இந்த ஆண்டு AI தலைவர்கள் உண்மையில் என்ன சொல்கிறார்கள்?

செயற்கை நுண்ணறிவு (AI) குறித்த உரையாடல், மாடலின் அளவிலிருந்து அதன் சிந்தனைத் திறனின் தரத்திற்கு மாறியுள்ளது. கடந்த சில ஆண்டுகளாக, இந்தத் துறை ‘ஸ்கேலிங் லாஸ்’ (scaling laws) எனப்படும் கோட்பாட்டில் கவனம் செலுத்தியது; அதாவது, அதிக தரவு மற்றும் அதிக சிப்கள் (chips) இருந்தால், தானாகவே புத்திசாலித்தனமான அமைப்புகள் உருவாகும் என்ற நம்பிக்கை இருந்தது. இப்போது, முக்கிய லேப்களின் தலைவர்கள் ஒரு மாற்றத்தை நோக்கிச் செல்கின்றனர். இதன் சாராம்சம் என்னவென்றால், வெறும் அளவு (scale) மட்டுமே தீர்வாகாது என்பதுதான். அதற்குப் பதிலாக, ஆராய்ச்சியாளர்கள் ‘இன்ஃபெரன்ஸ்-டைம் கம்ப்யூட்’ (inference-time compute) என்று அழைக்கும் முறைக்கு கவனம் திரும்பியுள்ளது. அதாவது, ஒரு மாடல் பேசுவதற்கு முன்பு சிந்திப்பதற்கு அதிக நேரம் கொடுப்பது. 2026-இல், நாம் சாட்போட் (chatbot) காலத்தின் முடிவையும், பகுத்தறிவு (reasoning) காலத்தின் தொடக்கத்தையும் காண்கிறோம். இந்த மாற்றம் வெறும் தொழில்நுட்பத் திருத்தம் மட்டுமல்ல; இது ஆரம்பகால அமைப்புகளின் வேகமான, உள்ளுணர்வு சார்ந்த பதில்களிலிருந்து, மிகவும் கவனமான மற்றும் மூலோபாயமான நுண்ணறிவை நோக்கிய ஒரு அடிப்படை நகர்வாகும். மாடல்கள் இன்னும் வேகமாகச் செயல்படும் என்று எதிர்பார்த்த பயனர்கள், மிகவும் மேம்பட்ட கருவிகள் உண்மையில் மெதுவாகச் செயல்படுவதைக் காண்கிறார்கள், ஆனால் அவை கணிதம், அறிவியல் மற்றும் தர்க்கம் சார்ந்த கடினமான சிக்கல்களைத் தீர்ப்பதில் கணிசமான திறனைப் பெற்று வருகின்றன.

வேகத்திலிருந்து மூலோபாயத்திற்கு மாறுதல்

என்ன நடக்கிறது என்பதைப் புரிந்துகொள்ள, இந்த மாடல்கள் எவ்வாறு செயல்படுகின்றன என்பதை நாம் பார்க்க வேண்டும். பெரும்பாலான ஆரம்பகால லார்ஜ் லாங்குவேஜ் மாடல்கள் (LLM), உளவியலாளர்கள் ‘சிஸ்டம் 1’ (System 1) சிந்தனை என்று அழைக்கும் முறையில் இயங்கின. இது வேகமான, உள்ளுணர்வு மற்றும் உணர்ச்சிவசப்பட்ட சிந்தனை. நீங்கள் ஒரு சாதாரண மாடலிடம் கேள்வி கேட்கும்போது, அது பயிற்சியின் போது கற்றுக்கொண்ட வடிவங்களின் அடிப்படையில் அடுத்த டோக்கனை (token) உடனடியாகக் கணிக்கிறது. அது தனது பதிலை உண்மையில் திட்டமிடுவதில்லை; அது பேசத் தொடங்குகிறது. OpenAI போன்ற நிறுவனங்களால் முன்னெடுக்கப்படும் புதிய திசை, ‘சிஸ்டம் 2’ (System 2) சிந்தனையை நோக்கி நகர்கிறது. இது மெதுவான, பகுப்பாய்வு மற்றும் தர்க்கரீதியான சிந்தனை. ஒரு மாடல் தனது சொந்த படிகளைச் சரிபார்க்கும்போதோ அல்லது இடையில் தனது தர்க்கத்தைத் திருத்திக்கொள்ளும்போதோ இதை நீங்கள் காணலாம். இந்த செயல்முறை ‘செயின் ஆஃப் தாட்’ (chain of thought) செயலாக்கம் என்று அழைக்கப்படுகிறது. இது மாடல் தனது பயிற்சியின் போது கற்றுக்கொண்டதை மட்டும் நம்பியிருக்காமல், பதிலை உருவாக்கும் தருணத்தில் அதிக கணக்கீட்டு சக்தியைப் பயன்படுத்த அனுமதிக்கிறது.

இந்த மாற்றம் ஒரு பெரிய பொதுவான தவறான கருத்தைத் திருத்துகிறது. AI என்பது தகவல்களின் நிலையான தரவுத்தளம் என்று பலர் நம்புகிறார்கள். உண்மையில், நவீன AI ஒரு ஆற்றல்மிக்க பகுத்தறிவு இயந்திரமாக மாறி வருகிறது. பொதுமக்களின் பார்வைக்கும் உண்மைக்கும் இடையே உள்ள வேறுபாடு தெளிவாக உள்ளது. மக்கள் இன்னும் இந்தக் கருவிகளை சர்ச் என்ஜின்களாகவே பார்க்கிறார்கள், ஆனால் இந்தத் துறை அவற்றை சுயமாகச் செயல்படும் சிக்கல் தீர்ப்பாளர்களாக உருவாக்கி வருகிறது. இந்த **இன்ஃபெரன்ஸ்-டைம் கம்ப்யூட்** நோக்கிய நகர்வு, AI-ஐப் பயன்படுத்துவதற்கான செலவு மாறுவதைக் குறிக்கிறது. இது மாடலுக்கு ஒருமுறை பயிற்சி அளிப்பதற்கான செலவு மட்டுமல்ல; ஒவ்வொரு தனிப்பட்ட வினவலும் (query) எவ்வளவு மின்சாரம் மற்றும் செயலாக்க சக்தியைப் பயன்படுத்துகிறது என்பதுதான் முக்கியம். இது டெக் நிறுவனங்களின் வணிக மாதிரிகளுக்குப் பெரிய தாக்கங்களை ஏற்படுத்துகிறது. அவர்கள் மலிவான, அதிகப்படியான தொடர்புகளிலிருந்து, ஒவ்வொரு வெளியீட்டிற்கும் குறிப்பிடத்தக்க வளங்கள் தேவைப்படும் உயர் மதிப்புள்ள, சிக்கலான பகுத்தறிவுப் பணிகளை நோக்கி நகர்கின்றனர். முன்னணி லேப்களின் அதிகாரப்பூர்வ ஆராய்ச்சி குறிப்புகளில் இந்த மாற்றங்களைப் பற்றி நீங்கள் மேலும் படிக்கலாம்.

கணக்கீட்டின் புவிசார் அரசியல் செலவு

இந்த மாற்றத்தின் உலகளாவிய தாக்கம் இரண்டு விஷயங்களை மையமாகக் கொண்டுள்ளது: ஆற்றல் மற்றும் இறையாண்மை. மாடல்கள் சிந்திப்பதற்கு அதிக நேரம் எடுக்கும்போது, அவற்றுக்கு அதிக மின்சாரம் தேவைப்படுகிறது. இது இனி சிலிக்கான் வேலி சார்ந்த கவலை மட்டுமல்ல; இது பல நாடுகளுக்கு ஒரு தேசிய பாதுகாப்புப் பிரச்சினையாகும். தரவு மையங்களுக்கு (data centers) பெருமளவில் மின்சாரத்தை வழங்கும் திறன், பொருளாதாரப் போட்டித்தன்மைக்கு ஒரு முன்நிபந்தனை என்பதை அரசாங்கங்கள் உணர்ந்து வருகின்றன. அணுசக்தி முதல் பிரம்மாண்டமான சூரிய மின்சக்தி பண்ணைகள் வரை, ஆற்றல் ஆதாரங்களைப் பாதுகாப்பதற்கான பந்தயத்தை நாம் காண்கிறோம். இது உள்கட்டமைப்பை வாங்கக்கூடிய நாடுகளுக்கும், முடியாத நாடுகளுக்கும் இடையே ஒரு புதிய பிளவை உருவாக்குகிறது. சுற்றுச்சூழல் செலவும் அதிகரித்து வருகிறது. AI ஆற்றல் கட்டங்களை மேம்படுத்த உதவினாலும், மின்சாரத்திற்கான உடனடித் தேவை செயல்திறன் ஆதாயங்களை விட அதிகமாக உள்ளது. Google DeepMind மற்றும் பிற நிறுவனங்களின் தலைவர்கள் மிகவும் திறமையான கட்டமைப்புகள் மூலம் தீர்க்க முயற்சிக்கும் ஒரு பதற்றம் இது.

• நாடுகள் இப்போது கம்ப்யூட் கிளஸ்டர்களை மின் நிலையங்கள் அல்லது துறைமுகங்களைப் போன்ற முக்கியமான உள்கட்டமைப்பாகக் கருதுகின்றன.
• சிறப்பு வன்பொருளுக்கான (hardware) தேவை, உலகளாவிய மின்னணு விலைகளைப் பாதிக்கும் விநியோகச் சங்கிலித் தடையை உருவாக்குகிறது.
• ஆற்றல் வளம் மிக்க பகுதிகள், அவற்றின் வரலாற்றுத் தொழில்நுட்ப இருப்பைப் பொருட்படுத்தாமல், தொழில்நுட்ப வளர்ச்சிக்கான புதிய மையங்களாக மாறி வருகின்றன.
• ஒழுங்குமுறை அமைப்புகள், இந்த அமைப்புகளின் பிரம்மாண்டமான கார்பன் தடயத்துடன் (carbon footprint) புதுமைக்கான தேவையைச் சமநிலைப்படுத்தப் போராடுகின்றன.

தொழிலாளர் சந்தையும் இதன் விளைவுகளை உணர்கிறது. கடந்த காலத்தில், AI எளிய உடல் உழைப்புப் பணிகளை மாற்றும் என்று அஞ்சப்பட்டது. இப்போது, இலக்கு உயர்நிலை அறிவுசார் வேலைகளுக்கு மாறியுள்ளது. இந்த புதிய மாடல்கள் சட்ட ஆவணங்கள் அல்லது மருத்துவ ஆராய்ச்சிகளைப் பகுத்தறிவு செய்ய முடியும் என்பதால், இதன் தாக்கம் தொழில்முறை வர்க்கத்தை எதிர்பார்த்ததை விட அதிகமாகப் பாதிக்கிறது. இது வெறும் ஆட்டோமேஷன் (automation) பற்றியது மட்டுமல்ல; இது நிபுணத்துவத்தின் மறுபகிர்வு பற்றியது. லண்டனில் உள்ள ஒரு ஜூனியர் அனலிஸ்ட் அல்லது பெங்களூரில் உள்ள ஒரு டெவலப்பர் இப்போது ஒரு சீனியர் பார்ட்னரின் பகுத்தறிவுத் திறனைப் பெற முடியும். இது படிநிலைகளைத் தட்டையாக்குகிறது மற்றும் பாரம்பரிய கல்வியின் மதிப்பை மாற்றுகிறது. யார் அதிகம் தெரிந்திருக்கிறார்கள் என்பது கேள்வியல்ல, யார் இயந்திரத்தின் பகுத்தறிவு சக்தியைச் சிறப்பாக வழிநடத்த முடியும் என்பதுதான் கேள்வி.

தானியங்கி அலுவலகத்தில் ஒரு செவ்வாய்க்கிழமை

சாரா என்ற புராஜெக்ட் மேனேஜரின் ஒரு நாளைக் கவனியுங்கள். ஒரு வருடத்திற்கு முன்பு, சாரா மீட்டிங்குகளைச் சுருக்க அல்லது மின்னஞ்சல்களில் உள்ள எழுத்துப் பிழைகளைத் திருத்த AI-ஐப் பயன்படுத்தினார். இன்று, அவரது பணிப்பாய்வு குறைந்தபட்ச மேற்பார்வையுடன் செயல்படும் **ஏஜென்டிக் வொர்க்ஃப்ளோக்களை (agentic workflows)** மையமாகக் கொண்டுள்ளது. அவர் தனது நாளைத் தொடங்கும்போது, இன்பாக்ஸைச் சரிபார்ப்பதில்லை. அதற்குப் பதிலாக, அவரது AI ஏஜென்ட் ஏற்கனவே செய்திகளை வரிசைப்படுத்தியிருக்கும் டேஷ்போர்டைப் பார்க்கிறார். அந்த ஏஜென்ட் முக்கியமானவற்றை மட்டும் குறிக்கவில்லை; அது அவரது காலெண்டரைப் பார்த்து, வியாழக்கிழமை மீட்டிங்கில் ஒரு முரண்பாட்டைக் கண்டறிந்து, மற்ற மூன்று பங்கேற்பாளர்களின் பொதுவான கிடைக்கும் தன்மையின் அடிப்படையில் புதிய நேரத்தைப் பரிந்துரைக்க அவர்களைத் தொடர்புகொண்டது. அது முந்தைய நாள் மதியம் அவர் நடத்திய உரையாடலின் அடிப்படையில் ஒரு புராஜெக்ட் பிரீஃபையும் தயாரித்தது, பகிரப்பட்ட டிரைவிலிருந்து தரவை எடுத்து, சமீபத்திய கணக்கியல் அறிக்கையுடன் பட்ஜெட் புள்ளிவிவரங்களைச் சரிபார்த்தது.

நண்பகலில், சாரா ஒரு சிக்கலான ஒப்பந்தத்தைச் சரிபார்க்கிறார். ஐம்பது பக்கங்களையும் படிப்பதற்குப் பதிலாக, அறிவுசார் சொத்துரிமை (intellectual property) குறித்த நிறுவனக் கொள்கையுடன் முரண்படும் ஏதேனும் விதிகள் உள்ளதா என்று மாடலிடம் கேட்கிறார். மாடல் பதிலளிக்கச் சில நிமிடங்கள் எடுத்துக்கொள்கிறது. இதுதான் பகுத்தறிவு கட்டம். இது ஒவ்வொரு வாக்கியத்தையும் நிறுவன விதிகளின் தரவுத்தளத்துடன் சரிபார்க்கிறது. சாரா காத்திருப்புக்கு மதிப்பு உண்டு என்று நினைக்கிறார், ஏனெனில் வெளியீடு வெறும் சுருக்கம் மட்டுமல்ல; அது ஒரு தர்க்கரீதியான தணிக்கை (audit). ஒரு குறிப்பிட்ட வரி குறியீட்டை மாடல் விளக்கிய விதத்தில் ஒரு சிறிய பிழையைக் கண்டறிகிறார், ஆனால் ஏற்கனவே முடிக்கப்பட்ட கடினமான வேலைகளைக் கண்டு அவர் ஈர்க்கப்படுகிறார். அந்த மாலை, ஒரு போட்டியாளர் நிறுவனத்தின் போட்டிப் பகுப்பாய்வை ஏஜென்ட் முடித்துவிட்டதாக அவருக்கு அறிவிப்பு வந்தது. அது பொது ஆவணங்களை ஆய்வு செய்து, சந்தைப் போக்குகளை ஒருங்கிணைத்து, போர்டு மீட்டிங்கிற்கு எண்பது சதவீதம் தயாராக உள்ள ஸ்லைடு டெக்கை உருவாக்கியது. எங்கள் தளத்தில் உள்ள சமீபத்திய தொழில் நுண்ணறிவுகளில் இத்தகைய நடைமுறை உதாரணங்களை நீங்கள் காணலாம்.

இங்குள்ள சவால்கள் நடைமுறைக்குரியவை. சாரா இனி ஒரு எழுத்தாளர் அல்லது திட்டமிடுபவர் அல்ல. அவர் ஒரு ஒருங்கிணைப்பாளர். இந்தத் தலைப்பில் பலர் கொண்டு வரும் குழப்பம் என்னவென்றால், AI அவர்களின் வேலையைச் செய்துவிடும் என்பதுதான். உண்மையில், AI பணிகளைச் செய்கிறது, ஆனால் சாரா தர்க்கத்திற்கும் இறுதி ஒப்புதலுக்கும் பொறுப்பானவர். வேலையைச் செய்வதிலிருந்து வேலையை நிர்வகிப்பதற்கான மாற்றம் இது. இதற்கு ஒரு பகுத்தறிவுச் சங்கிலியில் நுணுக்கமான மாயத்தோற்றங்களைக் (hallucinations) கண்டறியும் திறன் உட்பட பல்வேறு திறன்கள் தேவை. மாடல் ஒரு தவறான தர்க்கரீதியான முடிவை எடுத்தால், சாரா அந்த தர்க்கத்தை மூலத்திற்குத் தேடிச் செல்ல வேண்டும். இந்த விஷயம் எளிய உருவாக்கத்திலிருந்து சிக்கலான சரிபார்ப்பிற்கு பரிணமித்து வருகிறது.

செயற்கை நுண்ணறிவின் அறநெறி கடன்

பகுத்தறிவை நோக்கிய இந்த மாற்றம், இந்தத் தொழில்நுட்பத்தின் மறைக்கப்பட்ட செலவுகள் குறித்த கடினமான கேள்விகளை எழுப்புகிறது. ஒரு மாடல் நீண்ட நேரம் சிந்தித்தால், அந்த நேரத்திற்கு யார் பணம் செலுத்துவது? நிதிச் செலவு வெளிப்படையானது, ஆனால் தனியுரிமைச் செலவு மிகவும் மர்மமானது. திறம்பட பகுத்தறிவு செய்ய, இந்த மாடல்களுக்கு அதிக சூழல் தேவை. உங்கள் வணிகம், உங்கள் தனிப்பட்ட விருப்பங்கள் மற்றும் உங்கள் தனிப்பட்ட தரவு பற்றி அவை அதிகம் தெரிந்து கொள்ள வேண்டும். மிகவும் பயனுள்ள AI என்பது உங்களை நன்கு அறிந்த AI ஆக இருக்கும் உலகத்தை நோக்கி நாம் நகர்கிறோம். இது மிகப்பெரிய தனியுரிமை அபாயத்தை உருவாக்குகிறது. உங்கள் ஏஜென்ட்டிற்கு உங்கள் முழு மின்னஞ்சல் வரலாறு மற்றும் கார்ப்பரேட் தரவுத்தளத்திற்கான அணுகல் இருந்தால், அந்தத் தகவல் மூன்றாம் தரப்புக்குச் சொந்தமான சர்வர்களால் செயலாக்கப்படுகிறது. தரவு கசிவு அல்லது அங்கீகரிக்கப்படாத விவரக்குறிப்புக்கான அபாயம் முன்னெப்போதையும் விட அதிகமாக உள்ளது. Reuters போன்ற ஏஜென்சிகளின் அறிக்கைகள், உயர்தரப் பயிற்சிக்கான தகவல்களின் பசி வளரும்போது தரவு ஸ்கிராப்பிங் (scraping) மற்றும் செயலாக்கம் எவ்வாறு ஆக்ரோஷமாக மாறுகிறது என்பதை எடுத்துக்காட்டியுள்ளன.

இறந்த இணையம் (dead internet) பற்றிய கேள்வியும் உள்ளது. பகுத்தறிவு மாடல்கள் உயர்தர உள்ளடக்கத்தை உருவாக்குவதில் சிறந்து விளங்கும்போது, இணையம் செயற்கை உரை, படங்கள் மற்றும் வீடியோக்களால் நிரப்பப்படுகிறது. AI மாடல்கள் பிற AI மாடல்களின் வெளியீட்டில் பயிற்சி பெறத் தொடங்கினால், காலப்போக்கில் மனித அறிவின் தரத்தைக் குறைக்கக்கூடிய ஒரு பின்னூட்ட வளையத்தை (feedback loop) நாம் உருவாக்கும் அபாயம் உள்ளது. இது ‘மாடல் கொலாப்ஸ்’ (model collapse) கோட்பாடு. செயற்கை பகுத்தறிவு மலிவானதாகவும் வேகமானதாகவும் இருக்கும் சூழலில், மனித உள்ளுணர்வு மற்றும் அசல் சிந்தனையின் மதிப்பை நாம் எவ்வாறு பாதுகாப்பது? மனிதத் திறன்களின் அரிப்பு குறித்தும் நாம் கேட்க வேண்டும். ஒரு சட்ட வழக்கு அல்லது மருத்துவ நோயறிதலுக்கான அனைத்து பகுத்தறிவுகளையும் AI கையாள முடிந்தால், அடுத்த தலைமுறை மருத்துவர்கள் மற்றும் வழக்கறிஞர்கள் இயந்திரம் தோல்வியடையும் போது அதைக் கண்டறியும் அடிப்படைத் திறன்களைக் கொண்டிருப்பார்களா? இந்த அமைப்புகளைச் சார்ந்திருப்பது, அவை இல்லாமல் செயல்படும் திறனை இழக்கக்கூடிய ஒரு பலவீனமான சமூகத்தை உருவாக்குகிறது.

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

பவர் யூசரின் கட்டமைப்பு

அடிப்படை இடைமுகத்திற்கு அப்பால் செல்ல விரும்புவோருக்கு, தொழில்நுட்பத் தேவைகள் மாறுகின்றன. வேகமான இணைய இணைப்பு வைத்திருப்பது மட்டும் போதாது. பவர் யூசர்கள் இப்போது இந்த பகுத்தறிவு மாடல்களைத் தங்கள் உள்ளூர் சூழலில் எவ்வாறு ஒருங்கிணைப்பது என்று பார்க்கிறார்கள். இது API வரம்புகளை நிர்வகிப்பதையும், லேட்டன்சி (latency) மற்றும் துல்லியத்திற்கு இடையிலான சமரசங்களைப் புரிந்துகொள்வதையும் உள்ளடக்கியது. நீங்கள் ஒரு பகுத்தறிவு மாடலைப் பயன்படுத்தும்போது, பெரும்பாலும் வினாடிக்குக் குறைந்த டோக்கன்களையே கையாளுகிறீர்கள். மாடல் உள் சோதனைகளைச் செய்வதே இதற்குக் காரணம். டெவலப்பர்களுக்கு, வாய்ஸ் அசிஸ்டண்ட்கள் அல்லது நேரலை சாட் போன்ற நிகழ்நேர பயன்பாடுகளுக்கு இன்னும் சிறிய, வேகமான மாடல்கள் தேவைப்படலாம், அதே சமயம் கனமான பகுத்தறிவு அதிக திறன் கொண்ட பேக்கெண்டிற்கு (backend) மாற்றப்படுகிறது.

• மாடல் தனது தனிப்பட்ட தரவை கிளவுட்டிற்கு அனுப்பாமல் அணுகுவதை உறுதிசெய்ய, ரிட்ரைவல்-ஆக்மென்டட் ஜெனரேஷன் (RAG) முறைக்கு உள்ளூர் சேமிப்பு (local storage) முக்கியமானதாகி வருகிறது.
• குவாண்டிசேஷன் (quantization) நுட்பங்கள், பயனர்கள் இந்த மாடல்களின் சிறிய பதிப்புகளை நுகர்வோர் வன்பொருளில் இயக்க அனுமதிக்கின்றன, இருப்பினும் பகுத்தறிவு ஆழத்தில் சிறிய பாதிப்பு ஏற்படலாம்.
• API செலவு மேலாண்மை இப்போது ஸ்டார்ட்அப்களுக்கு ஒரு முதன்மையான கவலையாக உள்ளது, ஏனெனில் பகுத்தறிவு மாடல்களுக்கான ஆயிரம் டோக்கன்களின் விலை சாதாரண மாடல்களை விட கணிசமாக அதிகம்.
• பணிப்பாய்வு ஒருங்கிணைப்பு அசின்க்ரோனஸ் (asynchronous) செயலாக்கத்தை நோக்கி நகர்கிறது, அங்கு பயனர் ஒரு பணியைச் சமர்ப்பித்து உடனடி பதிலைப் எதிர்பார்ப்பதை விட அறிவிப்புக்காகக் காத்திருக்கிறார்.

சமூகத்தின் கீக் (geek) பிரிவினர் இந்த மாடல்களின் வரம்புகளில் கவனம் செலுத்துகின்றனர். சிறந்த பகுத்தறிவு இயந்திரங்கள் கூட ஒரு சூழல் சாளர (context window) வரம்பைக் கொண்டுள்ளன. இது மாடல் ஒரே நேரத்தில் தனது செயலில் உள்ள நினைவகத்தில் வைத்திருக்கக்கூடிய தகவலின் அளவு. இந்த சாளரங்கள் வளர்ந்து வரும் அதே வேளையில், முழு குறியீட்டு நூலகங்கள் அல்லது நீண்ட சட்ட வரலாறுகளைச் செயலாக்குவதற்கு அவை இன்னும் ஒரு தடையாகவே உள்ளன. வெக்டர் டேட்டாபேஸ்கள் மற்றும் திறமையான குறியீட்டு முறை மூலம் இந்த நினைவகத்தை நிர்வகிப்பது AI பொறியியலின் தற்போதைய எல்லையாகும். Ollama அல்லது LM Studio போன்ற உள்ளூர் ஹோஸ்டிங் கருவிகளின் எழுச்சியையும் நாம் காண்கிறோம், இவை பயனர்கள் மாடல்களை முழுமையாக ஆஃப்லைனில் இயக்க அனுமதிக்கின்றன. இது தனியுரிமைக்கான இறுதி தீர்வாகும், ஆனால் இதற்கு பெரும்பாலான லேப்டாப்களில் இல்லாத குறிப்பிடத்தக்க GPU வளங்கள் தேவைப்படுகின்றன.

முன்னோக்கிய பாதை

நாம் காணும் அடிப்படை மாற்றம், AI ஒரு கருவியிலிருந்து AI ஒரு கூட்டாளியாக மாறுவதாகும். தொழில்துறையின் சமிக்ஞைகள் தெளிவாக உள்ளன. அதிக தரவைச் சேர்ப்பது மட்டுமே தீர்வு என்ற நிலையை நாம் கடந்துவிட்டோம். எதிர்காலம் என்பது மாடல்கள் தங்கள் நேரத்தை எவ்வாறு பயன்படுத்துகின்றன மற்றும் அவை மனித தர்க்கத்துடன் எவ்வாறு தொடர்பு கொள்கின்றன என்பதைப் பொறுத்தது. இது சம்பந்தப்பட்ட அனைவருக்கும் மிகவும் சிக்கலான சூழலை உருவாக்குகிறது. பயனர்கள் இயந்திரங்களைத் தணிக்கை செய்வதில் சிறந்து விளங்க வேண்டும், மேலும் நிறுவனங்கள் இந்த அமைப்புகளின் அபரிமிதமான ஆற்றல் மற்றும் நிதிச் செலவுகளை நிர்வகிப்பதில் சிறந்து விளங்க வேண்டும். AI என்பது கூகுளின் சிறந்த பதிப்பு மட்டுமே என்ற பொதுவான கருத்து, AI என்பது டிஜிட்டல் உழைப்பின் ஒரு புதிய வடிவம் என்ற யதார்த்தத்தால் மாற்றப்படுகிறது. இந்த அமைப்புகளை உண்மையிலேயே நம்பகமானதாக உருவாக்க முடியுமா அல்லது பகுத்தறிவின் சிக்கல் எப்போதும் மனித மேற்பார்வை தேவைப்படும் ஒரு பிழை வரம்பைக் கொண்டிருக்குமா என்பதுதான் எஞ்சியிருக்கும் கேள்வி. தொழில்நுட்பம் தொடர்ந்து பரிணமித்து வருவதால், மனித சிந்தனைக்கும் இயந்திர தர்க்கத்திற்கும் இடையிலான எல்லை வரையறுக்க கடினமாகிவிடும்.

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.