ਚੀਨ ਦਾ AI: ਸ਼ਕਤੀ ਨਾਲੋਂ ਵਿਹਾਰਕ ਏਕੀਕਰਣ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਬਾਰੇ ਵਿਸ਼ਵ-ਵਿਆਪੀ ਗੱਲਬਾਤ ਅਕਸਰ ਇੱਕ ਨਿਰੰਤਰ ਹਥਿਆਰਾਂ ਦੀ ਦੌੜ ‘ਤੇ ਕੇਂਦਰਿਤ ਜਾਪਦੀ ਹੈ - ਕੌਣ ਸਭ ਤੋਂ ਵੱਡਾ, ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵੱਡਾ ਭਾਸ਼ਾਈ ਮਾਡਲ (LLM) ਬਣਾ ਸਕਦਾ ਹੈ? ਹਾਲੀਆ ਤਰੱਕੀਆਂ, ਜਿਵੇਂ ਕਿ ਚੀਨ ਵਿੱਚ DeepSeek ਵਰਗੇ ਮਾਡਲਾਂ ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਿਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਮਰੱਥਾਵਾਂ, ਯਕੀਨੀ ਤੌਰ ‘ਤੇ ਇਸ ਬਿਰਤਾਂਤ ਨੂੰ ਹਵਾ ਦਿੰਦੀਆਂ ਹਨ। ਵਿਸ਼ਵ ਪੱਧਰ ‘ਤੇ ਅਤੇ ਘਰੇਲੂ ਤੌਰ ‘ਤੇ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਆਰਥਿਕ ਮਾਹੌਲ ਦੇ ਵਿਚਕਾਰ, ਅਜਿਹੀਆਂ ਤਕਨੀਕੀ ਛਾਲਾਂ ਭਵਿੱਖ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਇੱਕ ਦਿਲਚਸਪ ਝਲਕ ਪੇਸ਼ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਸ਼ਾਇਦ, ਵਿਕਾਸ ਲਈ ਇੱਕ ਬਹੁਤ ਜ਼ਰੂਰੀ ਉਤਪ੍ਰੇਰਕ। ਫਿਰ ਵੀ, ਸਿਰਫ਼ ਇਹਨਾਂ ਸੁਰਖੀਆਂ ਬਟੋਰਨ ਵਾਲੇ LLMs ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਜੰਗਲ ਲਈ ਰੁੱਖਾਂ ਨੂੰ ਗੁਆਉਣਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ, ਘੱਟ ਦਿਖਾਵੇ ਵਾਲੇ ਪਰ ਡੂੰਘੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਿਆਂ ਨਾਲ, ਸਾਲਾਂ ਤੋਂ ਸਾਡੇ ਡਿਜੀਟਲ ਜੀਵਨ ਦੇ ਤਾਣੇ-ਬਾਣੇ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।

ਉਹਨਾਂ ਸਰਵ ਵਿਆਪਕ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਗੌਰ ਕਰੋ ਜੋ ਆਨਲਾਈਨ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਅਤੇ ਵਣਜ ‘ਤੇ ਹਾਵੀ ਹਨ। ਕੀ TikTok, ਜਾਂ ਇਸਦੇ ਚੀਨੀ ਹਮਰੁਤਬਾ Douyin, ਸੂਝਵਾਨ ਸਿਫ਼ਾਰਸ਼ ਐਲਗੋਰਿਦਮ ਤੋਂ ਬਿਨਾਂ ਅਜਿਹੀ ਹੈਰਾਨੀਜਨਕ ਵਿਸ਼ਵਵਿਆਪੀ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਸਨ ਜੋ ਲਗਾਤਾਰ ਸਮੱਗਰੀ ਫੀਡਸ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ? ਇਸੇ ਤਰ੍ਹਾਂ, ਈ-ਕਾਮਰਸ ਦਿੱਗਜਾਂ ਦੀਆਂ ਜਿੱਤਾਂ, ਭਾਵੇਂ ਉਹ Amazon, Shein, ਅਤੇ Temu ਵਰਗੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਖਿਡਾਰੀ ਹੋਣ, ਜਾਂ Taobao ਅਤੇ JD.com ਵਰਗੇ ਘਰੇਲੂ ਪਾਵਰਹਾਊਸ ਹੋਣ, ਸਿਰਫ਼ ਕੁਸ਼ਲ ਸੋਰਸਿੰਗ ਅਤੇ ਲੌਜਿਸਟਿਕਸ ਤੋਂ ਕਿਤੇ ਵੱਧ ‘ਤੇ ਬਣੀਆਂ ਹਨ। AI ਅਦਿੱਖ ਹੱਥ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਸੂਖਮਤਾ ਨਾਲ ਸਾਡੀਆਂ ਚੋਣਾਂ ਨੂੰ ਸੇਧ ਦਿੰਦਾ ਹੈ। ਸਾਡੇ ਦੁਆਰਾ ਖਰੀਦਣ ਬਾਰੇ ਵਿਚਾਰੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਕਿਤਾਬਾਂ ਤੋਂ ਲੈ ਕੇ ਫੈਸ਼ਨ ਰੁਝਾਨਾਂ ਤੱਕ ਜੋ ਅਸੀਂ ਅਪਣਾਉਂਦੇ ਹਾਂ, ਸਾਡੀਆਂ ਖਪਤ ਦੀਆਂ ਆਦਤਾਂ ਸਾਡੀਆਂ ਪਿਛਲੀਆਂ ਖਰੀਦਾਂ, ਬ੍ਰਾਊਜ਼ਿੰਗ ਇਤਿਹਾਸ, ਅਤੇ ਕਲਿੱਕ ਪੈਟਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਤੇਜ਼ੀ ਨਾਲ ਆਕਾਰ ਦਿੱਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ। ਗੱਲਬਾਤ ਵਾਲੇ AI ਦੁਆਰਾ ਮੰਗ ‘ਤੇ ਸ਼ਾਨਦਾਰ ਕਵਿਤਾ ਤਿਆਰ ਕਰਨ ਤੋਂ ਬਹੁਤ ਪਹਿਲਾਂ, Amazon ਅਤੇ Google ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਖਪਤਕਾਰਾਂ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਸਮਝਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਦੀ ਅਗਵਾਈ ਕਰ ਰਹੀਆਂ ਸਨ, ਜਿਸ ਨਾਲ ਮਾਰਕੀਟਪਲੇਸ ਵਿੱਚ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਬਦਲਾਅ ਆਇਆ। AI ਦਾ ਇਹ ਸ਼ਾਂਤ, ਵਧੇਰੇ ਵਿਆਪਕ ਰੂਪ ਦਹਾਕਿਆਂ ਤੋਂ ਵਣਜ ਅਤੇ ਮੀਡੀਆ ਦੀ ਖਪਤ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਿਹਾ ਹੈ, ਅਕਸਰ ਚੇਤੰਨ ਜਾਗਰੂਕਤਾ ਦੀ ਸੀਮਾ ਤੋਂ ਹੇਠਾਂ ਕੰਮ ਕਰਦਾ ਹੈ।

ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ ਦੀ ਦੋ-ਧਾਰੀ ਤਲਵਾਰ

DeepSeek ਵਰਗੇ ਸ਼ਕਤੀਸ਼ਾਲੀ LLMs ਦਾ ਉਭਾਰ ਬਿਨਾਂ ਸ਼ੱਕ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਮੀਲ ਪੱਥਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਮਨੁੱਖ-ਵਰਗੇ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ, ਭਾਸ਼ਾਵਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਕਵਿਤਾ ਵਰਗੀ ਰਚਨਾਤਮਕ ਸਮੱਗਰੀ ਲਿਖਣ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਕਮਾਲ ਦੀ ਹੈ। ਇਹ ਸਾਧਨ ਨਿੱਜੀ ਸਹਾਇਕਾਂ, ਖੋਜ ਸਹਾਇਕਾਂ, ਅਤੇ ਰਚਨਾਤਮਕ ਭਾਈਵਾਲਾਂ ਵਜੋਂ ਬਹੁਤ ਵੱਡੀ ਸੰਭਾਵਨਾ ਰੱਖਦੇ ਹਨ। ਈਮੇਲਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ, ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦਾ ਸਾਰਾਂਸ਼ ਕਰਨ, ਜਾਂ ਵਿਚਾਰਾਂ ‘ਤੇ ਵਿਚਾਰ ਕਰਨ ਲਈ ਅਜਿਹੇ ਮਾਡਲ ਦਾ ਲਾਭ ਉਠਾਉਣ ਦੀ ਕਲਪਨਾ ਕਰੋ - ਵਿਅਕਤੀਗਤ ਉਤਪਾਦਕਤਾ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਸਪੱਸ਼ਟ ਹੈ।

ਹਾਲਾਂਕਿ, ਇਹ ਸ਼ਕਤੀ ਮਹੱਤਵਪੂਰਨ ਚੇਤਾਵਨੀਆਂ ਦੇ ਨਾਲ ਆਉਂਦੀ ਹੈ, ਜੋ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਦੀ ਪ੍ਰਕਿਰਤੀ ਵਿੱਚ ਜੜ੍ਹੀਆਂ ਹਨ। LLMs ਗੁੰਝਲਦਾਰ ਅੰਕੜਾ ਵਿਧੀਆਂ ਅਤੇ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਵਿਸ਼ਾਲ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ‘ਤੇ ਬਣਾਏ ਗਏ ਹਨ। ਉਹ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਸ਼ਬਦਾਂ ਦੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਕ੍ਰਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਉੱਤਮ ਹਨ, ਪਰ ਉਹਨਾਂ ਕੋਲ ਸੱਚੀ ਸਮਝ ਜਾਂ ਚੇਤਨਾ ਨਹੀਂ ਹੈ। ਇਹ ਅੰਕੜਾ ਨੀਂਹ ਇੱਕ ਨਾਜ਼ੁਕ ਕਮਜ਼ੋਰੀ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ: ਹੈਲੂਸੀਨੇਸ਼ਨ (hallucinations)। ਜਦੋਂ ਉਹਨਾਂ ਦੇ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਬਾਹਰ ਦੇ ਵਿਸ਼ਿਆਂ ਜਾਂ ਸੂਖਮ ਨਿਰਣੇ ਦੀ ਲੋੜ ਵਾਲੇ ਸਵਾਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਤਾਂ LLMs ਭਰੋਸੇ ਨਾਲ ਭਰੋਸੇਯੋਗ-ਆਵਾਜ਼ ਵਾਲੀ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਜਾਂ ਗੁੰਮਰਾਹਕੁੰਨ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ।

ਇੱਕ LLM ਨੂੰ ਇੱਕ ਅਚਨਚੇਤ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵਜੋਂ ਨਾ ਸੋਚੋ, ਪਰ ਸ਼ਾਇਦ ਇੱਕ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਤੌਰ ‘ਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪੜ੍ਹੇ-ਲਿਖੇ, ਬੋਲਚਾਲ ਵਾਲੇ, ਪਰ ਕਈ ਵਾਰ ਗੱਪਾਂ ਮਾਰਨ ਵਾਲੇ ਮਾਹਰ ਵਜੋਂ ਸੋਚੋ। ਜਦੋਂ ਕਿ DeepSeek ਇੱਕ ਉਤੇਜਕ ਸੋਨੇਟ ਦੀ ਰਚਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਨਾਜ਼ੁਕ ਕਾਨੂੰਨੀ ਵਿਆਖਿਆ, ਸਟੀਕ ਡਾਕਟਰੀ ਨਿਦਾਨ, ਜਾਂ ਉੱਚ-ਦਾਅ ਵਾਲੀ ਵਿੱਤੀ ਸਲਾਹ ਲਈ ਇਸ ‘ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਬਹੁਤ ਗੈਰ-ਜ਼ਿੰਮੇਵਾਰਾਨਾ ਹੋਵੇਗਾ। ਅੰਕੜਾ ਸੰਭਾਵਨਾ ਇੰਜਣ ਜੋ ਇਸਨੂੰ ਪ੍ਰਵਾਹ ਵਾਲਾ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਇਸਨੂੰ ‘ਤੱਥ’ ਘੜਨ ਲਈ ਵੀ ਸੰਭਾਵਿਤ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਇਸ ਵਿੱਚ ਨਿਸ਼ਚਿਤ ਗਿਆਨ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਕਿ ਨਵੇਂ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਤਰਕ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ DeepSeek ਦਾ R1 ਜਾਂ OpenAI ਦੇ ਅਫਵਾਹਾਂ ਵਾਲੇ o1/o3) ਇਸ ਮੁੱਦੇ ਨੂੰ ਘੱਟ ਕਰਨ ਦਾ ਟੀਚਾ ਰੱਖਦੇ ਹਨ, ਉਹਨਾਂ ਨੇ ਇਸਨੂੰ ਖਤਮ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਇੱਕ ਫੂਲਪਰੂਫ LLM, ਹਰ ਮਾਮਲੇ ਵਿੱਚ ਸਹੀ ਹੋਣ ਦੀ ਗਾਰੰਟੀ, ਅਜੇ ਵੀ ਪਹੁੰਚ ਤੋਂ ਬਾਹਰ ਹੈ। ਇਸ ਲਈ, ਜਦੋਂ ਕਿ LLMs ਵਿਅਕਤੀਆਂ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੋ ਸਕਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ ਨਾਲ ਸੰਤੁਲਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਉਹਨਾਂ ਦੇ ਆਉਟਪੁੱਟ ‘ਤੇ ਅਧਾਰਤ ਫੈਸਲਿਆਂ ਦਾ ਮਹੱਤਵਪੂਰਨ ਭਾਰ ਹੁੰਦਾ ਹੈ। ਉਹ ਮਨੁੱਖੀ ਸਮਰੱਥਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ; ਉਹ ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਨਿਰਣੇ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦੇ।

ਕਾਰਪੋਰੇਟ ਅਤੇ ਸਰਕਾਰੀ AI ਲਾਗੂਕਰਨ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨਾ

ਉੱਚ-ਦਾਅ, ਓਪਨ-ਐਂਡਡ ਸਵਾਲਾਂ ਲਈ ਉਹਨਾਂ ਦੀਆਂ ਅੰਦਰੂਨੀ ਸੀਮਾਵਾਂ ਦੇ ਬਾਵਜੂਦ, LLMs ਉੱਦਮਾਂ ਅਤੇ ਸਰਕਾਰੀ ਸੰਸਥਾਵਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਮੁੱਲ ਪ੍ਰਸਤਾਵ ਪੇਸ਼ ਕਰਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ। ਉਹਨਾਂ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਨਿਸ਼ਚਿਤ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਬਦਲਣ ਵਿੱਚ ਨਹੀਂ, ਬਲਕਿ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਅਤੇ ਸੂਝ ਕੱਢਣ ਵਿੱਚ ਹਨ। ਮੁੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਪ੍ਰਕਿਰਿਆ ਆਟੋਮੇਸ਼ਨ: ਡਾਟਾ ਐਂਟਰੀ, ਗਾਹਕ ਸੇਵਾ ਪ੍ਰੀ-ਸਕ੍ਰੀਨਿੰਗ, ਦਸਤਾਵੇਜ਼ ਸਾਰਾਂਸ਼, ਅਤੇ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਨ ਵਰਗੇ ਰੁਟੀਨ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣਾ।
• ਵਰਕਫਲੋ ਅਨੁਕੂਲਨ: ਰੁਕਾਵਟਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਕੁਸ਼ਲਤਾ ਸੁਧਾਰਾਂ ਦਾ ਸੁਝਾਅ ਦੇਣਾ, ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਧਾਰ ‘ਤੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਜੈਕਟ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ।
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਰੁਝਾਨਾਂ, ਸਬੰਧਾਂ, ਅਤੇ ਵਿਗਾੜਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਕਰਨਾ ਜੋ ਮਨੁੱਖੀ ਖੋਜ ਤੋਂ ਬਚ ਸਕਦੇ ਹਨ, ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਸਰੋਤ ਵੰਡ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨਾ।

ਸਰਕਾਰੀ ਅਤੇ ਕਾਰਪੋਰੇਟ ਵਰਤੋਂ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ ਡਾਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਗੁਪਤਤਾ ਹੈ। DeepSeek ਵਰਗੇ ਓਪਨ-ਸੋਰਸ ਮਾਡਲਾਂ ਦੀ ਉਪਲਬਧਤਾ ਇੱਥੇ ਇੱਕ ਫਾਇਦਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਸਮਰਪਿਤ, ਸੁਰੱਖਿਅਤ ਸਰਕਾਰੀ ਜਾਂ ਕਾਰਪੋਰੇਟ ਡਿਜੀਟਲ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਹੋਸਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ‘ਆਨ-ਪ੍ਰੀਮਿਸਸ’ ਜਾਂ ‘ਪ੍ਰਾਈਵੇਟ ਕਲਾਉਡ’ ਪਹੁੰਚ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਂ ਗੁਪਤ ਜਾਣਕਾਰੀ ਨੂੰ ਬਾਹਰੀ ਸਰਵਰਾਂ ਜਾਂ ਤੀਜੀ-ਧਿਰ ਪ੍ਰਦਾਤਾਵਾਂ ਦੇ ਸਾਹਮਣੇ ਲਿਆਏ ਬਿਨਾਂ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਮਹੱਤਵਪੂਰਨ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਜੋਖਮਾਂ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ।

ਹਾਲਾਂਕਿ, ਗਣਨਾ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਦਲ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਜਨਤਕ-ਸਾਹਮਣਾ ਕਰਨ ਵਾਲੀਆਂ ਸਰਕਾਰੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ‘ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿੱਥੇ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਅਧਿਕਾਰਤ ਅਤੇ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਸਹੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਇੱਕ ਨਾਗਰਿਕ ਸਮਾਜਿਕ ਲਾਭਾਂ, ਟੈਕਸ ਨਿਯਮਾਂ, ਜਾਂ ਐਮਰਜੈਂਸੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ ਯੋਗਤਾ ਬਾਰੇ ਇੱਕ LLM-ਸੰਚਾਲਿਤ ਸਰਕਾਰੀ ਪੋਰਟਲ ਤੋਂ ਪੁੱਛਗਿੱਛ ਕਰ ਰਿਹਾ ਹੈ। ਭਾਵੇਂ AI 99% ਸਮੇਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹੀ ਜਵਾਬ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਬਾਕੀ 1% ਗੁੰਮਰਾਹਕੁੰਨ ਜਾਂ ਗਲਤ ਜਵਾਬਾਂ ਦੇ ਗੰਭੀਰ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ, ਜਨਤਕ ਵਿਸ਼ਵਾਸ ਨੂੰ ਖੋਰਾ ਲੱਗ ਸਕਦਾ ਹੈ, ਵਿੱਤੀ ਮੁਸ਼ਕਲ ਪੈਦਾ ਹੋ ਸਕਦੀ ਹੈ, ਜਾਂ ਸੁਰੱਖਿਆ ਨੂੰ ਵੀ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ।

ਇਸ ਲਈ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਸੰਭਾਵੀ ਹੱਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਸਵਾਲ ਫਿਲਟਰਿੰਗ: ਉਹਨਾਂ ਪੁੱਛਗਿੱਛਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਜੋ ਸੁਰੱਖਿਅਤ, ਪ੍ਰਮਾਣਿਤ ਜਵਾਬਾਂ ਦੇ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਆਉਂਦੀਆਂ ਹਨ।
• ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ: ਇੱਕ ਮਨੁੱਖੀ ਮਾਹਰ ਦੁਆਰਾ ਸਮੀਖਿਆ ਅਤੇ ਜਵਾਬ ਲਈ ਗੁੰਝਲਦਾਰ, ਅਸਪਸ਼ਟ, ਜਾਂ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਸਵਾਲਾਂ ਨੂੰ ਫਲੈਗ ਕਰਨਾ।
• ਵਿਸ਼ਵਾਸ ਸਕੋਰਿੰਗ: AI ਨੂੰ ਇੱਕ ਜਵਾਬ ਬਾਰੇ ਇਸਦੇ ਨਿਸ਼ਚਤਤਾ ਦੇ ਪੱਧਰ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਪ੍ਰੋਗਰਾਮਿੰਗ ਕਰਨਾ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਘੱਟ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਜਵਾਬਾਂ ਲਈ ਤਸਦੀਕ ਦੀ ਮੰਗ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਨਾ।
• ਜਵਾਬ ਪ੍ਰਮਾਣਿਕਤਾ: ਜਨਤਾ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਜਾਣੀ-ਪਛਾਣੀ, ਸਹੀ ਜਾਣਕਾਰੀ ਦੇ ਕਿਉਰੇਟਿਡ ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ AI-ਤਿਆਰ ਜਵਾਬਾਂ ਦਾ ਕਰਾਸ-ਰੈਫਰੈਂਸ ਕਰਨਾ।

ਇਹ ਉਪਾਅ ਮੌਜੂਦਾ LLM ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਮੌਜੂਦ ਬੁਨਿਆਦੀ ਤਣਾਅ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ: ਉਹਨਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਉਤਪਾਦਕ ਸ਼ਕਤੀ ਅਤੇ ਨਾਜ਼ੁਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਪੂਰੀ ਲੋੜ ਵਿਚਕਾਰ ਵਪਾਰ-ਬੰਦ। ਜਨਤਕ ਖੇਤਰ ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰ AI ਤੈਨਾਤੀ ਲਈ ਇਸ ਤਣਾਅ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਮੁੱਖ ਹੈ।

ਭਰੋਸੇਯੋਗ AI ਵੱਲ: ਗਿਆਨ ਗ੍ਰਾਫ ਪਹੁੰਚ

ਚੀਨ ਦੀ ਪਹੁੰਚ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਸਰਗਰਮੀ ਨਾਲ ਭਾਲ ਕਰਦੇ ਹੋਏ ਖਾਸ, ਨਿਯੰਤਰਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ AI ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਕੇ ਇਸ ਤਣਾਅ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨ ‘ਤੇ ਤੇਜ਼ੀ ਨਾਲ ਕੇਂਦਰਿਤ ਜਾਪਦੀ ਹੈ। ਇੱਕ ਮਜਬੂਰ ਕਰਨ ਵਾਲੀ ਉਦਾਹਰਣ Zhuhai, ਗ੍ਰੇਟਰ ਬੇ ਏਰੀਆ ਦੇ ਇੱਕ ਸ਼ਹਿਰਵਿੱਚ ਚੱਲ ਰਹੀ ਸਮਾਰਟ ਸਿਟੀ ਪਹਿਲਕਦਮੀ ਹੈ। ਨਗਰਪਾਲਿਕਾ ਸਰਕਾਰ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ Zhipu AI ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰਣਨੀਤਕ ਨਿਵੇਸ਼ (ਲਗਭਗ 500 ਮਿਲੀਅਨ ਯੂਆਨ ਜਾਂ US$69 ਮਿਲੀਅਨ) ਕੀਤਾ ਹੈ, ਜੋ ਸ਼ਹਿਰੀ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਉੱਨਤ AI ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਵਚਨਬੱਧਤਾ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ।

Zhuhai ਦੀਆਂ ਇੱਛਾਵਾਂ ਸਧਾਰਨ ਆਟੋਮੇਸ਼ਨ ਤੋਂ ਪਰੇ ਹਨ। ਟੀਚਾ ਜਨਤਕ ਸੇਵਾਵਾਂ ਵਿੱਚ ਠੋਸ ਸੁਧਾਰਾਂ ਦੇ ਉਦੇਸ਼ ਨਾਲ AI ਦਾ ਇੱਕ ਵਿਆਪਕ, ਪਰਤ ਵਾਲਾ ਲਾਗੂਕਰਨ ਹੈ। ਇਸ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਟ੍ਰੈਫਿਕ ਪ੍ਰਵਾਹ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ, ਵਧੇਰੇ ਸੰਪੂਰਨ ਫੈਸਲੇ ਲੈਣ ਲਈ ਵੱਖ-ਵੱਖ ਸਰਕਾਰੀ ਵਿਭਾਗਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਟ੍ਰੀਮਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਨਾਗਰਿਕਾਂ ਲਈ ਇੱਕ ਵਧੇਰੇ ਕੁਸ਼ਲ ਅਤੇ ਜਵਾਬਦੇਹ ਸ਼ਹਿਰੀ ਵਾਤਾਵਰਣ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਹੈ।

ਇਸ ਕੋਸ਼ਿਸ਼ ਦਾ ਕੇਂਦਰ Zhipu AI ਦਾ GLM-4 ਜਨਰਲ ਲੈਂਗੂਏਜ ਮਾਡਲ ਹੈ। ਚੀਨੀ ਅਤੇ ਅੰਗਰੇਜ਼ੀ ਦੋਵਾਂ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਨਿਪੁੰਨ ਹੋਣ ਅਤੇ ਬਹੁ-ਮਾਡਲ ਸਮਰੱਥਾਵਾਂ (ਸਿਰਫ਼ ਟੈਕਸਟ ਤੋਂ ਪਰੇ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ) ਦੇ ਬਾਵਜੂਦ, ਇਸਦਾ ਮੁੱਖ ਅੰਤਰ ਇਸਦੇ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਹੈ। Zhipu AI, Tsinghua University ਦੇ ਪ੍ਰਸਿੱਧ Knowledge Engineering Group ਤੋਂ ਇੱਕ ਸਪਿਨ-ਆਫ, ਆਪਣੀ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੰਰਚਿਤ ਡੇਟਾਸੈਟਾਂ ਅਤੇ ਗਿਆਨ ਗ੍ਰਾਫਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਰਵਾਇਤੀ LLMs ਦੇ ਉਲਟ ਜੋ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗੈਰ-ਸੰਰਚਿਤ ਟੈਕਸਟ (ਜਿਵੇਂ ਕਿ ਵੈਬਸਾਈਟਾਂ ਅਤੇ ਕਿਤਾਬਾਂ) ਤੋਂ ਸਿੱਖਦੇ ਹਨ, Zhipu AI ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਕਿਉਰੇਟਿਡ, ਉੱਚ-ਸ਼ੁੱਧਤਾ ਵਾਲੇ ਗਿਆਨ ਗ੍ਰਾਫਾਂ - ਤੱਥਾਂ, ਇਕਾਈਆਂ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਬੰਧਾਂ ਦੀਆਂ ਸੰਰਚਿਤ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ।

ਕੰਪਨੀ ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ ਇਹ ਪਹੁੰਚ ਮਾਡਲ ਦੀ ਹੈਲੂਸੀਨੇਸ਼ਨ ਦਰ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਘਟਾਉਂਦੀ ਹੈ, ਕਥਿਤ ਤੌਰ ‘ਤੇ ਹਾਲ ਹੀ ਦੇ ਵਿਸ਼ਵਵਿਆਪੀ ਤੁਲਨਾ ਵਿੱਚ ਸਭ ਤੋਂ ਘੱਟ ਦਰ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ। ਪ੍ਰਮਾਣਿਤ, ਸੰਰਚਿਤ ਗਿਆਨ ਦੇ ਢਾਂਚੇ ਵਿੱਚ AI ਦੇ ਅੰਕੜਾਤਮਕ ਅਨੁਮਾਨਾਂ ਨੂੰ ਆਧਾਰ ਬਣਾ ਕੇ (ਜਿਵੇਂ ਕਿ ‘Knowledge Engineering’ ਮੂਲ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ), Zhipu AI ਇੱਕ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਬੋਧਾਤਮਕ ਇੰਜਣ ਬਣਾਉਣ ਦਾ ਟੀਚਾ ਰੱਖਦਾ ਹੈ। ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅੰਕੜਾ ਮਾਡਲਾਂ ਤੋਂ ਦੂਰ ਉਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਇੱਕ ਵਿਹਾਰਕ ਕਦਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਤੱਥਾਂ ਦੇ ਆਧਾਰ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੇ ਹਨ, Zhuhai ਦੇ ਸਮਾਰਟ ਸਿਟੀ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਕਲਪਨਾ ਕੀਤੀਆਂ ਗਈਆਂ ਖਾਸ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।

ਨਿਊਰੋ-ਸਿੰਬੋਲਿਕ ਏਕੀਕਰਣ ਦੀ ਖੋਜ

Zhipu AI ਉਦਾਹਰਣ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਇੱਕ ਵਿਆਪਕ, ਵਧੇਰੇ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਵੱਲ ਸੰਕੇਤ ਕਰਦੀ ਹੈ: ਪ੍ਰਤੀਕਾਤਮਕ ਤਰਕਸ਼ੀਲ ਤਰਕ ਨਾਲ ਅੰਕੜਾ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ਦਾ ਏਕੀਕਰਣ। ਜਦੋਂ ਕਿ ਮੌਜੂਦਾ LLMs ਮੁੱਖ ਤੌਰ ‘ਤੇ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ਦੀ ਜਿੱਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ - ਪੈਟਰਨ ਪਛਾਣ, ਸੰਵੇਦੀ ਡੇਟਾ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਸੰਭਾਵਿਤ ਆਉਟਪੁੱਟ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸ਼ਾਨਦਾਰ - ਅਗਲੇ ਪੜਾਅ ਵਿੱਚ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ਇਸ ‘ਅਨੁਭਵੀ’ ਸਮਰੱਥਾ ਨੂੰ ਰਵਾਇਤੀ ਪ੍ਰਤੀਕਾਤਮਕ AI ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਵਾਲੇ ਸੰਰਚਿਤ, ਨਿਯਮ-ਅਧਾਰਤ ਤਰਕ ਨਾਲ ਜੋੜਨਾ ਸ਼ਾਮਲ ਹੈ।

ਇਸ ਨਿਊਰੋ-ਸਿੰਬੋਲਿਕ ਏਕੀਕਰਣ ਨੂੰ ਅਕਸਰ AI ਖੋਜ ਵਿੱਚ ਇੱਕ ‘ਹੋਲੀ ਗ੍ਰੇਲ’ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦੋਵਾਂ ਸੰਸਾਰਾਂ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਵਾਅਦਾ ਕਰਦਾ ਹੈ: ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ਦੀਆਂ ਸਿੱਖਣ ਅਤੇ ਅਨੁਕੂਲਨ ਸਮਰੱਥਾਵਾਂ ਪ੍ਰਤੀਕਾਤਮਕ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਪਾਰਦਰਸ਼ਤਾ, ਪ੍ਰਮਾਣਿਕਤਾ, ਅਤੇ ਸਪੱਸ਼ਟ ਤਰਕ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ। ਇੱਕ ਅਜਿਹੇ AI ਦੀ ਕਲਪਨਾ ਕਰੋ ਜੋ ਨਾ ਸਿਰਫ਼ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਦਾ ਹੈ ਬਲਕਿ ਸਥਾਪਿਤ ਨਿਯਮਾਂ, ਕਾਨੂੰਨਾਂ, ਜਾਂ ਤਰਕਸ਼ੀਲ ਸਿਧਾਂਤਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਆਪਣੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਵੀ ਕਰ ਸਕਦਾ ਹੈ।

ਸਹਿਜ ਏਕੀਕਰਣ ਪ੍ਰਾਪਤ ਕਰਨਾ ਬਹੁਤ ਸਾਰੀਆਂ ਗੁੰਝਲਦਾਰ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਿਧਾਂਤਕ ਢਾਂਚੇ, ਗਣਨਾਤਮਕ ਕੁਸ਼ਲਤਾ, ਅਤੇ ਵਿਹਾਰਕ ਲਾਗੂਕਰਨ ਸ਼ਾਮਲ ਹਨ। ਹਾਲਾਂਕਿ, ਮਜ਼ਬੂਤ ਗਿਆਨ ਗ੍ਰਾਫ ਬਣਾਉਣਾ ਇੱਕ ਠੋਸ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਤੱਥਾਂ ਅਤੇ ਸਬੰਧਾਂ ਦੇ ਇਹ ਸੰਰਚਿਤ ਡੇਟਾਬੇਸ ਨਿਊਰਲ ਨੈਟਵਰਕ ਅਨੁਮਾਨਾਂ ਨੂੰ ਐਂਕਰ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਪ੍ਰਤੀਕਾਤਮਕ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਕੋਈ ਚੀਨ ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਪੈਮਾਨੇ ‘ਤੇ, ਰਾਜ-ਪ੍ਰਯੋਜਿਤ ਯਤਨ ਦੀ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਸ਼ਾਇਦ Ming ਰਾਜਵੰਸ਼ ਦੇ ਦੌਰਾਨ ਵਿਸ਼ਵਕੋਸ਼ੀ Yongle Dadian ਨੂੰ ਸੰਕਲਿਤ ਕਰਨ ਦੇ ਯਾਦਗਾਰੀ ਕਾਰਜ ਦੀ ਗੂੰਜ। ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਵਿੱਚ ਜਿੱਥੇ ਸ਼ੁੱਧਤਾ ਗੈਰ-ਸੌਦੇਬਾਜ਼ੀਯੋਗ ਹੈ - ਜਿਵੇਂ ਕਿ ਦਵਾਈ, ਕਾਨੂੰਨ, ਇੰਜੀਨੀਅਰਿੰਗ, ਅਤੇ ਪਦਾਰਥ ਵਿਗਿਆਨ - ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਡਿਜੀਟਲ ਰੂਪ ਵਿੱਚ ਕੋਡਬੱਧ ਕਰਕੇ, ਚੀਨ ਬੁਨਿਆਦੀ ਗਿਆਨ ਢਾਂਚੇ ਬਣਾ ਸਕਦਾ ਹੈ। ਭਵਿੱਖ ਦੇ AI ਮਾਡਲਾਂ ਨੂੰ ਇਹਨਾਂ ਕੋਡਬੱਧ, ਸੰਰਚਿਤ ਗਿਆਨ ਅਧਾਰਾਂ ਵਿੱਚ ਐਂਕਰ ਕਰਨਾ ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ, ਹੈਲੂਸੀਨੇਸ਼ਨ ਲਈ ਘੱਟ ਸੰਭਾਵਿਤ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਨਾਜ਼ੁਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ਵੱਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੋਵੇਗਾ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਇਹਨਾਂ ਖੇਤਰਾਂ ਦੀਆਂ ਸਰਹੱਦਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣਾ।

ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ: ਚੀਨ ਦਾ ਈਕੋਸਿਸਟਮ ਲਾਭ

ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਮਜਬੂਰ ਕਰਨ ਵਾਲਾ ਖੇਤਰ ਜਿੱਥੇ ਚੀਨ ਏਕੀਕ੍ਰਿਤ, ਭਰੋਸੇਯੋਗ AI ‘ਤੇ ਆਪਣੇ ਫੋਕਸ ਦਾ ਲਾਭ ਉਠਾਉਣ ਲਈ ਤਿਆਰ ਜਾਪਦਾ ਹੈ, ਉਹ ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ ਹੈ। ਇਹ ਐਪਲੀਕੇਸ਼ਨ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ ਤੋਂ ਵੱਖਰੀ ਹੈ ਕਿਉਂਕਿ ਸੁਰੱਖਿਆ ਸਿਰਫ਼ ਲੋੜੀਂਦੀ ਨਹੀਂ ਹੈ; ਇਹ ਸਰਵਉੱਚ ਹੈ। ਗੁੰਝਲਦਾਰ, ਅਪ੍ਰਤੱਖ ਅਸਲ-ਸੰਸਾਰ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਇੱਕ ਵਾਹਨ ਚਲਾਉਣ ਲਈ ਸਿਰਫ਼ ਪੈਟਰਨ ਪਛਾਣ ਤੋਂ ਵੱਧ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਇਸ ਲਈ ਟ੍ਰੈਫਿਕ ਕਾਨੂੰਨਾਂ, ਭੌਤਿਕ ਰੁਕਾਵਟਾਂ