ਏਜੀਆਈ ਦੀ ਭਾਲ: ਕੀ ਅਸੀਂ ਨੇੜੇ ਹਾਂ?

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਤੇਜ਼ ਵਿਕਾਸ ਇਸ ਵਿਸ਼ਵਾਸ ਨੂੰ ਵਧਾਵਾ ਦੇ ਰਿਹਾ ਹੈ ਕਿ ਅਸੀਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ (AGI) ਦੇ ਨੇੜੇ ਆ ਰਹੇ ਹਾਂ, ਜੋ ਕਿ ਇੱਕ ਪਰਿਵਰਤਨਸ਼ੀਲ ਮੀਲ ਪੱਥਰ ਹੈ। ਇਹ ਲੇਖ ਸੱਤ ਮਹੱਤਵਪੂਰਨ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਪਿਆਰੀ ਲੜੀ ਤੋਂ ਡ੍ਰੈਗਨ ਬਾਲਾਂ ਵਰਗੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਦਾ ਇਕੱਠ ਸੰਭਾਵਤ ਤੌਰ ‘ਤੇ ‘ਏਜੀਆਈ ਡ੍ਰੈਗਨ’ ਨੂੰ ਬੁਲਾ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਦੁਨੀਆ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ।

ਏਜੀਆਈ (ਆਰਟੀਫੀਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ) ਸ਼ਬਦ ਸਭ ਤੋਂ ਪਹਿਲਾਂ 1997 ਵਿੱਚ ਮਾਰਕ ਗੁਬਰੂਡ ਦੁਆਰਾ ਘੜਿਆ ਗਿਆ ਸੀ। ਸਾਲਾਂ ਬਾਅਦ, ਬੋਸਟਨ ਡਾਇਨਾਮਿਕਸ ਦੇ ਰੋਬੋਟਾਂ ਦੇ 360-ਡਿਗਰੀ ਫਲਿੱਪ ਕਰਨ ਦੇ ਤਮਾਸ਼ੇ ਅਤੇ ਡੀਪਸੀਕ ਦੁਆਰਾ ਆਈਜ਼ੈਕ ਅਸਿਮੋਵ ਦੀ ਫਾਊਂਡੇਸ਼ਨ ਲੜੀ ਦੀ ਯਾਦ ਦਿਵਾਉਣ ਵਾਲੇ ਨਾਵਲਾਂ ਦੀ ਸਿਰਜਣਾ ਨੇ ਸਾਨੂੰ ਇਹ ਅਹਿਸਾਸ ਕਰਵਾਇਆ ਹੈ ਕਿ ਸੱਤ ਡ੍ਰੈਗਨ ਬਾਲ, ਜੋ ਕਿ ਤਕਨਾਲੋਜੀਕਲ ਤਰੱਕੀ ਦੀ ਲੰਮੀ ਨਦੀ ਵਿੱਚ ਖਿੰਡੇ ਹੋਏ ਹਨ, ਹੌਲੀ-ਹੌਲੀ ਏਜੀਆਈ ਡ੍ਰੈਗਨ ਦੀ ਪੂਰੀ ਤਸਵੀਰ ਨੂੰ ਇਕੱਠਾ ਕਰ ਰਹੇ ਹਨ।

ਪਹਿਲਾ ਡਰੈਗਨ ਬਾਲ: ਨਿਊਰਲ ਨੈੱਟਵਰਕ - ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਨਕਲ ਕਰਨਾ

ਮਨੁੱਖੀ ਦਿਮਾਗ, ਬੁੱਧੀ ਦਾ ਸਰੋਤ, ਅਰਬਾਂ ਨਿਊਰੋਨਾਂ ਦਾ ਇੱਕ ਗੁੰਝਲਦਾਰ ਨੈੱਟਵਰਕ ਹੈ। ਪਹਿਲਾ ‘ਤਕਨੀਕੀ ਡ੍ਰੈਗਨ ਬਾਲ’ ਇਸ ਜੀਵ-ਵਿਗਿਆਨਕ ਅਜੂਬੇ ਦੀ ਸਟੀਕ ਨਕਲ ਹੈ: ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (ANNs)। ਸੌਖੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ANNs ਕੰਪਿਊਟਰ ਕੋਡ ਅਤੇ ਗਣਿਤਿਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ‘ਨਿਊਰੋਨਾਂ’ ਦਾ ਇੱਕ ਵਰਚੁਅਲ ਨੈੱਟਵਰਕ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਇਹ ਉਮੀਦ ਕਰਦੇ ਹੋਏ ਕਿ ਇਹ ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਗਿਆਨ ਸਿੱਖਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਦੁਹਰਾਉਣਗੇ। ਡਾਟਾ ਇਨਪੁਟ ਲੇਅਰ ਤੋਂ ਵਹਿੰਦਾ ਹੈ, ਕਈ ਲੁਕੀਆਂ ਪਰਤਾਂ ਦੁਆਰਾ ਗੁੰਝਲਦਾਰ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚੋਂ ਗੁਜ਼ਰਦਾ ਹੈ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਆਉਟਪੁੱਟ ਲੇਅਰ ਵਿੱਚ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ। ਜਿੰਨੀਆਂ ਜ਼ਿਆਦਾ ਪਰਤਾਂ, ਭਾਵ, ‘ਡੀਪ ਲਰਨਿੰਗ’, ਓਨੀ ਹੀ ਗੁੰਝਲਦਾਰ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਭਾਵੇਂ ਕਿ ਇਹ ਸੰਕਲਪ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਚੱਲ ਰਿਹਾ ਹੈ, ਇਸਦਾ ਅਸਲ ਅਹਿਸਾਸ ਕੰਪਿਊਟਰ ਦੀ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਅਤੇ ਐਲਗੋਰਿਦਮ ਅਨੁਕੂਲਤਾ ਦੇ ਤੇਜ਼ੀ ਨਾਲ ਵਾਧੇ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਹ ਆਧੁਨਿਕ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਨੀਂਹ ਪੱਥਰ ਬਣ ਗਿਆ ਹੈ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਮੋਬਾਈਲ ਫੋਨ ਵਿੱਚ ਐਲਬਮਾਂ ਦਾ ਆਟੋਮੈਟਿਕ ਵਰਗੀਕਰਨ, ਜਾਂ ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਦੀਆਂ ਤੁਹਾਡੀਆਂ ਹਦਾਇਤਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ, ਇਹ ਸਭ ਉਹਨਾਂ ਦੇ ਪਿੱਛੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੇ ਚਮਕਦੇ ਚਿੱਤਰ ਦਾ ਧੰਨਵਾਦ ਹੈ।

ਦੂਜਾ ਡਰੈਗਨ ਬਾਲ: ਵੈਕਟਰ ਡੇਟਾਬੇਸ - ਸਾਈਬਰ ਲਾਇਬ੍ਰੇਰੀ

ਹਾਲਾਂਕਿ, ਸਿਰਫ਼ ਇੱਕ ‘ਦਿਮਾਗੀ ਢਾਂਚਾ’ ਹੋਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਸਾਨੂੰ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗਿਆਨ ਨੂੰ ਸਟੋਰ ਕਰਨ ਅਤੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਕੁਸ਼ਲ ‘ਮੈਮਰੀ ਬੈਂਕ’ ਦੀ ਵੀ ਲੋੜ ਹੈ। ਰਵਾਇਤੀ ਡੇਟਾਬੇਸ ਸਹੀ ਕੀਵਰਡ ਖੋਜਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ‘ਇਕੋ ਜਿਹੇ ਅਰਥ’ ਜਾਂ ‘ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ ਸਬੰਧਤ’ ਵਰਗੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ, ਦੂਜਾ ਡਰੈਗਨ ਬਾਲ - ਵੈਕਟਰ ਡੇਟਾਬੇਸ - ਉਭਰਿਆ। ਇਹ ਡੇਟਾਬੇਸ ਇੱਕ ‘ਸਾਈਬਰ ਲਾਇਬ੍ਰੇਰੀ’ ਵਾਂਗ ਹੈ। ਇਹ ਟੈਕਸਟ, ਤਸਵੀਰਾਂ ਅਤੇ ਆਵਾਜ਼ਾਂ ਵਰਗੀ ਜਾਣਕਾਰੀ ਨੂੰ ਡਿਜੀਟਲ ਵੈਕਟਰਾਂ ਵਿੱਚ ਬਦਲ ਕੇ ਇੱਕ ਨਵੇਂ ਤਰੀਕੇ ਨਾਲ ਗਿਆਨ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਸਮਾਨ ਅਰਥਾਂ ਵਾਲੀ ਜਾਣਕਾਰੀ ਗਣਿਤਿਕ ਸਪੇਸ ਵਿੱਚ ਇੱਕ ਦੂਜੇ ਦੇ ਨੇੜੇ ਹੋਵੇ, ਤਾਂ ਜੋ ‘ਅਰਥ’ ‘ਤੇ ਅਧਾਰਤ ਸਮੱਗਰੀ ਦੀ ਖੋਜ ਨੂੰ ਸਾਕਾਰ ਕੀਤਾ ਜਾ ਸਕੇ। ਜੇਕਰ ਤੁਸੀਂ ‘ਸਪੇਸ ਟਰੈਵਲ’ ਬਾਰੇ ਕੋਈ ਕਿਤਾਬ ਲੱਭਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਡੇ ਲਈ ਢੁਕਵੀਆਂ ਸਾਰੀਆਂ ਕਿਤਾਬਾਂ ਦੀ ਜਲਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੀਆਂ AI ਐਪਲੀਕੇਸ਼ਨਾਂ (ਜਿਵੇਂ ਕਿ ਬੁੱਧੀਮਾਨ ਗਾਹਕ ਸੇਵਾ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਪ੍ਰਸ਼ਨ-ਉੱਤਰ ਪ੍ਰਣਾਲੀਆਂ) ਇਸ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ‘ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਨਿਰਭਰ ਹਨ, ਜੋ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ।

ਤੀਜਾ ਡਰੈਗਨ ਬਾਲ: ਟਰਾਂਸਫਾਰਮਰ - ਮਸ਼ੀਨ ਧਿਆਨ

ਮਸ਼ੀਨਾਂ ਨੂੰ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਨੂੰ ਸੱਚਮੁੱਚ ਸਮਝਣ ਦੇ ਯੋਗ ਬਣਾਉਣ ਲਈ, ਜਿਵੇਂ ਕਿ ਸੰਦਰਭ, ਉਪ-ਪਾਠ ਅਤੇ ਵਿਅੰਗ, ਮਸ਼ੀਨਾਂ ਕੋਲ ਅਸਧਾਰਨ ‘ਪੜ੍ਹਨ ਦੀ ਸਮਝ’ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਤੀਜਾ ਡਰੈਗਨ ਬਾਲ - ਟਰਾਂਸਫਾਰਮਰ ਆਰਕੀਟੈਕਚਰ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇਸਦਾ ਮੁੱਖ ‘ਧਿਆਨ ਵਿਧੀ’, ਮਸ਼ੀਨਾਂ ਨੂੰ ਇਹ ਲਗਭਗ ‘ਮਨ ਪੜ੍ਹਨ’ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ। ਕਿਸੇ ਸ਼ਬਦ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ, ਟਰਾਂਸਫਾਰਮਰ ਇੱਕੋ ਸਮੇਂ ਵਾਕ ਵਿੱਚਲੇ ਸਾਰੇ ਹੋਰ ਸ਼ਬਦਾਂ ‘ਤੇ ਧਿਆਨ ਦੇ ਸਕਦਾ ਹੈ ਅਤੇ ਇਹ ਨਿਰਣਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਸ਼ਬਦ ਦੇ ਅਰਥ ਨੂੰ ਸਮਝਣ ਲਈ ਕਿਹੜੇ ਸ਼ਬਦ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਇਹ ਨਾ ਸਿਰਫ਼ ਮਸ਼ੀਨਾਂ ਦੇ ਪੜ੍ਹਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲਦਾ ਹੈ, ਸਗੋਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਇੱਕ ਨਵੇਂ ਪੱਧਰ ‘ਤੇ ਲੈ ਜਾਂਦਾ ਹੈ। 2017 ਵਿੱਚ ਪੇਪਰ ‘ਧਿਆਨ ਸਭ ਕੁਝ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦਾ ਹੈ’ ਦੇ ਪ੍ਰਕਾਸ਼ਨ ਤੋਂ ਬਾਅਦ, ਟਰਾਂਸਫਾਰਮਰ ਇਸ ਖੇਤਰ ਵਿੱਚ ਪੂਰਨ ਮੁੱਖ ਪਾਤਰ ਬਣ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ GPT ਅਤੇ BERT ਵਰਗੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਮਾਡਲ ਪੈਦਾ ਹੁੰਦੇ ਹਨ।

ਚੌਥਾ ਡਰੈਗਨ ਬਾਲ: ਚੇਨ ਆਫ਼ ਥੌਟ - ਸੋਚਣ ਦਾ ਇੱਕ ਢੰਗ

‘ਬੋਲਣ’ ਦੇ ਯੋਗ ਹੋਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਏਜੀਆਈ ਨੂੰ ਸਖ਼ਤ ਤਰਕਪੂਰਨ ਤਰਕ ਦੇ ਹੁਨਰ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਚੌਥਾ ਡਰੈਗਨ ਬਾਲ, ਚੇਨ ਆਫ਼ ਥੌਟ (CoT) ਤਕਨਾਲੋਜੀ, AI ਨੂੰ ਸਿਰਫ਼ ਜਵਾਬਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਬਜਾਏ ਸਮੱਸਿਆਵਾਂ ਦਾ ਡੂੰਘਾਈ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸਿਖਾਉਂਦੀ ਹੈ। ਕਿਸੇ ਐਪਲੀਕੇਸ਼ਨ ਸਮੱਸਿਆ ਦੇ ਹੱਲ ਵਾਂਗ, CoT ਮਾਡਲ ਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ, ਇੱਕ ‘ਸੋਚਣ ਦਾ ਰਸਤਾ’ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਇੱਕ ਸਪਸ਼ਟ ਅੰਤਮ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਗੂਗਲ ਅਤੇ ਹੋਰ ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ CoT ਪ੍ਰੋਂਪਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਵੱਡੇ ਮਾਡਲ ਮਲਟੀ-ਸਟੈਪ ਤਰਕ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ, ਜੋ AI ਦੀਆਂ ਤਰਕਪੂਰਨ ਸਮਰੱਥਾਵਾਂ ਲਈ ਮਜ਼ਬੂਤ ​​ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਪੰਜਵਾਂ ਡਰੈਗਨ ਬਾਲ: ਮਿਕਸਚਰ ਆਫ਼ ਐਕਸਪਰਟਸ - ਮਾਹਿਰਾਂ ਦਾ ਇੱਕ ਸਮੂਹ

ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ ਵੱਧਦੀ ਹੈ, ਸਿਖਲਾਈ ਅਤੇ ਸੰਚਾਲਨ ਦੀ ਲਾਗਤ ਵੀ ਇੱਕ ਵੱਡਾ ਬੋਝ ਹੈ। ਇਸ ਸਮੇਂ, ਪੰਜਵਾਂ ਡਰੈਗਨ ਬਾਲ - ਮਿਕਸਚਰ ਆਫ਼ ਐਕਸਪਰਟਸ (MoE) ਆਰਕੀਟੈਕਚਰ - ਉਭਰਿਆ। ਇਹ ਆਰਕੀਟੈਕਚਰ ਇੱਕ ‘ਵੰਡੋ ਅਤੇ ਜਿੱਤੋ’ ਰਣਨੀਤੀ ਨੂੰ ਅਪਣਾਉਂਦਾ ਹੈ, ਕਈ ਛੋਟੇ ‘ਮਾਹਿਰ ਨੈੱਟਵਰਕ’ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ ਜੋ ਕੁਝ ਖਾਸ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਚੰਗੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਨਵਾਂ ਕੰਮ ਆਉਂਦਾ ਹੈ, ਤਾਂ ਬੁੱਧੀਮਾਨ ‘ਗੇਟਿੰਗ ਨੈੱਟਵਰਕ’ ਸਿਰਫ਼ ਕੁਸ਼ਲ ਸੰਚਾਲਨ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਜ਼ਰੂਰੀ ਮਾਹਿਰਾਂ ਨੂੰ ਸਰਗਰਮ ਕਰਦਾ ਹੈ। ਇਸ ਤਰੀਕੇ ਨਾਲ, AI ਮਾਡਲ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਕੀਮਤ ‘ਤੇ ਵਿਸ਼ਾਲ ਪੈਮਾਨੇ ਅਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।

ਛੇਵਾਂ ਡਰੈਗਨ ਬਾਲ: MCP - ਇੱਕ ਵਿਆਪਕ ਟੂਲਕਿੱਟ

AI ਨੂੰ ਇੱਕ ਸੱਚੇ ‘ਅਦਾਕਾਰ’ ਦੇ ਰੂਪ ਵਿੱਚ ਆਕਾਰ ਦੇਣ ਲਈ, ਇਸਨੂੰ ਟੂਲ ਬੁਲਾਉਣ ਅਤੇ ਬਾਹਰੀ ਦੁਨੀਆਂ ਨਾਲ ਜੁੜਨ ਦੇ ਯੋਗ ਹੋਣ ਦੀ ਲੋੜ ਹੈ। ਛੇਵਾਂ ਡਰੈਗਨ ਬਾਲ - ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ (MCP) - AI ਵਿੱਚ ਇੱਕ ‘ਟੂਲਕਿੱਟ’ ਜੋੜਨ ਦੀ ਧਾਰਨਾ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਅਸਲ ਵਿੱਚ, ਇਹ AI ਨੂੰ ਵਧੇਰੇ ਅਮੀਰ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਿਆਰੀ ਇੰਟਰਫੇਸਾਂ ਦੁਆਰਾ ਬਾਹਰੀ ਟੂਲ ਬੁਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਸਮਝਦਾਰ ਲੋਕਾਂ ਨੂੰ ਲੋੜੀਂਦੇ ਸਾਰੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਨ ਵਰਗਾ ਹੈ, ਜੋ ਉਹਨਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਸਮੇਂ ਜਾਣਕਾਰੀ ਲੱਭਣ ਅਤੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਅੱਜ ਦੇ ਬੁੱਧੀਮਾਨ ਏਜੰਟ (AIAgents) ਇਸ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਕਿਉਂਕਿ AI ਰੈਸਟੋਰੈਂਟ ਬੁੱਕ ਕਰਨ, ਯਾਤਰਾਵਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਗੇ ਕੰਮਾਂ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਬਿਨਾਂ ਸ਼ੱਕ AI ਤਰੱਕੀ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ।

ਸੱਤਵਾਂ ਡਰੈਗਨ ਬਾਲ: VSI - ਸਰੀਰਕ ਅਨੁਭਵ ਦਿਮਾਗ

ਮਨੁੱਖੀ ਸਮਾਜ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹੋਣ ਲਈ, AI ਕੋਲ ਅਸਲ ਦੁਨੀਆਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਵੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਸੱਤਵਾਂ ਡਰੈਗਨ ਬਾਲ - ਵਿਜ਼ੂਅਲ ਸਪੇਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (VSI) ਨਾਲ ਸਬੰਧਤ ਤਕਨਾਲੋਜੀਆਂ - ਦਾ ਉਦੇਸ਼ AI ਨੂੰ ਇੱਕ ‘ਅਨੁਭਵੀ ਦਿਮਾਗ’ ਬਣਾਉਣਾ ਹੈ ਜੋ ਭੌਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਸਮਝਦਾ ਹੈ। ਸਧਾਰਨ ਸ਼ਬਦਾਂ ਵਿੱਚ, VSI AI ਨੂੰ ਕੈਮਰਿਆਂ ਜਾਂ ਸੈਂਸਰਾਂ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਵਿਜ਼ੂਅਲ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਵਸਤੂਆਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਇਸਦੀ ਸਮਝ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ, ਬੁੱਧੀਮਾਨ ਰੋਬੋਟ ਅਤੇ ਵਰਚੁਅਲ ਹਕੀਕਤ ਵਰਗੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਸਾਕਾਰ ਕਰਨ ਦੀ ਨੀਂਹ ਹੈ। ਇਹ ਬਿਨਾਂ ਸ਼ੱਕ ਡਿਜੀਟਲ ਬੁੱਧੀ ਅਤੇ ਭੌਤਿਕ ਹਕੀਕਤ ਨੂੰ ਜੋੜਨ ਵਾਲਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪੁਲ ਹੈ।

ਸੰਮਨ ਰਸਮ

ਜਦੋਂ ਇਹ ਸੱਤ ‘ਤਕਨੀਕੀ ਡ੍ਰੈਗਨ ਬਾਲ’ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ AGI ਦੀ ਰੂਪਰੇਖਾ ਸਪੱਸ਼ਟ ਹੋਣੀ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦੀ ਹੈ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੀ ਬਾਇਓਮੀਮੈਟਿਕ ਬਣਤਰ, ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਵਿਸ਼ਾਲ ਗਿਆਨ, ਟਰਾਂਸਫਾਰਮਰ ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਸਮਝ, ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ ਦੀ ਮਦਦ ਨਾਲ ਡੂੰਘਾਈ ਨਾਲ ਸੋਚਣਾ, ਹਾਈਬ੍ਰਿਡ ਮਾਹਿਰ ਆਰਕੀਟੈਕਚਰ ਦੁਆਰਾ ਕੁਸ਼ਲ ਸੰਚਾਲਨ, ਅਤੇ ਫਿਰ ਬਾਹਰੀ ਟੂਲਸ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਲਈ MCP ਨਾਲ ਜੋੜਿਆ ਗਿਆ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਪਦਾਰਥਕ ਸੰਸਾਰ ਨੂੰ ਸਮਝਣ ਲਈ ਵਿਜ਼ੂਅਲ ਸਪੇਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ। ਇਨ੍ਹਾਂ ਸਾਰੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਮਿਲਾਪ ਸਾਨੂੰ ਏਜੀਆਈ ਡ੍ਰੈਗਨ ਦੇ ਇੱਕ ਨਵੇਂ ਯੁੱਗ ਵੱਲ ਵਧਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦੀ ਸ਼ਕਤੀ

ਮਨੁੱਖੀ ਦਿਮਾਗ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਖੋਜ ਨੇ ਵੱਧ ਤੋਂ ਵੱਧ ਗੁੰਝਲਦਾਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੇ ਵਿਕਾਸ ਵੱਲ ਅਗਵਾਈ ਕੀਤੀ ਹੈ। ਇਹ ਨੈੱਟਵਰਕ, ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਨੋਡਾਂ ਜਾਂ ‘ਨਿਊਰੋਨਾਂ’ ਤੋਂ ਬਣੇ ਹੁੰਦੇ ਹਨ, ਪਰਤਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਜੀਵ-ਵਿਗਿਆਨਕ ਨਿਊਰੋਨ ਸੰਕੇਤਾਂ ਦਾ ਸੰਚਾਰ ਕਰਦੇ ਹਨ, ਉਸਦੀ ਨਕਲ ਕਰਦੇ ਹਨ। ਇਹਨਾਂ ਨੈੱਟਵਰਕਾਂ ਦੀ ਡੂੰਘਾਈ, ਲੇਅਰਾਂ ਦੀ ਸੰਖਿਆ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋਏ, ਡਾਟਾ ਤੋਂ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਸਿੱਖਣ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਾਰਕ ਹੈ।

ਡੀਪ ਲਰਨਿੰਗ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਉਪ ਸਮੂਹ ਜੋ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਨੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਚਿੱਤਰ ਪਛਾਣ, ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਸਪੀਚ ਰਿਕੋਗਨਾਈਜ਼ੇਸ਼ਨ ਸ਼ਾਮਲ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਡੀਪ ਲਰਨਿੰਗ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਚਿੱਤਰ ਪਛਾਣ ਪ੍ਰਣਾਲੀਆਂ ਫੋਟੋਆਂ ਵਿੱਚ ਵਸਤੂਆਂ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਮਾਡਲ ਮਨੁੱਖੀ ਵਰਗੇ ਟੈਕਸਟ ਨੂੰ ਸਮਝ ਅਤੇ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ।

ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਸਫਲਤਾ ਕਈ ਮੁੱਖ ਕਾਰਕਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੱਡੇ ਡੇਟਾਸੈੱਟਾਂ ਦੀ ਉਪਲਬਧਤਾ, ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਵਿੱਚ ਤਰੱਕੀ, ਅਤੇ ਨਵੀਨਤਾਕਾਰੀ ਅਨੁਕੂਲਤਾ ਐਲਗੋਰਿਦਮ ਸ਼ਾਮਲ ਹਨ। ਡਾਟਾ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਨੂੰ ਸਿੱਖਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕੰਪਿਊਟਿੰਗ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਉਹਨਾਂ ਨੂੰ ਡਾਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਅਨੁਕੂਲਤਾ ਐਲਗੋਰਿਦਮ, ਜਿਵੇਂ ਕਿ ਸਟੋਚੈਸਟਿਕ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ, ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਕਰਨ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਨੈੱਟਵਰਕ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਵਧੀਆ ਟਿਊਨ ਕਰਦੇ ਹਨ।

ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਦੀ ਭੂਮਿਕਾ

ਜਿਵੇਂ ਕਿ AI ਪ੍ਰਣਾਲੀਆਂ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੁੰਦੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ, ਕੁਸ਼ਲ ਗਿਆਨ ਸਟੋਰੇਜ ਅਤੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਵਿਧੀ ਦੀ ਲੋੜ ਸਰਵਉੱਚ ਬਣ ਜਾਂਦੀ ਹੈ। ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਐਕਸੈਸ ਕਰਨ ਲਈ ਇੱਕ ਨਵਾਂ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਕੇ ਇਸ ਲੋੜ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ। ਰਵਾਇਤੀ ਡੇਟਾਬੇਸਾਂ ਦੇ ਉਲਟ ਜੋ ਕੀਵਰਡ-ਅਧਾਰਤ ਖੋਜਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਖਿਆਤਮਕ ਵੈਕਟਰਾਂ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਸੰਕਲਪਾਂ ਵਿਚਕਾਰ ਅਰਥਹੀਣ ਅਰਥ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ।

ਇਹ ਵੈਕਟਰ ਪ੍ਰਤੀਨਿਧਤਾ ਸਮਾਨਤਾ-ਅਧਾਰਤ ਖੋਜਾਂ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਜਿੱਥੇ ਸਿਸਟਮ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਕਿਸੇ ਸਵਾਲ ਨਾਲ ਸੰਕਲਪਿਕ ਤੌਰ ‘ਤੇ ਸਬੰਧਤ ਹੈ, ਭਾਵੇਂ ਕਿ ਸਹੀ ਕੀਵਰਡ ਮੌਜੂਦ ਨਹੀਂ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ‘ਯਾਤਰਾ ਮੰਜ਼ਿਲਾਂ’ ਦੀ ਖੋਜ ਉਹ ਨਤੀਜੇ ਵਾਪਸ ਕਰ ਸਕਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ‘ਛੁੱਟੀਆਂ ਵਾਲੀਆਂ ਥਾਵਾਂ’, ‘ਸੈਲਾਨੀ ਆਕਰਸ਼ਣ’, ਅਤੇ ‘ਛੁੱਟੀਆਂ ਵਾਲੀਆਂ ਮੰਜ਼ਿਲਾਂ’ ਸ਼ਾਮਲ ਹਨ, ਭਾਵੇਂ ਕਿ ਉਹਨਾਂ ਖਾਸ ਸ਼ਬਦਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਸਵਾਲ ਵਿੱਚ ਨਹੀਂ ਵਰਤਿਆ ਗਿਆ ਸੀ।

ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਖਾਸ ਤੌਰ ‘ਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਉਪਯੋਗੀ ਹਨ ਜਿਵੇਂ ਕਿ ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਸਮੱਗਰੀ ਪ੍ਰਾਪਤੀ, ਅਤੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ। ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ, ਉਹ ਉਹਨਾਂ ਆਈਟਮਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਕਿਸੇ ਉਪਭੋਗਤਾ ਦੀਆਂ ਪਿਛਲੀਆਂ ਤਰਜੀਹਾਂ ਦੇ ਸਮਾਨ ਹਨ, ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਸਮੱਗਰੀ ਪ੍ਰਾਪਤੀ ਵਿੱਚ, ਉਹਨਾਂ ਦੀ ਅਰਥਹੀਣ ਸਮੱਗਰੀ ਦੇ ਅਧਾਰ ਤੇ ਸੰਬੰਧਿਤ ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਲੇਖਾਂ ਨੂੰ ਸਤ੍ਹਾ ਸਕਦੇ ਹਨ। ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ ਵਿੱਚ, ਉਹ ਇੱਕ ਪ੍ਰਸ਼ਨ ਦੇ ਅਰਥ ਨੂੰ ਸਮਝ ਸਕਦੇ ਹਨ ਅਤੇ ਇੱਕ ਗਿਆਨ ਅਧਾਰ ਤੋਂ ਸਭ ਤੋਂ relevantੁਕਵੇਂ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।

ਟਰਾਂਸਫਾਰਮਰ ਅਤੇ ਧਿਆਨ ਵਿਧੀ

ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ ਅਤੇ ਪੈਦਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਬੁੱਧੀ ਦਾ ਇੱਕ ਪ੍ਰਮੁੱਖ ਚਿੰਨ੍ਹ ਹੈ।ਟਰਾਂਸਫਾਰਮਰ, ਇੱਕ ਕ੍ਰਾਂਤੀਕਾਰੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ, ਨੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਖੇਤਰ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਕੀਤੀ ਹੈ। ਟਰਾਂਸਫਾਰਮਰ ਦੇ ਦਿਲ ਵਿੱਚ ਧਿਆਨ ਵਿਧੀ ਹੈ, ਜੋ ਮਾਡਲ ਨੂੰ ਸ਼ਬਦਾਂ ਦੇ ਕ੍ਰਮ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ ਇਨਪੁਟ ਦੇ ਸਭ ਤੋਂ relevantੁਕਵੇਂ ਹਿੱਸਿਆਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਧਿਆਨ ਵਿਧੀ ਮਾਡਲ ਨੂੰ ਸ਼ਬਦਾਂ ਵਿਚਕਾਰ ਲੰਬੀ ਦੂਰੀ ਦੀਆਂ ਨਿਰਭਰਤਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਵਾਕ ਦੇ ਸੰਦਰਭ ਅਤੇ ਅਰਥ ਨੂੰ ਸਮਝਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਵਾਕ ‘ਬਿੱਲੀ ਮੈਟ ‘ਤੇ ਬੈਠੀ ਹੈ’ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ, ਧਿਆਨ ਵਿਧੀ ਮਾਡਲ ਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ ਕਿ ‘ਬਿੱਲੀ’ ਅਤੇ ‘ਮੈਟ’ ਸਬੰਧਤ ਹਨ, ਭਾਵੇਂ ਕਿ ਉਹ ਦੂਜੇ ਸ਼ਬਦਾਂ ਦੁਆਰਾ ਵੱਖ ਕੀਤੇ ਗਏ ਹਨ।

ਟਰਾਂਸਫਾਰਮਰ ਨੇ ਵੱਖ-ਵੱਖ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਵਿੱਚ ਅਤਿ-ਆਧੁਨਿਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਮਸ਼ੀਨ ਅਨੁਵਾਦ, ਟੈਕਸਟ ਸਾਰਾਂਸ਼, ਅਤੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ ਸ਼ਾਮਲ ਹਨ। GPT (ਜਨਰੇਟਿਵ ਪ੍ਰੀ-ਟ੍ਰੇਂਡ ਟਰਾਂਸਫਾਰਮਰ) ਅਤੇ BERT (ਟਰਾਂਸਫਾਰਮਰ ਤੋਂ ਦੋ-ਦਿਸ਼ਾਵੀ ਏਨਕੋਡਰ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ) ਵਰਗੇ ਮਾਡਲਾਂ ਨੇ ਇਕਸਾਰ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਰੂਪ ਵਿੱਚ relevantੁਕਵੇਂ ਟੈਕਸਟ ਤਿਆਰ ਕਰਨ ਦੀਆਂ ਸ਼ਾਨਦਾਰ ਯੋਗਤਾਵਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ।

ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ ਤਰਕ

ਜਦੋਂ ਕਿ ਟਰਾਂਸਫਾਰਮਰ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ ਅਤੇ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਉੱਤਮ ਹਨ, ਅਕਸਰ ਉਹਨਾਂ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਤਰਕਸ਼ੀਲ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ। ਚੇਨ ਆਫ਼ ਥੌਟ (CoT) ਤਰਕ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਛੋਟੇ, ਵਧੇਰੇ ਪ੍ਰਬੰਧਨਯੋਗ ਕਦਮਾਂ ਵਿੱਚ ਤੋੜਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਕੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀਆਂ ਤਰਕ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।

CoT ਤਰਕ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਸਿਰਫ਼ ਅੰਤਮ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਸਦੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਦਿਖਾਉਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜਦੋਂ ਇੱਕ ਗਣਿਤ ਦਾ ਪ੍ਰਸ਼ਨ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਨੂੰ ਪਹਿਲਾਂ relevantੁਕਵੇਂ ਫਾਰਮੂਲਿਆਂ ਨੂੰ ਦੱਸਣ ਲਈ, ਫਿਰ ਉਹਨਾਂ ਫਾਰਮੂਲਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਕਦਮਾਂ ਨੂੰ ਦਿਖਾਉਣ ਲਈ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਿਖਾ ਕੇ, ਮਾਡਲ ਗਲਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਨਿਕਲਦੇ ਹਨ। CoT ਤਰਕ ਨੂੰ ਗਣਿਤਿਕ ਤਰਕ, ਤਰਕਸ਼ੀਲ ਤਰਕ, ਅਤੇ ਆਮ-ਸਮਝ ਤਰਕ ਸਮੇਤ, ਕਈ ਤਰਕਸ਼ੀਲ ਕਾਰਜਾਂ ‘ਤੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।

ਮਾਹਿਰਾਂ ਦਾ ਮਿਸ਼ਰਣ

ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਵੱਡੇ ਅਤੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੁੰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਅਤੇ ਤੈਨਾਤ ਕਰਨਾ ਵੱਧ ਤੋਂ ਵੱਧ ਚੁਣੌਤੀਪੂਰਨ ਹੁੰਦਾ ਜਾਂਦਾ ਹੈ। ਮਾਹਿਰਾਂ ਦਾ ਮਿਸ਼ਰਣ (MoE) ਇੱਕ ਆਰਕੀਟੈਕਚਰ ਹੈ ਜੋ ਇੱਕ ਵੱਡੇ ਮਾਡਲ ਨੂੰ ਕਈ ਛੋਟੇ ‘ਮਾਹਿਰ’ ਮਾਡਲਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਇਹਨਾਂ ਚੁਣੌਤੀਆਂ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ, ਹਰੇਕ ਇੱਕ ਖਾਸ ਕਾਰਜ ਜਾਂ ਡੋਮੇਨ ਵਿੱਚ ਮਾਹਰ ਹੁੰਦਾ ਹੈ।

ਜਦੋਂ ਇੱਕ ਨਵਾਂ ਇਨਪੁਟ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇੱਕ ‘ਗੇਟਿੰਗ ਨੈੱਟਵਰਕ’ ਇਨਪੁਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਸਭ ਤੋਂ relevantੁਕਵੇਂ ਮਾਹਿਰਾਂ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਇਨਪੁਟ ਦੇ ਸਭ ਤੋਂ relevantੁਕਵੇਂ ਹਿੱਸਿਆਂ ‘ਤੇ ਆਪਣੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤਾਂ ਨੂੰ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਬਿਹਤਰ ਕੁਸ਼ਲਤਾ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਹੁੰਦਾ ਹੈ।

MoE ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਅਰਬਾਂ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਟ੍ਰਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲੇ ਬਹੁਤ ਵੱਡੇ ਮਾਡਲਾਂ ਤੱਕ ਸਕੇਲ ਕਰਨ ਲਈ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਇਹਨਾਂ ਵਿਸ਼ਾਲ ਮਾਡਲਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਕਾਰਜਾਂ ਵਿੱਚ ਅਤਿ-ਆਧੁਨਿਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਹਨ, ਜੋ ਵਿਤਰਿਤ ਕੰਪਿਊਟੇਸ਼ਨ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਸ਼ਕਤੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ।

ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ

AI ਨੂੰ ਅਸਲ ਦੁਨੀਆਂ ਵਿੱਚ ਸੱਚਮੁੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ, ਇਸਨੂੰ ਬਾਹਰੀ ਟੂਲ ਅਤੇ ਸੇਵਾਵਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਦੀ ਲੋੜ ਹੈ। ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ (MCP) ਇੱਕ ਫਰੇਮਵਰਕ ਹੈ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਮਿਆਰੀ ਅਤੇ ਨਿਯੰਤਰਿਤ ਢੰਗ ਨਾਲ ਬਾਹਰੀ ਟੂਲ ਤੱਕ ਪਹੁੰਚ ਅਤੇ ਉਪਯੋਗ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

MCP ਪ੍ਰੋਟੋਕੋਲਾਂ ਅਤੇ ਇੰਟਰਫੇਸਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਬਾਹਰੀ ਟੂਲ ਨੂੰ ਖੋਜਣ ਅਤੇ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਇਹ ਮਾਡਲਾਂ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਵੈੱਬ ਤੋਂ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚ ਕਰਨਾ, ਭੌਤਿਕਯੰਤਰਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨਾ, ਅਤੇ ਹੋਰ ਸੌਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨਾ।

AI ਮਾਡਲਾਂ ਨੂੰ ਬਾਹਰੀ ਟੂਲ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਕੇ, MCP ਉਹਨਾਂ ਨੂੰ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਅਸਲ ਦੁਨੀਆਂ ਨਾਲ ਗੱਲਬਾਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਰੋਬੋਟਿਕਸ, ਆਟੋਮੇਸ਼ਨ, ਅਤੇ ਮਨੁੱਖੀ-ਕੰਪਿਊਟਰ ਗੱਲਬਾਤ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ AI ਲਈ ਨਵੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਖੋਲ੍ਹਦਾ ਹੈ।

ਵਿਜ਼ੂਅਲ ਸਪੇਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ

ਭੌਤਿਕ ਸੰਸਾਰ ਨੂੰ ਸਮਝਣਾ ਬੁੱਧੀ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ ਹੈ। ਵਿਜ਼ੂਅਲ ਸਪੇਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (VSI) ਇੱਕ ਖੇਤਰ ਹੈ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਦੁਨੀਆਂ ਦੇ ਵਿਜ਼ੂਅਲ ਅਤੇ ਸਥਾਨਿਕ ਪਹਿਲੂਆਂ ਬਾਰੇ ਸਮਝਣ, ਸਮਝਣ ਅਤੇ ਤਰਕ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣ ‘ਤੇ ਕੇਂਦਰਿਤ ਹੈ।

VSI ਵਿੱਚ ਵਸਤੂ ਪਛਾਣ, ਦ੍ਰਿਸ਼ ਸਮਝ, ਅਤੇ ਸਥਾਨਿਕ ਤਰਕ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਸ਼ਾਮਲ ਹਨ। ਵਸਤੂ ਪਛਾਣ AI ਮਾਡਲਾਂ ਨੂੰ ਚਿੱਤਰਾਂ ਅਤੇ ਵੀਡੀਓਜ਼ ਵਿੱਚ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਅਤੇ ਵਰਗੀਕਰਨ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਦ੍ਰਿਸ਼ ਸਮਝ ਉਹਨਾਂ ਨੂੰ ਵਸਤੂਆਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਅਤੇ ਇੱਕ ਦ੍ਰਿਸ਼ ਦੇ ਸਮੁੱਚੇ ਸੰਦਰਭ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ। ਸਥਾਨਿਕ ਤਰਕ ਉਹਨਾਂ ਨੂੰ ਵਸਤੂਆਂ ਦੀਆਂ ਸਥਾਨਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਬੰਧਾਂ ਬਾਰੇ ਤਰਕ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਉਹਨਾਂ ਦਾ ਆਕਾਰ, ਆਕਾਰ ਅਤੇ ਸਥਿਤੀ।

VSI ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ, ਰੋਬੋਟਿਕਸ, ਅਤੇ ਵਧੀ ਹੋਈ ਹਕੀਕਤ ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਜ਼ਰੂਰੀ ਹੈ। ਖੁਦਮੁਖਤਿਆਰ ਡਰਾਈਵਿੰਗ ਵਿੱਚ, ਇਹ ਵਾਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਨੂੰ ਸਮਝਣ ਅਤੇ ਨੈਵੀਗੇਟ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਰੋਬੋਟਿਕਸ ਵਿੱਚ, ਇਹ ਰੋਬੋਟਾਂ ਨੂੰ ਵਸਤੂਆਂ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਾਤਾਵਰਣ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਵਧੀ ਹੋਈ ਹਕੀਕਤ ਵਿੱਚ, ਇਹ ਵਰਚੁਅਲ ਵਸਤੂਆਂ ਨੂੰ ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਨਿਰਵਿਘਨ ਰੂਪ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਇਹਨਾਂ ਸੱਤ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਇਕੱਠ - ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਵੈਕਟਰ ਡੇਟਾਬੇਸ, ਟਰਾਂਸਫਾਰਮਰ, ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ ਤਰਕ, ਮਾਹਿਰਾਂ ਦਾ ਮਿਸ਼ਰਣ, ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ, ਅਤੇ ਵਿਜ਼