ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਦੋਸਤ ਨਾਲ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਗੱਲ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ, ਉਨ੍ਹਾਂ ਨੂੰ ਸੁਣ ਸਕਦੇ ਹੋ, ਉਨ੍ਹਾਂ ਦਾ ਹੱਥ ਹਿਲਾ ਸਕਦੇ ਹੋ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ AI ਮਾਡਲ ਨਾਲ ਗੱਲ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਡੇ ਕੋਲ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਭਰੋਸਾ ਨਹੀਂ ਹੁੰਦਾ। ਐਂਥਰੋਪਿਕ ਦੀ ਨਵੀਂ ਖੋਜ ਦਾ ਉਦੇਸ਼ ਬਿਲਕੁਲ ਉਸੇ ਪਾੜੇ 'ਤੇ ਹੈ: ਕੰਪਨੀ ਨੇ ਅਨੁਮਾਨ ਦੇ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫਿਕ ਪ੍ਰਮਾਣਾਂ 'ਤੇ ਪ੍ਰਗਤੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਫਲੈਸ਼ਪ੍ਰੋਵ ਨਾਮਕ ਇੱਕ ਸਿਸਟਮ ਵੀ ਸ਼ਾਮਲ ਹੈ ਜੋ ਸਾਬਤ ਕਰ ਸਕਦਾ ਹੈ - ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ, ਇਕਰਾਰਨਾਮੇ ਨਾਲ ਨਹੀਂ - ਕਿ ਇੱਕ ਜਵਾਬ ਅਸਲ ਵਿੱਚ ਉਸ ਮਾਡਲ ਤੋਂ ਆਇਆ ਹੈ ਜਿਸਦਾ ਇਹ ਦਾਅਵਾ ਕਰਦਾ ਹੈ।

FlashProve ਪਤਿਆਂ ਦੀ ਸਮੱਸਿਆ ਚੁੱਪਚਾਪ ਢਾਂਚਾਗਤ ਹੈ। ਅੱਜ ਇੱਕ ਮਾਡਲ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰਨ ਵਾਲਾ ਇੱਕ ਉਪਭੋਗਤਾ ਇਹ ਜਾਂਚ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਜਵਾਬ ਇੱਕ ਖਾਸ ਮਾਡਲ ਤੋਂ ਆਏ ਹਨ ਜੋ ਇੱਕ ਡਿਵੈਲਪਰ ਦਾ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਜਵਾਬ ਦੇ ਰਿਹਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਲਾਗਤ ਕਾਰਨਾਂ ਕਰਕੇ ਇੱਕ ਰੂਟਿੰਗ ਸੇਵਾ ਦੁਆਰਾ ਗੁਪਤ ਰੂਪ ਵਿੱਚ ਬਦਲਿਆ ਗਿਆ ਹੈ, ਜਾਂ ਇੱਕ ਹਮਲਾਵਰ ਦੁਆਰਾ ਵੀ ਜਿਸਨੇ ਟੋਕਨ ਸਟ੍ਰੀਮ ਨਾਲ ਛੇੜਛਾੜ ਕੀਤੀ ਹੈ। ਇਕੱਲੇ ਆਉਟਪੁੱਟ ਤੋਂ ਨਿਰਣਾ ਕਰਨਾ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ, ਭਾਵੇਂ ਜਵਾਬ ਸ਼ਾਨਦਾਰ ਦਿਖਾਈ ਦੇਣ। ਇੱਕ ਉਦਯੋਗ ਵਿੱਚ ਜਿੱਥੇ ਉਹੀ ਚੈਟ ਵਿੰਡੋ ਚੁੱਪਚਾਪ ਲੋਡ ਦੇ ਅਧੀਨ ਇੱਕ ਸਸਤੇ ਮਾਡਲ ਨੂੰ ਰੂਟ ਕਰ ਸਕਦੀ ਹੈ, ਇਹ ਇੱਕ ਕਲਪਨਾਤਮਕ ਚਿੰਤਾ ਨਹੀਂ ਹੈ - ਇਹ ਡਿਫੌਲਟ ਟਰੱਸਟ ਮਾਡਲ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਦੀ ਹੋਰ ਕਵਰੇਜ ਲਈ, ਸਾਡੀ AI ਰਿਸਰਚ ਨਿਊਜ਼ ਦੇਖੋ।

ਸਾਬਤ ਕਰਨ ਯੋਗ ਅਨੁਮਾਨ ਕਠਿਨ ਕਿਉਂ ਹੈ

ਪ੍ਰਮਾਣਿਤ ਅਨੁਮਾਨ ਦਾ ਟੀਚਾ ਸੀਮਤ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤਾਂ ਵਾਲੇ ਉਪਭੋਗਤਾ ਨੂੰ — ਅਤੇ ਕਿਸੇ ਮਾਡਲ ਦੇ ਨਿੱਜੀ ਵਜ਼ਨ ਤੱਕ ਕੋਈ ਪਹੁੰਚ ਨਹੀਂ — ਇਹ ਤਸਦੀਕ ਕਰਨਾ ਹੈ ਕਿ ਦਿੱਤਾ ਗਿਆ ਜਵਾਬ ਸੱਚਮੁੱਚ ਉਸ ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਪੱਸ਼ਟ ਪਹੁੰਚ, ਮਾਡਲ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਦੁਬਾਰਾ ਚਲਾਉਣਾ, ਇੱਕ ਗੈਰ-ਸਟਾਰਟਰ ਹੈ: ਫਰੰਟੀਅਰ ਮਾਡਲਾਂ ਦੇ ਵਜ਼ਨ ਨੂੰ ਨਿਜੀ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਰੁੱਧ ਜਵਾਬ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਆਮ ਉਪਭੋਗਤਾ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਚੰਗੀ-ਫੰਡ ਵਾਲਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲੇ ਦੁਆਰਾ ਵੀ ਗਣਨਾ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਐਂਥਰੋਪਿਕ ਦੀ ਪਹੁੰਚ zkSNARKs 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਮਜ਼ਬੂਤ ​​ਲੁਕਣ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਜ਼ੀਰੋ-ਗਿਆਨ ਸਬੂਤਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਹੈ ਜੋ ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਲਈ ਵਿਲੱਖਣ ਤੌਰ 'ਤੇ ਫਿੱਟ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਇੱਕ ਪ੍ਰਦਾਤਾ ਇੱਕ ਵਾਰ ਇੱਕ ਮਾਡਲ ਨੂੰ ਪ੍ਰਤੀਬੱਧ ਕਰਦਾ ਹੈ, ਫਿਰ ਹਰੇਕ ਜਵਾਬ ਲਈ ਇੱਕ ਸੰਖੇਪ ਸਬੂਤ ਤਿਆਰ ਕਰਦਾ ਹੈ ਕਿ ਜਵਾਬ ਦੀ ਪ੍ਰਤੀਬੱਧ ਮਾਡਲ ਦੁਆਰਾ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ - ਜਦੋਂ ਕਿ ਸਬੂਤ ਖੁਦ ਮਾਡਲ ਦੇ ਵਜ਼ਨ ਨੂੰ ਲੁਕਾਉਂਦੇ ਹਨ। ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਲੁਕਾਉਣਾ ਸਿਸਟਮ ਦਾ ਟੀਚਾ ਨਹੀਂ ਹੈ; ਵਜ਼ਨ ਨੂੰ ਲੁਕਾਉਣਾ ਹੈ.

ਨੰਬਰ

ਪੋਸਟ ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਦੇ ਅੰਕੜੇ ਕਹਾਣੀ ਦਾ ਤਕਨੀਕੀ ਮੂਲ ਹਨ, ਕਿਉਂਕਿ ਵੱਡੇ ਮਾਡਲਾਂ ਲਈ ਸਬੂਤ ਪੈਦਾ ਕਰਨਾ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਮਾਪਦੰਡ ਲਈ ਬਹੁਤ ਧੀਮਾ ਹੋਣ ਦਾ ਆਦੇਸ਼ ਰਿਹਾ ਹੈ। Llama 4 Maverick ਲਈ, ਇੱਕ 400-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਮਿਸ਼ਰਣ-ਦੇ-ਮਾਹਰਾਂ ਦੇ ਮਾਡਲ, ਇੱਕ ਸਿੰਗਲ NVIDIA H100 GPU ਲਗਭਗ 110 ਟੋਕਨ ਪ੍ਰਤੀ ਸਕਿੰਟ 'ਤੇ ਸਬੂਤ ਤਿਆਰ ਕਰਦਾ ਹੈ, 4-ਬਿਟ ਇੰਨਕੁਏਟਿਡ ਵੇਟ ਅਤੇ ਪੂਰਵ-ਬਿੱਟ ਇਨਕਿਊਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਲਗਭਗ 19 MB ਪ੍ਰਤੀ 1,024-ਟੋਕਨ ਬੇਨਤੀ ਦੇ ਸਬੂਤ ਦੇ ਆਕਾਰ ਦੇ ਨਾਲ।

ਇਹ ਸਪੀਡ ਇੱਕ ਲਾਗਤ 'ਤੇ ਆਉਂਦੀ ਹੈ: ਪਰੂਫ ਜਨਰੇਸ਼ਨ, ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਓਪਨ-ਸੋਰਸ ਇਨਫਰੈਂਸ ਲਾਇਬ੍ਰੇਰੀ, vLLM 'ਤੇ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਦੇ GPU ਸਮੇਂ ਦਾ ਲਗਭਗ 70 ਤੋਂ 95 ਗੁਣਾ ਸਮਾਂ ਲੈਂਦੀ ਹੈ। ਮਹਿੰਗਾ, ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ - ਪਰ ਪਹਿਲੀ ਵਾਰ ਉਸੇ ਤਰ੍ਹਾਂ ਦੀ ਤੀਬਰਤਾ ਦੇ ਉਸੇ ਕ੍ਰਮ ਵਿੱਚ ਜਿਸ ਚੀਜ਼ ਨੂੰ ਸਾਬਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਅਤੇ, ਐਂਥਰੋਪਿਕ ਦੇ ਅਨੁਸਾਰ, ਪੁਰਾਣੇ ਓਪਨ-ਸੋਰਸ ਸਿਸਟਮਾਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਤੇਜ਼, ਜੋ ਕਿ ਤੀਬਰਤਾ ਦੇ ਆਦੇਸ਼ਾਂ ਦੁਆਰਾ ਪਛੜ ਜਾਂਦੇ ਹਨ।

ਕਲਾਉਡ ਨੇ ਇਸਨੂੰ ਬਣਾਇਆ — ਅਤੇ ਲੀਨ ਦਾਅਵਿਆਂ ਦਾ ਆਡਿਟ ਕਰਦਾ ਹੈ

ਪਹਿਲੀ ਦੇ ਅੰਦਰ ਇੱਕ ਦੂਜੀ ਕਹਾਣੀ ਹੈ. ਪੋਸਟ ਦੇ ਅਨੁਸਾਰ, ਕਲਾਉਡ ਨੇ ਖੁਦ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫਿਕ ਪਰੂਫ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਥਾਪਿਤ ਡਿਜ਼ਾਈਨ ਸਿਧਾਂਤਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹੋਏ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫੀ ਅਤੇ ਸੁਰੱਖਿਆ ਸਾਹਿਤ ਤੋਂ ਅਤਿ-ਆਧੁਨਿਕ ਸਾਧਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਲੱਭਦੇ ਹੋਏ, ਅਨੁਮਾਨ ਲਈ zkSNARKs 'ਤੇ ਸੁਧਾਰ ਕੀਤੇ।

ਐਂਥਰੋਪਿਕ ਉਸ ਵਰਕਫਲੋ ਦੇ ਨਾਲ ਆਉਣ ਵਾਲੇ ਜੋਖਮ ਬਾਰੇ ਸਪੱਸ਼ਟ ਹੈ: ਕਲਾਉਡ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿੱਚ ਚੰਗਾ ਹੈ, ਪਰ ਅਕਸਰ ਅਜਿਹੇ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਔਖਾ ਹੁੰਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਵੱਡੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ। ਜਵਾਬੀ ਉਪਾਅ ਰਸਮੀ ਤਸਦੀਕ ਹੈ। ਕੰਪਨੀ ਦਾਅਵਾ ਕੀਤੀਆਂ ਸੁਰੱਖਿਆ ਗਾਰੰਟੀਆਂ ਲਈ ਲੀਨ, ਇੱਕ ਰਸਮੀ ਤਸਦੀਕ ਭਾਸ਼ਾ ਵਿੱਚ ਉੱਚ-ਪੱਧਰੀ ਆਡਿਟ ਕਰਨ ਯੋਗ ਸਟੇਟਮੈਂਟਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ — ਮਸ਼ੀਨ ਦੁਆਰਾ ਜਾਂਚ ਕੀਤੀ ਗਈ ਗਣਿਤ ਇੱਕ AI ਦੇ ਚਲਾਕ ਅਨੁਕੂਲਤਾਵਾਂ ਅਤੇ ਉਹਨਾਂ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਖੜ੍ਹੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਹਨਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਹੁੰਦਾ ਹੈ।

ਪੂਰਾ ਸਟੈਕ ਅਪਾਚੇ 2.0 ਲਾਈਸੈਂਸ ਦੇ ਤਹਿਤ ਜਾਰੀ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ: ਬਲੌਗ ਪੋਸਟ, ਸਿਸਟਮ ਦੇ ਵੇਰਵਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਾਲੀ ਇੱਕ ਤਕਨੀਕੀ ਰਿਪੋਰਟ, ਇੱਕ ਪ੍ਰੋਟੋਕੋਲ ਵੇਰਵਾ, ਇੱਕ ਪ੍ਰੋਵਰ ਅਤੇ ਦੋ ਵੈਰੀਫਾਇਰ ਸਮੇਤ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ — C++ ਵਿੱਚ ਇੱਕ ਤੇਜ਼ ਤਸਦੀਕ ਅਤੇ ਲੀਨ ਵਿੱਚ ਇੱਕ ਸਹੀ ਪ੍ਰਮਾਣਕ — ਨਾਲ ਹੀ ਲੀਨ ਸਬੂਤ ਆਪਣੇ ਆਪ ਅਤੇ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਿਜ਼ੁਅਲ ਲਈ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਿਜ਼ੂਅਲ।

ਪਾਲਣਾ ਤੋਂ ਲੈ ਕੇ AI ਪੇਸਿੰਗ ਸੰਧੀਆਂ ਤੱਕ

ਐਂਥ੍ਰੋਪਿਕ ਸਕੈਚ ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਜੋ ਰੁਟੀਨ ਤੋਂ ਲੈ ਕੇ ਭੂ-ਰਾਜਨੀਤਿਕ ਤੱਕ ਹੁੰਦੇ ਹਨ। ਸੁਤੰਤਰ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲੇ ਜੋ ਰੀਲੀਜ਼ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ AI ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਕਿਸ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੇ ਹਨ ਕਿ ਉਹ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਗ੍ਰਾਹਕ ਜੋ ਇੱਕ ਤੀਜੀ-ਧਿਰ ਰੂਟਿੰਗ ਸੇਵਾ ਦੁਆਰਾ ਇੱਕ ਮਾਡਲ ਤੱਕ ਪਹੁੰਚ ਕਰਦੇ ਹਨ ਉਹ ਭਰੋਸਾ ਚਾਹੁੰਦੇ ਹਨ ਕਿ ਟੋਕਨ ਉਸ ਮਾਡਲ ਤੋਂ ਆਏ ਹਨ ਜਿਸ ਲਈ ਉਹਨਾਂ ਨੇ ਭੁਗਤਾਨ ਕੀਤਾ ਹੈ। ਅਤੇ ਸੁਰੱਖਿਆ ਦ੍ਰਿਸ਼ ਵਿੱਚ, ਇੱਕ ਸਾਈਬਰਟੈਕਰ ਜੋ ਇੱਕ ਦਿੱਤੇ ਮਾਡਲ ਦੀ ਨਕਲ ਕਰਦੇ ਹੋਏ ਟੋਕਨ ਸਟ੍ਰੀਮ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰਦਾ ਹੈ, ਇਸ ਤਰੀਕੇ ਨਾਲ ਖੋਜਣਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ ਕਿ ਇਕੱਲੇ ਆਉਟਪੁੱਟ ਨਿਰੀਖਣ ਕਦੇ ਵੀ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਸਕਦਾ।

ਪੋਸਟ ਵਿੱਚ ਨਾਮ ਦਿੱਤਾ ਗਿਆ ਸਭ ਤੋਂ ਅਭਿਲਾਸ਼ੀ ਐਪਲੀਕੇਸ਼ਨ ਏਆਈ ਪੇਸਿੰਗ ਜ਼ਰੂਰਤਾਂ ਦੀ ਪਾਲਣਾ ਦੀ ਪੁਸ਼ਟੀ ਹੈ - ਸਮਝੌਤਿਆਂ ਦੀ ਉੱਭਰ ਰਹੀ ਸ਼੍ਰੇਣੀ, ਸਵੈ-ਇੱਛਤ ਅਤੇ ਸਰਕਾਰੀ, ਜੋ ਇਹ ਨਿਯੰਤਰਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀ ਹੈ ਕਿ ਸਰਹੱਦੀ ਸਮਰੱਥਾਵਾਂ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਦੀਆਂ ਹਨ। ਅੱਜ ਅਜਿਹੇ ਵਚਨਬੱਧਤਾ ਭਰੋਸੇ ਅਤੇ ਕਾਗਜ਼ੀ ਕਾਰਵਾਈ 'ਤੇ ਟਿਕੇ ਹੋਏ ਹਨ। ਅਨੁਮਾਨ ਦੇ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫਿਕ ਸਬੂਤ ਮੁਆਇਨਾ ਦੇ ਨੇੜੇ ਕੁਝ ਪੇਸ਼ ਕਰਦੇ ਹਨ: ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ, ਦਾਅਵਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਕਿਹੜਾ ਮਾਡਲ ਇੱਕ ਦਿੱਤੇ ਵਰਕਲੋਡ ਦੀ ਸੇਵਾ ਕਰ ਰਿਹਾ ਹੈ।

ਖੋਜਕਰਤਾ ਸਪੱਸ਼ਟ ਕਰਦੇ ਹਨ ਕਿ ਇਹ ਵਿਚਕਾਰਲੀ ਪ੍ਰਗਤੀ ਹੈ, ਇੱਕ ਮੁਕੰਮਲ ਖੋਜ ਏਜੰਡਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਉਹ ਦੱਸੇ ਗਏ ਟੀਚੇ ਨਾਲ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਰਹੇ ਹਨ ਕਿ ਦੂਸਰੇ ਕੰਮ ਲੈਣ ਅਤੇ ਇਸ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ। ਇਹ ਫਰੇਮਿੰਗ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਸੰਕੇਤ ਹੈ: ਪ੍ਰਮਾਣਿਤ ਅਨੁਮਾਨ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫੀ-ਸੈਮੀਨਾਰ ਵਿਚਾਰ ਪ੍ਰਯੋਗ ਤੋਂ ਇੱਕ ਇੰਜਨੀਅਰਿੰਗ ਸਮੱਸਿਆ ਵੱਲ ਵਧਿਆ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਫਰੰਟੀਅਰ ਲੈਬ ਹੁਣ ਤੈਨਾਤ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਸਸਤੀ ਬਣਾਉਣ ਲਈ ਖੁੱਲ੍ਹੇਆਮ ਦੌੜ ਰਹੀ ਹੈ।

---

AI ਤੋਂ ਅੱਗੇ ਰਹੋ

ਨਵੀਨਤਮ AI ਖਬਰਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰੋ - ਸਭ ਇੱਕ ਥਾਂ 'ਤੇ।

ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →