ਐਕਸਪਰਟ ਸਿਸਟਮ ਤੋਂ ChatGPT ਤੱਕ: 2026 ਤੱਕ ਦਾ ਤੇਜ਼ ਸਫ਼ਰ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਸਫ਼ਰ ਅਕਸਰ ਇੱਕ ਅਚਾਨਕ ਧਮਾਕੇ ਵਾਂਗ ਲੱਗਦਾ ਹੈ, ਪਰ 2026 ਤੱਕ ਪਹੁੰਚਣ ਦਾ ਰਾਹ ਦਹਾਕਿਆਂ ਪਹਿਲਾਂ ਹੀ ਤਿਆਰ ਹੋ ਗਿਆ ਸੀ। ਅਸੀਂ ਹੁਣ ਸਟੈਟਿਕ ਸਾਫਟਵੇਅਰ ਦੇ ਦੌਰ ਤੋਂ ਬਾਹਰ ਨਿਕਲ ਕੇ ਇੱਕ ਅਜਿਹੇ ਸਮੇਂ ਵਿੱਚ ਆ ਗਏ ਹਾਂ ਜਿੱਥੇ ਸੰਭਾਵਨਾਵਾਂ ਸਾਡੇ ਡਿਜੀਟਲ ਤਜ਼ਰਬਿਆਂ ਨੂੰ ਤੈਅ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਕੰਪਿਊਟਰਾਂ ਦੇ ਇਨਸਾਨੀ ਇਰਾਦੇ ਨੂੰ ਸਮਝਣ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਹੈ। ਪੁਰਾਣੇ ਸਿਸਟਮ ਹਰ ਨਿਯਮ ਨੂੰ ਹੱਥੀਂ ਕੋਡ ਕਰਨ ਲਈ ਮਾਹਿਰਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਸਨ, ਜੋ ਕਿ ਬਹੁਤ ਹੌਲੀ ਅਤੇ ਨਾਜ਼ੁਕ ਪ੍ਰਕਿਰਿਆ ਸੀ। ਅੱਜ, ਅਸੀਂ large language models ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਅਜਿਹੀ ਲਚਕਤਾ ਮਿਲਦੀ ਹੈ ਜੋ ਪਹਿਲਾਂ ਅਸੰਭਵ ਸੀ। ਇਹ ਤਬਦੀਲੀ ਸਿਰਫ਼ ਸਮਾਰਟ ਚੈਟਬੋਟਸ ਬਾਰੇ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਹ ਗਲੋਬਲ ਪ੍ਰੋਡਕਟਿਵਿਟੀ ਸਟੈਕ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲਣ ਬਾਰੇ ਹੈ। ਅਗਲੇ ਦੋ ਸਾਲਾਂ ਵਿੱਚ, ਸਾਡਾ ਧਿਆਨ ਸਧਾਰਨ ਟੈਕਸਟ ਜਨਰੇਸ਼ਨ ਤੋਂ ਹਟ ਕੇ ਗੁੰਝਲਦਾਰ **agentic workflows** ਵੱਲ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਸਿਸਟਮ ਸਿਰਫ਼ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਹੀ ਨਹੀਂ ਦੇਣਗੇ, ਸਗੋਂ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਮਲਟੀ-ਸਟੈਪ ਕੰਮ ਵੀ ਕਰਨਗੇ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਉਹ ਜਿੱਤਣਗੇ ਜਿਨ੍ਹਾਂ ਕੋਲ ਵਧੀਆ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਅਤੇ ਯੂਜ਼ਰ ਦਾ ਭਰੋਸਾ ਹੋਵੇਗਾ। ਇਸ ਵਿਕਾਸ ਨੂੰ ਸਮਝਣਾ ਹਰ ਉਸ ਵਿਅਕਤੀ ਲਈ ਜ਼ਰੂਰੀ ਹੈ ਜੋ ਤਕਨੀਕੀ ਦੁਨੀਆ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਅਗਲੇ ਵੱਡੇ ਬਦਲਾਅ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ।
ਮਸ਼ੀਨ ਲਾਜਿਕ ਦਾ ਲੰਬਾ ਸਫ਼ਰ
ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਅਸੀਂ ਕਿੱਥੇ ਜਾ ਰਹੇ ਹਾਂ, ਸਾਨੂੰ ਐਕਸਪਰਟ ਸਿਸਟਮ ਤੋਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੱਕ ਦੇ ਸਫ਼ਰ ਨੂੰ ਦੇਖਣਾ ਹੋਵੇਗਾ। 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ, AI ਦਾ ਮਤਲਬ ਸੀ “ਐਕਸਪਰਟ ਸਿਸਟਮ”। ਇਹ “if-then” ਸਟੇਟਮੈਂਟਾਂ ਦੇ ਵਿਸ਼ਾਲ ਡੇਟਾਬੇਸ ਸਨ। ਜੇ ਮਰੀਜ਼ ਨੂੰ ਬੁਖਾਰ ਅਤੇ ਖੰਘ ਹੈ, ਤਾਂ ਕਿਸੇ ਖਾਸ ਇਨਫੈਕਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰੋ। ਹਾਲਾਂਕਿ ਇਹ ਤਰਕਪੂਰਨ ਸਨ, ਪਰ ਇਹ ਸਿਸਟਮ ਨਿਯਮਾਂ ਤੋਂ ਬਾਹਰ ਦੀ ਚੀਜ਼ ਨੂੰ ਨਹੀਂ ਸਮਝ ਸਕਦੇ ਸਨ। ਜੇ ਦੁਨੀਆ ਬਦਲਦੀ, ਤਾਂ ਕੋਡ ਨੂੰ ਹੱਥੀਂ ਦੁਬਾਰਾ ਲਿਖਣਾ ਪੈਂਦਾ ਸੀ। ਇਸ ਨਾਲ ਤਕਨਾਲੋਜੀ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਖੜੋਤ ਆ ਗਈ। ਉਸ ਦੌਰ ਦਾ ਤਰਕ ਅੱਜ ਵੀ ਕੰਪਿਊਟਰ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਬਾਰੇ ਸਾਡੀ ਸੋਚ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਅਸੀਂ ਹੁਣ ਵਧੇਰੇ ਲਚਕਦਾਰ ਮਾਡਲਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ।
ਆਧੁਨਿਕ ਦੌਰ ਨੂੰ ਟ੍ਰਾਂਸਫਾਰਮਰ ਆਰਕੀਟੈਕਚਰ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ 2017 ਦੇ ਇੱਕ ਰਿਸਰਚ ਪੇਪਰ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਨੇ ਕੰਪਿਊਟਰ ਨੂੰ ਨਿਯਮ ਸਿਖਾਉਣ ਦੀ ਬਜਾਏ, ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸਿਖਾਇਆ। ਕੁਰਸੀ ਕੀ ਹੈ ਇਹ ਦੱਸਣ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਲੱਖਾਂ ਤਸਵੀਰਾਂ ਅਤੇ ਵਰਣਨ ਦੇਖਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਉਹ ਕੁਰਸੀ ਦੇ ਅੰਕੜਾਤਮਕ ਤੱਤ ਨੂੰ ਨਹੀਂ ਸਮਝ ਲੈਂਦਾ। ਇਹ ChatGPT ਅਤੇ ਇਸਦੇ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦਾ ਮੂਲ ਹੈ। ਇਹ ਮਾਡਲ ਇਨਸਾਨਾਂ ਵਾਂਗ ਤੱਥਾਂ ਨੂੰ “ਜਾਣਦੇ” ਨਹੀਂ ਹਨ। ਉਹ ਪਿਛਲੇ ਸ਼ਬਦਾਂ ਦੇ ਸੰਦਰਭ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਗਲੇ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਸ਼ਬਦ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਨ। ਇਹ ਫਰਕ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਇੱਕ ਸੁੰਦਰ ਕਵਿਤਾ ਕਿਉਂ ਲਿਖ ਸਕਦਾ ਹੈ ਪਰ ਇੱਕ ਸਧਾਰਨ ਗਣਿਤ ਦੇ ਸਵਾਲ ਵਿੱਚ ਕਿਉਂ ਫੇਲ੍ਹ ਹੋ ਸਕਦਾ ਹੈ। ਮੌਜੂਦਾ ਦੌਰ ਭਾਰੀ ਕੰਪਿਊਟ ਪਾਵਰ ਅਤੇ ਡੇਟਾ ਦਾ ਮੇਲ ਹੈ, ਜੋ ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਇਨਸਾਨੀ ਲੱਗਦਾ ਹੈ ਪਰ ਸ਼ੁੱਧ ਗਣਿਤ ‘ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ।
ਗਲੋਬਲ ਦਬਦਬੇ ਦਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ
ਇਸ ਤਕਨਾਲੋਜੀ ਦਾ ਗਲੋਬਲ ਪ੍ਰਭਾਵ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਇੱਕ ਵਧੀਆ ਮਾਡਲ ਜੋ ਕਿਤੇ ਵੀ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਰਿਹਾ, ਉਸ ਮਾਡਲ ਨਾਲੋਂ ਘੱਟ ਕੀਮਤੀ ਹੈ ਜੋ ਅਰਬਾਂ ਲੋਕਾਂ ਦੇ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ। ਇਸੇ ਲਈ Microsoft ਅਤੇ OpenAI ਦੀ ਭਾਈਵਾਲੀ ਨੇ ਉਦਯੋਗ ਨੂੰ ਇੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਦਿੱਤਾ। AI ਟੂਲਸ ਨੂੰ ਸਿੱਧੇ ਉਸ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਪਾ ਕੇ ਜੋ ਦੁਨੀਆ ਪਹਿਲਾਂ ਹੀ ਵਰਤ ਰਹੀ ਹੈ, ਉਨ੍ਹਾਂ ਨੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਨਵੀਆਂ ਆਦਤਾਂ ਸਿੱਖਣ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਕਰ ਦਿੱਤਾ। ਇਹ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫਾਇਦਾ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ। ਵਧੇਰੇ ਉਪਭੋਗਤਾ ਵਧੇਰੇ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਬਿਹਤਰ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ। 2026 ਦੇ ਅੱਧ ਤੱਕ, ਇੰਟੀਗ੍ਰੇਟਿਡ AI ਵੱਲ ਇਹ ਬਦਲਾਅ ਲਗਭਗ ਸਾਰੇ ਪ੍ਰਮੁੱਖ ਸਾਫਟਵੇਅਰ ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚ ਸਰਵਵਿਆਪੀ ਹੋ ਜਾਵੇਗਾ।
ਇਸ ਦਬਦਬੇ ਦੇ ਗਲੋਬਲ ਲੇਬਰ ਮਾਰਕੀਟ ਲਈ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ ਹਨ। ਅਸੀਂ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿ ਡਿਜੀਟਲ ਕੰਮਾਂ ਦਾ “ਮਿਡਲ-ਮੈਨੇਜਮੈਂਟ” ਆਟੋਮੇਟ ਹੋ ਰਿਹਾ ਹੈ। ਜਿਹੜੇ ਦੇਸ਼ ਆਊਟਸੋਰਸਡ ਤਕਨੀਕੀ ਸਹਾਇਤਾ ਜਾਂ ਬੇਸਿਕ ਕੋਡਿੰਗ ‘ਤੇ ਨਿਰਭਰ ਹਨ, ਉਨ੍ਹਾਂ ਲਈ ਵੈਲਯੂ ਚੇਨ ਵਿੱਚ ਉੱਪਰ ਜਾਣ ਦਾ ਦਬਾਅ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਪਰ ਇਹ ਸਿਰਫ਼ ਨੌਕਰੀਆਂ ਜਾਣ ਦੀ ਕਹਾਣੀ ਨਹੀਂ ਹੈ। ਇਹ ਉੱਚ-ਪੱਧਰੀ ਹੁਨਰਾਂ ਦੇ ਲੋਕਤੰਤਰੀਕਰਨ ਬਾਰੇ ਵੀ ਹੈ। ਕੋਈ ਵੀ ਵਿਅਕਤੀ ਜਿਸ ਕੋਲ Python ਦੀ ਰਸਮੀ ਸਿਖਲਾਈ ਨਹੀਂ ਹੈ, ਉਹ ਹੁਣ ਸਥਾਨਕ ਕਾਰੋਬਾਰੀ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਾਰਜਸ਼ੀਲ ਸਕ੍ਰਿਪਟਾਂ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਇੱਕ ਵਿਆਪਕ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਵਿਕਾਸਸ਼ੀਲ ਅਰਥਵਿਵਸਥਾਵਾਂ ਵਿੱਚ ਛੋਟੇ ਉੱਦਮਾਂ ਲਈ ਖੇਡ ਦੇ ਮੈਦਾਨ ਨੂੰ ਬਰਾਬਰ ਕਰਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਇੱਕ ਸਮਰਪਿਤ ਡੇਟਾ ਸਾਇੰਸ ਟੀਮ ਦਾ ਖਰਚਾ ਨਹੀਂ ਉਠਾ ਸਕਦੇ ਸਨ। ਜਿਓਪੋਲੀਟੀਕਲ ਹਿੱਤ ਵੀ ਵਧ ਰਹੇ ਹਨ ਕਿਉਂਕਿ ਦੇਸ਼ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਹਾਰਡਵੇਅਰ ਲਈ ਮੁਕਾਬਲਾ ਕਰ ਰਹੇ ਹਨ। Stanford HAI ਦੇ ਅਨੁਸਾਰ, ਹਾਈ-ਐਂਡ ਚਿਪਸ ਦਾ ਨਿਯੰਤਰਣ ਊਰਜਾ ਸਰੋਤਾਂ ਦੇ ਨਿਯੰਤਰਣ ਜਿੰਨਾ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੋ ਗਿਆ ਹੈ। ਇਹ ਮੁਕਾਬਲਾ ਅਗਲੇ ਦਹਾਕੇ ਦੀਆਂ ਆਰਥਿਕ ਸੀਮਾਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੇਗਾ।
ਨਵੀਂ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਰਹਿਣਾ
2026 ਵਿੱਚ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਕੋਆਰਡੀਨੇਟਰ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਸਦੀ ਸਵੇਰ ਸੌ ਈਮੇਲਾਂ ਚੈੱਕ ਕਰਨ ਨਾਲ ਸ਼ੁਰੂ ਨਹੀਂ ਹੁੰਦੀ। ਇਸ ਦੀ ਬਜਾਏ, ਇੱਕ AI ਏਜੰਟ ਨੇ ਪਹਿਲਾਂ ਹੀ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਟਾਈਮ ਜ਼ੋਨਾਂ ਤੋਂ ਰਾਤ ਭਰ ਦੇ ਸੰਚਾਰਾਂ ਦਾ ਸਾਰ ਤਿਆਰ ਕਰ ਲਿਆ ਹੈ। ਇਸ ਨੇ ਸਿੰਗਾਪੁਰ ਵਿੱਚ ਸ਼ਿਪਿੰਗ ਵਿੱਚ ਦੇਰੀ ਨੂੰ ਫਲੈਗ ਕੀਤਾ ਹੈ ਅਤੇ ਪਿਛਲੇ ਇਕਰਾਰਨਾਮੇ ਦੀਆਂ ਸ਼ਰਤਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਤਿੰਨ ਸੰਭਾਵਿਤ ਹੱਲ ਤਿਆਰ ਕੀਤੇ ਹਨ। ਉਹ ਆਪਣਾ ਸਮਾਂ ਟਾਈਪ ਕਰਨ ਵਿੱਚ ਨਹੀਂ ਬਿਤਾਉਂਦੀ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਸਿਸਟਮ ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਵਿਕਲਪਾਂ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਵਿੱਚ ਆਪਣਾ ਸਮਾਂ ਬਿਤਾਉਂਦੀ ਹੈ। ਇਹ ਇੱਕ ਸਿਰਜਣਹਾਰ ਤੋਂ ਇੱਕ ਸੰਪਾਦਕ ਬਣਨ ਵੱਲ ਦਾ ਬਦਲਾਅ ਹੈ। ਇਸ ਲਈ ਮੋੜ ਇਹ ਅਹਿਸਾਸ ਸੀ ਕਿ AI ਨੂੰ ਇੱਕ ਡੈਸਟੀਨੇਸ਼ਨ ਵੈੱਬਸਾਈਟ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਬੈਕਗ੍ਰਾਉਂਡ ਸਰਵਿਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਹੁਣ ਰੋਜ਼ਾਨਾ ਦੇ ਕੰਮ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਬੁਣਿਆ ਗਿਆ ਹੈ ਕਿ ਇਸ ਲਈ ਕਿਸੇ ਵੱਖਰੇ ਲੌਗਇਨ ਜਾਂ ਟੈਬ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।
ਰਚਨਾਤਮਕ ਉਦਯੋਗਾਂ ਵਿੱਚ, ਪ੍ਰਭਾਵ ਹੋਰ ਵੀ ਸਪੱਸ਼ਟ ਹੈ। ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਟੀਮ ਹੁਣ ਹਫ਼ਤਿਆਂ ਦੀ ਬਜਾਏ ਘੰਟਿਆਂ ਵਿੱਚ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਵੀਡੀਓ ਮੁਹਿੰਮ ਤਿਆਰ ਕਰ ਸਕਦੀ ਹੈ। ਉਹ ਸਕ੍ਰਿਪਟ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ, ਵੌਇਸਓਵਰ ਲਈ ਦੂਜਾ, ਅਤੇ ਵਿਜ਼ੂਅਲ ਨੂੰ ਐਨੀਮੇਟ ਕਰਨ ਲਈ ਤੀਜੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਅਸਫਲਤਾ ਦੀ ਲਾਗਤ ਲਗਭਗ ਜ਼ੀਰੋ ਹੋ ਗਈ ਹੈ, ਜਿਸ ਨਾਲ ਲਗਾਤਾਰ ਪ੍ਰਯੋਗ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ। ਪਰ ਇਹ ਇੱਕ ਨਵੀਂ ਸਮੱਸਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ: ਸਮੱਗਰੀ ਦੀ ਭਰਮਾਰ। ਜਦੋਂ ਹਰ ਕੋਈ “ਸੰਪੂਰਨ” ਸਮੱਗਰੀ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਉਸ ਸਮੱਗਰੀ ਦੀ ਕੀਮਤ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਅਸਲ-ਸੰਸਾਰ ਦਾ ਪ੍ਰਭਾਵ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਮਨੁੱਖੀ-ਤਸਦੀਕ ਜਾਣਕਾਰੀ ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਹੈ। Nature ਦੀ ਖੋਜ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ ਕਿ ਲੋਕ ਉਨ੍ਹਾਂ ਕਮੀਆਂ ਨੂੰ ਤਰਸਣ ਲੱਗੇ ਹਨ ਜੋ ਇਹ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਕੋਈ ਇਨਸਾਨ ਸ਼ਾਮਲ ਸੀ। ਇਹ “ਮਨੁੱਖੀ ਛੋਹ” ਦੀ ਇੱਛਾ ਇੱਕ ਪ੍ਰੀਮੀਅਮ ਮਾਰਕੀਟ ਹਿੱਸਾ ਬਣ ਜਾਵੇਗੀ।
ਇੱਕ ਆਮ ਉਲਝਣ ਇਹ ਹੈ ਕਿ ਇਹ ਮਾਡਲ “ਸੋਚ” ਜਾਂ “ਤਰਕ” ਕਰ ਰਹੇ ਹਨ। ਅਸਲ ਵਿੱਚ, ਉਹ ਹਾਈ-ਸਪੀਡ ਰੀਟ੍ਰੀਵਲ ਅਤੇ ਸਿੰਥੇਸਿਸ ਕਰ ਰਹੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਉਪਭੋਗਤਾ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਯਾਤਰਾ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਕਹਿੰਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਨਕਸ਼ੇ ਨੂੰ ਨਹੀਂ ਦੇਖ ਰਿਹਾ ਹੁੰਦਾ। ਇਹ ਸਿਰਫ਼ ਪੈਟਰਨਾਂ ਨੂੰ ਯਾਦ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਕਿ ਯਾਤਰਾ ਯੋਜਨਾਵਾਂ ਆਮ ਤੌਰ ‘ਤੇ ਕਿਵੇਂ ਬਣਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਇਹ ਫਰਕ ਉਦੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਚੀਜ਼ਾਂ ਗਲਤ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਜੇ ਮਾਡਲ ਅਜਿਹੀ ਫਲਾਈਟ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਝੂਠ ਨਹੀਂ ਬੋਲ ਰਿਹਾ। ਇਹ ਸਿਰਫ਼ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਸੰਭਾਵਿਤ ਪਰ ਤੱਥਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਗਲਤ ਅੱਖਰਾਂ ਦੀ ਲੜੀ ਪ੍ਰਦਾਨ ਕਰ ਰਿਹਾ ਹੈ। ਜਨਤਕ ਧਾਰਨਾ ਅਤੇ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਇਹ ਅੰਤਰ ਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਜ਼ਿਆਦਾਤਰ ਕਾਰਪੋਰੇਟ ਜੋਖਮ ਰਹਿੰਦੇ ਹਨ। ਜੋ ਕੰਪਨੀਆਂ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ ਕਾਨੂੰਨੀ ਜਾਂ ਮੈਡੀਕਲ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ‘ਤੇ ਭਰੋਸਾ ਕਰਦੀਆਂ ਹਨ, ਉਹ ਦੇਖ ਰਹੀਆਂ ਹਨ ਕਿ “hallucination” ਦੀ ਸਮੱਸਿਆ ਕੋਈ ਅਜਿਹਾ ਬੱਗ ਨਹੀਂ ਹੈ ਜਿਸ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਠੀਕ ਕੀਤਾ ਜਾ ਸਕੇ। ਇਹ ਤਕਨਾਲੋਜੀ ਦੇ ਕੰਮ ਕਰਨ ਦਾ ਇੱਕ ਬੁਨਿਆਦੀ ਹਿੱਸਾ 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।
ਇੱਕ ਸਿੰਥੈਟਿਕ ਭਵਿੱਖ ਲਈ ਸਖ਼ਤ ਸਵਾਲ
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜੋੜਦੇ ਹਾਂ, ਸਾਨੂੰ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ: ਇਸ ਸਹੂਲਤ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਕੀਮਤਾਂ ਕੀ ਹਨ? ਇੱਕ ਵੱਡੇ ਮਾਡਲ ਨੂੰ ਭੇਜੀ ਗਈ ਹਰ ਕੁਐਰੀ ਲਈ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਬਿਜਲੀ ਅਤੇ ਪਾਣੀ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇ ਇੱਕ ਸਧਾਰਨ ਖੋਜ ਕੁਐਰੀ ਹੁਣ ਪੰਜ ਸਾਲ ਪਹਿਲਾਂ ਨਾਲੋਂ ਦਸ ਗੁਣਾ ਜ਼ਿਆਦਾ ਊਰਜਾ ਦੀ ਖਪਤ ਕਰਦੀ ਹੈ, ਤਾਂ ਕੀ ਜਵਾਬ ਵਿੱਚ ਮਾਮੂਲੀ ਸੁਧਾਰ ਵਾਤਾਵਰਣ ਦੇ ਨੁਕਸਾਨ ਦੇ ਬਰਾਬਰ ਹੈ? ਸਾਨੂੰ ਸਿਖਲਾਈ ਲਈ ਵਰਤੇ ਗਏ ਡੇਟਾ ਦੀ ਗੋਪਨੀਯਤਾ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਅੱਜ ਅਸੀਂ ਜੋ ਜ਼ਿਆਦਾਤਰ ਮਾਡਲ ਵਰਤਦੇ ਹਾਂ, ਉਹ ਸਿਰਜਣਹਾਰਾਂ ਦੀ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਓਪਨ ਇੰਟਰਨੈਟ ਨੂੰ ਸਕ੍ਰੈਪ ਕਰਕੇ ਬਣਾਏ ਗਏ ਸਨ। ਕੀ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਦਾ ਜਨਤਕ ਲਾਭ ਉਨ੍ਹਾਂ ਕਲਾਕਾਰਾਂ ਅਤੇ ਲੇਖਕਾਂ ਦੇ ਵਿਅਕਤੀਗਤ ਅਧਿਕਾਰਾਂ ਨਾਲੋਂ ਵੱਡਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੇ ਕੰਮ ਨੇ ਇਸਨੂੰ ਸੰਭਵ ਬਣਾਇਆ?
ਇੱਕ ਹੋਰ ਮੁਸ਼ਕਲ ਸਵਾਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ “ਬਲੈਕ ਬਾਕਸ” ਪ੍ਰਕਿਰਤੀ ਨਾਲ ਜੁੜਿਆ ਹੈ। ਜੇ ਕੋਈ AI ਕਰਜ਼ਾ ਜਾਂ ਡਾਕਟਰੀ ਇਲਾਜ ਤੋਂ ਇਨਕਾਰ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਡਿਵੈਲਪਰ ਖੁਦ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਮਾਡਲ ਉਸ ਨਤੀਜੇ ‘ਤੇ ਕਿਉਂ ਪਹੁੰਚਿਆ, ਤਾਂ ਕੀ ਅਸੀਂ ਕਦੇ ਸਿਸਟਮ ਨੂੰ ਨਿਰਪੱਖ ਕਹਿ ਸਕਦੇ ਹਾਂ? ਅਸੀਂ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹਾਂ। ਕੀ ਇਹ ਉਹ ਵਪਾਰ ਹੈ ਜੋ ਅਸੀਂ ਆਪਣੀ ਕਾਨੂੰਨੀ ਅਤੇ ਨਿਆਂਇਕ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਕਰਨ ਲਈ ਤਿਆਰ ਹਾਂ? ਸਾਨੂੰ ਸ਼ਕਤੀ ਦੇ ਕੇਂਦਰੀਕਰਨ ਨੂੰ ਵੀ ਦੇਖਣਾ ਹੋਵੇਗਾ। ਜੇ ਸਿਰਫ ਕੁਝ ਕੰਪਨੀਆਂ ਹੀ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦੇ ਅਰਬਾਂ ਡਾਲਰ ਖਰਚ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਇੱਕ ਮੁਫਤ ਅਤੇ ਖੁੱਲੇ ਇੰਟਰਨੈਟ ਦੇ ਸੰਕਲਪ ਦਾ ਕੀ ਹੋਵੇਗਾ? ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਵੱਲ ਵਧ ਰਹੇ ਹੋ ਸਕਦੇ ਹਾਂ ਜਿੱਥੇ “ਸੱਚ” ਉਹ ਹੈ ਜੋ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਕਹਿੰਦਾ ਹੈ। ਇਹ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨਹੀਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੋਰ ਕੋਡ ਨਾਲ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਦਾਰਸ਼ਨਿਕ ਅਤੇ ਸਮਾਜਿਕ ਚੁਣੌਤੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਮਨੁੱਖੀ ਦਖਲ ਦੀ ਲੋੜ ਹੈ। ਜਿਵੇਂ ਕਿ MIT Technology Review ਦੁਆਰਾ ਨੋਟ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਸੀਂ ਹੁਣ ਜੋ ਨੀਤੀਗਤ ਫੈਸਲੇ ਲੈਂਦੇ ਹਾਂ ਉਹ ਅਗਲੇ ਪੰਜਾਹ ਸਾਲਾਂ ਦੇ ਸ਼ਕਤੀ ਸੰਤੁਲਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਗੇ।
ਆਧੁਨਿਕ ਸਟੈਕ ਦੇ ਅੰਦਰੂਨੀ ਹਿੱਸੇ
ਪਾਵਰ ਯੂਜ਼ਰ ਲਈ, ਫੋਕਸ ਚੈਟ ਇੰਟਰਫੇਸ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਲੋਕਲ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਅਤੇ API ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਚਲਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਮਾਡਲ ਸਭ ਤੋਂ ਵੱਧ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਪਰ 2026 ਲਈ ਅਸਲ ਕਹਾਣੀ ਲੋਕਲ ਸਟੋਰੇਜ ਅਤੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦਾ ਉਭਾਰ ਹੈ। Ollama ਅਤੇ Llama.cpp ਵਰਗੇ ਟੂਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਛੋਟੇ, ਬਹੁਤ ਸਮਰੱਥ ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਗੋਪਨੀਯਤਾ ਦੇ ਮੁੱਦੇ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ ਅਤੇ ਸਰਵਰ ਤੱਕ ਜਾਣ-ਆਉਣ ਦੀ ਲੇਟੈਂਸੀ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ। ਮਾਰਕੀਟ ਦਾ ਗੀਕ ਸੈਕਸ਼ਨ ਵਰਤਮਾਨ ਵਿੱਚ **quantization** ਨਾਲ ਜਨੂੰਨੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਾਡਲ ਨੂੰ ਛੋਟਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਤਾਂ ਜੋ ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬੁੱਧੀ ਗੁਆਏ ਬਿਨਾਂ ਇੱਕ ਸਟੈਂਡਰਡ ਕੰਜ਼ਿਊਮਰ GPU ‘ਤੇ ਫਿੱਟ ਹੋ ਸਕੇ।
ਵਰਕਫਲੋ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਹੁਣ ਆਧੁਨਿਕ RAG (Retrieval-Augmented Generation) ਪਾਈਪਲਾਈਨਾਂ ਰਾਹੀਂ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। ਆਪਣੇ ਸਾਰੇ ਡੇਟਾ ਨੂੰ ਮਾਡਲ ਨੂੰ ਭੇਜਣ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਆਪਣੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਇੱਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕਰਦੇ ਹੋ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਤੁਹਾਡੇ ਡੇਟਾ ਦੇ ਸੰਬੰਧਿਤ ਹਿੱਸੇ ਲੱਭਦਾ ਹੈ ਅਤੇ ਸਿਰਫ ਉਨ੍ਹਾਂ ਨੂੰ ਸੰਦਰਭ ਵਜੋਂ ਮਾਡਲ ਨੂੰ ਭੇਜਦਾ ਹੈ। ਇਹ ਸਖਤ ਸੰਦਰਭ ਵਿੰਡੋ ਸੀਮਾਵਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ ਜੋ ਅਜੇ ਵੀ ਬਹੁਤ ਸਾਰੇ ਸਿਸਟਮਾਂ ਨੂੰ ਪ੍ਰੇਸ਼ਾਨ ਕਰਦੀਆਂ ਹਨ। API ਸੀਮਾਵਾਂ ਉੱਚ-ਵਾਲੀਅਮ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇੱਕ ਰੁਕਾਵਟ ਬਣੀਆਂ ਹੋਈਆਂ ਹਨ, ਜਿਸ ਕਾਰਨ ਬਹੁਤ ਸਾਰੇ ਡਿਵੈਲਪਰ “ਮਾਡਲ ਰਾਊਟਿੰਗ” ਨੂੰ ਲਾਗੂ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਰਣਨੀਤੀ ਹੈ ਜਿੱਥੇ ਇੱਕ ਸਸਤਾ, ਤੇਜ਼ ਮਾਡਲ ਆਸਾਨ ਸਵਾਲਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਅਤੇ ਸਿਰਫ ਮੁਸ਼ਕਲ ਸਵਾਲ ਮਹਿੰਗੇ, ਹਾਈ-ਐਂਡ ਮਾਡਲਾਂ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਪਹੁੰਚ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਅਤੇ ਲੇਟੈਂਸੀ ਨੂੰ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕਰਦੀ ਹੈ। ਅਸੀਂ “small language models” ਵੱਲ ਵੀ ਇੱਕ ਕਦਮ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਪੂਰੇ ਇੰਟਰਨੈਟ ਦੀ ਬਜਾਏ ਖਾਸ, ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ। ਇਹ ਮਾਡਲ ਅਕਸਰ ਕੋਡਿੰਗ ਜਾਂ ਕਾਨੂੰਨੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਗੇ ਵਿਸ਼ੇਸ਼ ਕੰਮਾਂ ‘ਤੇ ਆਪਣੇ ਵੱਡੇ ਭਰਾਵਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ 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।
ਅਗਲਾ ਦਿਸਹੱਦਾ
2026 ਦਾ ਰਾਹ ਤਰੱਕੀ ਦੀ ਸਿੱਧੀ ਲਾਈਨ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਵਪਾਰ-ਬੰਦ (trade-offs) ਦੀ ਇੱਕ ਲੜੀ ਹੈ। ਅਸੀਂ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੀ ਕੀਮਤ ‘ਤੇ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਗਤੀ ਅਤੇ ਲਚਕਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ। ਤਕਨੀਕੀ ਦਿੱਗਜਾਂ ਦੇ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫਾਇਦੇ ਨੇ AI ਨੂੰ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਦਾ ਇੱਕ ਸਰਵਵਿਆਪੀ ਹਿੱਸਾ ਬਣਾ ਦਿੱਤਾ ਹੈ, ਫਿਰ ਵੀ ਇਹ ਮਾਡਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਇਸਦੀ ਅਸਲ ਹਕੀਕਤ ਆਮ ਲੋਕਾਂ ਦੁਆਰਾ ਅਜੇ ਵੀ ਗਲਤ ਸਮਝੀ ਜਾਂਦੀ ਹੈ। ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, ਫੋਕਸ ਮਾਡਲਾਂ ਨੂੰ ਵੱਡਾ ਬਣਾਉਣ ਤੋਂ ਹਟ ਕੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਅਤੇ ਖੁਦਮੁਖਤਿਆਰ ਬਣਾਉਣ ਵੱਲ ਜਾਵੇਗਾ। ਸਭ ਤੋਂ ਸਫਲ ਵਿਅਕਤੀ ਅਤੇ ਕੰਪਨੀਆਂ ਉਹ ਹੋਣਗੀਆਂ ਜੋ AI ਨੂੰ ਇੱਕ ਸਰਵ-ਜਾਣੂ ਓਰੇਕਲ ਦੀ ਬਜਾਏ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਗਲਤੀ ਕਰਨ ਵਾਲੇ ਸਾਥੀ ਵਜੋਂ ਦੇਖਣਗੀਆਂ। ਸਵਾਲ ਇਹ ਬਣਿਆ ਹੋਇਆ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਬਣਾ ਸਕਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਪੁਰਾਣੇ ਐਕਸਪਰਟ ਸਿਸਟਮਾਂ ਦਾ ਤਰਕ ਅਤੇ ਆਧੁਨਿਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਭਾਸ਼ਾਈ ਤਰਲਤਾ ਹੋਵੇ। ਉਦੋਂ ਤੱਕ, ਲੂਪ ਵਿੱਚ ਮਨੁੱਖ ਸਮੀਕਰਨ ਦਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਬਣਿਆ ਰਹੇਗਾ।
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.
ਕੋਈ ਗਲਤੀ ਮਿਲੀ ਜਾਂ ਕੁਝ ਠੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ? ਸਾਨੂੰ ਦੱਸੋ।
