AI ਦੀਆਂ ਉਹ ਖਾਸ ਇੰਟਰਵਿਊਜ਼ ਜੋ ਲੋਕਾਂ ਤੋਂ ਮਿਸ ਹੋ ਗਈਆਂ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੇ ਭਵਿੱਖ ਬਾਰੇ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਗੱਲਾਂ ਅਕਸਰ ਚਮਕਦਾਰ ਪ੍ਰੈਸ ਰਿਲੀਜ਼ਾਂ ਜਾਂ ਵੱਡੇ ਈਵੈਂਟਸ ਵਿੱਚ ਨਹੀਂ ਮਿਲਦੀਆਂ। ਇਸਦੀ ਬਜਾਏ, ਇਹ ਉਹਨਾਂ ਲੰਬੀਆਂ ਇੰਟਰਵਿਊਆਂ ਦੇ ਵਿਚਕਾਰ ਲੁਕੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਜਦੋਂ ਕੋਈ CEO ਕਿਸੇ ਟੈਕਨੀਕਲ ਪੋਡਕਾਸਟ ‘ਤੇ ਤਿੰਨ ਘੰਟੇ ਗੱਲ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਦਾ ਕਾਰਪੋਰੇਟ ਮਾਸਕ ਹੌਲੀ-ਹੌਲੀ ਉਤਰਨ ਲੱਗਦਾ ਹੈ। ਇਹ ਪਲ ਇੱਕ ਅਜਿਹੀ ਸੱਚਾਈ ਦਿਖਾਉਂਦੇ ਹਨ ਜੋ ਸਰਕਾਰੀ ਮਾਰਕੀਟਿੰਗ ਤੋਂ ਬਿਲਕੁਲ ਉਲਟ ਹੁੰਦੀ ਹੈ। ਜਿੱਥੇ ਅਧਿਕਾਰਤ ਬਿਆਨ ਸੁਰੱਖਿਆ ਅਤੇ ਸਭ ਦੀ ਪਹੁੰਚ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ, ਉੱਥੇ ਹੀ ਇਹ ਗੱਲਾਂ ਇੱਕ ਅਜਿਹੀ ਦੌੜ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀਆਂ ਹਨ ਜਿੱਥੇ ਸਭ ਕੁਝ ਮਹਿੰਗਾ ਅਤੇ ਅਣਪਛਾਤਾ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਪਿਛਲੇ ਸਾਲ ਦੀਆਂ ਗੱਲਾਂ ਦਾ ਨਿਚੋੜ ਇਹ ਹੈ ਕਿ ਇੰਡਸਟਰੀ ਹੁਣ ਆਮ ਚੈਟਬੋਟਸ ਤੋਂ ਹਟ ਕੇ ਖਾਸ ‘high-compute agents’ ਵੱਲ ਵਧ ਰਹੀ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਵੱਡੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਲੋੜ ਹੈ। ਜੇ ਤੁਸੀਂ ਸਿਰਫ਼ ਹੈੱਡਲਾਈਨਾਂ ਪੜ੍ਹੀਆਂ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਉਹ ਗੱਲ ਮਿਸ ਕਰ ਦਿੱਤੀ ਕਿ ਮੌਜੂਦਾ ਤਰੀਕੇ ਹੁਣ ਸ਼ਾਇਦ ਕੰਮ ਨਾ ਕਰਨ। ਅਸਲ ਕਹਾਣੀ ਤਾਂ ਇਹਨਾਂ ਲੀਡਰਾਂ ਦੇ ਹਾਰਡਵੇਅਰ ਅਤੇ ਇੰਟੈਲੀਜੈਂਸ ਬਾਰੇ ਬਦਲਦੇ ਨਜ਼ਰੀਏ ਵਿੱਚ ਹੈ।

ਇਹਨਾਂ ਬਦਲਾਵਾਂ ਨੂੰ ਸਮਝਣ ਲਈ OpenAI, Anthropic ਅਤੇ Google DeepMind ਦੇ ਲੀਡਰਾਂ ਦੀਆਂ ਗੱਲਾਂ ਵੱਲ ਦੇਖਣਾ ਪਵੇਗਾ। ਹਾਲ ਹੀ ਦੀਆਂ ਚਰਚਾਵਾਂ ਵਿੱਚ, ਫੋਕਸ ਇਸ ਗੱਲ ‘ਤੇ ਹੈ ਕਿ ਮਾਡਲ ਬਣਦੇ ਕਿਵੇਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ Anthropic ਦੇ ਡਾਰੀਓ ਅਮੋਡੇਈ ‘scaling laws’ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ, ਤਾਂ ਉਹ ਸਿਰਫ਼ ਮਾਡਲਾਂ ਨੂੰ ਵੱਡਾ ਕਰਨ ਦੀ ਗੱਲ ਨਹੀਂ ਕਰ ਰਹੇ। ਉਹ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਦਾ ਇਸ਼ਾਰਾ ਕਰ ਰਹੇ ਹਨ ਜਿੱਥੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਦਾ ਖਰਚਾ ਅਰਬਾਂ ਡਾਲਰ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਇੰਡਸਟਰੀ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੈ ਜਦੋਂ ਕੁਝ ਮਿਲੀਅਨ ਡਾਲਰ ਹੀ ਕਾਫੀ ਸਨ। ਇਹ ਇੰਟਰਵਿਊਜ਼ ਉਹਨਾਂ ਕੰਪਨੀਆਂ ਵਿਚਕਾਰ ਇੱਕ ਵੱਡੀ ਖਾਈ ਦਿਖਾਉਂਦੀਆਂ ਹਨ ਜੋ ਇਹ ‘compute tax’ ਭਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਜੋ ਨਹੀਂ। ਜਦੋਂ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਬਾਰੇ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਐਗਜ਼ੀਕਿਊਟਿਵ ਅਕਸਰ ‘synthetic data’ ਦੀ ਗੱਲ ਕਰਨ ਲੱਗਦੇ ਹਨ। ਇਹ ਇੱਕ ਸੰਕੇਤ ਹੈ ਕਿ ਇੰਟਰਨੈੱਟ ਹੁਣ ਖਤਮ ਹੋ ਚੁੱਕਾ ਹੈ। ਇੰਡਸਟਰੀ ਹੁਣ ਇਹ ਦੇਖ ਰਹੀ ਹੈ ਕਿ ਮਾਡਲ ਸਿਰਫ਼ ਇਨਸਾਨੀ ਲਿਖਤ ਦੀ ਨਕਲ ਕਰਨ ਦੀ ਬਜਾਏ ਆਪਣੀ ਲੋਜਿਕ ਤੋਂ ਕਿਵੇਂ ਸਿੱਖਣ। ਇਹ ਬਦਲਾਅ ਬਲੌਗ ਪੋਸਟਾਂ ਵਿੱਚ ਨਹੀਂ, ਸਗੋਂ ਟੈਕਨੀਕਲ ਹਲਕਿਆਂ ਵਿੱਚ ਹੁੰਦੀਆਂ ਹਨ।

ਇਹਨਾਂ ਗੱਲਾਂ ਦੇ ਗਲੋਬਲ ਪ੍ਰਭਾਵ ਬਹੁਤ ਡੂੰਘੇ ਹਨ। ਅਸੀਂ ‘compute sovereignty’ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇਖ ਰਹੇ ਹਾਂ। ਦੇਸ਼ ਹੁਣ ਸਿਰਫ਼ ਸਾਫਟਵੇਅਰ ਨਹੀਂ ਲੱਭ ਰਹੇ, ਉਹ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਫਿਜ਼ੀਕਲ ਇਨਫਰਾਸਟਰੱਕਚਰ ਲੱਭ ਰਹੇ ਹਨ। ਅਗਲਾ ਪੜਾਅ ਸਿਰਫ਼ ਕੋਡਿੰਗ ਨਹੀਂ, ਸਗੋਂ ਐਨਰਜੀ ਅਤੇ ਚਿੱਪ ਸਪਲਾਈ ਚੇਨ ‘ਤੇ ਟਿਕਿਆ ਹੋਵੇਗਾ। ਇਹ ਸਭ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟੇ ਸ਼ਹਿਰ ਜਿੰਨੀ ਬਿਜਲੀ ਚਾਹੀਦੀ ਹੈ, ਤਾਂ ਪਾਵਰ ਕੁਝ ਹੀ ਹੱਥਾਂ ਵਿੱਚ ਰਹਿ ਜਾਵੇਗੀ। ਇਹ ਉਸ ‘open access’ ਦੇ ਦਾਅਵੇ ਦੇ ਉਲਟ ਹੈ ਜੋ ਕੰਪਨੀਆਂ ਅਜੇ ਵੀ ਕਰਦੀਆਂ ਹਨ। ਟੈਕਨੀਕਲ ਚਰਚਾਵਾਂ ਦੱਸਦੀਆਂ ਹਨ ਕਿ ਐਡਵਾਂਸਡ ਸਿਸਟਮਾਂ ਲਈ AI ਦਾ ‘open’ ਦੌਰ ਖਤਮ ਹੋ ਰਿਹਾ ਹੈ। ਇਹ ਬਦਲਾਅ ਪਹਿਲਾਂ ਹੀ ਨਿਵੇਸ਼ ਅਤੇ ਸਰਕਾਰੀ ਨੀਤੀਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਰਿਹਾ ਹੈ। ਦੁਨੀਆ ਇਹਨਾਂ ਸੱਚਾਈਆਂ ‘ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇ ਰਹੀ ਹੈ, ਭਾਵੇਂ ਆਮ ਜਨਤਾ ਅਜੇ ਵੀ ਚੈਟਬੋਟ ਫੀਚਰਸ ਵਿੱਚ ਉਲਝੀ ਹੋਈ ਹੈ। ਇਹਨਾਂ ਬਦਲਾਵਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, ਤੁਸੀਂ ਨਵੀਂ AI industry analysis ਨੂੰ ਫੋਲੋ ਕਰ ਸਕਦੇ ਹੋ।

ਅਸਲ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣ ਲਈ, ਇੱਕ ਮੱਧ-ਪੱਧਰ ਦੀ ਸਾਫਟਵੇਅਰ ਫਰਮ ਦੇ ਡਿਵੈਲਪਰ ਬਾਰੇ ਸੋਚੋ। ਅੱਜਕੱਲ੍ਹ, ਉਹ ਡਿਵੈਲਪਰ ਸਿਰਫ਼ ਕੋਡ ਨਹੀਂ ਲਿਖ ਰਿਹਾ। ਉਹ ਰਿਸਰਚਰਾਂ ਦੀਆਂ ਇੰਟਰਵਿਊਆਂ ਦੇਖ ਕੇ ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਕਿਹੜੇ API ਬੰਦ ਹੋਣਗੇ ਅਤੇ ਕਿਹੜੇ ਚੱਲਣਗੇ। ਜਦੋਂ ਕੋਈ ਰਿਸਰਚਰ ‘reasoning tokens’ ਦੀ ਗੱਲ ਕਰਦਾ ਹੈ, ਤਾਂ ਡਿਵੈਲਪਰ ਨੂੰ ਸਮਝ ਆ ਜਾਂਦੀ ਹੈ ਕਿ ਉਸਦੀ ਪੁਰਾਣੀ ਰਣਨੀਤੀ ਹੁਣ ਕੰਮ ਨਹੀਂ ਆਵੇਗੀ। ਇਹ ਕੋਈ ਕਿਤਾਬੀ ਗੱਲ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਜ਼ਰੂਰਤ ਹੈ। AI ਕੋਈ ਬਣਿਆ-ਬਣਾਇਟ ਪ੍ਰੋਡਕਟ ਨਹੀਂ, ਸਗੋਂ ਹਮੇਸ਼ਾ ਬਦਲਣ ਵਾਲੀ ਚੀਜ਼ ਹੈ। ਜਦੋਂ ਕੋਈ ਐਗਜ਼ੀਕਿਊਟਿਵ ਬਿਜਲੀ ਦੇ ਖਰਚੇ ਬਾਰੇ ਸਵਾਲ ਟਾਲਦਾ ਹੈ, ਤਾਂ ਉਹ ਤੁਹਾਨੂੰ ਦੱਸ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਕਿ API ਦੀ ਕੀਮਤ ਵਧਣ ਵਾਲੀ ਹੈ। ਜਦੋਂ ਉਹ ਮਾਡਲ ਦੇ ‘ਸੋਚਣ’ ਦਾ ਡੈਮੋ ਦਿਖਾਉਂਦੇ ਹਨ, ਤਾਂ ਉਹ ਤੁਹਾਨੂੰ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਲਈ ਤਿਆਰ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ ਜਿੱਥੇ ਦੇਰੀ (latency) ਕੋਈ ਬੱਗ ਨਹੀਂ ਸਗੋਂ ਇੱਕ ਫੀਚਰ ਹੋਵੇਗੀ। ਇਹ ਸੰਕੇਤ ਹੀ ਅੱਗੇ ਰਹਿਣ ਦਾ ਇੱਕੋ-ਇੱਕ ਤਰੀਕਾ ਹਨ।

ਇਹਨਾਂ ਇੰਟਰਵਿਊਆਂ ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਚੀਜ਼ਾਂ ਵੀ ਬਹੁਤ ਕੁਝ ਦੱਸਦੀਆਂ ਹਨ। ਜਦੋਂ ਕਿਸੇ CEO ਨੂੰ ਨੌਕਰੀਆਂ ਖਤਮ ਹੋਣ ਬਾਰੇ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਦੇ ਹਾਵ-ਭਾਵ ਉਹਨਾਂ ਦੇ ਸ਼ਬਦਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਸੱਚ ਬੋਲਦੇ ਹਨ। ਇੱਕ ਘਬਰਾਹਟ ਵਾਲਾ ਹਾਸਾ ਜਾਂ ਕੈਮਰੇ ਤੋਂ ਨਜ਼ਰਾਂ ਚੁਰਾਉਣਾ ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਅੰਦਰੂਨੀ ਅੰਦਾਜ਼ੇ ਬਾਹਰੀ ਬਿਆਨਾਂ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਖਤਰਨਾਕ ਹਨ। ਅਸੀਂ ਇਹ ਉਦੋਂ ਦੇਖਦੇ ਹਾਂ ਜਦੋਂ ਲੀਡਰ AGI ਦੇ ਸਮੇਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ। ਉਹ ਕਹਿ ਸਕਦੇ ਹਨ “ਇੱਕ ਦਹਾਕੇ ਵਿੱਚ,” ਪਰ ਉਹਨਾਂ ਦੀ ਗੰਭੀਰਤਾ ਦੱਸਦੀ ਹੈ ਕਿ ਉਹ ਬਹੁਤ ਜਲਦੀ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੇ ਹਨ। ਜੇਕਰ ਕਾਰੋਬਾਰ ਹੌਲੀ ਬਦਲਾਅ ਦੀ ਤਿਆਰੀ ਕਰਦੇ ਹਨ ਜਦੋਂ ਕਿ ਟੈਕਨਾਲੋਜੀ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ, ਤਾਂ ਆਰਥਿਕ ਨੁਕਸਾਨ ਬਹੁਤ ਹੋਵੇਗਾ। OpenAI o1 ਸੀਰੀਜ਼ ਵਰਗੇ ਨਵੇਂ ਪ੍ਰੋਡਕਟ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ‘ਸੋਚਣ’ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਸੱਚ ਹੈ। ਇਹ ਹੁਣ ਸਿਰਫ਼ ਬਿਹਤਰ ਆਟੋ-ਕੰਪਲੀਟ ਨਹੀਂ ਰਿਹਾ, ਸਗੋਂ ਮਸ਼ੀਨਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਹੈ।

ਜੇਕਰ ਅਸੀਂ ਇਹਨਾਂ ਇੰਟਰਵਿਊਆਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੀਏ, ਤਾਂ ਕਈ ਲੁਕਵੇਂ ਖਰਚੇ ਅਤੇ ਉਲਝਣਾਂ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ। ਜੇਕਰ ਮਾਡਲ ਬਿਹਤਰ ਹੋ ਰਹੇ ਹਨ, ਤਾਂ ਬਿਜਲੀ ਦੀ ਮੰਗ ਇੰਨੀ ਕਿਉਂ ਵਧ ਰਹੀ ਹੈ? ਲੀਡਰ ਅਕਸਰ ਕੁਸ਼ਲਤਾ ਦੀ ਗੱਲ ਕਰਦੇ ਹਨ ਪਰ ਨਾਲ ਹੀ ਨਵੇਂ ਡੇਟਾ ਸੈਂਟਰਾਂ ਲਈ ਅਰਬਾਂ ਡਾਲਰ ਵੀ ਮੰਗਦੇ ਹਨ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਵਿਰੋਧਾਭਾਸ ਹੈ ਜਿਸਦਾ ਜਵਾਬ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ। ਇਸ ਇਨਫਰਾਸਟਰੱਕਚਰ ਦਾ ਖਰਚਾ ਕੌਣ ਚੁੱਕੇਗਾ? ਲੁਕਿਆ ਹੋਇਆ ਖਰਚਾ ਸਿਰਫ਼ ਪੈਸਾ ਨਹੀਂ, ਸਗੋਂ ਵਾਤਾਵਰਣ ਅਤੇ ਸਮਾਜਿਕ ਵੀ ਹੋ ਸਕਦਾ ਹੈ। ‘agentic’ AI ਦੇ ਦੌਰ ਵਿੱਚ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਜੇਕਰ AI ਨੇ ਤੁਹਾਡੇ ਲਈ ਕੰਮ ਕਰਨਾ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਤੁਹਾਡੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਚਾਹੀਦੀ ਹੋਵੇਗੀ। ਇੰਟਰਵਿਊਆਂ ਵਿੱਚ ਇਸ ਬਾਰੇ ਕੋਈ ਸਾਫ਼ ਜਵਾਬ ਨਹੀਂ ਮਿਲਦਾ। ਸਾਨੂੰ ਉਹਨਾਂ ਮਜ਼ਦੂਰਾਂ ਬਾਰੇ ਵੀ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਘੱਟ ਪੈਸਿਆਂ ਵਿੱਚ ਦਿਨ-ਰਾਤ ਕੰਮ ਕਰਦੇ ਹਨ।

ਇਹਨਾਂ ਵਿਸ਼ਿਆਂ ‘ਤੇ ਚੁੱਪ ਰਹਿਣਾ ਵੀ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਸੰਦੇਸ਼ ਹੈ। ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਇੰਡਸਟਰੀ ਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਕਿੱਥੇ 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।

ਪਾਵਰ ਯੂਜ਼ਰਸ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਲਈ, ਇਹਨਾਂ ਇੰਟਰਵਿਊਆਂ ਦਾ ‘geek’ ਹਿੱਸਾ ਸਭ ਤੋਂ ਕੀਮਤੀ ਹੈ। ਇੱਥੇ ‘memory wall’ ਵਰਗੀਆਂ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਗੱਲ ਹੁੰਦੀ ਹੈ ਜਿੱਥੇ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਦੀ ਸਪੀਡ ਹੀ ਰੁਕਾਵਟ ਬਣ ਜਾਂਦੀ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਲੋਕਲ ਸਟੋਰੇਜ ਅਤੇ edge computing ਹੁਣ ਚਰਚਾ ਵਿੱਚ ਹਨ। ਜੇਕਰ ਕਲਾਊਡ ਬਹੁਤ ਹੌਲੀ ਜਾਂ ਮਹਿੰਗਾ ਹੈ, ਤਾਂ ਇੰਡਸਟਰੀ ਨੂੰ ਛੋਟੇ ਅਤੇ ਕੁਸ਼ਲ ਮਾਡਲਾਂ ਵੱਲ ਵਧਣਾ ਪਵੇਗਾ। ਇੰਟਰਵਿਊਆਂ ਦੱਸਦੀਆਂ ਹਨ ਕਿ ਮਾਰਕੀਟ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡੀ ਜਾਵੇਗੀ: ਕਲਾਊਡ ਵਿੱਚ ਵੱਡੇ ਮਾਡਲ ਅਤੇ ਰੋਜ਼ਾਨਾ ਵਰਤੋਂ ਲਈ ਛੋਟੇ ਮਾਡਲ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ‘quantization’ ਅਤੇ ‘speculative decoding’ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਵੱਲ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੈ। API ਲਿਮਿਟਸ ਵੀ ਇੱਕ ਵੱਡਾ ਫੈਕਟਰ ਹਨ। ਰਿਸਰਚਰਾਂ ਦੁਆਰਾ ਦੱਸੇ ਗਏ ਵਰਕਫਲੋ ਨੂੰ ਸਮਝਣਾ ਹੀ ਟਿਕਾਊ ਪ੍ਰੋਡਕਟ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਹੈ। ਉਹ ਹੁਣ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵੱਲ ਵਧ ਰਹੇ ਹਨ ਜਿੱਥੇ ਮਾਡਲ ਸਿਰਫ਼ ਇੱਕ ‘compound AI system’ ਦਾ ਹਿੱਸਾ ਹੋਵੇਗਾ ਜਿਸ ਵਿੱਚ ਡੇਟਾਬੇਸ ਅਤੇ ਸਰਚ ਟੂਲ ਸ਼ਾਮਲ ਹੋਣਗੇ।

• ਸਿੰਗਲ-ਮਾਡਲ ਲੋਜਿਕ ਤੋਂ ਕੰਪਾਊਂਡ ਸਿਸਟਮਾਂ ਵੱਲ ਬਦਲਾਅ ਜੋ ਜਵਾਬਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਕਈ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
• ‘inference-time compute’ ਦੀ ਵਧਦੀ ਮਹੱਤਤਾ ਜਿੱਥੇ ਮਾਡਲ ਇੱਕ ਸਵਾਲ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ‘ਤੇ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲਗਾਉਂਦਾ ਹੈ।

ਨਿਚੋੜ ਇਹ ਹੈ ਕਿ AI ਦੀ ਦੁਨੀਆ ਦੀ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਸਾਡੇ ਸਾਹਮਣੇ ਹੀ ਲੁਕੀ ਹੋਈ ਹੈ। ਲੰਬੀਆਂ ਇੰਟਰਵਿਊਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਕੇ, ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਵੱਡੇ ਬਦਲਾਅ ਮਿਸ ਕਰ ਰਹੇ ਹਨ। ਇੰਡਸਟਰੀ ਹੁਣ ਖੋਜ ਦੇ ਪੜਾਅ ਤੋਂ ਨਿਕਲ ਕੇ ਵੱਡੇ ਉਦਯੋਗੀਕਰਨ ਵੱਲ ਵਧ ਰਹੀ ਹੈ। ਇਸ ਲਈ ਵੱਖਰੇ ਹੁਨਰ ਅਤੇ ਸੋਚ ਦੀ ਲੋੜ ਹੈ। ਲੀਡਰਾਂ ਦੀਆਂ ਗੱਲਾਂ ਅਗਲੇ ਪੰਜ ਸਾਲਾਂ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਦਾ ਨਕਸ਼ਾ ਹਨ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ‘ਇੰਟੈਲੀਜੈਂਸ’ ਬਿਜਲੀ ਵਾਂਗ ਵਿਕਣ ਵਾਲੀ ਚੀਜ਼ ਹੋਵੇਗੀ। ਇਹ ਸਭ ਇਸ ਗੱਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਸੰਕੇਤਾਂ ਨੂੰ ਕਿਵੇਂ ਸਮਝਦੇ ਹਾਂ ਅਤੇ ਹੁਣ ਕਿਹੜੇ ਸਵਾਲ ਪੁੱਛਦੇ ਹਾਂ।

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।