ਅਸੀਂ ਇੱਥੇ ਕਿਵੇਂ ਪਹੁੰਚੇ: AI ਬੂਮ ਦਾ ਸੰਖੇਪ ਇਤਿਹਾਸ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਮੌਜੂਦਾ ਉਭਾਰ 2022 ਦੇ ਅਖੀਰ ਵਿੱਚ ਕਿਸੇ ਵਾਇਰਲ ਚੈਟਬੋਟ ਨਾਲ ਸ਼ੁਰੂ ਨਹੀਂ ਹੋਇਆ ਸੀ। ਇਹ 2017 ਵਿੱਚ ਗੂਗਲ ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਪ੍ਰਕਾਸ਼ਿਤ ਇੱਕ ਖਾਸ ਖੋਜ ਪੱਤਰ ‘Attention Is All You Need’ ਨਾਲ ਸ਼ੁਰੂ ਹੋਇਆ। ਇਸ ਦਸਤਾਵੇਜ਼ ਨੇ Transformer ਆਰਕੀਟੈਕਚਰ ਪੇਸ਼ ਕੀਤਾ, ਜਿਸ ਨੇ ਮਸ਼ੀਨਾਂ ਦੇ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਦਿੱਤਾ। ਇਸ ਤੋਂ ਪਹਿਲਾਂ, ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਲੰਬੇ ਵਾਕਾਂ ਦੇ ਸੰਦਰਭ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆਉਂਦੀ ਸੀ। ਉਹ ਅਕਸਰ ਪੈਰਾਗ੍ਰਾਫ ਦੇ ਅੰਤ ਤੱਕ ਪਹੁੰਚਦੇ-ਪਹੁੰਚਦੇ ਉਸਦੀ ਸ਼ੁਰੂਆਤ ਨੂੰ ਭੁੱਲ ਜਾਂਦੇ ਸਨ। Transformer ਨੇ ਮਾਡਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਸ਼ਬਦਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਤੋਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਕੇ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕੀਤਾ। ਇਹ ਇੱਕ ਤਕਨੀਕੀ ਬਦਲਾਅ ਹੀ ਮੁੱਖ ਕਾਰਨ ਹੈ ਕਿ ਅੱਜ ਦੇ ਟੂਲ ਰੋਬੋਟਿਕ ਦੀ ਬਜਾਏ ਸੁਚੱਜੇ ਲੱਗਦੇ ਹਨ। ਅਸੀਂ ਵਰਤਮਾਨ ਵਿੱਚ ਸੀਕਵੈਂਸ਼ੀਅਲ ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਦੂਰ ਜਾਣ ਦੇ ਉਸ ਇੱਕ ਫੈਸਲੇ ਦੇ ਵਿਸਤ੍ਰਿਤ ਨਤੀਜਿਆਂ ਨੂੰ ਜੀ ਰਹੇ ਹਾਂ। ਇਹ ਇਤਿਹਾਸ ਸਿਰਫ ਬਿਹਤਰ ਕੋਡ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਅਸੀਂ ਗਲੋਬਲ ਪੱਧਰ ‘ਤੇ ਜਾਣਕਾਰੀ ਨਾਲ ਕਿਵੇਂ ਗੱਲਬਾਤ ਕਰਦੇ ਹਾਂ। ਜਵਾਬ ਲੱਭਣ ਤੋਂ ਲੈ ਕੇ ਉਹਨਾਂ ਨੂੰ ਜਨਰੇਟ ਕਰਨ ਤੱਕ ਦੇ ਇਸ ਬਦਲਾਅ ਨੇ ਅੱਜ ਹਰ ਇੰਟਰਨੈਟ ਉਪਭੋਗਤਾ ਦੀਆਂ ਬੁਨਿਆਦੀ ਉਮੀਦਾਂ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ।
ਤਰਕ ਨਾਲੋਂ ਅੰਕੜਾਤਮਕ ਭਵਿੱਖਬਾਣੀ
ਟੈਕਨਾਲੋਜੀ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਇਸ ਵਿਚਾਰ ਨੂੰ ਤਿਆਗਣਾ ਪਵੇਗਾ ਕਿ ਇਹ ਸਿਸਟਮ ਸੋਚ ਰਹੇ ਹਨ। ਉਹ ਨਹੀਂ ਸੋਚ ਰਹੇ। ਉਹ ਵਿਸ਼ਾਲ ਅੰਕੜਾਤਮਕ ਇੰਜਣ ਹਨ ਜੋ ਇੱਕ ਕ੍ਰਮ ਦੇ ਅਗਲੇ ਹਿੱਸੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਪ੍ਰੋਂਪਟ ਟਾਈਪ ਕਰਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਨੂੰ ਦੇਖਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਤੁਹਾਡੇ ਇਨਪੁਟ ਤੋਂ ਬਾਅਦ ਕਿਹੜਾ ਸ਼ਬਦ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਹੈ। ਇਹ ਪਿਛਲੇ ਸਮੇਂ ਦੀ ਲਾਜਿਕ-ਅਧਾਰਿਤ ਪ੍ਰੋਗਰਾਮਿੰਗ ਤੋਂ ਇੱਕ ਵੱਖਰਾ ਰਾਹ ਹੈ। ਪਿਛਲੇ ਦਹਾਕਿਆਂ ਵਿੱਚ, ਸਾਫਟਵੇਅਰ ਸਖਤ if-then ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਸਨ। ਜੇਕਰ ਕੋਈ ਉਪਭੋਗਤਾ ਬਟਨ ‘ਤੇ ਕਲਿੱਕ ਕਰਦਾ, ਤਾਂ ਸਾਫਟਵੇਅਰ ਇੱਕ ਖਾਸ ਕਾਰਵਾਈ ਕਰਦਾ ਸੀ। ਅੱਜ, ਆਉਟਪੁੱਟ ਸੰਭਾਵੀ (probabilistic) ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕੋ ਇਨਪੁਟ ਮਾਡਲ ਦੀਆਂ ਸੈਟਿੰਗਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਬਦਲਾਅ ਨੇ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦਾ ਸਾਫਟਵੇਅਰ ਬਣਾਇਆ ਹੈ ਜੋ ਲਚਕਦਾਰ ਤਾਂ ਹੈ ਪਰ ਉਹਨਾਂ ਗਲਤੀਆਂ ਦਾ ਸ਼ਿਕਾਰ ਵੀ ਹੈ ਜੋ ਇੱਕ ਰਵਾਇਤੀ ਕੈਲਕੁਲੇਟਰ ਕਦੇ ਨਹੀਂ ਕਰੇਗਾ।
ਇਸ ਟ੍ਰੇਨਿੰਗ ਦਾ ਪੈਮਾਨਾ ਹੀ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਨਤੀਜਿਆਂ ਨੂੰ ਇੰਟੈਲੀਜੈਂਸ ਵਰਗਾ ਬਣਾਉਂਦਾ ਹੈ। ਕੰਪਨੀਆਂ ਨੇ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਫੀਡ ਕਰਨ ਲਈ ਲਗਭਗ ਪੂਰੇ ਪਬਲਿਕ ਇੰਟਰਨੈਟ ਨੂੰ ਸਕ੍ਰੈਪ ਕੀਤਾ ਹੈ। ਇਸ ਵਿੱਚ ਕਿਤਾਬਾਂ, ਲੇਖ, ਕੋਡ ਰਿਪੋਜ਼ਟਰੀਆਂ ਅਤੇ ਫੋਰਮ ਪੋਸਟਾਂ ਸ਼ਾਮਲ ਹਨ। ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਮਾਡਲ ਸ਼ਬਦਾਂ ਦੇ ਅਰਥਾਂ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਮਨੁੱਖੀ ਸੋਚ ਦੀ ਬਣਤਰ ਨੂੰ ਸਿੱਖ ਲੈਂਦੇ ਹਨ। ਸਮਝ ਦੀ ਇਸ ਘਾਟ ਕਾਰਨ ਹੀ ਇੱਕ ਮਾਡਲ ਇੱਕ ਸੰਪੂਰਨ ਕਾਨੂੰਨੀ ਬ੍ਰੀਫ ਲਿਖ ਸਕਦਾ ਹੈ ਪਰ ਇੱਕ ਸਧਾਰਨ ਗਣਿਤ ਦੀ ਸਮੱਸਿਆ ਵਿੱਚ ਫੇਲ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਗਣਨਾ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਲੋਕਾਂ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਨਕਲ ਕਰ ਰਿਹਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਪਹਿਲਾਂ ਗਣਿਤ ਕੀਤਾ ਹੈ। ਇਸ ਅੰਤਰ ਨੂੰ ਸਮਝਣਾ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਇਹਨਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਪੇਸ਼ੇਵਰ ਸਮਰੱਥਾ ਵਿੱਚ ਕਰ ਰਿਹਾ ਹੈ। ਇਹ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ ਕਿ ਸਿਸਟਮ ਇੰਨੇ ਭਰੋਸੇਮੰਦ ਕਿਉਂ ਹੁੰਦੇ ਹਨ ਭਾਵੇਂ ਉਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਹੋਣ।
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।
ਸਿਲੀਕਾਨ ਲਈ ਗਲੋਬਲ ਦੌੜ
ਇਸ ਤਕਨੀਕੀ ਬਦਲਾਅ ਦਾ ਪ੍ਰਭਾਵ ਸਾਫਟਵੇਅਰ ਤੋਂ ਕਿਤੇ ਅੱਗੇ ਤੱਕ ਫੈਲਿਆ ਹੋਇਆ ਹੈ। ਇਸਨੇ ਹਾਰਡਵੇਅਰ ਲਈ ਇੱਕ ਵਿਸ਼ਾਲ ਭੂ-ਰਾਜਨੀਤਿਕ ਖਿੱਚੋਤਾਣ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ ਹੈ। ਖਾਸ ਤੌਰ ‘ਤੇ, ਦੁਨੀਆ ਹੁਣ ਹਾਈ-ਐਂਡ ਗ੍ਰਾਫਿਕਸ ਪ੍ਰੋਸੈਸਿੰਗ ਯੂਨਿਟਾਂ ਜਾਂ GPUs ‘ਤੇ ਨਿਰਭਰ ਹੈ। ਇਹ ਚਿਪਸ ਅਸਲ ਵਿੱਚ ਵੀਡੀਓ ਗੇਮਾਂ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ, ਪਰ ਇੱਕੋ ਸਮੇਂ ਬਹੁਤ ਸਾਰੀਆਂ ਛੋਟੀਆਂ ਗਣਨਾਵਾਂ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਉਹਨਾਂ ਨੂੰ AI ਲਈ ਸੰਪੂਰਨ ਬਣਾਉਂਦੀ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਕੰਪਨੀ, NVIDIA, ਹੁਣ ਗਲੋਬਲ ਆਰਥਿਕਤਾ ਵਿੱਚ ਇੱਕ ਕੇਂਦਰੀ ਭੂਮਿਕਾ ਰੱਖਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਉਹ ਚਿਪਸ ਤਿਆਰ ਕਰਦੀ ਹੈ ਜੋ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਹਨ। ਦੇਸ਼ ਹੁਣ ਇਹਨਾਂ ਚਿਪਸ ਨੂੰ ਤੇਲ ਜਾਂ ਸੋਨੇ ਵਾਂਗ ਸਮਝ ਰਹੇ ਹਨ। ਇਹ ਰਣਨੀਤਕ ਸੰਪਤੀਆਂ ਹਨ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਕਿਹੜੇ ਦੇਸ਼ ਆਰਥਿਕ ਵਿਕਾਸ ਦੇ ਅਗਲੇ ਦਹਾਕੇ ਵਿੱਚ ਅਗਵਾਈ ਕਰਨਗੇ।
ਇਸ ਨਿਰਭਰਤਾ ਨੇ ਉਹਨਾਂ ਲੋਕਾਂ ਵਿਚਕਾਰ ਇੱਕ ਪਾੜਾ ਪੈਦਾ ਕਰ ਦਿੱਤਾ ਹੈ ਜੋ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟ ਪਾਵਰ ਖਰੀਦ ਸਕਦੇ ਹਨ ਅਤੇ ਜੋ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇੱਕ ਟੌਪ-ਟੀਅਰ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਵਿੱਚ ਹੁਣ ਬਿਜਲੀ ਅਤੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਕਰੋੜਾਂ ਡਾਲਰ ਖਰਚ ਹੁੰਦੇ ਹਨ। ਦਾਖਲੇ ਲਈ ਇਹ ਉੱਚ ਰੁਕਾਵਟ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸੰਯੁਕਤ ਰਾਜ ਅਤੇ ਚੀਨ ਵਿੱਚ ਕੁਝ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਕੋਲ ਜ਼ਿਆਦਾਤਰ ਸ਼ਕਤੀ ਹੈ। ਪ੍ਰਭਾਵ ਦਾ ਇਹ ਕੇਂਦਰੀਕਰਨ ਦੁਨੀਆ ਭਰ ਦੇ ਰੈਗੂਲੇਟਰਾਂ ਲਈ ਇੱਕ ਵੱਡੀ ਚਿੰਤਾ ਹੈ। ਇਹ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤੋਂ ਲੈ ਕੇ ਇੱਕ ਸਟਾਰਟਅਪ ਨੂੰ ਬੁਨਿਆਦੀ ਟੂਲਾਂ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ ਕਿੰਨਾ ਭੁਗਤਾਨ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਤੱਕ ਸਭ ਕੁਝ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਉਦਯੋਗ ਦਾ ਆਰਥਿਕ ਗੁਰੂਤਾਕਰਸ਼ਣ ਡੇਟਾ ਸੈਂਟਰਾਂ ਦੇ ਮਾਲਕਾਂ ਵੱਲ ਤਬਦੀਲ ਹੋ ਗਿਆ ਹੈ। ਇਹ ਸ਼ੁਰੂਆਤੀ ਇੰਟਰਨੈਟ ਯੁੱਗ ਤੋਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਬਦਲਾਅ ਹੈ ਜਿੱਥੇ ਇੱਕ ਛੋਟੀ ਟੀਮ ਘੱਟ ਬਜਟ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਵ-ਪੱਧਰੀ ਉਤਪਾਦ ਬਣਾ ਸਕਦੀ ਸੀ। 2026 ਵਿੱਚ, ਦਾਖਲੇ ਦੀ ਕੀਮਤ ਪਹਿਲਾਂ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਹੈ।
ਜਦੋਂ ਐਬਸਟਰੈਕਟ ਦੁਪਹਿਰ ਦਾ ਕੰਮ ਬਣ ਜਾਂਦਾ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਲੋਕਾਂ ਲਈ, ਇਸ ਤਕਨਾਲੋਜੀ ਦਾ ਇਤਿਹਾਸ ਇਸਦੀ ਰੋਜ਼ਾਨਾ ਉਪਯੋਗਤਾ ਨਾਲੋਂ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਮੈਨੇਜਰ ਬਾਰੇ ਸੋਚੋ। ਕੁਝ ਸਾਲ ਪਹਿਲਾਂ, ਉਸਦਾ ਦਿਨ ਹੱਥੀਂ ਖੋਜ ਅਤੇ ਡਰਾਫਟਿੰਗ ਦੇ ਘੰਟਿਆਂ ਵਿੱਚ ਬੀਤਦਾ ਸੀ। ਉਹ ਰੁਝਾਨਾਂ ਦੀ ਖੋਜ ਕਰਦੀ, ਦਰਜਨਾਂ ਲੇਖ ਪੜ੍ਹਦੀ, ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਰਿਪੋਰਟ ਵਿੱਚ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕਰਦੀ। ਅੱਜ, ਉਸਦਾ ਵਰਕਫਲੋ ਵੱਖਰਾ ਹੈ। ਉਹ ਚੋਟੀ ਦੇ ਰੁਝਾਨਾਂ ਦਾ ਸਾਰ ਦੇਣ ਅਤੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਉਹ ਹੁਣ ਲੇਖਕ ਨਹੀਂ ਹੈ। ਉਹ ਮਸ਼ੀਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਸਮੱਗਰੀ ਦੀ ਸੰਪਾਦਕ ਹੈ। ਇਹ ਬਦਲਾਅ ਹਰ ਉਸ ਉਦਯੋਗ ਵਿੱਚ ਹੋ ਰਿਹਾ ਹੈ ਜਿਸ ਵਿੱਚ ਕੀਬੋਰਡ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਸਿਰਫ ਗਤੀ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਖਾਲੀ ਪੰਨੇ ਨੂੰ ਹਟਾਉਣ ਬਾਰੇ ਹੈ। ਮਸ਼ੀਨ ਪਹਿਲਾ ਡਰਾਫਟ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਅਤੇ ਮਨੁੱਖ ਦਿਸ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਇਸ ਬਦਲਾਅ ਦੇ ਨੌਕਰੀ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਹੁਨਰ ਵਿਕਾਸ ਲਈ ਵਿਹਾਰਕ ਦਾਅ ਹਨ। ਜੇਕਰ ਇੱਕ ਜੂਨੀਅਰ ਐਨਾਲਿਸਟ ਹੁਣ ਇਹਨਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿੰਨ ਲੋਕਾਂ ਦਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਐਂਟਰੀ-ਲੈਵਲ ਨੌਕਰੀ ਦੇ ਬਾਜ਼ਾਰ ਦਾ ਕੀ ਹੋਵੇਗਾ? ਅਸੀਂ ਇੱਕ “ਸੁਪਰ-ਯੂਜ਼ਰ” ਮਾਡਲ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਇੱਕ ਵਿਅਕਤੀ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਈ AI ਏਜੰਟਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ। ਇਹ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਜਿੱਥੇ GitHub Copilot ਵਰਗੇ ਟੂਲ ਕੋਡ ਦੇ ਪੂਰੇ ਬਲਾਕਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਡਿਵੈਲਪਰ ਟਾਈਪ ਕਰਨ ਵਿੱਚ ਘੱਟ ਸਮਾਂ ਅਤੇ ਆਡਿਟ ਕਰਨ ਵਿੱਚ ਜ਼ਿਆਦਾ ਸਮਾਂ ਬਿਤਾਉਂਦਾ ਹੈ। ਇਹ ਨਵੀਂ ਹਕੀਕਤ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਸੈੱਟ ਦੀ ਮੰਗ ਕਰਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਹੁਣ ਹਰ ਸਿੰਟੈਕਸ ਨਿਯਮ ਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਸਹੀ ਸਵਾਲ ਕਿਵੇਂ ਪੁੱਛਣੇ ਹਨ ਅਤੇ ਸੰਪੂਰਨ-ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਟੈਕਸਟ ਦੇ ਸਮੁੰਦਰ ਵਿੱਚ ਇੱਕ ਸੂਖਮ ਗਲਤੀ ਨੂੰ ਕਿਵੇਂ ਲੱਭਣਾ ਹੈ। 2026 ਵਿੱਚ ਇੱਕ ਪੇਸ਼ੇਵਰ ਦਾ ਦਿਨ ਹੁਣ ਪ੍ਰੋਂਪਟਿੰਗ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਦਾ ਇੱਕ ਨਿਰੰਤਰ ਚੱਕਰ ਹੈ। ਅਭਿਆਸ ਵਿੱਚ ਇਹ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ:
- ਸਾਫਟਵੇਅਰ ਡਿਵੈਲਪਰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਯੂਨਿਟ ਟੈਸਟ ਅਤੇ ਬਾਇਲਰਪਲੇਟ ਕੋਡ ਲਿਖਣ ਲਈ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
- ਕਾਨੂੰਨੀ ਸਹਾਇਕ ਖਾਸ ਕੀਵਰਡਸ ਲਈ ਖੋਜ ਦੇ ਹਜ਼ਾਰਾਂ ਪੰਨਿਆਂ ਨੂੰ ਸਕੈਨ ਕਰਨ ਲਈ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
- ਮੈਡੀਕਲ ਖੋਜਕਰਤਾ ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਕਿ ਵੱਖ-ਵੱਖ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਕਿਵੇਂ ਇੰਟਰੈਕਟ ਕਰ ਸਕਦੀਆਂ ਹਨ।
- ਗਾਹਕ ਸੇਵਾ ਟੀਮਾਂ ਮਨੁੱਖੀ ਦਖਲ ਤੋਂ ਬਿਨਾਂ ਰੁਟੀਨ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ।
ਬਲੈਕ ਬਾਕਸ ਦੀਆਂ ਚੁੱਪ ਲਾਗਤਾਂ
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ‘ਤੇ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹੁੰਦੇ ਹਾਂ, ਸਾਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਪਹਿਲਾ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਹੈ। ਇੱਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਲਈ ਇੱਕ ਸਿੰਗਲ ਸਵਾਲ ਨੂੰ ਇੱਕ ਮਿਆਰੀ ਗੂਗਲ ਖੋਜ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਬਿਜਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਲੱਖਾਂ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਕਾਫ਼ੀ ਵੱਡਾ ਹੋ ਜਾਂਦਾ ਹੈ। ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਦਾ ਮੁੱਦਾ ਵੀ ਹੈ। ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਉਹਨਾਂ ਸਰਵਰਾਂ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਪਾਣੀ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ। ਕੀ ਅਸੀਂ ਤੇਜ਼ੀ ਨਾਲ ਈਮੇਲ ਡਰਾਫਟ ਕਰਨ ਲਈ ਸਥਾਨਕ ਪਾਣੀ ਦੀ ਸੁਰੱਖਿਆ ਦਾ ਵਪਾਰ ਕਰਨ ਲਈ ਤਿਆਰ ਹਾਂ? ਇਹ ਇੱਕ ਅਜਿਹਾ ਸਵਾਲ ਹੈ ਜੋ ਡੇਟਾ ਸੈਂਟਰਾਂ ਦੇ ਨੇੜੇ ਬਹੁਤ ਸਾਰੇ ਭਾਈਚਾਰੇ ਪੁੱਛਣ ਲੱਗੇ ਹਨ। ਸਾਨੂੰ ਡੇਟਾ ਨੂੰ ਖੁਦ ਵੀ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਜਣਹਾਰਾਂ ਦੀ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਕਾਪੀਰਾਈਟ ਸਮੱਗਰੀ ‘ਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਨਾਲ ਕਲਾਕਾਰਾਂ ਅਤੇ ਲੇਖਕਾਂ ਵੱਲੋਂ ਮੁਕੱਦਮਿਆਂ ਦੀ ਇੱਕ ਲਹਿਰ ਚੱਲੀ ਹੈ ਜੋ ਦਲੀਲ ਦਿੰਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦਾ ਕੰਮ ਇੱਕ ਅਜਿਹਾ ਉਤਪਾਦ ਬਣਾਉਣ ਲਈ ਚੋਰੀ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਅੰਤ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਜਗ੍ਹਾ ਲੈ ਸਕਦਾ ਹੈ।
ਫਿਰ ਬਲੈਕ ਬਾਕਸ ਦੀ ਸਮੱਸਿਆ ਹੈ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਹ ਇੰਜੀਨੀਅਰ ਜੋ ਇਹ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਨ, ਉਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਸਮਝਦੇ ਕਿ ਉਹ ਕੁਝ ਫੈਸਲੇ ਕਿਉਂ ਲੈਂਦੇ ਹਨ। ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਘਾਟ ਖਤਰਨਾਕ ਹੈ ਜਦੋਂ AI ਦੀ ਵਰਤੋਂ ਭਰਤੀ ਜਾਂ ਕਰਜ਼ੇ ਦੀ ਮਨਜ਼ੂਰੀ ਵਰਗੇ ਸੰਵੇਦਨਸ਼ੀਲ ਕੰਮਾਂ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਮਾਡਲ ਕਿਸੇ ਖਾਸ ਸਮੂਹ ਦੇ ਵਿਰੁੱਧ ਪੱਖਪਾਤ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਮੂਲ ਕਾਰਨ ਨੂੰ ਲੱਭਣਾ ਅਤੇ ਠੀਕ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸਮਾਜਿਕ ਫੈਸਲਿਆਂ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਸਿਸਟਮ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਆਪਣੇ ਖੁਦ ਦੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਅਸੀਂ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਜਵਾਬਦੇਹ ਕਿਵੇਂ ਬਣਾਈਏ? ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾਈਏ ਕਿ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡੇਟਾ ਪੁਰਾਣੇ ਪੱਖਪਾਤਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ? ਇਹ ਸਿਧਾਂਤਕ ਸਮੱਸਿਆਵਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਸਰਗਰਮ ਮੁੱਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨਵੀਨਤਮ AI ਵਿਕਾਸ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਦੀ ਸਫਲਤਾ ਨਾਲ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ।
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।
ਲੇਟੈਂਸੀ ਅਤੇ ਟੋਕਨ ਇਕਾਨਮੀ
ਜਿਹੜੇ ਲੋਕ ਇਹਨਾਂ ਟੂਲਾਂ ਨੂੰ ਪੇਸ਼ੇਵਰ ਵਰਕਫਲੋ ਵਿੱਚ ਜੋੜਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਉਹਨਾਂ ਲਈ ਤਕਨੀਕੀ ਵੇਰਵੇ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨਾਲ ਜ਼ਿਆਦਾਤਰ ਗੱਲਬਾਤ ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਇੰਟਰਫੇਸ ਜਾਂ API ਰਾਹੀਂ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਹੀ ਤੁਸੀਂ ਟੋਕਨਾਂ ਦੀ ਧਾਰਨਾ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ। ਇੱਕ ਟੋਕਨ ਲਗਭਗ ਚਾਰ ਅੱਖਰਾਂ ਦਾ ਅੰਗਰੇਜ਼ੀ ਟੈਕਸਟ ਹੁੰਦਾ ਹੈ। ਮਾਡਲ ਸ਼ਬਦ ਨਹੀਂ ਪੜ੍ਹਦੇ। ਉਹ ਟੋਕਨ ਪੜ੍ਹਦੇ ਹਨ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਦਾਤਾ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਗਏ ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਆਧਾਰ ‘ਤੇ ਚਾਰਜ ਕਰਦੇ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਕੋਈ ਅਜਿਹਾ ਟੂਲ ਬਣਾ ਰਹੇ ਹੋ ਜੋ ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਡੀ ਲਾਗਤ ਤੇਜ਼ੀ ਨਾਲ ਵੱਧ ਸਕਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਸੰਦਰਭ ਵਿੰਡੋ (context window) ਦਾ ਪ੍ਰਬੰਧਨ ਵੀ ਕਰਨਾ ਪਵੇਗਾ। ਇਹ ਜਾਣਕਾਰੀ ਦੀ ਉਹ ਮਾਤਰਾ ਹੈ ਜੋ ਮਾਡਲ ਇੱਕ ਸਮੇਂ ਵਿੱਚ “ਯਾਦ” ਰੱਖ ਸਕਦਾ ਹੈ। ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਵਿੱਚ ਛੋਟੀਆਂ ਵਿੰਡੋਜ਼ ਸਨ, ਪਰ ਨਵੇਂ ਸੰਸਕਰਣ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਪੂਰੀਆਂ ਕਿਤਾਬਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਵੱਡੀਆਂ ਵਿੰਡੋਜ਼ ਅਕਸਰ ਉੱਚ ਲੇਟੈਂਸੀ ਅਤੇ ਮਾਡਲ ਦੇ ਟੈਕਸਟ ਦੇ ਵਿਚਕਾਰ ਖਾਸ ਵੇਰਵਿਆਂ ਦਾ ਟਰੈਕ ਗੁਆਉਣ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ।
ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਖੇਤਰ ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਉੱਦਮ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਤੀਜੀ-ਧਿਰ ਦੇ ਸਰਵਰ ‘ਤੇ ਭੇਜਣ ਤੋਂ ਝਿਜਕਦੇ ਹਨ। ਇਸ ਨਾਲ Llama 3 ਵਰਗੇ ਸਥਾਨਕ ਮਾਡਲਾਂ ਦਾ ਉਭਾਰ ਹੋਇਆ ਹੈ ਜੋ ਅੰਦਰੂਨੀ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲ ਸਕਦੇ ਹਨ। ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਚਲਾਉਣ ਲਈ ਤੁਹਾਡੇ GPU ‘ਤੇ ਮਹੱਤਵਪੂਰਨ VRAM ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਨੂੰ ਆਮ ਤੌਰ ‘ਤੇ ਵਰਤੋਂ ਯੋਗ ਗਤੀ ‘ਤੇ ਚਲਾਉਣ ਲਈ ਦੋ ਹਾਈ-ਐਂਡ ਕਾਰਡਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਹੀ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ (quantization) ਕੰਮ ਆਉਂਦੀ ਹੈ। ਇਹ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਗਣਨਾਵਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨੰਬਰਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾ ਕੇ ਮਾਡਲ ਦੇ ਆਕਾਰ ਨੂੰ ਸੁੰਗੜਦੀ ਹੈ। ਇਹ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਨੂੰ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਾਮੂਲੀ ਗਿਰਾਵਟ ਦੇ ਨਾਲ ਖਪਤਕਾਰ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਇਹਨਾਂ ਕਾਰਕਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:
- API ਲਾਗਤਾਂ ਬਨਾਮ ਮਾਡਲਾਂ ਨੂੰ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਚਲਾਉਣ ਦਾ ਹਾਰਡਵੇਅਰ ਖਰਚਾ।
- ਛੋਟੇ ਮਾਡਲ ਦੀ ਗਤੀ ਬਨਾਮ ਵੱਡੇ ਮਾਡਲ ਦੀ ਤਰਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
- ਡੇਟਾ ਨੂੰ ਆਨ-ਪ੍ਰੀਮਿਸ ਰੱਖਣ ਦੀ ਸੁਰੱਖਿਆ ਬਨਾਮ ਕਲਾਉਡ ਦੀ ਸਹੂਲਤ।
- ਪੀਕ ਵਰਤੋਂ ਦੇ ਘੰਟਿਆਂ ਦੌਰਾਨ ਪਬਲਿਕ APIs ‘ਤੇ ਰੇਟ-ਥ੍ਰੋਟਲਿੰਗ ਦੀਆਂ ਸੀਮਾਵਾਂ।
ਅੱਗੇ ਦਾ ਰਾਹ
AI ਬੂਮ ਦਾ ਇਤਿਹਾਸ ਇੱਕ ਚੰਗੇ ਵਿਚਾਰ ਨੂੰ ਸਕੇਲ ਕਰਨ ਦੀ ਕਹਾਣੀ ਹੈ। Transformer ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਲੈ ਕੇ ਅਤੇ ਇਸ ‘ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਅਤੇ ਕੰਪਿਊਟ ਸੁੱਟ ਕੇ, ਅਸੀਂ ਕੁਝ ਅਜਿਹਾ ਬਣਾਇਆ ਹੈ ਜੋ ਕੰਪਿਊਟਿੰਗ ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ। ਪਰ ਅਸੀਂ ਅਜੇ ਵੀ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ ਹਾਂ। ਅੱਜ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਜੋ ਉਲਝਣ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ, ਉਹ ਤਕਨਾਲੋਜੀ ਜੋ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਅਸੀਂ ਜੋ ਉਮੀਦ ਕਰਦੇ ਹਾਂ, ਉਸ ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਤੋਂ ਆਉਂਦੀ ਹੈ। ਇਹ ਵਧਾਉਣ (augmentation) ਲਈ ਇੱਕ ਟੂਲ ਹੈ, ਨਾ ਕਿ ਮਨੁੱਖੀ ਨਿਰਣੇ ਦਾ ਬਦਲ। ਆਉਣ ਵਾਲੇ ਸਾਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਸਫਲ ਲੋਕ ਉਹ ਹੋਣਗੇ ਜੋ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਦੀ ਅੰਕੜਾਤਮਕ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਸਮਝਦੇ ਹਨ। ਉਹ ਜਾਣਨਗੇ ਕਿ ਮਸ਼ੀਨ ‘ਤੇ ਕਦੋਂ ਭਰੋਸਾ ਕਰਨਾ ਹੈ ਅਤੇ ਕਦੋਂ ਇਸਦੇ ਕੰਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ AI ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਯੋਗਤਾ ਉਨੀ ਹੀ ਬੁਨਿਆਦੀ ਹੋਵੇਗੀ ਜਿੰਨੀ ਕਿ ਵਰਡ ਪ੍ਰੋਸੈਸਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਯੋਗਤਾ।
หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว
ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।
