Anthropic က Claude Mythos 5 သည် အကောင်းဆုံး ထုတ်ဝေထားသော ဒီဇိုင်းများကို ကျော်ဖြတ်သည့် ကွမ်တမ်ပတ်လမ်းများကို ဒီဇိုင်းထုတ်ထားသည်။

၎င်း၏ Claude Mythos 5 မော်ဒယ်သည် အချို့ကိစ္စများတွင် ပြင်းအားအစီအစဥ် သို့မဟုတ် ထို့ထက်ပို၍ တွက်ချက်မှု ခုနစ်ခုအနက် ခုနစ်ခုတွင် ယခင်ထုတ်ဝေခဲ့သော အကောင်းဆုံး ဒီဇိုင်းများကို တိုးတက်ကောင်းမွန်စေမည့် ကွမ်တမ်ဆားကစ်များကို ဒီဇိုင်းထုတ်ခဲ့သည်ဟု Anthropic မှ ပြောကြားခဲ့သည်။ သောကြာနေ့တွင်ထုတ်ဝေသည့် သုတေသနပို့စ်တစ်ခုနှင့် အောက်တိုဘာ ၁၅ ရက်တွင် arXiv သို့တင်သွင်းသည့် စာမျက်နှာ ၄၆ မျက်နှာပါ စာတမ်းတွင် ဖော်ပြထားသော အဆိုပါတောင်းဆိုမှုသည် ဓာတ်ခွဲခန်း၏ အခိုင်မာဆုံးသော သရုပ်ပြမှုဖြစ်သော်လည်း ကြီးမားသောဘာသာစကားပုံစံများသည် လက်ရှိအသိပညာကို အကျဉ်းချုပ်ခြင်းထက် မူရင်းသိပ္ပံနည်းကျဒီဇိုင်းများကို ထုတ်လုပ်နိုင်သည်ဟု ဆိုသည်။

Anthropic ၏ STEM Fellows Program မှတဆင့် Andi Gu မှ ဦးဆောင်ပြီး Anthropic quantum physicist Alek Kemeny မှ လမ်းညွှန်မှုဖြင့် ဟားဗတ် ရူပဗေဒပညာရှင် Susanne Yelin နှင့် QuEra တို့ကို တည်ထောင်သူ Mikhail Lukin တို့နှင့်အတူ ပူးပေါင်းဆောင်ရွက်ခဲ့ပါသည်။ ကြီးမားသောဘာသာစကားမော်ဒယ်များဖြင့် ခေတ်မီဆန်းသစ်သော ကွမ်တမ်ဆားကစ်များကို ရှာဖွေခြင်းဟု ခေါင်းစဉ်တပ်ထားသည့် အဆိုပါစာတမ်းတွင် စာမျက်နှာပေါင်း 46 ခုပါရှိသည့် စာမျက်နှာပေါင်း 46 ခုပါရှိပြီး ရလဒ်များကို The Quantum Insider နှင့် စိတ်ဝင်စားဖွယ်အင်ဂျင်နီယာဆိုင်ရာ ပထမဦးဆုံးသော ရလဒ်များကို အစီရင်ခံသည့် ပထမဆုံးဆိုင်ခွဲများထဲမှ တစ်ခုဖြစ်သည့် Unite.AI အရ သိရသည်။

အလုပ်ရှစ်ခုသည် ကွန်ပြူတာဆိုင်ရာ အခြေခံမူများဖြစ်သည် — ပိုကြီးသော ကွမ်တမ် အယ်လဂိုရီသမ်များကို တည်ဆောက်ထားသည့် အခြေခံလုပ်ရိုးလုပ်စဉ်များ — ဓာတုဗေဒကို ချဲ့ထွင်ခြင်း၊ ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း၊ ကွမ်တမ် သရုပ်ဖော်ခြင်း၊ ဂဏန်းသီအိုရီနှင့် ဂဏန်းတွက်ချက်ခြင်း တို့ဖြစ်သည်။ စာတမ်း၏ abstract အရ၊ ရှာဖွေတွေ့ရှိထားသော ဆားကစ်များသည် အလုပ်ရှစ်ခုအနက် ခုနစ်ခုတွင် Toffoli gate counts နှင့် qubit counts နှစ်ခုစလုံးကို အနုပညာ၏အခြေအနေနှင့် နှိုင်းယှဉ်ပါက သိသိသာသာလျော့ကျသွားပြီး အဋ္ဌမမြောက်သည် prime-field modular ပြောင်းပြန်လှန်ခြင်းအတွက် လုံးဝပြောင်းပြန်ဗိသုကာကို ထုတ်ပေးပါသည်။

Anthropic ၏ သုတေသနရလဒ်ကို ဆက်လက်လွှမ်းခြုံပြီး သိပ္ပံနှင့် AI ကို အသုံးချရန် ပိုမိုကျယ်ပြန့်သော ပြိုင်ဆိုင်မှုများအတွက်၊ နယ်ပယ်ဖွံ့ဖြိုးတိုးတက်လာသည်နှင့်အမျှ ကျွန်ုပ်တို့၏ [ထူးခြားဆန်းကြယ်သော AI သတင်း] (https://aibuzzwire.news) ၏ လွှမ်းခြုံမှုကို လိုက်နာပါ။

Closed Loop အလုပ်လုပ်ပုံ

ဒီဇိုင်းလုပ်ငန်းစဉ်သည် ဘာသာစကားမော်ဒယ်က ဆားကစ်များကို အဆိုပြုပြီး သီးခြားအကဲဖြတ်သူက ၎င်းတို့ကို စစ်ဆေးပေးသည့် ဆင့်ကဲဖြစ်စဉ်တစ်ခုဖြစ်သည်။ Quantum ဆားကစ်များကို သာမန်ကုဒ်အဖြစ် ရေးသားနိုင်သည်၊ ထို့ကြောင့် Claude Mythos 5 သည် Python ပရိုဂရမ်များအဖြစ် ဒီဇိုင်းများကို တင်ပြခဲ့ပြီး၊ မှန်ကန်မှု တုံ့ပြန်ချက်နှင့် အကဲဖြတ်သူထံမှ ရမှတ်ကို လက်ခံရရှိပြီး — အဝိုင်းများကြားတွင် လူသားထည့်သွင်းခြင်းမရှိဘဲ ပြန်လည်ပြင်ဆင်ထားသည်။

ရမှတ်သည် တမင်ရိုးရှင်းပါသည်- qubits အရေအတွက်ကို ဂိတ်အရေအတွက်ဖြင့် မြှောက်သည်။ ထိုထုတ်ကုန်သည် အနာဂတ် ကွမ်တမ်ကွန်ပျူတာပေါ်တွင် ဆားကစ်တစ်ခုလည်ပတ်ရန် အချိန်မည်မျှကြာမည့်အချိန်အတွက် ပရောက်စီတစ်ခုအဖြစ် လုပ်ဆောင်ပြီး ၎င်းသည် မော်ဒယ်အား တွန်းချရန် ရည်မှန်းချက်ပန်းတိုင်တစ်ခုပေးသည်။

ကွမ်တမ်ဆားကစ်များသည် သာမန်ဆော့ဖ်ဝဲလ်မဟုတ်သည့် ကန့်သတ်ချက်များကိုလည်း ပြဌာန်းထားသည်။ ဆားကစ်တစ်ခုသည် if-then ဆုံးဖြတ်ချက်များအပေါ်တွင် မခွဲနိုင်ပါ။ အကြောင်းမှာ ၎င်းသည် input အများအပြား၏ superposition ကို တစ်ပြိုင်နက် လုပ်ဆောင်ပြီး ၎င်းသည် လည်ပတ်တိုင်းလမ်းကြောင်းတိုင်းအတွက် လုပ်ဆောင်ချက်များပါ၀င်သောကြောင့် ဖြစ်သည်။ ခြေလှမ်းတိုင်းသည် နောက်ပြန်လှည့်နိုင်ရမည်ဖြစ်သောကြောင့် အချက်အလက်ကို စွန့်ပစ်၍မရပါ — အလယ်အလတ်ရလဒ်များကို သိမ်းဆည်းရပါမည် သို့မဟုတ် ၎င်းတို့ကို ပြောင်းပြန်ဖြစ်စေသော တွက်ချက်မှုအား လုပ်ဆောင်ခြင်းဖြင့် အပိုဆောင်းဂိတ်များတွင် ကုန်ကျစရိတ်ဖြင့် ၎င်းတို့ကို ပြောင်းပြန်ဖြစ်စေသော တွက်ချက်မှုကို လုပ်ဆောင်ခြင်းဖြင့် ၎င်းသည် အချက်အလက်များကိုလည်း စွန့်ပစ်မည်မဟုတ်ပါ။ ထိုကန့်သတ်ချက်များသည် အတိအကျအားဖြင့် Claude ၏ ဒီဇိုင်းများကို ပြန်လည်ပုံဖော်ခြင်းဖြစ်သည့် qubit count နှင့် runtime အကြား အပေးအယူကို တွန်းအားပေးပါသည်။

53-Hour Run ခြင်းသည် Modular Inversion Algorithm အသစ်ကို ထုတ်လုပ်သည်။

ပထမဆုံးအသေးစိတ်ရှာဖွေတွေ့ရှိမှုတွင် စိုးရိမ်ပူပန်မှုများသည် ထပ်လောင်းအချက်မှာ၊ elliptic-curve discrete logarithm ပြဿနာအတွက် ကွမ်တမ် အယ်လဂိုရီသမ်တွင် ပင်မလုပ်ဆောင်ချက်နှင့် နယ်ပယ်၏ စံသတ်မှတ်ချက်များထဲမှ တစ်ခုဖြစ်သည်။ ၎င်း၏ ကုန်ကျစရိတ်အများစုသည် တစ်ခုတည်းသော အဆင့်တွင် တည်ရှိသည် — မော်ဂျူလာပြောင်းပြန်လှန်မှု၊ elliptic-curve ဂဏန်းသင်္ချာတွင် အသုံးပြုသော ပိုင်းခြားမှု၏ ပတ်၀န်းကျင်ဗားရှင်း။

Anthropic ၏ ပို့စ်အရ Claude သည် သင်္ချာနည်းဥပဒေနှင့် အကဲဖြတ်သူသည် ဒီဇိုင်းတစ်ခုစီကို မည်သို့အမှတ်ပေးမည်ကို ရှင်းပြသည့် စာပိုဒ်တစ်ပိုဒ်ကို ရရှိခဲ့ပြီး စစ်မှန်သောချဉ်းကပ်မှုအသစ်သို့ မရောက်ရှိမီ လူသား၏ဝင်ရောက်စွက်ဖက်မှုအနည်းငယ်ဖြင့် 53 နာရီကြာ အလုပ်လုပ်ခဲ့သည်။ ရှေးရိုးကွန်ပြူတာများသည် မော်ဂျူလာပြောင်းပြန်လှန်ခြင်းကို divsteps ဟုခေါ်သောနည်းလမ်းဖြင့် ထိရောက်စွာကိုင်တွယ်ဖြေရှင်းနိုင်သော်လည်း၊ ထိုနည်းလမ်းသည် လက်တွေ့ကျသော ကွမ်တမ်ပတ်လမ်းကို မည်သည့်အခါမျှ ရလဒ်မရရှိခဲ့ပေ။ အကြောင်းမှာ၊ နောက်ပြန်လှည့်မှုတစ်ခုစီတွင် မည်သည့်လုပ်ဆောင်ချက်ကို ရွေးချယ်ထားသည်ကို မှတ်တမ်းတင်ရန် circuit အား တွန်းအားပေးပြီး အဆိုပါဌာနခွဲမှတ်တမ်းကို သိမ်းဆည်းရန်အတွက် နောက်ထပ် qubits အများအပြား လိုအပ်ပါသည်။

Claude ၏ ထိုးထွင်းသိမြင်မှုသည် မှတ်တမ်းကို သိမ်းထားရန် မလိုအပ်တော့ခြင်းဖြစ်သည်- အစီအစဥ်တစ်ခုစီတွင် ထုတ်ပေးသော နံပါတ်အတွဲများကို စစ်ဆေးခြင်းဖြင့် နောက်ပိုင်းတွင် ဌာနခွဲအချက်အလက်ကို ကုဒ်ကုဒ်လုပ်နိုင်သည်။ အစောပိုင်းကုဒ်ပြောင်းခြင်းစည်းမျဉ်းများသည် အသေးစားစမ်းသပ်မှုကိစ္စများတွင် လုပ်ဆောင်ခဲ့သော်လည်း 256-bit ပြဿနာအရွယ်အစားအပြည့်အစုံတွင် မအောင်မြင်ခဲ့ကြောင်း ပို့စ်တွင်ဖော်ပြထားသည်။ ထို့နောက် မော်ဒယ်သည် ထပ်လောင်းခြင်းနှင့်ပတ်သက်သည့် အက္ခရာသင်္ချာဆိုင်ရာ အထောက်အထားအသစ်များကို သက်သေပြခဲ့ပြီး၊ တိကျသောကုဒ်ဖော်မြူလာမှ ဆင်းသက်လာကာ ၎င်းကို ကြီးမားသောကိန်းဂဏာန်းပုံသဏ္ဍာန်များဖြင့် အတည်ပြုကာ Lean proof assistant တွင် တောင်းဆိုချက်ကို တရားဝင်ဖြစ်စေခဲ့သည်။

ရလဒ်အနေဖြင့် Anthropic က သိမ်းဆည်းထားသော ဌာနခွဲမှတ်တမ်းမရှိသော divsteps ၏ ပထမဆုံး နောက်ပြန်လှည့်သည့် အကောင်အထည်ဖော်မှုဖြစ်သည်ဟု Anthropic က ဆိုသည်။ ကုဒ်ဆွဲခြင်းသည် qubits များကိုသက်သာစေသော်လည်း runtime ကုန်ကျစရိတ်ကြောင့် Claude သည် နှစ်ခုကြားနယ်နိမိတ်တစ်လျှောက်တွင် ဒီဇိုင်းမိသားစုတစ်ခုကို ထုတ်လုပ်ခဲ့သည်။ ထိုမိသားစုရှိ ဆားကစ်တစ်ခုသည် 12% qubits ကိုအသုံးပြုသော်လည်း အသေးငယ်ဆုံးယခင်ဒီဇိုင်းထက် ဂိတ်ပေါက်များ 17 ဆ ပိုနည်းသည်။ ပို့စ်သည် Schrottenloher (2026) နှင့် Luo et al တို့အဖြစ် အကောင်းဆုံး ကြိုတင်ထုတ်ဝေထားသော ဒီဇိုင်းများကို အမည်ပေးထားသည်။ (၂၀၂၆)။

Quantum Optimization အတွက် 12x စျေးသက်သာသော ဒီကုဒ်ဒါတစ်ခု

ဒုတိယရှာဖွေတွေ့ရှိမှုသည် စူပါပိုလီနမ် ကွမ်တမ် အရှိန်မြှင့်မှုအတွက် အပြင်းထန်ဆုံး လူသိများသော ကိုယ်စားလှယ်လောင်းများထဲမှ တစ်ဦးအဖြစ် ဖော်ပြထားသော ပို့စ်တွင် ဖော်ပြထားသော ကွမ်တမ် interferometry (DQI) ကို အသုံးပြုထားသည်။ အယ်လဂိုရီသမ်၏ စျေးအကြီးဆုံးအဆင့်မှာ အမှားပြင်ဆင်သည့်ကုဒ်ဒါတစ်ခုဖြစ်ပြီး ပို့စ်တွင်ကိုးကားထားသော Google Quantum AI သုတေသီများ၏ ခန့်မှန်းချက်များအရ အကောင်းဆုံး polynomial လမ်းဆုံပြဿနာ၏ သီးခြားဥပမာတစ်ခုသည် Frontier စူပါကွန်ပြူတာတွင် သုံးလခန့်အချိန်ယူရမည်ဖြစ်ပြီး အနာဂတ် ကွမ်တမ်ကွန်ပြူတာတွင် တစ်နာရီနီးပါးကြာမည်—ထိုနာရီ၏အများစုကို ပြန်လည်ကုဒ်လုပ်ခြင်းတွင် ကုန်ဆုံးမည်ဖြစ်သည်။

ယခင်ခေတ်မီဆန်းသစ်သော ဒီကုဒ်ဒါဆားကစ်ကို တိုးချဲ့ထားသော Euclidean အယ်လဂိုရီသမ်ပေါ်တွင် တည်ဆောက်ထားပြီး၊ ခြေလှမ်းအရေအတွက်သည် ထည့်သွင်းမှုအပေါ် မူတည်ပြီး အဆိုးဆုံးအခြေအနေတွင် တွက်ချက်မှုကို ဆန့်ထုတ်ရန် ကွမ်တမ်ပတ်လမ်းကို တွန်းအားပေးကာ လည်ပတ်မှုတိုင်းကို လည်ပတ်စေသည်။ Claude သည် ၎င်း၏ပတ်လမ်းကို Berlekamp-Massey ကုဒ်ဆွဲခြင်းအတွက် ပတ်လမ်းကြောင်းကို စီစဉ်ပေးသည်၊ ၎င်းသည် ပတ်ပတ်လည်တိုင်းတွင် တူညီသည့်အလုပ်ကို လုပ်ဆောင်သည်။ ၎င်းကို နောက်ပြန်လှည့်၍ပြုလုပ်ခြင်းသည် ကိန်းဂဏန်းအချက်အလက်များအရ ဖြေရှင်းပေးသည့် မှတ်ဉာဏ်ပြဿနာကို ဖန်တီးပေးသည်- ၎င်းသည် မြန်နှုန်းမြင့်သည့် simulator တစ်ခုကို ရေးသားကာ ထူးခြားသည့်တန်ဖိုးများ မည်မျှဖြစ်ပွားသည်ကို တိုင်းတာရန် နမူနာ 403 သန်းကို လုပ်ဆောင်ခဲ့သည်။ တန်ဖိုးတစ်ခုတည်းကို သိမ်းဆည်းရန် လိုအပ်သည့် ပြေးတိုင်းလိုလို၊ ထို့ကြောင့် ဆားကစ်သည် အဆိုးဆုံးသော ဒီဇိုင်းတွင် လိုအပ်မည့် 665 အစား 19 qubits ကို သိမ်းဆည်းထားပြီး အကြမ်းဖျင်းအားဖြင့် 10,000 တွင် လည်ပတ်မှုတစ်ခု ပျက်ကွက်သည် — ပို့စ်တွင် ဖော်ပြထားသည့်နှုန်းသည် အလုပ်၏ error ဘတ်ဂျက်အတွင်း ကောင်းမွန်ပါသည်။ ပိုမိုကောင်းမွန်အောင်ပြုလုပ်မှုများသည် နည်းလမ်း၊ ဗိသုကာပညာနှင့် အရင်းအမြစ်-ဘတ်ဂျက်အဆင့်များတွင် အပြောင်းအလဲများမှတစ်ဆင့် Google ၏ယခင်တည်ဆောက်မှုနှင့် သက်ဆိုင်သည့်အချက် 12 ဖြင့် ဖြတ်တောက်ထားသည်။

ဘာကြောင့် အရေးကြီးသလဲ — နှင့် သက်သေမပြနိုင်ပါ။

လောင်းကြေးများကို သရုပ်ဖော်ရန်၊ Anthropic ၏ ပို့စ်တွင် နိုက်ထရိုဂျင်ကို အမိုးနီးယားအဖြစ် ပြောင်းလဲရန် အသုံးပြုသည့် အင်ဇိုင်းသည် နိုက်ထရိုဂျင်ကို နိုက်ထရိုဂျင်ကို အမိုးနီးယားအဖြစ် ပြောင်းလဲရန် အသုံးပြုသည့် ဘက်တီးရီးယားများ၊ နိုက်ထရိုဂျင်နိုက်ထရိုဂျင်၏ နှလုံးတွင်ရှိသော သံ-ဆာလဖာအစုအဝေးဖြစ်သော FeMoco ၏ သမိုင်းကြောင်းကို ပြန်ပြောပြထားသည်။ 2017 ခုနှစ်တွင် သုတေသီများက FeMoco ၏ မြေပြင်အခြေအနေစွမ်းအင်ကို တွက်ချက်ရာတွင် Toffoli ဂိတ်ပေါက်ပေါင်း 50 ထရီလျံခန့် လိုအပ်မည်ဟု ခန့်မှန်းခဲ့သည်။ ရှစ်နှစ်တာကာလအတွင်း အယ်လဂိုရီသမ်ဆိုင်ရာ တိုးတက်မှုများက ခန့်မှန်းခြေ သန်း 340 ခန့်သို့ သယ်ဆောင်လာခဲ့ပြီး - ရုပ်ပိုင်းဆိုင်ရာ qubits သုံးသန်းဝန်းကျင်ရှိသော အနာဂတ်စက်တွင် နာရီအနည်းငယ်ကြာသည့် တွက်ချက်မှုနှင့် ကိုက်ညီသည့် အဆ 150,000 လျှော့ချခဲ့သည်။ ကုမ္ပဏီမှရေးဆွဲထားသော ဆန့်ကျင်ဘက်အချက်မှာ တုံးတိတိဖြစ်သည်- အဆ 150,000 တိုးတက်မှုသည် သုတေသနအဖွဲ့များစွာကို ရှစ်နှစ်ကြာအောင် အချိန်ယူခဲ့ရပြီး elliptic-curve ရလဒ်သည် 53 ​​နာရီ တစ်ကြိမ်ပြေးခြင်းမှ ထွက်ပေါ်လာသည်။

သတိပြုစရာတွေက ထပ်တူထပ်မျှ ရှင်းပါတယ်။ ယနေ့ခေတ် ကွမ်တမ်ကွန်ပြူတာများတွင် ရာနှင့်ချီသော qubits များသာရှိကြပြီး qubits များသည် ဆူညံသံများကို လွန်စွာထိခိုက်နိုင်သောကြောင့် ၎င်းတို့သည် အလုပ်လုပ်သည့်စက်များတွင် သရုပ်ပြခြင်းထက် အနာဂတ် hardware အတွက် ဒီဇိုင်းများဖြစ်သည်။ ရလဒ်များသည် Lean အထောက်အထားများ၊ ကိန်းဂဏာန်းအတည်ပြုခြင်းနှင့် လွတ်လပ်သောအကဲဖြတ်သူမှ ကျောထောက်နောက်ခံပြုထားသော်လည်း၊ arXiv စာတမ်း၏ ကျယ်ပြန့်သော ရွယ်တူချင်း စိစစ်မှုသည် အစသာရှိသေးသည်။

Anthropic သည် မှတ်သားထိုက်သည့် အစောပိုင်း အပြုအမူပုံစံကိုလည်း အစီရင်ခံသည်- ကနဦး စမ်းသပ်မှုများတွင် Claude သည် ရှေးရိုးဆန်သည်၊ ထပ်ခါတလဲလဲ နှစ်ချက်နှင့် သုံးဆ စစ်ဆေးပြီး ကောင်းမွန်သော ရလဒ်များနှင့် ရင်းနှီးသော ချဉ်းကပ်မှုများကို နှစ်သက်သည်။ အဖွဲ့သည် အရည်အသွေးအလိုက် ကွဲပြားသော ဒီဇိုင်းများစွာကို အပြိုင်ရှာဖွေကာ မော်ဒယ်ကို ၎င်း၏ရှာဖွေမှုကို ကျယ်ပြန့်စေရန် ရံဖန်ရံခါ တောင်းဆိုခြင်းဖြင့် ၎င်းကို တန်ပြန်တုံ့ပြန်ခဲ့သည် — တူညီသောသတိထားမှု၊ ပို့စ်မှတ်စုများသည် ပထမနေရာတွင် Lean အထောက်အထားများကို လှုံ့ဆော်ပေးခဲ့သည်။

ကုမ္ပဏီ၏ မျှော်မှန်းချက်မှာ AI သည် အမှားပြင်ဆင်ထားသော ကွမ်တမ်ကွန်ပျူတာ၏ အစိတ်အပိုင်းတိုင်းကို တိကျသောပြဿနာတစ်ခုအတွက် အယ်လဂိုရီသမ်မှ ဟာ့ဒ်ဝဲအထိ၊ အမှားပြင်ဆင်ထားသော ကွမ်တမ်ကွန်ပြူတာ၏ အစိတ်အပိုင်းတိုင်းကို နောက်ဆုံးတွင် အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နိုင်သည်ဟု ကုမ္ပဏီ၏ဖော်ပြချက်အရ သိရသည်။ ရလဒ်များ ထိန်းထားလျှင် ကွန်ပြူတာ၏ အလိုအပ်ဆုံး ဒီဇိုင်းဆိုင်ရာ ဘာသာရပ်တစ်ခုတွင် ဘာသာစကား မော်ဒယ်တစ်ခုက ၎င်း၏ကိုယ်ပိုင် ကိုင်ဆောင်နိုင်သည့် သရုပ်ပြမှုထက် ဆားကစ်တစ်ခုတည်းအတွက် စာရွက်ကို မှတ်မိနိုင်မည်ဖြစ်သည်။

AI ၏ရှေ့တွင်နေပါ။

ကွမ်တမ် ကွန်ပြူတာစနစ်၊ ရှေ့တန်းမော်ဒယ်များနှင့် ၎င်းတို့ကြားရှိ သုတေသနဆိုင်ရာ အောင်မြင်မှုများသည် လျင်မြန်စွာ ရွေ့လျားနေသည်။ AI Buzz Wire တွင် ပိုမိုဖတ်ရှုရန်။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →