நிறுவனர்கள், விமர்சகர்கள் மற்றும் ஆராய்ச்சியாளர்கள்: நாம் கவனிக்க வேண்டிய உரையாடல்கள்

OpenAI நிறுவனத்தின் CEO யார் என்று பெரும்பாலானவர்களால் சொல்ல முடியும். ஆனால், தற்போதைய பெரிய மொழி மாதிரிகளின் (large language models) காலத்தை உருவாக்கிய ஆய்வறிக்கையை எழுதியவர்கள் யார் என்று கேட்டால், பலருக்குத் தெரியாது. இந்த அறிவு இடைவெளி, தொழில்நுட்பம் உண்மையில் எப்படி முன்னேறுகிறது என்பதைப் பற்றிய தவறான பார்வையை உருவாக்குகிறது. செயற்கை நுண்ணறிவை (AI) நாம் ஏதோ ஒரு புதிய தயாரிப்பு வெளியீடு போலப் பார்க்கிறோம், ஆனால் உண்மையில் இது கணித ரீதியான கண்டுபிடிப்புகளின் மெதுவான தொகுப்பாகும். நிறுவனர்கள் மூலதனத்தையும் பொது பிம்பத்தையும் நிர்வகிக்கிறார்கள். ஆராய்ச்சியாளர்கள் அதன் எடைகளையும் (weights) தர்க்கத்தையும் நிர்வகிக்கிறார்கள். இந்த வித்தியாசத்தைப் புரிந்துகொள்வதுதான் மார்க்கெட்டிங் மாயைகளுக்குப் பின்னால் உள்ள உண்மையை அறிய ஒரே வழி. நீங்கள் நிறுவனர்களை மட்டும் பின்தொடர்ந்தால், நீங்கள் ஒரு திரைப்படத்தைப் பார்க்கிறீர்கள் என்று அர்த்தம். ஆராய்ச்சியாளர்களைப் பின்தொடர்ந்தால், நீங்கள் அதன் திரைக்கதையை வாசிக்கிறீர்கள் என்று அர்த்தம். இந்த கட்டுரை, ஏன் இந்த வேறுபாடு முக்கியமானது மற்றும் தொழில்துறையின் எதிர்காலத்தைத் தீர்மானிக்கும் சமிக்ஞைகளை எப்படி அடையாளம் காண்பது என்பதைப் பற்றிப் பேசுகிறது. கவர்ச்சிகரமான பேச்சுகளைத் தாண்டி, ஆய்வகத்தின் குளிர்ந்த யதார்த்தத்தைப் பார்ப்போம். பத்திரிகைச் செய்திகளில் கையெழுத்திடுபவர்களை விட, குறியீட்டை (code) எழுதுபவர்கள் மீது கவனம் செலுத்த வேண்டிய நேரம் இது.

இயந்திர யுகத்தின் கண்ணுக்குத் தெரியாத வடிவமைப்பாளர்கள்

நிறுவனர்கள் பொது முகமாக இருக்கிறார்கள். அவர்கள் உலகப் பொருளாதார மன்றத்தில் பேசுகிறார்கள், காங்கிரஸில் சாட்சியமளிக்கிறார்கள். பில்லியன் கணக்கான நிதியைத் திரட்டுவதும், தவிர்க்க முடியாத ஒரு பிராண்டை உருவாக்குவதும் அவர்களின் வேலை. அவர்கள் மந்திரம் போன்ற வார்த்தைகளைப் பயன்படுத்துகிறார்கள். ஆராய்ச்சியாளர்கள் வேறுபட்டவர்கள். அவர்கள் Python மற்றும் LaTeX-ல் வேலை செய்கிறார்கள். அவர்கள் லாஸ் ஃபங்க்ஷன் (loss functions) மற்றும் டோக்கன் செயல்திறன் (token efficiency) பற்றி கவலைப்படுகிறார்கள். ஒரு நிறுவனர் தனது மாடல் சிந்திப்பதாகச் சொல்லலாம். ஒரு ஆராய்ச்சியாளர் அது ஒரு குறிப்பிட்ட நிகழ்தகவு விநியோகத்தின் அடிப்படையில் அடுத்த வார்த்தையை முன்னறிவிப்பதாகச் சொல்வார். ஊடகங்கள் இந்த இரண்டு குழுக்களையும் ஒன்றாகக் கருதுவதால் குழப்பம் ஏற்படுகிறது. ஒரு CEO தனது மாடல் காலநிலை மாற்றத்தைத் தீர்க்கும் என்று சொன்னால், அது ஒரு விற்பனை உத்தி. ஒரு ஆராய்ச்சியாளர் ஸ்பார்ஸ் ஆட்டோஎன்கோடர்கள் (sparse autoencoders) பற்றி ஒரு ஆய்வறிக்கையை வெளியிட்டால், அது ஒரு தொழில்நுட்பக் கூற்று. ஒன்று நம்பிக்கை, மற்றொன்று உண்மை.

பொதுமக்கள் பெரும்பாலும் நம்பிக்கையை உண்மையாகத் தவறாகப் புரிந்துகொள்கிறார்கள். இது அதிக வாக்குறுதி மற்றும் குறைந்த செயல்திறன் கொண்ட சுழற்சிக்கு வழிவகுக்கிறது. இந்தத் துறையைப் புரிந்துகொள்ள, காரை விற்பனை செய்பவரையும், அதன் இன்ஜினை வடிவமைத்தவரையும் நீங்கள் பிரிக்க வேண்டும். இன்ஜின் வடிவமைப்பாளருக்கு எங்கே போல்ட் தளர்வாக இருக்கிறது என்பது தெரியும். விற்பனையாளர் இதைப் பற்றி ஒருபோதும் சொல்ல மாட்டார், ஏனெனில் அவரது வேலை பங்குச் சந்தை விலையை உயர்த்திப் பிடிப்பது. புதிய மாடல் வரும்போதெல்லாம் இது நடப்பதைக் காண்கிறோம். நிறுவனர் ஹைப்பை (hype) உருவாக்க ஒரு மர்மமான ட்வீட் போடுவார். ஆராய்ச்சியாளர் arXiv-ல் தொழில்நுட்ப அறிக்கையின் இணைப்பைப் பதிவிடுவார். ட்வீட் மில்லியன் கணக்கான பார்வைகளைப் பெறும். தொழில்நுட்ப அறிக்கையை உண்மையில் வேலை செய்பவர்கள் சில ஆயிரம் பேர் மட்டுமே வாசிப்பார்கள். இது மிகவும் சத்தமான குரல்கள் மற்ற அனைவருக்குமான யதார்த்தத்தை வரையறுக்கும் ஒரு பின்னூட்ட வளையத்தை உருவாக்குகிறது.

பொது பிம்பத்தைத் தாண்டிய கண்டுபிடிப்புகள்

இந்த பிளவு உலகளாவிய கொள்கைகளில் பெரும் தாக்கத்தை ஏற்படுத்துகிறது. அரசாங்கங்கள் தற்போது நிறுவனர்களின் எச்சரிக்கைகளின் அடிப்படையில் சட்டங்களை இயற்றுகின்றன. இந்த நிறுவனர்கள் பெரும்பாலும் அறிவியல் புனைகதைகளைப் போன்ற இருத்தலியல் அபாயங்களைப் பற்றி எச்சரிக்கிறார்கள். இது தற்போதைய பாதிப்புகளை விட கற்பனையான எதிர்காலத்தின் மீது கவனத்தைத் திருப்புகிறது. இதற்கிடையில், ஆராய்ச்சியாளர்கள் தரவு சார்பு (data bias) மற்றும் எரிசக்தி நுகர்வு போன்ற உடனடி சிக்கல்களைச் சுட்டிக்காட்டுகின்றனர். பிரபலமான பெயர்களை மட்டும் கவனிப்பதன் மூலம், நாம் தவறான விஷயங்களைக் கட்டுப்படுத்தும் அபாயம் உள்ளது. எதிர்கால சூப்பர் இன்டெலிஜென்ஸைத் தடுக்க முயலும் அதே வேளையில், தற்போதைய மாடல்கள் தரவு மையங்களை குளிர்விக்க சிறிய நகரங்களின் நிலத்தடி நீரை உறிஞ்சுவதைப் புறக்கணிக்கிறோம். இது அமெரிக்காவில் மட்டும் நடக்கும் பிரச்சனையல்ல. ஐரோப்பாவிலும் ஆசியாவிலும் இதே நிலைதான் உள்ளது.

அதிக மார்க்கெட்டிங் பட்ஜெட் கொண்டவர்களின் குரல்களே அதிகம் ஒலிக்கின்றன. இது ஒரு சில நிறுவனங்கள் ஒட்டுமொத்த கிரகத்தின் நிகழ்ச்சி நிரலைத் தீர்மானிக்கும் சூழலை உருவாக்குகிறது. நாம் நமது பார்வையை விரிவுபடுத்தவில்லை என்றால், சிலிக்கான் வேலியில் உள்ள ஒரு சில நபர்கள் எதை பாதுகாப்பானது மற்றும் எதைச் செய்ய முடியும் என்பதைத் தீர்மானிக்க அனுமதிப்போம். இந்த அதிகாரக் குவிப்பு ஒரு ஆபத்து. இது சிந்தனை பன்முகத்தன்மையைக் குறைக்கிறது. சான் பிரான்சிஸ்கோவில் உள்ளவர்களைக் கேட்பது போலவே, டொராண்டோ பல்கலைக்கழகம் அல்லது டோக்கியோ ஆய்வகங்களில் உள்ளவர்களிடமிருந்தும் நாம் கேட்க வேண்டும். அறிவியல் முன்னேற்றம் ஒரு உலகளாவிய முயற்சி, ஆனால் தற்போது அதன் கதை ஒரு உள்ளூர் ஏகபோகமாக உள்ளது. கார்ப்பரேட் அறைகளுக்கு வெளியே நடக்கும் உண்மையான முன்னேற்றத்தைப் பார்க்க Nature போன்ற இதழ்களை நாம் பார்க்க வேண்டும்.

உலகம் ஏன் தவறான நபர்களுக்குச் செவிசாய்க்கிறது

ஒரு பெரிய ஆய்வகத்தில் பணிபுரியும் முன்னணி ஆராய்ச்சியாளரின் ஒரு நாளைக் கவனியுங்கள். அவர்கள் மூன்று மில்லியன் டாலர் செலவில் நடந்த பயிற்சி ஓட்டத்தின் முடிவுகளைப் பார்க்கிறார்கள். மாடல் எதிர்பார்த்ததை விட அதிகமாக ஹாலுசினேட் (hallucinate) செய்வதைக் காண்கிறார்கள். இரைச்சலைக் கண்டறிய பத்து மணிநேரம் தரவு கிளஸ்டர்களை ஆராய்கிறார்கள். அவர்கள் 2024 தேர்தல் அல்லது மனிதகுலத்தின் தலைவிதியைப் பற்றிச் சிந்திப்பதில்லை. சிக்கலான வாக்கியங்களில் எதிர்மறையைப் புரிந்துகொள்வதில் மாடல் ஏன் தோல்வியடைகிறது என்பதைப் பற்றி அவர்கள் சிந்திக்கிறார்கள். நியூரான் ஆக்டிவேஷன் ஹீட் மேப்களைப் பார்க்கிறார்கள். அவர்களின் வெற்றி பிட்ஸ் பர் கேரக்டர் (bits per character) அல்லது ஒரு குறிப்பிட்ட பெஞ்ச்மார்க்கில் துல்லியம் ஆகியவற்றால் அளவிடப்படுகிறது. இப்போது ஒரு நிறுவனரின் நாளைக் கவனியுங்கள். அவர்கள் ஒரு அரசுத் தலைவரைச் சந்திக்க தனியார் ஜெட் விமானத்தில் செல்கிறார்கள். புதிய பொருளாதாரத்தின் டிரில்லியன் டாலர் வாய்ப்பைப் பற்றிப் பேசுகிறார்கள்.

ஆராய்ச்சியாளர் ‘எப்படி’ என்பதைக் கையாளுகிறார். நிறுவனர் அது ஏன் பணத்திற்கு மதிப்புள்ளது என்பதைக் கையாளுகிறார். ஒரு ஆப்-ஐ உருவாக்கும் டெவலப்பருக்கு, ஆராய்ச்சியாளரே மிக முக்கியமான நபர். ஆராய்ச்சியாளர் API லேட்டன்சி (latency) மற்றும் கன்டெக்ஸ்ட் விண்டோவை (context window) தீர்மானிக்கிறார். நிறுவனர் விலையைத் தீர்மானிக்கிறார். நீங்கள் ஒரு தொழிலைத் தொடங்க முயல்கிறீர்கள் என்றால், நிறுவனர் சொல்வதை அந்தத் தொழில்நுட்பத்தால் உண்மையில் செய்ய முடியுமா என்பதை நீங்கள் தெரிந்து கொள்ள வேண்டும். பெரும்பாலும், அது முடியாது. தன்னாட்சி வாகனங்களின் ஆரம்ப நாட்களில் இதைப் பார்த்தோம். 2026-க்குள் மில்லியன் கணக்கான ரோபோ-டாக்சிகள் இருக்கும் என்று நிறுவனர்கள் கூறினர். கனமழையில் ஏற்படும் சிக்கல்கள் இன்னும் தீர்க்கப்படாத பிரச்சனை என்பது ஆராய்ச்சியாளர்களுக்குத் தெரியும். மக்கள் நிறுவனர்களை நம்பினர். ஆராய்ச்சியாளர்கள் சொன்னதே சரி.

இதே முறை ஜெனரேட்டிவ் AI துறையிலும் மீண்டும் நிகழ்கிறது. மாடல்கள் விரைவில் வழக்கறிஞர்கள் மற்றும் மருத்துவர்களுக்கு மாற்றாக வரும் என்று சொல்லப்படுகிறது. நீங்கள் தொழில்நுட்ப ஆய்வறிக்கைகளைப் படித்தால், அந்த மாடல்கள் இன்னும் அடிப்படை தர்க்கரீதியான நிலைத்தன்மையுடன் போராடுவதைக் காணலாம். டெமோவிற்கும் யதார்த்தத்திற்கும் இடையிலான இடைவெளிதான் நிறுவனங்கள் பணத்தை இழக்கும் இடம். இந்த தொழில்நுட்ப வரம்புகள் இன்று எப்படி சோதிக்கப்படுகின்றன என்பதை அறிய செயற்கை நுண்ணறிவு போக்குகள் குறித்த ஆழமான ஆய்வை நீங்கள் காணலாம். இந்த வேறுபாடுதான் ஒரு சிறந்த முதலீட்டிற்கும் ஊக வணிகக் குமிழிக்கும் (speculative bubble) இடையிலான வித்தியாசம். ஒரு புதிய கூற்றைக் கேட்கும்போது, அது ஒரு ஆய்வறிக்கையிலிருந்து வந்ததா அல்லது பத்திரிகைச் செய்தியிலிருந்து வந்ததா என்று உங்களையே கேட்டுக்கொள்ளுங்கள். அந்தப் பதில் அதற்கு எவ்வளவு முக்கியத்துவம் கொடுக்க வேண்டும் என்பதைச் சொல்லும். MIT Technology Review-ல் உள்ள பத்திரிகையாளர்கள் ஆய்வகத்திற்கும் லாபிக்கும் இடையிலான இந்த இடைவெளியை அடிக்கடி சுட்டிக்காட்டுகிறார்கள். நிறுவனர்கள் குறைகளை மறைக்க ஊக்குவிக்கப்படுகிறார்கள், ஆராய்ச்சியாளர்கள் அவற்றைக் கண்டறிய ஊக்குவிக்கப்படுகிறார்கள் என்பதை நாம் நினைவில் கொள்ள வேண்டும். முந்தையது ஹைப்பை உருவாக்குகிறது, பிந்தையது உண்மையை உருவாக்குகிறது. நீண்ட காலத்திற்கு, உண்மை மட்டுமே நிலைத்திருக்கும். தொழில்நுட்ப யதார்த்தத்தின் எடையால் முதல் ஹைப் அலை தணிந்தபோது 2026-ல் இதைப் பார்த்தோம்.

ஆய்வகத்தில் ஒரு செவ்வாய்க்கிழமை மற்றும் போர்டுரூம்

தற்போதைய வளர்ச்சிப் பாதை குறித்து நாம் கடினமான கேள்விகளைக் கேட்க வேண்டும். நிறுவனர்கள் அனைவருக்கும் பயன் தரும் என்று கூறும் ஆராய்ச்சிக்காக யார் பணம் செலுத்துகிறார்கள்? சிறந்த ஆராய்ச்சியாளர்கள் பலர் கல்வியைத் துறந்து தனியார் ஆய்வகங்களுக்குச் சென்றுவிட்டனர். இதன் பொருள் அவர்கள் உருவாக்கும் அறிவு இனி பொதுச் சொத்தல்ல. அது ஒரு கார்ப்பரேட் ரகசியம். ஒரு விஷயத்தை நிரூபிக்கப் பயன்படுத்தப்படும் தரவு பேவாலுக்கு (paywall) பின்னால் மறைக்கப்பட்டால் அறிவியல் முறைக்கு என்னவாகும்? திறந்த அறிவியலில் இருந்து மூடிய போட்டி நன்மைகளை நோக்கிய நகர்வை நாம் காண்கிறோம். ஒரு சில தனிநபர்களின் புகழ் இந்தத் துறைக்கு உதவுகிறதா அல்லது கருத்து வேறுபாடுகளை ஊக்கப்படுத்தும் ஆளுமை வழிபாட்டை (cult of personality) உருவாக்குகிறதா? ஒரு ஆராய்ச்சியாளர் ஒரு முதன்மை மாடலில் பெரிய குறைபாட்டைக் கண்டால், அது நிறுவனத்தின் மதிப்பைக் குறைக்கும் என்றால் அதைத் தெரிவிக்க அவர்கள் பாதுகாப்பாக உணர்கிறார்களா?

இந்த நிறுவனங்கள் மீதான நிதி அழுத்தம் மிகப்பெரியது. சுற்றுச்சூழல் செலவையும் நாம் கருத்தில் கொள்ள வேண்டும். இந்த மாடல்களுக்குப் பயிற்சி அளிப்பதன் மூலம் ஏற்படும் பெரும் கார்பன் தடம், சற்று மேம்பட்ட பெஞ்ச்மார்க்குகளைப் பெறுவதற்குத் தகுதியானதா? சுற்றுச்சூழலுக்கு AI-ன் நன்மைகள் பற்றி நாம் அடிக்கடி பேசுகிறோம், ஆனால் இரண்டையும் சமநிலைப்படுத்தும் ஒரு கணக்கை நாம் அரிதாகவே பார்க்கிறோம். இறுதியாக, இந்த மாடல்கள் பயிற்சி அளிக்கப்படும் கலாச்சாரம் யாருடையது? ஆராய்ச்சியாளர்கள் தங்கள் அமைப்புகளை உருவாக்க இணையத்தின் கூட்டு வெளியீட்டைப் பயன்படுத்துகிறார்கள். நிறுவனர்கள் அதே வெளியீட்டின் வடிகட்டப்பட்ட பதிப்பை அணுக மக்களிடம் கட்டணம் வசூலிக்கிறார்கள். இது செய்திகளில் அரிதாகவே விவாதிக்கப்படும் ஒரு செல்வப் பரிமாற்றம். இவை வெறும் தொழில்நுட்பச் சிக்கல்கள் அல்ல. இவை சமூக மற்றும் நெறிமுறைச் சிக்கல்கள், இவற்றைத் தீர்க்க சிறந்த அல்காரிதம்களை விட மேலானது தேவை.

தொழில்நுட்பக் கட்டுப்பாடுகள் மற்றும் உள்ளூர் அமலாக்கம்

இந்த தளங்களில் உருவாக்குபவர்களுக்கு, தத்துவத்தை விட தொழில்நுட்ப விவரங்களே முக்கியம். தற்போதைய API வரம்புகள் நிறுவனத் தத்தெடுப்பிற்கு ஒரு பெரிய தடையாக உள்ளன. பெரும்பாலான வழங்குநர்கள் அதிக அளவிலான நிகழ்நேர செயலாக்கத்தைத் தடுக்கும் கடுமையான ரேட் லிமிட்களை (rate limits) கொண்டுள்ளனர். இதனால்தான் பல நிறுவனங்கள் உள்ளூர் சேமிப்பு (local storage) மற்றும் உள்ளூர் செயல்பாட்டை (local execution) நாடுகின்றன. Llama 3 போன்ற மாடல்களை உள்ளூர் ஹார்டுவேரில் பயன்படுத்துவது சிறந்த தரவு தனியுரிமை மற்றும் குறைந்த நீண்ட கால செலவுகளை அனுமதிக்கிறது. இருப்பினும், ஹார்டுவேர் தேவைகள் அதிகம். 70 பில்லியன் அளவுருக்கள் கொண்ட மாடலைச் சீரான வேகத்தில் இயக்க, குறிப்பிடத்தக்க VRAM கொண்ட உயர்தர GPU-க்கள் தேவை. இங்கேதான் கீக் பிரிவு நிதிப் பிரிவைச் சந்திக்கிறது. H100 கிளஸ்டரின் விலை ஒரு நுழைவுத் தடையாகும், இது அதிகாரத்தை செல்வந்தர்களின் கைகளில் வைத்திருக்கிறது.

சிறப்பு ஃபைன்-டியூனிங் (fine-tuning) நோக்கிய மாற்றத்தையும் நாம் காண்கிறோம். எல்லாவற்றிற்கும் ஒரு பொதுவான மாடலைப் பயன்படுத்துவதற்குப் பதிலாக, டெவலப்பர்கள் குறிப்பிட்ட தரவுத்தொகுப்புகளில் பயிற்சி பெற்ற சிறிய மாடல்களைப் பயன்படுத்துகின்றனர். இது துல்லியத்தை மேம்படுத்துகிறது மற்றும் டோக்கன் எண்ணிக்கையைக் குறைக்கிறது. இங்கே தொழில்நுட்ப சவால் தரவு க்யூரேஷன் (data curation) ஆகும். உள்ளீட்டுத் தரவு மோசமாக இருந்தால், ஃபைன்-டியூன் செய்யப்பட்ட மாடல் பொதுவானதை விட மோசமாக இருக்கும். மாடல்களை உண்மையான தரவுகளில் நிலைநிறுத்த ரெட்ரைவல் ஆக்மென்டட் ஜெனரேஷன் (RAG) பயன்பாட்டையும் நாம் அதிகம் காண்கிறோம். இது மிகப்பெரிய கன்டெக்ஸ்ட் விண்டோக்களின் தேவையைத் தவிர்த்து, ஹாலுசினேஷன்களைக் குறைக்கிறது. ஆனால் RAG-க்கு அதன் சொந்த வரம்புகள் உள்ளன, குறிப்பாக மீட்டெடுக்கப்பட்ட ஆவணங்களை அது எப்படி வரிசைப்படுத்துகிறது என்பதில். தேடல் படி தோல்வியுற்றால், மாடல் வெளியீடு பயனற்றது. ஒரு AI-ன் செயல்திறன் அது வினவும் தரவுத்தளத்தைப் பொறுத்தது என்பதை பெரும்பாலான பயனர்கள் உணருவதில்லை.

தகவலுக்கான இறுதி வடிகட்டி

AI-ன் எதிர்காலம் ஒரு நபர் சொல்லும் ஒற்றைக் கதையல்ல. இது ஒரு பார்வையை விற்பவர்களுக்கும் யதார்த்தத்தை உருவாக்குபவர்களுக்கும் இடையிலான குழப்பமான, தொடர்ச்சியான விவாதம். தொழில்நுட்பச் செய்திகளின் புத்திசாலித்தனமான நுகர்வோராக இருக்க, நீங்கள் கவர்ச்சிகரமான நிறுவனர்களைத் தாண்டிப் பார்க்கக் கற்றுக்கொள்ள வேண்டும். ஆய்வறிக்கைகளில் உள்ள பெயர்களைத் தேடுங்கள். தங்கள் மாடல்களால் எதைச் செய்ய முடியாது என்று பேசத் தயாராக இருக்கும் ஆராய்ச்சியாளர்களைத் தேடுங்கள். தொழில்துறையில் உள்ள முரண்பாடுகள் பிழைகள் அல்ல. அவை கதையின் மிகவும் நேர்மையான பகுதி. தொழில்நுட்பச் சிக்கல்கள் இன்னும் தீர்க்கப்படாததால், இந்தத் துறை தொடர்ந்து பரிணமிக்கும். தற்போதைய யுகத்தை வரையறுக்கும் பெரும் வள நுகர்வு இல்லாமல், உண்மையிலேயே புத்திசாலித்தனமான அமைப்பை நம்மால் உருவாக்க முடியுமா? இதற்குப் பதிலளிக்கும் வரை, ஹைப் அறிவியலை விட வேகமாகத் தொடரும். இதில் உள்ள சமரசங்களைக் குறிப்பிடாமல் சரியான தீர்வை உறுதியளிக்கும் எந்தவொரு கதையையும் நாம் சந்தேகிக்க வேண்டும்.

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.