ਤਕਨਾਲੋਜੀ ਦੇ ਯੁੱਗਾਂ ਦੇ ਇੱਕ ਦਿਲਚਸਪ ਟਕਰਾਅ ਵਿੱਚ, ਇੱਕ ਬਿਰਤਾਂਤ ਉਭਰਿਆ ਹੈ ਜੋ ਵਿਆਪਕ ਘਰੇਲੂ ਕੰਪਿਊਟਿੰਗ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਅਤਿ-ਆਧੁਨਿਕ ਕਿਨਾਰੇ ਨਾਲ ਜੋੜਦਾ ਹੈ। Marc Andreessen, ਤਕਨੀਕੀ ਦੁਨੀਆ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਸ਼ਖਸੀਅਤ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵੈਂਚਰ ਕੈਪੀਟਲ ਫਰਮ Andreessen Horowitz ਦੇ ਸਹਿ-ਸੰਸਥਾਪਕ, ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਇੱਕ ਕਮਾਲ ਦੇ ਕਾਰਨਾਮੇ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ: Meta ਦੇ Llama ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲ ਦਾ ਇੱਕ ਸੰਖੇਪ ਸੰਸਕਰਣ ਇੱਕ ਕੰਪਿਊਟਰ ‘ਤੇ ਸਫਲਤਾਪੂਰਵਕ ਚਲਾਇਆ ਗਿਆ ਸੀ ਜੋ ਸਤਿਕਾਰਯੋਗ Windows 98 ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਚਲਾ ਰਿਹਾ ਸੀ, ਸਿਰਫ 128 ਮੈਗਾਬਾਈਟ RAM ਨਾਲ ਲੈਸ ਸੀ। ਇਹ ਖੁਲਾਸਾ ਤਕਨੀਕੀ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ ਅਤੇ ਕੰਪਿਊਟਿੰਗ ਦੇ ਇਤਿਹਾਸਕ ਮਾਰਗ ਬਾਰੇ ਦਿਲਚਸਪ ਸਵਾਲ ਖੜ੍ਹੇ ਕਰਦਾ ਹੈ।
ਇੱਕ ਆਧੁਨਿਕ AI, ਭਾਵੇਂ ਇੱਕ ਛੋਟਾ ਕੀਤਾ ਹੋਇਆ ਵੀ, ਨੂੰ ਇੱਕ ਚੌਥਾਈ ਸਦੀ ਤੋਂ ਵੱਧ ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚਲਾਉਣ ਦਾ ਵਿਚਾਰ ਲਗਭਗ ਵਿਰੋਧਾਭਾਸੀ ਲੱਗਦਾ ਹੈ। ਆਧੁਨਿਕ ਜਨਰੇਟਿਵ AI, ChatGPT ਅਤੇ Microsoft ਦੇ ਆਪਣੇ Copilot ਵਰਗੇ ਟੂਲਸ ਨੂੰ ਸ਼ਕਤੀ ਦੇਣ ਵਾਲੀ ਤਕਨਾਲੋਜੀ, ਆਮ ਤੌਰ ‘ਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਸੈਸਰਾਂ, ਕਾਫ਼ੀ ਮੈਮੋਰੀ ਵੰਡ, ਅਤੇ ਅਕਸਰ, ਕਲਾਉਡ-ਅਧਾਰਤ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨਾਲ ਜੁੜੀ ਹੁੰਦੀ ਹੈ। Microsoft ਨੇ ਖੁਦ AI ਸਮਰੱਥਾਵਾਂ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇਸਦੇ Copilot ਸਹਾਇਕ, ਨੂੰ ਆਪਣੇ ਨਵੀਨਤਮ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ, Windows 11, ਅਤੇ ਹਾਰਡਵੇਅਰ ਦੀ ਇੱਕ ਨਵੀਂ ਪੀੜ੍ਹੀ ਜਿਸਨੂੰ Copilot+ PCs ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਖਾਸ ਤੌਰ ‘ਤੇ AI ਵਰਕਲੋਡ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਵਿਪਰੀਤਤਾ Windows 98 ਪ੍ਰਯੋਗ ਨੂੰ ਹੋਰ ਵੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਾਉਂਦੀ ਹੈ। ਇਹ ਕੁਝ AI ਫੰਕਸ਼ਨਾਂ ਲਈ ਅਸਲ ਵਿੱਚ ਜ਼ਰੂਰੀ ਸਰੋਤਾਂ ਬਾਰੇ ਸਾਡੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵਿਕਲਪਿਕ ਤਕਨੀਕੀ ਸਮਾਂ-ਰੇਖਾ ਦੀ ਝਲਕ ਪੇਸ਼ ਕਰਦਾ ਹੈ।
ਅਤੀਤ ਨੂੰ ਮੁੜ ਸੁਰਜੀਤ ਕਰਨਾ: ਪ੍ਰਯੋਗ ਪਿੱਛੇ ਵੱਡੀ ਕੋਸ਼ਿਸ਼
ਜਦੋਂ ਕਿ Andreessen ਨੇ ਇਸ ਪ੍ਰਾਪਤੀ ਵੱਲ ਵਿਆਪਕ ਧਿਆਨ ਦਿਵਾਇਆ, ਤਕਨੀਕੀ ਭਾਰੀ ਕੰਮ ਪਹਿਲਾਂ ਦੇ ਕੰਮ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਜਾਪਦਾ ਹੈ, ਖਾਸ ਤੌਰ ‘ਤੇ Exo Labs ਦੀ ਟੀਮ ਦੁਆਰਾ। ਅਜਿਹੀ ਪੁਰਾਣੀ ਮਸ਼ੀਨਰੀ ‘ਤੇ ਇੱਕ ਆਧੁਨਿਕ AI ਨੂੰ ਲਿਆਉਣ ਦੀ ਉਨ੍ਹਾਂ ਦੀ ਯਾਤਰਾ ਸਿੱਧੀ ਨਹੀਂ ਸੀ; ਇਹ ਡਿਜੀਟਲ ਪੁਰਾਤੱਤਵ ਵਿਗਿਆਨ ਅਤੇ ਰਚਨਾਤਮਕ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਦਾ ਇੱਕ ਅਭਿਆਸ ਸੀ, ਜੋ ਉਸ ਸਮੇਂ ਅਤੇ ਹੁਣ ਦੇ ਕੰਪਿਊਟਿੰਗ ਵਿਚਕਾਰ ਵਿਸ਼ਾਲ ਅੰਤਰਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।
ਪਹਿਲੀ ਰੁਕਾਵਟ ਵਿੱਚ ਮੁੱਢਲੀ ਲੌਜਿਸਟਿਕਸ ਅਤੇ ਹਾਰਡਵੇਅਰ ਅਨੁਕੂਲਤਾ ਸ਼ਾਮਲ ਸੀ। Windows 98 ਯੁੱਗ ਤੋਂ ਕਾਰਜਸ਼ੀਲ ਹਾਰਡਵੇਅਰ ਲੱਭਣਾ ਕਾਫ਼ੀ ਚੁਣੌਤੀਪੂਰਨ ਹੈ। ਪਰ ਸਿਰਫ਼ ਮਸ਼ੀਨ ਨੂੰ ਬੂਟ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਟੀਮ ਨੂੰ ਪੈਰੀਫਿਰਲਾਂ ਦੀ ਲੋੜ ਸੀ। ਆਧੁਨਿਕ USB ਇੰਟਰਫੇਸ, ਜੋ ਅੱਜ ਸਰਵ ਵਿਆਪਕ ਹਨ, Windows 98 ਦੇ ਪ੍ਰਮੁੱਖ ਸਮੇਂ ਵਿੱਚ ਮਿਆਰੀ ਨਹੀਂ ਸਨ। ਇਸ ਲਈ ਪੁਰਾਣੇ PS/2 ਕਨੈਕਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਨੁਕੂਲ ਇਨਪੁਟ ਡਿਵਾਈਸਾਂ - ਕੀਬੋਰਡ ਅਤੇ ਮਾਊਸ - ਨੂੰ ਲੱਭਣ ਦੀ ਲੋੜ ਪਈ ਜਿਨ੍ਹਾਂ ਦਾ ਬਹੁਤ ਸਾਰੇ ਨੌਜਵਾਨ ਤਕਨੀਕੀ ਉਤਸ਼ਾਹੀਆਂ ਨੇ ਕਦੇ ਸਾਹਮਣਾ ਨਹੀਂ ਕੀਤਾ ਹੋਵੇਗਾ।
ਇੱਕ ਵਾਰ ਭੌਤਿਕ ਸੈੱਟਅੱਪ ਦਾ ਹੱਲ ਹੋ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਅਗਲੀ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਡਾਟਾ ਟ੍ਰਾਂਸਫਰ ਸੀ। ਤੁਸੀਂ ਲੋੜੀਂਦੀਆਂ AI ਮਾਡਲ ਫਾਈਲਾਂ ਅਤੇ ਵਿਕਾਸ ਸਾਧਨਾਂ ਨੂੰ ਇੱਕ ਮਸ਼ੀਨ ‘ਤੇ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ ਜਿਸ ਵਿੱਚ ਆਧੁਨਿਕ ਕਨੈਕਟੀਵਿਟੀ ਵਿਕਲਪਾਂ ਜਿਵੇਂ ਕਿ ਹਾਈ-ਸਪੀਡ USB ਪੋਰਟਾਂ ਜਾਂ ਸਹਿਜ ਨੈੱਟਵਰਕ ਏਕੀਕਰਣ ਦੀ ਘਾਟ ਹੈ? ਇਸ ਵਿੱਚ ਸ਼ਾਇਦ ਪੁਰਾਣੇ, ਹੌਲੀ ਤਰੀਕਿਆਂ ਦਾ ਸਹਾਰਾ ਲੈਣਾ ਸ਼ਾਮਲ ਸੀ, ਸ਼ਾਇਦ ਫਾਈਲਾਂ ਨੂੰ CDs ‘ਤੇ ਬਰਨ ਕਰਨਾ ਜਾਂ ਉਸ ਸਮੇਂ ਦੇ ਸੀਮਤ ਨੈੱਟਵਰਕ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਇੱਕ ਸਧਾਰਨ ਫਾਈਲ ਕਾਪੀ ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਬਦਲਣਾ।
ਮੁੱਖ ਤਕਨੀਕੀ ਚੁਣੌਤੀ, ਹਾਲਾਂਕਿ, ਇੱਕ ਪੁਰਾਣੇ ਵਾਤਾਵਰਣ ਲਈ ਆਧੁਨਿਕ ਕੋਡ ਨੂੰ ਕੰਪਾਇਲ ਕਰਨਾ ਸੀ। AI ਮਾਡਲ, Meta ਦੇ Llama ਆਰਕੀਟੈਕਚਰ ‘ਤੇ ਅਧਾਰਤ, ਸਮਕਾਲੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਭਿਆਸਾਂ ਅਤੇ ਭਾਸ਼ਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਕੋਡ ਨੂੰ Windows 98 ਦੁਆਰਾ ਸਮਝਣਯੋਗ ਅਤੇ ਚਲਾਉਣਯੋਗ ਬਣਾਉਣ ਲਈ ਇੱਕ ਕੰਪਾਈਲਰ ਦੀ ਲੋੜ ਸੀ - ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਜੋ ਸਰੋਤ ਕੋਡ ਨੂੰ ਮਸ਼ੀਨ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ - ਜੋ ਪੁਰਾਣੇ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ‘ਤੇ ਚੱਲ ਸਕਦਾ ਹੈ ਅਤੇ AI ਕੋਡ ਦੀਆਂ ਜਟਿਲਤਾਵਾਂ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ।
Exo Labs ਨੇ ਸ਼ੁਰੂ ਵਿੱਚ Borland C++ 5.02 ਵੱਲ ਰੁਖ ਕੀਤਾ, ਜੋ ਖੁਦ ਸਾਫਟਵੇਅਰ ਇਤਿਹਾਸ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ - ਇੱਕ 26-ਸਾਲ ਪੁਰਾਣਾ ਏਕੀਕ੍ਰਿਤ ਵਿਕਾਸ ਵਾਤਾਵਰਣ (IDE) ਅਤੇ ਕੰਪਾਈਲਰ ਸੁਮੇਲ ਜੋ Windows 98 ‘ਤੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਚੱਲਦਾ ਸੀ। ਇਹ ਚੋਣ ਆਧੁਨਿਕ ਕੋਡ ਬੇਸ ਅਤੇ ਪੁਰਾਣੇ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਵਿਚਕਾਰ ਇੱਕ ਸੰਭਾਵੀ ਪੁਲ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਰਸਤਾ ਪੇਚੀਦਗੀਆਂ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਸੀ। ਆਧੁਨਿਕ C++ ਮਿਆਰਾਂ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀਆਂ ਜਟਿਲਤਾਵਾਂ Borland ਕੰਪਾਈਲਰ ਅਤੇ Windows 98 ਵਾਤਾਵਰਣ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੀਆਂ ਮੁਸ਼ਕਲ ਸਾਬਤ ਹੋਈਆਂ। ਅਨੁਕੂਲਤਾ ਦੇ ਮੁੱਦੇ ਪੈਦਾ ਹੋਏ, ਜਿਸ ਨਾਲ ਟੀਮ ਨੂੰ ਧੁਰੀ ਬਣਾਉਣ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪਿਆ।
ਉਨ੍ਹਾਂ ਦਾ ਹੱਲ C ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਦੇ ਪੁਰਾਣੇ ਸੰਸਕਰਣ ਵੱਲ ਵਾਪਸ ਜਾਣਾ ਸ਼ਾਮਲ ਸੀ। ਜਦੋਂ ਕਿ C ਇੱਕ ਬੁਨਿਆਦੀ ਭਾਸ਼ਾ ਹੈ ਅਤੇ C++ ਦੀ ਪੂਰਵਗਾਮੀ ਹੈ, ਇੱਕ ਪੁਰਾਣੇ C ਮਿਆਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਮਤਲਬ C++ ਦੇ ਕੁਝ ਉੱਚ-ਪੱਧਰੀ ਐਬਸਟਰੈਕਸ਼ਨਾਂ ਅਤੇ ਸਹੂਲਤਾਂ ਨੂੰ ਕੁਰਬਾਨ ਕਰਨਾ ਸੀ। ਇਸ ਲਈ ਇੱਕ ਵਧੇਰੇ ਮਿਹਨਤੀ ਕੋਡਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੀ ਲੋੜ ਸੀ, ਫੰਕਸ਼ਨਾਂ ਅਤੇ ਵੇਰੀਏਬਲਾਂ ਵਰਗੇ ਤੱਤਾਂ ਦਾ ਹੱਥੀਂ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ C++ ਵਧੇਰੇ ਸ਼ਾਨਦਾਰ ਢੰਗ ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ। ਤਰੱਕੀ ਲਾਜ਼ਮੀ ਤੌਰ ‘ਤੇ ਹੌਲੀ ਸੀ, ਗਲਤੀਆਂ ਤੋਂ ਬਚਣ ਲਈ ਵੇਰਵੇ ਵੱਲ ਧਿਆਨ ਦੇਣ ਦੀ ਮੰਗ ਕਰਦੀ ਸੀ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪੁਰਾਣੇ ਵਿਕਾਸ ਸਾਧਨ ਆਸਾਨੀ ਨਾਲ ਫੜ ਨਹੀਂ ਸਕਦੇ ਸਨ।
ਮੈਮੋਰੀ ਦੀ ਕਮੀ: ਸੀਮਤ ਸਰੋਤਾਂ ਲਈ Llama ਨੂੰ ਕਾਬੂ ਕਰਨਾ
ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਬਹੁਤ ਸੀਮਤ ਰੈਂਡਮ ਐਕਸੈਸ ਮੈਮੋਰੀ (RAM) ਸੀ। ਟੀਚਾ ਮਸ਼ੀਨ ਕੋਲ ਸਿਰਫ 128 ਮੈਗਾਬਾਈਟ RAM ਸੀ। ਇਸ ਨੂੰ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਆਧੁਨਿਕ ਸਮਾਰਟਫ਼ੋਨ ਨਿਯਮਿਤ ਤੌਰ ‘ਤੇ 8, 12, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ 16 ਗੀਗਾਬਾਈਟ RAM (ਇੱਕ ਗੀਗਾਬਾਈਟ ਲਗਭਗ 1000 ਮੈਗਾਬਾਈਟ) ਨਾਲ ਭੇਜੇ ਜਾਂਦੇ ਹਨ। ਗੇਮਿੰਗ ਜਾਂ ਪੇਸ਼ੇਵਰ ਕੰਮ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਉੱਚ-ਅੰਤ ਵਾਲੇ PCs ਵਿੱਚ ਅਕਸਰ 32GB, 64GB, ਜਾਂ ਵੱਧ ਹੁੰਦੇ ਹਨ। AI ਮਾਡਲ ਵਰਗੀ ਇੱਕ ਗੁੰਝਲਦਾਰ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਅਜਿਹੇ ਛੋਟੇ ਮੈਮੋਰੀ ਫੁੱਟਪ੍ਰਿੰਟ ਦੇ ਅੰਦਰ ਚਲਾਉਣਾ ਇੱਕ ਝਾੜੂ ਵਾਲੀ ਅਲਮਾਰੀ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਸਰਜਰੀ ਕਰਨ ਦੇ ਸਮਾਨ ਹੈ।
Meta ਦੇ Llama ਮਾਡਲਾਂ ਦਾ ਪਰਿਵਾਰ, ਜਦੋਂ ਕਿ ਆਮ ਤੌਰ ‘ਤੇ OpenAI ਦੇ GPT-4 ਵਰਗੇ ਵੱਡੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਰੋਤ-ਕੁਸ਼ਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਵੀ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲੇ ਸੰਸਕਰਣਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। Llama 2 ਆਰਕੀਟੈਕਚਰ, ਉਦਾਹਰਨ ਲਈ, 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਤੱਕ ਸਕੇਲ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਇਹ ਵੱਡੇ ਮਾਡਲ ਮਹੱਤਵਪੂਰਨ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ ਅਤੇ, ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਮਾਡਲ ਵਜ਼ਨ ਲੋਡ ਕਰਨ ਅਤੇ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਗਣਨਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਮੈਮੋਰੀ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ। ਇੱਕ ਮਿਆਰੀ Llama 2 ਮਾਡਲ 128MB ਦੀ ਰੁਕਾਵਟ ਦੇ ਅੰਦਰ ਚੱਲਣ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਸਮਰੱਥ ਹੋਵੇਗਾ।
ਇਸ ਲਈ, ਪ੍ਰਯੋਗ ਦੀ ਸਫਲਤਾ Llama ਆਰਕੀਟੈਕਚਰ ਦੇ ਇੱਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਨੁਕੂਲਿਤ, ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਛੋਟੇ ਦੁਹਰਾਓ ਦੀ ਵਰਤੋਂ ਜਾਂ ਵਿਕਾਸ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਸ ਵਿਸ਼ੇਸ਼ ਸੰਸਕਰਣ ਨੂੰ ਗੰਭੀਰ ਹਾਰਡਵੇਅਰ ਸੀਮਾਵਾਂ ਦੇ ਅਧੀਨ ਕੰਮ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਤਿਆਰ ਕੀਤਾ ਜਾਣਾ ਸੀ। ਇਸ ਵਿੱਚ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਮਾਡਲ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ (ਮਾਡਲ ਦੀਆਂ ਗਣਨਾਵਾਂ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਸੰਖਿਆਵਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾਉਣਾ) ਅਤੇ ਪ੍ਰੂਨਿੰਗ (ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੇ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਿਆਂ ਨੂੰ ਹਟਾਉਣਾ) ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਸ਼ਾਮਲ ਸਨ ਤਾਂ ਜੋ ਇਸਦੇ ਮੈਮੋਰੀ ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਫੁੱਟਪ੍ਰਿੰਟ ਨੂੰ ਬਹੁਤ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕੇ। Exo Labs ਨੇ ਆਪਣੇ ਅਨੁਕੂਲਿਤ ਸੰਸਕਰਣ ਨੂੰ GitHub ‘ਤੇ ਉਪਲਬਧ ਕਰਵਾਇਆ, ਲੋੜੀਂਦੀਆਂ ਖਾਸ ਸੋਧਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ।
ਇਹ ਛੋਟਾ AI, ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਚੱਲ ਰਿਹਾ ਹੈ, ਇਸਦੇ ਵੱਡੇ, ਕਲਾਉਡ-ਰਨ ਚਚੇਰੇ ਭਰਾਵਾਂ ਦੇ ਵਿਆਪਕ ਗਿਆਨ ਜਾਂ ਸੂਖਮ ਗੱਲਬਾਤ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਦੇ ਮਾਲਕ ਨਹੀਂ ਹੋਵੇਗਾ। ਇਸ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਸੀਮਤ ਹੋਣਗੀਆਂ। ਫਿਰ ਵੀ, ਇਹ ਤੱਥ ਕਿ ਇਹ ਚੱਲ ਸਕਦਾ ਹੈ ਅਤੇ ਬੁਨਿਆਦੀ ਜਨਰੇਟਿਵ ਕਾਰਜ ਕਰ ਸਕਦਾ ਹੈ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਪ੍ਰਾਪਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ ਦੀਆਂ ਮੁੱਖ ਧਾਰਨਾਵਾਂ, ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ, ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਘਟਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਭਾਵੇਂ ਅਜਿਹੀਆਂ ਹੱਦਾਂ ‘ਤੇ ਵਿਹਾਰਕ ਉਪਯੋਗਤਾ ਸੀਮਤ ਹੋਵੇ।
Andreessen ਦੀ ਉਕਸਾਹਟ: ਗੱਲਬਾਤ ਵਾਲੀ ਕੰਪਿਊਟਿੰਗ ਲਈ ਇੱਕ ਗੁਆਚੀ ਸਮਾਂ-ਰੇਖਾ?
Marc Andreessen ਨੇ ਕੰਪਿਊਟਿੰਗ ਦੇ ਇਤਿਹਾਸ ਅਤੇ ਸੰਭਾਵੀ ਭਵਿੱਖ ਬਾਰੇ ਇੱਕ ਵਿਆਪਕ, ਵਧੇਰੇ ਭੜਕਾਊ ਨੁਕਤਾ ਬਣਾਉਣ ਲਈ ਇਸ ਤਕਨੀਕੀ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਫਾਇਦਾ ਉਠਾਇਆ। ਉਸਦਾ ਪ੍ਰਤੀਬਿੰਬ ਸਿਰਫ਼ ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਨਵਾਂ ਸਾਫਟਵੇਅਰ ਚਲਾਉਣ ਦੀ ਤਕਨੀਕੀ ਉਤਸੁਕਤਾ ਬਾਰੇ ਨਹੀਂ ਸੀ; ਇਹ ਮਨੁੱਖੀ-ਕੰਪਿਊਟਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੇ ਇੱਕ ਸੰਭਾਵੀ ਵਿਕਲਪਿਕ ਇਤਿਹਾਸ ‘ਤੇ ਇੱਕ ਵਿਚਾਰ ਸੀ।
ਉਸਨੇ ਇਹ ਸੁਝਾਅ ਦੇ ਕੇ ਇਸਨੂੰ ਸਪੱਸ਼ਟ ਕੀਤਾ ਕਿ 26-ਸਾਲ ਪੁਰਾਣੇ Dell PC ‘ਤੇ Llama ਦਾ ਸਫਲ ਸੰਚਾਲਨ ਦਹਾਕਿਆਂ ਤੱਕ ਫੈਲੇ ਇੱਕ ਖੁੰਝੇ ਹੋਏ ਮੌਕੇ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। “ਉਹ ਸਾਰੇ ਪੁਰਾਣੇ PCs ਸ਼ਾਬਦਿਕ ਤੌਰ ‘ਤੇ ਇਸ ਸਾਰੇ ਸਮੇਂ ਵਿੱਚ ਸਮਾਰਟ ਹੋ ਸਕਦੇ ਸਨ,” Andreessen ਨੇ ਕਿਹਾ। “ਅਸੀਂ ਹੁਣ 30 ਸਾਲਾਂ ਤੋਂ ਆਪਣੇ ਕੰਪਿਊਟਰਾਂ ਨਾਲ ਗੱਲ ਕਰ ਰਹੇ ਹੋ ਸਕਦੇ ਸੀ।”
ਇਹ ਬਿਆਨ ਸਾਨੂੰ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆਂ ਦੀ ਕਲਪਨਾ ਕਰਨ ਲਈ ਸੱਦਾ ਦਿੰਦਾ ਹੈ ਜਿੱਥੇ AI ਵਿਕਾਸ ਦਾ ਮਾਰਗ ਨਿੱਜੀ ਕੰਪਿਊਟਿੰਗ ਦੇ ਉਭਾਰ ਨਾਲ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਮਿਲ ਗਿਆ ਹੁੰਦਾ। PCs ਮੁੱਖ ਤੌਰ ‘ਤੇ ਗਣਨਾ, ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਇੰਟਰਨੈਟ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਦੇ ਸਾਧਨ ਹੋਣ ਦੀ ਬਜਾਏ, ਸ਼ਾਇਦ ਉਹ ਬਹੁਤ ਪਹਿਲਾਂ ਗੱਲਬਾਤ ਕਰਨ ਵਾਲੇ ਭਾਈਵਾਲਾਂ ਵਿੱਚ ਵਿਕਸਤ ਹੋ ਸਕਦੇ ਸਨ। ਕਲਪਨਾ ਕੀਤੀ ਗਈ ਤਸਵੀਰ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਹੈ ਜੋ ਆਪਣੇ Windows 95, 98, ਜਾਂ ਇਸ ਤੋਂ ਵੀ ਪੁਰਾਣੀਆਂ ਮਸ਼ੀਨਾਂ ਨਾਲ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਰਾਹੀਂ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ, ਸਵਾਲ ਪੁੱਛਦੇ ਹਨ, ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਗੱਲਬਾਤ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਸਿਰਫ ਆਧੁਨਿਕ ਡਿਜੀਟਲ ਸਹਾਇਕਾਂ ਅਤੇ ਆਧੁਨਿਕ LLMs ਦੇ ਆਗਮਨ ਨਾਲ ਮੁੱਖ ਧਾਰਾ ਦੀ ਹਕੀਕਤ ਬਣ ਗਈ।
ਬੇਸ਼ੱਕ, ਇਹ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਰੋਧੀ ਛਾਲ ਹੈ। ਜਨਰੇਟਿਵ AI, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਇਸਨੂੰ ਅੱਜ ਸਮਝਦੇ ਹਾਂ, ਇਸਦੀ ਵਿਸ਼ਾਲ ਡਾਟਾਸੈਟਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ, ਆਧੁਨਿਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ (ਜਿਵੇਂ ਕਿ Llama ਅਤੇ GPT ਮਾਡਲਾਂ ਦੇ ਅਧੀਨ Transformer ਆਰਕੀਟੈਕਚਰ), ਅਤੇ ਸਿਖਲਾਈ ਲਈ ਬੇਅੰਤ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ, ਇੱਕ ਮੁਕਾਬਲਤਨ ਹਾਲੀਆ ਵਰਤਾਰਾ ਹੈ। 1980 ਅਤੇ 1990 ਦੇ ਦਹਾਕੇ ਦੀ AI ਖੋਜ, ਜਦੋਂ ਕਿ ਉਤਸ਼ਾਹੀ ਸੀ, ਵੱਖ-ਵੱਖ ਪੈਰਾਡਾਈਮਾਂ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ, ਜਿਵੇਂ ਕਿ ਮਾਹਰ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਪ੍ਰਤੀਕਾਤਮਕ ਤਰਕ। ਉਸ ਯੁੱਗ ਦਾ ਹਾਰਡਵੇਅਰ, ਜਦੋਂ ਕਿ Exo Labs ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੇ ਗਏ ਸਟ੍ਰਿਪਡ-ਡਾਊਨ Llama ਨੂੰ ਚਲਾਉਣ ਦੇ ਸਮਰੱਥ ਸੀ, ਅੱਜ ਦੇ ਸਿਸਟਮਾਂ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਘੱਟ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸੀ, ਅਤੇ ਸਮਰੱਥ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦੇ ਵਿਸ਼ਾਲ ਡਿਜੀਟਲ ਡਾਟਾਸੈਟ ਇੱਕ ਪਹੁੰਚਯੋਗ ਰੂਪ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਸਨ।
Andreessen ਨੇ ਇਸ ਸੰਦਰਭ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ, 1980 ਦੇ ਦਹਾਕੇ ਦੇ AI ਬੂਮ ਦੀ ਆਸ਼ਾਵਾਦ ਨੂੰ ਨੋਟ ਕਰਦੇ ਹੋਏ: “80 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਸਮਾਰਟ ਲੋਕਾਂ ਨੇ ਸੋਚਿਆ ਸੀ ਕਿ ਇਹ ਸਭ ਉਦੋਂ ਹੋਣ ਵਾਲਾ ਸੀ।” ਉਸ ਯੁੱਗ ਨੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਨਿਵੇਸ਼ ਅਤੇ ਖੋਜ ਦੇਖੀ, ਪਰ ਇਹ ਆਖਰਕਾਰ ਇੱਕ “AI ਸਰਦੀ” ਵੱਲ ਲੈ ਗਿਆ - ਘੱਟ ਫੰਡਿੰਗ ਅਤੇ ਦਿਲਚਸਪੀ ਦਾ ਇੱਕ ਦੌਰ ਜਦੋਂ ਤਕਨਾਲੋਜੀ ਆਪਣੇ ਸਭ ਤੋਂ ਉਤਸ਼ਾਹੀ ਵਾਅਦਿਆਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹੀ। ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ, ਡਾਟਾ ਉਪਲਬਧਤਾ, ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਪਹੁੰਚ ਵਿੱਚ ਸੀਮਾਵਾਂ ਡੂੰਘੀਆਂ ਸਨ।
ਇਸ ਲਈ, Andreessen ਦੀ ਟਿੱਪਣੀ ਨੂੰ ਸ਼ਾਇਦ ਸ਼ਾਬਦਿਕ ਦਾਅਵੇ ਵਜੋਂ ਨਹੀਂ ਸਮਝਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ 1990 ਦੇ ਦਹਾਕੇ ਦੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ ਆਧੁਨਿਕ, ਮਨੁੱਖ-ਵਰਗੀ AI ਸੰਭਵ ਸੀ ਜਿਸ ਤਰ੍ਹਾਂ ਅਸੀਂ ਇਸਨੂੰ ਹੁਣ ਅਨੁਭਵ ਕਰਦੇ ਹਾਂ, ਸਗੋਂ ਇੱਕ ਵਿਚਾਰ ਪ੍ਰਯੋਗ ਵਜੋਂ। ਇਹ ਉਸ ਸੰਭਾਵਨਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਜੋ ਸ਼ਾਇਦ ਖੋਲ੍ਹੀ ਜਾ ਸਕਦੀ ਸੀ ਜੇਕਰ ਖੋਜ ਤਰਜੀਹਾਂ, ਐਲਗੋਰਿਦਮਿਕ ਸਫਲਤਾਵਾਂ, ਅਤੇ ਹਾਰਡਵੇਅਰ ਵਿਕਾਸ ਨੇ ਇੱਕ ਵੱਖਰਾ ਰਸਤਾ ਅਪਣਾਇਆ ਹੁੰਦਾ। ਇਹ ਇਸ ਵਿਚਾਰ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿਸੇ ਕਿਸਮ ਦੀ ਬੁੱਧੀਮਾਨ ਪਰਸਪਰ ਕ੍ਰਿਆ ਲਈ ਬਿਲਡਿੰਗ ਬਲਾਕ ਤਕਨੀਕੀ ਤੌਰ ‘ਤੇ ਪ੍ਰਾਪਤੀਯੋਗ ਹੋ ਸਕਦੇ ਸਨ, ਭਾਵੇਂ ਨਤੀਜਾ ਅੱਜ ਦੇ AI ਨਾਲੋਂ ਬਹੁਤ ਸਰਲ ਹੁੰਦਾ।
ਵਿਪਰੀਤ ਯੁੱਗ: ਡਾਇਲ-ਅੱਪ ਸੁਪਨਿਆਂ ਤੋਂ AI-ਪ੍ਰਭਾਵਿਤ ਹਕੀਕਤ ਤੱਕ
Windows 98 ਪ੍ਰਯੋਗ AI ਏਕੀਕਰਣ ਦੇ ਮੌਜੂਦਾ ਲੈਂਡਸਕੇਪ ਦੇ ਇੱਕ ਸਪੱਸ਼ਟ ਵਿਪਰੀਤ ਬਿੰਦੂ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਅੱਜ, AI ਤੇਜ਼ੀ ਨਾਲ ਇੱਕ ਕਲਾਉਡ-ਕੇਂਦਰਿਤ ਸੇਵਾ ਤੋਂ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਹਾਰਡਵੇਅਰ ਦੇ ਅੰਦਰ ਡੂੰਘਾਈ ਨਾਲ ਏਮਬੇਡ ਹੋਣ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ।
Copilot ਅਤੇ Copilot+ PCs ਨਾਲ Microsoft ਦਾ ਜ਼ੋਰ ਇਸ ਰੁਝਾਨ ਦੀ ਮਿਸਾਲ ਦਿੰਦਾ ਹੈ। Windows 11 ਵਿੱਚ Copilot ਲਈ ਕਈ ਐਂਟਰੀ ਪੁਆਇੰਟ ਹਨ, ਜੋ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰ ਦੇਣ ਅਤੇ ਈਮੇਲਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਚਿੱਤਰ ਬਣਾਉਣ ਅਤੇ ਸਿਸਟਮ ਸੈਟਿੰਗਾਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰਨ ਤੱਕ ਦੇ ਕੰਮਾਂ ਲਈ AI ਸਹਾਇਤਾ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ। ਨਵਾਂ Copilot+ PC ਨਿਰਧਾਰਨ ਇੱਕ ਨਿਊਰਲ ਪ੍ਰੋਸੈਸਿੰਗ ਯੂਨਿਟ (NPU) - ਵਿਸ਼ੇਸ਼ ਸਿਲੀਕਾਨ ਜੋ AI ਗਣਨਾਵਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਤੇਜ਼ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ - ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਲਾਜ਼ਮੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ AI ਪ੍ਰੋਸੈਸਿੰਗ ਨਿੱਜੀ ਕੰਪਿਊਟਰ ਦਾ ਇੱਕ ਮੁੱਖ ਕਾਰਜ ਬਣ ਰਹੀ ਹੈ, ਜਿਸਨੂੰ ਸਿਰਫ਼ ਰਿਮੋਟ ਸਰਵਰਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਨ ਦੀ ਬਜਾਏ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ।
ਇਹ ਆਧੁਨਿਕ ਪਹੁੰਚ ਭਰਪੂਰ ਸਰੋਤਾਂ ਨੂੰ ਮੰਨਦੀ ਹੈ, ਅਤੇ ਲਾਭ ਉਠਾਉਂਦੀ ਹੈ। Copilot+ PCs ਨੂੰ ਘੱਟੋ-ਘੱਟ 16GB RAM ਅਤੇ ਤੇਜ਼ ਸਾਲਿਡ-ਸਟੇਟ ਸਟੋਰੇਜ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ Windows 98 ਮਸ਼ੀਨ ਦੇ ਨਿਮਰ 128MB ਤੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। ਵਰਤੇ ਗਏ AI ਮਾਡਲ, ਜਦੋਂ ਕਿ ਕਲਾਇੰਟ-ਸਾਈਡ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਲਈ ਅਨੁਕੂਲਿਤ ਹੁੰਦੇ ਹਨ, ਪ੍ਰਯੋਗ ਵਿੱਚ ਵਰਤੇ ਗਏ ਛੋਟੇ Llama ਸੰਸਕਰਣ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਅਤੇ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ। ਉਹ ਦਹਾਕਿਆਂ ਦੇ ਐਲਗੋਰਿਦਮਿਕ ਸੁਧਾਈ, ਵਿਸ਼ਾਲ ਸਿਖਲਾਈ ਡਾਟਾਸੈਟਾਂ, ਅਤੇ ਖਾਸ ਤੌਰ ‘ਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਲੋੜਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਾਰਡਵੇਅਰ ਤੋਂ ਲਾਭ ਉਠਾਉਂਦੇ ਹਨ।
ਇਹ ਵਿਪਰੀਤਤਾ ਕਈ ਨੁਕਤਿਆਂ ਨੂੰ ਰੌਸ਼ਨ ਕਰਦੀ ਹੈ:
- ਸਾਫਟਵੇਅਰ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਬਨਾਮ ਬਲੋਟ: Exo Labs ਪ੍ਰਯੋਗ ਅਤਿਅੰਤ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦਾ ਪ੍ਰਮਾਣ ਹੈ, ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਨੂੰ ਇੱਕ ਬਹੁਤ ਹੀ ਸੀਮਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। ਇਹ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਆਧੁਨਿਕ ਸਾਫਟਵੇਅਰ ਦੀ ਲਗਾਤਾਰ ਵਧ ਰਹੇ ਹਾਰਡਵੇਅਰ ਸਰੋਤਾਂ ਨੂੰ ਮੰਨਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਦੀ ਆਲੋਚਨਾ ਕਰਦਾ ਹੈ, ਕਈ ਵਾਰ ਅਕੁਸ਼ਲਤਾ ਜਾਂ “ਬਲੋਟ” ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।
- ਹਾਰਡਵੇਅਰ ਦਾ ਵਿਕਾਸ: ਇੱਕ ਆਮ 1998 PC ਅਤੇ ਇੱਕ 2024 Copilot+ PC ਵਿਚਕਾਰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਅਤੇ ਮੈਮੋਰੀ ਵਿੱਚ ਸਪੱਸ਼ਟ ਅੰਤਰ ਹੈਰਾਨ ਕਰਨ ਵਾਲਾ ਹੈ, ਜੋ Moore ਦੇ ਕਾਨੂੰਨ ਅਤੇ ਆਰਕੀਟੈਕਚਰਲ ਨਵੀਨਤਾ ਦੀਆਂ ਕਈ ਪੀੜ੍ਹੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
- ਡਾਟਾ ਦੀ ਪਹੁੰਚਯੋਗਤਾ: ਆਧੁਨਿਕ LLMs ਦੀ ਸਿਖਲਾਈ ਇੰਟਰਨੈਟ-ਸਕੇਲ ਡਾਟਾਸੈਟਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਜੋ Windows 98 ਯੁੱਗ ਵਿੱਚ ਕਲਪਨਾਯੋਗ ਨਹੀਂ ਸਨ। ਡਿਜੀਟਲ ਬ੍ਰਹਿਮੰਡ ਉਸ ਸਮੇਂ ਬਹੁਤ ਛੋਟਾ ਅਤੇ ਡਿਸਕਨੈਕਟ ਸੀ।
- ਐਲਗੋਰਿਦਮਿਕ ਸਫਲਤਾਵਾਂ: 2017 ਵਿੱਚ Transformer ਮਾਡਲ ਵਰਗੇ ਆਰਕੀਟੈਕਚਰ ਦਾ ਵਿਕਾਸ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਲ ਸੀ, ਜਿਸ ਨੇ ਅੱਜ ਦੇ ਜਨਰੇਟਿਵ AI ਵਿੱਚ ਦੇਖੀ ਗਈ ਸਕੇਲਿੰਗ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ। ਪਹਿਲਾਂ ਦੀਆਂ AI ਪਹੁੰਚਾਂ ਦੀਆਂ ਬੁਨਿਆਦੀ ਸੀਮਾਵਾਂ ਸਨ।
ਜਦੋਂ ਕਿ Andreessen 30 ਸਾਲ ਪਹਿਲਾਂ ਗੱਲ ਕਰਨ ਵਾਲੇ ਕੰਪਿਊਟਰਾਂ ਦੇ ਸੁਪਨੇ ਦੇਖਦਾ ਹੈ, ਅਸਲੀਅਤ ਇਹ ਹੈ ਕਿ ਅੱਜ ਦੇ AI ਅਨੁਭਵ ਲਈ ਲੋੜੀਂਦੀ ਹਾਰਡਵੇਅਰ ਸ਼ਕਤੀ, ਡਾਟਾ ਉਪਲਬਧਤਾ, ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਨਵੀਨਤਾ ਦਾ ਸੰਗਮ ਬਹੁਤ ਹਾਲ ਹੀ ਵਿੱਚ ਹੋਇਆ ਹੈ।
ਇਸ ਸਭ ਦਾ ਕੀ ਮਤਲਬ ਹੈ? ਪੁਰਾਣੀਆਂ ਯਾਦਾਂ ਤੋਂ ਪਰੇ ਪ੍ਰਤੀਬਿੰਬ
ਕੀ Windows 98 ‘ਤੇ Llama ਮਾਡਲ ਦੀ ਸਫਲ ਤੈਨਾਤੀ ਸਿਰਫ਼ ਇੱਕ ਚਲਾਕ ਹੈਕ ਹੈ, ਤਕਨੀਕੀ ਉਤਸ਼ਾਹੀਆਂ ਲਈ ਇੱਕ ਪੁਰਾਣੀ ਯਾਦ ਦਾ ਸਟੰਟ ਹੈ? ਜਾਂ ਕੀ ਇਸਦਾ ਡੂੰਘਾ ਮਹੱਤਵ ਹੈ? ਇਹ ਦਲੀਲ ਨਾਲ ਕਈ ਉਦੇਸ਼ਾਂ ਦੀ ਪੂਰਤੀ ਕਰਦਾ ਹੈ:
- ਅਤਿਅੰਤ ਸਕੇਲੇਬਿਲਟੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ: ਇਹ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ ਦੇ ਪਿੱਛੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਤੌਰ ‘ਤੇ ਤੰਗ ਸਰੋਤ ਰੁਕਾਵਟਾਂ ਦੇ ਤਹਿਤ ਕੰਮ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸਦੇ ਘੱਟ-ਪਾਵਰ ਵਾਲੇ ਏਮਬੇਡਡ ਸਿਸਟਮਾਂ, IoT ਡਿਵਾਈਸਾਂ, ਜਾਂ ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ‘ਤੇ AI ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਲਈ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ ਹਨ ਜੋ ਦੁਨੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵਰਤੋਂ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ।
- ਰੁਕਾਵਟਾਂ ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਉਜਾਗਰ ਕਰਨਾ: ਗੰਭੀਰ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਕੰਮ ਕਰਨਾ ਅਕਸਰ ਨਵੀਨਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। Exo Labs ਟੀਮ ਨੂੰ ਰਚਨਾਤਮਕ ਹੱਲ ਲੱਭਣੇ ਪਏ ਅਤੇ ਬੇਰਹਿਮੀ ਨਾਲ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਪਿਆ, ਹੁਨਰ ਜੋ ਸਰੋਤ-ਅਮੀਰ ਵਾਤਾਵਰਣ ਵਿੱਚ ਵੀ ਕੀਮਤੀ ਹਨ।
- ਧਾਰਨਾਵਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦੇਣਾ: ਇਹ ਇਸ ਗੱਲ ‘ਤੇ ਪ੍ਰਤੀਬਿੰਬਤ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਆਧੁਨਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੁਆਰਾ ਵਰਤੀ ਜਾਂਦੀ ਸਾਰੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਅਤੇ ਮੈਮੋਰੀ ਉਹਨਾਂ ਦੁ