இன்றைய AI ஹைப்களுக்கான நீண்ட பயணம் 2026

தற்போதைய செயற்கை நுண்ணறிவு (AI) எழுச்சி ஒரு திடீர் புயல் போலத் தோன்றினாலும், இது பல ஆண்டுகளுக்கு முன்பு எடுக்கப்பட்ட ஒரு அமைதியான முடிவின் விளைவாகும். 2017 ஆம் ஆண்டில், கூகுள் ஆராய்ச்சியாளர்கள் ‘Attention Is All You Need’ என்ற தலைப்பில் ஒரு ஆய்வறிக்கையை வெளியிட்டனர். இந்த ஆய்வு Transformer architecture-ஐ அறிமுகப்படுத்தியது. இந்த வடிவமைப்பானது, ஒரு வாக்கியத்தில் உள்ள சொற்களை ஒவ்வொன்றாகப் பார்க்காமல், மற்ற அனைத்து சொற்களுடனும் தொடர்புபடுத்தி ஒரே நேரத்தில் செயலாக்க இயந்திரங்களுக்கு உதவியது. இது வரிசைமுறை செயலாக்கத்தின் தடையை நீக்கியது. இன்று, ChatGPT முதல் Claude வரை உள்ள அனைத்து முக்கிய மாடல்களும் இந்த ஒரு கண்டுபிடிப்பையே நம்பியுள்ளன. இது 2026 காலகட்டத்தில் நடந்தது. நாம் ஒரு புதிய கண்டுபிடிப்பைப் பார்க்கவில்லை, ஏழு ஆண்டுகள் பழமையான ஒரு யோசனையின் விரிவாக்கத்தையே பார்க்கிறோம். இந்த மாற்றம் நம்மை எளிய முறை அறிதலிலிருந்து (pattern recognition) சிக்கலான உருவாக்கத்திற்கு (complex generation) கொண்டு சென்றது. இது கணினிகளுடன் நாம் தொடர்பு கொள்ளும் முறையையே மாற்றியது. இப்போது, இந்த சிஸ்டம்களில் எவ்வளவு தரவு மற்றும் மின்சாரத்தை செலுத்த முடியும் என்பதில் கவனம் உள்ளது. முடிவுகள் ஈர்க்கக்கூடியவை, ஆனால் அடிப்படை மாறவில்லை. இந்த வரலாற்றைப் புரிந்துகொள்வது மார்க்கெட்டிங் மாயையைத் தாண்டிப் பார்க்க உதவுகிறது. இன்றைய கருவிகள் கடந்த பத்தாண்டுகளில் எடுக்கப்பட்ட குறிப்பிட்ட பொறியியல் தேர்வுகளின் தர்க்கரீதியான முடிவு என்பதை இது காட்டுகிறது.

முன்கணிப்பு இயந்திரங்கள் மற்றும் நிகழ்தகவு

Generative AI ஒரு பிரம்மாண்டமான முன்கணிப்பு இயந்திரமாகச் செயல்படுகிறது. இது மனிதர்களைப் போலச் சிந்திப்பதோ அல்லது புரிந்துகொள்வதோ இல்லை. அதற்குப் பதிலாக, ஒரு வரிசையில் அடுத்ததாக வரும் ‘token’-ன் புள்ளிவிவர நிகழ்தகவை (statistical probability) இது கணக்கிடுகிறது. ஒரு ‘token’ என்பது பெரும்பாலும் ஒரு சொல் அல்லது சொல்லின் ஒரு பகுதியாகும். நீங்கள் ஒரு மாடலிடம் கேள்வி கேட்கும்போது, அது பயிற்சியின் போது கற்றுக்கொண்ட பில்லியன் கணக்கான அளவுருக்களை (parameters) பார்க்கிறது. பின்னர், தனது பயிற்சித் தரவுகளில் கண்ட வடிவங்களின் அடிப்படையில் அடுத்த சொல் எதுவாக இருக்க வேண்டும் என்று அது கணிக்கிறது. இந்த செயல்முறை பெரும்பாலும் stochastic parrot என்று அழைக்கப்படுகிறது. இந்த இயந்திரம் அடிப்படை அர்த்தத்தைப் புரிந்து கொள்ளாமல் வடிவங்களை மட்டுமே மீண்டும் செய்கிறது என்பதை இந்தச் சொல் குறிக்கிறது. இன்று இந்தத் தொழில்நுட்பங்களைப் பயன்படுத்தும் எவருக்கும் இந்த வேறுபாடு மிக முக்கியமானது. நீங்கள் AI-ஐ ஒரு தேடுபொறியாக (search engine) கருதினால், நீங்கள் ஏமாற்றமடையலாம். அது தரவுத்தளத்தில் உண்மைகளைத் தேடுவதில்லை; நிகழ்தகவின் அடிப்படையில் உண்மைகளைப் போலத் தோன்றும் உரையை உருவாக்குகிறது. இதனால்தான் மாடல்கள் ‘hallucinate’ செய்கின்றன. அவை துல்லியமாக இருக்க வேண்டிய அவசியமில்லை, சரளமாக இருக்கவே வடிவமைக்கப்பட்டுள்ளன. பயிற்சித் தரவு பொதுவாக பொது இணையத்தின் பிரம்மாண்டமான தொகுப்பைக் கொண்டுள்ளது. இதில் புத்தகங்கள், கட்டுரைகள், குறியீடுகள் மற்றும் மன்றப் பதிவுகள் அடங்கும். மாடல் மனித மொழியின் அமைப்பு மற்றும் நிரலாக்கத்தின் தர்க்கத்தைக் கற்றுக்கொள்கிறது. அதே சமயம், அந்த ஆதாரங்களில் உள்ள சார்புகளையும் (biases) பிழைகளையும் அது உள்வாங்கிக் கொள்கிறது. இந்த பயிற்சியின் அளவே நவீன சிஸ்டம்களை பழைய சாட்போட்களிலிருந்து வேறுபடுத்துகிறது. பழைய சிஸ்டம்கள் கடுமையான விதிகளை நம்பியிருந்தன; நவீன சிஸ்டம்கள் நெகிழ்வான கணிதத்தை நம்பியுள்ளன. இந்த நெகிழ்வுத்தன்மை அவற்றை ஆக்கபூர்வமான பணிகள், கோடிங் மற்றும் மொழிபெயர்ப்புகளை எளிதாகக் கையாள அனுமதிக்கிறது. இருப்பினும், அதன் மையப்பகுதி ஒரு கணிதக் கணிப்பு மட்டுமே. இது மிகவும் அதிநவீனமான கணிப்பு, ஆனால் இது ஒரு உணர்வுள்ள சிந்தனை செயல்முறை அல்ல.

இந்த மாடல்கள் தகவல்களைச் செயலாக்கும் முறை மூன்று படிநிலைகளைக் கொண்டது:

• மாடல் பரந்த தரவுத்தொகுப்புகளில் வடிவங்களைக் கண்டறிகிறது.
• சூழலின் அடிப்படையில் வெவ்வேறு ‘token’-களுக்கு எடைகளை (weights) ஒதுக்குகிறது.
• வரிசையில் மிகவும் சாத்தியமான அடுத்த சொல்லை உருவாக்குகிறது.

கணினியின் புதிய புவியியல்

இந்தத் தொழில்நுட்பத்தின் தாக்கம் உலகம் முழுவதும் சமமாகப் பரவவில்லை. சில புவியியல் மையங்களில் அதிகாரம் குவிந்துள்ளதை நாம் காண்கிறோம். முன்னணி மாடல்கள் பெரும்பாலும் அமெரிக்கா அல்லது சீனாவில் உருவாக்கப்படுகின்றன. இது மற்ற நாடுகளுக்கு ஒரு புதிய வகைச் சார்பை உருவாக்குகிறது. ஐரோப்பா, ஆப்பிரிக்கா மற்றும் தென்கிழக்கு ஆசிய நாடுகள் இப்போது தங்கள் டிஜிட்டல் இறையாண்மையை (digital sovereignty) எவ்வாறு பாதுகாப்பது என்று விவாதித்து வருகின்றன. அவர்கள் சொந்தமாக விலையுயர்ந்த உள்கட்டமைப்பை உருவாக்க வேண்டுமா அல்லது வெளிநாட்டு வழங்குநர்களை நம்பியிருக்க வேண்டுமா என்று முடிவு செய்ய வேண்டும். நுழைவுச் செலவு மிக அதிகம். ஒரு உயர்தர மாடலுக்குப் பயிற்சி அளிக்க பல்லாயிரக்கணக்கான சிறப்புச் சில்லுகள் (chips) மற்றும் அதிகப்படியான மின்சாரம் தேவைப்படுகிறது. இது சிறிய நிறுவனங்களுக்கும் வளரும் நாடுகளுக்கும் ஒரு தடையாக அமைகிறது. கலாச்சாரப் பிரதிநிதித்துவமும் ஒரு சிக்கலாக உள்ளது. பெரும்பாலான பயிற்சித் தரவுகள் ஆங்கிலத்தில் இருப்பதால், இந்த மாடல்கள் பெரும்பாலும் மேற்கத்திய விழுமியங்களையும் நெறிமுறைகளையும் பிரதிபலிக்கின்றன. இது ஒரு வகையான கலாச்சாரத் தட்டையான நிலைக்கு (cultural flattening) வழிவகுக்கும். உள்ளூர் மொழிகள் மற்றும் மரபுகள் உலகின் மறுபக்கத்தில் உருவாக்கப்பட்ட சிஸ்டம்களால் புறக்கணிக்கப்படலாம் அல்லது தவறாகச் சித்தரிக்கப்படலாம். பொருளாதார ரீதியாக, இந்த மாற்றம் மிகவும் வியத்தகு முறையில் உள்ளது. ஒவ்வொரு கால மண்டலத்திலும் உள்ள நிறுவனங்கள் இந்தத் தொழில்நுட்பங்களை எவ்வாறு ஒருங்கிணைப்பது என்று யோசித்து வருகின்றன. சில பிராந்தியங்களில், AI பாரம்பரிய வளர்ச்சி நிலைகளைத் தாண்டிச் செல்வதற்கான ஒரு வழியாகக் கருதப்படுகிறது. மற்றவற்றில், இது உள்ளூர் பொருளாதாரங்களைத் தக்கவைக்கும் அவுட்சோர்சிங் தொழில்களுக்கு ஒரு அச்சுறுத்தலாகக் கருதப்படுகிறது. 2026-ல் சந்தையின் தற்போதைய நிலை ஒரு தெளிவான பிளவைக் காட்டுகிறது. அடிப்படை கோடிங் மற்றும் தரவு உள்ளீடு போன்ற பணிகள் தானியக்கமாக்கப்படுவதால், உலகளாவிய தொழிலாளர் சந்தை அதிக நிலையற்றதாக மாறி வருகிறது. இது சிலிக்கான் வேலி கதை மட்டுமல்ல; பூமியில் உள்ள ஒவ்வொரு பொருளாதாரமும் தானியங்கி அறிவாற்றல் உழைப்பின் புதிய சகாப்தத்திற்கு எவ்வாறு சரிசெய்யும் என்பது பற்றிய கதை. சில வன்பொருள் உற்பத்தியாளர்கள் எடுக்கும் முடிவுகள் இப்போது முழு பிராந்தியங்களின் பொருளாதார எதிர்காலத்தைத் தீர்மானிக்கின்றன.

தானியங்கி உதவியாளருடன் வாழ்வது

தினசரி தாக்கத்தைப் புரிந்துகொள்ள, மார்கஸ் என்ற மார்க்கெட்டிங் மேலாளரின் வாழ்க்கையைக் கவனியுங்கள். இரண்டு ஆண்டுகளுக்கு முன்பு, மார்கஸ் தனது காலை நேரங்களை மின்னஞ்சல்களை எழுதவும், மதிய நேரங்களை கிராஃபிக் டிசைனர்களுடன் ஒருங்கிணைக்கவும் செலவிட்டார். இன்று, அவரது பணிப்பாய்வு (workflow) வேறுபட்டது. அவர் தனது நாளை ஒரு உள்ளூர் மாடலில் ஒரு சிறிய தயாரிப்பு சுருக்கத்தை (brief) உள்ளிடுவதன் மூலம் தொடங்குகிறார். சில நொடிகளில், அவருக்கு ஐந்து வெவ்வேறு பிரச்சாரத் திசைகள் கிடைக்கின்றன. அவர் அவற்றை அப்படியே பயன்படுத்துவதில்லை. அதற்குப் பதிலாக, அவர் அடுத்த இரண்டு மணிநேரத்தை அந்த வெளியீட்டைச் செம்மைப்படுத்த செலவிடுகிறார். அவர் பிராண்ட் குரல் மற்றும் உண்மைப் பிழைகளைச் சரிபார்க்கிறார். ஒருமுறை, இல்லாத ஒரு தயாரிப்பு அம்சத்தைக் கண்டுபிடித்த ஒரு வரைவை அவர் பெற்றார். இதுதான் வேலையின் புதிய எதார்த்தம். இது புதிதாக உருவாக்குவதை விட, திருத்துதல் மற்றும் தொகுப்பதில் அதிக கவனம் செலுத்துகிறது. மார்கஸ் அதிக உற்பத்தித் திறன் கொண்டவராக இருக்கிறார், ஆனால் அவர் அதிக சோர்வாகவும் இருக்கிறார். வேலையின் வேகம் அதிகரித்துள்ளது. ஆரம்ப வரைவு சில நொடிகளில் கிடைப்பதால், வாடிக்கையாளர்கள் இறுதிப் பதிப்புகளை நாட்களுக்குப் பதிலாக மணிநேரங்களில் எதிர்பார்க்கிறார்கள். இது அதிக உற்பத்தி செய்ய வேண்டும் என்ற நிரந்தர அழுத்தத்தை உருவாக்குகிறது. இது ஆழமான சிந்தனைக்கு இடமில்லாத அதிவேக வெளியீட்டுச் சுழற்சியாகும். அலுவலகத்தைத் தாண்டி, அரசாங்கம் மற்றும் கல்வியிலும் இதைக் காண்கிறோம். ஆசிரியர்கள் AI உதவியைக் கருத்தில் கொண்டு தங்கள் பாடத்திட்டங்களை மாற்றியமைக்கிறார்கள். அவர்கள் வீட்டுப்பாடக் கட்டுரைகளிலிருந்து நேரில் நடக்கும் வாய்மொழித் தேர்வுகளுக்கு மாறுகிறார்கள். உள்ளூர் அரசாங்கங்கள் பொது விசாரணைகளைச் சுருக்கவும், புலம்பெயர்ந்த சமூகங்களுக்காக ஆவணங்களை மொழிபெயர்க்கவும் AI-ஐப் பயன்படுத்துகின்றன. இவை உறுதியான நன்மைகள். இந்தியாவின் கிராமப்புற மருத்துவமனையில், ஒரு மருத்துவர் கண் நோய்களைக் கண்டறிய AI கருவியைப் பயன்படுத்துகிறார். இந்த கருவி உலகளாவிய தரவுத்தொகுப்பில் பயிற்சியளிக்கப்பட்டது, ஆனால் உள்ளூர் நிபுணர்களின் பற்றாக்குறையைத் தீர்க்க உதவுகிறது. இந்த உதாரணங்கள் தொழில்நுட்பம் ஒரு மேம்படுத்தும் கருவி என்பதைக் காட்டுகின்றன. இது மனிதனை மாற்றாது, ஆனால் பணியின் தன்மையை மாற்றுகிறது. சவால் என்னவென்றால், இந்த கருவி பெரும்பாலும் கணிக்க முடியாதது. இன்று சரியாகச் செயல்படும் ஒரு சிஸ்டம், சிறிய அப்டேட்டிற்குப் பிறகு நாளை தோல்வியடையலாம். இந்த நிலையற்ற தன்மை தனிப்பட்ட படைப்பாளிகள் முதல் பெரிய நிறுவனங்கள் வரை அனைவருக்கும் ஒரு நிரந்தரப் பின்னணி இரைச்சலாக உள்ளது. நாம் அனைவரும் இன்னும் உருவாக்கப்பட்டுக்கொண்டிருக்கும் ஒரு கருவியைப் பயன்படுத்தக் கற்றுக்கொள்கிறோம். கூடுதல் விவரங்களுக்கு, எங்கள் முதன்மை தளத்தில் உள்ள விரிவான AI தொழில் பகுப்பாய்வை நீங்கள் படிக்கலாம்.

முன்கணிப்பின் மறைமுக விலை

இந்த முன்னேற்றத்தின் மறைமுக செலவுகள் குறித்து நாம் கடினமான கேள்விகளைக் கேட்க வேண்டும். முதலாவதாக, தரவு உரிமை பற்றிய கேள்வி. நாம் இன்று பயன்படுத்தும் பெரும்பாலான மாடல்கள் இணையத்திலிருந்து வெளிப்படையான அனுமதியின்றி எடுக்கப்பட்ட தரவுகளில் பயிற்சியளிக்கப்பட்டவை. அந்த லாபத்தில் ஒரு பைசாவைக் கூட பார்க்காத மில்லியன் கணக்கான மக்களின் படைப்பு உழைப்பைப் பயன்படுத்தி பில்லியன் டாலர் தயாரிப்பை உருவாக்குவது அறமா? இது நீதிமன்றங்கள் இப்போதுதான் கவனிக்கத் தொடங்கியுள்ள ஒரு சட்டப்பூர்வமான சாம்பல் பகுதி (legal gray area). பின்னர் சுற்றுச்சூழல் தாக்கம் உள்ளது. இந்த மாடல்களுக்குப் பயிற்சி அளிக்கவும் இயக்கவும் தேவைப்படும் ஆற்றல் திகைக்க வைக்கிறது. நாம் பெரிய சிஸ்டம்களை நோக்கி நகரும்போது, கார்பன் தடம் (carbon footprint) அதிகரிக்கிறது. காலநிலை நெருக்கடி காலத்தில் இந்த ஆற்றல் பயன்பாட்டை நாம் நியாயப்படுத்த முடியுமா? Nature-ல் சமீபத்திய ஆய்வுகள் தரவு மையங்களைக் குளிர்விக்கத் தேவைப்படும் பிரம்மாண்டமான நீர் நுகர்வை முன்னிலைப்படுத்துகின்றன. நாம் ‘black box’ சிக்கலையும் கருத்தில் கொள்ள வேண்டும். இந்த மாடல்களை உருவாக்கும் பொறியாளர்களுக்கே அவை ஏன் சில முடிவுகளை எடுக்கின்றன என்பது முழுமையாகத் தெரியவில்லை. ஒரு AI கடன் விண்ணப்பத்தையோ அல்லது வேலை நேர்காணலையோ நிராகரித்தால், அந்த முடிவை நாம் எவ்வாறு தணிக்கை செய்ய முடியும்? வெளிப்படைத்தன்மை இல்லாமை சிவில் உரிமைகளுக்கு ஒரு பெரிய ஆபத்து. நாம் முழுமையாக விளக்க முடியாத சிஸ்டம்களிடம் நமது உள்கட்டமைப்பை ஒப்படைக்கிறோம். நிறுவனச் சிதைவு (institutional rot) அபாயமும் உள்ளது. செய்திகள், சட்ட ஆவணங்கள் மற்றும் குறியீடுகளை உருவாக்க நாம் AI-ஐ நம்பியிருந்தால், மனித நிபுணத்துவத்திற்கு என்னவாகும்? நாமே வேலையைச் செய்யும் திறனை இழந்துவிட்டதால், வெளியீட்டின் தரத்தை சரிபார்க்க முடியாத நிலையில் நாம் இருக்கலாம். இவை தொழில்நுட்பத் தடைகள் மட்டுமல்ல; நாம் சமூகத்தை எவ்வாறு ஒழுங்கமைக்கிறோம் என்பதற்கான அடிப்படை சவால்கள். குறுகிய கால செயல்திறனுக்காக நாம் நீண்ட கால நிலைத்தன்மையை வர்த்தகம் செய்கிறோம். இது நாம் உண்மையிலேயே செய்யத் தயாராக இருக்கும் வர்த்தகமா என்று நாம் கேட்க வேண்டும்.

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

உள்ளூர் மாடல்களின் உட்புறம்

பவர் யூசர்களுக்கு, கவனம் எளிய தூண்டுதல்களிலிருந்து (prompts) சிக்கலான பணிப்பாய்வு ஒருங்கிணைப்புகளுக்கு மாறியுள்ளது. உண்மையான மதிப்பு இப்போது சாட்போட்டின் இணைய இடைமுகத்தில் இல்லை. அது API-ல் உள்ளது. டெவலப்பர்கள் இப்போது கடுமையான விகித வரம்புகள் (rate limits) மற்றும் ‘token’ செலவுகளை நிர்வகிக்கிறார்கள். அவர்கள் பிரம்மாண்டமான, பொது நோக்கத்திற்கான மாடல்களிலிருந்து சிறிய, சிறப்பு வாய்ந்த மாடல்களை நோக்கி நகர்கிறார்கள். இங்கேதான் உள்ளூர் சேமிப்பு மற்றும் உள்ளூர் இயக்கம் (local execution) முக்கியத்துவம் பெறுகிறது. Llama.cpp போன்ற கருவிகள் பயனர்களைத் தங்கள் சொந்த வன்பொருளில் சக்திவாய்ந்த மாடல்களை இயக்க அனுமதிக்கின்றன. இது தனியுரிமைச் சிக்கலைத் தீர்க்கிறது மற்றும் நிலையான இணைய இணைப்பின் தேவையை நீக்குகிறது. இருப்பினும், இந்த மாடல்களை உள்ளூரில் இயக்குவதற்கு குறிப்பிடத்தக்க VRAM தேவைப்படுகிறது. நடுத்தர அளவிலான மாடல்களுடன் ஒரு நல்ல அனுபவத்திற்கு 24GB குறைந்தபட்சம் என்று பெரும்பாலான பயனர்கள் கருதுகின்றனர். ‘quantization’ என்ற போக்கும் உள்ளது. இது ஒரு மாடலின் எடைகளின் துல்லியத்தைக் குறைத்து, அதை வேகமாகவும் குறைந்த நினைவகத்தைப் பயன்படுத்தவும் செய்யும் ஒரு நுட்பமாகும். 4-bit quantized மாடல் பெரும்பாலும் முழு 16-bit பதிப்பைப் போலவே சிறப்பாகச் செயல்படும், அதே சமயம் குறைந்த இடத்தையே எடுக்கும். ‘Retrieval Augmented Generation’ (RAG)-ன் வளர்ச்சியையும் நாம் காண்கிறோம். இது ஒரு பதிலை உருவாக்குவதற்கு முன்பு பயனரின் தனிப்பட்ட ஆவணங்களைப் பார்க்க மாடலை அனுமதிக்கிறது. இது குறிப்பிட்ட, சரிபார்க்கப்பட்ட உண்மைகளை மாடலில் நிலைநிறுத்துவதன் மூலம் ‘hallucinations’-ஐக் குறைக்கிறது. இது ஒரு பொதுவான முன்கணிப்பு இயந்திரத்திற்கும் பயனுள்ள வணிகக் கருவிக்கும் இடையிலான பாலமாகும். அடுத்த எல்லை ‘context window’ ஆகும். சில பக்க உரைகளை மட்டும் நினைவில் கொள்ளக்கூடிய மாடல்களிலிருந்து, முழு நூலகங்களையும் ஒரே நேரத்தில் செயலாக்கக்கூடிய மாடல்களுக்கு நாம் நகர்ந்துள்ளோம். இது பிரம்மாண்டமான குறியீட்டுத் தளங்கள் அல்லது நீண்ட சட்ட ஆவணங்களை பகுப்பாய்வு செய்ய அனுமதிக்கிறது. இப்போதுள்ள சவால் இந்த பெரிய உள்ளீடுகளுடன் வரும் தாமதத்தை (latency) நிர்வகிப்பதாகும். இந்த சிஸ்டம்கள் செய்யக்கூடியவற்றின் எல்லைகளை நாம் தள்ளும்போது, தடையானது மென்பொருள் அல்ல. அது சிலிக்கானின் இயற்பியல் வரம்புகள் மற்றும் ஒளியின் வேகம் ஆகும். MIT Technology Review மற்றும் IEEE Spectrum ஆகியவற்றின் அறிக்கைகள், வன்பொருள் மேம்படுத்தலே இப்போது AI திறனின் முதன்மை இயக்கி என்று கூறுகின்றன.

மேம்பட்ட பயனர்கள் தற்போது மூன்று முக்கிய மேம்பாட்டு பகுதிகளில் கவனம் செலுத்துகின்றனர்:

• Quantization உள்ளூர் வன்பொருளுக்கான நினைவகத் தேவைகளைக் குறைக்கிறது.
• RAG சிஸ்டம்கள் மாடல்களை தனிப்பட்ட, சரிபார்க்கப்பட்ட தரவுகளுடன் இணைக்கின்றன.
• API ஒருங்கிணைப்பு தானியங்கி பல-படி பணிப்பாய்வுகளை அனுமதிக்கிறது.

முடிக்கப்படாத கதை

இந்த இடத்திற்கான பாதை குறிப்பிட்ட தொழில்நுட்பத் தேர்வுகளால் அமைக்கப்பட்டது. நாம் செயல்திறனை விட அளவையும், தர்க்கத்தை விட நிகழ்தகவையும் தேர்ந்தெடுத்தோம். இது மாயாஜாலமாகத் தோன்றும் ஆனால் ஆழமான குறைபாடுகளைக் கொண்ட கருவிகளை நமக்குக் கொடுத்துள்ளது. ஹைப் சுழற்சி இறுதியில் தணியும், ஆனால் தொழில்நுட்பம் அப்படியே இருக்கும். மனித மற்றும் இயந்திர உருவாக்கத்திற்கு இடையிலான கோடு நிரந்தரமாக மங்கலான ஒரு உலகில் நாம் இருக்கிறோம். எல்லையற்ற, மலிவான உள்ளடக்கத்தின் காலத்தில் நாம் மதிப்பை எவ்வாறு வரையறுப்போம் என்பதுதான் திறந்த கேள்வி. ஒரு இயந்திரம் ஒரு கவிதையையோ அல்லது நிரலையோ நொடிகளில் எழுத முடிந்தால், அதே வேலையைச் செய்ய மனித முயற்சிக்கு என்ன மதிப்பு? நாம் இன்னும் அதற்கான பதிலைத் தேடிக்கொண்டிருக்கிறோம். இப்போதைக்கு, சிறந்த அணுகுமுறை ஆர்வம் மற்றும் சந்தேகத்தின் கலவையாகும். இந்தத் தொழில்நுட்பங்களின் வரம்புகளை உணர்ந்து, அதே நேரத்தில் நமது திறன்களை விரிவுபடுத்த அவற்றைப் பயன்படுத்த வேண்டும். AI-ன் எதிர்காலம் ஒரு முடிக்கப்பட்ட தயாரிப்பு அல்ல. நாம் எதை உருவாக்க முடியும் மற்றும் எதை உருவாக்க வேண்டும் என்பதற்கு இடையிலான ஒரு தொடர்ச்சியான பேச்சுவார்த்தை இது.

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.