ਨਵੀਂ AI ਸਟਾਰਟਅਪ Adaption Labs, ਪ੍ਰਮੁੱਖ ਸਕੇਲਿੰਗ ਪੈਰਾਡਾਈਮ ਨੂੰ ਚੁਣੌਤੀ ਦੇ ਰਿਹਾ ਹੈ, ਅਡੈਪਟਿਵ ਲਰਨਿੰਗ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਿਹਾ ਹੈ

ਮੌਜੂਦਾ AI ਉਦਯੋਗ ਦਾ ਰੁਝਾਨ ਵਿਸ਼ਾਲ ਡਾਟਾ ਸੈਂਟਰ ਬਣਾਉਣਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਦੀ ਲਾਗਤ ਅਕਸਰ ਅਰਬਾਂ ਡਾਲਰ ਹੁੰਦੀ ਹੈ ਅਤੇ ਜੋ ਭਾਰੀ ਮਾਤਰਾ ਵਿੱਚ ਊਰਜਾ ਦੀ ਖਪਤ ਕਰਦੇ ਹਨ। ਇਹ "ਸਕੇਲਿੰਗ" ਫਿਲੋਸਫੀ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੈ – ਇਹ ਵਿਸ਼ਵਾਸ ਕਿ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਜ਼ (LLMs) ਵਿੱਚ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਅਤੇ ਮਾਡਲ ਦਾ ਆਕਾਰ ਵਧਾਉਣ ਨਾਲ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਸੁਪਰਇੰਟੈਲੀਜੈਂਟ ਸਿਸਟਮ ਬਣਨਗੇ। ਹਾਲਾਂਕਿ, AI ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਮੂਹ ਹੁਣ ਇਸ ਪਹੁੰਚ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸਥਿਰਤਾ 'ਤੇ ਸਵਾਲ ਉਠਾ ਰਿਹਾ ਹੈ, ਇਹ ਸੁਝਾਅ ਦਿੰਦੇ ਹੋਏ ਕਿ ਇਹ ਆਪਣੀਆਂ ਪ੍ਰਦਰਸ਼ਨ ਹੱਦਾਂ ਨੂੰ ਛੂਹ ਰਿਹਾ ਹੋਵੇਗਾ। ਇਹ ਸ਼ੱਕ ਨਵੇਂ ਉੱਦਮਾਂ ਨੂੰ ਉਤਸ਼ਾਹਤ ਕਰ ਰਿਹਾ ਹੈ। ਸਾਰਾ ਹੂਕਰ, ਜੋ ਪਹਿਲਾਂ Cohere ਵਿੱਚ AI ਰਿਸਰਚ ਦੀ VP ਅਤੇ Google Brain ਦੀ ਸਾਬਕਾ ਵਿਦਿਆਰਥੀ ਸੀ, ਨੇ ਸੁਦੀਪ ਰਾਏ ਨਾਲ ਮਿਲ ਕੇ Adaption Labs ਦੀ ਸਹਿ-ਸਥਾਪਨਾ ਕੀਤੀ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਸਟਾਰਟਅੱਪ ਇਸ ਧਾਰਨਾ 'ਤੇ ਅਧਾਰਿਤ ਹੈ ਕਿ LLMs ਨੂੰ ਸਿਰਫ਼ ਸਕੇਲ ਕਰਨਾ AI ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦਾ ਇੱਕ ਅਯੋਗ ਤਰੀਕਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, Adaption Labs ਅਜਿਹੇ AI ਸਿਸਟਮ ਵਿਕਸਿਤ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ ਜੋ ਮਨੁੱਖੀ ਅਡੈਪਟਿਵ ਲਰਨਿੰਗ (human adaptive learning) ਵਾਂਗ, ਅਸਲ-ਦੁਨੀਆਂ ਦੇ ਤਜ਼ਰਬਿਆਂ ਤੋਂ ਉੱਚ ਕੁਸ਼ਲਤਾ ਨਾਲ ਨਿਰੰਤਰ ਅਨੁਕੂਲ ਹੋ ਸਕਣ ਅਤੇ ਸਿੱਖ ਸਕਣ। ਪ੍ਰਭਾਵ: ਇਹ ਖ਼ਬਰ AI ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਬਦਲਾਅ ਦਾ ਸੰਕੇਤ ਦੇ ਸਕਦੀ ਹੈ, ਜੋ ਸਰੋਤ-ਕੇਂਦ੍ਰਿਤ ਸਕੇਲਿੰਗ (resource-intensive scaling) ਤੋਂ ਵਧੇਰੇ ਕੁਸ਼ਲ ਅਡੈਪਟਿਵ ਲਰਨਿੰਗ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਸਫਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ Adaption Labs ਦੀ ਪਹੁੰਚ AI ਨੂੰ ਲੋਕਤੰਤਰਿਕ (democratize) ਕਰ ਸਕਦੀ ਹੈ, ਕੁਝ ਪ੍ਰਮੁੱਖ ਖਿਡਾਰੀਆਂ ਦੇ ਦਬਦਬੇ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਵਧੇਰੇ ਬਹੁਮੁਖੀ ਅਤੇ ਵਿਹਾਰਕ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਵੱਲ ਲੈ ਜਾ ਸਕਦੀ ਹੈ। ਇਹ ਭਵਿੱਖੀ AI ਖੋਜ ਫੰਡਿੰਗ, ਤਕਨੀਕੀ ਵਿਕਾਸ, ਅਤੇ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵਾਲੇ ਲੈਂਡਸਕੇਪ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਰੇਟਿੰਗ: 8/10. ਮੁਸ਼ਕਲ ਸ਼ਬਦ: LLM (Large Language Model): AI ਮਾਡਲ ਜੋ ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ, ਤਿਆਰ ਕਰਨ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਵਿਸ਼ਾਲ ਟੈਕਸਟ ਡਾਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। Scaling: AI ਮਾਡਲਾਂ ਦੇ ਆਕਾਰ ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਨੂੰ ਵਧਾਉਣ ਦੀ ਪ੍ਰਥਾ, ਉਨ੍ਹਾਂ ਨੂੰ ਵਧੇਰੇ ਡਾਟਾ ਅਤੇ ਸਰੋਤ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਜਿਸ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। Adaptive Learning: ਇੱਕ AI ਪਹੁੰਚ ਜਿੱਥੇ ਮਾਡਲ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਨਵੇਂ ਡਾਟਾ ਅਤੇ ਗੱਲਬਾਤ ਤੋਂ ਨਿਰੰਤਰ ਸਿੱਖਦੇ ਅਤੇ ਅਨੁਕੂਲ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਮਨੁੱਖ ਤਜ਼ਰਬੇ ਤੋਂ ਸਿੱਖਦੇ ਹਨ। Production: ਉਹ ਪੜਾਅ ਜਦੋਂ ਇੱਕ AI ਸਿਸਟਮ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅੰਤਮ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਸਰਗਰਮੀ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਾਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। Reinforcement Learning (RL): ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਪ੍ਰਕਾਰ ਜਿੱਥੇ ਇੱਕ AI ਏਜੰਟ ਟਰਾਇਲ ਅਤੇ ਗਲਤੀ ਦੁਆਰਾ ਸਿੱਖਦਾ ਹੈ, ਸਹੀ ਕੰਮਾਂ ਲਈ ਇਨਾਮ ਅਤੇ ਗਲਤ ਕੰਮਾਂ ਲਈ ਜੁਰਮਾਨਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। Pretraining: AI ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਦਾ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਜਿੱਥੇ ਇਸਨੂੰ ਪੈਟਰਨ ਅਤੇ ਸੰਕਲਪਾਂ ਦੀ ਬੁਨਿਆਦੀ ਸਮਝ ਸਥਾਪਿਤ ਕਰਨ ਲਈ ਇੱਕ ਵੱਡੇ, ਆਮ ਡਾਟਾਸੈਟ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। Reasoning Models: ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਜਟਿਲ ਸਮੱਸਿਆ-ਹੱਲ ਅਤੇ ਤਰਕਪੂਰਨ ਕਟੌਤੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ AI ਮਾਡਲ। Diminishing Returns: ਇੱਕ ਅਜਿਹੀ ਸਥਿਤੀ ਜਿੱਥੇ ਵਧੇਰੇ ਇਨਪੁਟ (ਜਿਵੇਂ ਕਿ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਜਾਂ ਡਾਟਾ) ਜੋੜਨ ਨਾਲ ਆਉਟਪੁੱਟ ਜਾਂ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕ੍ਰਮਵਾਰ ਛੋਟਾ ਵਾਧਾ ਹੁੰਦਾ ਹੈ।