ਅੱਜ ਦੇ AI ਹਾਈਪ ਸਾਈਕਲ ਤੱਕ ਦਾ ਲੰਬਾ ਸਫ਼ਰ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਮੌਜੂਦਾ ਉਛਾਲ ਇੱਕ ਅਚਾਨਕ ਆਏ ਤੂਫਾਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਅਸਲ ਵਿੱਚ ਇਹ ਕਈ ਸਾਲ ਪਹਿਲਾਂ ਲਏ ਗਏ ਇੱਕ ਸ਼ਾਂਤ ਫੈਸਲੇ ਦਾ ਨਤੀਜਾ ਹੈ। 2017 ਵਿੱਚ, Google ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ‘Attention Is All You Need’ ਨਾਮ ਦਾ ਇੱਕ ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ। ਇਸ ਪੇਪਰ ਨੇ Transformer architecture ਨੂੰ ਪੇਸ਼ ਕੀਤਾ। ਇਸ ਖਾਸ ਡਿਜ਼ਾਈਨ ਨੇ ਮਸ਼ੀਨਾਂ ਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਸਾਰੇ ਸ਼ਬਦਾਂ ਦੇ ਸਬੰਧ ਨੂੰ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਨਹੀਂ, ਸਗੋਂ ਇੱਕੋ ਸਮੇਂ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ। ਇਸ ਨੇ ਕ੍ਰਮਵਾਰ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਹੱਲ ਕੀਤਾ। ਅੱਜ, ChatGPT ਤੋਂ ਲੈ ਕੇ Claude ਤੱਕ ਹਰ ਵੱਡਾ ਮਾਡਲ ਇਸੇ ਇੱਕ ਸਫਲਤਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਹ ਸਭ 2026 ਦੇ ਆਸ-ਪਾਸ ਵਾਪਰਿਆ। ਅਸੀਂ ਕੋਈ ਨਵੀਂ ਕਾਢ ਨਹੀਂ ਦੇਖ ਰਹੇ, ਸਗੋਂ ਸੱਤ ਸਾਲ ਪੁਰਾਣੇ ਵਿਚਾਰ ਦਾ ਵਿਸਤਾਰ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਸ ਬਦਲਾਅ ਨੇ ਸਾਨੂੰ ਸਧਾਰਨ ਪੈਟਰਨ ਮਾਨਤਾ ਤੋਂ ਗੁੰਝਲਦਾਰ ਜਨਰੇਸ਼ਨ ਵੱਲ ਤੋਰਿਆ ਹੈ। ਇਸ ਨੇ ਕੰਪਿਊਟਰਾਂ ਨਾਲ ਸਾਡੇ ਗੱਲਬਾਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ। ਹੁਣ, ਸਾਰਾ ਧਿਆਨ ਇਸ ਗੱਲ ‘ਤੇ ਹੈ ਕਿ ਅਸੀਂ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਿੰਨਾ ਡੇਟਾ ਅਤੇ ਬਿਜਲੀ ਪਾ ਸਕਦੇ ਹਾਂ। ਨਤੀਜੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ, ਪਰ ਬੁਨਿਆਦ ਉਹੀ ਹੈ। ਇਸ ਇਤਿਹਾਸ ਨੂੰ ਸਮਝਣਾ ਸਾਨੂੰ ਮਾਰਕੀਟਿੰਗ ਤੋਂ ਪਰੇ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅੱਜ ਦੇ ਟੂਲ ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ ਲਏ ਗਏ ਖਾਸ ਇੰਜੀਨੀਅਰਿੰਗ ਫੈਸਲਿਆਂ ਦਾ ਤਰਕਪੂਰਨ ਸਿੱਟਾ ਹਨ।

ਪ੍ਰਡਿਕਸ਼ਨ ਇੰਜਣ ਅਤੇ ਸੰਭਾਵਨਾ

Generative AI ਇੱਕ ਵਿਸ਼ਾਲ ਪ੍ਰਡਿਕਸ਼ਨ ਇੰਜਣ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਅਰਥਾਂ ਵਿੱਚ ਸੋਚਦਾ ਜਾਂ ਸਮਝਦਾ ਨਹੀਂ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਇੱਕ ਕ੍ਰਮ ਵਿੱਚ ਅਗਲੇ ਟੋਕਨ ਦੀ ਅੰਕੜਾ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਇੱਕ ਟੋਕਨ ਅਕਸਰ ਇੱਕ ਸ਼ਬਦ ਜਾਂ ਸ਼ਬਦ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਮਾਡਲ ਨੂੰ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਇਹ ਉਨ੍ਹਾਂ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਦੇਖਦਾ ਹੈ ਜੋ ਇਸਨੇ ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖੇ ਸਨ। ਫਿਰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਇਸਦੇ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਦੇਖੇ ਗਏ ਪੈਟਰਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਅਗਲਾ ਸ਼ਬਦ ਕਿਹੜਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਕਸਰ stochastic parrot ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸ਼ਬਦ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਅੰਤਰੀਵ ਅਰਥਾਂ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਦੁਹਰਾ ਰਹੀ ਹੈ। ਇਹ ਅੰਤਰ ਅੱਜ ਇਨ੍ਹਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ AI ਨੂੰ ਇੱਕ ਸਰਚ ਇੰਜਣ ਵਜੋਂ ਵਰਤਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਨਿਰਾਸ਼ ਹੋ ਸਕਦੇ ਹੋ। ਇਹ ਡੇਟਾਬੇਸ ਵਿੱਚ ਤੱਥਾਂ ਨੂੰ ਨਹੀਂ ਲੱਭ ਰਿਹਾ ਹੈ। ਇਹ ਸੰਭਾਵਨਾ ਦੇ ਅਧਾਰ ਤੇ ਅਜਿਹਾ ਟੈਕਸਟ ਤਿਆਰ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਤੱਥਾਂ ਵਰਗਾ ਲੱਗਦਾ ਹੈ। ਇਸੇ ਲਈ ਮਾਡਲ ਭਰਮ (hallucinate) ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ। ਉਹ ਪ੍ਰਵਾਹ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਸਹੀ ਹੋਣ। ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਆਮ ਤੌਰ ‘ਤੇ ਜਨਤਕ ਇੰਟਰਨੈਟ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਕ੍ਰਾਲਿੰਗ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਇਸ ਵਿੱਚ ਕਿਤਾਬਾਂ, ਲੇਖ, ਕੋਡ ਅਤੇ ਫੋਰਮ ਪੋਸਟਾਂ ਸ਼ਾਮਲ ਹਨ। ਮਾਡਲ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਦੀ ਬਣਤਰ ਅਤੇ ਪ੍ਰੋਗਰਾਮਿੰਗ ਦੇ ਤਰਕ ਨੂੰ ਸਿੱਖਦਾ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਸਰੋਤਾਂ ਵਿੱਚ ਮੌਜੂਦ ਪੱਖਪਾਤ ਅਤੇ ਗਲਤੀਆਂ ਨੂੰ ਵੀ ਚੁੱਕ ਲੈਂਦਾ ਹੈ। ਇਸ ਸਿਖਲਾਈ ਦਾ ਪੈਮਾਨਾ ਹੀ ਹੈ ਜੋ ਆਧੁਨਿਕ ਸਿਸਟਮਾਂ ਨੂੰ ਪੁਰਾਣੇ ਚੈਟਬੋਟਸ ਨਾਲੋਂ ਵੱਖਰਾ ਮਹਿਸੂਸ ਕਰਾਉਂਦਾ ਹੈ। ਪੁਰਾਣੇ ਸਿਸਟਮ ਸਖ਼ਤ ਨਿਯਮਾਂ ‘ਤੇ ਨਿਰਭਰ ਸਨ। ਆਧੁਨਿਕ ਸਿਸਟਮ ਲਚਕਦਾਰ ਗਣਿਤ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇਹ ਲਚਕਤਾ ਉਨ੍ਹਾਂ ਨੂੰ ਰਚਨਾਤਮਕ ਕੰਮਾਂ, ਕੋਡਿੰਗ ਅਤੇ ਅਨੁਵਾਦ ਨੂੰ ਹੈਰਾਨੀਜਨਕ ਆਸਾਨੀ ਨਾਲ ਸੰਭਾਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਮੁੱਖ ਵਿਧੀ ਇੱਕ ਗਣਿਤਿਕ ਅੰਦਾਜ਼ਾ ਹੀ ਰਹਿੰਦੀ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਵਧੀਆ ਅੰਦਾਜ਼ਾ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਸੁਚੇਤ ਸੋਚ ਪ੍ਰਕਿਰਿਆ ਨਹੀਂ ਹੈ।

ਇਹ ਮਾਡਲ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਇੱਕ ਖਾਸ ਤਿੰਨ-ਪੜਾਵੀ ਚੱਕਰ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ:

• ਮਾਡਲ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।
• ਇਹ ਸੰਦਰਭ ਦੇ ਅਧਾਰ ਤੇ ਵੱਖ-ਵੱਖ ਟੋਕਨਾਂ ਨੂੰ ਵਜ਼ਨ (weights) ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।
• ਇਹ ਇੱਕ ਕ੍ਰਮ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਅਗਲਾ ਸ਼ਬਦ ਤਿਆਰ ਕਰਦਾ ਹੈ।

ਕੰਪਿਊਟਿੰਗ ਦਾ ਨਵਾਂ ਭੂਗੋਲ

ਇਸ ਤਕਨਾਲੋਜੀ ਦਾ ਪ੍ਰਭਾਵ ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਬਰਾਬਰ ਨਹੀਂ ਵੰਡਿਆ ਗਿਆ ਹੈ। ਅਸੀਂ ਕੁਝ ਭੂਗੋਲਿਕ ਕੇਂਦਰਾਂ ਵਿੱਚ ਸ਼ਕਤੀ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਇਕੱਠ ਦੇਖ ਰਹੇ ਹਾਂ। ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਮੁੱਖ ਮਾਡਲ ਸੰਯੁਕਤ ਰਾਜ ਜਾਂ ਚੀਨ ਵਿੱਚ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਦੂਜੇ ਦੇਸ਼ਾਂ ਲਈ ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦੀ ਨਿਰਭਰਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਯੂਰਪ, ਅਫਰੀਕਾ ਅਤੇ ਦੱਖਣ-ਪੂਰਬੀ ਏਸ਼ੀਆ ਦੇ ਦੇਸ਼ ਹੁਣ ਬਹਿਸ ਕਰ ਰਹੇ ਹਨ ਕਿ ਡਿਜੀਟਲ ਪ੍ਰਭੂਸੱਤਾ ਨੂੰ ਕਿਵੇਂ ਬਣਾਈ ਰੱਖਿਆ ਜਾਵੇ। ਉਨ੍ਹਾਂ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਹੋਵੇਗਾ ਕਿ ਕੀ ਆਪਣਾ ਮਹਿੰਗਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਬਣਾਉਣਾ ਹੈ ਜਾਂ ਵਿਦੇਸ਼ੀ ਪ੍ਰਦਾਤਾਵਾਂ ‘ਤੇ ਨਿਰਭਰ ਰਹਿਣਾ ਹੈ। ਦਾਖਲੇ ਦੀ ਲਾਗਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਹਜ਼ਾਰਾਂ ਵਿਸ਼ੇਸ਼ ਚਿਪਸ ਅਤੇ ਬਿਜਲੀ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਛੋਟੀਆਂ ਕੰਪਨੀਆਂ ਅਤੇ ਵਿਕਾਸਸ਼ੀਲ ਦੇਸ਼ਾਂ ਲਈ ਇੱਕ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਸੱਭਿਆਚਾਰਕ ਪ੍ਰਤੀਨਿਧਤਾ ਦਾ ਮੁੱਦਾ ਵੀ ਹੈ। ਕਿਉਂਕਿ ਜ਼ਿਆਦਾਤਰ ਸਿਖਲਾਈ ਡੇਟਾ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਹੈ, ਇਹ ਮਾਡਲ ਅਕਸਰ ਪੱਛਮੀ ਕਦਰਾਂ-ਕੀਮਤਾਂ ਅਤੇ ਨਿਯਮਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਇਹ ਸੱਭਿਆਚਾਰਕ ਸਮਤਲਤਾ ਦਾ ਰੂਪ ਲੈ ਸਕਦਾ ਹੈ। ਸਥਾਨਕ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਪਰੰਪਰਾਵਾਂ ਨੂੰ ਦੁਨੀਆ ਦੇ ਦੂਜੇ ਪਾਸੇ ਬਣੇ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਨਜ਼ਰਅੰਦਾਜ਼ ਜਾਂ ਗਲਤ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਆਰਥਿਕ ਪੱਖ ਤੋਂ, ਬਦਲਾਅ ਬਰਾਬਰ ਨਾਟਕੀ ਹੈ। ਹਰ ਟਾਈਮ ਜ਼ੋਨ ਵਿੱਚ ਕੰਪਨੀਆਂ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ ਕਿ ਇਨ੍ਹਾਂ ਟੂਲਾਂ ਨੂੰ ਕਿਵੇਂ ਜੋੜਿਆ ਜਾਵੇ। ਕੁਝ ਖੇਤਰਾਂ ਵਿੱਚ, AI ਨੂੰ ਵਿਕਾਸ ਦੇ ਰਵਾਇਤੀ ਪੜਾਵਾਂ ਨੂੰ ਪਾਰ ਕਰਨ ਦੇ ਇੱਕ ਤਰੀਕੇ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਦੂਜਿਆਂ ਵਿੱਚ, ਇਸਨੂੰ ਆਊਟਸੋਰਸਿੰਗ ਉਦਯੋਗਾਂ ਲਈ ਇੱਕ ਖ਼ਤਰੇ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਸਥਾਨਕ ਅਰਥਚਾਰਿਆਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹਨ। 2026 ਵਿੱਚ ਮਾਰਕੀਟ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਇੱਕ ਸਪੱਸ਼ਟ ਵੰਡ ਦਿਖਾਉਂਦੀ ਹੈ। ਗਲੋਬਲ ਲੇਬਰ ਮਾਰਕੀਟ ਵਧੇਰੇ ਅਸਥਿਰ ਹੋ ਰਹੀ ਹੈ ਕਿਉਂਕਿ ਬੁਨਿਆਦੀ ਕੋਡਿੰਗ ਅਤੇ ਡੇਟਾ ਐਂਟਰੀ ਵਰਗੇ ਕੰਮ ਆਟੋਮੈਟਿਕ ਹੋ ਰਹੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਸਿਲੀਕਾਨ ਵੈਲੀ ਦੀ ਕਹਾਣੀ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਕਹਾਣੀ ਹੈ ਕਿ ਕਿਵੇਂ ਧਰਤੀ ਉੱਤੇ ਹਰ ਅਰਥਚਾਰਾ ਆਟੋਮੈਟਿਕ ਬੋਧਾਤਮਕ ਕਿਰਤ ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਵਿੱਚ ਅਨੁਕੂਲ ਹੋਵੇਗਾ। ਕੁਝ ਹਾਰਡਵੇਅਰ ਨਿਰਮਾਤਾਵਾਂ ਦੁਆਰਾ ਲਏ ਗਏ ਫੈਸਲੇ ਹੁਣ ਪੂਰੇ ਖੇਤਰਾਂ ਦੇ ਆਰਥਿਕ ਭਵਿੱਖ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।

ਆਟੋਮੇਟਿਡ ਅਸਿਸਟੈਂਟ ਨਾਲ ਜੀਵਨ

ਰੋਜ਼ਾਨਾ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣ ਲਈ, ਮਾਰਕਸ ਨਾਮ ਦੇ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਮੈਨੇਜਰ ਦੇ ਜੀਵਨ ‘ਤੇ ਗੌਰ ਕਰੋ। ਦੋ ਸਾਲ ਪਹਿਲਾਂ, ਮਾਰਕਸ ਆਪਣੀ ਸਵੇਰ ਈਮੇਲ ਡਰਾਫਟ ਕਰਨ ਵਿੱਚ ਅਤੇ ਦੁਪਹਿਰ ਗ੍ਰਾਫਿਕ ਡਿਜ਼ਾਈਨਰਾਂ ਨਾਲ ਤਾਲਮੇਲ ਕਰਨ ਵਿੱਚ ਬਿਤਾਉਂਦਾ ਸੀ। ਅੱਜ, ਉਸਦਾ ਕੰਮ ਕਰਨ ਦਾ ਤਰੀਕਾ ਵੱਖਰਾ ਹੈ। ਉਹ ਆਪਣੇ ਦਿਨ ਦੀ ਸ਼ੁਰੂਆਤ ਇੱਕ ਸਥਾਨਕ ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਮੋਟਾ ਉਤਪਾਦ ਸੰਖੇਪ (brief) ਪਾ ਕੇ ਕਰਦਾ ਹੈ। ਸਕਿੰਟਾਂ ਦੇ ਅੰਦਰ, ਉਸ ਕੋਲ ਪੰਜ ਵੱਖ-ਵੱਖ ਮੁਹਿੰਮ ਦਿਸ਼ਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਉਹ ਉਨ੍ਹਾਂ ਨੂੰ ਉਸੇ ਤਰ੍ਹਾਂ ਨਹੀਂ ਵਰਤਦਾ ਜਿਵੇਂ ਉਹ ਹਨ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਅਗਲੇ ਦੋ ਘੰਟੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸੁਧਾਰਨ ਵਿੱਚ ਬਿਤਾਉਂਦਾ ਹੈ। ਉਹ ਬ੍ਰਾਂਡ ਦੀ ਆਵਾਜ਼ ਅਤੇ ਤੱਥਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਉਸਨੂੰ ਇੱਕ ਵਾਰ ਇੱਕ ਡਰਾਫਟ ਮਿਲਿਆ ਜਿਸਨੇ ਇੱਕ ਅਜਿਹੀ ਉਤਪਾਦ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਕਾਢ ਕੀਤੀ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਸੀ। ਇਹ ਕੰਮ ਦੀ ਨਵੀਂ ਹਕੀਕਤ ਹੈ। ਇਹ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਬਾਰੇ ਘੱਟ ਅਤੇ ਸੰਪਾਦਨ ਅਤੇ ਕਿਊਰੇਸ਼ਨ ਬਾਰੇ ਜ਼ਿਆਦਾ ਹੈ। ਮਾਰਕਸ ਵਧੇਰੇ ਲਾਭਕਾਰੀ ਹੈ, ਪਰ ਉਹ ਵਧੇਰੇ ਥੱਕਿਆ ਹੋਇਆ ਵੀ ਹੈ। ਕੰਮ ਦੀ ਰਫਤਾਰ ਤੇਜ਼ ਹੋ ਗਈ ਹੈ। ਕਿਉਂਕਿ ਸ਼ੁਰੂਆਤੀ ਡਰਾਫਟ ਸਕਿੰਟਾਂ ਵਿੱਚ ਤਿਆਰ ਹੋ ਜਾਂਦਾ ਹੈ, ਉਸਦੇ ਗਾਹਕ ਦਿਨਾਂ ਦੀ ਬਜਾਏ ਘੰਟਿਆਂ ਵਿੱਚ ਅੰਤਿਮ ਸੰਸਕਰਣਾਂ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ। ਇਹ ਵਧੇਰੇ ਉਤਪਾਦਨ ਕਰਨ ਲਈ ਇੱਕ ਨਿਰੰਤਰ ਦਬਾਅ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਉੱਚ-ਸਪੀਡ ਆਉਟਪੁੱਟ ਦਾ ਇੱਕ ਚੱਕਰ ਹੈ ਜੋ ਡੂੰਘੇ ਚਿੰਤਨ ਲਈ ਬਹੁਤ ਘੱਟ ਥਾਂ ਛੱਡਦਾ ਹੈ। ਦਫਤਰ ਤੋਂ ਬਾਹਰ, ਅਸੀਂ ਇਹ ਸਰਕਾਰ ਅਤੇ ਸਿੱਖਿਆ ਵਿੱਚ ਦੇਖਦੇ ਹਾਂ। ਅਧਿਆਪਕ AI ਸਹਾਇਤਾ ਲਈ ਆਪਣੇ ਪਾਠਕ੍ਰਮ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖ ਰਹੇ ਹਨ। ਉਹ ਘਰ ਲਈ ਲੇਖ ਦੇਣ ਤੋਂ ਦੂਰ ਹੋ ਕੇ ਵਿਅਕਤੀਗਤ ਮੌਖਿਕ ਪ੍ਰੀਖਿਆਵਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਨ। ਸਥਾਨਕ ਸਰਕਾਰਾਂ ਜਨਤਕ ਸੁਣਵਾਈਆਂ ਦਾ ਸਾਰ ਦੇਣ ਅਤੇ ਪ੍ਰਵਾਸੀ ਭਾਈਚਾਰਿਆਂ ਲਈ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ। ਇਹ ਠੋਸ ਲਾਭ ਹਨ। ਪੇਂਡੂ ਭਾਰਤ ਦੇ ਇੱਕ ਹਸਪਤਾਲ ਵਿੱਚ, ਇੱਕ ਡਾਕਟਰ ਅੱਖਾਂ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਦੀ ਜਾਂਚ ਵਿੱਚ ਮਦਦ ਲਈ ਇੱਕ AI ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਟੂਲ ਨੂੰ ਇੱਕ ਗਲੋਬਲ ਡੇਟਾਸੈਟ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ ਪਰ ਇਹ ਮਾਹਿਰਾਂ ਦੀ ਸਥਾਨਕ ਘਾਟ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ ਉਦਾਹਰਣਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਤਕਨਾਲੋਜੀ ਵਾਧੇ ਲਈ ਇੱਕ ਸਾਧਨ ਹੈ। ਇਹ ਮਨੁੱਖ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦੀ, ਪਰ ਇਹ ਕੰਮ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਬਦਲ ਦਿੰਦੀ ਹੈ। ਚੁਣੌਤੀ ਇਹ ਹੈ ਕਿ ਟੂਲ ਅਕਸਰ ਅਣਪਛਾਤਾ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਸਿਸਟਮ ਜੋ ਅੱਜ ਪੂਰੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇੱਕ ਛੋਟੇ ਅਪਡੇਟ ਤੋਂ ਬਾਅਦ ਕੱਲ੍ਹ ਫੇਲ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਅਸਥਿਰਤਾ ਵਿਅਕਤੀਗਤ ਸਿਰਜਣਹਾਰਾਂ ਤੋਂ ਲੈ ਕੇ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਤੱਕ ਹਰ ਕਿਸੇ ਲਈ ਇੱਕ ਨਿਰੰਤਰ ਪਿਛੋਕੜ ਦਾ ਸ਼ੋਰ ਹੈ। ਅਸੀਂ ਸਾਰੇ ਇੱਕ ਅਜਿਹੇ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸਿੱਖ ਰਹੇ ਹਾਂ ਜੋ ਅਜੇ ਵੀ ਬਣਾਇਆ ਜਾ ਰਿਹਾ ਹੈ ਜਦੋਂ ਅਸੀਂ ਇਸਨੂੰ ਫੜਿਆ ਹੋਇਆ ਹੈ। ਵਧੇਰੇ ਵੇਰਵਿਆਂ ਲਈ, ਤੁਸੀਂ ਸਾਡੀ ਮੁੱਖ ਸਾਈਟ ‘ਤੇ ਇੱਕ ਵਿਆਪਕ AI ਉਦਯੋਗ ਵਿਸ਼ਲੇਸ਼ਣ ਪੜ੍ਹ ਸਕਦੇ ਹੋ।

ਪ੍ਰਡਿਕਸ਼ਨ ਦੀ ਲੁਕਵੀਂ ਕੀਮਤ

ਸਾਨੂੰ ਇਸ ਪ੍ਰਗਤੀ ਦੀਆਂ ਲੁਕੀਆਂ ਹੋਈਆਂ ਲਾਗਤਾਂ ਬਾਰੇ ਮੁਸ਼ਕਲ ਸਵਾਲ ਪੁੱਛਣੇ ਚਾਹੀਦੇ ਹਨ। ਪਹਿਲਾਂ, ਡੇਟਾ ਮਾਲਕੀ ਦਾ ਸਵਾਲ ਹੈ। ਅੱਜ ਅਸੀਂ ਜੋ ਜ਼ਿਆਦਾਤਰ ਮਾਡਲ ਵਰਤਦੇ ਹਾਂ, ਉਨ੍ਹਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਇੰਟਰਨੈਟ ਤੋਂ ਲਏ ਗਏ ਡੇਟਾ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਕੀ ਲੱਖਾਂ ਲੋਕਾਂ ਦੇ ਰਚਨਾਤਮਕ ਕੰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਅਰਬ ਡਾਲਰ ਦਾ ਉਤਪਾਦ ਬਣਾਉਣਾ ਨੈਤਿਕ ਹੈ ਜੋ ਉਸ ਮੁਨਾਫੇ ਦਾ ਇੱਕ ਪੈਸਾ ਵੀ ਕਦੇ ਨਹੀਂ ਦੇਖਣਗੇ? ਇਹ ਇੱਕ ਕਾਨੂੰਨੀ ਸਲੇਟੀ ਖੇਤਰ ਹੈ ਜਿਸਨੂੰ ਅਦਾਲਤਾਂ ਹੁਣੇ ਹੀ ਸੰਬੋਧਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਰਹੀਆਂ ਹਨ। ਫਿਰ ਵਾਤਾਵਰਣ ‘ਤੇ ਪ੍ਰਭਾਵ ਹੈ। ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਊਰਜਾ ਹੈਰਾਨੀਜਨਕ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਅਸੀਂ ਵੱਡੇ ਸਿਸਟਮਾਂ ਵੱਲ ਵਧਦੇ ਹਾਂ, ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਵਧਦਾ ਜਾਂਦਾ ਹੈ। ਕੀ ਅਸੀਂ ਜਲਵਾਯੂ ਸੰਕਟ ਦੇ ਸਮੇਂ ਵਿੱਚ ਇਸ ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾ ਸਕਦੇ ਹਾਂ? Nature ਵਿੱਚ ਹਾਲੀਆ ਅਧਿਐਨ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਭਾਰੀ ਪਾਣੀ ਦੀ ਖਪਤ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ। ਸਾਨੂੰ ‘ਬਲੈਕ ਬਾਕਸ’ ਸਮੱਸਿਆ ‘ਤੇ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਹੋਵੇਗਾ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਇੰਜੀਨੀਅਰ ਵੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਸਮਝਦੇ ਕਿ ਉਹ ਕੁਝ ਫੈਸਲੇ ਕਿਉਂ ਲੈਂਦੇ ਹਨ। ਜੇਕਰ ਕੋਈ AI ਲੋਨ ਐਪਲੀਕੇਸ਼ਨ ਜਾਂ ਨੌਕਰੀ ਦੀ ਇੰਟਰਵਿਊ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਉਸ ਫੈਸਲੇ ਦਾ ਆਡਿਟ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ? ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਘਾਟ ਨਾਗਰਿਕ ਸੁਤੰਤਰਤਾ ਲਈ ਇੱਕ ਵੱਡਾ ਖਤਰਾ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਉਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ‘ਤੇ ਭਰੋਸਾ ਕਰ ਰਹੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਦੀ ਅਸੀਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਸੰਸਥਾਗਤ ਸੜਨ ਦਾ ਖਤਰਾ ਵੀ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਆਪਣੀਆਂ ਖਬਰਾਂ, ਸਾਡੇ ਕਾਨੂੰਨੀ ਸੰਖੇਪਾਂ, ਅਤੇ ਸਾਡੇ ਕੋਡ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ AI ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਦਾ ਕੀ ਹੋਵੇਗਾ? ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਪਾ ਸਕਦੇ ਹਾਂ ਜਿੱਥੇ ਅਸੀਂ ਆਉਟਪੁੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹਾਂ ਕਿਉਂਕਿ ਅਸੀਂ ਖੁਦ ਕੰਮ ਕਰਨ ਦੇ ਹੁਨਰ ਗੁਆ ਦਿੱਤੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਨਹੀਂ ਹਨ। ਇਹ ਸਮਾਜ ਨੂੰ ਕਿਵੇਂ ਸੰਗਠਿਤ ਕਰਨਾ ਹੈ ਇਸ ਬਾਰੇ ਬੁਨਿਆਦੀ ਚੁਣੌਤੀਆਂ ਹਨ। ਅਸੀਂ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਕੁਸ਼ਲਤਾ ਲਈ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਥਿਰਤਾ ਦਾ ਵਪਾਰ ਕਰ ਰਹੇ ਹਾਂ। ਸਾਨੂੰ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਉਹ ਵਪਾਰ ਹੈ ਜੋ ਅਸੀਂ ਸੱਚਮੁੱਚ ਕਰਨ ਲਈ ਤਿਆਰ 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।

ਸਥਾਨਕ ਮਾਡਲਾਂ ਦੇ ਅੰਦਰ

ਪਾਵਰ ਯੂਜ਼ਰ ਲਈ, ਫੋਕਸ ਸਧਾਰਨ ਪ੍ਰੋਂਪਟ ਤੋਂ ਗੁੰਝਲਦਾਰ ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਵੱਲ ਬਦਲ ਗਿਆ ਹੈ। ਅਸਲ ਮੁੱਲ ਹੁਣ ਚੈਟਬੋਟ ਦੇ ਵੈੱਬ ਇੰਟਰਫੇਸ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਇਹ API ਵਿੱਚ ਹੈ। ਡਿਵੈਲਪਰ ਹੁਣ ਸਖ਼ਤ ਰੇਟ ਸੀਮਾਵਾਂ ਅਤੇ ਟੋਕਨ ਲਾਗਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਰਹੇ ਹਨ। ਉਹ ਵਿਸ਼ਾਲ, ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਮਾਡਲਾਂ ਤੋਂ ਛੋਟੇ, ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਨ। ਇੱਥੇ ਹੀ ਸਥਾਨਕ ਸਟੋਰੇਜ ਅਤੇ ਸਥਾਨਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਕੰਮ ਆਉਂਦੇ ਹਨ। Llama.cpp ਵਰਗੇ ਟੂਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਹ ਗੋਪਨੀਯਤਾ ਦੇ ਮੁੱਦੇ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ ਅਤੇ ਨਿਰੰਤਰ ਇੰਟਰਨੈਟ ਕਨੈਕਸ਼ਨ ‘ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਚਲਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ VRAM ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ 24GB ਮੱਧ-ਆਕਾਰ ਦੇ ਮਾਡਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵਧੀਆ ਅਨੁਭਵ ਲਈ ਘੱਟੋ-ਘੱਟ ਲੋੜ ਹੈ। ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਦਾ ਰੁਝਾਨ ਵੀ ਹੈ। ਇਹ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਮਾਡਲ ਦੇ ਵਜ਼ਨ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਇਸਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਚਲਾਇਆ ਜਾ ਸਕੇ ਅਤੇ ਘੱਟ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕੇ। ਇੱਕ 4-bit ਕੁਆਂਟਾਈਜ਼ਡ ਮਾਡਲ ਅਕਸਰ ਪੂਰੇ 16-bit ਸੰਸਕਰਣ ਦੇ ਬਰਾਬਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਸਪੇਸ ਦਾ ਇੱਕ ਹਿੱਸਾ ਲੈਂਦਾ ਹੈ। ਅਸੀਂ Retrieval Augmented Generation (RAG) ਦਾ ਉਭਾਰ ਵੀ ਦੇਖ ਰਹੇ ਹਾਂ। ਇਹ ਇੱਕ ਮਾਡਲ ਨੂੰ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਉਪਭੋਗਤਾ ਦੇ ਨਿੱਜੀ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਦੇਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਖਾਸ, ਪ੍ਰਮਾਣਿਤ ਤੱਥਾਂ ਵਿੱਚ ਐਂਕਰ ਕਰਕੇ ਭਰਮ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਆਮ ਪ੍ਰਡਿਕਸ਼ਨ ਇੰਜਣ ਅਤੇ ਇੱਕ ਉਪਯੋਗੀ ਵਪਾਰਕ ਟੂਲ ਵਿਚਕਾਰ ਪੁਲ ਹੈ। ਅਗਲੀ ਸਰਹੱਦ ਸੰਦਰਭ ਵਿੰਡੋ ਹੈ। ਅਸੀਂ ਉਨ੍ਹਾਂ ਮਾਡਲਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਗਏ ਹਾਂ ਜੋ ਟੈਕਸਟ ਦੇ ਕੁਝ ਪੰਨਿਆਂ ਨੂੰ ਯਾਦ ਰੱਖ ਸਕਦੇ ਸਨ, ਉਨ੍ਹਾਂ ਮਾਡਲਾਂ ਤੱਕ ਜੋ ਇੱਕ ਵਾਰ ਵਿੱਚ ਪੂਰੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਵਿਸ਼ਾਲ ਕੋਡਬੇਸ ਜਾਂ ਲੰਬੇ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਹੁਣ ਚੁਣੌਤੀ ਉਸ ਲੇਟੈਂਸੀ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੈ ਜੋ ਇਨ੍ਹਾਂ ਵੱਡੇ ਇਨਪੁਟਸ ਨਾਲ ਆਉਂਦੀ ਹੈ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੇ ਹਾਂ, ਰੁਕਾਵਟ ਹੁਣ ਸਾਫਟਵੇਅਰ ਨਹੀਂ ਹੈ। ਇਹ ਸਿਲੀਕਾਨ ਦੀਆਂ ਭੌਤਿਕ ਸੀਮਾਵਾਂ ਅਤੇ ਰੋਸ਼ਨੀ ਦੀ ਗਤੀ ਹੈ। MIT Technology Review ਅਤੇ IEEE Spectrum ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਹਾਰਡਵੇਅਰ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਹੁਣ AI ਸਮਰੱਥਾ ਦਾ ਪ੍ਰਾਇਮਰੀ ਡਰਾਈਵਰ ਹੈ।

ਐਡਵਾਂਸਡ ਉਪਭੋਗਤਾ ਵਰਤਮਾਨ ਵਿੱਚ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੇ ਤਿੰਨ ਮੁੱਖ ਖੇਤਰਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰ ਰਹੇ ਹਨ:

• ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ ਲਈ ਮੈਮੋਰੀ ਲੋੜਾਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।
• RAG ਸਿਸਟਮ ਮਾਡਲਾਂ ਨੂੰ ਨਿੱਜੀ, ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਨਾਲ ਜੋੜਦੇ ਹਨ।
• API ਏਕੀਕਰਣ ਆਟੋਮੈਟਿਕ ਮਲਟੀ-ਸਟੈਪ ਵਰਕਫਲੋ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਅਧੂਰੀ ਕਹਾਣੀ

ਇਸ ਬਿੰਦੂ ਤੱਕ ਦਾ ਰਸਤਾ ਖਾਸ ਤਕਨੀਕੀ ਚੋਣਾਂ ਨਾਲ ਪੱਧਰਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਅਸੀਂ ਕੁਸ਼ਲਤਾ ਨਾਲੋਂ ਪੈਮਾਨੇ ਅਤੇ ਤਰਕ ਨਾਲੋਂ ਸੰਭਾਵਨਾ ਨੂੰ ਚੁਣਿਆ। ਇਸਨੇ ਸਾਨੂੰ ਅਜਿਹੇ ਟੂਲ ਦਿੱਤੇ ਹਨ ਜੋ ਜਾਦੂਈ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ ਪਰ ਡੂੰਘੇ ਤੌਰ ‘ਤੇ ਨੁਕਸਦਾਰ ਰਹਿੰਦੇ ਹਨ। ਹਾਈਪ ਸਾਈਕਲ ਅੰਤ ਵਿੱਚ ਠੰਡਾ ਹੋ ਜਾਵੇਗਾ, ਪਰ ਤਕਨਾਲੋਜੀ ਬਣੀ ਰਹੇਗੀ। ਅਸੀਂ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿ ਗਏ ਹਾਂ ਜਿੱਥੇ ਮਨੁੱਖੀ ਅਤੇ ਮਸ਼ੀਨੀ ਰਚਨਾ ਵਿਚਕਾਰ ਰੇਖਾ ਸਥਾਈ ਤੌਰ ‘ਤੇ ਧੁੰਦਲੀ ਹੋ ਗਈ ਹੈ। ਖੁੱਲ੍ਹਾ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਅਨੰਤ, ਸਸਤੀ ਸਮੱਗਰੀ ਦੇ ਯੁੱਗ ਵਿੱਚ ਮੁੱਲ ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਾਂਗੇ। ਜੇਕਰ ਇੱਕ ਮਸ਼ੀਨ ਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਕਵਿਤਾ ਜਾਂ ਪ੍ਰੋਗਰਾਮ ਲਿਖ ਸਕਦੀ ਹੈ, ਤਾਂ ਅਜਿਹਾ ਕਰਨ ਲਈ ਮਨੁੱਖੀ ਕੋਸ਼ਿਸ਼ ਦਾ ਕੀ ਮੁੱਲ ਹੈ? ਅਸੀਂ ਅਜੇ ਵੀ ਜਵਾਬ ਲੱਭ ਰਹੇ ਹਾਂ। ਫਿਲਹਾਲ, ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਉਤਸੁਕਤਾ ਅਤੇ ਸ਼ੱਕ ਦਾ ਮਿਸ਼ਰਣ ਹੈ। ਸਾਨੂੰ ਇਨ੍ਹਾਂ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਆਪਣੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਜਦੋਂ ਕਿ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਬਾਰੇ ਸੁਚੇਤ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। AI ਦਾ ਭਵਿੱਖ ਕੋਈ ਤਿਆਰ ਉਤਪਾਦ ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਗੱਲ ਵਿਚਕਾਰ ਇੱਕ ਨਿਰੰਤਰ ਗੱਲਬਾਤ ਹੈ ਕਿ ਅਸੀਂ ਕੀ ਬਣਾ ਸਕਦੇ ਹਾਂ ਅਤੇ ਸਾਨੂੰ ਕੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।

ایڈیٹر کا نوٹ: ہم نے یہ سائٹ ایک کثیر لسانی AI خبروں اور گائیڈز کے مرکز کے طور پر ان لوگوں کے لیے بنائی ہے جو کمپیوٹر گیکس نہیں ہیں، لیکن پھر بھی مصنوعی ذہانت کو سمجھنا چاہتے ہیں، اسے زیادہ اعتماد کے ساتھ استعمال کرنا چاہتے ہیں، اور اس مستقبل کی پیروی کرنا چاہتے ہیں جو پہلے ہی آ رہا ہے۔