AI ਦੀ ਫਿਲਾਸਫੀ: ਉਹਨਾਂ ਲਈ ਜੋ ਇਸਨੂੰ ਬੋਰਿੰਗ ਸਮਝਦੇ ਹਨ 2026

ਵਿਹਾਰਕ ਚੋਣ

ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਫਿਲਾਸਫੀ ਨੂੰ ਇਸ ਬਹਿਸ ਵਜੋਂ ਦੇਖਦੇ ਹਨ ਕਿ ਕੀ ਰੋਬੋਟਾਂ ਕੋਲ ਰੂਹ ਹੁੰਦੀ ਹੈ। ਇਹ ਇੱਕ ਵੱਡੀ ਗਲਤੀ ਹੈ ਜੋ ਸਮਾਂ ਬਰਬਾਦ ਕਰਦੀ ਹੈ ਅਤੇ ਅਸਲ ਖਤਰਿਆਂ ਨੂੰ ਲੁਕਾਉਂਦੀ ਹੈ। ਪੇਸ਼ੇਵਰ ਦੁਨੀਆ ਵਿੱਚ, ਇਸ ਟੈਕਨਾਲੋਜੀ ਦੀ ਫਿਲਾਸਫੀ ਅਸਲ ਵਿੱਚ ਜਵਾਬਦੇਹੀ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਮਨੁੱਖੀ ਮਿਹਨਤ ਦੀ ਲਾਗਤ ਬਾਰੇ ਇੱਕ ਚਰਚਾ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਜਦੋਂ ਕੋਈ ਮਾਡਲ ਅਜਿਹੀ ਗਲਤੀ ਕਰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਕੰਪਨੀ ਨੂੰ ਲੱਖਾਂ ਡਾਲਰਾਂ ਦਾ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜ਼ਿੰਮੇਵਾਰ ਕੌਣ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਕੀ ਇੱਕ ਰਚਨਾਤਮਕ ਵਰਕਰ ਉਸ ਸਟਾਈਲ ਦਾ ਮਾਲਕ ਹੈ ਜਿਸਨੂੰ ਉਸਨੇ ਦਹਾਕਿਆਂ ਦੀ ਮਿਹਨਤ ਨਾਲ ਨਿਖਾਰਿਆ ਹੈ। ਅਸੀਂ ਹੁਣ ਇਹ ਸੋਚਣ ਦੇ ਦੌਰ ਤੋਂ ਅੱਗੇ ਨਿਕਲ ਚੁੱਕੇ ਹਾਂ ਕਿ ਕੀ ਮਸ਼ੀਨਾਂ ਸੋਚ ਸਕਦੀਆਂ ਹਨ। ਅਸੀਂ ਹੁਣ ਉਸ ਦੌਰ ਵਿੱਚ ਹਾਂ ਜਿੱਥੇ ਇਹ ਤੈਅ ਕਰਨਾ ਹੈ ਕਿ ਅਸੀਂ ਉਹਨਾਂ ‘ਤੇ ਕਿੰਨਾ ਭਰੋਸਾ ਕਰਦੇ ਹਾਂ। ਇੰਡਸਟਰੀ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਆਏ ਬਦਲਾਅ ਨੇ ਚੈਟ ਬੋਟਸ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਅਜਿਹੇ ਏਜੰਟਾਂ ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਹੈ ਜੋ ਫਲਾਈਟਾਂ ਬੁੱਕ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਕੋਡ ਲਿਖ ਸਕਦੇ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਸਾਨੂੰ ਚੇਤਨਾ ਦੇ ਰਹੱਸ ਦੀ ਬਜਾਏ ਭਰੋਸੇ ਦੇ ਮਕੈਨਿਕਸ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੀ ਹੈ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਫਿਲਾਸਫੀ ਤੋਂ ਨਫ਼ਰਤ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਕੰਟਰੈਕਟ ਗੱਲਬਾਤ ਦੀ ਇੱਕ ਲੜੀ ਵਜੋਂ ਦੇਖੋ। ਤੁਸੀਂ ਇੱਕ ਅਜਿਹੇ ਨਵੇਂ ਕਿਸਮ ਦੇ ਕਰਮਚਾਰੀ ਲਈ ਸ਼ਰਤਾਂ ਤੈਅ ਕਰ ਰਹੇ ਹੋ ਜੋ ਕਦੇ ਸੌਂਦਾ ਨਹੀਂ ਪਰ ਅਕਸਰ ਭਰਮ (hallucinations) ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ। ਟੀਚਾ ਇੱਕ ਅਜਿਹਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ ਹੈ ਜਿੱਥੇ ਸਪੀਡ ਦੇ ਫਾਇਦੇ ਸਿਸਟਮ ਫੇਲ ਹੋਣ ਦੇ ਜੋਖਮਾਂ ਤੋਂ ਵੱਧ ਨਾ ਹੋਣ।

ਮਸ਼ੀਨ ਲੋਜਿਕ ਦੇ ਮਕੈਨਿਕਸ

ਇੰਡਸਟਰੀ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਤੁਹਾਨੂੰ ਮਾਰਕੀਟਿੰਗ ਸ਼ਬਦਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਪਵੇਗਾ। ਇੱਕ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ ਕੋਈ ਦਿਮਾਗ ਨਹੀਂ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਅੰਕੜਾ ਨਕਸ਼ਾ (statistical map) ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਪ੍ਰੋਂਪਟ ਟਾਈਪ ਕਰਦੇ ਹੋ, ਤਾਂ ਸਿਸਟਮ ਤੁਹਾਡੇ ਸਵਾਲ ਬਾਰੇ ਨਹੀਂ ਸੋਚ ਰਿਹਾ ਹੁੰਦਾ। ਇਹ ਗਣਨਾ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ ਕਿ ਅਰਬਾਂ ਉਦਾਹਰਣਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਕਿਹੜਾ ਸ਼ਬਦ ਪਿਛਲੇ ਸ਼ਬਦ ਤੋਂ ਬਾਅਦ ਆਉਣ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਇਹ ਸਿਸਟਮ ਕਵਿਤਾ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹਨ ਪਰ ਬੇਸਿਕ ਗਣਿਤ ਵਿੱਚ ਬਹੁਤ ਮਾੜੇ ਹਨ। ਉਹ ਇਹ ਸਮਝਦੇ ਹਨ ਕਿ ਲੋਕ ਨੰਬਰਾਂ ਬਾਰੇ ਕਿਵੇਂ ਗੱਲ ਕਰਦੇ ਹਨ, ਪਰ ਉਹ ਨੰਬਰਾਂ ਦੇ ਆਪਣੇ ਤਰਕ ਨੂੰ ਨਹੀਂ ਸਮਝਦੇ। ਇਹ ਅੰਤਰ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜੋ ਇਹਨਾਂ ਟੂਲਸ ਨੂੰ ਬਿਜ਼ਨਸ ਸੈਟਿੰਗ ਵਿੱਚ ਵਰਤ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਤੱਥ-ਅਧਾਰਿਤ ਰਿਕਾਰਡ ਮੰਨਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਟੂਲ ਦੀ ਗਲਤ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ। ਇਹ ਇੱਕ ਰਚਨਾਤਮਕ ਸਿੰਥੇਸਾਈਜ਼ਰ ਹੈ, ਡੇਟਾਬੇਸ ਨਹੀਂ। ਇਹ ਉਲਝਣ ਅਕਸਰ ਇਸ ਗੱਲ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਮਨੁੱਖੀ ਹਮਦਰਦੀ ਦੀ ਨਕਲ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਰਦੇ ਹਨ। ਉਹ ਦਿਆਲੂ, ਨਿਰਾਸ਼ ਜਾਂ ਮਦਦਗਾਰ ਸੁਣ ਸਕਦੇ ਹਨ, ਪਰ ਇਹ ਸਿਰਫ ਭਾਸ਼ਾਈ ਸ਼ੀਸ਼ੇ ਹਨ। ਉਹ ਉਸ ਡੇਟਾ ਦੇ ਟੋਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਿਸ ‘ਤੇ ਉਹਨਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਸੀ।

ਅਸੀਂ ਹਾਲ ਹੀ ਵਿੱਚ ਜੋ ਬਦਲਾਅ ਦੇਖਿਆ ਹੈ, ਉਹ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਡੇਟਾ ਨਾਲ ਜੋੜਨ ਵੱਲ ਹੈ। ਇੱਕ ਮਾਡਲ ਨੂੰ ਜਵਾਬ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੇਣ ਦੀ ਬਜਾਏ, ਕੰਪਨੀਆਂ ਹੁਣ ਉਹਨਾਂ ਨੂੰ ਆਪਣੀਆਂ ਅੰਦਰੂਨੀ ਫਾਈਲਾਂ ਨਾਲ ਜੋੜ ਰਹੀਆਂ ਹਨ। ਇਹ ਮਾਡਲ ਦੁਆਰਾ ਗਲਤ ਜਾਣਕਾਰੀ ਬਣਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਗੱਲਬਾਤ ਦੇ ਦਾਅ ਨੂੰ ਵੀ ਬਦਲਦਾ ਹੈ। ਅਸੀਂ ਹੁਣ ਇਹ ਨਹੀਂ ਪੁੱਛ ਰਹੇ ਕਿ ਮਾਡਲ ਕੀ ਜਾਣਦਾ ਹੈ। ਅਸੀਂ ਪੁੱਛ ਰਹੇ ਹਾਂ ਕਿ ਮਾਡਲ ਸਾਡੀ ਜਾਣਕਾਰੀ ਤੱਕ ਕਿਵੇਂ ਪਹੁੰਚ ਕਰਦਾ ਹੈ। ਇਹ ਜਨਰੇਟਿਵ ਆਰਟ ਤੋਂ ਫੰਕਸ਼ਨਲ ਉਪਯੋਗਤਾ ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਹੈ। ਇੱਥੇ ਫਿਲਾਸਫੀ ਸਧਾਰਨ ਹੈ। ਇਹ ਇੱਕ ਕਹਾਣੀਕਾਰ ਅਤੇ ਇੱਕ ਫਾਈਲਿੰਗ ਕਲਰਕ ਵਿਚਕਾਰ ਅੰਤਰ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾ ਕਲਰਕ ਚਾਹੁੰਦੇ ਹਨ, ਪਰ ਟੈਕਨਾਲੋਜੀ ਕਹਾਣੀਕਾਰ ਬਣਨ ਲਈ ਬਣਾਈ ਗਈ ਸੀ। ਇਹਨਾਂ ਦੋ ਪਛਾਣਾਂ ਨੂੰ ਮੇਲਣਾ ਅੱਜ ਡਿਵੈਲਪਰਾਂ ਲਈ ਮੁੱਖ ਚੁਣੌਤੀ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਹੋਵੇਗਾ ਕਿ ਕੀ ਤੁਸੀਂ ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਚਾਹੁੰਦੇ ਹੋ ਜੋ ਰਚਨਾਤਮਕ ਹੋਵੇ ਜਾਂ ਜੋ ਸਹੀ ਹੋਵੇ, ਕਿਉਂਕਿ ਵਰਤਮਾਨ ਵਿੱਚ, ਦੋਵਾਂ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਅਧਿਕਤਮ ਪੱਧਰ ‘ਤੇ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ।

ਗਲੋਬਲ ਦਾਅ ਅਤੇ ਰਾਸ਼ਟਰੀ ਹਿੱਤ

ਇਹਨਾਂ ਚੋਣਾਂ ਦਾ ਪ੍ਰਭਾਵ ਸਿਰਫ ਵਿਅਕਤੀਗਤ ਦਫਤਰਾਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ। ਸਰਕਾਰਾਂ ਹੁਣ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਦਾ ਮਾਮਲਾ ਮੰਨ ਰਹੀਆਂ ਹਨ। ਅਮਰੀਕਾ ਵਿੱਚ, ਕਾਰਜਕਾਰੀ ਆਦੇਸ਼ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸੁਰੱਖਿਆ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ। ਯੂਰਪ ਵਿੱਚ, AI Act ਨੇ ਇੱਕ ਕਾਨੂੰਨੀ ਫਰੇਮਵਰਕ ਬਣਾਇਆ ਹੈ ਜੋ ਸਿਸਟਮਾਂ ਨੂੰ ਜੋਖਮ ਦੇ ਆਧਾਰ ‘ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਸਥਿਤੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਕੈਲੀਫੋਰਨੀਆ ਵਿੱਚ ਇੱਕ ਡਿਵੈਲਪਰ ਦੀ ਫਿਲਾਸਫੀ ਬਰਲਿਨ ਵਿੱਚ ਇੱਕ ਉਤਪਾਦ ਦੀ ਕਾਨੂੰਨੀਤਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਖੰਡਿਤ ਦੁਨੀਆ ਦੇਖ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਇਸ ਬਾਰੇ ਬਹੁਤ ਵੱਖਰੇ ਵਿਚਾਰ ਹਨ ਕਿ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਕੀ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਕੁਝ ਦੇਸ਼ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਕਿਸੇ ਵੀ ਕੀਮਤ ‘ਤੇ ਆਰਥਿਕ ਉਤਪਾਦਨ ਨੂੰ ਵਧਾਉਣ ਦੇ ਤਰੀਕੇ ਵਜੋਂ ਦੇਖਦੇ ਹਨ। ਦੂਸਰੇ ਇਸਨੂੰ ਸਮਾਜਿਕ ਤਾਣੇ-ਬਾਣੇ ਅਤੇ ਲੇਬਰ ਮਾਰਕੀਟ ਲਈ ਖਤਰਾ ਮੰਨਦੇ ਹਨ। ਇਹ ਹਰ ਮਾਰਕੀਟ ਲਈ ਨਿਯਮਾਂ ਦਾ ਇੱਕ ਵੱਖਰਾ ਸੈੱਟ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਛੋਟੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਉਹਨਾਂ ਦਿੱਗਜਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨਾ ਔਖਾ ਹੋ ਜਾਂਦਾ ਹੈ ਜੋ ਵੱਡੀਆਂ ਕਾਨੂੰਨੀ ਟੀਮਾਂ ਰੱਖ ਸਕਦੇ ਹਨ।

ਇਸ ਟੈਕਨਾਲੋਜੀ ਲਈ ਗਲੋਬਲ ਸਪਲਾਈ ਚੇਨ ਵੀ ਤਣਾਅ ਦਾ ਇੱਕ ਬਿੰਦੂ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦਾ ਹਾਰਡਵੇਅਰ ਕੁਝ ਕੁ ਹੱਥਾਂ ਵਿੱਚ ਕੇਂਦਰਿਤ ਹੈ। ਇਹ ਉਹਨਾਂ ਦੇਸ਼ਾਂ ਵਿਚਕਾਰ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦੀ ਪਾਵਰ ਡਾਇਨਾਮਿਕਸ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਚਿਪਸ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਨ, ਜੋ ਉਹਨਾਂ ਨੂੰ ਨਿਰਮਾਣ ਕਰਦੇ ਹਨ, ਅਤੇ ਜੋ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਔਸਤ ਉਪਭੋਗਤਾ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਿਨ੍ਹਾਂ ਟੂਲਸ ‘ਤੇ ਤੁਸੀਂ ਨਿਰਭਰ ਕਰਦੇ ਹੋ, ਉਹ ਵਪਾਰਕ ਯੁੱਧਾਂ ਜਾਂ ਨਿਰਯਾਤ ਨਿਯੰਤਰਣਾਂ ਦੇ ਅਧੀਨ ਹੋ ਸਕਦੇ ਹਨ। AI ਦੀ ਫਿਲਾਸਫੀ ਹੁਣ ਪ੍ਰਭੂਸੱਤਾ (sovereignty) ਦੀ ਫਿਲਾਸਫੀ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ। ਜੇਕਰ ਕੋਈ ਦੇਸ਼ ਆਪਣੀ ਸਿਹਤ ਸੰਭਾਲ ਜਾਂ ਕਾਨੂੰਨੀ ਪ੍ਰਣਾਲੀ ਲਈ ਵਿਦੇਸ਼ੀ ਮਾਡਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹ ਆਪਣੇ ਖੁਦ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ‘ਤੇ ਨਿਯੰਤਰਣ ਗੁਆ ਦਿੰਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਅਸੀਂ ਸਥਾਨਕ ਮਾਡਲਾਂ ਅਤੇ ਸੋਵਰੇਨ ਕਲਾਉਡਸ ਲਈ ਜ਼ੋਰ ਦੇਖ ਰਹੇ ਹਾਂ। ਟੀਚਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਇੱਕ ਰਾਸ਼ਟਰ ਨੂੰ ਚਲਾਉਣ ਵਾਲਾ ਤਰਕ ਗ੍ਰਹਿ ਦੇ ਦੂਜੇ ਪਾਸੇ ਕਿਸੇ ਕਾਰਪੋਰੇਸ਼ਨ ਦੀ ਮਲਕੀਅਤ ਨਾ ਹੋਵੇ। ਇਹ ਬਹਿਸ ਦਾ ਉਹ ਵਿਹਾਰਕ ਪੱਖ ਹੈ ਜੋ ਅਕਸਰ ਵਿਗਿਆਨਕ ਕਲਪਨਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਵਿੱਚ ਗੁਆਚ ਜਾਂਦਾ ਹੈ।

ਸਿੰਥੈਟਿਕ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਇੱਕ ਸਵੇਰ

ਸਾਰਾਹ ਨਾਮ ਦੀ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਮੈਨੇਜਰ ਲਈ ਇੱਕ ਆਮ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਆਪਣੀ ਸਵੇਰ ਦੀ ਸ਼ੁਰੂਆਤ ਇੱਕ ਅਸਿਸਟੈਂਟ ਨੂੰ ਤਿੰਨ ਦਰਜਨ ਈਮੇਲਾਂ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਕਹਿ ਕੇ ਕਰਦੀ ਹੈ। ਅਸਿਸਟੈਂਟ ਇਹ ਸਕਿੰਟਾਂ ਵਿੱਚ ਕਰ ਦਿੰਦਾ ਹੈ, ਪਰ ਸਾਰਾਹ ਨੂੰ ਇਹ ਜਾਂਚਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਕੀ ਇਸਨੇ ਬਜਟ ਕਟੌਤੀ ਬਾਰੇ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਵੇਰਵਾ ਤਾਂ ਨਹੀਂ ਛੱਡ ਦਿੱਤਾ। ਬਾਅਦ ਵਿੱਚ, ਉਹ ਇੱਕ ਨਵੀਂ ਮੁਹਿੰਮ ਲਈ ਚਿੱਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਜਨਰੇਟਿਵ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਉਹ ਪ੍ਰੋਂਪਟ ਨੂੰ ਟਵੀਕ ਕਰਨ ਵਿੱਚ ਇੱਕ ਘੰਟਾ ਬਿਤਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਮਸ਼ੀਨ ਚਿੱਤਰਾਂ ਵਿੱਚ ਲੋਕਾਂ ਨੂੰ ਲਗਾਤਾਰ ਛੇ ਉਂਗਲਾਂ ਦੇ ਰਹੀ ਹੈ। ਦੁਪਹਿਰ ਨੂੰ, ਉਹ ਕੰਪਨੀ ਦੀ ਵੈੱਬਸਾਈਟ ‘ਤੇ ਇੱਕ ਬੱਗ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਇੱਕ ਕੋਡਿੰਗ ਅਸਿਸਟੈਂਟ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਭਾਵੇਂ ਉਹ ਕੋਡਿੰਗ ਨਹੀਂ ਜਾਣਦੀ। ਉਹ ਅਸਲ ਵਿੱਚ ਇੱਕ ਡਿਜੀਟਲ ਆਰਕੈਸਟਰਾ ਦੀ ਕੰਡਕਟਰ ਹੈ। ਉਹ ਮੈਨੂਅਲ ਲੇਬਰ ਨਹੀਂ ਕਰ ਰਹੀ ਹੈ, ਪਰ ਉਹ ਅੰਤਿਮ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਇਹ ਕੰਮ ਦੀ ਨਵੀਂ ਹਕੀਕਤ ਹੈ। ਇਹ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਨਾਲੋਂ ਐਡੀਟਿੰਗ ਅਤੇ ਤਸਦੀਕ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ। ਸਾਰਾਹ ਵਧੇਰੇ ਉਤਪਾਦਕ ਹੈ, ਪਰ ਉਹ ਵਧੇਰੇ ਥੱਕੀ ਹੋਈ ਵੀ ਹੈ। ਮਸ਼ੀਨ ਵਿੱਚ ਗਲਤੀਆਂ ਲਈ ਲਗਾਤਾਰ ਜਾਂਚ ਕਰਨ ਦਾ ਮਾਨਸਿਕ ਬੋਝ ਖੁਦ ਕੰਮ ਕਰਨ ਦੇ ਬੋਝ ਨਾਲੋਂ ਵੱਖਰਾ ਹੈ

ਸਾਰਾਹ ਦੀ ਕੰਪਨੀ ਲਈ ਪ੍ਰੋਤਸਾਹਨ ਵੀ ਬਦਲ ਗਏ ਹਨ। ਉਹ ਹੁਣ ਐਂਟਰੀ ਲੈਵਲ ਦੇ ਲੇਖਕਾਂ ਨੂੰ ਨੌਕਰੀ ‘ਤੇ ਨਹੀਂ ਰੱਖਦੇ। ਉਹ ਇੱਕ ਸੀਨੀਅਰ ਐਡੀਟਰ ਨੂੰ ਨੌਕਰੀ ‘ਤੇ ਰੱਖਦੇ ਹਨ ਜੋ ਸਮਾਨ ਮਾਤਰਾ ਵਿੱਚ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਲਈ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਪੈਸੇ ਬਚਾਉਂਦਾ ਹੈ, ਪਰ ਇਹ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਮੱਸਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜੇ ਕੋਈ ਐਂਟਰੀ ਲੈਵਲ ਦਾ ਕੰਮ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ ਤਾਂ ਸੀਨੀਅਰ ਐਡੀਟਰਾਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਕਿੱਥੋਂ ਆਵੇਗੀ? ਇਹ ਕੁਸ਼ਲਤਾ ਦੇ ਮੌਜੂਦਾ ਤਰਕ ਦਾ ਨਤੀਜਾ ਹੈ। ਅਸੀਂ ਵਰਤਮਾਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰ ਰਹੇ ਹਾਂ ਜਦੋਂ ਕਿ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਭਵਿੱਖ ਨੂੰ ਖੋਖਲਾ ਕਰ ਰਹੇ ਹਾਂ। ਸਿਰਜਣਹਾਰਾਂ ਲਈ ਦਾਅ ਹੋਰ ਵੀ ਵੱਡੇ ਹਨ। ਸੰਗੀਤਕਾਰ ਅਤੇ ਚਿੱਤਰਕਾਰ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ ਕੰਮ ਦੀ ਵਰਤੋਂ ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ ਜੋ ਹੁਣ ਨੌਕਰੀਆਂ ਲਈ ਉਹਨਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰ ਰਹੇ ਹਨ। ਇਹ ਸਿਰਫ ਮਾਰਕੀਟ ਵਿੱਚ ਬਦਲਾਅ ਨਹੀਂ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਕੋਸ਼ਿਸ਼ਾਂ ‘ਤੇ ਸਾਡੇ ਦੁਆਰਾ ਰੱਖੇ ਗਏ ਮੁੱਲ ਵਿੱਚ ਬਦਲਾਅ ਹੈ। ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਪ੍ਰਕਿਰਿਆ ਨਾਲੋਂ ਨਤੀਜੇ ਨੂੰ ਜ਼ਿਆਦਾ ਮਹੱਤਵ ਦੇ ਰਹੇ ਹਾਂ, ਅਤੇ ਜਦੋਂ ਪ੍ਰਕਿਰਿਆ ਇੱਕ ਬਲੈਕ ਬਾਕਸ ਦੇ ਅੰਦਰ ਲੁਕੀ ਹੁੰਦੀ ਹੈ ਤਾਂ ਸਾਡੇ ਸੱਭਿਆਚਾਰ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ।

• ਕੰਪਨੀ ਦੇ ਨੇਤਾਵਾਂ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਉਹ ਅਸਲ ਸੋਚ ਨਾਲੋਂ ਗਤੀ ਨੂੰ ਜ਼ਿਆਦਾ ਮਹੱਤਵ ਦਿੰਦੇ ਹਨ।
• ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਇੱਕ ਮੁੱਖ ਹੁਨਰ ਵਜੋਂ ਮਸ਼ੀਨ ਆਉਟਪੁੱਟ ਦਾ ਆਡਿਟ ਕਰਨਾ ਸਿੱਖਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਵਿਧਾਇਕਾਂ ਨੂੰ ਨਵੀਨਤਾ ਦੀ ਲੋੜ ਅਤੇ ਲੇਬਰ ਫੋਰਸ ਦੀ ਸੁਰੱਖਿਆ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਸਿਰਜਣਹਾਰਾਂ ਨੂੰ ਆਪਣੀ ਕੀਮਤ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਇਹ ਸਾਬਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਲੱਭਣੇ ਚਾਹੀਦੇ ਹਨ ਕਿ ਉਹਨਾਂ ਦਾ ਕੰਮ ਮਨੁੱਖੀ ਹੈ।
• ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਇਹ ਮੁੜ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਜਵਾਬ ਇੱਕ ਕਲਿੱਕ ਦੀ ਦੂਰੀ ‘ਤੇ ਹੋਣ ਤਾਂ ਉਹ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਵੇਂ ਗ੍ਰੇਡ ਦੇਣ।

ਆਟੋਮੇਸ਼ਨ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ

ਅਸੀਂ ਅਕਸਰ ਬਿੱਲ ਦਾ ਜ਼ਿਕਰ ਕੀਤੇ ਬਿਨਾਂ ਇਸ ਟੈਕਨਾਲੋਜੀ ਦੇ ਫਾਇਦਿਆਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਾਂ। ਪਹਿਲੀ ਲਾਗਤ ਪ੍ਰਾਈਵੇਸੀ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਵਧੇਰੇ ਉਪਯੋਗੀ ਬਣਾਉਣ ਲਈ, ਸਾਨੂੰ ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਡੇਟਾ ਦੇਣਾ ਪੈਂਦਾ ਹੈ। ਸਾਨੂੰ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਆਪਣੇ ਨਿੱਜੀ ਸ਼ਡਿਊਲ, ਨਿੱਜੀ ਨੋਟਸ, ਅਤੇ ਕਾਰਪੋਰੇਟ ਰਾਜ਼ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ ਫੀਡ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਰ ਉਹ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ? ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਦਾਅਵਾ ਕਰਦੀਆਂ ਹਨ ਕਿ ਉਹ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਗਾਹਕਾਂ ਦੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੀਆਂ, ਪਰ ਇੰਟਰਨੈਟ ਦਾ ਇਤਿਹਾਸ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਨੀਤੀਆਂ ਬਦਲ ਸਕਦੀਆਂ ਹਨ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਹਾਡਾ ਡੇਟਾ ਸਿਸਟਮ ਦੇ ਅੰਦਰ ਚਲਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਬਾਹਰ ਕੱਢਣਾ ਲਗਭਗ ਅਸੰਭਵ ਹੈ। ਇਹ ਸਹੂਲਤ ਲਈ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਇੱਕ ਸਥਾਈ ਸੌਦਾ ਹੈ। ਅਸੀਂ ਊਰਜਾ ਦੀ ਖਪਤ ਵਿੱਚ ਵੀ ਭਾਰੀ ਵਾਧਾ ਦੇਖ ਰਹੇ ਹਾਂ। ਇੱਕ ਸਿੰਗਲ ਵੱਡੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਇੱਕ ਸਾਲ ਲਈ ਹਜ਼ਾਰਾਂ ਘਰਾਂ ਨੂੰ ਬਿਜਲੀ ਦੇਣ ਲਈ ਲੋੜੀਂਦੀ ਬਿਜਲੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਵਧਦੇ ਹਾਂ, ਵਾਤਾਵਰਣ ਦੀ ਲਾਗਤ ਸਿਰਫ ਵਧੇਗੀ। ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਬਿੱਲੀ ਦੀ ਇੱਕ ਮਜ਼ਾਕੀਆ ਤਸਵੀਰ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਉਸ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਯੋਗ ਹੈ ਜੋ ਇਹ ਪੈਦਾ ਕਰਦੀ ਹੈ।

ਸੱਚਾਈ ਦੀ ਵੀ ਇੱਕ ਕੀਮਤ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਯਥਾਰਥਵਾਦੀ ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਬਣਾਉਣਾ ਆਸਾਨ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਸਬੂਤਾਂ ਦਾ ਮੁੱਲ ਘਟਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਕੁਝ ਵੀ ਫੇਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੁਝ ਵੀ ਸਾਬਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਇਹ ਪਹਿਲਾਂ ਹੀ ਸਾਡੀਆਂ ਰਾਜਨੀਤਿਕ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਸਾਡੀਆਂ ਕਾਨੂੰਨੀ ਅਦਾਲਤਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਦੌਰ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਡਿਫੌਲਟ ਧਾਰਨਾ ਇਹ ਹੈ ਕਿ ਜੋ ਅਸੀਂ ਸਕ੍ਰੀਨ ‘ਤੇ ਦੇਖਦੇ ਹਾਂ ਉਹ ਇੱਕ ਝੂਠ ਹੈ। ਇਹ ਉੱਚ ਪੱਧਰੀ ਸਮਾਜਿਕ ਰਗੜ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਬੁਨਿਆਦੀ ਤੱਥਾਂ ‘ਤੇ ਸਹਿਮਤ ਹੋਣਾ ਔਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਇੱਥੇ AI ਦੀ ਫਿਲਾਸਫੀ ਇੱਕ ਸਾਂਝੀ ਹਕੀਕਤ ਦੇ ਖਾਤਮੇ ਬਾਰੇ ਹੈ। ਜੇਕਰ ਹਰ ਕੋਈ ਦੁਨੀਆ ਦੇ ਇੱਕ ਅਜਿਹੇ ਸੰਸਕਰਣ ਨੂੰ ਦੇਖ ਰਿਹਾ ਹੈ ਜੋ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਫਿਲਟਰ ਅਤੇ ਬਦਲਿਆ ਗਿਆ ਹੈ, ਤਾਂ ਅਸੀਂ ਉਹਨਾਂ ਵੰਡਾਂ ਦੇ ਪਾਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਇੱਕ ਵਧੇਰੇ ਵਿਅਕਤੀਗਤ ਅਤੇ ਮਨੋਰੰਜਕ ਅਨੁਭਵ ਲਈ ਇੱਕ ਸਥਿਰ ਸਮਾਜਿਕ ਨੀਂਹ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹਾਂ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਚੋਣ ਹੈ ਜੋ ਅਸੀਂ ਹਰ ਵਾਰ ਕਰਦੇ ਹਾਂ ਜਦੋਂ ਅਸੀਂ ਇਹਨਾਂ ਟੂਲਸ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸਰੋਤ ਜਾਂ ਉਹਨਾਂ ਦੇ ਇਰਾਦੇ ‘ਤੇ ਸਵਾਲ ਕੀਤੇ ਬਿਨਾਂ ਵਰਤਦੇ ਹਾਂ।

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।

ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਅਤੇ ਸਥਾਨਕ ਸਿਸਟਮ

ਪਾਵਰ ਯੂਜ਼ਰਸ ਲਈ, ਗੱਲਬਾਤ ਸਿਰਫ ਨੈਤਿਕਤਾ ਤੋਂ ਵੱਧ ਹੈ। ਇਹ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਦੀਆਂ ਸੀਮਾਵਾਂ ਬਾਰੇ ਹੈ। ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਕੰਟੈਕਸਟ ਵਿੰਡੋ ਹੈ। ਇਹ ਉਹ ਜਾਣਕਾਰੀ ਦੀ ਮਾਤਰਾ ਹੈ ਜੋ ਇੱਕ ਮਾਡਲ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਆਪਣੀ ਸਰਗਰਮ ਮੈਮੋਰੀ ਵਿੱਚ ਰੱਖ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਵਿੰਡੋਜ਼ ਵਧ ਰਹੀਆਂ ਹਨ, ਉਹ ਅਜੇ ਵੀ ਸੀਮਤ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਹਜ਼ਾਰ ਪੰਨਿਆਂ ਦੀ ਕਿਤਾਬ ਫੀਡ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਅੰਤ ਤੱਕ ਪਹੁੰਚਣ ਤੱਕ ਸ਼ੁਰੂਆਤ ਨੂੰ ਭੁੱਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦੇਵੇਗਾ। ਇਹ ਲੰਬੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਅਸੰਗਤਤਾਵਾਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। API ਸੀਮਾਵਾਂ ਅਤੇ ਲੇਟੈਂਸੀ ਦਾ ਮੁੱਦਾ ਵੀ ਹੈ। ਜੇਕਰ ਤੁਹਾਡਾ ਕਾਰੋਬਾਰ ਕਿਸੇ ਤੀਜੀ-ਧਿਰ ਦੇ ਮਾਡਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਉਹਨਾਂ ਦੇ ਅਪਟਾਈਮ ਅਤੇ ਉਹਨਾਂ ਦੀ ਕੀਮਤ ਦੇ ਰਹਿਮ ‘ਤੇ ਹੋ। ਉਹਨਾਂ ਦੀਆਂ ਸੇਵਾ ਦੀਆਂ ਸ਼ਰਤਾਂ ਵਿੱਚ ਅਚਾਨਕ ਬਦਲਾਅ ਤੁਹਾਡੇ ਪੂਰੇ ਵਰਕਫਲੋ ਨੂੰ ਤੋੜ ਸਕਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਉੱਨਤ ਉਪਭੋਗਤਾ ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਸਥਾਨਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵੱਲ ਵਧ ਰਹੇ ਹਨ। ਉਹ ਨਿਯੰਤਰਣ ਅਤੇ ਗਤੀ ਬਣਾਈ ਰੱਖਣ ਲਈ ਆਪਣੇ ਖੁਦ ਦੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਛੋਟੇ ਮਾਡਲ ਚਲਾ ਰਹੇ ਹਨ।

ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਅਗਲੀ ਵੱਡੀ ਚੁਣੌਤੀ ਹੈ। ਵੈੱਬਸਾਈਟ ‘ਤੇ ਚੈਟ ਬਾਕਸ ਹੋਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਅਸਲ ਮੁੱਲ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਪ੍ਰੈਡਸ਼ੀਟ, ਡੇਟਾਬੇਸ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਮੈਂਟ ਸਾਫਟਵੇਅਰ ਵਰਗੇ ਮੌਜੂਦਾ ਟੂਲਸ ਨਾਲ ਜੋੜਨ ਤੋਂ ਆਉਂਦਾ ਹੈ। ਇਸ ਲਈ ਇਹ ਸਮਝਣ ਦੀ ਡੂੰਘੀ ਲੋੜ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਬਣਤਰਬੱਧ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਮਾਡਲ ਇਸਨੂੰ ਸਮਝ ਸਕੇ। ਅਸੀਂ RAG, ਜਾਂ Retrieval-Augmented Generation ਦਾ ਉਭਾਰ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਤਰੀਕਾ ਹੈ ਜਿੱਥੇ ਮਾਡਲ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਕਿਸੇ ਭਰੋਸੇਯੋਗ ਸਰੋਤ ਤੋਂ ਖਾਸ ਜਾਣਕਾਰੀ ਲੱਭਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਦੀ ਅੰਕੜਾ ਪ੍ਰਕਿਰਤੀ ਅਤੇ ਉਪਭੋਗਤਾ ਦੀਆਂ ਤੱਥਾਂ ਦੀਆਂ ਲੋੜਾਂ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸਿਸਟਮ ਵਿੱਚ ਗੁੰਝਲਦਾਰਤਾ ਦੀ ਇੱਕ ਪਰਤ ਜੋੜਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਸਰਚ ਇੰਜਣ, ਡੇਟਾਬੇਸ ਅਤੇ ਮਾਡਲ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਉੱਚ ਰੱਖ-ਰਖਾਅ ਵਾਲਾ ਹੱਲ ਹੈ ਜਿਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਹੁਨਰਾਂ ਦੇ ਇੱਕ ਖਾਸ ਸੈੱਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

• Quantization ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਵਜ਼ਨ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾ ਕੇ ਕੰਜ਼ਿਊਮਰ ਗ੍ਰੇਡ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
• Fine tuning ਘੱਟ ਪ੍ਰਸਿੱਧ ਹੋ ਰਹੀ ਹੈ ਕਿਉਂਕਿ RAG ਘੱਟ ਮਿਹਨਤ ਨਾਲ ਬਿਹਤਰ ਤੱਥ-ਅਧਾਰਿਤ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
• Tokenization ਇੱਕ ਲੁਕੀ ਹੋਈ ਲਾਗਤ ਬਣੀ ਹੋਈ ਹੈ ਜੋ ਕੁਝ ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਦੂਜਿਆਂ ਨਾਲੋਂ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਵਧੇਰੇ ਮਹਿੰਗਾ ਬਣਾ ਸਕਦੀ ਹੈ।
• ਸਥਾਨਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਸੰਵੇਦਨਸ਼ੀਲ ਕਾਰਪੋਰੇਟ ਡੇਟਾ ਲਈ 100 ਪ੍ਰਤੀਸ਼ਤ ਪ੍ਰਾਈਵੇਸੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ।
• Model distillation ਮੋਬਾਈਲ ਵਰਤੋਂ ਲਈ ਵਿਸ਼ਾਲ ਮਾਡਲਾਂ ਦੇ ਛੋਟੇ, ਤੇਜ਼ ਸੰਸਕਰਣ ਬਣਾ ਰਿਹਾ ਹੈ।

ਅੱਗੇ ਵਧਣ ਦਾ ਵਿਹਾਰਕ ਰਾਹ

AI ਦੀ ਫਿਲਾਸਫੀ ਕੰਮ ਤੋਂ ਇੱਕ ਭਟਕਣਾ ਨਹੀਂ ਹੈ। ਇਹ ਖੁਦ ਕੰਮ ਹੈ। ਹਰ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਚੁਣਦੇ ਹੋ, ਤੁਸੀਂ ਇਹ ਚੋਣ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਕਿਸਮ ਦਾ ਤਰਕ ਆਪਣੀ ਜ਼ਿੰਦਗੀ ‘ਤੇ ਹਾਵੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਤੁਸੀਂ ਇਹ ਫੈਸਲਾ ਕਰ ਰਹੇ ਹੋ ਕਿ ਕਿਹੜੇ ਜੋਖਮ ਸਵੀਕਾਰਯੋਗ ਹਨ ਅਤੇ ਕਿਹੜੀਆਂ ਲਾਗਤਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ। ਟੈਕਨਾਲੋਜੀ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੀ ਹੈ, ਪਰ ਮਨੁੱਖੀ ਲੋੜਾਂ ਉਹੀ ਹਨ। ਅਸੀਂ ਅਜਿਹੇ ਟੂਲ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ, ਨਾ ਕਿ ਅਜਿਹੇ ਟੂਲ ਜੋ ਸਾਡੀ ਜਗ੍ਹਾ ਲੈ ਲੈਣ। ਅਸੀਂ ਅਜਿਹੇ ਸਿਸਟਮ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਪਾਰਦਰਸ਼ੀ ਹੋਣ, ਨਾ ਕਿ ਅਜਿਹੇ ਸਿਸਟਮ ਜੋ ਹਨੇਰੇ ਵਿੱਚ ਕੰਮ ਕਰਨ। ਇਸ ਵਿਸ਼ੇ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਉਲਝਣ ਅਕਸਰ ਜਾਣਬੁੱਝ ਕੇ ਹੁੰਦੀ ਹੈ। ਕੰਪਨੀਆਂ ਲਈ ਇੱਕ ਜਾਦੂਈ ਬਾਕਸ ਵੇਚਣਾ ਇੱਕ ਗੁੰਝਲਦਾਰ ਅੰਕੜਾ ਟੂਲ ਵੇਚਣ ਨਾਲੋਂ ਸੌਖਾ ਹੈ। ਫਾਲਤੂ ਚੀਜ਼ਾਂ ਨੂੰ ਹਟਾ ਕੇ ਅਤੇ ਪ੍ਰੋਤਸਾਹਨਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਤ ਕਰਕੇ, ਤੁਸੀਂ ਟੈਕਨਾਲੋਜੀ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ। ਇਹ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ, ਨੁਕਸਦਾਰ, ਅਤੇ ਡੂੰਘੀ ਮਨੁੱਖੀ ਰਚਨਾ ਹੈ। ਇਹ ਸਾਡੇ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਚਾਰਾਂ ਅਤੇ ਸਾਡੀਆਂ ਸਭ ਤੋਂ ਮਾੜੀਆਂ ਆਦਤਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਟੀਚਾ ਇਸਨੂੰ ਆਪਣੀਆਂ ਅੱਖਾਂ ਖੋਲ੍ਹ ਕੇ ਵਰਤਣਾ ਹੈ, ਇਹ ਸਮਝਦੇ ਹੋਏ ਕਿ ਤੁਸੀਂ ਹਰ ਗੱਲਬਾਤ ਵਿੱਚ ਕੀ ਵਪਾਰ ਕਰ ਰਹੇ ਹੋ। ਤੁਸੀਂ ਇਹਨਾਂ ਤਬਦੀਲੀਆਂ ਤੋਂ ਅੱਗੇ ਰਹਿਣ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਨਵੀਨਤਮ ਰੁਝਾਨਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣ ਸਕਦੇ ਹੋ। ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਨੈਤਿਕਤਾ ਬਾਰੇ ਡੂੰਘੀ ਸਮਝ ਲਈ, Stanford Institute for Human-Centered AI ਅਤੇ MIT Technology Review ਵਰਗੇ ਸਰੋਤ ਸ਼ਾਨਦਾਰ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ New York Times ਦੇ ਟੈਕ ਸੈਕਸ਼ਨ ਵਿੱਚ ਕਾਨੂੰਨੀ ਤਬਦੀਲੀਆਂ ਨੂੰ ਵੀ ਟ੍ਰੈਕ ਕਰ ਸਕਦੇ ਹੋ।

ملاحظة المحرر: لقد أنشأنا هذا الموقع كمركز إخباري وإرشادي متعدد اللغات للذكاء الاصطناعي للأشخاص الذين ليسوا خبراء في الكمبيوتر، ولكنهم ما زالوا يرغبون في فهم الذكاء الاصطناعي، واستخدامه بثقة أكبر، ومتابعة المستقبل الذي بدأ بالفعل في الوصول.