ਸੰਸਥਾਪਕ, ਆਲੋਚਕ ਅਤੇ ਖੋਜਕਰਤਾ: ਉਹ ਗੱਲਬਾਤ ਜੋ ਪੜ੍ਹਨ ਯੋਗ ਹੈ
ਜ਼ਿਆਦਾਤਰ ਲੋਕ OpenAI ਦੇ CEO ਦਾ ਨਾਮ ਜਾਣਦੇ ਹਨ। ਬਹੁਤ ਘੱਟ ਲੋਕ ਉਨ੍ਹਾਂ ਖੋਜ-ਪੱਤਰਾਂ ਦੇ ਲੇਖਕਾਂ ਨੂੰ ਜਾਣਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (large language models) ਦੇ ਮੌਜੂਦਾ ਯੁੱਗ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ। ਗਿਆਨ ਵਿੱਚ ਇਹ ਪਾੜਾ ਇੱਕ ਗਲਤ ਨਜ਼ਰੀਆ ਪੈਦਾ ਕਰਦਾ ਹੈ ਕਿ ਤਕਨਾਲੋਜੀ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਅੱਗੇ ਵਧਦੀ ਹੈ। ਅਸੀਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਉਤਪਾਦ ਲਾਂਚਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਜੋਂ ਦੇਖਦੇ ਹਾਂ, ਜਦੋਂ ਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਗਣਿਤਿਕ ਸਫਲਤਾਵਾਂ ਦਾ ਇੱਕ ਹੌਲੀ-ਹੌਲੀ ਇਕੱਠਾ ਹੋਣਾ ਹੈ। ਸੰਸਥਾਪਕ ਪੂੰਜੀ ਅਤੇ ਜਨਤਕ ਬਿਰਤਾਂਤ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੇ ਹਨ। ਖੋਜਕਰਤਾ ਵੇਟਸ (weights) ਅਤੇ ਤਰਕ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੇ ਹਨ। ਇਸ ਅੰਤਰ ਨੂੰ ਸਮਝਣਾ ਹੀ ਮਾਰਕੀਟਿੰਗ ਦੇ ਧੂੰਏਂ ਤੋਂ ਪਾਰ ਦੇਖਣ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਸੰਸਥਾਪਕਾਂ ਦਾ ਪਿੱਛਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਫਿਲਮ ਦੇਖ ਰਹੇ ਹੋ। ਜੇਕਰ ਤੁਸੀਂ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਪਿੱਛਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਕ੍ਰਿਪਟ ਪੜ੍ਹ ਰਹੇ ਹੋ। ਇਹ ਲੇਖ ਇਸ ਗੱਲ ‘ਤੇ ਚਰਚਾ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਅੰਤਰ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ ਅਤੇ ਉਹਨਾਂ ਸੰਕੇਤਾਂ ਦੀ ਪਛਾਣ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਉਦਯੋਗ ਦੇ ਭਵਿੱਖ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਚਰਿਸ਼ਮੈਟਿਕ ਭਾਸ਼ਣਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਲੈਬ ਦੀ ਠੰਡੀ ਹਕੀਕਤ ਨੂੰ ਦੇਖਾਂਗੇ। ਹੁਣ ਸਮਾਂ ਆ ਗਿਆ ਹੈ ਕਿ ਸਿਰਫ਼ ਪ੍ਰੈਸ ਰਿਲੀਜ਼ਾਂ ‘ਤੇ ਦਸਤਖਤ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਬਜਾਏ ਕੋਡ ਲਿਖਣ ਵਾਲੇ ਲੋਕਾਂ ‘ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜਾਵੇ।
ਮਸ਼ੀਨ ਯੁੱਗ ਦੇ ਅਦਿੱਖ ਆਰਕੀਟੈਕਟ
ਸੰਸਥਾਪਕ ਜਨਤਕ ਚਿਹਰਾ ਹੁੰਦੇ ਹਨ। ਉਹ ਵਰਲਡ ਇਕਨਾਮਿਕ ਫੋਰਮ ਵਿੱਚ ਬੋਲਦੇ ਹਨ ਅਤੇ ਕਾਂਗਰਸ ਦੇ ਸਾਹਮਣੇ ਗਵਾਹੀ ਦਿੰਦੇ ਹਨ। ਉਨ੍ਹਾਂ ਦਾ ਕੰਮ ਅਰਬਾਂ ਦੀ ਫੰਡਿੰਗ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਬ੍ਰਾਂਡ ਬਣਾਉਣਾ ਹੈ ਜੋ ਅਟੱਲ ਮਹਿਸੂਸ ਹੋਵੇ। ਉਹ ਅਜਿਹੇ ਸ਼ਬਦਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਜੋ ਜਾਦੂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਖੋਜਕਰਤਾ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ। ਉਹ Python ਅਤੇ LaTeX ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ। ਉਹ ਲੌਸ ਫੰਕਸ਼ਨਾਂ (loss functions) ਅਤੇ ਟੋਕਨ ਕੁਸ਼ਲਤਾ ਦੀ ਪਰਵਾਹ ਕਰਦੇ ਹਨ। ਇੱਕ ਸੰਸਥਾਪਕ ਕਹਿ ਸਕਦਾ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਮਾਡਲ ਸੋਚ ਰਿਹਾ ਹੈ। ਇੱਕ ਖੋਜਕਰਤਾ ਤੁਹਾਨੂੰ ਦੱਸੇਗਾ ਕਿ ਇਹ ਇੱਕ ਖਾਸ ਸੰਭਾਵਨਾ ਵੰਡ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਗਲੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਰਿਹਾ ਹੈ। ਉਲਝਣ ਇਸ ਲਈ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਮੀਡੀਆ ਇਨ੍ਹਾਂ ਦੋਵਾਂ ਸਮੂਹਾਂ ਨੂੰ ਇੱਕ ਮੰਨਦਾ ਹੈ। ਜਦੋਂ ਕੋਈ CEO ਕਹਿੰਦਾ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਜਲਵਾਯੂ ਪਰਿਵਰਤਨ ਨੂੰ ਹੱਲ ਕਰੇਗਾ, ਤਾਂ ਇਹ ਇੱਕ ਸੇਲਜ਼ ਪਿੱਚ ਹੈ। ਜਦੋਂ ਕੋਈ ਖੋਜਕਰਤਾ ਸਪਾਰਸ ਆਟੋਐਨਕੋਡਰਾਂ (sparse autoencoders) ‘ਤੇ ਇੱਕ ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਤਕਨੀਕੀ ਦਾਅਵਾ ਹੈ। ਇੱਕ ਉਮੀਦ ਹੈ। ਦੂਜਾ ਇੱਕ ਤੱਥ ਹੈ।
ਜਨਤਾ ਅਕਸਰ ਉਮੀਦ ਨੂੰ ਤੱਥ ਸਮਝ ਲੈਂਦੀ ਹੈ। ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਾਅਦੇ ਅਤੇ ਘੱਟ ਡਿਲੀਵਰੀ ਦੇ ਚੱਕਰ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਨੂੰ ਸਮਝਣ ਲਈ, ਤੁਹਾਨੂੰ ਕਾਰ ਵੇਚਣ ਵਾਲੇ ਵਿਅਕਤੀ ਨੂੰ ਇੰਜਣ ਡਿਜ਼ਾਈਨ ਕਰਨ ਵਾਲੇ ਵਿਅਕਤੀ ਤੋਂ ਵੱਖ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇੰਜਣ ਡਿਜ਼ਾਈਨਰ ਨੂੰ ਪਤਾ ਹੁੰਦਾ ਹੈ ਕਿ ਬੋਲਟ ਕਿੱਥੇ ਢਿੱਲੇ ਹਨ। ਸੇਲਜ਼ਪਰਸਨ ਤੁਹਾਨੂੰ ਕਦੇ ਵੀ ਢਿੱਲੇ ਬੋਲਟ ਬਾਰੇ ਨਹੀਂ ਦੱਸੇਗਾ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦਾ ਕੰਮ ਸਟਾਕ ਦੀ ਕੀਮਤ ਨੂੰ ਉੱਚਾ ਰੱਖਣਾ ਹੈ। ਅਸੀਂ ਹਰ ਵਾਰ ਜਦੋਂ ਕੋਈ ਨਵਾਂ ਮਾਡਲ ਆਉਂਦਾ ਹੈ ਤਾਂ ਇਹ ਹੁੰਦਾ ਦੇਖਦੇ ਹਾਂ। ਸੰਸਥਾਪਕ ਹਾਈਪ ਬਣਾਉਣ ਲਈ ਇੱਕ ਗੁਪਤ ਟਵੀਟ ਪੋਸਟ ਕਰਦਾ ਹੈ। ਖੋਜਕਰਤਾ arXiv ‘ਤੇ ਇੱਕ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਦਾ ਲਿੰਕ ਪੋਸਟ ਕਰਦਾ ਹੈ। ਟਵੀਟ ਨੂੰ ਦਸ ਲੱਖ ਵਿਊਜ਼ ਮਿਲਦੇ ਹਨ। ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਨੂੰ ਕੁਝ ਹਜ਼ਾਰ ਲੋਕ ਪੜ੍ਹਦੇ ਹਨ ਜੋ ਅਸਲ ਵਿੱਚ ਚੀਜ਼ਾਂ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਸਭ ਤੋਂ ਉੱਚੀ ਆਵਾਜ਼ਾਂ ਬਾਕੀ ਸਾਰਿਆਂ ਲਈ ਹਕੀਕਤ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀਆਂ ਹਨ।
ਨਵੀਨਤਾ ਦੇ ਜਨਤਕ ਚਿਹਰੇ ਤੋਂ ਪਰੇ
ਇਸ ਵੰਡ ਦੇ ਗਲੋਬਲ ਨੀਤੀ ਲਈ ਵੱਡੇ ਪ੍ਰਭਾਵ ਹਨ। ਸਰਕਾਰਾਂ ਇਸ ਸਮੇਂ ਸੰਸਥਾਪਕਾਂ ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਕਾਨੂੰਨ ਲਿਖ ਰਹੀਆਂ ਹਨ। ਇਹ ਸੰਸਥਾਪਕ ਅਕਸਰ ਅਜਿਹੇ ਹੋਂਦ ਦੇ ਖਤਰਿਆਂ ਬਾਰੇ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਜੋ ਵਿਗਿਆਨਕ ਗਲਪ ਵਾਂਗ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ। ਇਹ ਮੌਜੂਦਾ ਨੁਕਸਾਨਾਂ ਦੀ ਬਜਾਏ ਕਾਲਪਨਿਕ ਭਵਿੱਖਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਰੱਖਦਾ ਹੈ। ਇਸ ਦੌਰਾਨ, ਖੋਜਕਰਤਾ ਡੇਟਾ ਪੱਖਪਾਤ ਅਤੇ ਊਰਜਾ ਦੀ ਖਪਤ ਵਰਗੇ ਤੁਰੰਤ ਮੁੱਦਿਆਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਰਹੇ ਹਨ। ਮੁੱਖ ਤੌਰ ‘ਤੇ ਮਸ਼ਹੂਰ ਨਾਵਾਂ ਨੂੰ ਸੁਣ ਕੇ, ਅਸੀਂ ਗਲਤ ਚੀਜ਼ਾਂ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਨ ਦਾ ਜੋਖਮ ਲੈਂਦੇ ਹਾਂ। ਅਸੀਂ ਸ਼ਾਇਦ ਭਵਿੱਖ ਦੀ ਸੁਪਰ-ਇੰਟੈਲੀਜੈਂਸ ‘ਤੇ ਪਾਬੰਦੀ ਲਗਾ ਸਕਦੇ ਹਾਂ, ਜਦੋਂ ਕਿ ਇਸ ਤੱਥ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਮੌਜੂਦਾ ਮਾਡਲ ਆਪਣੇ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਛੋਟੇ ਕਸਬਿਆਂ ਦੇ ਪਾਣੀ ਦੇ ਸਰੋਤਾਂ ਨੂੰ ਖਤਮ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਅਮਰੀਕੀ ਮੁੱਦਾ ਨਹੀਂ ਹੈ। ਯੂਰਪ ਅਤੇ ਏਸ਼ੀਆ ਵਿੱਚ ਵੀ ਇਹੀ ਗਤੀਸ਼ੀਲਤਾ ਮੌਜੂਦ ਹੈ।
ਜਿਨ੍ਹਾਂ ਆਵਾਜ਼ਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਾਰਣ ਮਿਲਦਾ ਹੈ, ਉਹ ਉਹ ਹਨ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਵੱਡਾ ਮਾਰਕੀਟਿੰਗ ਬਜਟ ਹੈ। ਇਹ ਇੱਕ ‘ਜੇਤੂ ਸਭ ਕੁਝ ਲੈ ਜਾਂਦਾ ਹੈ’ ਵਾਲਾ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਕੁਝ ਕੰਪਨੀਆਂ ਪੂਰੇ ਗ੍ਰਹਿ ਲਈ ਏਜੰਡਾ ਤੈਅ ਕਰਦੀਆਂ ਹਨ। ਜੇਕਰ ਅਸੀਂ ਆਪਣਾ ਨਜ਼ਰੀਆ ਵਿਸ਼ਾਲ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ ਅਸੀਂ ਸਿਲੀਕਾਨ ਵੈਲੀ ਦੇ ਕੁਝ ਲੋਕਾਂ ਨੂੰ ਇਹ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਾਂ ਕਿ ਕੀ ਸੁਰੱਖਿਅਤ ਹੈ ਅਤੇ ਕੀ ਸੰਭਵ ਹੈ। ਇਹ ਸ਼ਕਤੀ ਦਾ ਕੇਂਦਰੀਕਰਨ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਜੋਖਮ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹੇ ਖੇਤਰ ਵਿੱਚ ਵਿਚਾਰਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਇਸਦੀ ਲੋੜ ਹੈ। ਸਾਨੂੰ ਟੋਰਾਂਟੋ ਯੂਨੀਵਰਸਿਟੀ ਜਾਂ ਟੋਕੀਓ ਦੀਆਂ ਲੈਬਾਂ ਦੇ ਲੋਕਾਂ ਤੋਂ ਵੀ ਉਨਾ ਹੀ ਸੁਣਨ ਦੀ ਲੋੜ ਹੈ ਜਿੰਨਾ ਅਸੀਂ ਸੈਨ ਫਰਾਂਸਿਸਕੋ ਦੇ ਲੋਕਾਂ ਤੋਂ ਸੁਣਦੇ ਹਾਂ। ਵਿਗਿਆਨਕ ਤਰੱਕੀ ਇੱਕ ਗਲੋਬਲ ਕੋਸ਼ਿਸ਼ ਹੈ, ਪਰ ਬਿਰਤਾਂਤ ਵਰਤਮਾਨ ਵਿੱਚ ਇੱਕ ਸਥਾਨਕ ਏਕਾਧਿਕਾਰ ਹੈ। ਸਾਨੂੰ ਕਾਰਪੋਰੇਟ ਬੋਰਡਰੂਮਾਂ ਤੋਂ ਬਾਹਰ ਹੋ ਰਹੀ ਅਸਲ ਤਰੱਕੀ ਨੂੰ ਦੇਖਣ ਲਈ Nature ਵਰਗੇ ਰਸਾਲਿਆਂ ਨੂੰ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ।
ਦੁਨੀਆ ਗਲਤ ਲੋਕਾਂ ਨੂੰ ਕਿਉਂ ਸੁਣਦੀ ਹੈ
ਇੱਕ ਵੱਡੀ ਲੈਬ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਖੋਜਕਰਤਾ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਉੱਠਦੇ ਹਨ ਅਤੇ ਤਿੰਨ ਮਿਲੀਅਨ ਡਾਲਰ ਦੀ ਲਾਗਤ ਵਾਲੇ ਸਿਖਲਾਈ ਰਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। ਉਹ ਦੇਖਦੇ ਹਨ ਕਿ ਮਾਡਲ ਉਮੀਦ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਭਰਮ (hallucinating) ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ। ਉਹ ਰੌਲੇ ਨੂੰ ਲੱਭਣ ਲਈ ਡੇਟਾ ਕਲੱਸਟਰਾਂ ਨੂੰ ਦੇਖਣ ਵਿੱਚ ਦਸ ਘੰਟੇ ਬਿਤਾਉਂਦੇ ਹਨ। ਉਹ 2024 ਦੀਆਂ ਚੋਣਾਂ ਜਾਂ ਮਨੁੱਖਤਾ ਦੀ ਕਿਸਮਤ ਬਾਰੇ ਨਹੀਂ ਸੋਚ ਰਹੇ ਹਨ। ਉਹ ਸੋਚ ਰਹੇ ਹਨ ਕਿ ਮਾਡਲ ਗੁੰਝਲਦਾਰ ਵਾਕਾਂ ਵਿੱਚ ਨਕਾਰਾਤਮਕਤਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਕਿਉਂ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ। ਉਹ ਨਿਊਰੋਨ ਐਕਟੀਵੇਸ਼ਨ ਦੇ ਹੀਟ ਮੈਪ ਦੇਖ ਰਹੇ ਹਨ। ਉਨ੍ਹਾਂ ਦੀ ਸਫਲਤਾ ਨੂੰ ਪ੍ਰਤੀ ਅੱਖਰ ਬਿੱਟ ਜਾਂ ਕਿਸੇ ਖਾਸ ਬੈਂਚਮਾਰਕ ‘ਤੇ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਹੁਣ ਇੱਕ ਸੰਸਥਾਪਕ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਰਾਜ ਦੇ ਮੁਖੀ ਨਾਲ ਮਿਲਣ ਲਈ ਇੱਕ ਪ੍ਰਾਈਵੇਟ ਜੈੱਟ ‘ਤੇ ਹਨ। ਉਹ ਨਵੀਂ ਆਰਥਿਕਤਾ ਦੇ ਟ੍ਰਿਲੀਅਨ ਡਾਲਰ ਦੇ ਮੌਕੇ ਬਾਰੇ ਗੱਲ ਕਰ ਰਹੇ ਹਨ।
ਖੋਜਕਰਤਾ ‘ਕਿਵੇਂ’ ਨਾਲ ਨਜਿੱਠਦਾ ਹੈ। ਸੰਸਥਾਪਕ ਇਸ ਗੱਲ ਨਾਲ ਨਜਿੱਠਦਾ ਹੈ ਕਿ ਇਹ ਪੈਸੇ ਦੇ ਯੋਗ ਕਿਉਂ ਹੈ। ਇੱਕ ਐਪ ਬਣਾਉਣ ਵਾਲੇ ਡਿਵੈਲਪਰ ਲਈ, ਖੋਜਕਰਤਾ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹਸਤੀ ਹੈ। ਖੋਜਕਰਤਾ API ਲੇਟੈਂਸੀ ਅਤੇ ਸੰਦਰਭ ਵਿੰਡੋ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਸੰਸਥਾਪਕ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਕੋਈ ਕਾਰੋਬਾਰ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕੀ ਤਕਨਾਲੋਜੀ ਅਸਲ ਵਿੱਚ ਉਹ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਸੰਸਥਾਪਕ ਕਹਿੰਦਾ ਹੈ। ਅਕਸਰ, ਇਹ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਅਸੀਂ ਇਸਨੂੰ ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਵਿੱਚ ਦੇਖਿਆ ਸੀ। ਸੰਸਥਾਪਕਾਂ ਨੇ ਕਿਹਾ ਕਿ ਸਾਡੇ ਕੋਲ 2026 ਤੱਕ ਲੱਖਾਂ ਰੋਬੋਟੈਕਸੀਆਂ ਹੋਣਗੀਆਂ। ਖੋਜਕਰਤਾ ਜਾਣਦੇ ਸਨ ਕਿ ਭਾਰੀ ਮੀਂਹ ਵਿੱਚ ਐਜ ਕੇਸ (edge cases) ਅਜੇ ਵੀ ਇੱਕ ਅਣਸੁਲਝੀ ਸਮੱਸਿਆ ਸੀ। ਜਨਤਾ ਨੇ ਸੰਸਥਾਪਕਾਂ ‘ਤੇ ਵਿਸ਼ਵਾਸ ਕੀਤਾ। ਖੋਜਕਰਤਾ ਸਹੀ ਸਨ।
ਇਹੀ ਪੈਟਰਨ ਜਨਰੇਟਿਵ AI ਸਪੇਸ ਵਿੱਚ ਦੁਹਰਾਇਆ ਜਾ ਰਿਹਾ ਹੈ। ਸਾਨੂੰ ਦੱਸਿਆ ਗਿਆ ਹੈ ਕਿ ਮਾਡਲ ਜਲਦੀ ਹੀ ਵਕੀਲਾਂ ਅਤੇ ਡਾਕਟਰਾਂ ਦੀ ਥਾਂ ਲੈ ਲੈਣਗੇ। ਜੇਕਰ ਤੁਸੀਂ ਤਕਨੀਕੀ ਪੇਪਰ ਪੜ੍ਹਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਦੇਖਦੇ ਹੋ ਕਿ ਮਾਡਲ ਅਜੇ ਵੀ ਬੁਨਿਆਦੀ ਤਰਕਪੂਰਨ ਇਕਸਾਰਤਾ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ। ਡੈਮੋ ਅਤੇ ਹਕੀਕਤ ਵਿਚਕਾਰ ਦਾ ਪਾੜਾ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਕੰਪਨੀਆਂ ਪੈਸਾ ਗੁਆਉਂਦੀਆਂ ਹਨ। ਤੁਸੀਂ ਇਹ ਦੇਖਣ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰੁਝਾਨਾਂ ਵਿੱਚ ਡੂੰਘੀ ਖੋਜ ਲੱਭ ਸਕਦੇ ਹੋ ਕਿ ਅੱਜ ਇਹ ਤਕਨੀਕੀ ਸੀਮਾਵਾਂ ਕਿਵੇਂ ਪਰਖੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ। ਇਹ ਅੰਤਰ ਇੱਕ ਸਹੀ ਨਿਵੇਸ਼ ਅਤੇ ਇੱਕ ਸੱਟੇਬਾਜ਼ੀ ਬੁਲਬੁਲੇ ਵਿਚਕਾਰ ਦਾ ਫਰਕ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਨਵਾਂ ਦਾਅਵਾ ਸੁਣਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਆਪ ਤੋਂ ਪੁੱਛੋ ਕਿ ਕੀ ਇਹ ਕਿਸੇ ਪੇਪਰ ਤੋਂ ਆਇਆ ਹੈ ਜਾਂ ਪ੍ਰੈਸ ਰਿਲੀਜ਼ ਤੋਂ। ਜਵਾਬ ਤੁਹਾਨੂੰ ਦੱਸੇਗਾ ਕਿ ਇਸਨੂੰ ਕਿੰਨਾ ਮਹੱਤਵ ਦੇਣਾ ਹੈ। MIT Technology Review ਦੇ ਪੱਤਰਕਾਰ ਅਕਸਰ ਲੈਬ ਅਤੇ ਲਾਬੀ ਵਿਚਕਾਰ ਇਸ ਪਾੜੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ। ਸਾਨੂੰ ਯਾਦ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸੰਸਥਾਪਕਾਂ ਨੂੰ ਕਮੀਆਂ ਨੂੰ ਲੁਕਾਉਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਕਿ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਹਿਲਾ ਹਾਈਪ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਦੂਜਾ ਸੱਚਾਈ ਬਣਾਉਂਦਾ ਹੈ। ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ, ਸੱਚਾਈ ਹੀ ਇੱਕ ਅਜਿਹੀ ਚੀਜ਼ ਹੈ ਜੋ ਸਕੇਲ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਇਸਨੂੰ 2026 ਵਿੱਚ ਦੇਖਿਆ ਸੀ ਜਦੋਂ ਹਾਈਪ ਦੀ ਪਹਿਲੀ ਲਹਿਰ ਤਕਨੀਕੀ ਹਕੀਕਤ ਦੇ ਭਾਰ ਹੇਠ ਠੰਡੀ ਹੋਣ ਲੱਗੀ ਸੀ।
ਲੈਬ ਵਿੱਚ ਇੱਕ ਮੰਗਲਵਾਰ ਬਨਾਮ ਬੋਰਡਰੂਮ
ਸਾਨੂੰ ਵਿਕਾਸ ਦੇ ਮੌਜੂਦਾ ਮਾਰਗ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਉਸ ਖੋਜ ਲਈ ਕੌਣ ਭੁਗਤਾਨ ਕਰ ਰਿਹਾ ਹੈ ਜਿਸ ਬਾਰੇ ਸੰਸਥਾਪਕ ਦਾਅਵਾ ਕਰਦੇ ਹਨ ਕਿ ਇਹ ਸਾਰਿਆਂ ਨੂੰ ਲਾਭ ਪਹੁੰਚਾਏਗੀ? ਜ਼ਿਆਦਾਤਰ ਚੋਟੀ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪ੍ਰਾਈਵੇਟ ਲੈਬਾਂ ਲਈ ਅਕਾਦਮਿਕ ਜਗਤ ਛੱਡ ਦਿੱਤਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਉਹ ਜੋ ਗਿਆਨ ਪੈਦਾ ਕਰਦੇ ਹਨ ਉਹ ਹੁਣ ਜਨਤਕ ਭਲਾਈ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਕਾਰਪੋਰੇਟ ਰਾਜ਼ ਹੈ। ਜਦੋਂ ਕਿਸੇ ਬਿੰਦੂ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡੇਟਾ ਪੇਵਾਲ ਦੇ ਪਿੱਛੇ ਲੁਕਿਆ ਹੁੰਦਾ ਹੈ ਤਾਂ ਵਿਗਿਆਨਕ ਵਿਧੀ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ? ਅਸੀਂ ਖੁੱਲੇ ਵਿਗਿਆਨ ਤੋਂ ਦੂਰ ਹੋ ਕੇ ਬੰਦ ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦੇ ਦੇ ਮਾਡਲ ਵੱਲ ਵਧਦੇ ਦੇਖ ਰਹੇ ਹਾਂ। ਕੀ ਕੁਝ ਵਿਅਕਤੀਆਂ ਦੀ ਪ੍ਰਸਿੱਧੀ ਖੇਤਰ ਦੀ ਮਦਦ ਕਰ ਰਹੀ ਹੈ ਜਾਂ ਇਹ ਸ਼ਖਸੀਅਤ ਦਾ ਇੱਕ ਪੰਥ ਬਣਾ ਰਹੀ ਹੈ ਜੋ ਅਸਹਿਮਤੀ ਨੂੰ ਨਿਰਾਸ਼ ਕਰਦਾ ਹੈ? ਜੇਕਰ ਕੋਈ ਖੋਜਕਰਤਾ ਕਿਸੇ ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ ਵਿੱਚ ਕੋਈ ਵੱਡੀ ਕਮੀ ਲੱਭਦਾ ਹੈ, ਤਾਂ ਕੀ ਉਹ ਇਸਦੀ ਰਿਪੋਰਟ ਕਰਨ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ ਜੇਕਰ ਇਹ ਕੰਪਨੀ ਦੇ ਮੁਲਾਂਕਣ ਨੂੰ ਘਟਾ ਸਕਦਾ 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।
ਇਨ੍ਹਾਂ ਫਰਮਾਂ ‘ਤੇ ਵਿੱਤੀ ਦਬਾਅ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਸਾਨੂੰ ਵਾਤਾਵਰਣ ਦੀ ਲਾਗਤ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਹੋਵੇਗਾ। ਕੀ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੇ ਭਾਰੀ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਬਦਲੇ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਬੈਂਚਮਾਰਕ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਣ ਹੈ? ਅਸੀਂ ਅਕਸਰ ਵਾਤਾਵਰਣ ਲਈ AI ਦੇ ਲਾਭਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਪਰ ਅਸੀਂ ਘੱਟ ਹੀ ਇੱਕ ਅਜਿਹਾ ਲੇਜ਼ਰ ਦੇਖਦੇ ਹਾਂ ਜੋ ਦੋਵਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਉਹ ਸੱਭਿਆਚਾਰ ਕਿਸਦਾ ਹੈ ਜਿਸ ‘ਤੇ ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ? ਖੋਜਕਰਤਾ ਆਪਣੇ ਸਿਸਟਮ ਬਣਾਉਣ ਲਈ ਇੰਟਰਨੈਟ ਦੇ ਸਮੂਹਿਕ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਸੰਸਥਾਪਕ ਫਿਰ ਉਸੇ ਆਉਟਪੁੱਟ ਦੇ ਡਿਸਟਿਲ ਕੀਤੇ ਸੰਸਕਰਣ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ ਜਨਤਾ ਤੋਂ ਚਾਰਜ ਲੈਂਦੇ ਹਨ। ਇਹ ਦੌਲਤ ਦਾ ਇੱਕ ਤਬਾਦਲਾ ਹੈ ਜਿਸ ਬਾਰੇ ਸੁਰਖੀਆਂ ਵਿੱਚ ਘੱਟ ਹੀ ਚਰਚਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਸਮਾਜਿਕ ਅਤੇ ਨੈਤਿਕ ਦੁਬਿਧਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਿਰਫ਼ ਇੱਕ ਬਿਹਤਰ ਐਲਗੋਰਿਦਮ ਤੋਂ ਵੱਧ ਦੀ ਲੋੜ ਹੈ।
ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਅਤੇ ਸਥਾਨਕ ਲਾਗੂਕਰਨ
ਉਨ੍ਹਾਂ ਲਈ ਜੋ ਇਹਨਾਂ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਨਿਰਮਾਣ ਕਰ ਰਹੇ ਹਨ, ਤਕਨੀਕੀ ਵੇਰਵੇ ਦਰਸ਼ਨ ਨਾਲੋਂ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਮੌਜੂਦਾ API ਸੀਮਾਵਾਂ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਅਪਣਾਉਣ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਦਾਤਾਵਾਂ ਕੋਲ ਸਖਤ ਦਰ ਸੀਮਾਵਾਂ ਹਨ ਜੋ ਉੱਚ ਵਾਲੀਅਮ ਰੀਅਲ-ਟਾਈਮ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਰੋਕਦੀਆਂ ਹਨ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਫਰਮਾਂ ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਸਥਾਨਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨੂੰ ਦੇਖ ਰਹੀਆਂ ਹਨ। ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ‘ਤੇ Llama 3 ਵਰਗੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਿਹਤਰ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਘੱਟ ਲੰਬੇ ਸਮੇਂ ਦੀਆਂ ਲਾਗਤਾਂ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਲੋੜਾਂ ਸਖ਼ਤ ਹਨ। ਵਧੀਆ ਗਤੀ ਨਾਲ 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਚਲਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਮਹੱਤਵਪੂਰਨ VRAM ਵਾਲੇ ਹਾਈ-ਐਂਡ GPUs ਦੀ ਲੋੜ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਗੀਕ ਸੈਕਸ਼ਨ ਵਿੱਤੀ ਸੈਕਸ਼ਨ ਨੂੰ ਮਿਲਦਾ ਹੈ। H100 ਕਲੱਸਟਰ ਦੀ ਲਾਗਤ ਦਾਖਲੇ ਲਈ ਇੱਕ ਰੁਕਾਵਟ ਹੈ ਜੋ ਸ਼ਕਤੀ ਨੂੰ ਅਮੀਰਾਂ ਦੇ ਹੱਥਾਂ ਵਿੱਚ ਰੱਖਦੀ ਹੈ।
ਅਸੀਂ ਵਿਸ਼ੇਸ਼ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਵੱਲ ਵੀ ਤਬਦੀਲੀ ਦੇਖ ਰਹੇ ਹਾਂ। ਹਰ ਚੀਜ਼ ਲਈ ਇੱਕ ਆਮ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਬਜਾਏ, ਡਿਵੈਲਪਰ ਖਾਸ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਛੋਟੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਅਤੇ ਟੋਕਨ ਗਿਣਤੀ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇੱਥੇ ਤਕਨੀਕੀ ਚੁਣੌਤੀ ਡੇਟਾ ਕਿਉਰੇਸ਼ਨ ਹੈ। ਜੇਕਰ ਇਨਪੁਟ ਡੇਟਾ ਮਾੜਾ ਹੈ, ਤਾਂ ਫਾਈਨ-ਟਿਊਨਡ ਮਾਡਲ ਆਮ ਮਾਡਲ ਨਾਲੋਂ ਮਾੜਾ ਹੋਵੇਗਾ। ਅਸੀਂ ਤੱਥਾਂ ਦੇ ਡੇਟਾ ਵਿੱਚ ਮਾਡਲਾਂ ਨੂੰ ਆਧਾਰਿਤ ਕਰਨ ਲਈ ਰਿਟਰੀਵਲ ਆਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਦੀ ਵਧੇਰੇ ਵਰਤੋਂ ਵੀ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਵਿਸ਼ਾਲ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਦੀ ਲੋੜ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ ਅਤੇ ਭਰਮ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਪਰ RAG ਦੀਆਂ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ ਹਨ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇਸ ਗੱਲ ਵਿੱਚ ਕਿ ਇਹ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਰੈਂਕਿੰਗ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦਾ ਹੈ। ਜੇਕਰ ਖੋਜ ਪੜਾਅ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਆਉਟਪੁੱਟ ਬੇਕਾਰ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੁੰਦਾ ਕਿ AI ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਉਨੀ ਹੀ ਡੇਟਾਬੇਸ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਜਿਸ ਤੋਂ ਉਹ ਪੁੱਛਗਿੱਛ ਕਰਦਾ ਹੈ ਜਿੰਨਾ ਮਾਡਲ ‘ਤੇ ਖੁਦ।
ਜਾਣਕਾਰੀ ਲਈ ਅੰਤਿਮ ਫਿਲਟਰ
AI ਦਾ ਭਵਿੱਖ ਇੱਕ ਵਿਅਕਤੀ ਦੁਆਰਾ ਦੱਸੀ ਗਈ ਇੱਕ ਕਹਾਣੀ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਗੜਬੜ ਵਾਲੀ, ਚੱਲ ਰਹੀ ਬਹਿਸ ਹੈ ਉਹਨਾਂ ਵਿਚਕਾਰ ਜੋ ਇੱਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵੇਚਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ ਜੋ ਹਕੀਕਤ ਬਣਾਉਂਦੇ ਹਨ। ਤਕਨੀਕੀ ਖਬਰਾਂ ਦਾ ਇੱਕ ਸਮਾਰਟ ਖਪਤਕਾਰ ਬਣਨ ਲਈ, ਤੁਹਾਨੂੰ ਚਰਿਸ਼ਮੈਟਿਕ ਸੰਸਥਾਪਕ ਤੋਂ ਪਰੇ ਦੇਖਣਾ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਪੇਪਰਾਂ ‘ਤੇ ਨਾਮ ਲੱਭੋ। ਉਹਨਾਂ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਲੱਭੋ ਜੋ ਇਹ ਦੱਸਣ ਲਈ ਤਿਆਰ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ ਮਾਡਲ ਕੀ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਉਦਯੋਗ ਵਿੱਚ ਵਿਰੋਧਾਭਾਸ ਬੱਗ ਨਹੀਂ ਹਨ। ਉਹ ਕਹਾਣੀ ਦਾ ਸਭ ਤੋਂ ਇਮਾਨਦਾਰ ਹਿੱਸਾ ਹਨ। ਇਹ ਖੇਤਰ ਵਿਕਸਿਤ ਹੁੰਦਾ ਰਹੇਗਾ ਕਿਉਂਕਿ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਹੋਣ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹਨ। ਲਾਈਵ ਸਵਾਲ ਬਾਕੀ ਹੈ: ਕੀ ਅਸੀਂ ਮੌਜੂਦਾ ਯੁੱਗ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲੀ ਭਾਰੀ ਸਰੋਤ ਖਪਤਕਾਰ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਸੱਚਮੁੱਚ ਬੁੱਧੀਮਾਨ ਸਿਸਟਮ ਬਣਾ ਸਕਦੇ ਹਾਂ? ਜਦੋਂ ਤੱਕ ਅਸੀਂ ਇਸਦਾ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦੇ, ਹਾਈਪ ਵਿਗਿਆਨ ਤੋਂ ਅੱਗੇ ਨਿਕਲਦੀ ਰਹੇਗੀ। ਸਾਨੂੰ ਕਿਸੇ ਵੀ ਅਜਿਹੇ ਬਿਰਤਾਂਤ ਪ੍ਰਤੀ ਸ਼ੱਕੀ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਸ਼ਾਮਲ ਵਪਾਰ-ਆਫ (trade-offs) ਦਾ ਜ਼ਿਕਰ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਸੰਪੂਰਨ ਹੱਲ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ।
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।
