ਸ਼ੁਰੂਆਤੀ ਝਟਕਾ: DeepSeek ਅਤੇ ਕੁਸ਼ਲਤਾ ਦਾ ਭੁਲੇਖਾ
ਇਸ ਸਾਲ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਚੀਨ ਦੇ DeepSeek AI ਦੇ ਉਭਾਰ ਨੇ ਤਕਨੀਕੀ ਨਿਵੇਸ਼ ਦੇ ਖੇਤਰ ਵਿੱਚ ਹਲਚਲ ਮਚਾ ਦਿੱਤੀ। ਇਸਦੀ ਪ੍ਰਤੀਤ ਹੁੰਦੀ ਕ੍ਰਾਂਤੀਕਾਰੀ ਪਹੁੰਚ, ਜਿਸ ਵਿੱਚ ਕਾਫ਼ੀ ਘੱਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਓਵਰਹੈੱਡ ਨਾਲ ਸ਼ਕਤੀਸ਼ਾਲੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਨੇ ਤੁਰੰਤ ਅਟਕਲਾਂ ਨੂੰ ਜਨਮ ਦਿੱਤਾ। ਇੱਕ ਬਿਰਤਾਂਤ ਤੇਜ਼ੀ ਨਾਲ ਬਣ ਗਿਆ: ਸ਼ਾਇਦ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਨਿਰੰਤਰ, ਮਹਿੰਗਾ ਵਿਸਤਾਰ, ਜਿਸਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿਸ਼ੇਸ਼ ਚਿਪਸ ਅਤੇ ਸਿਸਟਮਾਂ ਦੀ ਵੱਡੀ ਖਰੀਦਦਾਰੀ ਹੈ, ਹੌਲੀ ਹੋਣ ਵਾਲਾ ਸੀ। ਮਾਰਕੀਟ ਨੇ ਪ੍ਰਤੀਕਿਰਿਆ ਦਿੱਤੀ, ਇੱਕ ਵਿਸ਼ਵਾਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਦਾ ਇੱਕ ਨਵਾਂ ਯੁੱਗ ਅਨੁਮਾਨਿਤ ਖਰਚਿਆਂ ਦੇ ਵਾਧੇ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਘਟਾ ਸਕਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਉਦਯੋਗ ਦੇ ਮਾਹਰਾਂ ਦੇ ਇੱਕ ਤਾਜ਼ਾ ਉੱਚ-ਪੱਧਰੀ ਇਕੱਠ ਤੋਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ ਇੱਕ ਬਿਲਕੁਲ ਵੱਖਰੀ ਤਸਵੀਰ ਪੇਸ਼ ਕਰਦੀ ਹੈ। Bloomberg Intelligence ਦੁਆਰਾ ਨਿਊਯਾਰਕ ਵਿੱਚ ਆਯੋਜਿਤ ਇੱਕ ਜਨਰੇਟਿਵ AI ਕਾਨਫਰੰਸ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਸ਼ੁਰੂਆਤੀ ਵਿਆਖਿਆ, ਜੋ ਸਿਰਫ ਸੰਭਾਵੀ ਲਾਗਤ ਬੱਚਤਾਂ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ, ਵੱਡੀ ਕਹਾਣੀ ਤੋਂ ਖੁੰਝ ਗਈ। ਖਰਚਿਆਂ ਵਿੱਚ ਕਮੀ ਦਾ ਸੰਕੇਤ ਦੇਣ ਦੀ ਬਜਾਏ, ਇਸ ਸਮਾਗਮ ਨੇ ਵਧੇਰੇ AI ਸਮਰੱਥਾ ਲਈ ਲਗਭਗ ਅਸੰਤੁਸ਼ਟ ਭੁੱਖ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕੀਤਾ। ਸਹਿਮਤੀ ਪਿੱਛੇ ਹਟਣ ਬਾਰੇ ਨਹੀਂ ਸੀ; ਇਹ ਇਸ ਬਾਰੇ ਸੀ ਕਿ ਬੁੱਧੀਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਵੱਧ ਰਹੀ ਭੁੱਖ ਨੂੰ ਕਿਵੇਂ ਪੂਰਾ ਕਰਨਾ ਹੈ, ਭਾਵੇਂ ਕਿ ਬੇਚੈਨੀ ਨਾਲ ਇਹ ਇੱਛਾ ਕੀਤੀ ਜਾ ਰਹੀ ਸੀ ਕਿ ਮੀਨੂ ਘੱਟ ਮਹਿੰਗਾ ਹੋਵੇ।
ਮੋਰਚਿਆਂ ਤੋਂ ਆਵਾਜ਼ਾਂ: ਸਮਰੱਥਾ ਲਈ ਇੱਕ ਅਮੁੱਕ ਪਿਆਸ
ਦਿਨ ਭਰ ਚੱਲੇ ਇਸ ਸਮਾਗਮ ਦੌਰਾਨ ਵਿਚਾਰ-ਵਟਾਂਦਰੇ, ਜਿਸ ਵਿੱਚ ਡਿਵੈਲਪਰਾਂ, ਰਣਨੀਤੀਕਾਰਾਂ ਅਤੇ ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ, ਲਗਾਤਾਰ ਵੱਧਦੀ ਮੰਗ ਦੇ ਵਿਸ਼ੇ ਦੁਆਲੇ ਘੁੰਮਦੇ ਰਹੇ ਜੋ ਕਿ ਯਾਦਗਾਰੀ ਨਿਵੇਸ਼ ਨੂੰ ਚਲਾ ਰਹੀ ਸੀ। Mandeep Singh, Bloomberg Intelligence ਦੇ ਇੱਕ ਸੀਨੀਅਰ ਤਕਨਾਲੋਜੀ ਵਿਸ਼ਲੇਸ਼ਕ ਅਤੇ ਸਮਾਗਮ ਦੇ ਪ੍ਰਬੰਧਕਾਂ ਵਿੱਚੋਂ ਇੱਕ, ਨੇ ਪ੍ਰਚਲਿਤ ਭਾਵਨਾ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਬਿਆਨ ਕੀਤਾ। ਕਈ ਪੈਨਲਾਂ ਅਤੇ ਮਾਹਰ ਵਿਚਾਰ-ਵਟਾਂਦਰੇ ‘ਤੇ ਪ੍ਰਤੀਬਿੰਬਤ ਕਰਦੇ ਹੋਏ, ਉਸਨੇ ਇੱਕ ਸਰਵ ਵਿਆਪਕ ਦੁਹਰਾਓ ਨੋਟ ਕੀਤਾ: ਸ਼ਾਮਲ ਕਿਸੇ ਨੂੰ ਵੀ ਇਹ ਮਹਿਸੂਸ ਨਹੀਂ ਹੋਇਆ ਕਿ ਉਹਨਾਂ ਕੋਲ ਲੋੜੀਂਦੀ AI ਸਮਰੱਥਾ ਹੈ। ਭਾਰੀ ਭਾਵਨਾ ਹੋਰ ਦੀ ਲੋੜ ਦੀ ਸੀ, ਨਾ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋਣ ਦੀ।
ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, Singh ਨੇ ਅੱਗੇ ਕਿਹਾ, ‘ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਬੁਲਬੁਲੇ’ ਦਾ ਖ਼ਤਰਾ, ਤੇਜ਼ੀ ਨਾਲ ਫੈਲ ਰਹੇ ਤਕਨੀਕੀ ਖੇਤਰਾਂ ਵਿੱਚ ਇੱਕ ਆਮ ਡਰ, ਗੱਲਬਾਤ ਤੋਂ ਖਾਸ ਤੌਰ ‘ਤੇ ਗੈਰਹਾਜ਼ਰ ਸੀ। ਧਿਆਨ ਪੂਰੀ ਤਰ੍ਹਾਂ ਉਦਯੋਗ ਦੇ ਸਾਹਮਣੇ ਮੌਜੂਦ ਬੁਨਿਆਦੀ ਚੁਣੌਤੀ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਰਿਹਾ। Anurag Rana, Singh ਦੇ ਸਹਿਯੋਗੀ ਅਤੇ Bloomberg Intelligence ਦੇ IT ਸੇਵਾਵਾਂ ਅਤੇ ਸੌਫਟਵੇਅਰ ਲਈ ਸੀਨੀਅਰ ਵਿਸ਼ਲੇਸ਼ਕ, ਨੇ ਇਸਨੂੰ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਵਜੋਂ ਤਿਆਰ ਕੀਤਾ: ‘ਅਸੀਂ ਉਸ [AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਨਿਰਮਾਣ] ਚੱਕਰ ਵਿੱਚ ਕਿੱਥੇ ਹਾਂ?’
ਇਹ ਸਵੀਕਾਰ ਕਰਦੇ ਹੋਏ ਕਿ ਇਸ ਵਿਸ਼ਾਲ ਨਿਰਮਾਣ ਦੇ ਸਹੀ ਪੜਾਅ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਅਜੇ ਵੀ ਮੁਸ਼ਕਲ ਹੈ (‘ਕੋਈ ਨਹੀਂ ਜਾਣਦਾ’ ਯਕੀਨੀ ਤੌਰ ‘ਤੇ, Rana ਨੇ ਮੰਨਿਆ), DeepSeek ਵਰਤਾਰੇ ਨੇ ਬਿਨਾਂ ਸ਼ੱਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਦਲ ਦਿੱਤੇ। ਇਸਨੇ ਉਮੀਦ ਦੀ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਖੁਰਾਕ ਦਿੱਤੀ ਕਿ ਮਹੱਤਵਪੂਰਨ AI ਕਾਰਜਭਾਰ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਵਧੇਰੇ ਕਿਫਾਇਤੀ ਢੰਗ ਨਾਲ ਸੰਭਾਲੇ ਜਾ ਸਕਦੇ ਹਨ। ‘DeepSeek ਨੇ ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਨੂੰ ਹਿਲਾ ਦਿੱਤਾ,’ Rana ਨੇ ਦੇਖਿਆ। ਭਾਵ ਸਪੱਸ਼ਟ ਸੀ: ਜੇਕਰ ਗੁੰਝਲਦਾਰ AI ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਘੱਟ ਮੰਗ ਵਾਲੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚੱਲ ਸਕਦੇ ਹਨ, ਤਾਂ ਸ਼ਾਇਦ ਵਿਸ਼ਾਲ ਪ੍ਰੋਜੈਕਟ, ਜਿਵੇਂ ਕਿ ਕਈ ਸੌ ਅਰਬ ਡਾਲਰ ਦੀਆਂ ਪਹਿਲਕਦਮੀਆਂ ਜਿਨ੍ਹਾਂ ਦੀ ਯੋਜਨਾ ਪ੍ਰਮੁੱਖ ਤਕਨੀਕੀ ਖਿਡਾਰੀਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਕੰਸੋਰਟੀਆ ਦੁਆਰਾ ਬਣਾਈ ਜਾ ਰਹੀ ਹੈ, ਦਾ ਮੁੜ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਸਕੇਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
Rana ਦੇ ਅਨੁਸਾਰ, ਪੂਰੇ ਉਦਯੋਗ ਵਿੱਚ ਗੂੰਜਦਾ ਸੁਪਨਾ, AI ਸੰਚਾਲਨ ਲਾਗਤਾਂ ਲਈ ਹੈ, ਖਾਸ ਤੌਰ ‘ਤੇ inference (ਉਹ ਪੜਾਅ ਜਿੱਥੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਭਵਿੱਖਬਾਣੀਆਂ ਜਾਂ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਦੇ ਹਨ), ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸਟੋਰੇਜ ਵਿੱਚ ਦੇਖੇ ਗਏ ਨਾਟਕੀ ਗਿਰਾਵਟ ਦੇ ਰੁਝਾਨ ਦੀ ਪਾਲਣਾ ਕਰਨਾ ਹੈ। ਉਸਨੇ ਯਾਦ ਕੀਤਾ ਕਿ ਕਿਵੇਂ Amazon Web Services (AWS) ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਸਟੋਰ ਕਰਨ ਦੀ ਅਰਥਵਿਵਸਥਾ ਲਗਭਗ ਅੱਠ ਸਾਲਾਂ ਵਿੱਚ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਸੁਧਰੀ। ‘ਲਾਗਤ ਵਕਰ ਵਿੱਚ ਉਹ ਗਿਰਾਵਟ… ਅਰਥਸ਼ਾਸਤਰ ਚੰਗਾ ਸੀ,’ ਉਸਨੇ ਕਿਹਾ। ‘ਅਤੇ ਇਹੀ ਹਰ ਕੋਈ ਉਮੀਦ ਕਰ ਰਿਹਾ ਹੈ, ਕਿ inference ਵਾਲੇ ਪਾਸੇ… ਜੇਕਰ ਵਕਰ ਉਸ ਪੱਧਰ ਤੱਕ ਡਿੱਗਦਾ ਹੈ, ਹੇ ਮੇਰੇ ਰੱਬਾ, AI ‘ਤੇ ਅਪਣਾਉਣ ਦੀ ਦਰ… ਸ਼ਾਨਦਾਰ ਹੋਣ ਜਾ ਰਹੀ ਹੈ।’ Singh ਨੇ ਸਹਿਮਤੀ ਪ੍ਰਗਟਾਈ, ਨੋਟ ਕੀਤਾ ਕਿ DeepSeek ਦੀ ਆਮਦ ਨੇ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ‘ਕੁਸ਼ਲਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਬਾਰੇ ਹਰ ਕਿਸੇ ਦੀ ਮਾਨਸਿਕਤਾ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ।’
ਕੁਸ਼ਲਤਾ ਲਈ ਇਹ ਤਾਂਘ ਕਾਨਫਰੰਸ ਸੈਸ਼ਨਾਂ ਦੌਰਾਨ ਸਪੱਸ਼ਟ ਸੀ। ਜਦੋਂ ਕਿ ਕਈ ਪੈਨਲਾਂ ਨੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਸੰਕਲਪਿਕ ਪੜਾਵਾਂ ਤੋਂ ਲਾਈਵ ਉਤਪਾਦਨ ਵਿੱਚ ਲਿਜਾਣ ਦੀਆਂ ਵਿਹਾਰਕਤਾਵਾਂ ਦੀ ਖੋਜ ਕੀਤੀ, ਇੱਕ ਸਮਾਨਾਂਤਰ ਚਰਚਾ ਨੇ ਇਹਨਾਂ AI ਮਾਡਲਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਅਤੇ ਚਲਾਉਣ ਨਾਲ ਜੁੜੀਆਂ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਣ ਦੀ ਨਾਜ਼ੁਕ ਲੋੜ ‘ਤੇ ਲਗਾਤਾਰ ਜ਼ੋਰ ਦਿੱਤਾ। ਟੀਚਾ ਸਪੱਸ਼ਟ ਹੈ: AI ਨੂੰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਆਰਥਿਕ ਤੌਰ ‘ਤੇ ਵਿਵਹਾਰਕ ਬਣਾ ਕੇ ਪਹੁੰਚ ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ ਕਰਨਾ। Shawn Edwards, Bloomberg ਦੇ ਆਪਣੇ ਮੁੱਖ ਤਕਨਾਲੋਜਿਸਟ, ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ DeepSeek ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੈਰਾਨੀ ਵਾਲੀ ਗੱਲ ਨਹੀਂ ਸੀ, ਸਗੋਂ ਇੱਕ ਸਰਵ ਵਿਆਪਕ ਇੱਛਾ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਉਦਾਹਰਣ ਸੀ। ‘ਇਸਨੇ ਮੈਨੂੰ ਸੋਚਣ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਕਿ ਇਹ ਬਹੁਤ ਵਧੀਆ ਹੋਵੇਗਾ ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਜਾਦੂ ਦੀ ਛੜੀ ਲਹਿਰਾ ਸਕਦੇ ਹੋ ਅਤੇ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਤੌਰ ‘ਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚਲਾ ਸਕਦੇ ਹੋ,’ ਉਸਨੇ ਟਿੱਪਣੀ ਕੀਤੀ, ਇੱਛਾ ਨੂੰ AI ਮਾਡਲਾਂ ਦੇ ਪੂਰੇ ਸਪੈਕਟ੍ਰਮ ਤੱਕ ਵਧਾਉਂਦੇ ਹੋਏ, ਨਾ ਕਿ ਸਿਰਫ ਇੱਕ ਖਾਸ ਸਫਲਤਾ ਤੱਕ।
ਪ੍ਰਸਾਰ ਸਿਧਾਂਤ: ਕੰਪਿਊਟ ਮੰਗ ਨੂੰ ਵਧਾਉਣਾ
ਮਾਹਰਾਂ ਦੁਆਰਾ ਕੁਸ਼ਲਤਾ ਦੀ ਖੋਜ ਦੇ ਬਾਵਜੂਦ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਨਿਰੰਤਰ, ਮਹੱਤਵਪੂਰਨ ਨਿਵੇਸ਼ ਦੀ ਉਮੀਦ ਕਰਨ ਦਾ ਇੱਕ ਮੁੱਖ ਕਾਰਨ AI ਮਾਡਲਾਂ ਦਾ ਪੂਰਾ ਪ੍ਰਸਾਰ ਹੈ। ਨਿਊਯਾਰਕ ਕਾਨਫਰੰਸ ਦੌਰਾਨ ਇੱਕ ਆਵਰਤੀ ਥੀਮ ਇੱਕ ਸਿੰਗਲ, ਮੋਨੋਲਿਥਿਕ AI ਮਾਡਲ ਦੇ ਵਿਚਾਰ ਤੋਂ ਨਿਰਣਾਇਕ ਕਦਮ ਸੀ ਜੋ ਸਾਰੇ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹੈ।
- ਇੱਕ ਪਰਿਵਾਰਕ ਮਾਮਲਾ: ਜਿਵੇਂ ਕਿ Bloomberg ਦੇ Edwards ਨੇ ਕਿਹਾ, ‘ਅਸੀਂ ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਪਰਿਵਾਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਵਰਗੀ ਕੋਈ ਚੀਜ਼ ਨਹੀਂ ਹੈ।’ ਇਹ ਇੱਕ ਵਧ ਰਹੀ ਸਮਝ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ AI ਆਰਕੀਟੈਕਚਰ ਵੱਖ-ਵੱਖ ਕਾਰਜਾਂ ਵਿੱਚ ਉੱਤਮ ਹੁੰਦੇ ਹਨ - ਭਾਸ਼ਾ ਉਤਪਤੀ, ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਚਿੱਤਰ ਪਛਾਣ, ਕੋਡ ਸੰਪੂਰਨਤਾ, ਆਦਿ।
- ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ: ਪੈਨਲਿਸਟ ਇਸ ਗੱਲ ‘ਤੇ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਸਹਿਮਤ ਹੋਏ ਕਿ ਜਦੋਂ ਕਿ ਵੱਡੇ, ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ‘foundation’ ਜਾਂ ‘frontier’ ਮਾਡਲਾਂ ਨੂੰ ਪ੍ਰਮੁੱਖ AI ਲੈਬਾਂ ਦੁਆਰਾ ਵਿਕਸਤ ਅਤੇ ਸੁਧਾਰਿਆ ਜਾਣਾ ਜਾਰੀ ਰਹੇਗਾ, ਕਾਰੋਬਾਰਾਂ ਦੇ ਅੰਦਰ ਅਸਲ ਕਾਰਵਾਈ ਵਿੱਚ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਸੈਂਕੜੇ ਜਾਂ ਹਜ਼ਾਰਾਂ ਵਿਸ਼ੇਸ਼ AI ਮਾਡਲਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
- Fine-Tuning ਅਤੇ ਮਲਕੀਅਤੀ ਡੇਟਾ: ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਮਾਡਲਾਂ ਨੂੰ fine-tuning ਨਾਮਕ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਬੇਸ ਮਾਡਲਾਂ ਤੋਂ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਸ ਵਿੱਚ ਇੱਕ ਕੰਪਨੀ ਦੇ ਖਾਸ, ਅਕਸਰ ਮਲਕੀਅਤੀ, ਡੇਟਾ ‘ਤੇ ਇੱਕ ਪੂਰਵ-ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ AI ਨੂੰ ਵਿਲੱਖਣ ਵਪਾਰਕ ਸੰਦਰਭਾਂ, ਸ਼ਬਦਾਵਲੀ, ਅਤੇ ਗਾਹਕ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਆਮ ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ ਕਿਤੇ ਜ਼ਿਆਦਾ ਢੁਕਵੇਂ ਅਤੇ ਕੀਮਤੀ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
- ਵਿਕਾਸ ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ: Jed Dougherty, ਡੇਟਾ ਸਾਇੰਸ ਪਲੇਟਫਾਰਮ Dataiku ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੇ ਹੋਏ, ਨੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਏਜੰਟਾਂ ਲਈ ‘ਮਾਡਲਾਂ ਵਿੱਚ ਵਿਕਲਪਿਕਤਾ’ ਦੀ ਲੋੜ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ। ਉਸਨੇ ਕੰਪਨੀਆਂ ਨੂੰ ਉਹਨਾਂ ਦੇ AI ਸਾਧਨਾਂ ‘ਤੇ ਨਿਯੰਤਰਣ, ਰਚਨਾ ਸਮਰੱਥਾਵਾਂ, ਅਤੇ auditability ਦੇਣ ਦੀ ਮਹੱਤਤਾ ‘ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ। ‘ਅਸੀਂ ਇਹ ਚੀਜ਼ਾਂ ਬਣਾਉਣ ਲਈ ਲੋਕਾਂ ਦੇ ਹੱਥਾਂ ਵਿੱਚ ਸਾਧਨ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਾਂ,’ Dougherty ਨੇ ਜ਼ੋਰ ਦੇ ਕੇ ਕਿਹਾ। ‘ਅਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ ਕਿ ਦਸ PhDs ਸਾਰੇ ਏਜੰਟ ਬਣਾਉਣ।’ ਵਿਕਾਸ ਵਿੱਚ ਵਿਆਪਕ ਪਹੁੰਚਯੋਗਤਾ ਵੱਲ ਇਹ ਡ੍ਰਾਈਵ ਖੁਦ ਇਹਨਾਂ ਵੰਡੇ ਹੋਏ ਰਚਨਾ ਯਤਨਾਂ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਵਧੇਰੇ ਅੰਤਰੀਵ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਲੋੜ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
- ਬ੍ਰਾਂਡ-ਵਿਸ਼ੇਸ਼ AI: ਰਚਨਾਤਮਕ ਉਦਯੋਗ ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਦਾਹਰਣ ਪੇਸ਼ ਕਰਦੇ ਹਨ। Hannah Elsakr, Adobe ਵਿਖੇ ਨਵੇਂ ਕਾਰੋਬਾਰੀ ਉੱਦਮਾਂ ਦੀ ਅਗਵਾਈ ਕਰਦੇ ਹੋਏ, ਨੇ ਉਹਨਾਂ ਦੀ ਰਣਨੀਤੀ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਜੋ ਕਸਟਮ ਮਾਡਲਾਂ ‘ਤੇ ਇੱਕ ਮੁੱਖ ਵਿਭਿੰਨਤਾ ਵਜੋਂ ਸੱਟਾ ਲਗਾਉਂਦੀ ਹੈ। ‘ਅਸੀਂ ਤੁਹਾਡੇ ਬ੍ਰਾਂਡ ਲਈ ਕਸਟਮ ਮਾਡਲ ਐਕਸਟੈਂਸ਼ਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਸਕਦੇ ਹਾਂ ਜੋ ਇੱਕ ਨਵੀਂ ਵਿਗਿਆਪਨ ਮੁਹਿੰਮ ਲਈ ਮਦਦਗਾਰ ਹੋ ਸਕਦੀਆਂ ਹਨ,’ ਉਸਨੇ ਦਰਸਾਇਆ, ਇਹ ਦਰਸਾਉਂਦੇ ਹੋਏ ਕਿ ਕਿਵੇਂ AI ਨੂੰ ਖਾਸ ਬ੍ਰਾਂਡ ਸੁਹਜ ਅਤੇ ਸੰਦੇਸ਼ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਮਾਡਲਾਂ ਦੇ ਵਿਭਿੰਨਤਾ ਤੋਂ ਪਰੇ, ਕਾਰਪੋਰੇਟ ਵਰਕਫਲੋਜ਼ ਦੇ ਅੰਦਰ AI agents ਦੀ ਵੱਧ ਰਹੀ ਤੈਨਾਤੀ ਪ੍ਰੋਸੈਸਿੰਗ ਮੰਗ ਦਾ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਚਾਲਕ ਹੈ। ਇਹਨਾਂ ਏਜੰਟਾਂ ਦੀ ਕਲਪਨਾ ਸਿਰਫ ਪੈਸਿਵ ਟੂਲਸ ਵਜੋਂ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ ਬਲਕਿ ਬਹੁ-ਪੜਾਵੀ ਕਾਰਜਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਸਮਰੱਥ ਸਰਗਰਮ ਭਾਗੀਦਾਰਾਂ ਵਜੋਂ ਕੀਤੀ ਗਈ ਹੈ।
Ray Smith, Microsoft ਦੇ Copilot Studio ਏਜੰਟਾਂ ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਯਤਨਾਂ ਦੀ ਅਗਵਾਈ ਕਰਦੇ ਹੋਏ, ਨੇ ਭਵਿੱਖ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਿੱਥੇ ਉਪਭੋਗਤਾ Copilot ਵਰਗੇ ਇੱਕ ਯੂਨੀਫਾਈਡ ਇੰਟਰਫੇਸ ਦੁਆਰਾ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਸੈਂਕੜੇ ਵਿਸ਼ੇਸ਼ ਏਜੰਟਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨਗੇ। ‘ਤੁਸੀਂ ਇੱਕ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇੱਕ ਏਜੰਟ ਵਿੱਚ ਨਹੀਂ ਭਰੋਗੇ, ਤੁਸੀਂ ਇਸਨੂੰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡੋਗੇ,’ ਉਸਨੇ ਸਮਝਾਇਆ। ਇਹ ਏਜੰਟ, ਉਸਨੇ ਸੁਝਾਅ ਦਿੱਤਾ, ਲਾਜ਼ਮੀ ਤੌਰ ‘ਤੇ ਪ੍ਰੋਗਰਾਮਿੰਗ ਦੀ ‘ਨਵੀਂ ਦੁਨੀਆਂ ਵਿੱਚ ਐਪਸ’ ਹਨ। ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਇੱਕ ਅਜਿਹਾ ਹੈ ਜਿੱਥੇ ਉਪਭੋਗਤਾ ਸਿਰਫ਼ ਆਪਣਾ ਟੀਚਾ ਦੱਸਦੇ ਹਨ - ‘ਇਸਨੂੰ ਦੱਸੋ ਕਿ ਅਸੀਂ ਕੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ’ - ਅਤੇ ਏਜੰਟ ਲੋੜੀਂਦੇ ਕਦਮਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਦਾ ਹੈ। ‘Agentic ਐਪਸ ਸਿਰਫ਼ ਵਰਕਫਲੋ ਦਾ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਹਨ,’ Smith ਨੇ ਕਿਹਾ, ਇਸ ਗੱਲ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹੋਏ ਕਿ ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਸਾਕਾਰ ਕਰਨਾ ਤਕਨੀਕੀ ਸੰਭਾਵਨਾ ਦਾ ਮਾਮਲਾ ਘੱਟ ਹੈ (‘ਇਹ ਸਭ ਤਕਨੀਕੀ ਤੌਰ ‘ਤੇ ਸੰਭਵ ਹੈ’) ਅਤੇ ‘ਜਿਸ ਰਫ਼ਤਾਰ ਨਾਲ ਅਸੀਂ ਇਸਨੂੰ ਬਣਾਉਂਦੇ ਹਾਂ’ ਬਾਰੇ ਵਧੇਰੇ ਹੈ।
AI ਏਜੰਟਾਂ ਨੂੰ ਰੋਜ਼ਾਨਾ ਸੰਗਠਨਾਤਮਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਵਧੇਰੇ ਡੂੰਘਾਈ ਨਾਲ ਸ਼ਾਮਲ ਕਰਨ ਦਾ ਇਹ ਦਬਾਅ ਲਾਗਤ ਘਟਾਉਣ ਅਤੇ ਕੁਸ਼ਲ ਤੈਨਾਤੀ ਲਈ ਦਬਾਅ ਨੂੰ ਹੋਰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। James McNiven, ਮਾਈਕ੍ਰੋਪ੍ਰੋਸੈਸਰ ਦਿੱਗਜ ARM Holdings ਵਿਖੇ ਉਤਪਾਦ ਪ੍ਰਬੰਧਨ ਦੇ ਮੁਖੀ, ਨੇ ਪਹੁੰਚਯੋਗਤਾ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਚੁਣੌਤੀ ਨੂੰ ਤਿਆਰ ਕੀਤਾ। ‘ਅਸੀਂ ਵੱਧ ਤੋਂ ਵੱਧ ਡਿਵਾਈਸਾਂ ‘ਤੇ ਪਹੁੰਚ ਕਿਵੇਂ ਪ੍ਰਦਾਨ ਕਰੀਏ?’ ਉਸਨੇ ਸੋਚਿਆ। ਖਾਸ ਕਾਰਜਾਂ ਵਿੱਚ ‘PhD-ਪੱਧਰ’ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਉਸਨੇ ਸਾਲ ਪਹਿਲਾਂ ਵਿਕਾਸਸ਼ੀਲ ਦੇਸ਼ਾਂ ਵਿੱਚ ਮੋਬਾਈਲ ਭੁਗਤਾਨ ਪ੍ਰਣਾਲੀਆਂ ਲਿਆਉਣ ਦੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਪ੍ਰਭਾਵ ਨਾਲ ਇੱਕ ਸਮਾਨਤਾ ਖਿੱਚੀ। ਮੁੱਖ ਸਵਾਲ ਬਣਿਆ ਹੋਇਆ ਹੈ: ‘ਅਸੀਂ ਉਸ [AI ਸਮਰੱਥਾ] ਨੂੰ ਉਹਨਾਂ ਲੋਕਾਂ ਤੱਕ ਕਿਵੇਂ ਪਹੁੰਚਾਈਏ ਜੋ ਉਸ ਯੋਗਤਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ?’ ਕਾਰਜਬਲ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਹਿੱਸੇ ਲਈ ਸਹਾਇਕ ਵਜੋਂ ਗੁੰਝਲਦਾਰ AI ਏਜੰਟਾਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਕਰਾਉਣ ਲਈ ਨਾ ਸਿਰਫ਼ ਚਲਾਕ ਸੌਫਟਵੇਅਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਸਗੋਂ ਕੁਸ਼ਲ ਹਾਰਡਵੇਅਰ ਅਤੇ, ਲਾਜ਼ਮੀ ਤੌਰ ‘ਤੇ, ਵਧੇਰੇ ਅੰਤਰੀਵ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਨਿਵੇਸ਼ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਭਾਵੇਂ ਪ੍ਰਤੀ ਗਣਨਾ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ।
ਸਕੇਲਿੰਗ ਰੁਕਾਵਟਾਂ: ਸਿਲੀਕਾਨ, ਪਾਵਰ, ਅਤੇ ਕਲਾਉਡ ਬੇਹੇਮੋਥਸ
ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ, ਆਮ ਬੁਨਿਆਦੀ ਮਾਡਲ ਵੀ ਹੈਰਾਨੀਜਨਕ ਰਫ਼ਤਾਰ ਨਾਲ ਗੁਣਾ ਹੋ ਰਹੇ ਹਨ, ਮੌਜੂਦਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦਬਾਅ ਪਾ ਰਹੇ ਹਨ। Dave Brown, ਜੋ Amazon Web Services (AWS) ਲਈ ਕੰਪਿਊਟਿੰਗ ਅਤੇ ਨੈੱਟਵਰਕਿੰਗ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਨ, ਨੇ ਖੁਲਾਸਾ ਕੀਤਾ ਕਿ ਉਹਨਾਂ ਦਾ ਪਲੇਟਫਾਰਮ ਇਕੱਲਾ ਗਾਹਕਾਂ ਨੂੰ ਲਗਭਗ 1,800 ਵੱਖ-ਵੱਖ AI ਮਾਡਲਾਂ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਸਨੇ ਇਹਨਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨਾਂ ਨੂੰ ਚਲਾਉਣ ਦੀ ‘ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ਲਈ ਬਹੁਤ ਕੁਝ ਕਰਨ’ ‘ਤੇ AWS ਦੇ ਤੀਬਰ ਫੋਕਸ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕੀਤਾ।
AWS ਵਰਗੇ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਲਈ ਇੱਕ ਮੁੱਖ ਰਣਨੀਤੀ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਆਪਣੇ custom silicon ਦਾ ਵਿਕਾਸ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। Brown ਨੇ AWS-ਡਿਜ਼ਾਈਨ ਕੀਤੀਆਂ ਚਿਪਸ ਦੀ ਵੱਧ ਰਹੀ ਵਰਤੋਂ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ, ਜਿਵੇਂ ਕਿ ਉਹਨਾਂ ਦੇ Trainium ਪ੍ਰੋਸੈਸਰ ਜੋ AI ਸਿਖਲਾਈ ਲਈ ਅਨੁਕੂਲਿਤ ਹਨ, ਇਹ ਦੱਸਦੇ ਹੋਏ, ‘AWS ਦੂਜੀਆਂ ਕੰਪਨੀਆਂ ਦੇ ਪ੍ਰੋਸੈਸਰਾਂ ਨਾਲੋਂ ਸਾਡੇ ਆਪਣੇ ਪ੍ਰੋਸੈਸਰਾਂ ਦੀ ਜ਼ਿਆਦਾ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ।’ ਵਿਸ਼ੇਸ਼, ਇਨ-ਹਾਊਸ ਹਾਰਡਵੇਅਰ ਵੱਲ ਇਹ ਕਦਮ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਲਾਗਤ ‘ਤੇ ਨਿਯੰਤਰਣ ਹਾਸਲ ਕਰਨ ਦਾ ਉਦੇਸ਼ ਰੱਖਦਾ ਹੈ, Nvidia, AMD, ਅਤੇ Intel ਵਰਗੇ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਚਿੱਪ ਸਪਲਾਇਰਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹਨਾਂ ਯਤਨਾਂ ਦੇ ਬਾਵਜੂਦ, Brown ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਬੁਨਿਆਦੀ ਹਕੀਕਤ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ: ‘ਗਾਹਕ ਹੋਰ ਕਰਨਗੇ ਜੇਕਰ ਲਾਗਤ ਘੱਟ ਹੁੰਦੀ।’ ਮੰਗ ਦੀ ਸੀਮਾ ਵਰਤਮਾਨ ਵਿੱਚ ਸੰਭਾਵੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਘਾਟ ਨਾਲੋਂ ਬਜਟ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਦੁਆਰਾ ਵਧੇਰੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ।
ਪ੍ਰਮੁੱਖ AI ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਲੋੜੀਂਦੇ ਸਰੋਤਾਂ ਦਾ ਪੈਮਾਨਾ ਬਹੁਤ ਵੱਡਾ ਹੈ। Brown ਨੇ Anthropic, ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਗੁੰਝਲਦਾਰ Claude ਪਰਿਵਾਰ ਦੇ ਸਿਰਜਣਹਾਰਾਂ ਨਾਲ AWS ਦੇ ਰੋਜ਼ਾਨਾ ਸਹਿਯੋਗ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ। Michael Gerstenhaber, Anthropic ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਇੰਟਰਫੇਸ ਦੇ ਮੁਖੀ, Brown ਦੇ ਨਾਲ ਬੋਲਦੇ ਹੋਏ, ਨੇ ਆਧੁਨਿਕ AI ਦੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੀਬਰਤਾ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ, ਖਾਸ ਤੌਰ ‘ਤੇ ਗੁੰਝਲਦਾਰ ਤਰਕ ਜਾਂ ‘ਸੋਚ’ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਮਾਡਲ। ਇਹ ਮਾਡਲ ਅਕਸਰ ਆਪਣੇ ਜਵਾਬਾਂ ਲਈ ਵਿਸਤ੍ਰਿਤ ਕਦਮ-ਦਰ-ਕਦਮ ਸਪੱਸ਼ਟੀਕਰਨ ਤਿਆਰ ਕਰਦੇ ਹਨ, ਮਹੱਤਵਪੂਰਨ ਪ੍ਰੋਸੈਸਿੰਗ ਸ਼ਕਤੀ ਦੀ ਖਪਤ ਕਰਦੇ ਹਨ। ‘ਸੋਚਣ ਵਾਲੇ ਮਾਡਲ ਬਹੁਤ ਸਾਰੀ ਸਮਰੱਥਾ ਦੀ ਵਰਤੋਂ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ,’ Gerstenhaber ਨੇ ਕਿਹਾ।
ਜਦੋਂ ਕਿ Anthropic ਸਰਗਰਮੀ ਨਾਲ AWS ਨਾਲ ‘prompt caching’ (ਸਰੋਤਾਂ ਨੂੰ ਬਚਾਉਣ ਲਈ ਪਿਛਲੀਆਂ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਤੋਂ ਗਣਨਾਵਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨਾ ਅਤੇ ਮੁੜ ਵਰਤੋਂ ਕਰਨਾ) ਵਰਗੀਆਂ ਅਨੁਕੂਲਨ ਤਕਨੀਕਾਂ ‘ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਬੁਨਿਆਦੀ ਹਾਰਡਵੇਅਰ ਦੀ ਲੋੜ ਬਹੁਤ ਵੱਡੀ ਰਹਿੰਦੀ ਹੈ। Gerstenhaber ਨੇ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਕਿਹਾ ਕਿ Anthropic ਨੂੰ ਸਿਰਫ਼ ਮਾਡਲਾਂ ਦੇ ਆਪਣੇ ਮੌਜੂਦਾ ਸੂਟ ਨੂੰ ਚਲਾਉਣ ਲਈ ‘ਕਈ ਡਾਟਾ ਸੈਂਟਰਾਂ ਵਿੱਚ’ ਵੰਡੇ ‘ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ accelerators’ - ਵਿਸ਼ੇਸ਼ AI ਚਿਪਸ - ਦੀ ਲੋੜ ਹੈ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਪ੍ਰਮੁੱਖ AI ਖਿਡਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਦੇ ਪੂਰੇ ਪੈਮਾਨੇ ਦੀ ਇੱਕ ਠੋਸ ਭਾਵਨਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਸਿਲੀਕਾਨ ਦੇ ਵਿਸ਼ਾਲ ਫਲੀਟਾਂ ਦੀ ਖਰੀਦ ਅਤੇ ਪ੍ਰਬੰਧਨ ਦੀ ਚੁਣੌਤੀ ਨੂੰ ਵਧਾਉਣਾ AI ਨਾਲ ਜੁੜੀ ਵਧਦੀ ਊਰਜਾ ਦੀ ਖਪਤ ਹੈ। Brown ਨੇ ਇਸਨੂੰ ਇੱਕ ਨਾਜ਼ੁਕ, ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ, ਚਿੰਤਾ ਵਜੋਂ ਉਜਾਗਰ ਕੀਤਾ। ਤੀਬਰ AI ਕਾਰਜਭਾਰ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਮੌਜੂਦਾ ਡਾਟਾ ਸੈਂਟਰ ਪਹਿਲਾਂ ਹੀ ਸੈਂਕੜੇ ਮੈਗਾਵਾਟ ਵਿੱਚ ਮਾਪੀ ਗਈ ਬਿਜਲੀ ਦੀ ਖਪਤ ਕਰ ਰਹੇ ਹਨ। ਅਨੁਮਾਨ ਭਵਿੱਖ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਲਾਜ਼ਮੀ ਤੌਰ ‘ਤੇ ਗੀਗਾਵਾਟ ਰੇਂਜ ਵਿੱਚ ਚੜ੍ਹਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ - ਵੱਡੇ ਪਾਵਰ ਪਲਾਂਟਾਂ ਦਾ ਆਉਟਪੁੱਟ। ‘ਇਹ ਜੋ ਸ਼ਕਤੀ ਖਪਤ ਕਰਦਾ ਹੈ,’ Brown ਨੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ, AI ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋਏ, ‘ਵੱਡੀ ਹੈ, ਅਤੇ ਕਈ ਡਾਟਾ ਸੈਂਟਰਾਂ ਵਿੱਚ ਫੁੱਟਪ੍ਰਿੰਟ ਵੱਡਾ ਹੈ।’ ਇਹ ਵਧਦੀ ਊਰਜਾ ਦੀ ਮੰਗ ਨਾ ਸਿਰਫ਼ ਭਾਰੀ ਸੰਚਾਲਨ ਲਾਗਤਾਂ ਪੇਸ਼ ਕਰਦੀ ਹੈ ਬਲਕਿ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੀ ਸਾਈਟਿੰਗ ਅਤੇ ਪਾਵਰਿੰਗ ਲਈ ਮਹੱਤਵਪੂਰਨ ਵਾਤਾਵਰਣਕ ਅਤੇ ਲੌਜਿਸਟਿਕਲ ਚੁਣੌਤੀਆਂ ਵੀ ਪੇਸ਼ ਕਰਦੀ ਹੈ।
ਆਰਥਿਕ ਵਾਈਲਡਕਾਰਡ: ਵਿਕਾਸ ਯੋਜਨਾਵਾਂ ‘ਤੇ ਇੱਕ ਪਰਛਾਵਾਂ
ਤਕਨੀਕੀ ਤਰੱਕੀ ਅਤੇ ਵਧ ਰਹੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਬੁਲਿਸ਼ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਰਿਵਰਤਨ AI ਨਿਵੇਸ਼ ਲਈ ਸਾਰੇ ਅਨੁਮਾਨਾਂ ‘ਤੇ ਮੰਡਰਾਉਂਦਾ ਹੈ: ਵਿਆਪਕ ਆਰਥਿਕ ਮਾਹੌਲ। ਜਿਵੇਂ ਹੀ Bloomberg Intelligence ਕਾਨਫਰੰਸ ਸਮਾਪਤ ਹੋਈ, ਹਾਜ਼ਰੀਨ ਪਹਿਲਾਂ ਹੀ ਨਵੇਂ ਘੋਸ਼ਿਤ ਗਲੋਬਲ ਟੈਰਿਫ ਪੈਕੇਜਾਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀ ਮਾਰਕੀਟ ਘਬਰਾਹਟ ਨੂੰ ਦੇਖ ਰਹੇ ਸਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਮੀਦ ਨਾਲੋਂ ਵਧੇਰੇ ਵਿਆਪਕ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ।
ਇਹ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ ਕਿ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਰੋਡਮੈਪ ਮੈਕਰੋ-ਆਰਥਿਕ ਮੁਸ਼ਕਲਾਂ ਦੁਆਰਾ ਤੇਜ਼ੀ ਨਾਲ ਵਿਘਨ ਪਾ ਸਕਦੇ ਹਨ। Bloomberg ਦੇ Rana ਨੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ ਕਿ ਜਦੋਂ ਕਿ AI ਖਰਚ ਸ਼ੁਰੂ ਵਿੱਚ ਕੁਝ ਹੱਦ ਤੱਕ ਇੰਸੂਲੇਟਿਡ ਹੋ ਸਕਦਾ ਹੈ, ਕਾਰਪੋਰੇਟ IT ਨਿਵੇਸ਼ ਦੇ ਰਵਾਇਤੀ ਖੇਤਰ, ਜਿਵੇਂ ਕਿ AI ਨਾਲ ਸਬੰਧਤ ਨਾ ਹੋਣ ਵਾਲੇ ਸਰਵਰ ਅਤੇ ਸਟੋਰੇਜ, ਇੱਕ ਆਰਥਿਕ ਸੰਕੁਚਨ ਵਿੱਚ ਪਹਿਲੇ ਸ਼ਿਕਾਰ ਹੋ ਸਕਦੇ ਹਨ। ‘ਦੂਜੀ ਵੱਡੀ ਚੀਜ਼ ਜਿਸ ‘ਤੇ ਅਸੀਂ ਕੇਂਦ੍ਰਿਤ ਹਾਂ ਉਹ ਗੈਰ-AI ਤਕਨੀਕੀ ਖਰਚ ਹੈ,’ ਉਸਨੇ ਨੋਟ ਕੀਤਾ, ਖਾਸ ਤੌਰ ‘ਤੇ AI ਬਜਟਾਂ ‘ਤੇ ਵਿਚਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਕਮਾਈ ਦੇ ਸੀਜ਼ਨ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੇ ਪ੍ਰਮੁੱਖ ਤਕਨੀਕੀ ਸੇਵਾ ਪ੍ਰਦਾਤਾਵਾਂ ‘ਤੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ ਬਾਰੇ ਚਿੰਤਾ ਜ਼ਾਹਰ ਕਰਦੇ ਹੋਏ।
ਹਾਲਾਂਕਿ, ਇੱਕ ਪ੍ਰਚਲਿਤ ਸਿਧਾਂਤ ਹੈ