ٹیکنالوجی کے ادوار کے ایک دلچسپ تصادم میں، ایک ایسی داستان سامنے آئی ہے جو وسیع پیمانے پر گھریلو کمپیوٹنگ کے ابتدائی دنوں کو مصنوعی ذہانت (AI) کے جدید ترین کنارے سے جوڑتی ہے۔ Marc Andreessen، ٹیک دنیا کی ایک نمایاں شخصیت اور بااثر وینچر کیپیٹل فرم Andreessen Horowitz کے شریک بانی، نے حال ہی میں ایک قابل ذکر کارنامے کو اجاگر کیا: Meta کے Llama مصنوعی ذہانت ماڈل کا ایک کمپیکٹ ورژن کامیابی سے ایک ایسے کمپیوٹر پر چلایا گیا جو قابل احترام Windows 98 آپریٹنگ سسٹم چلا رہا تھا، اور صرف 128 میگا بائٹس RAM سے لیس تھا۔ یہ انکشاف تکنیکی صلاحیت کی ایک طاقتور یاد دہانی کے طور پر کام کرتا ہے اور کمپیوٹنگ کی تاریخی رفتار کے بارے میں دلچسپ سوالات اٹھاتا ہے۔
ایک جدید ترین AI، چاہے وہ چھوٹا ہی کیوں نہ ہو، کو ایک چوتھائی صدی سے زیادہ پرانے ہارڈ ویئر پر چلانے کا تصور تقریباً متضاد لگتا ہے۔ جدید جنریٹو AI، وہ ٹیکنالوجی جو ChatGPT اور Microsoft کے اپنے Copilot جیسے ٹولز کو طاقت دیتی ہے، عام طور پر طاقتور پروسیسرز، کافی میموری مختص کرنے، اور اکثر، کلاؤڈ بیسڈ انفراسٹرکچر سے وابستہ ہوتی ہے۔ Microsoft نے خود AI صلاحیتوں، خاص طور پر اپنے Copilot اسسٹنٹ کو، اپنے تازہ ترین آپریٹنگ سسٹم، Windows 11، اور Copilot+ PCs نامی ہارڈ ویئر کی ایک نئی نسل میں گہرائی سے ضم کرنے میں بہت زیادہ سرمایہ کاری کی ہے، جو خاص طور پر AI ورک لوڈز کو ذہن میں رکھتے ہوئے ڈیزائن کیے گئے ہیں۔ یہ تضاد Windows 98 کے تجربے کو اور بھی زیادہ حیران کن بنا دیتا ہے۔ یہ ان وسائل کے بارے میں ہمارے مفروضوں کو چیلنج کرتا ہے جو واقعی کچھ AI افعال کے لیے ضروری ہیں اور ایک متبادل تکنیکی ٹائم لائن کی جھلک پیش کرتا ہے۔
ماضی کو زندہ کرنا: تجربے کے پیچھے ہرکولین کوشش
جبکہ Andreessen نے اس کامیابی کی طرف وسیع توجہ مبذول کروائی، تکنیکی بھاری بھرکم کام پہلے کے کام سے نکلا لگتا ہے، خاص طور پر Exo Labs کی ٹیم کے ذریعے۔ ان کا ایک جدید AI کو ایسی پرانی مشینری پر چلانے کا سفر سیدھا نہیں تھا۔ یہ ڈیجیٹل آثار قدیمہ اور تخلیقی مسئلہ حل کرنے کی ایک مشق تھی، جو اس وقت اور اب کی کمپیوٹنگ کے درمیان وسیع فرق کو اجاگر کرتی ہے۔
پہلی رکاوٹ بنیادی لاجسٹکس اور ہارڈ ویئر کی مطابقت تھی۔ Windows 98 کے دور سے فعال ہارڈ ویئر تلاش کرنا کافی مشکل ہے۔ لیکن صرف مشین کو بوٹ کرنے کے علاوہ، ٹیم کو پیری فیرلز کی ضرورت تھی۔ جدید USB انٹرفیس، جو آج کل ہر جگہ موجود ہیں، Windows 98 کے عروج کے زمانے میں معیاری نہیں تھے۔ اس کے لیے پرانے PS/2 کنیکٹرز کا استعمال کرتے ہوئے مطابقت پذیر ان پٹ ڈیوائسز - کی بورڈز اور ماؤس - کا حصول ضروری تھا جن کا سامنا شاید بہت سے نوجوان ٹیک شائقین نے کبھی نہیں کیا ہوگا۔
جسمانی سیٹ اپ کو حل کرنے کے بعد، اگلی اہم رکاوٹ ڈیٹا کی منتقلی تھی۔ آپ ضروری AI ماڈل فائلیں اور ڈیولپمنٹ ٹولز ایک ایسی مشین پر کیسے حاصل کرتے ہیں جس میں جدید کنیکٹیویٹی آپشنز جیسے تیز رفتار USB پورٹس یا ہموار نیٹ ورک انٹیگریشن کی کمی ہو؟ اس میں ممکنہ طور پر پرانے، سست طریقوں کا سہارا لینا شامل تھا، شاید فائلوں کو CDs پر جلانا یا اس وقت کے محدود نیٹ ورک پروٹوکولز کا استعمال کرنا، جس سے ایک سادہ فائل کاپی ایک ممکنہ طور پر وقت طلب عمل بن گیا۔
تاہم، بنیادی تکنیکی چیلنج ایک قدیم ماحول کے لیے جدید کوڈ مرتب کرنا تھا۔ AI ماڈل، جو Meta کے Llama آرکیٹیکچر پر مبنی ہے، عصری پروگرامنگ طریقوں اور زبانوں کا استعمال کرتے ہوئے بنایا گیا ہے۔ اس کوڈ کو Windows 98 کے لیے قابل فہم اور قابل عمل بنانے کے لیے ایک کمپائلر کی ضرورت تھی - ایک پروگرام جو سورس کوڈ کو مشین لینگویج میں ترجمہ کرتا ہے - جو پرانے آپریٹنگ سسٹم پر چل سکتا ہو اور AI کوڈ کی پیچیدگیوں کو سنبھال سکتا ہو۔
Exo Labs نے ابتدائی طورپر Borland C++ 5.02 کا رخ کیا، جو خود سافٹ ویئر کی تاریخ کا ایک حصہ ہے - ایک 26 سالہ انٹیگریٹڈ ڈیولپمنٹ انوائرمنٹ (IDE) اور کمپائلر کا مجموعہ جو Windows 98 پر مقامی طور پر چلتا تھا۔ یہ انتخاب جدید کوڈ بیس اور پرانے آپریٹنگ سسٹم کے درمیان ایک ممکنہ پل کی نمائندگی کرتا تھا۔ تاہم، راستہ پیچیدگیوں سے بھرا ہوا تھا۔ جدید C++ معیارات اور لائبریریوں کی پیچیدگیاں Borland کمپائلر اور Windows 98 ماحول کی صلاحیتوں اور حدود کے ساتھ ہم آہنگ کرنا مشکل ثابت ہوئیں۔ مطابقت کے مسائل پیدا ہوئے، جس نے ٹیم کو محور کرنے پر مجبور کیا۔
ان کا حل C پروگرامنگ زبان کے پرانے ورژن کی طرف رجعت کرنا تھا۔ جبکہ C ایک بنیادی زبان ہے اور C++ کی پیشرو ہے، ایک پرانے C معیار کا استعمال کرنے کا مطلب C++ کی کچھ اعلیٰ سطحی تجریدات اور سہولیات کو قربان کرنا تھا۔ اس کے لیے زیادہ محنتی کوڈنگ کے عمل کی ضرورت تھی، دستی طور پر عناصر جیسے فنکشنز اور متغیرات کا انتظام کرنا جنہیں C++ زیادہ خوبصورتی سے سنبھالتا ہے۔ پیش رفت لامحالہ سست تھی، جس میں تفصیل پر باریک بینی سے توجہ دینے کی ضرورت تھی تاکہ ان غلطیوں سے بچا جا سکے جنہیں پرانے ڈیولپمنٹ ٹولز آسانی سے نہیں پکڑ سکتے تھے۔
میموری کا دباؤ: محدود وسائل کے لیے Llama کو قابو کرنا
شاید سب سے زیادہ مشکل رکاوٹ انتہائی محدود Random Access Memory (RAM) تھی۔ ٹارگٹ مشین میں صرف 128 میگا بائٹس RAM تھی۔ اس کو تناظر میں رکھنے کے لیے، جدید اسمارٹ فونز معمول کے مطابق 8، 12، یا یہاں تک کہ 16 گیگا بائٹس RAM کے ساتھ آتے ہیں (ایک گیگا بائٹ تقریباً 1000 میگا بائٹس ہے)۔ گیمنگ یا پیشہ ورانہ کام کے لیے ڈیزائن کیے گئے اعلیٰ درجے کے PCs میں اکثر 32GB، 64GB، یا اس سے زیادہ ہوتے ہیں۔ AI ماڈل جیسی پیچیدہ ایپلیکیشن کو اتنے چھوٹے میموری فوٹ پرنٹ کے اندر چلانا ایک جھاڑو کی الماری میں پیچیدہ سرجری کرنے کے مترادف ہے۔
Meta کے Llama ماڈلز کا خاندان، اگرچہ عام طور پر OpenAI کے GPT-4 جیسے بڑے ماڈلز سے زیادہ وسائل کے لحاظ سے موثر سمجھا جاتا ہے، پھر بھی اربوں پیرامیٹرز والے ورژن پر مشتمل ہے۔ مثال کے طور پر، Llama 2 آرکیٹیکچر میں 70 بلین پیرامیٹرز تک کے ماڈل شامل ہیں۔ یہ بڑے ماڈل اہم کمپیوٹیشنل طاقت اور، اہم طور پر، ماڈل کے وزن کو لوڈ کرنے اور معلومات پر کارروائی کرنے اور جوابات پیدا کرنے میں شامل حسابات کا انتظام کرنے کے لیے وسیع مقدار میں میموری کا مطالبہ کرتے ہیں۔ ایک معیاری Llama 2 ماڈل 128MB کی رکاوٹ کے اندر چلنے کے قابل بالکل نہیں ہوگا۔
لہذا، تجربے کی کامیابی Llama آرکیٹیکچر کے انتہائی بہتر، نمایاں طور پر چھوٹے تکرار کو استعمال کرنے یا تیار کرنے پر منحصر تھی۔ اس خصوصی ورژن کو خاص طور پر شدید ہارڈ ویئر کی حدود کے تحت کام کرنے کے لیے تیار کیا جانا تھا۔ اس میں ممکنہ طور پر ماڈل کوانٹائزیشن (ماڈل کے حسابات میں استعمال ہونے والے نمبروں کی درستگی کو کم کرنا) اور پروننگ (نیورل نیٹ ورک کے کم اہم حصوں کو ہٹانا) جیسی تکنیکیں شامل تھیں تاکہ اس کی میموری اور کمپیوٹیشنل فوٹ پرنٹ کو ڈرامائی طور پر کم کیا جا سکے۔ Exo Labs نے اپنا موافقت شدہ ورژن GitHub پر دستیاب کرایا، جس میں مخصوص ترمیمات کی ضرورت کو ظاہر کیا گیا۔
یہ چھوٹا AI، پرانے ہارڈ ویئر پر چل رہا ہے، اپنے بڑے، کلاؤڈ پر چلنے والے کزنز کی وسیع معلومات یا باریک بات چیت کی صلاحیتوں کا مالک نہیں ہوگا۔ اس کی صلاحیتیں محدود ہوں گی۔ پھر بھی، یہ حقیقت کہ یہ چل سکتا ہے اور بنیادی جنریٹو کام انجام دے سکتا ہے، ایک اہم تکنیکی کامیابی کی نمائندگی کرتا ہے۔ یہ ظاہر کرتا ہے کہ بڑے لینگویج ماڈلز کے بنیادی تصورات کو، اصولی طور پر، ڈرامائی طور پر کم کیا جا سکتا ہے، چاہے عملی افادیت ایسی انتہاؤں پر محدود ہی کیوں نہ ہو۔
Andreessen کی اشتعال انگیزی: بات چیت کرنے والی کمپیوٹنگ کے لیے ایک کھوئی ہوئی ٹائم لائن؟
Marc Andreessen نے اس تکنیکی مظاہرے کو کمپیوٹنگ کی تاریخ اور ممکنہ مستقبل کے بارے میں ایک وسیع تر، زیادہ اشتعال انگیز نکتہ پیش کرنے کے لیے استعمال کیا۔ اس کا عکس صرف پرانے ہارڈ ویئر پر نیا سافٹ ویئر چلانے کے تکنیکی تجسس کے بارے میں نہیں تھا۔یہ انسانی کمپیوٹر کے تعامل کی ممکنہ متبادل تاریخ پر ایک غور و فکر تھا۔
انہوں نے یہ تجویز پیش کرتے ہوئے اس کی وضاحت کی کہ 26 سالہ Dell PC پر Llama کا کامیاب آپریشن دہائیوں پر محیط ایک کھوئے ہوئے موقع کا مطلب ہے۔ Andreessen نے کہا، ‘وہ تمام پرانے PCs لفظی طور پر اس سارے وقت میں سمارٹ ہو سکتے تھے۔’ ‘ہم اب 30 سالوں سے اپنے کمپیوٹرز سے بات کر رہے ہوتے۔’
یہ بیان ہمیں ایک ایسی دنیا کا تصور کرنے کی دعوت دیتا ہے جہاں AI کی ترقی کا راستہ ذاتی کمپیوٹنگ کے عروج کے ساتھ مختلف طریقے سے مل جاتا۔ PCs بنیادی طور پر حساب کتاب، دستاویز کی تخلیق، اور بالآخر، انٹرنیٹ تک رسائی کے اوزار ہونے کے بجائے، شاید وہ بہت پہلے بات چیت کرنے والے شراکت داروں میں تبدیل ہو سکتے تھے۔ جو تصویر ذہن میں آتی ہے وہ صارفین کی ہے جو اپنے Windows 95، 98، یا اس سے بھی پہلے کی مشینوں کے ساتھ قدرتی زبان کے ذریعے تعامل کرتے ہیں، سوالات پوچھتے ہیں، مدد حاصل کرتے ہیں، اور اس طرح سے مکالمے میں مشغول ہوتے ہیں جو صرف جدید ڈیجیٹل اسسٹنٹس اور جدید ترین LLMs کی آمد کے ساتھ مرکزی دھارے کی حقیقت بن گئی۔
یقیناً، یہ ایک اہم متضاد چھلانگ ہے۔ جنریٹو AI، جیسا کہ ہم اسے آج سمجھتے ہیں، بڑے ڈیٹا سیٹس، جدید نیورل نیٹ ورک آرکیٹیکچرز (جیسے Llama اور GPT ماڈلز کی بنیاد بننے والا Transformer آرکیٹیکچر)، اور تربیت کے لیے بے پناہ کمپیوٹیشنل طاقت پر انحصار کے ساتھ، نسبتاً حالیہ رجحان ہے۔ 1980 اور 1990 کی دہائی کی AI تحقیق، اگرچہ مہتواکانکشی تھی، مختلف نمونوں پر مرکوز تھی، جیسے ماہر نظام اور علامتی استدلال۔ اس دور کا ہارڈ ویئر، اگرچہ Exo Labs کے ذریعے دکھائے گئے کم کیے گئے Llama کو چلانے کے قابل تھا، آج کے سسٹمز سے کئی گنا کم طاقتور تھا، اور قابل جنریٹو ماڈلز کو تربیت دینے کے لیے درکار وسیع ڈیجیٹل ڈیٹا سیٹس قابل رسائی شکل میں موجود نہیں تھے۔
Andreessen نے اس تناظر کو تسلیم کیا، 1980 کی دہائی کے AI بوم کی امید پرستی کو نوٹ کرتے ہوئے: ‘80 کی دہائی میں بہت سے ذہین لوگوں نے سوچا تھا کہ یہ سب کچھ تب ہونے والا ہے۔’ اس دور میں مصنوعی ذہانت میں نمایاں سرمایہ کاری اور تحقیق دیکھی گئی، لیکن بالآخر یہ ‘AI موسم سرما’ کا باعث بنی - کم فنڈنگ اور دلچسپی کا دور جب ٹیکنالوجی اپنے سب سے زیادہ مہتواکانکشی وعدوں کو پورا کرنے میں ناکام رہی۔ کمپیوٹیشنل طاقت، ڈیٹا کی دستیابی، اور الگورتھمک طریقوں میں حدود گہری تھیں۔
لہذا، Andreessen کا تبصرہ شاید لفظی دعوے کے طور پر نہیں سمجھا جانا چاہئے کہ 1990 کی دہائی کے ہارڈ ویئر پر جدید، انسان نما AI اس طرح ممکن تھا جس طرح ہم اسے اب تجربہ کرتے ہیں، بلکہ ایک فکری تجربے کے طور پر۔ یہ اس صلاحیت کو اجاگر کرتا ہے جو شاید کھل سکتی تھی اگر تحقیقی ترجیحات، الگورتھمک کامیابیاں، اور ہارڈ ویئر کی ترقی نے ایک مختلف راستہ اختیار کیا ہوتا۔ یہ اس خیال پر زور دیتا ہے کہ کسی نہ کسی شکل کے ذہین تعامل کے لیے تعمیراتی بلاکس تکنیکی طور پر قابل حصول ہو سکتے تھے، چاہے نتیجہ آج کے AI سے کہیں زیادہ آسان ہوتا۔
متضاد ادوار: ڈائل اپ خوابوں سے AI سے متاثرہ حقیقت تک
Windows 98 کا تجربہ AI انضمام کے موجودہ منظر نامے کے برعکس ایک واضح نقطہ کے طور پر کام کرتا ہے۔ آج، AI تیزی سے کلاؤڈ سینٹرک سروس سے آپریٹنگ سسٹم اور یہاں تک کہ خود ہارڈ ویئر کے اندر گہرائی سے سرایت کرنے کی طرف بڑھ رہا ہے۔
Microsoft کا Copilot اور Copilot+ PCs کے ساتھ زور اس رجحان کی مثال دیتا ہے۔ Windows 11 میں Copilot کے لیے متعدد انٹری پوائنٹس شامل ہیں، جو دستاویزات کا خلاصہ کرنے اور ای میلز کا مسودہ تیار کرنے سے لے کر تصاویر بنانے اور سسٹم سیٹنگز کو ایڈجسٹ کرنے تک کے کاموں کے لیے AI مدد فراہم کرتے ہیں۔ نیا Copilot+ PC تفصیلات ایک Neural Processing Unit (NPU) کی شمولیت کو لازمی قرار دیتی ہیں - خصوصی سلیکون جو AI حسابات کو مؤثر طریقے سے تیز کرنے کے لیے ڈیزائن کیا گیا ہے۔ یہ ایک بنیادی تبدیلی کی نشاندہی کرتا ہے جہاں AI پروسیسنگ ذاتی کمپیوٹر کا ایک بنیادی کام بن رہی ہے، جسے مقامی طور پر سنبھالا جاتا ہے بجائے اس کے کہ صرف ریموٹ سرورز پر انحصار کیا جائے۔
یہ جدید نقطہ نظر وافر وسائل کو فرض کرتا ہے، اور ان کا فائدہ اٹھاتا ہے۔ Copilot+ PCs کو کم از کم 16GB RAM اور تیز سالڈ اسٹیٹ اسٹوریج کی ضرورت ہوتی ہے، یہ خصوصیات Windows 98 مشین کے معمولی 128MB سے کہیں زیادہ ہیں۔ استعمال کیے جانے والے AI ماڈلز، اگرچہ کلائنٹ سائیڈ ایگزیکیوشن کے لیے بہتر بنائے گئے ہیں، تجربے میں استعمال ہونے والے چھوٹے Llama ورژن سے کہیں زیادہ پیچیدہ اور قابل ہیں۔ انہیں دہائیوں کی الگورتھمک اصلاح، بڑے پیمانے پر تربیتی ڈیٹا سیٹس، اور خاص طور پر ان کی ضروریات کے لیے بنائے گئے ہارڈ ویئر سے فائدہ ہوتا ہے۔
یہ تضاد کئی نکات کو روشن کرتا ہے:
- سافٹ ویئر آپٹیمائزیشن بمقابلہ بلوٹ: Exo Labs کا تجربہ انتہائی اصلاح کا ثبوت ہے، جو جدید الگورتھم کو انتہائی محدود ماحول میں مجبور کرتا ہے۔ یہ واضح طور پر جدید سافٹ ویئر کے بڑھتے ہوئے ہارڈ ویئر وسائل کو فرض کرنے کے رجحان پر تنقید کرتا ہے، جو بعض اوقات ناکارہی یا ‘بلوٹ’ کا باعث بنتا ہے۔
- ہارڈ ویئر کا ارتقاء: ایک عام 1998 PC اور 2024 Copilot+ PC کے درمیان کمپیوٹیشنل طاقت اور میموری میں سراسر فرق حیران کن ہے، جو Moore’s Law اور آرکیٹیکچرل جدت کی کئی نسلوں کی نمائندگی کرتا ہے۔
- ڈیٹا کی رسائی: جدید LLMs کی تربیت انٹرنیٹ پیمانے کے ڈیٹا سیٹس پر انحصار کرتی ہے جو Windows 98 کے دور میں ناقابل تصور تھے۔ ڈیجیٹل کائنات اس وقت بہت چھوٹی اور منقطع تھی۔
- الگورتھمک کامیابیاں: 2017 میں Transformer ماڈل جیسے آرکیٹیکچرز کی ترقی ایک اہم لمحہ تھا، جس نے آج کے جنریٹو AI میں دیکھی جانے والی اسکیلنگ اور کارکردگی کو ممکن بنایا۔ پہلے کے AI طریقوں میں بنیادی حدود تھیں۔
جبکہ Andreessen 30 سال پہلے بات کرنے والے کمپیوٹرز کا خواب دیکھتے ہیں، حقیقت یہ ہے کہ آج کے AI تجربے کے لیے درکار ہارڈ ویئر پاور، ڈیٹا کی دستیابی، اور الگورتھمک جدت کا سنگم بہت حال ہی میں ہوا ہے۔
اس سب کا کیا مطلب ہے؟ پرانی یادوں سے پرے عکاسی
کیا Windows 98 پر Llama ماڈل کی کامیاب تعیناتی محض ایک ہوشیار ہیک ہے، ٹیک شائقین کے لیے ایک پرانی یادوں کا اسٹنٹ؟ یا یہ گہری اہمیت رکھتا ہے؟ یہ دلیل کے طور پر کئی مقاصد کو پورا کرتا ہے:
- انتہائی اسکیل ایبلٹی کا مظاہرہ: یہ ثابت کرتا ہے کہ بڑے لینگویج ماڈلز کے پیچھے بنیادی اصولوں کو ناقابل یقین حد تک سخت وسائل کی رکاوٹوں کے تحت کام کرنے کے لیے ڈھال لیا جا سکتا ہے۔ اس کے ممکنہ مضمرات کم طاقت والے ایمبیڈڈ سسٹمز، IoT ڈیوائسز، یا پرانے ہارڈ ویئر پر AI کی تعیناتی کے لیے ہیں جو دنیا کے مختلف حصوں میں اب بھی استعمال میں ہیں۔
- رکاوٹوں کی طاقت کو اجاگر کرنا: شدید حدود میں کام کرنا اکثر جدت اور کارکردگی پر مجبور کرتا ہے۔ Exo Labs ٹیم کو تخلیقی حل تلاش کرنے اور بے رحمی سے اصلاح کرنے کی ضرورت تھی، ایسی مہارتیں جو وسائل سے مالا مال ماحول میں بھی قابل قدر ہیں۔
- مفروضوں کو چیلنج کرنا: یہ اس بات پر غور کرنے پر اکساتا ہے کہ کیا جدید ایپلی کیشنز کے ذریعے استعمال ہونے والی تمام کمپیوٹیشنل طاقت اور میموری ان کی فراہم کردہ قدر کے لیے سختی سے ضروری ہیں۔ کیا کچھ سافٹ ویئر زیادہ دبلا اور زیادہ موثر ہو سکتا ہے؟
- تکنیکی راستوں کی ہنگامی صورتحال کی وضاحت: تاریخ شاذ و نادر ہی سیدھی لکیر پر چلتی ہے۔ یہ حقیقت کہ کچھ ابتدائی AI پرانے ہارڈ ویئر پر ممکن ہو سکتا تھا اس بات پر زور دیتا ہے کہ کس طرح مختلف انتخاب، تحقیقی سمتیں، یا یہاں تک کہ موقع کی دریافتیں ہمیں ایک مختلف تکنیکی راستے پر لے جا سکتی تھیں۔
یہ تجربہ تاریخ کو دوبارہ نہیں لکھتا، اور نہ ہی اس کا مطلب یہ ہے کہ 2024 کے جدید ترین AI تجربات 1998 میں کسی نہ کسی طرح قابل حصول تھے۔ فعال کرنے والی ٹیکنالوجیز - پروسیسنگ پاور، میموری، ڈیٹا، الگورتھم - میں فرق بہت بڑا ہے۔ تاہم، یہ ایک دلچسپ ڈیٹا پوائنٹ، انجینئرنگ کی ذہانت کا ثبوت، اور تکنیکی ترقی کی گھومتی ہوئی سڑک پر غور کرنے کے لیے ایک اتپریرک فراہم کرتا ہے۔ یہ ہمیں یاد دلاتا ہے کہ کل کی حدود کو بعض اوقات آج کے علم سے دور کیا جا سکتا ہے، جس سے حیران کن نتائج برآمد ہوتے ہیں اور ہمیں اس پر دوبارہ غور کرنے پر اکساتا ہے کہ اب اور مستقبل میں کیا ممکن ہو سکتا ہے۔ پرانی مشین میں بھوت نہ صرف اس بات کی سرگوشی کرتا ہے کہ کیا تھا، بلکہ شاید سادگی اور کارکردگی میں رہنے والی غیر استعمال شدہ صلاحیت کا بھی۔