ਕੁਸ਼ਲ AI ਦਾ ਉਭਾਰ

IBM ਗ੍ਰੇਨਾਈਟ: ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਤ ਕਰਨਾ

IBM ਦਾ ਟਿਕਾਊ AI ਪ੍ਰਤੀ ਪਹੁੰਚ ਇਸਦੇ ਗ੍ਰੇਨਾਈਟ 3.2 ਮਾਡਲਾਂ ਵਿੱਚ ਮੂਰਤੀਮਾਨ ਹੈ। ਇਹ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਕਾਰੋਬਾਰੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਸਾਵਧਾਨੀ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ ਕੁਸ਼ਲਤਾ ਪ੍ਰਤੀ ਵਚਨਬੱਧਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਇਹ ਰਣਨੀਤਕ ਫੋਕਸ ਕਾਫ਼ੀ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:

• ਕੰਪਿਊਟੇਸ਼ਨਲ ਮੰਗਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਕਮੀ: ਗ੍ਰੇਨਾਈਟ ਲੜੀ ਦੇ ਅੰਦਰ ਗਾਰਡੀਅਨ ਸੁਰੱਖਿਆ ਮਾਡਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋੜਾਂ ਵਿੱਚ ਕਮਾਲ ਦੀ ਕਮੀ ਦਾ ਮਾਣ ਕਰਦੇ ਹਨ, 30% ਤੱਕ ਦੀ ਕਮੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਊਰਜਾ ਬੱਚਤਾਂ ਅਤੇ ਘੱਟ ਸੰਚਾਲਨ ਲਾਗਤਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ।
• ਸੁਚਾਰੂ ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ: ਗ੍ਰੇਨਾਈਟ ਮਾਡਲ ਗੁੰਝਲਦਾਰ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਮਝਣ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਉੱਤਮ ਹਨ, ਘੱਟੋ-ਘੱਟ ਸਰੋਤਾਂ ਦੀ ਖਪਤ ਦੇ ਨਾਲ ਉੱਚ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਕੁਸ਼ਲਤਾ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਨਾਲ ਨਜਿੱਠਣ ਵਾਲੇ ਕਾਰੋਬਾਰਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।
• ‘ਚੇਨ ਆਫ਼ ਥਾਟ’ ਨਾਲ ਅਨੁਕੂਲਿਤ ਤਰਕ: IBM ਗ੍ਰੇਨਾਈਟ ਮਾਡਲਾਂ ਦੇ ਅੰਦਰ ਇੱਕ ਵਿਕਲਪਿਕ ‘ਚੇਨ ਆਫ਼ ਥਾਟ’ ਤਰਕ ਵਿਧੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਗੁੰਝਲਦਾਰ ਤਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਛੋਟੇ, ਵਧੇਰੇ ਪ੍ਰਬੰਧਨਯੋਗ ਕਦਮਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਕੁਸ਼ਲਤਾ ਦੇ ਅਨੁਕੂਲਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

TinyTimeMixers ਮਾਡਲ, ਗ੍ਰੇਨਾਈਟ ਪਰਿਵਾਰ ਦਾ ਇੱਕ ਸ਼ਾਨਦਾਰ ਹਿੱਸਾ, ਸੰਖੇਪ AI ਦੀ ਸ਼ਕਤੀ ਦੀ ਮਿਸਾਲ ਦਿੰਦੇ ਹਨ। ਇਹ ਮਾਡਲ 10 ਮਿਲੀਅਨ ਤੋਂ ਘੱਟ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਦੋ-ਸਾਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸਮਰੱਥਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਰਵਾਇਤੀ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਅੰਤਰ ਹੈ ਜੋ ਅਕਸਰ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਮਾਣ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ IBM ਦੇ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਘੱਟ ਕਰਨ ਦੇ ਸਮਰਪਣ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

ਮਾਈਕ੍ਰੋਸਾਫਟ Phi-4: ਮਲਟੀਮੋਡਲ AI ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਦੀ ਸ਼ੁਰੂਆਤ

ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ Phi-4 ਪਰਿਵਾਰ ਕੁਸ਼ਲਤਾ ਅਤੇ ਪਹੁੰਚਯੋਗਤਾ ਪ੍ਰਤੀ ਇੱਕ ਸਮਾਨ ਵਚਨਬੱਧਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਪਰ ਮਲਟੀਮੋਡਲ ਸਮਰੱਥਾਵਾਂ ‘ਤੇ ਇੱਕ ਵੱਖਰੇ ਫੋਕਸ ਦੇ ਨਾਲ। Phi-4 ਲੜੀ ਦੋ ਨਵੀਨਤਾਕਾਰੀ ਮਾਡਲਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦੀ ਹੈ ਜੋ ਸਰੋਤ-ਪ੍ਰਤੀਬੰਧਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਵਧਣ-ਫੁੱਲਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ:

• Phi-4-multimodal: ਇਹ 5.6 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਇੱਕ ਸ਼ਾਨਦਾਰ ਪ੍ਰਾਪਤੀ ਹੈ, ਜੋ ਇੱਕੋ ਸਮੇਂ ਸਪੀਚ, ਵਿਜ਼ਨ ਅਤੇ ਟੈਕਸਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ। ਇਹ ਮਲਟੀਮੋਡਲ ਹੁਨਰ ਕੁਦਰਤੀ ਅਤੇ ਅਨੁਭਵੀ ਮਨੁੱਖੀ-ਕੰਪਿਊਟਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਲਈ ਨਵੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਖੋਲ੍ਹਦਾ ਹੈ।
• Phi-4-mini: ਟੈਕਸਟ-ਅਧਾਰਤ ਕਾਰਜਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ, ਇਹ 3.8 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਅਧਿਕਤਮ ਕੁਸ਼ਲਤਾ ਲਈ ਅਨੁਕੂਲਿਤ ਹੈ। ਇਸਦਾ ਸੰਖੇਪ ਆਕਾਰ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਇਸਨੂੰ ਸੀਮਤ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤਾਂ ਵਾਲੇ ਉਪਕਰਣਾਂ, ਜਿਵੇਂ ਕਿ ਸਮਾਰਟਫ਼ੋਨ ਅਤੇ ਵਾਹਨਾਂ ‘ਤੇ ਤੈਨਾਤੀ ਲਈ ਆਦਰਸ਼ ਬਣਾਉਂਦੇ ਹਨ।

ਵੇਈਜ਼ੂ ਚੇਨ, ਮਾਈਕ੍ਰੋਸਾਫਟ ਵਿਖੇ ਜਨਰੇਟਿਵ AI ਦੇ ਉਪ-ਪ੍ਰਧਾਨ, Phi-4-multimodal ਦੇ ਮਹੱਤਵ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ: ‘’Phi-4-multimodal ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ AI ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਮੀਲ ਪੱਥਰ ਹੈ ਕਿਉਂਕਿ ਸਾਡਾ ਪਹਿਲਾ ਮਲਟੀਮੋਡਲ ਭਾਸ਼ਾ ਮਾਡਲ ਹੈ।’’ ਉਹ ਅੱਗੇ ਦੱਸਦੇ ਹਨ ਕਿ ਮਾਡਲ ‘’ਐਡਵਾਂਸਡ ਕਰਾਸ-ਮੋਡਲ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ’’ ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਿਵਾਈਸਾਂ ‘’ਇੱਕੋ ਸਮੇਂ ਕਈ ਇਨਪੁਟ ਮੋਡੈਲਿਟੀਜ਼ ਵਿੱਚ ਸਮਝ ਅਤੇ ਤਰਕ’’ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਸਮਰੱਥਾ ‘’ਬਹੁਤ ਕੁਸ਼ਲ, ਘੱਟ-ਲੇਟੈਂਸੀ ਅਨੁਮਾਨ’’ ਦੀ ਸਹੂਲਤ ਦਿੰਦੀ ਹੈ ਜਦੋਂ ਕਿ ‘’ਆਨ-ਡਿਵਾਈਸ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਅਤੇ ਘੱਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਓਵਰਹੈੱਡ’’ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਂਦੀ ਹੈ।

ਬਰੂਟ ਫੋਰਸ ਤੋਂ ਪਰੇ ਇੱਕ ਵਿਜ਼ਨ: AI ਦਾ ਟਿਕਾਊ ਭਵਿੱਖ

ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵੱਲ ਤਬਦੀਲੀ ਸਿਰਫ਼ ਵਾਧੇ ਵਾਲੇ ਸੁਧਾਰਾਂ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ AI ਵਿਕਾਸ ਦੇ ਫਲਸਫੇ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। IBM ਅਤੇ ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੋਵੇਂ ਇੱਕ ਅਜਿਹੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਅਗਵਾਈ ਕਰ ਰਹੇ ਹਨ ਜਿੱਥੇ ਕੁਸ਼ਲਤਾ, ਏਕੀਕਰਣ, ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਪ੍ਰਭਾਵ ਕੱਚੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਨਾਲੋਂ ਪਹਿਲ ਰੱਖਦੇ ਹਨ।

ਸ੍ਰੀਰਾਮ ਰਾਘਵਨ, IBM AI ਰਿਸਰਚ ਦੇ ਉਪ-ਪ੍ਰਧਾਨ, ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਦਰਸਾਉਂਦੇ ਹਨ: ‘’AI ਦਾ ਅਗਲਾ ਯੁੱਗ ਕੁਸ਼ਲਤਾ, ਏਕੀਕਰਣ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਪ੍ਰਭਾਵ ਬਾਰੇ ਹੈ - ਜਿੱਥੇ ਉੱਦਮ ਕੰਪਿਊਟ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਰਚ ਕੀਤੇ ਬਿਨਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।’’ ਇਹ ਬਿਆਨ ਵਧ ਰਹੀ ਮਾਨਤਾ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ ਕਿ ਟਿਕਾਊ AI ਸਿਰਫ਼ ਇੱਕ ਵਾਤਾਵਰਣਕ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਕਾਰੋਬਾਰੀ ਜ਼ਰੂਰੀ ਵੀ ਹੈ।

ਇਸ ਟਿਕਾਊ ਪਹੁੰਚ ਦੇ ਫਾਇਦੇ ਬਹੁਪੱਖੀ ਹਨ:

• ਊਰਜਾ ਦੀ ਖਪਤ ਵਿੱਚ ਭਾਰੀ ਕਮੀ: ਛੋਟੇ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਸੁਭਾਵਕ ਤੌਰ ‘ਤੇ ਘੱਟ ਊਰਜਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਲਾਗਤ ਬੱਚਤਾਂ ਅਤੇ ਘੱਟ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ।
• ਘੱਟ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ: ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋੜਾਂ ਵਿੱਚ ਕਮੀ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਗ੍ਰੀਨਹਾਉਸ ਗੈਸਾਂ ਦੇ ਨਿਕਾਸ ਵਿੱਚ ਕਮੀ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀ ਹੈ, AI ਵਿਕਾਸ ਨੂੰ ਗਲੋਬਲ ਸਥਿਰਤਾ ਟੀਚਿਆਂ ਨਾਲ ਜੋੜਦੀ ਹੈ।
• ਵਧੀ ਹੋਈ ਪਹੁੰਚਯੋਗਤਾ: ਛੋਟੇ, ਵਧੇਰੇ ਕੁਸ਼ਲ ਮਾਡਲ AI ਹੱਲਾਂ ਨੂੰ ਛੋਟੀਆਂ ਸੰਸਥਾਵਾਂ ਲਈ ਵਧੇਰੇ ਕਿਫਾਇਤੀ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ, ਇਸ ਪਰਿਵਰਤਨਸ਼ੀਲ ਤਕਨਾਲੋਜੀ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਜਮਹੂਰੀਅਤ ਦਿੰਦੇ ਹਨ।
• ਲਚਕਦਾਰ ਤੈਨਾਤੀ ਵਿਕਲਪ: ਐਜ ਡਿਵਾਈਸਾਂ ਅਤੇ ਸਰੋਤ-ਪ੍ਰਤੀਬੰਧਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਉੱਨਤ AI ਚਲਾਉਣ ਦੀ ਯੋਗਤਾ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਨਵੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਇੱਕ ਭੰਡਾਰ ਖੋਲ੍ਹਦੀ ਹੈ, ਸਮਾਰਟ ਹੋਮਜ਼ ਤੋਂ ਲੈ ਕੇ ਰਿਮੋਟ ਸੈਂਸਿੰਗ ਤੱਕ।

ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਤੇ IBM ਦੁਆਰਾ SLMs ਦਾ ਵਿਕਾਸ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਤਰੱਕੀ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਬਿਆਨ ਹੈ। ਇਹ AI ਪ੍ਰਤੀ ਵਧੇਰੇ ਜ਼ਿੰਮੇਵਾਰ ਅਤੇ ਟਿਕਾਊ ਪਹੁੰਚ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ, ਜੋ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਕੁਰਬਾਨੀ ਕੀਤੇ ਬਿਨਾਂ ਕੁਸ਼ਲਤਾ ਅਤੇ ਪਹੁੰਚਯੋਗਤਾ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ। ਇਹ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ AI ਲੈਂਡਸਕੇਪ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਣ ਲਈ ਤਿਆਰ ਹੈ, ਇਸਨੂੰ ਵਧੇਰੇ ਸੰਮਲਿਤ, ਵਾਤਾਵਰਣ ਪ੍ਰਤੀ ਸੁਚੇਤ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਾਉਂਦਾ ਹੈ। AI ਦਾ ਭਵਿੱਖ ਵੱਡੇ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ ਚੁਸਤ, ਵਧੇਰੇ ਕੁਸ਼ਲ, ਅਤੇ ਵਧੇਰੇ ਟਿਕਾਊ ਹੱਲਾਂ ਬਾਰੇ ਹੈ।

IBM ਦੇ ਗ੍ਰੇਨਾਈਟ ਮਾਡਲਾਂ ਵਿੱਚ ਡੂੰਘੀ ਡੁਬਕੀ

IBM ਦੇ ਗ੍ਰੇਨਾਈਟ 3.2 ਮਾਡਲ ਕੁਸ਼ਲ AI ਦੀ ਖੋਜ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਆਓ ਕੁਝ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਲਾਭਾਂ ਦੀ ਵਧੇਰੇ ਵਿਸਥਾਰ ਵਿੱਚ ਜਾਂਚ ਕਰੀਏ:

ਨਿਸ਼ਾਨਾ ਕਾਰੋਬਾਰੀ ਐਪਲੀਕੇਸ਼ਨ: ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਉਲਟ, ਗ੍ਰੇਨਾਈਟ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਖਾਸ ਕਾਰੋਬਾਰੀ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਨਿਸ਼ਾਨਾ ਪਹੁੰਚ ਆਰਕੀਟੈਕਚਰ ਤੋਂ ਲੈ ਕੇ ਸਿਖਲਾਈ ਡੇਟਾ ਤੱਕ, ਹਰ ਪੱਧਰ ‘ਤੇ ਅਨੁਕੂਲਤਾ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਨਤੀਜਾ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਹੈ ਜੋ ਬੇਲੋੜੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਓਵਰਹੈੱਡ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹੋਏ ਆਪਣੇ ਇੱਛਤ ਡੋਮੇਨ ਵਿੱਚ ਉੱਤਮ ਹੈ।

ਗਾਰਡੀਅਨ ਸੇਫਟੀ ਮਾਡਲ: ਇਹ ਮਾਡਲ, ਜੋ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋੜਾਂ ਵਿੱਚ 30% ਤੱਕ ਦੀ ਕਮੀ ਦਾ ਅਨੁਭਵ ਕਰਦੇ ਹਨ, ਸੰਵੇਦਨਸ਼ੀਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ AI ਦੀ ਸੁਰੱਖਿਅਤ ਅਤੇ ਭਰੋਸੇਮੰਦ ਤੈਨਾਤੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਕੰਪਿਊਟੇਸ਼ਨਲ ਬੋਝ ਨੂੰ ਘਟਾ ਕੇ, IBM ਕਾਰੋਬਾਰਾਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਲਾਗਤਾਂ ਕੀਤੇ ਬਿਨਾਂ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਆਸਾਨ ਬਣਾ ਰਿਹਾ ਹੈ।

ਗੁੰਝਲਦਾਰ ਦਸਤਾਵੇਜ਼ ਸਮਝ: ਗ੍ਰੇਨਾਈਟ ਮਾਡਲਾਂ ਦੀ ਗੁੰਝਲਦਾਰ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਯੋਗਤਾ ਉਹਨਾਂ ਉਦਯੋਗਾਂ ਲਈ ਇੱਕ ਗੇਮ-ਚੇਂਜਰ ਹੈ ਜੋ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਭਾਵੇਂ ਇਹ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼, ਵਿੱਤੀ ਰਿਪੋਰਟਾਂ, ਜਾਂ ਵਿਗਿਆਨਕ ਪੇਪਰ ਹੋਣ, ਗ੍ਰੇਨਾਈਟ ਮਾਡਲ ਘੱਟੋ-ਘੱਟ ਸਰੋਤਾਂ ਦੀ ਖਪਤ ਕਰਦੇ ਹੋਏ, ਕਮਾਲ ਦੀ ਗਤੀ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨਾਲ ਸੂਝ ਕੱਢ ਸਕਦੇ ਹਨ ਅਤੇ ਵਰਕਫਲੋ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰ ਸਕਦੇ ਹਨ।

ਚੇਨ ਆਫ਼ ਥਾਟ ਰੀਜ਼ਨਿੰਗ: ਇਹ ਵਿਕਲਪਿਕ ਵਿਸ਼ੇਸ਼ਤਾ ਕੁਸ਼ਲ AI ਤਰਕ ਦੇ ਭਵਿੱਖ ਵਿੱਚ ਇੱਕ ਦਿਲਚਸਪ ਝਲਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਛੋਟੇ, ਵਧੇਰੇ ਪ੍ਰਬੰਧਨਯੋਗ ਕਦਮਾਂ ਵਿੱਚ ਵੰਡ ਕੇ, ‘ਚੇਨ ਆਫ਼ ਥਾਟ’ ਪਹੁੰਚ ਗ੍ਰੇਨਾਈਟ ਮਾਡਲਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ ਨਾ ਸਿਰਫ਼ ਊਰਜਾ ਦੀ ਖਪਤ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਬਲਕਿ ਮਾਡਲ ਦੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆਯੋਗਤਾ ਨੂੰ ਵੀ ਵਧਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਨੁੱਖਾਂ ਲਈ ਇਸਦੇ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਭਰੋਸਾ ਕਰਨਾ ਆਸਾਨ ਹੋ ਜਾਂਦਾ ਹੈ।

TinyTimeMixers: TinyTimeMixers ਦੀਆਂ ਕਮਾਲ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ, 10 ਮਿਲੀਅਨ ਤੋਂ ਘੱਟ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ ਦੋ-ਸਾਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਾਪਤ ਕਰਨਾ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼, ਸੰਖੇਪ ਮਾਡਲਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਰਵਾਇਤੀ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਵਿਸ਼ਾਲ ਪੈਮਾਨੇ ਦਾ ਸਹਾਰਾ ਲਏ ਬਿਨਾਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ Phi-4 ਪਰਿਵਾਰ ਦੀ ਵਧੇਰੇ ਵਿਸਥਾਰ ਵਿੱਚ ਪੜਚੋਲ ਕਰਨਾ

ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ Phi-4 ਪਰਿਵਾਰ ਕੁਸ਼ਲ AI ਲਈ ਇੱਕ ਵੱਖਰੀ, ਪਰ ਬਰਾਬਰ ਦੀ ਮਜਬੂਰ ਕਰਨ ਵਾਲੀ ਪਹੁੰਚ ਅਪਣਾਉਂਦਾ ਹੈ। ਆਓ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀਆਂ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਖੋਜ ਕਰੀਏ:

ਮਲਟੀਮੋਡਲ ਸਮਰੱਥਾਵਾਂ: Phi-4-multimodal ਦੀ ਸਪੀਚ, ਵਿਜ਼ਨ ਅਤੇ ਟੈਕਸਟ ਦੀ ਇੱਕੋ ਸਮੇਂ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਯੋਗਤਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਫਲਤਾ ਹੈ। ਇਹ ਮਨੁੱਖੀ-ਕੰਪਿਊਟਰ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਲਈ ਇੱਕ ਨਵਾਂ ਮੋਰਚਾ ਖੋਲ੍ਹਦਾ ਹੈ, ਵਧੇਰੇ ਕੁਦਰਤੀ ਅਤੇ ਅਨੁਭਵੀ ਇੰਟਰਫੇਸਾਂ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਅਜਿਹੇ ਯੰਤਰ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਬੋਲੇ ਗਏ ਹੁਕਮਾਂ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ, ਤੁਹਾਡੇ ਵਿਜ਼ੂਅਲ ਸੰਕੇਤਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਲਿਖਤੀ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਸਭ ਕੁਝ ਇੱਕੋ ਸਮੇਂ। ਇਹ ਮਲਟੀਮੋਡਲ AI ਦੀ ਸ਼ਕਤੀ ਹੈ।

ਕੰਪਿਊਟ-ਪ੍ਰਤੀਬੰਧਿਤ ਵਾਤਾਵਰਣ: Phi-4-multimodal ਅਤੇ Phi-4-mini ਦੋਵੇਂ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਸੀਮਤ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤਾਂ ਵਾਲੇ ਉਪਕਰਣਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ AI ਦੀ ਪਹੁੰਚ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਡੇਟਾ ਸੈਂਟਰਾਂ ਤੋਂ ਪਰੇ ਅਤੇ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਹੱਥਾਂ ਵਿੱਚ ਫੈਲਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਮਾਰਟਫ਼ੋਨ, ਵਾਹਨ, ਪਹਿਨਣਯੋਗ ਯੰਤਰ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਦਯੋਗਿਕ ਸੈਂਸਰ ਵੀ ਹੁਣ ਉੱਨਤ AI ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਲਾਭ ਲੈ ਸਕਦੇ ਹਨ।

ਕਰਾਸ-ਮੋਡਲ ਲਰਨਿੰਗ: ਵੇਈਜ਼ੂ ਚੇਨ ਦੁਆਰਾ ਜ਼ਿਕਰ ਕੀਤੀਆਂ ‘’ਐਡਵਾਂਸਡ ਕਰਾਸ-ਮੋਡਲ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ’’ Phi-4-multimodal ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹਨ। ਇਹ ਤਕਨੀਕਾਂ ਮਾਡਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਮੋਡੈਲਿਟੀਜ਼ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਇਹ ਸਪੀਚ, ਵਿਜ਼ਨ ਅਤੇ ਟੈਕਸਟ ਨੂੰ ਇੱਕ ਏਕੀਕ੍ਰਿਤ ਤਰੀਕੇ ਨਾਲ ਸਮਝ ਅਤੇ ਤਰਕ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ AI ਸਿਸਟਮ ਬਣਾਉਣ ਵੱਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ ਜੋ ਸੰਸਾਰ ਨੂੰ ਵਧੇਰੇ ਮਨੁੱਖੀ ਤਰੀਕੇ ਨਾਲ ਸਮਝ ਸਕਦੇ ਹਨ ਅਤੇ ਇਸ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਸਕਦੇ ਹਨ।

ਘੱਟ-ਲੇਟੈਂਸੀ ਅਨੁਮਾਨ: ‘’ਘੱਟ-ਲੇਟੈਂਸੀ ਅਨੁਮਾਨ’’ ‘ਤੇ ਜ਼ੋਰ ਰੀਅਲ-ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ Phi-4 ਮਾਡਲ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਜਲਦੀ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਢੁਕਵਾਂ ਬਣਾਉਂਦੇ ਹਨ ਜਿੱਥੇ ਜਵਾਬਦੇਹੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਵੌਇਸ ਅਸਿਸਟੈਂਟ, ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ, ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਅਨੁਵਾਦ।

ਆਨ-ਡਿਵਾਈਸ ਐਗਜ਼ੀਕਿਊਸ਼ਨ: ਕਲਾਉਡ ਸਰਵਰਾਂ ‘ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਸਿੱਧੇ ਡਿਵਾਈਸਾਂ ‘ਤੇ Phi-4 ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਦੀ ਯੋਗਤਾ ਕਈ ਫਾਇਦੇ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਇਹ ਲੇਟੈਂਸੀ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਗੋਪਨੀਯਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਇੰਟਰਨੈਟ ਕਨੈਕਸ਼ਨ ਤੋਂ ਬਿਨਾਂ ਵੀ ਕੰਮ ਕਰਨਾ ਜਾਰੀ ਰੱਖ ਸਕਦੇ ਹਨ।

SLMs ਦਾ ਵਿਕਾਸ AI ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮੋੜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ‘’ਵੱਡਾ ਹਮੇਸ਼ਾ ਬਿਹਤਰ ਹੁੰਦਾ ਹੈ’’ ਮਾਨਸਿਕਤਾ ਤੋਂ ਦੂਰ ਅਤੇ ਵਧੇਰੇ ਸੂਖਮ ਅਤੇ ਟਿਕਾਊ ਪਹੁੰਚ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ। ਕੁਸ਼ਲਤਾ, ਪਹੁੰਚਯੋਗਤਾ, ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਪ੍ਰਭਾਵ ਨੂੰ ਤਰਜੀਹ ਦੇ ਕੇ, ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਤੇ IBM ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਲਈ ਰਾਹ ਪੱਧਰਾ ਕਰ ਰਹੀਆਂ ਹਨ ਜਿੱਥੇ AI ਨਾ ਸਿਰਫ਼ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਬਲਕਿ ਜ਼ਿੰਮੇਵਾਰ ਅਤੇ ਸੰਮਲਿਤ ਵੀ ਹੈ। ਇਹ ਤਬਦੀਲੀ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਤਰੱਕੀ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਨੂੰ ਆਕਾਰ ਦੇਣ ਬਾਰੇ ਹੈ ਜਿੱਥੇ AI ਹਰ ਕਿਸੇ ਨੂੰ ਲਾਭ ਪਹੁੰਚਾਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇਸਦੇ ਵਾਤਾਵਰਣਕ ਪਦ-ਪ੍ਰਿੰਟ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਭਵਿੱਖ ਹੈ ਜਿਸ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਤੇ IBM ਦਾ ਕੰਮ ਉਸ ਦਿਸ਼ਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ।