ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ ਫਾਈ-4: ਛੋਟੇ, ਸ਼ਕਤੀਸ਼ਾਲੀ AI

AI ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਤ ਕਰਨਾ: ਫਾਈ-4 ਪਹੁੰਚ

ਫਾਈ-4 ਸੀਰੀਜ਼, ਜਿਸ ਵਿੱਚ ਫਾਈ-4-ਮਲਟੀਮੋਡਲ (5.6 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ) ਅਤੇ ਫਾਈ-4-ਮਿਨੀ (3.8 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ) ਸ਼ਾਮਲ ਹਨ, ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (SLMs) ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਇਹ ਸਿਰਫ਼ ਵੱਡੇ ਮਾਡਲਾਂ ਦੇ ਛੋਟੇ ਸੰਸਕਰਣ ਨਹੀਂ ਹਨ; ਉਹਨਾਂ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਇੰਜੀਨੀਅਰ ਕੀਤਾ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਉਹ ਕਾਰਗੁਜ਼ਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਣ ਜੋ, ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਉਹਨਾਂ ਦੇ ਆਕਾਰ ਤੋਂ ਦੁੱਗਣੇ ਮਾਡਲਾਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰਦੀ ਹੈ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਪਛਾੜ ਦਿੰਦੀ ਹੈ। ਇਹ ਕੁਸ਼ਲਤਾ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਪ੍ਰਾਪਤੀ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆਂ ਵਿੱਚ ਇੱਕ ਰਣਨੀਤਕ ਫਾਇਦਾ ਹੈ ਜੋ ਕਿਨਾਰੇ ਕੰਪਿਊਟਿੰਗ ਅਤੇ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ‘ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੀ ਹੈ।

ਮਾਈਕ੍ਰੋਸਾਫਟ ਵਿੱਚ ਜਨਰੇਟਿਵ AI ਦੇ ਉਪ ਪ੍ਰਧਾਨ, ਵੇਈਜ਼ੂ ਚੇਨ, ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਸ਼ਕਤੀਕਰਨ ਪ੍ਰਕਿਰਤੀ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ: ‘ਇਹ ਮਾਡਲ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉੱਨਤ AI ਸਮਰੱਥਾਵਾਂ ਨਾਲ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ।’ ਉਹ ਫਾਈ-4-ਮਲਟੀਮੋਡਲ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਕਈ ਰੂਪਾਂ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਸਮਰੱਥਾ ਹੈ, ‘ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਪ੍ਰਸੰਗ-ਜਾਗਰੂਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਲਈ ਨਵੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਅਨਲੌਕ ਕਰਨ’ ਲਈ।

ਅਜਿਹੇ ਕੁਸ਼ਲ ਮਾਡਲਾਂ ਦੀ ਮੰਗ AI ਦੀ ਵੱਧ ਰਹੀ ਲੋੜ ਦੁਆਰਾ ਚਲਾਈ ਜਾਂਦੀ ਹੈ ਜੋ ਵੱਡੇ ਡੇਟਾ ਸੈਂਟਰਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਬਾਹਰ ਕੰਮ ਕਰ ਸਕਦੀ ਹੈ। ਉੱਦਮ AI ਹੱਲ ਲੱਭ ਰਹੇ ਹਨ ਜੋ ਸਟੈਂਡਰਡ ਹਾਰਡਵੇਅਰ ‘ਤੇ, ਜਾਂ ‘ਕਿਨਾਰੇ’ ‘ਤੇ ਚੱਲ ਸਕਦੇ ਹਨ - ਸਿੱਧੇ ਡਿਵਾਈਸਾਂ ‘ਤੇ। ਇਹ ਪਹੁੰਚ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ, ਲੇਟੈਂਸੀ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ, ਅਤੇ, ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਸਥਾਨਕ ਰੱਖ ਕੇ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।

ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਪਿੱਛੇ ਨਵੀਨਤਾ: LoRAs ਦਾ ਮਿਸ਼ਰਣ

ਫਾਈ-4-ਮਲਟੀਮੋਡਲ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਇੱਕ ਮੁੱਖ ਨਵੀਨਤਾ ਇਸਦੀ ਨਵੀਂ ‘ਮਿਕਸਚਰ ਆਫ LoRAs’ ਤਕਨੀਕ ਹੈ। ਇਹ ਪਹੁੰਚ ਮਾਡਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਆਰਕੀਟੈਕਚਰ ਦੇ ਅੰਦਰ ਟੈਕਸਟ, ਚਿੱਤਰ ਅਤੇ ਸਪੀਚ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਸਹਿਜੇ ਹੀ ਜੋੜਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੇ ਉਲਟ, ਜਿੱਥੇ ਰੂਪ-ਰੇਖਾਵਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਗਿਰਾਵਟ ਆ ਸਕਦੀ ਹੈ, LoRAs ਦਾ ਮਿਸ਼ਰਣ ਇਹਨਾਂ ਵੱਖ-ਵੱਖ ਇਨਪੁਟ ਕਿਸਮਾਂ ਦੇ ਵਿਚਕਾਰ ਦਖਲਅੰਦਾਜ਼ੀ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ।

ਇਸ ਤਕਨੀਕ ਦਾ ਵੇਰਵਾ ਦੇਣ ਵਾਲਾ ਖੋਜ ਪੱਤਰ ਦੱਸਦਾ ਹੈ: ‘LoRAs ਦੇ ਮਿਸ਼ਰਣ ਦਾ ਲਾਭ ਉਠਾ ਕੇ, ਫਾਈ-4-ਮਲਟੀਮੋਡਲ ਰੂਪ-ਰੇਖਾਵਾਂ ਵਿਚਕਾਰ ਦਖਲਅੰਦਾਜ਼ੀ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹੋਏ ਮਲਟੀਮੋਡਲ ਸਮਰੱਥਾਵਾਂ ਦਾ ਵਿਸਤਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਸਹਿਜ ਏਕੀਕਰਣ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ ਅਤੇ ਟੈਕਸਟ, ਚਿੱਤਰਾਂ ਅਤੇ ਸਪੀਚ/ਆਡੀਓ ਵਾਲੇ ਕਾਰਜਾਂ ਵਿੱਚ ਇਕਸਾਰ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ।’

ਨਤੀਜਾ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਹੈ ਜੋ ਮਜ਼ਬੂਤ ਭਾਸ਼ਾ ਸਮਝਣ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦਾ ਹੈ ਜਦੋਂ ਕਿ ਇੱਕੋ ਸਮੇਂ ਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਭਾਸ਼ਣ ਪਛਾਣ ਵਿੱਚ ਉੱਤਮਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਕੀਤੇ ਗਏ ਸਮਝੌਤਿਆਂ ਤੋਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਦਾਇਗੀ ਹੈ ਜਦੋਂ ਮਾਡਲਾਂ ਨੂੰ ਕਈ ਇਨਪੁਟ ਕਿਸਮਾਂ ਲਈ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ।

ਬੈਂਚਮਾਰਕਿੰਗ ਸਫਲਤਾ: ਫਾਈ-4 ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ

ਫਾਈ-4 ਮਾਡਲ ਸਿਰਫ਼ ਕੁਸ਼ਲਤਾ ਦਾ ਵਾਅਦਾ ਨਹੀਂ ਕਰਦੇ; ਉਹ ਪ੍ਰਦਰਸ਼ਿਤ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਫਾਈ-4-ਮਲਟੀਮੋਡਲ ਨੇ Hugging Face OpenASR ਲੀਡਰਬੋਰਡ ‘ਤੇ ਸਿਖਰਲਾ ਸਥਾਨ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਿਰਫ 6.14% ਦੀ ਸ਼ਬਦ ਗਲਤੀ ਦਰ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਸਿਸਟਮ ਜਿਵੇਂ ਕਿ WhisperV3 ਨੂੰ ਵੀ ਪਛਾੜ ਦਿੰਦਾ ਹੈ। ਸਪੀਚ ਤੋਂ ਇਲਾਵਾ, ਮਾਡਲ ਵਿਜ਼ਨ ਕਾਰਜਾਂ ਵਿੱਚ ਮੁਕਾਬਲੇ ਵਾਲੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿਖਾਉਂਦਾ ਹੈ, ਖਾਸ ਤੌਰ ‘ਤੇ ਉਹ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ ਗਣਿਤਿਕ ਅਤੇ ਵਿਗਿਆਨਕ ਤਰਕ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

ਫਾਈ-4-ਮਿਨੀ, ਇਸਦੇ ਛੋਟੇ ਆਕਾਰ ਦੇ ਬਾਵਜੂਦ, ਟੈਕਸਟ-ਅਧਾਰਤ ਕਾਰਜਾਂ ਵਿੱਚ ਬੇਮਿਸਾਲ ਹੁਨਰ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੀ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਇਹ ‘ਸਮਾਨ ਆਕਾਰ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜਦਾ ਹੈ ਅਤੇ ਭਾਸ਼ਾ-ਸਮਝ ਦੇ ਬੈਂਚਮਾਰਕਾਂ ਦੀ ਇੱਕ ਰੇਂਜ ਵਿੱਚ [ਵੱਡੇ] ਮਾਡਲਾਂ ਦੇ ਬਰਾਬਰ ਹੈ’।

ਗਣਿਤ ਅਤੇ ਕੋਡਿੰਗ ਕਾਰਜਾਂ ‘ਤੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਖਾਸ ਤੌਰ ‘ਤੇ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ। ਫਾਈ-4-ਮਿਨੀ, ਇਸ ਦੀਆਂ 32 ਟ੍ਰਾਂਸਫਾਰਮਰ ਲੇਅਰਾਂ ਅਤੇ ਅਨੁਕੂਲਿਤ ਮੈਮੋਰੀ ਵਰਤੋਂ ਦੇ ਨਾਲ, GSM-8K ਗਣਿਤ ਬੈਂਚਮਾਰਕ ‘ਤੇ 88.6% ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕੀਤਾ, ਜੋ ਕਿ ਜ਼ਿਆਦਾਤਰ 8-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ। MATH ਬੈਂਚਮਾਰਕ ‘ਤੇ, ਇਸਨੇ 64% ਸਕੋਰ ਕੀਤਾ, ਜੋ ਕਿ ਸਮਾਨ ਆਕਾਰ ਦੇ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ।

ਰਿਲੀਜ਼ ਦੇ ਨਾਲ ਆਉਣ ਵਾਲੀ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਇਸ ਪ੍ਰਾਪਤੀ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ: ‘ਗਣਿਤ ਬੈਂਚਮਾਰਕ ਲਈ, ਮਾਡਲ ਵੱਡੇ ਫਰਕ ਨਾਲ ਸਮਾਨ ਆਕਾਰ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜਦਾ ਹੈ, ਕਈ ਵਾਰ 20 ਤੋਂ ਵੱਧ ਅੰਕਾਂ ਨਾਲ। ਇਹ ਦੋ ਗੁਣਾ ਵੱਡੇ ਮਾਡਲਾਂ ਦੇ ਸਕੋਰਾਂ ਨੂੰ ਵੀ ਪਛਾੜ ਦਿੰਦਾ ਹੈ।’ ਇਹ ਮਾਮੂਲੀ ਸੁਧਾਰ ਨਹੀਂ ਹਨ; ਉਹ ਸੰਖੇਪ AI ਮਾਡਲਾਂ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਛਾਲ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

ਅਸਲ-ਸੰਸਾਰ ਐਪਲੀਕੇਸ਼ਨ: ਫਾਈ-4 ਕਾਰਜ ਵਿੱਚ

ਫਾਈ-4 ਦਾ ਪ੍ਰਭਾਵ ਬੈਂਚਮਾਰਕ ਸਕੋਰਾਂ ਤੋਂ ਪਰੇ ਹੈ; ਇਹ ਪਹਿਲਾਂ ਹੀ ਅਸਲ-ਸੰਸਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਸਮਰੱਥਾ, ਇੱਕ AI ‘ਉੱਤਰ ਇੰਜਣ’ ਜੋ ਸੰਸਥਾਵਾਂ ਨੂੰ ਵਿਭਿੰਨ ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਨੇ ਆਪਣੇ ਪਲੇਟਫਾਰਮ ਦੀ ਕੁਸ਼ਲਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਫਾਈ ਪਰਿਵਾਰ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਹੈ।

ਸਮਰੱਥਾ ਦੇ ਉਤਪਾਦ ਦੇ ਮੁਖੀ, ਸਟੀਵ ਫਰੈਡਰਿਕਸਨ, ਮਾਡਲ ਦੀ ‘ਕਮਾਲ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਤੈਨਾਤੀ ਦੀ ਸੌਖ, ਅਨੁਕੂਲਤਾ ਤੋਂ ਪਹਿਲਾਂ ਵੀ’ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ। ਉਹ ਨੋਟ ਕਰਦੇ ਹਨ ਕਿ ਉਹ ‘ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦੋਵਾਂ ਨੂੰ ਵਧਾਉਣ ਦੇ ਯੋਗ ਹੋਏ ਹਨ, ਇਹ ਸਭ ਕੁਝ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸਕੇਲੇਬਿਲਟੀ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਜੋ ਅਸੀਂ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਮਹੱਤਵ ਦਿੰਦੇ ਹਾਂ।’ ਸਮਰੱਥਾ ਪ੍ਰਤੀਯੋਗੀ ਵਰਕਫਲੋਜ਼ ਦੇ ਮੁਕਾਬਲੇ 4.2x ਲਾਗਤ ਬੱਚਤ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਵਿੱਚ ਤੁਲਨਾਤਮਕ ਜਾਂ ਉੱਤਮ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।

AI ਨੂੰ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਅਪਣਾਉਣ ਲਈ ਇਹ ਵਿਹਾਰਕ ਲਾਭ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਫਾਈ-4 ਵਿਸ਼ਾਲ ਸਰੋਤਾਂ ਵਾਲੇ ਤਕਨੀਕੀ ਦਿੱਗਜਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ; ਇਹ ਵਿਭਿੰਨ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਤੈਨਾਤੀ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿੱਥੇ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਸੀਮਤ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਗੋਪਨੀਯਤਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ AI ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ

ਫਾਈ-4 ਦੇ ਨਾਲ ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੀ ਰਣਨੀਤੀ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਤਰੱਕੀ ਬਾਰੇ ਨਹੀਂ ਹੈ; ਇਹ AI ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਬਣਾਉਣ ਬਾਰੇ ਹੈ। ਮਾਡਲ Azure AI Foundry, Hugging Face, ਅਤੇ Nvidia API ਕੈਟਾਲਾਗ ਦੁਆਰਾ ਉਪਲਬਧ ਹਨ, ਵਿਆਪਕ ਉਪਲਬਧਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ। ਇਸ ਜਾਣਬੁੱਝ ਕੇ ਕੀਤੀ ਗਈ ਪਹੁੰਚ ਦਾ ਉਦੇਸ਼ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਸਮਰੱਥਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਲੋਕਤੰਤਰੀ ਬਣਾਉਣਾ ਹੈ, ਮਹਿੰਗੇ ਹਾਰਡਵੇਅਰ ਜਾਂ ਵਿਸ਼ਾਲ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੁਆਰਾ ਲਗਾਈਆਂ ਗਈਆਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਦੂਰ ਕਰਨਾ ਹੈ।

ਟੀਚਾ AI ਨੂੰ ਸਟੈਂਡਰਡ ਡਿਵਾਈਸਾਂ ‘ਤੇ, ਨੈੱਟਵਰਕਾਂ ਦੇ ਕਿਨਾਰੇ ‘ਤੇ, ਅਤੇ ਉਹਨਾਂ ਉਦਯੋਗਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ ਜਿੱਥੇ ਕੰਪਿਊਟ ਪਾਵਰ ਦੀ ਘਾਟ ਹੈ। ਵੱਖ-ਵੱਖ ਸੈਕਟਰਾਂ ਵਿੱਚ AI ਦੀ ਪੂਰੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅਨਲੌਕ ਕਰਨ ਲਈ ਇਹ ਪਹੁੰਚਯੋਗਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਜਾਪਾਨੀ AI ਫਰਮ ਹੈੱਡਵਾਟਰਸ ਕੰ., ਲਿਮਟਿਡ ਦੇ ਇੱਕ ਨਿਰਦੇਸ਼ਕ, ਮਸਾਯਾ ਨਿਸ਼ੀਮਾਕੀ, ਇਸ ਪਹੁੰਚਯੋਗਤਾ ਦੇ ਮਹੱਤਵ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦੇ ਹਨ: ‘ਐਜ AI ਅਸਥਿਰ ਨੈੱਟਵਰਕ ਕਨੈਕਸ਼ਨਾਂ ਵਾਲੇ ਜਾਂ ਜਿੱਥੇ ਗੁਪਤਤਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਵਾਤਾਵਰਣ ਵਿੱਚ ਵੀ ਸ਼ਾਨਦਾਰ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।’ ਇਹ ਫੈਕਟਰੀਆਂ, ਹਸਪਤਾਲਾਂ, ਆਟੋਨੋਮਸ ਵਾਹਨਾਂ - ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਖੋਲ੍ਹਦਾ ਹੈ ਜਿੱਥੇ ਰੀਅਲ-ਟਾਈਮ ਇੰਟੈਲੀਜੈਂਸ ਜ਼ਰੂਰੀ ਹੈ, ਪਰ ਰਵਾਇਤੀ ਕਲਾਉਡ-ਅਧਾਰਤ ਮਾਡਲ ਅਕਸਰ ਅਵਿਵਹਾਰਕ ਹੁੰਦੇ ਹਨ।

AI ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਪੈਰਾਡਾਈਮ ਸ਼ਿਫਟ

ਫਾਈ-4 ਉਸ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਅਸੀਂ AI ਵਿਕਾਸ ਬਾਰੇ ਸੋਚਦੇ ਹਾਂ। ਇਹ ਵੱਡੇ ਅਤੇ ਵੱਡੇ ਮਾਡਲਾਂ ਦੀ ਨਿਰੰਤਰ ਖੋਜ ਤੋਂ ਦੂਰ, ਕੁਸ਼ਲਤਾ, ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਲਾਗੂ ਹੋਣ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI ਸਿਰਫ਼ ਉਹਨਾਂ ਲਈ ਇੱਕ ਸਾਧਨ ਨਹੀਂ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਵੱਧ ਵਿਆਪਕ ਸਰੋਤ ਹਨ; ਇਹ ਇੱਕ ਸਮਰੱਥਾ ਹੈ ਜੋ, ਜਦੋਂ ਸੋਚ-ਸਮਝ ਕੇ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਦੁਆਰਾ, ਕਿਤੇ ਵੀ ਤੈਨਾਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਫਾਈ-4 ਦੀ ਅਸਲ ਕ੍ਰਾਂਤੀ ਸਿਰਫ਼ ਇਸ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਸੰਭਾਵਨਾ ਵਿੱਚ ਵੀ ਹੈ ਜਿਸਨੂੰ ਇਹ ਅਨਲੌਕ ਕਰਦਾ ਹੈ। ਇਹ AI ਨੂੰ ਕਿਨਾਰੇ ‘ਤੇ ਲਿਆਉਣ ਬਾਰੇ ਹੈ, ਉਹਨਾਂ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਜਿੱਥੇ ਇਸਦਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਇਸਦੀ ਸ਼ਕਤੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਤਰੱਕੀ ਤੋਂ ਵੱਧ ਹੈ; ਇਹ ਇੱਕ ਵਧੇਰੇ ਸੰਮਲਿਤ ਅਤੇ ਪਹੁੰਚਯੋਗ AI ਭਵਿੱਖ ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ। ਫਾਈ-4 ਬਾਰੇ ਸਭ ਤੋਂ ਵੱਧ ਕ੍ਰਾਂਤੀਕਾਰੀ ਗੱਲ ਸਿਰਫ਼ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਕੀ ਕਰ ਸਕਦਾ ਹੈ, ਸਗੋਂ ਇਹ ਵੀ ਹੈ ਕਿ ਇਹ ਕਿੱਥੇ ਕਰ ਸਕਦਾ ਹੈ।