AI என்பது மென்பொருளைப் போலவே வன்பொருளையும் சார்ந்தது ஏன்?

செயற்கை நுண்ணறிவு (AI) குறித்த பொதுவான பார்வை பெரும்பாலும் குறியீடுகளை (code) மட்டுமே மையமாகக் கொண்டுள்ளது. மக்கள் பெரிய மொழி மாதிரிகளை (Large Language Models) ஏதோ ஒரு தூய தர்க்க உலகில் இயங்குவது போலப் பேசுகிறார்கள். அல்காரிதத்தின் புத்திசாலித்தனம் அல்லது சாட்பாட் பதில்களின் நுணுக்கங்களைப் பற்றி விவாதிக்கிறார்கள். ஆனால், இந்த அணுகுமுறை தற்போதைய தொழில்நுட்ப யுகத்தின் மிக முக்கியமான காரணியைத் தவறவிடுகிறது. AI என்பது வெறும் மென்பொருள் கதை மட்டுமல்ல; இது கனரகத் தொழில்துறை சார்ந்த ஒரு கதை. இது மின்சாரத்தின் மிகப்பெரிய நுகர்வு மற்றும் சிலிக்கானின் பௌதிக எல்லைகள் பற்றியது. ஒரு பயனர் சாட்பாட்டிடம் கேள்வி கேட்கும்போதெல்லாம், மைல்களுக்கு அப்பால் உள்ள ஒரு டேட்டா சென்டரில் பௌதிக நிகழ்வுகளின் சங்கிலித் தொடர் நிகழ்கிறது. இந்தச் செயல்பாட்டில் ஈடுபடும் பிரத்யேக சிப்கள் (chips) தற்போது பூமியின் மிக மதிப்புமிக்க பொருட்களாக உள்ளன. சில நிறுவனங்கள் ஏன் வெற்றி பெறுகின்றன, மற்றவை ஏன் தோல்வியடைகின்றன என்பதைப் புரிந்துகொள்ள விரும்பினால், நீங்கள் வன்பொருளை (hardware) கவனிக்க வேண்டும். மென்பொருள் என்பது ஸ்டீயரிங் என்றால், வன்பொருள் தான் என்ஜின் மற்றும் எரிபொருள். பௌதிக உள்கட்டமைப்பு இல்லாமல், உலகின் அதிநவீன மாதிரி கூட பயனற்ற கணிதத் தொகுப்பு மட்டுமே.

சிலிக்கான் உச்சவரம்பு

பல தசாப்தங்களாக, மென்பொருள் மேம்பாடு ஒரு கணிக்கக்கூடிய பாதையைப் பின்பற்றியது. நீங்கள் குறியீட்டை எழுதினீர்கள், அது சாதாரண சென்ட்ரல் பிராசஸிங் யூனிட்களில் (CPUs) இயங்கியது. இந்த சிப்கள் பொதுவான பணிகளைச் செய்பவை. இவை பலவிதமான பணிகளை ஒன்றன் பின் ஒன்றாகக் கையாளும். இருப்பினும், AI தேவைகளை மாற்றியது. நவீன மாதிரிகளுக்கு பொதுவானவை தேவையில்லை. பில்லியன் கணக்கான எளிய கணிதச் செயல்பாடுகளை ஒரே நேரத்தில் செய்யக்கூடிய ஒரு நிபுணர் தேவை. இது பேரலல் பிராசஸிங் (parallel processing) என்று அழைக்கப்படுகிறது. தொழில்துறை தனது கவனத்தை கிராபிக்ஸ் பிராசஸிங் யூனிட்களுக்கு (GPUs) மாற்றியது. இந்த சிப்கள் முதலில் வீடியோ கேம்களை உருவாக்க வடிவமைக்கப்பட்டவை, ஆனால் ஆராய்ச்சியாளர்கள் இவை நியூரல் நெட்வொர்க்குகளை இயக்கும் மேட்ரிக்ஸ் பெருக்கலுக்கு மிகச்சரியானவை என்பதைக் கண்டறிந்தனர். இந்த மாற்றம் ஒரு பெரிய தடையை உருவாக்கியது. நீங்கள் அதிக நுண்ணறிவை எளிதாக டவுன்லோட் செய்ய முடியாது. அவற்றை உற்பத்தி செய்ய கடினமான பௌதிகக் கூறுகளைக் கொண்டுதான் உருவாக்க வேண்டும். TSMC போன்ற நிறுவனங்கள் சிலிக்கான் வேஃபர்களில் எவ்வளவு வேகமாக சர்க்யூட்களை உருவாக்க முடியும் என்பதைப் பொறுத்தே AI முன்னேற்றத்தின் வேகம் தீர்மானிக்கப்படும் என்ற யதார்த்தத்தை உலகம் எதிர்கொள்கிறது.

இந்த பௌதிகக் கட்டுப்பாடு தொழில்நுட்ப உலகில் ஒரு புதிய வர்க்க அமைப்பை உருவாக்கியுள்ளது. கம்ப்யூட் வசதி கொண்டவர்கள் மற்றும் இல்லாதவர்கள் எனப் பிரிந்துள்ளனர். பத்தாயிரம் உயர்தர சிப்களைக் கொண்ட ஒரு நிறுவனம், நூறு சிப்களைக் கொண்ட ஒரு நிறுவனத்தால் கற்பனை கூட செய்ய முடியாத ஒரு மாதிரியைப் பயிற்றுவிக்க முடியும். இது திறமை அல்லது புத்திசாலித்தனமான குறியீட்டு முறை பற்றியது அல்ல. இது மூல ஆற்றல் பற்றியது. லேப்டாப் வைத்திருக்கும் எவரும் போட்டியிடக்கூடிய சமத்துவமான களம் AI என்ற தவறான கருத்து மறைந்து வருகிறது. உயர்தர AI மேம்பாட்டிற்கான நுழைவு விலை இப்போது பில்லியன் கணக்கான டாலர் மதிப்புள்ள வன்பொருளாக அளவிடப்படுகிறது. இதனால்தான் உலகின் மிகப்பெரிய தொழில்நுட்ப நிறுவனங்கள் உள்கட்டமைப்பிற்காக முன்னெப்போதும் இல்லாத அளவு செலவு செய்கின்றன. அவர்கள் வெறும் சர்வர்களை மட்டும் வாங்கவில்லை; எதிர்காலத்திற்கான தொழிற்சாலைகளை உருவாக்குகிறார்கள். வன்பொருள் தான் அவர்களின் வணிக மாதிரிகளைப் பாதுகாக்கும் அரண்.

மணல் மற்றும் ஆற்றலின் புவிசார் அரசியல்

வன்பொருள் சார்ந்த AI நோக்கிய மாற்றம் தொழில்நுட்பத் துறையின் ஈர்ப்பு மையத்தை மாற்றியுள்ளது. இது இனி சிலிக்கான் வேலி பற்றியது மட்டுமல்ல. இது தைவான் ஜலசந்தி மற்றும் வடக்கு வர்ஜீனியாவின் மின் கட்டங்கள் பற்றியது. அதிநவீன AI சிப்களுக்கான உற்பத்தி செயல்முறை மிகவும் சிக்கலானது, அதை TSMC என்ற ஒரே நிறுவனத்தால் மட்டுமே பெரிய அளவில் செய்ய முடியும். இது முழு உலகப் பொருளாதாரத்திற்கும் ஒரு ஒற்றைப் புள்ளியில் தோல்வியை ஏற்படுத்துகிறது. தைவானில் உற்பத்தி நின்றால், AI முன்னேற்றம் நின்றுவிடும். இதனால்தான் அரசாங்கங்கள் இப்போது சிப் உற்பத்தியை தேசிய பாதுகாப்பு விஷயமாகக் கருதுகின்றன. அவர்கள் புதிய தொழிற்சாலைகளின் கட்டுமானத்திற்கு மானியம் வழங்குகிறார்கள் மற்றும் உயர்தர வன்பொருளுக்கு ஏற்றுமதி கட்டுப்பாடுகளை விதிக்கிறார்கள். போட்டித்தன்மையுடன் இருக்கத் தேவையான பௌதிகக் கூறுகள் உள்நாட்டுத் தொழில்களுக்குக் கிடைப்பதை உறுதி செய்வதே இதன் நோக்கம்.

சிப்களைத் தாண்டி, ஆற்றல் பிரச்சினை உள்ளது. AI மாதிரிகள் மின்சாரத்திற்கு மிகவும் தாகமாக உள்ளன. ஒரு ஒற்றை வினவல் (query) ஒரு சாதாரண தேடுபொறி கோரிக்கையை விட கணிசமாக அதிக மின்சாரத்தை நுகர முடியும். இது உள்ளூர் மின் கட்டங்களில் பெரும் அழுத்தத்தை ஏற்படுத்துகிறது. டேட்டா சென்டர்கள் குவிந்துள்ள இடங்களில், மின்சாரத் தேவை விநியோகத்தை விட வேகமாக வளர்கிறது. இது அணுசக்தி மற்றும் பிற உயர் திறன் கொண்ட ஆற்றல் மூலங்களில் மீண்டும் ஆர்வத்தை ஏற்படுத்தியுள்ளது. சர்வதேச எரிசக்தி முகமை (International Energy Agency), டேட்டா சென்டர்கள் தங்கள் மின் நுகர்வை 2026க்குள் இரட்டிப்பாக்கக்கூடும் என்று குறிப்பிட்டுள்ளது. இது சிறந்த குறியீட்டின் மூலம் சரிசெய்யக்கூடிய மென்பொருள் பிரச்சினை அல்ல. இது இந்த அமைப்புகள் செயல்படும் விதம் குறித்த பௌதிக யதார்த்தம். AI-ன் சுற்றுச்சூழல் தாக்கம் குறியீட்டு வரிகளில் இல்லை, மாறாக சர்வர்களை இயக்கும் குளிரூட்டும் அமைப்புகள் மற்றும் மின் உற்பத்தி நிலையங்களின் கார்பன் தடயத்தில் உள்ளது. நிறுவனங்கள் தங்கள் AI முயற்சிகளின் மதிப்பை கணக்கிடும்போது இந்த பௌதிகச் செலவுகளைக் கணக்கில் கொள்ள வேண்டும்.

ஒவ்வொரு ப்ராம்ப்ட்டின் அதிக விலை

வன்பொருள் கட்டுப்பாடுகளின் நடைமுறை தாக்கத்தைப் புரிந்துகொள்ள, தற்போதைய சந்தையில் ஒரு ஸ்டார்ட்அப் நிறுவனரின் ஒரு நாளைக் கவனியுங்கள். அவரை சாரா என்று அழைப்போம். சாராவிடம் புதிய மருத்துவ கண்டறியும் கருவிக்கான சிறந்த யோசனை உள்ளது. அவரிடம் தரவுகளும் திறமையும் உள்ளன. இருப்பினும், அவளது மிகப்பெரிய தடை அல்காரிதம் அல்ல என்பதை அவள் விரைவில் உணர்கிறாள். அது இன்ஃபரன்ஸ் (inference) செலவு. ஒரு மருத்துவர் அவளது கருவியைப் பயன்படுத்தும் ஒவ்வொரு முறையும், கிளவுடில் உள்ள உயர்தர GPU-வில் நேரத்திற்காக அவள் பணம் செலுத்த வேண்டும். இந்தச் செலவுகள் நிலையானவை அல்ல. அவை உலகளாவிய தேவையின் அடிப்படையில் மாறுகின்றன. உச்ச நேரங்களில், கம்ப்யூட் விலை அதிகரிக்கலாம், இது அவளது லாபத்தைக் குறைக்கும். அவள் மருத்துவ ஆராய்ச்சியை விட, தனது கிளவுட் கிரெடிட்களை நிர்வகிப்பதிலும் வன்பொருள் பயன்பாட்டை மேம்படுத்துவதிலும் அதிக நேரம் செலவிடுகிறாள். இது இன்று ஆயிரக்கணக்கான படைப்பாளிகளின் யதார்த்தம். அவர்கள் வன்பொருளின் பௌதிக இருப்பைப் பொறுத்தே உள்ளனர்.

சாதாரண பயனருக்கு, இது லேட்டன்சி (latency) மற்றும் வரம்புகளாக வெளிப்படுகிறது. ஒரு சாட்பாட் நாளின் சில நேரங்களில் மெதுவாக அல்லது திறன் குறைவாக இருப்பதை நீங்கள் கவனித்திருக்கிறீர்களா? பெரும்பாலும் அந்த நிறுவனம் வன்பொருள் வரம்பை எட்டுவதால் தான் இது நிகழ்கிறது. சுமையைக் கையாள அவர்கள் தங்கள் கம்ப்யூட் திறனை ரேஷன் செய்கிறார்கள். இது AI-ன் பௌதிகத் தன்மையின் நேரடி விளைவாகும். கிட்டத்தட்ட பூஜ்ஜிய செலவில் நகலெடுக்கப்பட்டு விநியோகிக்கக்கூடிய பாரம்பரிய மென்பொருளைப் போலன்றி, இயங்கும் ஒவ்வொரு AI மாதிரியும் ஒரு பிரத்யேக வன்பொருள் பகுதியைத் தேவைப்படுத்துகிறது. இது ஒரே நேரத்தில் எத்தனை பேர் இந்த கருவிகளைப் பயன்படுத்தலாம் என்பதற்கு ஒரு உச்சவரம்பை உருவாக்குகிறது. இதனால்தான் பல நிறுவனங்கள் போன்கள் அல்லது லேப்டாப்கள் போன்ற உள்ளூர் சாதனங்களில் இயங்கக்கூடிய சிறிய மாதிரிகளை நோக்கி நகர்கின்றன. அவர்கள் வன்பொருள் சுமையை தங்கள் டேட்டா சென்டர்களிலிருந்து இறுதி பயனருக்கு மாற்ற முயற்சிக்கின்றனர். இந்த மாற்றம் நுகர்வோர் வன்பொருள் மேம்பாடுகளின் புதிய சுழற்சியை இயக்குகிறது. மக்கள் தங்கள் பழைய கணினிகள் பழுதடைந்ததால் அல்ல, மாறாக நவீன AI அம்சங்களை உள்ளூரில் இயக்கத் தேவையான பிரத்யேக சிப்கள் அவற்றில் இல்லாததால் புதிய கணினிகளை வாங்குகிறார்கள்.

இது நமது சாதனங்களுக்கும் நாம் பயன்படுத்தும் சேவைகளுக்கும் இடையிலான உறவைப் பற்றி நாம் சிந்திக்கும் விதத்தில் ஒரு பெரிய மாற்றமாகும்.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

வணிக அதிகார இயக்கவியலும் மாறுகிறது. கடந்த காலத்தில், ஒரு மென்பொருள் நிறுவனம் மிகச்சிறிய பௌதிகத் தடயத்துடன் உலகளவில் அளவிட முடியும். இன்று, உள்கட்டமைப்பை வைத்திருக்கும் நிறுவனங்களே அதிகாரம் கொண்டவை. இதனால்தான் NVIDIA உலகின் மிக மதிப்புமிக்க நிறுவனங்களில் ஒன்றாக மாறியுள்ளது. அவர்கள் AI தங்க வேட்டைக்குத் தேவையான கருவிகளை வழங்குகிறார்கள். மிகவும் வெற்றிகரமான AI மென்பொருள் நிறுவனங்கள் கூட பெரும்பாலும் தங்கள் பெரிய போட்டியாளர்களின் டேட்டா சென்டர்களில் வாடகைதாரர்களாகவே உள்ளனர். இது ஒரு ஆபத்தான சூழ்நிலையை உருவாக்குகிறது. நில உரிமையாளர் வாடகையை உயர்த்தவோ அல்லது தங்கள் சொந்த உள் திட்டங்களுக்கு முன்னுரிமை அளிக்கவோ முடிவு செய்தால், மென்பொருள் நிறுவனத்திற்கு வேறு வழியில்லை. நவீன தொழில்நுட்பப் பொருளாதாரத்தில் பௌதிக அடுக்குதான் செல்வாக்கின் இறுதி ஆதாரம். இது புத்திசாலித்தனமான யோசனைகளை விட அளவும் பௌதிக சொத்துக்களும் முக்கியத்துவம் பெறும் ஒரு தொழில்துறை போட்டிக்குத் திரும்புவதாகும்.

நாம் கேட்காத கேள்விகள்

இந்த வன்பொருள் சார்ந்த யுகத்திற்குள் நாம் ஆழமாகச் செல்லும்போது, மறைக்கப்பட்ட செலவுகள் குறித்து கடினமான கேள்விகளைக் கேட்க வேண்டும். நுழைவுத் தடைகள் மிக அதிகமாக இருக்கும்போது உண்மையிலேயே யார் பயனடைகிறார்கள்? ஒரு சில நிறுவனங்களால் மட்டுமே அதிநவீன மாதிரிகளை உருவாக்கத் தேவையான வன்பொருளை வாங்க முடியும் என்றால், அது போட்டி மற்றும் கண்டுபிடிப்புக்கு என்ன அர்த்தம்? தொழில்நுட்ப வரலாற்றில் முன்னெப்போதும் இல்லாத அதிகாரக் குவிப்பை நாம் காண்கிறோம். இந்த மையப்படுத்தல் தனியுரிமை மற்றும் தணிக்கைக்கு மிகப்பெரிய ஆபத்தை உருவாக்குகிறது. அனைத்து AI செயல்பாடுகளும் மூன்று அல்லது நான்கு நிறுவனங்களுக்குச் சொந்தமான சில ஆயிரம் சர்வர்களில் நடந்தால், அந்தத் தொழில்நுட்பத்தை வைத்து என்ன சொல்லலாம், என்ன செய்யலாம் என்பதில் அந்த நிறுவனங்களுக்கு முழு கட்டுப்பாடு இருக்கும். தங்கள் சொந்த AI உள்கட்டமைப்பை உருவாக்க முடியாத சிறிய நாடுகளின் இறையாண்மைக்கு என்னவாகும்?

இந்த இயந்திரங்களை உருவாக்கத் தேவையான பௌதிகப் பொருட்கள் பற்றிய கேள்வியும் உள்ளது. AI வன்பொருள் அரிய வகை கனிமங்கள் மற்றும் பெரும்பாலும் நிலையற்ற பகுதிகளில் அமைந்துள்ள சிக்கலான விநியோகச் சங்கிலிகளைச் சார்ந்துள்ளது. இந்த பொருட்களை அகழ்வாராய்ச்சி செய்வதன் சுற்றுச்சூழல் செலவு AI முன்னேற்றத்தின் சூழலில் அரிதாகவே விவாதிக்கப்படுகிறது. உற்பத்தியின் போது ஏற்படும் திறந்தவெளி சுரங்கங்கள் மற்றும் நச்சுக்கழிவுகளைப் புறக்கணித்துவிட்டு, மாதிரியின் நேர்த்தியைப் பற்றி நாம் பேசுகிறோம். சற்று மேம்பட்ட சாட்பாட்டின் நன்மை, அது தேவைப்படும் வன்பொருளால் ஏற்படும் சுற்றுச்சூழல் பாதிப்புக்கு ஈடாகுமா? மேலும், தற்போதைய மின் நுகர்வுப் போக்குகளின் நீண்டகால நிலைத்தன்மையைக் கருத்தில் கொள்ள வேண்டும். சர்வதேச எரிசக்தி முகமை அறிக்கைகளின்படி, டேட்டா சென்டர் மின் தேவையின் வளர்ச்சி சில பிராந்தியங்களில் புதுப்பிக்கத்தக்க ஆற்றலின் சேர்க்கையை விட அதிகமாக உள்ளது. கிரகம் உண்மையில் தாங்க முடியாத ஒரு தொழில்நுட்ப எதிர்காலத்தை நாம் உருவாக்குகிறோமா? இவை சரிசெய்யப்பட வேண்டிய தொழில்நுட்ப பிழைகள் அல்ல. இந்த அளவில் AI-ஐத் தொடர எடுக்கும் முடிவுகளுடன் வரும் அடிப்படை வர்த்தக பரிமாற்றங்கள் (trade-offs) இவை. AI என்பது வெறும் டிஜிட்டல் தலையீடு மட்டுமல்ல, அது உலகில் ஒரு பௌதிக தலையீடு என்பதை நாம் நேர்மையாக ஒப்புக்கொள்ள வேண்டும்.

கட்டமைப்பு மற்றும் லேட்டன்சி

பவர் யூசர்கள் மற்றும் டெவலப்பர்களுக்கு, வன்பொருள் கதை இன்னும் குறிப்பிட்டதாகிறது. இது ஒரு GPU-வை வைத்திருப்பது மட்டுமல்ல. அந்த GPU-வின் குறிப்பிட்ட கட்டமைப்பு பற்றியது. நவீன AI-ல் உள்ள மிகப்பெரிய தடைகளில் ஒன்று பிராசஸரின் வேகம் அல்ல, மெமரியின் வேகம். இது மெமரி வால் (memory wall) என்று அழைக்கப்படுகிறது. ஹை பேண்ட்வித் மெமரி (HBM) பிராசஸருக்குத் தரவுகளைத் தொடர்ந்து வழங்குவதற்கு அவசியமானது. மெமரி மிகவும் மெதுவாக இருந்தால், பிராசஸர் சும்மா இருக்கும், விலையுயர்ந்த கம்ப்யூட் சுழற்சிகளை வீணடிக்கும். இதனால்தான் முக்கிய உற்பத்தியாளர்களின் சமீபத்திய சிப்கள் மெமரி பேண்ட்வித் மற்றும் திறனில் அதிக கவனம் செலுத்துகின்றன. நீங்கள் உள்ளூர் மாதிரியை இயக்குகிறீர்கள் என்றால், உங்கள் கார்டில் உள்ள VRAM அளவுதான் மிக முக்கியமான காரணி. இது நீங்கள் ஏற்றக்கூடிய மாதிரியின் அளவையும், அது உரையை உருவாக்கும் வேகத்தையும் தீர்மானிக்கிறது.

பணிப்பாய்வு ஒருங்கிணைப்பும் (workflow integration) வன்பொருள் பிரச்சினையாக மாறி வருகிறது. பல தொழில்முறை கருவிகள் இப்போது குறிப்பிட்ட API வரம்புகள் அல்லது உள்ளூர் முடுக்கம் (local acceleration) தேவைப்படும் AI அம்சங்களை ஒருங்கிணைக்கின்றன. நீங்கள் கிளவுட் சார்ந்த API-ஐப் பயன்படுத்துகிறீர்கள் என்றால், நீங்கள் வழங்குநரின் வன்பொருள் இருப்பிற்கு உட்பட்டவர். இது பயனர் அனுபவத்தைப் பாதிக்கும் கணிக்க முடியாத லேட்டன்சிக்கு வழிவகுக்கும். உள்ளூர் சேமிப்பகத்திற்கு, தேவைகளும் அதிகரித்து வருகின்றன. பெரிய மாதிரிகள் மற்றும் அவற்றை ஃபைன்-டியூன் செய்யப் பயன்படுத்தப்படும் தரவுத்தொகுப்புகளைச் சேமிக்க டெராபைட் கணக்கிலான வேகமான NVMe சேமிப்பகம் தேவைப்படுகிறது. NVLink போன்ற பிரத்யேக இன்டர்கனெக்டுகளின் எழுச்சியையும் நாம் காண்கிறோம், இவை பல GPU-க்கள் நம்பமுடியாத வேகத்தில் ஒன்றோடொன்று பேச அனுமதிக்கின்றன. மிகப்பெரிய மாதிரிகள் ஒரே சிப்பில் பொருந்தாததால் இது அவசியம். அவை டஜன் கணக்கான அல்லது நூற்றுக்கணக்கான சிப்களில் பரப்பப்பட வேண்டும், அனைத்தும் சரியான ஒத்திசைவில் செயல்பட வேண்டும். அந்த சிப்களுக்கு இடையிலான பௌதிக இணைப்பு மிகவும் மெதுவாக இருந்தால், முழு அமைப்பும் செயலிழந்துவிடும். இந்த அளவிலான வன்பொருள் சிக்கலானது, ஒரு ஸ்கிரிப்டை எழுதி லேப்டாப்பில் இயக்குவதை விட முற்றிலும் மாறுபட்டது. உங்கள் உள்ளூர் அமைப்பை மேம்படுத்துவது குறித்த விரிவான வழிகாட்டிகளை AI Magazine இணையதளத்தில் நீங்கள் காணலாம். இந்த தொழில்நுட்ப விவரங்களைப் புரிந்துகொள்வது, இந்தத் துறையின் எல்லையில் பணியாற்ற விரும்பும் எவருக்கும் விருப்பத்தேர்வு அல்ல. ஒரு வெற்றிகரமான வரிசைப்படுத்தலுக்கும் தோல்விக்கும் இடையிலான வித்தியாசம் பெரும்பாலும் உங்கள் வன்பொருள் அடுக்கின் பௌதிகக் கட்டுப்பாடுகளை நீங்கள் எவ்வளவு சிறப்பாக நிர்வகிக்கிறீர்கள் என்பதில் உள்ளது.

பௌதிக யதார்த்தம்

AI என்பது முற்றிலும் டிஜிட்டல் நிகழ்வு என்ற கதை முடிந்துவிட்டது. உண்மை என்னவென்றால், AI என்பது நிலம், நீர், ஆற்றல் மற்றும் சிலிக்கான் ஆகியவற்றின் பெரும் அளவுகளைத் தேவைப்படும் ஒரு பௌதிகத் தொழில்துறை. வரும் ஆண்டுகளில் நாம் காணும் முன்னேற்றம், இயந்திர கற்றலில் ஏற்படும் முன்னேற்றங்களைப் போலவே, பொருள் அறிவியல் (materials science) மற்றும் மின் உற்பத்தியில் ஏற்படும் முன்னேற்றங்களாலும் தீர்மானிக்கப்படும். பௌதிக உலகம் டிஜிட்டல் உலகின் மீது தனது ஆதிக்கத்தை மீண்டும் நிலைநாட்டும் காலத்திற்குள் நாம் நுழைகிறோம். இதைப் புரிந்துகொண்டு தங்கள் சொந்த வன்பொருள் மற்றும் எரிசக்தி விநியோகங்களில் முதலீடு செய்யும் நிறுவனங்களே முன்னணியில் இருக்கும். வன்பொருளை ஒரு பின் சிந்தனையாகக் கருதுபவர்கள் சந்தையில் இருந்து வெளியேற்றப்படுவார்கள். நினைவில் கொள்ள வேண்டிய மிக முக்கியமான விஷயம் என்னவென்றால், ஒவ்வொரு டிஜிட்டல் நுண்ணறிவுக்கும் ஒரு பௌதிக வீடு உண்டு. 2026 வாக்கில், AI உலகின் வரைபடம் உலகின் மிகவும் சக்திவாய்ந்த தொழில்துறை மையங்களின் வரைபடத்தைப் போலவே இருக்கும். சிலிக்கான் உச்சவரம்பு உண்மையானது, நாம் அனைவரும் அதன் கீழ் தான் வாழ்கிறோம்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.

ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.