ਟੇਰੇਂਸ ਤਾਓ, UCLA ਗਣਿਤ-ਵਿਗਿਆਨੀ ਅਤੇ ਫੀਲਡਜ਼ ਮੈਡਲਿਸਟ ਨੂੰ ਅਕਸਰ ਸਭ ਤੋਂ ਉੱਤਮ ਜੀਵਿਤ ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਨੇ ਇੱਕ ਚੇਤਾਵਨੀ ਜਾਰੀ ਕੀਤੀ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਗਣਿਤ ਦੀ ਖੋਜ ਲਈ ਕੀ ਕਰ ਰਹੀ ਹੈ: ਚੰਗੀਆਂ ਖੁੱਲ੍ਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਭੰਡਾਰ ਨੂੰ "ਇੱਕ ਗੈਰ-ਨਵਿਆਉਣਯੋਗ ਢੰਗ ਨਾਲ ਮਾਈਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ," ਅਤੇ ਲਾਭਦਾਇਕ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਛਾਣ - ਉਹਨਾਂ ਦਾ ਫੀਲਡ ਦਾ ਹੱਲ ਨਹੀਂ - ਸਭ ਤੋਂ ਦੁਰਲੱਭ ਸਰੋਤ ਬਣ ਰਿਹਾ ਹੈ। ਸੋਮਵਾਰ ਨੂੰ ਮੈਥਸਟੌਡਨ 'ਤੇ ਚਾਰ-ਭਾਗ ਵਾਲੇ ਧਾਗੇ ਵਿੱਚ ਲਿਖਦੇ ਹੋਏ, ਤਾਓ ਨੇ ਦੱਸਿਆ ਕਿ ਉਹ ਕਿਉਂ ਮੰਨਦਾ ਹੈ ਕਿ ਏਆਈ ਯੁੱਗ ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਗੁਪਤਤਾ ਵੱਲ ਧੱਕ ਸਕਦਾ ਹੈ, ਸਦੀਆਂ ਦੇ ਖੁੱਲ੍ਹੇ ਵਿਗਿਆਨਕ ਵਟਾਂਦਰੇ ਨੂੰ ਉਲਟਾ ਸਕਦਾ ਹੈ। ਖੋਜ ਦੇ ਮੋਰਚੇ 'ਤੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਸਾਡੇ ਹੋਮਪੇਜ 'ਤੇ ਨਵੀਨਤਮ AI ਖੋਜ ਕਵਰੇਜ ਦੀ ਪਾਲਣਾ ਕਰੋ।

ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਮੁੰਦਰ, ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਦੀ ਕਮੀ

ਤਾਓ ਦੀ ਦਲੀਲ ਇੱਕ ਵਿਰੋਧਾਭਾਸ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਸੰਭਾਵਿਤ ਗਣਿਤ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਮੂਹ ਬੇਅੰਤ ਹੈ, ਇਸਲਈ ਕਮੀ ਬੇਤੁਕੀ ਲੱਗਦੀ ਹੈ। ਪਰ ਮਾਤਰਾ ਮੁੱਦਾ ਨਹੀਂ ਹੈ - ਗੁਣਵੱਤਾ ਹੈ. ਤਾਓ ਨੇ ਨੋਟ ਕੀਤਾ, ਕੋਈ ਵੀ ਆਪਣੀ ਮਰਜ਼ੀ ਨਾਲ ਬੇਅੰਤ ਖੁੱਲ੍ਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਪਾਈ ਦੇ 10^10^10ਵੇਂ ਅੰਕ ਦੀ ਗਣਨਾ ਕਰਨਾ। ਵੱਡੀ ਬਹੁਗਿਣਤੀ ਬੇਕਾਰ ਹਨ: ਉਹ "ਹੋਰ ਸਵਾਲਾਂ ਲਈ ਕੋਈ ਹੋਰ ਸੂਝ ਜਾਂ ਕਨੈਕਸ਼ਨ ਪ੍ਰਗਟ ਕਰਨ ਦੀ ਕੋਈ ਖਾਸ ਪ੍ਰਵਿਰਤੀ ਨਹੀਂ ਦਿਖਾਉਂਦੇ।"

“ਇੱਕ ਦੇਸ਼ ਜਾਂ ਖੇਤਰ ਇੱਕ ਵਿਸ਼ਾਲ ਸਮੁੰਦਰ ਨਾਲ ਘਿਰਿਆ ਹੋਣ ਦੇ ਨਾਲ ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਦੀ ਗੰਭੀਰ ਘਾਟ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦਾ ਹੈ,” ਉਸਨੇ ਲਿਖਿਆ।

ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਕਿ ਕਿਹੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਧਿਆਨ ਦੇ ਹੱਕਦਾਰ ਹਨ, ਉਸਨੇ ਦਲੀਲ ਦਿੱਤੀ, "ਇੱਕ ਲੰਮੀ, ਜਾਣਬੁੱਝ ਕੇ, ਅਤੇ ਵਿਅਕਤੀਗਤ ਪ੍ਰਕਿਰਿਆ" ਹੈ, ਜੋ ਇਤਿਹਾਸਕ ਤਜ਼ਰਬੇ ਦੁਆਰਾ ਸੂਚਿਤ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਅਸਲ ਵਿੱਚ ਸਮਾਨ ਸਮੱਸਿਆਵਾਂ 'ਤੇ ਪਹਿਲਾਂ ਕੀਤੇ ਗਏ ਕੰਮ ਦੁਆਰਾ ਕੀ ਕੀਤਾ ਗਿਆ ਸੀ। ਉਸ ਨਿਰਣੇ ਦਾ ਕੇਂਦਰ ਉਹ ਹੈ ਜਿਸ ਨੂੰ ਤਾਓ "ਮੁਸ਼ਕਲ ਲੈਂਡਸਕੇਪ" ਕਹਿੰਦੇ ਹਨ - ਇਹ ਜਾਣਨਾ ਕਿ ਮੌਜੂਦਾ ਢੰਗ ਕਿਹੜੇ ਸਵਾਲਾਂ ਦੇ ਆਸਾਨੀ ਨਾਲ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ, ਜੋ ਅਸਲ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਅਤੇ ਜੋ ਅਸੰਭਵ ਹਨ, ਕਿਉਂਕਿ ਦਿਲਚਸਪ ਸਮੱਸਿਆਵਾਂ ਸੀਮਾਵਾਂ 'ਤੇ ਰਹਿੰਦੀਆਂ ਹਨ।

AI ਮੁਸ਼ਕਲ ਲੈਂਡਸਕੇਪ ਨੂੰ ਸਮਤਲ ਕਰ ਰਿਹਾ ਹੈ

ਉਹ ਲੈਂਡਸਕੇਪ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜੋ AI ਮਿਟਾ ਰਿਹਾ ਹੈ। ਏਆਈ ਟੂਲਸ ਨੇ "ਵਿਸ਼ੇ ਦੇ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਹੁਣ ਮੁਸ਼ਕਲ ਲੈਂਡਸਕੇਪ ਨੂੰ ਸਮਤਲ ਕਰ ਦਿੱਤਾ ਹੈ," ਤਾਓ ਨੇ ਲਿਖਿਆ, "ਇਸ ਤਰ੍ਹਾਂ ਉਸ ਖੇਤਰ ਵਿੱਚ ਹੋਨਹਾਰ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਨਸ਼ਟ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ।" ਇਸ ਤੋਂ ਵੀ ਮਾੜੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਥੇ ਕੋਈ ਸਥਿਰ ਸਰਹੱਦੀ ਨਿਸ਼ਾਨੀ ਨਹੀਂ ਹੈ ਜਿੱਥੇ AI ਯੋਗਤਾ ਖਤਮ ਹੁੰਦੀ ਹੈ: ਤਕਨਾਲੋਜੀ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲਦੀ ਹੈ, ਅਤੇ - ਇੱਕ ਨੁਕੀਲੇ ਝਟਕੇ ਵਿੱਚ - ਤਾਓ ਨੇ "AI ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਆਪਣੇ ਨਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਦਾ ਖੁਲਾਸਾ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕਰਨ, ਜਾਂ ਉਹਨਾਂ ਦੇ ਹੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਸੀਮਾ ਦੀ ਅਸਪਸ਼ਟਤਾ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਇਆ।"

ਨਤੀਜਾ, ਤਾਓ ਦੇ ਕਹਿਣ ਵਿੱਚ, ਇੱਕ ਦੌੜ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਹੈ ਜਿਸਦਾ ਉਸਨੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਗਵਾਹੀ ਦਿੱਤੀ ਹੈ: "ਇੱਥੋਂ ਤੱਕ ਕਿ ਕਿਸੇ ਸਮੱਸਿਆ 'ਤੇ ਕੰਮ ਕਰਨ ਦੀ ਅਫਵਾਹ ਵੀ ਅਸਲ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਦੇ ਆਪਣੀ ਪੂਰੀ ਸਮਰੱਥਾ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਸਮਾਂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਇਸ ਨੂੰ ਸਮਤਲ ਕਰਨ ਲਈ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ AI-ਸੰਚਾਲਿਤ ਕੋਸ਼ਿਸ਼ਾਂ ਨੂੰ ਚਾਲੂ ਕਰ ਸਕਦੀ ਹੈ।"

ਓਪਨ-ਸਾਇੰਸ ਇਨਸੈਂਟਿਵ ਸਮੱਸਿਆ

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਚੇਤਾਵਨੀ ਢਾਂਚਾਗਤ ਹੋ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕਿਸੇ ਖੋਜ ਦਿਸ਼ਾ ਦੀ ਘੋਸ਼ਣਾ ਕਰਨਾ ਇੱਕ AI ਝੁੰਡ ਨੂੰ ਇਸ ਨੂੰ ਕੱਢਣ ਲਈ ਸੱਦਾ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਗਣਿਤ-ਸ਼ਾਸਤਰੀ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦੀ ਘੋਸ਼ਣਾ ਕਰਨਾ ਬੰਦ ਕਰ ਸਕਦੇ ਹਨ। ਤਾਓ ਨੇ ਲਿਖਿਆ, "ਪ੍ਰੇਰਨਾ ਹੁਣ ਵਿਆਪਕ ਭਾਈਚਾਰੇ ਨਾਲ ਕੋਈ ਵੀ ਹੋਨਹਾਰ ਖੋਜ ਦਿਸ਼ਾਵਾਂ ਨੂੰ ਸਾਂਝਾ ਨਾ ਕਰਨ ਦੀ ਦਿਸ਼ਾ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਰਹੇ ਹਨ," ਤਾਓ ਨੇ ਲਿਖਿਆ - ਇੱਕ ਨਤੀਜਾ ਜੋ ਉਸਨੇ ਨੋਟ ਕੀਤਾ ਸਦੀਆਂ ਦੀ ਪਰੰਪਰਾ ਨੂੰ ਉਲਟਾ ਦੇਵੇਗਾ ਜਿਸ ਵਿੱਚ ਗਣਿਤ ਰਸਾਲਿਆਂ, ਸੈਮੀਨਾਰਾਂ ਅਤੇ ਪ੍ਰੀਪ੍ਰਿੰਟ ਸਰਵਰਾਂ ਵਿੱਚ ਖੁੱਲ੍ਹੀ ਸਮੱਸਿਆ-ਸ਼ੇਅਰਿੰਗ ਦੁਆਰਾ ਅੱਗੇ ਵਧਿਆ ਹੈ।

ਉਸਨੇ ਦਲੀਲ ਦਿੱਤੀ ਕਿ AI ਦੀ ਅੰਨ੍ਹੇਵਾਹ ਵਰਤੋਂ, ਇੱਕ ਲੰਬੀ ਮਿਆਦ ਦੀ ਕੀਮਤ 'ਤੇ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀਆਂ ਜਿੱਤਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ: ਇਹ "ਹੱਥ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ, ਪਰ ਤਰੱਕੀ ਦੀ ਅਗਲੀ ਲਹਿਰ ਲਈ ਈਕੋਸਿਸਟਮ ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਦੀ ਕੀਮਤ 'ਤੇ, ਜਾਂ ਪਹਿਲਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਹੋਈ ਪ੍ਰਗਤੀ ਨੂੰ ਸਮਝਣ ਵਿੱਚ."

ਤਾਓ ਦਾ ਪ੍ਰਸਤਾਵ: ਧਿਆਨ ਨਾਲ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਮਨੋਨੀਤ ਕਰੋ

ਤਾਓ ਗਣਿਤ ਤੋਂ AI 'ਤੇ ਪਾਬੰਦੀ ਲਗਾਉਣ ਦਾ ਪ੍ਰਸਤਾਵ ਨਹੀਂ ਕਰਦਾ ਹੈ - ਉਹ ਮੰਨਦਾ ਹੈ ਕਿ ਇਹ ਸੰਭਵ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ ਉਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਸਮੁਦਾਇਆਂ ਨੂੰ ਸਮੱਸਿਆਵਾਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਮਨੋਨੀਤ ਕੀਤੀਆਂ ਜਾਣ ਜਿੱਥੇ ਹੱਲ ਪ੍ਰਕਿਰਿਆ ਆਪਣੇ ਆਪ ਵਿੱਚ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ, ਤਾਂ ਜੋ ਵਰਤੀਆਂ ਗਈਆਂ ਤਕਨੀਕਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਕੱਚਾ ਜਵਾਬ, ਅਤੇ ਇਸ ਤੋਂ ਬਿਨਾਂ ਕਿ ਇਹ ਨੇੜਲੇ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ, ਨੂੰ "ਨਕਾਰਾਤਮਕ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਨਕਾਰਾਤਮਕ ਮੁੱਲ ਦਾ" ਮੰਨਿਆ ਜਾਵੇਗਾ।

ਉਸਦੀ ਸਮਾਨਤਾ ਆਧੁਨਿਕ ਫੂਡ ਬੈਂਕ ਹੈ, ਜੋ ਹੁਣ ਮਨਮਾਨੇ ਦਾਨ ਨੂੰ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰਦੇ ਕਿਉਂਕਿ ਉਹ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਖਾਣ ਯੋਗ ਹਨ, ਇਸ ਦੀ ਬਜਾਏ ਸਪੱਸ਼ਟ ਮਾਪਦੰਡਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਯੋਗਦਾਨ ਅਸਲ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹਨ।

ਇੱਕ ਟਿੱਪਣੀਕਾਰ ਦੇ ਜਵਾਬ ਵਿੱਚ, ਤਾਓ ਨੇ ਇੱਕ ਸੰਬੰਧਿਤ ਨਿਰੀਖਣ ਜੋੜਿਆ: ਪਰੰਪਰਾਗਤ ਆਟੋਮੇਟਿਡ ਥਿਊਰਮ ਪ੍ਰੋਵਰ "ਪ੍ਰਮੇਯ ਸਾਬਤ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਚੰਗੇ ਨਹੀਂ ਹਨ," ਇੱਕ ਖੇਤਰ ਜਿਸਨੂੰ ਉਹ "ਆਟੋਮੇਟਿਡ ਥਿਊਰਮ ਵੈਰੀਫਾਇਰ" ਕਹਿੰਦੇ ਹਨ, ਦਾ ਦਬਦਬਾ ਹੈ — LLMs ਨਾਲ ਅੰਤਰ "ਵੱਡਾ ਪੱਧਰ ਉਹਨਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ" ਹੈ।

AI ਅਤੇ ਗਣਿਤ ਲਈ ਇੱਕ ਭੀੜ ਵਾਲਾ ਹਫ਼ਤਾ

ਧਾਗਾ ਚਾਰਜ ਕੀਤੇ ਪਲ 'ਤੇ ਉਤਰਦਾ ਹੈ। ਇਹ ਓਪਨਏਆਈ ਦੁਆਰਾ ਘੋਸ਼ਣਾ ਕੀਤੇ ਜਾਣ ਤੋਂ ਕੁਝ ਦਿਨ ਬਾਅਦ ਆਇਆ ਹੈ ਕਿ ਇੱਕ ਅੰਦਰੂਨੀ ਮਾਡਲ ਨੇ ਇੱਕ ਲੀਨ-ਪ੍ਰਮਾਣਿਤ ਸਬੂਤ ਪੇਸ਼ ਕੀਤਾ ਸੀ ਕਿ ਨੇਵੀਅਰ-ਸਟੋਕਸ ਤਰਲ ਪਦਾਰਥ ਨਿਸ਼ਚਿਤ ਸਮੇਂ ਵਿੱਚ ਉਡਾ ਸਕਦੇ ਹਨ - ਮਿਲੇਨੀਅਮ ਪ੍ਰਾਈਜ਼ ਸਮੱਸਿਆ ਵੱਲ ਇੱਕ ਦਾਅਵਾ ਕੀਤਾ ਗਿਆ ਮੀਲ ਪੱਥਰ ਜੋ ਕਿ NYU ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਕੋਸ਼ਿਸ਼ ਸਹੀ ਕ੍ਰੈਡਿਟ ਦੇ ਬਿਨਾਂ ਸਾਹਮਣੇ ਆਈ ਹੈ, ਇੱਕ ਵਿਵਾਦ ਵਿਗਿਆਨ ਮੈਗਜ਼ੀਨ ਅਤੇ ਇੱਥੇ Wizzre ਦੁਆਰਾ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਤਾਓ ਸਾਰਾ ਸਾਲ ਇਸ ਤਬਦੀਲੀ ਦਾ ਸਾਵਧਾਨ ਇਤਿਹਾਸਕਾਰ ਰਿਹਾ ਹੈ, AI ਦੀ ਉਮਰ ਵਿੱਚ ਗਣਿਤ 'ਤੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਪੜ੍ਹਿਆ ਗਿਆ ਲੇਖ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ।

ਉਸਦੀ ਨਵੀਂ ਪੋਸਟ ਇੱਕ ਨਵੇਂ ਕੋਣ ਤੋਂ ਉਸ ਦਲੀਲ ਨੂੰ ਤਿੱਖੀ ਕਰਦੀ ਹੈ: ਜੋਖਮ ਇਹ ਨਹੀਂ ਹੈ ਕਿ AI ਹਰ ਚੀਜ਼ ਨੂੰ ਹੱਲ ਕਰ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਹ ਕਿ ਇਹ ਖਪਤ ਕਰਦਾ ਹੈ, ਅਣ-ਅਰਜਿਤ ਅਤੇ ਬਿਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ, ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸੀਮਤ ਸੂਚੀ - ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਨੂੰ ਬੇਕਾਰ ਕਿਸਮ ਦੇ ਸਮੁੰਦਰ ਦੇ ਨਾਲ ਛੱਡਦੀ ਹੈ।

---

AI ਤੋਂ ਅੱਗੇ ਰਹੋ

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

ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →