ਕਮਿਊਨਿਟੀ ਦਾ ਗੀਕ ਸੈਕਸ਼ਨ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ‘ਤੇ ਵੀ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਿਹਾ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਰੀਜ਼ਨਿੰਗ ਇੰਜਣਾਂ ਦੀ ਵੀ ਇੱਕ ਕੰਟੈਕਸਟ ਵਿੰਡੋ ਸੀਮਾ ਹੁੰਦੀ ਹੈ। ਇਹ ਉਹ ਜਾਣਕਾਰੀ ਦੀ ਮਾਤਰਾ ਹੈ ਜੋ ਮਾਡਲ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਆਪਣੀ ਸਰਗਰਮ ਮੈਮੋਰੀ ਵਿੱਚ ਰੱਖ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਵਿੰਡੋਜ਼ ਵਧ ਰਹੀਆਂ ਹਨ, ਉਹ ਅਜੇ ਵੀ ਕੋਡ ਦੀਆਂ ਪੂਰੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਜਾਂ ਲੰਬੇ ਕਾਨੂੰਨੀ ਇਤਿਹਾਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਇੱਕ ਰੁਕਾਵਟ ਹਨ। ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਅਤੇ ਕੁਸ਼ਲ ਇੰਡੈਕਸਿੰਗ ਰਾਹੀਂ ਇਸ ਮੈਮੋਰੀ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ AI ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਮੌਜੂਦਾ ਸਰਹੱਦ ਹੈ। ਅਸੀਂ Ollama ਜਾਂ LM Studio ਵਰਗੇ ਲੋਕਲ ਹੋਸਟਿੰਗ ਟੂਲਸ ਦਾ ਵਾਧਾ ਵੀ ਦੇਖ ਰਹੇ ਹਾਂ, ਜੋ ਯੂਜ਼ਰਸ ਨੂੰ ਮਾਡਲਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਫਲਾਈਨ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਗੋਪਨੀਯਤਾ ਲਈ ਅੰਤਮ ਹੱਲ ਹੈ, ਪਰ ਇਸ ਲਈ ਮਹੱਤਵਪੂਰਨ GPU ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਲੈਪਟਾਪਾਂ ਵਿੱਚ ਅਜੇ ਵੀ ਨਹੀਂ ਹਨ।
ਅੱਗੇ ਦਾ ਰਸਤਾ
ਬੁਨਿਆਦੀ ਬਦਲਾਅ ਜੋ ਅਸੀਂ ਦੇਖ ਰਹੇ ਹਾਂ ਉਹ AI ਦਾ ਇੱਕ ਟੂਲ ਤੋਂ ਇੱਕ ਪਾਰਟਨਰ ਵਜੋਂ ਬਦਲਣਾ ਹੈ। ਇੰਡਸਟਰੀ ਦੇ ਸੰਕੇਤ ਸਪੱਸ਼ਟ ਹਨ। ਅਸੀਂ ਉਸ ਬਿੰਦੂ ਨੂੰ ਪਾਰ ਕਰ ਲਿਆ ਹੈ ਜਿੱਥੇ ਸਿਰਫ ਵਧੇਰੇ ਡੇਟਾ ਜੋੜਨਾ ਹੀ ਜਵਾਬ ਹੈ। ਭਵਿੱਖ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਮਾਡਲ ਆਪਣੇ ਸਮੇਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਦੇ ਹਨ ਅਤੇ ਉਹ ਮਨੁੱਖੀ ਤਰਕ ਨਾਲ ਕਿਵੇਂ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ। ਇਹ ਸ਼ਾਮਲ ਸਾਰਿਆਂ ਲਈ ਇੱਕ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਵਾਤਾਵਰਣ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਯੂਜ਼ਰਸ ਨੂੰ ਮਸ਼ੀਨਾਂ ਦਾ ਆਡਿਟ ਕਰਨ ਵਿੱਚ ਬਿਹਤਰ ਬਣਨਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਕੰਪਨੀਆਂ ਨੂੰ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਦੀ ਭਾਰੀ ਊਰਜਾ ਅਤੇ ਵਿੱਤੀ ਲਾਗਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਬਿਹਤਰ ਬਣਨਾ ਚਾਹੀਦਾ ਹੈ। ਲੋਕਾਂ ਦੀ ਇਹ ਧਾਰਨਾ ਕਿ AI ਸਿਰਫ Google ਦਾ ਇੱਕ ਬਿਹਤਰ ਸੰਸਕਰਣ ਹੈ, ਇਸ ਹਕੀਕਤ ਦੁਆਰਾ ਬਦਲੀ ਜਾ ਰਹੀ ਹੈ ਕਿ AI ਡਿਜੀਟਲ ਮਜ਼ਦੂਰੀ ਦਾ ਇੱਕ ਨਵਾਂ ਰੂਪ ਹੈ। ਜਿਉਂਦਾ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਸੱਚਮੁੱਚ ਭਰੋਸੇਮੰਦ ਬਣਾ ਸਕਦੇ ਹਾਂ ਜਾਂ ਕੀ ਤਰਕ ਦੀ ਗੁੰਝਲਤਾ ਵਿੱਚ ਹਮੇਸ਼ਾ ਗਲਤੀ ਦੀ ਗੁੰਜਾਇਸ਼ ਰਹੇਗੀ ਜਿਸ ਲਈ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤਕਨਾਲੋਜੀ ਦਾ ਵਿਕਾਸ ਜਾਰੀ ਰਹੇਗਾ, ਮਨੁੱਖੀ ਸੋਚ ਅਤੇ ਮਸ਼ੀਨ ਤਰਕ ਵਿਚਕਾਰ ਸੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਹੋਰ ਵੀ ਮੁਸ਼ਕਲ ਹੋ ਜਾਵੇਗਾ।
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।
ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।
