ਅਗਲੀ AI ਲਹਿਰ ਲਈ ਰਫ਼ਤਾਰ ਤੈਅ ਕਰਨ ਵਾਲੀਆਂ ਲੈਬਾਂ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਮੌਜੂਦਾ ਦੌਰ ਹੁਣ ਸਿਰਫ਼ ਕਲਪਨਾਵਾਂ ਜਾਂ ਦੂਰ-ਦੁਰਾਡੇ ਦੇ ਵਾਅਦਿਆਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਉਦਯੋਗਿਕ ਆਉਟਪੁੱਟ ਦੇ ਅਜਿਹੇ ਯੁੱਗ ਵਿੱਚ ਦਾਖਲ ਹੋ ਚੁੱਕੇ ਹਾਂ ਜਿੱਥੇ ਮੁੱਖ ਟੀਚਾ ਕੰਪਿਊਟ ਪਾਵਰ ਨੂੰ ਭਰੋਸੇਮੰਦ ਉਪਯੋਗਤਾ ਵਿੱਚ ਬਦਲਣਾ ਹੈ। ਇਸ ਦੌੜ ਵਿੱਚ ਅੱਗੇ ਚੱਲ ਰਹੀਆਂ ਲੈਬਾਂ ਇੱਕੋ ਜਿਹੀਆਂ ਨਹੀਂ ਹਨ। ਕੁਝ ਤਰਕ (logic) ਦੇ ਵਿਸਤਾਰ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਕੁਝ ਇਸ ਗੱਲ ‘ਤੇ ਧਿਆਨ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਇਹ ਤਰਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਜਾਂ ਕ੍ਰਿਏਟਿਵ ਸੂਟ ਵਿੱਚ ਕਿਵੇਂ ਫਿੱਟ ਹੁੰਦਾ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਗੱਲਬਾਤ ਨੂੰ ਇਸ ਤੋਂ ਦੂਰ ਕਰ ਰਹੀ ਹੈ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਕੀ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸ ਵੱਲ ਲੈ ਜਾ ਰਹੀ ਹੈ ਕਿ ਅਸਲ ਵਿੱਚ ਹੁਣ ਸਰਵਰਾਂ ‘ਤੇ ਕੀ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਅਸੀਂ ਰਣਨੀਤੀ ਵਿੱਚ ਇੱਕ ਅਜਿਹਾ ਅੰਤਰ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਅਗਲੇ ਦਹਾਕੇ ਦੇ ਆਰਥਿਕ ਜੇਤੂਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੇਗਾ। ਵਿਕਾਸ ਦੀ ਰਫ਼ਤਾਰ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪਰਖ ਰਹੀ ਹੈ। ਹੁਣ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਣਾ ਹੀ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਅਸਲ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕੌਣ ਉਸ ਮਾਡਲ ਨੂੰ ਇੰਨਾ ਸਸਤਾ ਅਤੇ ਤੇਜ਼ ਬਣਾ ਸਕਦਾ ਹੈ ਕਿ ਲੱਖਾਂ ਲੋਕ ਇੱਕੋ ਸਮੇਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰ ਸਕਣ, ਬਿਨਾਂ ਸਿਸਟਮ ਨੂੰ ਕ੍ਰੈਸ਼ ਕੀਤੇ ਜਾਂ ਗਲਤ ਜਾਣਕਾਰੀ ਦਿੱਤੇ। ਇਹ ਉਦਯੋਗ ਲਈ ਨਵਾਂ ਬੇਸਲਾਈਨ ਹੈ।
ਆਧੁਨਿਕ ਮਸ਼ੀਨ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਤਿੰਨ ਥੰਮ੍ਹ
ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਸਾਨੂੰ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਉਣ ਵਾਲੀਆਂ ਤਿੰਨ ਮੁੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਫਰਕ ਕਰਨਾ ਹੋਵੇਗਾ। ਪਹਿਲਾਂ, ਸਾਡੇ ਕੋਲ ਫਰੰਟੀਅਰ ਲੈਬਾਂ ਹਨ ਜਿਵੇਂ ਕਿ OpenAI ਅਤੇ Anthropic। ਇਹ ਸੰਸਥਾਵਾਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ। ਉਨ੍ਹਾਂ ਦਾ ਟੀਚਾ ਆਮ ਸਮਰੱਥਾ (general capability) ਹੈ। ਉਹ ਅਜਿਹੇ ਸਿਸਟਮ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਕੋਡਿੰਗ ਤੋਂ ਲੈ ਕੇ ਰਚਨਾਤਮਕ ਲਿਖਤ ਤੱਕ, ਕਿਸੇ ਵੀ ਖੇਤਰ ਵਿੱਚ ਤਰਕ ਕਰ ਸਕਣ। ਇਹ ਲੈਬਾਂ ਵੱਡੇ ਬਜਟ ਨਾਲ ਕੰਮ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਦੁਨੀਆ ਦੇ ਜ਼ਿਆਦਾਤਰ ਹਾਈ-ਐਂਡ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਉਹ ਪੂਰੇ ਅੰਦੋਲਨ ਦਾ ਇੰਜਣ ਹਨ, ਜੋ ਬੇਸ ਮਾਡਲ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ‘ਤੇ ਬਾਕੀ ਸਭ ਕੁਝ ਬਣਦਾ ਹੈ।
ਦੂਜਾ, ਸਾਡੇ ਕੋਲ ਅਕਾਦਮਿਕ ਲੈਬਾਂ ਹਨ, ਜਿਵੇਂ ਕਿ Stanford HAI ਅਤੇ MIT CSAIL। ਉਨ੍ਹਾਂ ਦੀ ਭੂਮਿਕਾ ਵੱਖਰੀ ਹੈ। ਉਹ ਸ਼ੱਕੀ ਅਤੇ ਸਿਧਾਂਤਕਾਰ ਹਨ। ਜਦੋਂ ਇੱਕ ਫਰੰਟੀਅਰ ਲੈਬ ਮਾਡਲ ਨੂੰ ਵੱਡਾ ਬਣਾਉਣ ‘ਤੇ ਧਿਆਨ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਇੱਕ ਅਕਾਦਮਿਕ ਲੈਬ ਪੁੱਛਦੀ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਕੰਮ ਕਿਉਂ ਕਰਦਾ ਹੈ। ਉਹ ਸਮਾਜਿਕ ਪ੍ਰਭਾਵ, ਅੰਦਰੂਨੀ ਪੱਖਪਾਤ, ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸੁਰੱਖਿਆ ਦੇ ਪ੍ਰਭਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। ਉਹ ਪੀਅਰ-ਰਿਵਿਊਡ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਵਪਾਰਕ ਖੇਤਰ ਨੂੰ ਜ਼ਮੀਨੀ ਹਕੀਕਤ ਨਾਲ ਜੋੜੀ ਰੱਖਦਾ ਹੈ। ਉਨ੍ਹਾਂ ਤੋਂ ਬਿਨਾਂ, ਉਦਯੋਗ ਇੱਕ ਬਲੈਕ ਬਾਕਸ ਬਣ ਕੇ ਰਹਿ ਜਾਵੇਗਾ ਜਿਸ ਵਿੱਚ ਕੋਈ ਜਨਤਕ ਨਿਗਰਾਨੀ ਨਹੀਂ ਹੋਵੇਗੀ।
ਅੰਤ ਵਿੱਚ, ਸਾਡੇ ਕੋਲ Microsoft, Adobe, ਅਤੇ Google ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਦੇ ਅੰਦਰ ਪ੍ਰੋਡਕਟ ਲੈਬਾਂ ਹਨ। ਇਹ ਟੀਮਾਂ ਫਰੰਟੀਅਰ ਲੈਬਾਂ ਦੀ ਕੱਚੀ ਤਾਕਤ ਨੂੰ ਅਜਿਹੀ ਚੀਜ਼ ਵਿੱਚ ਬਦਲਦੀਆਂ ਹਨ ਜਿਸਨੂੰ ਇੱਕ ਵਿਅਕਤੀ ਅਸਲ ਵਿੱਚ ਵਰਤ ਸਕਦਾ ਹੈ। ਉਹ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ, ਲੇਟੈਂਸੀ, ਅਤੇ ਡੇਟਾ ਪ੍ਰਾਈਵੇਸੀ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਨਾਲ ਨਜਿੱਠਦੀਆਂ ਹਨ। ਇੱਕ ਪ੍ਰੋਡਕਟ ਲੈਬ ਨੂੰ ਇਸ ਗੱਲ ਦੀ ਪਰਵਾਹ ਨਹੀਂ ਹੁੰਦੀ ਕਿ ਮਾਡਲ ਕਵਿਤਾ ਲਿਖ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਜੇਕਰ ਉਹ ਤਿੰਨ ਸਕਿੰਟਾਂ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਪੰਨਿਆਂ ਦੇ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ ਦਾ ਸਾਰ ਨਹੀਂ ਦੇ ਸਕਦਾ। ਉਹ ਲੈਬ ਅਤੇ ਆਮ ਲੋਕਾਂ ਵਿਚਕਾਰ ਇੱਕ ਪੁਲ ਹਨ। ਉਹ ਇਨ੍ਹਾਂ ਤਰਜੀਹਾਂ ‘ਤੇ ਧਿਆਨ ਦਿੰਦੇ ਹਨ:
- ਮਾਸ ਮਾਰਕੀਟ ਲਈ ਤਕਨਾਲੋਜੀ ਨੂੰ ਟਿਕਾਊ ਬਣਾਉਣ ਲਈ ਪ੍ਰਤੀ ਕੁਐਰੀ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣਾ।
- ਕਾਰਪੋਰੇਟ ਬ੍ਰਾਂਡ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਗਾਰਡਰੇਲ ਬਣਾਉਣਾ।
- ਈਮੇਲ ਅਤੇ ਡਿਜ਼ਾਈਨ ਟੂਲਸ ਵਰਗੇ ਮੌਜੂਦਾ ਸੌਫਟਵੇਅਰ ਵਰਕਫਲੋ ਵਿੱਚ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਜੋੜਨਾ।
ਲੈਬ ਆਉਟਪੁੱਟ ਦੇ ਗਲੋਬਲ ਦਾਅ
ਇਨ੍ਹਾਂ ਲੈਬਾਂ ਵਿੱਚ ਹੋ ਰਿਹਾ ਕੰਮ ਸਿਰਫ਼ ਕਾਰਪੋਰੇਟ ਮੁਨਾਫੇ ਦਾ ਮਾਮਲਾ ਨਹੀਂ ਹੈ। ਇਹ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਅਤੇ ਗਲੋਬਲ ਆਰਥਿਕ ਸਥਿਤੀ ਦਾ ਇੱਕ ਮੁੱਖ ਹਿੱਸਾ ਬਣ ਗਿਆ ਹੈ। ਜੋ ਦੇਸ਼ ਇਨ੍ਹਾਂ ਲੈਬਾਂ ਦੀ ਮੇਜ਼ਬਾਨੀ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਕੁਸ਼ਲਤਾ ਅਤੇ ਡੇਟਾ ਪ੍ਰਭੂਸੱਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਫਾਇਦਾ ਮਿਲਦਾ ਹੈ। ਜਦੋਂ ਸੈਨ ਫਰਾਂਸਿਸਕੋ ਜਾਂ ਲੰਡਨ ਵਿੱਚ ਕੋਈ ਲੈਬ ਤਰਕ ਵਿੱਚ ਕੋਈ ਵੱਡੀ ਪ੍ਰਾਪਤੀ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਟੋਕੀਓ ਜਾਂ ਬਰਲਿਨ ਦੇ ਕਾਰੋਬਾਰਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਸ਼ਕਤੀ ਦਾ ਅਜਿਹਾ ਕੇਂਦਰੀਕਰਨ ਦੇਖ ਰਹੇ ਹਾਂ ਜੋ ਤੇਲ ਉਦਯੋਗ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਦਾ ਹੈ। ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਇੰਟੈਲੀਜੈਂਸ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਇੱਕ ਨਵੀਂ ਵਸਤੂ (commodity) ਹੈ। ਇਸ ਨਾਲ ਇੱਕ ਅਜਿਹੀ ਦੌੜ ਸ਼ੁਰੂ ਹੋ ਗਈ ਹੈ ਜਿੱਥੇ ਕਿਰਤ ਦੇ ਮੁੱਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਾਲੀਆਂ ਬੁਨਿਆਦਾਂ ਦਾਅ ‘ਤੇ ਲੱਗੀਆਂ ਹਨ।
ਸਰਕਾਰਾਂ ਹੁਣ ਇਨ੍ਹਾਂ ਲੈਬਾਂ ਨੂੰ ਰਣਨੀਤਕ ਸੰਪਤੀਆਂ ਵਜੋਂ ਦੇਖ ਰਹੀਆਂ ਹਨ। ਅਕਾਦਮਿਕ ਖੋਜ ਦੀ ਖੁੱਲ੍ਹੀ ਪ੍ਰਕਿਰਤੀ ਅਤੇ ਫਰੰਟੀਅਰ ਲੈਬਾਂ ਦੀ ਬੰਦ, ਮਲਕੀਅਤ ਵਾਲੀ ਪ੍ਰਕਿਰਤੀ ਵਿਚਕਾਰ ਤਣਾਅ ਵਧ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਪੇ-ਵਾਲ ਦੇ ਪਿੱਛੇ ਰੱਖੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਤਕਨੀਕੀ ਤੌਰ ‘ਤੇ ਅਮੀਰ ਅਤੇ ਗਰੀਬ ਦੇਸ਼ਾਂ ਵਿਚਕਾਰ ਪਾੜਾ ਵਧ ਜਾਵੇਗਾ। ਇਸੇ ਲਈ ਕਈ ਲੈਬਾਂ ਹੁਣ ਆਪਣੇ ਡੇਟਾ ਸੋਰਸਿੰਗ ਅਤੇ ਊਰਜਾ ਦੀ ਖਪਤ ਬਾਰੇ ਦੱਸਣ ਲਈ ਭਾਰੀ ਦਬਾਅ ਹੇਠ ਹਨ। ਇਨ੍ਹਾਂ ਵਿਸ਼ਾਲ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਵਾਤਾਵਰਣਕ ਲਾਗਤ ਇੱਕ ਗਲੋਬਲ ਚਿੰਤਾ ਹੈ ਜਿਸਨੂੰ ਅਜੇ ਤੱਕ ਕਿਸੇ ਇੱਕ ਲੈਬ ਨੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੱਲ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਇਨ੍ਹਾਂ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਊਰਜਾ ਵਰਜੀਨੀਆ ਤੋਂ ਲੈ ਕੇ ਸਿੰਗਾਪੁਰ ਤੱਕ ਪਾਵਰ ਗਰਿੱਡਾਂ ਬਾਰੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਰਹੀ ਹੈ।
ਰੋਜ਼ਾਨਾ ਉਪਯੋਗਤਾ ਲਈ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨਾ
ਇੱਕ ਖੋਜ ਪੱਤਰ ਜੋ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਨੇ ਬਾਰ ਪ੍ਰੀਖਿਆ ਪਾਸ ਕਰ ਲਈ ਹੈ ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਉਤਪਾਦ ਜਿਸ ‘ਤੇ ਇੱਕ ਵਕੀਲ ਆਪਣੇ ਕਲਾਇੰਟ ਦੇ ਕੇਸ ਲਈ ਭਰੋਸਾ ਕਰ ਸਕਦਾ ਹੈ, ਵਿਚਕਾਰ ਬਹੁਤ ਵੱਡਾ ਫਰਕ ਹੈ। ਖ਼ਬਰਾਂ ਵਿੱਚ ਅਸੀਂ ਜੋ ਦੇਖਦੇ ਹਾਂ ਉਹ ਜ਼ਿਆਦਾਤਰ ਖੋਜ ਦਾ ਸੰਕੇਤ ਹੈ, ਪਰ ਮਾਰਕੀਟ ਦਾ ਰੌਲਾ ਅਕਸਰ ਅਸਲ ਪ੍ਰਗਤੀ ਨੂੰ ਧੁੰਦਲਾ ਕਰ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਲੈਬ ਵਿੱਚ ਹੋਈ ਪ੍ਰਾਪਤੀ ਨੂੰ ਖਪਤਕਾਰ ਡਿਵਾਈਸ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਦੋ ਸਾਲ ਲੱਗ ਸਕਦੇ ਹਨ। ਇਹ ਦੇਰੀ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੀ ਲੋੜ ਕਾਰਨ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਮਾਡਲ ਜਿਸਨੂੰ ਚਲਾਉਣ ਲਈ ਦਸ ਹਜ਼ਾਰ GPUs ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਹ ਇੱਕ ਛੋਟੇ ਕਾਰੋਬਾਰ ਲਈ ਬੇਕਾਰ ਹੈ। ਅਗਲੇ ਸਾਲ ਦਾ ਅਸਲ ਕੰਮ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਇੰਨਾ ਛੋਟਾ ਬਣਾਉਣਾ ਹੈ ਕਿ ਉਹ ਲੈਪਟਾਪ ‘ਤੇ ਚੱਲ ਸਕਣ ਅਤੇ ਆਪਣੀ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਣ।
ਨੇੜਲੇ ਭਵਿੱਖ ਵਿੱਚ ਇੱਕ ਸੌਫਟਵੇਅਰ ਡਿਵੈਲਪਰ ਦੇ ਦਿਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਖਾਲੀ ਸਕ੍ਰੀਨ ਨਾਲ ਸ਼ੁਰੂਆਤ ਨਹੀਂ ਕਰਦੇ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਇੱਕ ਲੋਕਲ ਮਾਡਲ ਨੂੰ ਇੱਕ ਫੀਚਰ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਖਾਸ ਕੋਡਬੇਸ ‘ਤੇ ਫਾਈਨ-ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਮਾਡਲ ਬਾਇਲਰਪਲੇਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸੁਰੱਖਿਆ ਕਮਜ਼ੋਰੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਡਿਵੈਲਪਰ ਇੱਕ ਮੈਨੂਅਲ ਮਜ਼ਦੂਰ ਦੀ ਬਜਾਏ ਇੱਕ ਆਰਕੀਟੈਕਟ ਅਤੇ ਸੰਪਾਦਕ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਸਿਰਫ਼ ਇਸ ਲਈ ਸੰਭਵ ਹੈ ਕਿਉਂਕਿ ਪ੍ਰੋਡਕਟ ਲੈਬਾਂ ਨੇ ਇਹ ਸਮਝ ਲਿਆ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਜਨਤਕ ਇੰਟਰਨੈਟ ‘ਤੇ ਡੇਟਾ ਲੀਕ ਕੀਤੇ ਬਿਨਾਂ ਕਿਸੇ ਖਾਸ ਕੰਪਨੀ ਦੇ ਡੇਟਾ ਦੇ ਸੰਦਰਭ ਨੂੰ ਕਿਵੇਂ ਸਮਝਾਉਣਾ 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 ਸਿਰਜਣਹਾਰ ਲਈ, ਪ੍ਰਭਾਵ ਹੋਰ ਵੀ ਤੁਰੰਤ ਹੈ। ਇੱਕ ਵੀਡੀਓ ਐਡੀਟਰ ਹੁਣ Google DeepMind ਵਰਗੀਆਂ ਲੈਬਾਂ ਦੇ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਮ ਦੇ ਸਭ ਤੋਂ ਔਖੇ ਹਿੱਸਿਆਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੋਟੋਸਕੋਪਿੰਗ ਜਾਂ ਕਲਰ ਗ੍ਰੇਡਿੰਗ। ਇਹ ਐਡੀਟਰ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦਾ ਪਰ ਇਹ ਉਤਪਾਦਨ ਦੀ ਲਾਗਤ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਜੋ ਕੰਮ ਪਹਿਲਾਂ ਇੱਕ ਹਫ਼ਤਾ ਲੈਂਦਾ ਸੀ, ਹੁਣ ਇੱਕ ਘੰਟੇ ਵਿੱਚ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਕਹਾਣੀ ਸੁਣਾਉਣ ਨੂੰ ਵਧੇਰੇ ਲੋਕਾਂ ਲਈ ਪਹੁੰਚਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਇਹ ਮਾਰਕੀਟ ਨੂੰ ਸਮੱਗਰੀ ਨਾਲ ਭਰ ਵੀ ਦਿੰਦਾ ਹੈ। ਲੈਬਾਂ ਲਈ ਹੁਣ ਚੁਣੌਤੀ ਅਜਿਹੇ ਟੂਲ ਬਣਾਉਣਾ ਹੈ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਮਨੁੱਖ ਦੁਆਰਾ ਬਣਾਏ ਅਤੇ ਮਸ਼ੀਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਕੰਮ ਵਿੱਚ ਫਰਕ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ। ਇਹ ਭਰੋਸੇਯੋਗਤਾ ਉਦਯੋਗ ਲਈ ਅਗਲੀ ਵੱਡੀ ਰੁਕਾਵਟ ਹੈ।
ਆਰਕੀਟੈਕਟਾਂ ਲਈ ਔਖੇ ਸਵਾਲ
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਨ੍ਹਾਂ ਲੈਬਾਂ ‘ਤੇ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਹੁੰਦੇ ਹਾਂ, ਸਾਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਦਾਅਵਿਆਂ ‘ਤੇ ਸੁਕਰਾਤ ਵਰਗਾ ਸ਼ੱਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਸਹੂਲਤ ਦੀ ਲੁਕਵੀਂ ਕੀਮਤ ਕੀ ਹੈ? ਜੇਕਰ ਅਸੀਂ ਆਪਣੀ ਸੋਚ ਨੂੰ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸੌਂਪ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਕੀ ਅਸੀਂ ਆਪਣੇ ਲਈ ਆਲੋਚਨਾਤਮਕ ਤੌਰ ‘ਤੇ ਸੋਚਣ ਦੀ ਸਮਰੱਥਾ ਗੁਆ ਦਿੰਦੇ ਹਾਂ? ਡੇਟਾ ਦੀ ਮਲਕੀਅਤ ਦਾ ਸਵਾਲ ਵੀ ਹੈ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਜਣਹਾਰਾਂ ਦੀ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਇੰਟਰਨੈਟ ਦੇ ਸਮੂਹਿਕ ਆਉਟਪੁੱਟ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਕੀ ਕਿਸੇ ਲੈਬ ਲਈ ਲੱਖਾਂ ਕਲਾਕਾਰਾਂ ਅਤੇ ਲੇਖਕਾਂ ਦੇ ਕੰਮ ਤੋਂ ਬਿਨਾਂ ਮੁਆਵਜ਼ੇ ਦੇ ਮੁਨਾਫਾ ਕਮਾਉਣਾ ਨੈਤਿਕ ਹੈ? ਇਹ ਸਿਰਫ਼ ਕਾਨੂੰਨੀ ਸਵਾਲ ਨਹੀਂ ਹਨ; ਇਹ ਰਚਨਾਤਮਕ ਆਰਥਿਕਤਾ ਦੇ ਭਵਿੱਖ ਲਈ ਬੁਨਿਆਦੀ ਹਨ।
ਪ੍ਰਾਈਵੇਸੀ ਸਭ ਤੋਂ ਵੱਡੀ ਚਿੰਤਾ ਬਣੀ ਹੋਈ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਮਾਡਲ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਅਕਸਰ ਇਸਨੂੰ ਨਿੱਜੀ ਜਾਂ ਮਲਕੀਅਤ ਵਾਲੀ ਜਾਣਕਾਰੀ ਦੇ ਰਹੇ ਹੁੰਦੇ ਹੋ। ਅਸੀਂ ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾ ਸਕਦੇ ਹਾਂ ਕਿ ਇਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਮਾਡਲ ਦੇ ਅਗਲੇ ਸੰਸਕਰਣ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ? ਕੁਝ ਲੈਬਾਂ
