ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਕਿਸ ਤਰ੍ਹਾਂ ਦੀ ਬੁੱਧੀ ਬਣਾ ਰਹੇ ਹਾਂ?

ਅਸੀਂ ਨਕਲੀ ਦਿਮਾਗ ਨਹੀਂ ਬਣਾ ਰਹੇ ਹਾਂ। ਅਸੀਂ ਅਜਿਹੇ ਆਧੁਨਿਕ ਅੰਕੜਾ ਇੰਜਣ ਬਣਾ ਰਹੇ ਹਾਂ ਜੋ ਕਿਸੇ ਲੜੀ ਵਿੱਚ ਅਗਲੀ ਸੰਭਾਵਿਤ ਜਾਣਕਾਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਮੌਜੂਦਾ ਚਰਚਾ ਵਿੱਚ ਅਕਸਰ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (large language models) ਨੂੰ ਅਜਿਹਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਉਹ ਨਵੇਂ ਜੈਵਿਕ ਦਿਮਾਗ ਹੋਣ, ਪਰ ਇਹ ਇੱਕ ਬੁਨਿਆਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਗਲਤੀ ਹੈ। ਇਹ ਸਿਸਟਮ ਸੰਕਲਪਾਂ ਨੂੰ ਨਹੀਂ ਸਮਝਦੇ, ਉਹ ਉੱਚ-ਆਯਾਮੀ ਗਣਿਤ ਰਾਹੀਂ ਟੋਕਨਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਨ। ਕਿਸੇ ਵੀ ਨਿਰੀਖਕ ਲਈ ਮੁੱਖ ਸਿੱਟਾ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਮਨੁੱਖੀ ਪ੍ਰਗਟਾਵੇ ਦੀ ਨਕਲ ਨੂੰ ਉਦਯੋਗਿਕ ਰੂਪ ਦੇ ਦਿੱਤਾ ਹੈ। ਇਹ ਸੰਸਲੇਸ਼ਣ (synthesis) ਲਈ ਇੱਕ ਟੂਲ ਹੈ, ਨਾ ਕਿ ਬੋਧ (cognition) ਲਈ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਆਧੁਨਿਕ ਮਾਡਲ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਜਨਤਕ ਇੰਟਰਨੈਟ ਦੇ ਇੱਕ ਸੰਕੁਚਿਤ ਸੰਸਕਰਣ ਤੋਂ ਪੁੱਛਗਿੱਛ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹੋ। ਇਹ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਉਹ ਸਹੀ ਹੋਵੇ। ਇਹ ਅੰਤਰ ਉਸ ਸੀਮਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜੋ ਤਕਨਾਲੋਜੀ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਜੋ ਅਸੀਂ ਕਲਪਨਾ ਕਰਦੇ ਹਾਂ ਕਿ ਇਹ ਕਰ ਸਕਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਇਹਨਾਂ ਟੂਲਜ਼ ਨੂੰ ਆਪਣੇ ਜੀਵਨ ਦੇ ਹਰ ਕੋਨੇ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦੇ ਹਾਂ, ਦਾਅ ਤਕਨੀਕੀ ਨਵੀਨਤਾ ਤੋਂ ਵਿਹਾਰਕ ਨਿਰਭਰਤਾ ਵੱਲ ਬਦਲ ਜਾਂਦੇ ਹਨ। ਸਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਬੰਦ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਮਸ਼ੀਨ ਸੋਚ ਰਹੀ ਹੈ ਅਤੇ ਇਹ ਪੁੱਛਣਾ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਅਸੀਂ ਆਪਣੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਇੱਕ ਸੰਭਾਵਨਾ ਵਕਰ (probability curve) ਨੂੰ ਸੌਂਪ ਦਿੰਦੇ ਹਾਂ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ। ਤੁਸੀਂ [Insert Your AI Magazine Domain Here] ‘ਤੇ ਸਾਡੀਆਂ ਨਵੀਨਤਮ AI ਇਨਸਾਈਟਸ ਵਿੱਚ ਇਹਨਾਂ ਬਦਲਾਵਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣ ਸਕਦੇ ਹੋ ਕਿਉਂਕਿ ਅਸੀਂ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਟਰੈਕ ਕਰਦੇ ਹਾਂ।

ਸੰਭਾਵੀ ਭਵਿੱਖਬਾਣੀ ਦਾ ਆਰਕੀਟੈਕਚਰ

ਤਕਨਾਲੋਜੀ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਕਿਸੇ ਨੂੰ ਟ੍ਰਾਂਸਫਾਰਮਰ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਉਹ ਗਣਿਤਿਕ ਢਾਂਚਾ ਹੈ ਜੋ ਇੱਕ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸ਼ਬਦਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਤੋਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਤੱਥਾਂ ਦੇ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦਾ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਵਜ਼ਨ ਅਤੇ ਪੱਖਪਾਤ (weights and biases) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕੋਈ ਉਪਭੋਗਤਾ ਪ੍ਰੋਂਪਟ ਇਨਪੁਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਉਸ ਟੈਕਸਟ ਨੂੰ ਵੈਕਟਰ (vectors) ਨਾਮਕ ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਹ ਵੈਕਟਰ ਹਜ਼ਾਰਾਂ ਮਾਪਾਂ ਵਾਲੀ ਜਗ੍ਹਾ ਵਿੱਚ ਮੌਜੂਦ ਹੁੰਦੇ ਹਨ। ਮਾਡਲ ਫਿਰ ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖੇ ਗਏ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਅਗਲੇ ਸ਼ਬਦ ਦੇ ਟ੍ਰੈਜੈਕਟਰੀ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਣਿਤਿਕ ਹੈ। ਇੱਥੇ ਕੋਈ ਅੰਦਰੂਨੀ ਮੋਨੋਲੋਗ ਜਾਂ ਚੇਤੰਨ ਪ੍ਰਤੀਬਿੰਬ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਵਿਸ਼ਾਲ, ਸਮਾਨਾਂਤਰ ਗਣਨਾ ਹੈ ਜੋ ਮਿਲੀਸਕਿੰਟਾਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ।

ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਕਿਤਾਬਾਂ, ਲੇਖਾਂ ਅਤੇ ਕੋਡ ਤੋਂ ਟ੍ਰਿਲੀਅਨਾਂ ਸ਼ਬਦ ਖੁਆਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਟੀਚਾ ਸਧਾਰਨ ਹੈ: ਅਗਲੇ ਟੋਕਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ। ਸਮੇਂ ਦੇ ਨਾਲ, ਮਾਡਲ ਇਸ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਵਿਆਕਰਣ ਦੀ ਬਣਤਰ, ਵੱਖ-ਵੱਖ ਲਿਖਣ ਸ਼ੈਲੀਆਂ ਦਾ ਲਹਿਜ਼ਾ, ਅਤੇ ਵਿਚਾਰਾਂ ਵਿਚਕਾਰ ਆਮ ਸਬੰਧਾਂ ਨੂੰ ਸਿੱਖਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਅਜੇ ਵੀ ਇਸਦੇ ਮੂਲ ਵਿੱਚ ਉਦਯੋਗਿਕ-ਪੱਧਰ ਦਾ ਪੈਟਰਨ ਮੈਚਿੰਗ ਹੈ। ਜੇਕਰ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਕੋਈ ਖਾਸ ਪੱਖਪਾਤ ਜਾਂ ਗਲਤੀ ਹੈ, ਤਾਂ ਮਾਡਲ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਇਸਨੂੰ ਦੁਹਰਾਏਗਾ ਕਿਉਂਕਿ ਉਹ ਗਲਤੀ ਇਸਦੇ ਡੇਟਾਸੈਟ ਦੇ ਅੰਦਰ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਮਾਡਲ ਭਰੋਸੇ ਨਾਲ ਝੂਠ ਬੋਲ ਸਕਦੇ ਹਨ। ਉਹ ਝੂਠ ਨਹੀਂ ਬੋਲ ਰਹੇ ਹਨ ਕਿਉਂਕਿ ਝੂਠ ਬੋਲਣ ਲਈ ਇਰਾਦੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਹ ਸਿਰਫ਼ ਸ਼ਬਦਾਂ ਦੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਮਾਰਗ ਦਾ ਪਾਲਣ ਕਰ ਰਹੇ ਹਨ, ਭਾਵੇਂ ਉਹ ਮਾਰਗ ਇੱਕ ਡੈੱਡ ਐਂਡ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੋਵੇ। Nature ਜਰਨਲ ਵਰਗੀਆਂ ਸੰਸਥਾਵਾਂ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦੱਸਿਆ ਹੈ ਕਿ ਵਰਲਡ ਮਾਡਲ ਦੀ ਇਹ ਘਾਟ ਸੱਚੀ ਤਰਕਸ਼ੀਲਤਾ ਲਈ ਮੁੱਖ ਰੁਕਾਵਟ ਹੈ। ਸਿਸਟਮ ਜਾਣਦਾ ਹੈ ਕਿ ਸ਼ਬਦ ਇੱਕ ਦੂਜੇ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਤ ਹਨ, ਪਰ ਇਹ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਸ਼ਬਦ ਭੌਤਿਕ ਸੰਸਾਰ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਤ ਹਨ।

ਆਰਥਿਕ ਪ੍ਰੇਰਣਾ ਅਤੇ ਗਲੋਬਲ ਤਬਦੀਲੀਆਂ

ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਣਾਉਣ ਦੀ ਗਲੋਬਲ ਦੌੜ ਮਨੁੱਖੀ ਮਿਹਨਤ ਦੀ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ਦੀ ਇੱਛਾ ਦੁਆਰਾ ਚਲਾਈ ਜਾਂਦੀ ਹੈ। ਦਹਾਕਿਆਂ ਤੋਂ, ਕੰਪਿਊਟਿੰਗ ਦੀ ਲਾਗਤ ਘਟੀ ਹੈ ਜਦੋਂ ਕਿ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਦੀ ਲਾਗਤ ਵਧੀ ਹੈ। ਕੰਪਨੀਆਂ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਉਸ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੇ ਇੱਕ ਤਰੀਕੇ ਵਜੋਂ ਦੇਖਦੀਆਂ ਹਨ। ਸੰਯੁਕਤ ਰਾਜ, ਯੂਰਪ ਅਤੇ ਏਸ਼ੀਆ ਵਿੱਚ, ਫੋਕਸ ਸਮੱਗਰੀ, ਕੋਡ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨਿਕ ਕੰਮਾਂ ਦੇ ਉਤਪਾਦਨ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨ ‘ਤੇ ਹੈ। ਇਸਦੇ ਗਲੋਬਲ ਲੇਬਰ ਮਾਰਕੀਟ ਲਈ ਤੁਰੰਤ ਨਤੀਜੇ ਹਨ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਤਬਦੀਲੀ ਦੇਖ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਇੱਕ ਕਰਮਚਾਰੀ ਦੀ ਕੀਮਤ ਹੁਣ ਬੁਨਿਆਦੀ ਟੈਕਸਟ ਜਾਂ ਸਧਾਰਨ ਸਕ੍ਰਿਪਟਾਂ ਤਿਆਰ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਨਾਲ ਨਹੀਂ ਜੁੜੀ ਹੋਈ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਮੁੱਲ ਉਸ ਚੀਜ਼ ਨੂੰ ਤਸਦੀਕ ਅਤੇ ਆਡਿਟ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ ਜੋ ਮਸ਼ੀਨ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਇਹ ਵ੍ਹਾਈਟ-ਕਾਲਰ ਅਰਥਵਿਵਸਥਾ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਹੈ।

ਸਰਕਾਰਾਂ ਵੀ ਇਸ ਵਿਕਾਸ ਦੀ ਗਤੀ ‘ਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਰਹੀਆਂ ਹਨ। ਨਵੀਨਤਾ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਅਤੇ ਸਵੈਚਾਲਿਤ ਫੈਸਲੇ ਲੈਣ ਦੇ ਨਤੀਜਿਆਂ ਤੋਂ ਨਾਗਰਿਕਾਂ ਨੂੰ ਬਚਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਤਣਾਅ ਹੈ। ਬੌਧਿਕ ਸੰਪੱਤੀ ਕਾਨੂੰਨ ਵਰਤਮਾਨ ਵਿੱਚ ਇੱਕ ਬਦਲਾਅ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹੈ। ਜੇਕਰ ਇੱਕ ਮਾਡਲ ਨੂੰ ਨਵੀਂ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਲਈ ਕਾਪੀਰਾਈਟ ਕੀਤੇ ਕੰਮਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਆਉਟਪੁੱਟ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ? ਇਹ ਸਿਰਫ਼ ਅਕਾਦਮਿਕ ਸਵਾਲ ਨਹੀਂ ਹਨ। ਉਹ ਅਰਬਾਂ ਡਾਲਰਾਂ ਦੀ ਸੰਭਾਵੀ ਦੇਣਦਾਰੀ ਅਤੇ ਮਾਲੀਏ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੇ ਹਨ। ਗਲੋਬਲ ਪ੍ਰਭਾਵ ਸਿਰਫ਼ ਸਾਫਟਵੇਅਰ ਬਾਰੇ ਹੀ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਉਹਨਾਂ ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਢਾਂਚਿਆਂ ਬਾਰੇ ਹੈ ਜੋ ਅਸੀਂ ਇਸਦੇ ਆਲੇ ਦੁਆਲੇ ਬਣਾਉਂਦੇ ਹਾਂ। ਅਸੀਂ ਦੇਖ ਰਹੇ ਹਾਂ ਕਿ ਵੱਖ-ਵੱਖ ਖੇਤਰ ਇਹਨਾਂ ਮੁੱਦਿਆਂ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੇ ਹਨ। ਕੁਝ ਸਖ਼ਤ ਨਿਯਮਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਨਿਵੇਸ਼ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਨ ਲਈ ਵਧੇਰੇ ਹੱਥ-ਪੱਲੇ ਪਹੁੰਚ ਅਪਣਾ ਰਹੇ ਹਨ। ਇਹ ਇੱਕ ਖੰਡਿਤ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਨਿਯਮ ਇਸ ਗੱਲ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਕਿੱਥੇ ਸਥਿਤ ਹੋ।

ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਵਿਹਾਰਕ ਨਤੀਜੇ

ਸਾਰਾਹ ਦੀ ਰੋਜ਼ਾਨਾ ਰੁਟੀਨ ‘ਤੇ ਗੌਰ ਕਰੋ, ਜੋ ਇੱਕ ਮੱਧ-ਆਕਾਰ ਦੀ ਫਰਮ ਵਿੱਚ ਪ੍ਰੋਜੈਕਟ ਮੈਨੇਜਰ ਹੈ। ਉਹ ਆਪਣੇ ਦਿਨ ਦੀ ਸ਼ੁਰੂਆਤ ਤੀਹ ਅਣਪੜ੍ਹੇ ਈਮੇਲਾਂ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਇੱਕ ਸਹਾਇਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਰਦੀ ਹੈ। ਟੂਲ ਮੁੱਖ ਨੁਕਤਿਆਂ ਨੂੰ ਬਾਹਰ ਕੱਢਣ ਦਾ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਮੁੱਖ ਗਾਹਕ ਦੇ ਸੰਦੇਸ਼ ਵਿੱਚ ਨਿਰਾਸ਼ਾ ਦੇ ਇੱਕ ਸੂਖਮ ਲਹਿਜ਼ੇ ਨੂੰ ਗੁਆ ਦਿੰਦਾ ਹੈ। ਸਾਰਾਹ, ਸਾਰ ‘ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹੋਏ, ਇੱਕ ਸੰਖੇਪ, ਸਵੈਚਾਲਿਤ ਜਵਾਬ ਭੇਜਦੀ ਹੈ ਜੋ ਗਾਹਕ ਨੂੰ ਹੋਰ ਪਰੇਸ਼ਾਨ ਕਰਦਾ ਹੈ। ਬਾਅਦ ਵਿੱਚ, ਉਹ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਪ੍ਰਸਤਾਵ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਹ ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੰਜ ਪੰਨਿਆਂ ਦਾ ਪੇਸ਼ੇਵਰ-ਆਵਾਜ਼ ਵਾਲਾ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਉਹ ਇਸਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਘੰਟਾ ਬਿਤਾਉਂਦੀ ਹੈ, ਛੋਟੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਠੀਕ ਕਰਦੀ ਹੈ ਅਤੇ ਖਾਸ ਵੇਰਵੇ ਜੋੜਦੀ ਹੈ ਜੋ ਮਸ਼ੀਨ ਨਹੀਂ ਜਾਣ ਸਕਦੀ ਸੀ। ਦਿਨ ਦੇ ਅੰਤ ਤੱਕ, ਉਹ ਵਾਲੀਅਮ ਦੇ ਰੂਪ ਵਿੱਚ ਵਧੇਰੇ ਲਾਭਕਾਰੀ ਰਹੀ ਹੈ, ਪਰ ਉਹ ਆਪਣੇ ਕੰਮ ਤੋਂ ਡਿਸਕਨੈਕਸ਼ਨ ਦੀ ਇੱਕ ਚਿੰਤਾਜਨਕ ਭਾਵਨਾ ਮਹਿਸੂਸ ਕਰਦੀ ਹੈ। ਉਹ ਹੁਣ ਇੱਕ ਨਿਰਮਾਤਾ ਨਹੀਂ ਹੈ, ਉਹ ਸਿੰਥੈਟਿਕ ਵਿਚਾਰਾਂ ਦੀ ਸੰਪਾਦਕ ਹੈ।

ਇਹ ਦ੍ਰਿਸ਼ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਕਿ ਲੋਕ ਕੀ ਜ਼ਿਆਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਨ ਅਤੇ ਕੀ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਨ। ਅਸੀਂ ਮਸ਼ੀਨ ਦੀ ਸੂਖਮਤਾ, ਇਰਾਦੇ ਅਤੇ ਮਨੁੱਖੀ ਭਾਵਨਾਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਦਾ ਜ਼ਿਆਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਾਂ। ਸਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਗੱਲਬਾਤ ਜਾਂ ਗੁੰਝਲਦਾਰ ਗੱਲਬਾਤ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ। ਉਸੇ ਸਮੇਂ, ਅਸੀਂ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹਨਾਂ ਟੂਲਜ਼ ਦੀ ਗਤੀ ਸਾਡੀਆਂ ਉਮੀਦਾਂ ਨੂੰ ਕਿੰਨਾ ਬਦਲਦੀ ਹੈ। ਕਿਉਂਕਿ ਸਾਰਾਹ ਇੱਕ ਘੰਟੇ ਵਿੱਚ ਇੱਕ ਪ੍ਰਸਤਾਵ ਤਿਆਰ ਕਰ ਸਕਦੀ ਹੈ, ਉਸਦਾ ਬੌਸ ਹੁਣ ਹਫ਼ਤੇ ਦੇ ਅੰਤ ਤੱਕ ਤਿੰਨ ਪ੍ਰਸਤਾਵਾਂ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ। ਤਕਨਾਲੋਜੀ ਸਾਨੂੰ ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਵਧੇਰੇ ਖਾਲੀ ਸਮਾਂ ਨਹੀਂ ਦਿੰਦੀ। ਇਹ ਅਕਸਰ ਸਿਰਫ਼ ਉਮੀਦ ਕੀਤੇ ਆਉਟਪੁੱਟ ਲਈ ਬੇਸਲਾਈਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਹ ਕੁਸ਼ਲਤਾ ਦਾ ਲੁਕਿਆ ਹੋਇਆ ਜਾਲ ਹੈ। ਇਹ ਇੱਕ ਚੱਕਰ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਸਾਨੂੰ ਉਹਨਾਂ ਟੂਲਜ਼ ਨਾਲ ਰਫਤਾਰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜੋ ਅਸੀਂ ਘੱਟ ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਲਈ ਬਣਾਏ ਸਨ।

ਇਹ ਸਮੱਗਰੀ ਸਪਸ਼ਟਤਾ ਅਤੇ ਡੂੰਘਾਈ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਮਦਦ ਨਾਲ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ। ਵਿਰੋਧਾਭਾਸ ਹਰ ਜਗ੍ਹਾ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਅਸੀਂ ਸਮਾਂ ਬਚਾਉਣ ਲਈ ਇਹਨਾਂ ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਫਿਰ ਵੀ ਅਸੀਂ ਉਸ ਬਚੇ ਹੋਏ ਸਮੇਂ ਨੂੰ ਟੂਲਜ਼ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਬਿਤਾਉਂਦੇ ਹਾਂ। ਅਸੀਂ ਮਨੁੱਖੀ ਸੰਪਰਕ ਦੀ ਕਦਰ ਕਰਦੇ ਹਾਂ, ਫਿਰ ਵੀ ਅਸੀਂ ਉਹਨਾਂ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਦੇ ਹਾਂ ਜੋ ਸਾਨੂੰ ਦੂਜਿਆਂ ਨਾਲ ਜੁੜਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਦਾਅ ਵਿਹਾਰਕ ਅਤੇ ਤੁਰੰਤ ਹਨ। ਉਹ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ ਕਿ ਅਸੀਂ ਆਪਣੀ ਰੋਜ਼ੀ-ਰੋਟੀ ਕਿਵੇਂ ਕਮਾਉਂਦੇ ਹਾਂ ਅਤੇ ਅਸੀਂ ਆਪਣੇ ਸਾਥੀਆਂ ਨਾਲ ਕਿਵੇਂ ਸੰਚਾਰ ਕਰਦੇ ਹਾਂ।

ਸਿੰਥੈਟਿਕ ਯੁੱਗ ਲਈ ਔਖੇ ਸਵਾਲ

ਸਾਨੂੰ ਇਸ ਤਕਨਾਲੋਜੀ ਦੇ ਮੌਜੂਦਾ ਟ੍ਰੈਜੈਕਟਰੀ ‘ਤੇ ਸੁਕਰਾਤਿਕ ਸੰਦੇਹਵਾਦ ਲਾਗੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆਂ ਵੱਲ ਵਧ ਰਹੇ ਹਾਂ ਜਿੱਥੇ ਜ਼ਿਆਦਾਤਰ ਡਿਜੀਟਲ ਸਮੱਗਰੀ ਸਿੰਥੈਟਿਕ ਹੈ, ਤਾਂ ਜਾਣਕਾਰੀ ਦੇ ਮੁੱਲ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ? ਜੇਕਰ ਹਰ ਜਵਾਬ ਇੱਕ ਅੰਕੜਾਤਮਕ ਔਸਤ ਹੈ, ਤਾਂ ਕੀ ਅਸਲ ਸੋਚ ਇੱਕ ਲਗਜ਼ਰੀ ਬਣ ਜਾਂਦੀ ਹੈ? ਸਾਨੂੰ ਉਹਨਾਂ ਲੁਕਵੇਂ ਖਰਚਿਆਂ ਨੂੰ ਵੀ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਕੰਪਨੀਆਂ ਘੱਟ ਹੀ ਚਰਚਾ ਕਰਦੀਆਂ ਹਨ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਊਰਜਾ ਵਿਸ਼ਾਲ ਹੈ। ਹਰ ਪੁੱਛਗਿੱਛ ਕੂਲਿੰਗ ਲਈ ਬਿਜਲੀ ਅਤੇ ਪਾਣੀ ਦੀ ਇੱਕ ਮਾਪਣਯੋਗ ਮਾਤਰਾ ਦੀ ਖਪਤ ਕਰਦੀ ਹੈ। ਕੀ ਇੱਕ ਸੰਖੇਪ ਈਮੇਲ ਦੀ ਸਹੂਲਤ ਵਾਤਾਵਰਣ ਦੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ (environmental footprint) ਦੇ ਬਰਾਬਰ ਹੈ? ਇਹ ਉਹ ਵਪਾਰ-ਆਫ ਹਨ ਜੋ ਅਸੀਂ ਜਨਤਕ ਵੋਟ ਤੋਂ ਬਿਨਾਂ ਕਰ ਰਹੇ ਹਾਂ।

ਗੋਪਨੀਯਤਾ ਇੱਕ ਹੋਰ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਸਵਾਲ ਜਵਾਬਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ ਨੂੰ ਉਸ ਡੇਟਾ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਜੋ ਕਦੇ ਵੀ ਇਸ ਉਦੇਸ਼ ਲਈ ਨਹੀਂ ਸੀ। ਤੁਹਾਡੀਆਂ ਪੁਰਾਣੀਆਂ ਬਲੌਗ ਪੋਸਟਾਂ, ਤੁਹਾਡੀਆਂ ਜਨਤਕ ਸੋਸ਼ਲ ਮੀਡੀਆ ਟਿੱਪਣੀਆਂ, ਅਤੇ ਤੁਹਾਡਾ ਓਪਨ-ਸੋਰਸ ਕੋਡ ਹੁਣ ਇੰਜਣ ਦਾ ਹਿੱਸਾ ਹਨ। ਅਸੀਂ ਹਰ ਡੇਟਾ ਦੇ ਟੁਕੜੇ ਨੂੰ ਸਿਖਲਾਈ ਸਮੱਗਰੀ ਵਿੱਚ ਬਦਲ ਕੇ ਡਿਜੀਟਲ ਗੋਪਨੀਯਤਾ ਦੇ ਯੁੱਗ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਖਤਮ ਕਰ ਦਿੱਤਾ ਹੈ। ਕੀ ਅਸੀਂ ਕਦੇ ਵੀ ਇਸ ਸਿਸਟਮ ਤੋਂ ਸੱਚਮੁੱਚ ਬਾਹਰ ਹੋ ਸਕਦੇ ਹਾਂ? ਭਾਵੇਂ ਤੁਸੀਂ ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੇ, ਤੁਹਾਡਾ ਡੇਟਾ ਸ਼ਾਇਦ ਪਹਿਲਾਂ ਹੀ ਹੈ। ਅਸੀਂ ਇੱਕ ਬਲੈਕ ਬਾਕਸ ਸਮੱਸਿਆ ਦਾ ਵੀ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਹਾਂ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਹ ਇੰਜੀਨੀਅਰ ਜੋ ਇਹ ਸਿਸਟਮ ਬਣਾਉਂਦੇ ਹਨ, ਉਹ ਹਮੇਸ਼ਾ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਇੱਕ ਮਾਡਲ ਇੱਕ ਖਾਸ ਜਵਾਬ ਕਿਉਂ ਦਿੰਦਾ ਹੈ। ਅਸੀਂ ਅਜਿਹੇ ਟੂਲਜ਼ ਤੈਨਾਤ ਕਰ ਰਹੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਸੀਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਸਮਝਦੇ ਹਾਂ ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ, ਕਾਨੂੰਨ ਅਤੇ ਵਿੱਤ ਵਰਗੇ ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਵਿੱਚ। ਕੀ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਫੈਸਲਿਆਂ ਲਈ ਅਜਿਹੇ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜ਼ਿੰਮੇਵਾਰ ਹੈ ਜਦੋਂ ਅਸੀਂ ਇਸਦੇ ਤਰਕ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾ ਸਕਦੇ? ਇਹਨਾਂ ਸਵਾਲਾਂ ਦੇ ਆਸਾਨ ਜਵਾਬ ਨਹੀਂ ਹਨ, ਪਰ ਤਕਨਾਲੋਜੀ ਦੇ ਬਦਲਣ ਲਈ ਬਹੁਤ ਡੂੰਘਾਈ ਨਾਲ ਸ਼ਾਮਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਇਹਨਾਂ ਨੂੰ ਪੁੱਛਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

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 ਯੂਜ਼ਰ ਲਈ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ

ਉਹਨਾਂ ਲਈ ਜੋ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਸਿਖਰ ‘ਤੇ ਬਣਾ ਰਹੇ ਹਨ, ਹਕੀਕਤ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਬਜਾਏ ਰੁਕਾਵਟਾਂ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ। ਪਾਵਰ ਯੂਜ਼ਰਸ ਨੂੰ API ਸੀਮਾਵਾਂ, ਸੰਦਰਭ ਵਿੰਡੋਜ਼ (context windows), ਅਤੇ ਅਨੁਮਾਨ ਦੀ ਉੱਚ ਲਾਗਤ ਨਾਲ ਨਜਿੱਠਣਾ ਪੈਂਦਾ ਹੈ। ਇੱਕ ਸੰਦਰਭ ਵਿੰਡੋ ਉਹ ਜਾਣਕਾਰੀ ਦੀ ਮਾਤਰਾ ਹੈ ਜੋ ਇੱਕ ਮਾਡਲ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਆਪਣੀ ਸਰਗਰਮ ਮੈਮੋਰੀ ਵਿੱਚ ਰੱਖ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਕੁਝ ਮਾਡਲ ਹੁਣ ਇੱਕ ਲੱਖ ਤੋਂ ਵੱਧ ਟੋਕਨਾਂ ਦੀਆਂ ਵਿੰਡੋਜ਼ ਦਾ ਮਾਣ ਕਰਦੇ ਹਨ, ਵਿੰਡੋ ਭਰਨ ਦੇ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਅਕਸਰ ਘਟਦਾ ਜਾਂਦਾ ਹੈ। ਇਸਨੂੰ ‘ਲੌਸਟ ਇਨ ਦ ਮਿਡਲ’ (lost in the middle) ਵਰਤਾਰਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਮਾਡਲ ਇੱਕ ਲੰਬੇ ਪ੍ਰੋਂਪਟ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਰੱਖੀ ਗਈ ਜਾਣਕਾਰੀ ਨੂੰ ਭੁੱਲ ਜਾਂਦਾ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸਥਾਨਕ ਡੇਟਾਬੇਸ ਤੋਂ ਸਿਰਫ਼ ਸਭ ਤੋਂ relevant ਡੇਟਾ ਮਾਡਲ ਨੂੰ ਖੁਆਉਣ ਲਈ ਰਿਟਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (Retrieval-Augmented Generation) ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਤੈਨਾਤੀ ਉਹਨਾਂ ਲਈ ਵਧੇਰੇ ਪ੍ਰਸਿੱਧ ਹੋ ਰਹੀ ਹੈ ਜੋ ਗੋਪਨੀਯਤਾ ਅਤੇ ਲਾਗਤ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ। ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ‘ਤੇ Llama 3 ਵਰਗੇ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ VRAM ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਪਰ ਇਹ ਤੀਜੀ-ਧਿਰ ਦੇ APIs ‘ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ 20 ਪ੍ਰਤੀਸ਼ਤ ਗੀਕ ਹਕੀਕਤ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਆਮ ਉਪਭੋਗਤਾ ਕਦੇ ਨਹੀਂ ਦੇਖਦੇ। ਵਰਕਫਲੋ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਕੰਜ਼ਿਊਮਰ-ਗ੍ਰੇਡ GPU ਮੈਮੋਰੀ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਕੁਆਂਟਾਈਜ਼ ਕਰਨਾ।
• ਲੰਬੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ ਲਈ Pinecone ਜਾਂ Milvus ਵਰਗੇ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਸੈਟ ਅਪ ਕਰਨਾ।
• ਇੱਕ ਵਿਸ਼ੇ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਖਾਸ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਵਜ਼ਨ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਕਰਨਾ।
• ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਰੇਟ ਸੀਮਾਵਾਂ ਅਤੇ ਲੇਟੈਂਸੀ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ।

ਮੌਜੂਦਾ ਵਰਕਫਲੋ ਵਿੱਚ ਇਹਨਾਂ ਟੂਲਜ਼ ਦਾ ਏਕੀਕਰਣ ਇੱਕ ਬਟਨ ਕਲਿੱਕ ਕਰਨ ਦਾ ਮਾਮਲਾ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ ਇਹ ਸਮਝਣ ਦੀ ਡੂੰਘੀ ਲੋੜ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ ਤਾਂ ਜੋ ਮਾਡਲ ਇਸਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰੋਸੈਸ ਕਰ ਸਕੇ। Hugging Face ਵਰਗੇ ਪਲੇਟਫਾਰਮ ਇਸ ਲਈ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਪਰ ਲਾਗੂ ਕਰਨਾ ਇੱਕ ਗੁੰਝਲਦਾਰ ਇੰਜੀਨੀਅਰਿੰਗ ਚੁਣੌਤੀ ਬਣੀ ਹੋਈ ਹੈ। ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਇੱਕ ਅਣਪਛਾਤੇ ਇੰਜਣ ਦੇ ਦੁਆਲੇ ਇੱਕ ਅਨੁਮਾਨਯੋਗ ਪਿੰਜਰਾ ਲਪੇਟਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ। OpenAI ਖੋਜ ਬਲੌਗ ਅਕਸਰ ਇਹਨਾਂ ਸੀਮਾਵਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ, ਇਹ ਨੋਟ ਕਰਦੇ ਹੋਏ ਕਿ ਸਿਰਫ ਸਕੇਲਿੰਗ ਹਰ ਤਕਨੀਕੀ ਰੁਕਾਵਟ ਦਾ ਹੱਲ ਨਹੀਂ ਹੈ। ਇਸ ਉਦਯੋਗ ਦਾ ਗੀਕ ਸੈਕਸ਼ਨ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਛੋਟਾ, ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ ਉਹਨਾਂ ਨੂੰ ਵੱਡਾ ਬਣਾਉਣ ‘ਤੇ।

ਅੰਤਿਮ ਫੈਸਲਾ

ਅਸੀਂ ਜੋ ਬੁੱਧੀ ਬਣਾ ਰਹੇ ਹਾਂ ਉਹ ਸਾਡੇ ਆਪਣੇ ਡੇਟਾ ਦਾ ਪ੍ਰਤੀਬਿੰਬ ਹੈ, ਜੀਵਨ ਦਾ ਕੋਈ ਨਵਾਂ ਰੂਪ *ਨਹੀਂ* ਹੈ। ਇਹ ਸੰਸਲੇਸ਼ਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ ਹੈ ਜੋ ਸਾਨੂੰ ਅਜਿਹੇ ਪੈਮਾਨੇ ‘ਤੇ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਅਸੰਭਵ ਸੀ। ਹਾਲਾਂਕਿ, ਇਹ ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਬਣਿਆ ਹੋਇਆ ਹੈ ਜਿਸ ਲਈ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਅਤੇ ਆਲੋਚਨਾਤਮਕ ਸੋਚ ਦੀ ਲੋੜ ਹੈ। ਸਾਨੂੰ ਪਾਲਿਸ਼ਡ ਗੱਦ ਜਾਂ ਤੇਜ਼ ਜਵਾਬਾਂ ਦੁਆਰਾ ਅੰਨ੍ਹੇ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਵਿਹਾਰਕ ਦਾਅ ਸਾਡੀਆਂ ਨੌਕਰੀਆਂ, ਸਾਡੀ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸਾਡੇ ਵਾਤਾਵਰਣ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਸਾਨੂੰ ਤਕਨਾਲੋਜੀ ਦੀ ਉਪਯੋਗਤਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹੋਏ ਹਾਈਪ ਬਾਰੇ ਸ਼ੱਕੀ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਟੀਚਾ ਇਹ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਨੂੰ ਸਾਡੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮਰੱਥਾ ਸੌਂਪੇ ਬਿਨਾਂ ਸਾਡੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੇ ਬਿੰਦੂ ‘ਤੇ ਹਾਂ ਜਿੱਥੇ ਅੱਜ ਅਸੀਂ ਜੋ ਚੋਣਾਂ ਕਰਦੇ ਹਾਂ ਉਹ ਦਹਾਕਿਆਂ ਤੱਕ ਤਕਨਾਲੋਜੀ ਨਾਲ ਸਾਡੇ ਸਬੰਧਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਗੀਆਂ। ਅੰਕੜਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਅੰਨ੍ਹੇ ਵਿਸ਼ਵਾਸ ਨਾਲੋਂ ਤਿੱਖੇ ਸਵਾਲਾਂ ਦੇ ਨਾਲ ਅੱਗੇ ਵਧਣਾ ਬਿਹਤਰ 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।