కొత్త AI మ్యాప్: మోడల్స్, చిప్స్ మరియు ఇన్‌ఫ్రాస్ట్రక్చర్‌లో కింగ్ ఎవరు?

AI అనేది కేవలం ఆకాశంలో ఉండే సాఫ్ట్‌వేర్ క్లౌడ్ అనే భ్రమ మెల్లగా తొలగిపోతోంది. దాని స్థానంలో సిలికాన్, high-bandwidth memory మరియు స్పెషలైజ్డ్ ఫ్యాక్టరీల కఠినమైన వాస్తవం కనిపిస్తోంది. ప్రస్తుత కాలంలో అసలైన పవర్ మంచి ప్రాంప్ట్‌లు రాసేవారి దగ్గర లేదు, physical supply chain ని కంట్రోల్ చేసేవారి దగ్గర ఉంది. నెదర్లాండ్స్‌లోని lithography మెషీన్ల నుండి తైవాన్‌లోని ప్యాకేజింగ్ ఫెసిలిటీల వరకు, ప్రభావం చూపే మ్యాప్ మారుతోంది. ఇది హార్డ్‌వేర్ అడ్డంకులు మరియు ఎనర్జీ గ్రిడ్‌ల కథ. ప్రజలు చాట్‌బాట్‌లపై దృష్టి పెడుతుంటే, ఇండస్ట్రీ మాత్రం అడ్వాన్స్‌డ్ logic chips మరియు ఎలక్ట్రికల్ ట్రాన్స్‌ఫార్మర్ల లభ్యతపై కన్నేసింది. తయారీ రంగం ఒకే చోట కేంద్రీకృతమవ్వడం వల్ల దేశాలు మరియు కార్పొరేషన్ల మధ్య కొత్త క్రమం ఏర్పడుతోంది. ఎవరి దగ్గరైతే compute ఉంటుందో, వారే భవిష్యత్తు ఇంటెలిజెన్స్‌ను శాసిస్తారు. మనం డేటా సమృద్ధిగా ఉన్న ప్రపంచం నుండి హార్డ్‌వేర్ కొరత ఉన్న ప్రపంచంలోకి మారుతున్నాము. ఈ మార్పే నేడు పెద్ద టెక్ కంపెనీలు తీసుకునే ప్రతి వ్యూహాత్మక నిర్ణయాన్ని నిర్ణయిస్తోంది. టెక్ సైకిల్ యొక్క హడావిడిని దాటి చూడాలనుకునే ఎవరికైనా లేటెస్ట్ AI infrastructure ట్రెండ్స్ అర్థం చేసుకోవడం చాలా ముఖ్యం.

కోడ్ దాటి: హార్డ్‌వేర్ స్టాక్

ఆధునిక AI స్టాక్‌ను అర్థం చేసుకోవాలంటే, కేవలం ప్రాసెసర్‌ను మాత్రమే చూస్తే సరిపోదు. ఒక హై-ఎండ్ యాక్సిలరేటర్ అనేది వివిధ భాగాల సంక్లిష్ట కలయిక. మొదట, అసలైన లెక్కలు చేసే logic chip ఉంటుంది. వీటిని ప్రస్తుతం Nvidia లేదా AMD వంటి కంపెనీలు డిజైన్ చేస్తున్నాయి మరియు అడ్వాన్స్‌డ్ నోడ్స్ ఉపయోగించి తయారు చేస్తున్నారు. అయితే, logic chip ఒంటరిగా పనిచేయలేదు. డేటాను వేగంగా ప్రాసెసర్‌కు అందించడానికి దీనికి high-bandwidth memory (HBM) అవసరం. ఈ స్పెషలైజ్డ్ మెమరీ లేకపోతే, ప్రపంచంలోని అత్యంత వేగవంతమైన చిప్ కూడా ఖాళీగా కూర్చుంటుంది. తర్వాత ప్యాకేజింగ్ వస్తుంది. Chip on Wafer on Substrate వంటి అడ్వాన్స్‌డ్ ప్యాకేజింగ్ టెక్నిక్స్ ఈ భాగాలను హై డెన్సిటీతో కనెక్ట్ చేయడానికి అనుమతిస్తాయి. ఈ ప్రాసెస్ ప్రస్తుతం ఇండస్ట్రీలో ఒక పెద్ద అడ్డంకిగా మారింది. చిప్‌తో పాటు, నెట్‌వర్కింగ్ ఇన్‌ఫ్రాస్ట్రక్చర్ కూడా కీలకం. ఒకే పెద్ద మోడల్‌ను ట్రైన్ చేయడానికి వేలకొద్దీ చిప్స్ ఒకదానితో ఒకటి అత్యంత వేగంతో కమ్యూనికేట్ చేయాలి. దీనికి latency లేకుండా భారీ డేటాను హ్యాండిల్ చేయగల స్పెషలైజ్డ్ స్విచ్‌లు మరియు ఫైబర్ ఆప్టిక్ కేబుల్స్ అవసరం. చివరగా, పవర్ డెలివరీ సిస్టమ్. డేటా సెంటర్లకు ఇప్పుడు గిగావాట్ల విద్యుత్ అవసరం, దీనివల్ల ఎలక్ట్రికల్ ఇన్‌ఫ్రాస్ట్రక్చర్ కోసం డిమాండ్ పెరుగుతోంది, దీనిని అందుకోవడానికి చాలా నగరాలు ఇబ్బంది పడుతున్నాయి. ఈ భౌతిక వాస్తవమే అల్గారిథమిక్ పురోగతి కంటే ఎక్కువగా అభివృద్ధి వేగాన్ని నిర్ణయిస్తుంది.

• ప్రాసెసింగ్ పవర్ కోసం Logic chips
• వేగవంతమైన డేటా యాక్సెస్ కోసం High-bandwidth memory
• భాగాలను అనుసంధానించడానికి అడ్వాన్స్‌డ్ ప్యాకేజింగ్
• క్లస్టర్ కమ్యూనికేషన్ కోసం హై-స్పీడ్ నెట్‌వర్కింగ్
• నిరంతర ఆపరేషన్ కోసం భారీ ఎనర్జీ ఇన్‌ఫ్రాస్ట్రక్చర్

అధికారం యొక్క కొత్త భౌగోళికం

ఈ కీలక టెక్నాలజీల కేంద్రీకరణ ఒక భౌగోళిక రాజకీయ గందరగోళాన్ని సృష్ఠించింది. ప్రపంచంలోని అత్యంత అడ్వాన్స్‌డ్ చిప్స్‌లో ఎక్కువ భాగం ఒకే ద్వీప దేశంలో తయారవుతున్నాయి, ఇది మొత్తం గ్లోబల్ ఎకానమీని ప్రాంతీయ అస్థిరతకు గురయ్యేలా చేస్తోంది. దీనివల్ల టెక్నాలజీలో పైచేయి సాధించడానికి ఎగుమతి నియంత్రణలు మరియు ఆంక్షలు పెరిగుతున్నాయి. జాతీయ భద్రతా కారణాలను చూపుతూ అమెరికా ప్రభుత్వం కొన్ని ప్రాంతాలకు హై-ఎండ్ AI చిప్స్ అమ్మకాన్ని పరిమితం చేసింది. ఈ నియమాలు కేవలం చిప్స్‌పైనే కాకుండా, వాటిని తయారు చేయడానికి అవసరమైన మెషీన్లపై కూడా ప్రభావం చూపుతాయి. ఉదాహరణకు, అత్యంత అడ్వాన్స్‌డ్ lithography మెషీన్లను నెదర్లాండ్స్‌లోని ఒకే ఒక కంపెనీ తయారు చేస్తుంది మరియు వాటి ఎగుమతి కఠినంగా నియంత్రించబడుతుంది. ఇది కొన్ని కంపెనీలు మరియు దేశాల చేతిలో భవిష్యత్తు ఆర్థిక వృద్ధికి సంబంధించిన తాళాలు ఉండేలా చేస్తోంది. దేశాలు ఇప్పుడు తమ స్వంత చిప్ పరిశ్రమలను నిర్మించుకోవడానికి పోటీ పడుతున్నాయి, కానీ ఇది దశాబ్దాల సమయం మరియు వందల బిలియన్ల డాలర్లతో కూడుకున్న పని. ఫలితంగా, ఇంటెలిజెన్స్ యాక్సెస్ అనేది భౌగోళికం మరియు దౌత్య సంబంధాల ద్వారా నిర్ణయించబడే విచ్ఛిన్నమైన ప్రపంచం ఏర్పడుతోంది. మనం గ్లోబలైజ్డ్ టెక్ మార్కెట్ నుండి రక్షిత డిజిటల్ సైలోల వైపు వెళ్తున్నాము. ఈ మార్పు కేవలం ఎకనామిక్స్ గురించి మాత్రమే కాదు. భవిష్యత్తులో మనిషి-యంత్రం మధ్య పరస్పర చర్యలకు ఎవరు ప్రమాణాలను నిర్దేశిస్తారనే దాని గురించి కూడా. ఈ టెక్నాలజీ జాతీయ రక్షణకు మరింత కీలకం కావడంతో ఈ వాణిజ్య అడ్డంకులు ఇంకా బిగుసుకుంటాయని Reuters నివేదికలు సూచిస్తున్నాయి.

Compute పరిమితుల్లో జీవించడం

పెరుగుతున్న ఒక startup లో టెక్నికల్ లీడ్‌గా ఉన్నవారికి, ఈ భౌగోళిక రాజకీయ మార్పులు రోజువారీ ఆపరేషనల్ తలనొప్పులుగా మారుతాయి. లండన్‌లోని సారా అనే డెవలపర్ ఒక కొత్త మెడికల్ ఇమేజింగ్ టూల్‌ను స్కేల్ చేయడానికి ప్రయత్నిస్తోందని ఊహించుకోండి. ఆమె రోజు కోడింగ్‌తో కాదు, క్లౌడ్ ఖర్చుల స్ప్రెడ్‌షీట్‌తో మొదలవుతుంది. లోకల్ డేటా సెంటర్లలో కొరత కారణంగా తన ప్రస్తుత ప్రొవైడర్ GPU ఇన్‌స్టన్స్‌ల ధరను మళ్ళీ పెంచాడని ఆమె గ్రహిస్తుంది. ఆమె తన వర్క్‌లోడ్‌ను వేరే ప్రాంతానికి మార్చాలని ఆలోచిస్తుంది, కానీ అప్పుడు డేటా రెసిడెన్సీ చట్టాలు మరియు సముద్రం అవతల డేటాను ప్రాసెస్ చేయడం వల్ల వచ్చే latency గురించి ఆందోళన చెందాల్సి ఉంటుంది. ఆమె తన స్వంత మోడల్‌ను ట్రైన్ చేయాలనుకుంటే, డెడికేటెడ్ హార్డ్‌వేర్ కోసం ఆరు నెలలు వేచి ఉండాలి. ఈ కొరత ఆమెను రాజీ పడేలా చేస్తుంది. హై-ఎండ్ మోడల్స్ స్కేల్‌లో రన్ చేయడం చాలా ఖరీదైనవి కాబట్టి ఆమె చిన్న, తక్కువ ఖచ్చితత్వం ఉన్న మోడల్స్‌ను ఉపయోగిస్తుంది. ఆమె టీమ్ అసలైన ప్రొడక్ట్‌పై ఇన్నోవేషన్ చేయడం కంటే, పరిమిత మెమరీలో కోడ్‌ను సరిపోయేలా ఆప్టిమైజ్ చేయడానికే ఎక్కువ సమయం గడుపుతుంది. ఈ వాతావరణంలో, విజేతలు కేవలం మంచి ఐడియాలు ఉన్నవారు మాత్రమే కాదు, ఎక్కువ డబ్బు ఉన్నవారు లేదా క్లౌడ్ ప్రొవైడర్లతో మంచి సంబంధాలు ఉన్నవారు కూడా. వేలాది మంది క్రియేటర్లు మరియు కంపెనీల పరిస్థితి ఇదే. వారు ఖరీదైన మరియు అస్థిరమైన పునాదిపై నిర్మిస్తున్నారు. ఎగుమతి నియమాల్లో ఒక చిన్న మార్పు లేదా వేల మైళ్ల దూరంలో ఉన్న ఫ్యాక్టరీలో తయారీ ఆలస్యం వారి మొత్తం రోడ్‌మ్యాప్‌ను దెబ్బతీస్తుంది. compute కోసం కొన్ని కేంద్రీకృత హబ్‌లపై ఆధారపడటం అంటే, ఏదైనా అంతరాయం కలిగితే అది కొత్త టూల్స్‌ను నిర్మించే మరియు ఉపయోగించే ప్రజల సామర్థ్యంపై తక్షణ మరియు ప్రపంచవ్యాప్త ప్రభావాన్ని చూపుతుంది. ఇది స్థాపించబడిన ప్లేయర్లకు అనుకూలంగా ఉండి, అభివృద్ధిని నడిపించే పోటీని అణిచివేసేలా ఒక పెద్ద అడ్డంకిని సృష్టిస్తుంది. Bloomberg విశ్లేషణ ప్రకారం, AI స్టార్టప్‌లకు ఇప్పుడు compute ఖర్చు అనేది అతిపెద్ద ఖర్చుగా మారింది, ఇది తరచుగా జీతాల కంటే ఎక్కువగా ఉంటుంది. ఈ ఆర్థిక ఒత్తిడి పరిశ్రమ మెచ్యూరిటీకి రాకముందే కన్సాలిడేషన్‌కు దారితీస్తోంది. సారా తన మధ్యాహ్న సమయాన్ని ఇన్వెస్టర్లకు తన మార్జిన్లు ఎందుకు తగ్గుతున్నాయో వివరిస్తూ, పెరుగుతున్న ఎనర్జీ మరియు హార్డ్‌వేర్ ఖర్చులను చూపిస్తూ గడుపుతుంది. అందరికీ అందుబాటులో ఉండే ఇంటెలిజెన్స్ కల భౌతిక ప్రపంచం యొక్క కఠినమైన పరిమితుల ద్వారా పరీక్షించబడుతోంది.

కేంద్రీకృత ఇంటెలిజెన్స్ యొక్క దాగి ఉన్న ఖర్చులు

ఈ కేంద్రీకరణ వల్ల కలిగే దాగి ఉన్న ఖర్చులు ఏమిటో మనం ప్రశ్నించుకోవాలి. కేవలం కొన్ని సంస్థలు మాత్రమే హార్డ్‌వేర్‌ను కంట్రోల్ చేస్తే, AI ద్వారా ఏమి ఆలోచించవచ్చు లేదా ఏమి చెప్పవచ్చు అనే పరిమితులను కూడా వారే కంట్రోల్ చేస్తారా? compute అనేది కొరతగా ఉన్న వనరు అయినప్పుడు, దానికి ఏ ప్రాజెక్టులు అర్హమైనవో ఎవరు నిర్ణయిస్తారు? మనం AI యొక్క ప్రజాస్వామ్యీకరణ గురించి తరచుగా మాట్లాడుకుంటాము, కానీ భౌతిక వాస్తవికత దీనికి విరుద్ధంగా ఉంది. పర్యావరణ ప్రభావం గురించి కూడా ప్రశ్న ఉంది. ఈ భారీ క్లస్టర్లను నడపడానికి అవసరమైన శక్తి అపారమైనది, ఇది తరచుగా స్థానిక ప్రజల అవసరాలతో పోటీ పడుతుంది. ఒక చిన్న దేశం యొక్క కార్బన్ ఫుట్‌ప్రింట్ అంత ఖర్చు చేసి కొంచెం మెరుగైన చాట్‌బాట్‌ను పొందడం విలువైనదేనా? కేంద్రీకృత compute వల్ల కలిగే ప్రైవసీ పరిణామాలను కూడా మనం పరిగణించాలి. ప్రతి కంపెనీ తన డేటాను ప్రాసెస్ చేయడానికి అదే కొన్ని క్లౌడ్ ప్రొవైడర్లకు పంపాల్సి వస్తే, మాస్ సర్వైలెన్స్ లేదా డేటా బ్రీచ్‌ల అవకాశం విపరీతంగా పెరుగుతుంది. నెట్‌వర్కింగ్ ఇన్‌ఫ్రాస్ట్రక్చర్‌లో ఒక చిన్న వైఫల్యం ప్రపంచంలోని సగం AI సేవలను నిలిపివేస్తే ఏమవుతుంది? మనం అత్యంత శక్తివంతమైన కానీ అత్యంత పెళుసైన వ్యవస్థను నిర్మిస్తున్నాము. ప్రస్తుత ధోరణి చూస్తుంటే, ఇంటెలిజెన్స్ అనేది విద్యుత్ లేదా నీరు వంటి ఒక యుటిలిటీగా మారుతుందనిపిస్తోంది, కానీ అది పబ్లిక్ ట్రస్ట్ ద్వారా కాకుండా ప్రైవేట్ ఒలిగార్కీ ద్వారా నిర్వహించబడుతుంది. మనం నివసించాలనుకుంటున్న ప్రపంచం ఇదేనా అని ఆలోచించాలి. New York Times ప్రకారం, శక్తి కోసం జరుగుతున్న పోటీ టెక్ దిగ్గజాలను తమ స్వంత న్యూక్లియర్ రియాక్టర్లలో పెట్టుబడి పెట్టేలా చేస్తోంది, ఇది అధికారాన్ని మరికొన్ని కార్పొరేషన్ల చేతుల్లో కేంద్రీకరిస్తుంది. ఇవి కేవలం సాంకేతిక ప్రశ్నలు మాత్రమే కాదు. ఇవి రాబోయే దశాబ్దాన్ని నిర్ణయించే లోతైన రాజకీయ మరియు సామాజిక ప్రశ్నలు.

మేము కవర్ చేయాలని మీరు భావించే AI కథ, సాధనం, ట్రెండ్ లేదా ప్రశ్న మీ వద్ద ఉందా? మీ వ్యాసం ఆలోచనను మాకు పంపండి — దానిని వినడానికి మేము ఇష్టపడతాము.

టెక్నికల్ ఆర్కిటెక్చర్స్ మరియు డేటా ఫ్లో

టెక్నికల్ ఇంప్లిమెంటేషన్ చూసేవారికి, ఈ పరిమితులు ఇంకా స్పష్టంగా ఉంటాయి. API రేట్ లిమిట్స్ ఇప్పుడు కేవలం స్పామ్‌ను నిరోధించడానికి మాత్రమే కాదు. అవి హార్డ్‌వేర్ యొక్క భౌతిక సామర్థ్యానికి ప్రత్యక్ష ప్రతిబింబం. ఒక ప్రొవైడర్ మిమ్మల్ని నిమిషానికి నిర్దిష్ట సంఖ్యలో టోకెన్లకు పరిమితం చేసినప్పుడు, వారు డేటా సెంటర్‌లోని ఒక రాక్ యొక్క వేడిని మరియు విద్యుత్ వినియోగాన్ని మేనేజ్ చేస్తున్నారు. ఈ పరిమితులను అధిగమించడానికి లోకల్ స్టోరేజ్ మరియు edge computing ఆకర్షణీయంగా మారుతున్నాయి, కానీ వాటితో పాటు సొంత సవాళ్లు కూడా ఉన్నాయి. లోకల్‌గా పెద్ద మోడల్‌ను రన్ చేయడానికి గణనీయమైన మొత్తంలో VRAM అవసరం, ఇది కన్స్యూమర్ హార్డ్‌వేర్‌లో ఇంకా ప్రీమియం ఫీచర్‌గానే ఉంది. చాలా మంది యూజర్లు 8 లేదా 16 గిగాబైట్లతోనే సరిపెట్టుకుంటున్నారు, అయితే అత్యంత సమర్థవంతమైన మోడల్స్‌కు వందల కొద్దీ అవసరం. దీనివల్ల quantization పై ఆసక్తి పెరిగింది, ఇది మోడల్ వెయిట్స్ యొక్క ఖచ్చితత్వాన్ని తగ్గించి, చిన్న మెమరీలో సరిపోయేలా చేసే టెక్నిక్. ఇది తక్కువ సామర్థ్యం ఉన్న హార్డ్‌వేర్‌పై కూడా మోడల్స్ రన్ అయ్యేలా చేస్తుంది.

• మెమరీ వినియోగాన్ని తగ్గించడానికి Quantization
• వేగవంతమైన ఇన్ఫరెన్స్ కోసం Model distillation
• ఎఫిషియంట్ ఫైన్-ట్యూనింగ్ కోసం Low-rank adaptation
• Latency తగ్గించడానికి Edge deployment
• ఖర్చును బ్యాలెన్స్ చేయడానికి Hybrid cloud స్ట్రాటజీలు

నెట్‌వర్కింగ్ వైపు కూడా మార్పులు వస్తున్నాయి. ఆధునిక ట్రైనింగ్ యొక్క డేటా డిమాండ్లను అందుకోవడానికి స్టాండర్డ్ Ethernet నుండి స్పెషలైజ్డ్ ఇంటర్‌కనెక్ట్‌లకు మారడం అవసరం. మనం భవిష్యత్తు వైపు చూస్తుంటే, దృష్టి కేవలం raw FLOPs నుండి మెమరీ బ్యాండ్‌విడ్త్ మరియు ఇంటర్‌కనెక్ట్ స్పీడ్ వైపు మారుతోంది. రాబోయే సంవత్సరాల్లో అసలైన పెర్ఫార్మెన్స్ లాభాలు ఇక్కడే కనిపిస్తాయి. డేటా సెంటర్ డెన్సిటీ పరిమితులతో కూడా పరిశ్రమ పోరాడుతోంది. చిప్స్ వేడెక్కుతున్న కొద్దీ, సాంప్రదాయ ఎయిర్ కూలింగ్ ఇక సరిపోదు, దీనివల్ల లిక్విడ్ కూలింగ్ సిస్టమ్స్ వైపు మొగ్గు చూపుతున్నారు. ఇది ఇన్‌ఫ్రాస్ట్రక్చర్‌కు మరో స్థాయి సంక్లిష్టతను మరియు ఖర్చును జోడిస్తుంది. పవర్ యూజర్లు ఇప్పుడు Python మరియు PyTorch తో ఎంత పరిచయం కలిగి ఉన్నారో, thermal design power మరియు gigabits per second తో కూడా అంతే పరిచయం కలిగి ఉండాలి. హార్డ్‌వేర్ రంగంలో భౌతిక పరిమితులే సాఫ్ట్‌వేర్ ఆర్కిటెక్చర్‌ను నడిపించే ప్రధాన శక్తులు.

సార్వభౌమాధికారం యొక్క పరిష్కరించబడని ప్రశ్న

AI మ్యాప్ రియల్ టైమ్‌లో మారుతోంది. సాఫ్ట్‌వేర్ లేయర్ వేగంగా కదులుతున్నప్పటికీ, అది హార్డ్‌వేర్ తయారీ అనే నెమ్మదైన మరియు ఖరీదైన ప్రపంచంతో ముడిపడి ఉంది. ఇప్పుడు పవర్ ఎవరి దగ్గర ఉందంటే, ఎవరైతే ఎక్కువ చిప్స్, ఎక్కువ ఎనర్జీ మరియు అత్యంత సమర్థవంతమైన కూలింగ్ సిస్టమ్స్‌ను పొందగలరో వారి దగ్గరే. ఇది compute-rich మరియు compute-poor అనే కొత్త వర్గాలను సృష్టించింది. మనం ముందుకు సాగుతున్న కొద్దీ, పరిష్కరించబడని ప్రశ్న ఏమిటంటే – దేశాలు తమ స్వంత స్వతంత్ర AI ఇన్‌ఫ్రాస్ట్రక్చర్‌ను నిర్మించుకోవడంలో విజయం సాధిస్తాయా లేదా కొన్ని గ్లోబల్ ప్రొవైడర్లపైనే ఆధారపడి ఉంటాయా? ఆ ప్రశ్నకు వచ్చే సమాధానమే రాబోయే కొన్ని దశాబ్దాల అధికార సమతుల్యతను నిర్ణయిస్తుంది. మనం ఈ మార్పు యొక్క ప్రారంభంలోనే ఉన్నాము మరియు దీని పరిణామాలు యూజర్లు మరియు క్రియేటర్లపై చాలా కాలం పాటు ఉంటాయి. ఇంటెలిజెన్స్ యొక్క భౌగోళికం ఇకపై సమానంగా లేదు. ఇది నియంత్రిత సరిహద్దులు మరియు ప్రత్యేక యాక్సెస్ ఉన్న ఒక గరుకైన భూభాగం.

ఎడిటర్ గమనిక: కంప్యూటర్ గీక్స్ కాని, కానీ కృత్రిమ మేధస్సును అర్థం చేసుకోవాలనుకునే, దానిని మరింత విశ్వాసంతో ఉపయోగించాలనుకునే మరియు ఇప్పటికే వస్తున్న భవిష్యత్తును అనుసరించాలనుకునే వ్యక్తుల కోసం మేము ఈ సైట్‌ను బహుభాషా AI వార్తలు మరియు గైడ్‌ల హబ్‌గా సృష్టించాము.