Late 2025 should be a moment of clarity for artificial intelligence. Instead, it is a moment of parallel monologues.

2025 അവസാനത്തോടെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് (AI) കാര്യങ്ങൾ വ്യക്തമാക്കേണ്ട ഒരു സമയമായിരുന്നു. എന്നാൽ പകരം, അത് സമാന്തരമായ ഏകപക്ഷീയമായ സംഭാഷണങ്ങളുടെ (parallel monologues) ഒരു കാലഘട്ടമായി മാറുകയാണ്.

ഒരേ വർഷത്തിന്റെ അവസാന പാദത്തിൽ പ്രസിദ്ധീകരിച്ച, വ്യാപകമായി പ്രചരിക്കുന്ന നാല് AI റിപ്പോർട്ടുകൾ വായിച്ചുകൊണ്ട് ഞാൻ ഒരു പ്രഭാതം ചെലവഴിച്ചു. അവ റാങ്കിംഗുകളിലോ പ്രവചനങ്ങളിലോ വിയോജിക്കുമെന്ന് ഞാൻ കരുതി. എന്നാൽ അവ അതിലും ആശയക്കുഴപ്പമുണ്ടാക്കുന്ന ഒന്നാണ് ചെയ്തത്: അവ വിഷയത്തെ തന്നെ പുനർനിർവചിച്ചു. ഒരു റിപ്പോർട്ടിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എന്നത് അതിന്റെ എതിരാളിയേക്കാൾ വേഗത്തിൽ ടൈപ്പ് ചെയ്യുന്ന ഒരു കോഡിംഗ് അസിസ്റ്റന്റാണ്. മറ്റൊന്നിന്റെ കാഴ്ചപ്പാടിൽ അത് ഒരു കൺസ്യൂമർ മീഡിയ ഫാക്ടറിയാണ്, അതായത് ഒരു സ്റ്റാറ്റിക് PDF-നെ ഒരു സിന്തറ്റിക് പോഡ്കാസ്റ്റാക്കി മാറ്റുന്ന സംവിധാനം. മൂന്നാമത്തേത് കേവലം അടിസ്ഥാനപരമായ ഇൻഫ്രാസ്ട്രക്ചറിനെ മാത്രം കാണുന്നു: GitHub സ്റ്റാർ ചാർട്ടുകളിൽ മുന്നേറുന്ന വെക്റ്റർ സ്റ്റോറുകൾ, മെമ്മറി ലെയറുകൾ, ഇൻഫറൻസ് റാപ്പറുകൾ എന്നിവയാണവ. നാലാമത്തേത് വിജയത്തെ അളക്കുന്നത് ഒരൊറ്റ ലളിതമായ മാനദണ്ഡം ഉപയോഗിച്ചാണ്—ചൈനയിലെ ഒരു ഉപഭോക്താവിന് ഒരു ലിങ്കിൽ ക്ലിക്ക് ചെയ്ത് പർച്ചേസ് പൂർത്തിയാക്കാൻ കഴിയുമോ എന്നത്.

ഒരേ കീവേഡ്. നാല് വ്യത്യസ്ത ഭാഷകൾ. എന്നാൽ ആരും അത് വിവർത്തനം ചെയ്യുന്നില്ല.

നാല് റിപ്പോർട്ടുകളും അവയുടെ സ്വന്തം പരിധിക്കുള്ളിലും

ആദ്യത്തെ റിപ്പോർട്ട് ഒരു സ്പോർട്സ് ലീഗ് ടേബിൾ പോലെയാണ് നിർമ്മിച്ചിരിക്കുന്നത്. Cursor, Claude Code തുടങ്ങിയ കോഡിംഗ് ടൂളുകൾക്ക് ഇത് ടയർ റാങ്കിംഗുകൾ നൽകുന്നു. ഇതിന്റെ മാനദണ്ഡങ്ങൾ പരിമിതവും പ്രായോഗികവുമാണ്: ചാറ്റ് വേഗത, ടൂൾ ഉപയോഗിക്കുന്നതിലെ കൃത്യത, പ്രോംപ്റ്റും ഔട്ട്‌പുട്ടും തമ്മിലുള്ള കാലതാമസം (latency). നിങ്ങൾ ഒരു IDE-ക്കുള്ളിൽ ജോലി ചെയ്യുന്ന ആളാണെങ്കിൽ ഈ ലിസ്റ്റ് ഉപകാരപ്രദമാണ്. ഒരു ഫംഗ്ഷൻ റീഫാക്ടർ ചെയ്യുമ്പോഴോ ഒരു ടെസ്റ്റ് സ്യൂട്ട് നിർമ്മിക്കുമ്പോഴോ ഏത് അസിസ്റ്റന്റാണ് വേഗതയേറിയതെന്ന് ഇത് പറഞ്ഞുതരുന്നു. എന്നാൽ ഇത് AI-യെ ഒരു പൂർത്തിയായ ഉപകരണം (finished appliance) ആയിട്ടാണ് കാണുന്നത്; ഉപയോക്താവ് നേരിട്ട് ഉപയോഗിക്കുന്ന ഉപരിതലത്തിന്റെ ഗുണനിലവാരം കൊണ്ട് മാത്രം അത് വിലയിരുത്തപ്പെടുന്നു.

രണ്ടാമത്തെ റിപ്പോർട്ട് Google-ൽ നിന്നുള്ളതാണ്. ഇത് ചാറ്റ്ബോട്ടുകളെ പൂർണ്ണമായും അവഗണിക്കുന്നു. പകരം, NotebookLM, ഇമേജ് എഡിറ്റിംഗ് സ്യൂട്ടുകൾ തുടങ്ങിയ ഉയർന്ന തലത്തിലുള്ള വിഭാഗങ്ങളെയാണ് ഇത് അവതരിപ്പിക്കുന്നത്. ഇവിടെ, AI ഒരു സംഭാഷണ ഏജന്റല്ല, മറിച്ച് ഒരു പ്രൊഡക്ഷൻ എൻജിനാണ്. മോഡൽ നിർമ്മിക്കുന്ന കാര്യങ്ങളെയാണ് ഈ റിപ്പോർട്ട് ആഘോഷിക്കുന്നത്: ഒരു ഗവേഷണ പ്രബന്ധത്തിന്റെ വിവരണാത്മകമായ ഓഡിയോ വിശകലനം, ഒരു ടെക്സ്റ്റ് പ്രോംപ്റ്റിൽ നിന്ന് നിർമ്മിച്ച ചിത്രം, മുമ്പ് ഇല്ലാതിരുന്ന ഒരു ഘടനാപരമായ സംഗ്രഹം എന്നിവയാണവ. ടൂൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനാണ് ടയർ ലിസ്റ്റ് ശ്രദ്ധ നൽകുന്നതെങ്കിൽ, ടൂൾ എന്ത് നൽകുന്നു എന്നതിനാണ് ഗൂഗിളിന്റെ ലിസ്റ്റ് ശ്രദ്ധ നൽകുന്നത്. അസിസ്റ്റന്റ് തന്നെ ആ ഉൽപ്പന്നത്തിന് പിന്നിൽ മറയുന്നു.

മൂന്നാമത്തെ റിപ്പോർട്ട് തികച്ചും GitHub ട്രെൻഡിംഗുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. പ്രോജക്റ്റുകൾ എത്ര വേഗത്തിൽ സ്റ്റാറുകൾ (stars) നേടുന്നു എന്നതിനെ അടിസ്ഥാനമാക്കിയാണ് ഇത് റാങ്ക് ചെയ്യുന്നത്. ഇത് എൻജിൻ റൂമിൽ നിന്നുള്ള കാഴ്ചയാണ്. മെമ്മറി ഫ്രെയിംവർക്കുകൾ, റിട്രീവൽ ലെയറുകൾ, കോൺടെക്സ്റ്റ് വിൻഡോകൾ, ലൈറ്റ് വെയ്റ്റ് മോഡൽ ഹോസ്റ്റുകൾ എന്നിവ നിങ്ങൾക്ക് ഇതിൽ കാണാം. ഈ റിപ്പോസിറ്ററികൾക്ക് ആകർഷകമായ മാർക്കറ്റിംഗ് സൈറ്റുകൾ ഉണ്ടാകണമെന്നില്ല. ചിലതിന് ഗ്രാഫിക്കൽ ഇന്റർഫേസ് പോലും ഉണ്ടാകില്ല. എന്നിരുന്നാലും, ടയർ ലിസ്റ്റിലെ വിജയികളെ സാധ്യമാക്കുന്ന അടിസ്ഥാന ഘടന (substrate) ഇവയാണ്. ഉയർന്ന റാങ്കിലുള്ള ഒരു കോഡിംഗ് അസിസ്റ്റന്റ്, കഴിഞ്ഞ മാസം മൂവായിരത്തോളം പുതിയ സ്റ്റാറുകൾ നേടിയ ഒരു GitHub പ്രോജക്റ്റിന്റെ മെമ്മറി ആർക്കിടെക്ചറിലായിരിക്കാം ആശ്രയിച്ചിരിക്കുന്നത്. ട്രെൻഡിംഗ് ലിസ്റ്റ് ഇത് അറിയുന്നുണ്ട്, എന്നാൽ ടയർ ലിസ്റ്റ് ഇതിനെക്കുറിച്ച് പരാമർശിക്കുന്നില്ല.

നാലാമത്തെ റിപ്പോർട്ട് ഒരു കൊമേഴ്‌സ് ഡയറക്ടറിയാണ്. ലഭ്യതയും ഇടപാടുകൾ നടത്തുന്നതിനുള്ള സജ്ജതയുമാണ് ഇതിന്റെ മൂല്യനിർണ്ണയം. ലിങ്ക് പ്രവർത്തിക്കുന്നുണ്ടോ? ചൈനയിലെ വായനക്കാർക്ക് പേയ്‌മെന്റ് പ്രക്രിയ സുഗമമാണോ? ഒരു VPN-ഓ, കോർപ്പറേറ്റ് പ്രൊക്യുർമെന്റ് ടീമോ, അല്ലെങ്കിൽ ഒരു പാശ്ചാത്യ ക്രെഡിറ്റ് കാർഡോ ഇല്ലാതെ ഈ ടൂൾ വാങ്ങാനും ഉപയോഗിക്കാനും കഴിയുമോ? ഈ റിപ്പോർട്ടിന് ഓപ്പൺ സോഴ്സ് തത്വശാസ്ത്രത്തോടോ മോഡൽ ബെഞ്ച്മാർക്കുകളോടോ സഹാനുഭൂതിയില്ല. അത് ഒരു ചോദ്യത്തിന് മാത്രം ഉത്തരം നൽകുന്നു: നിങ്ങൾക്ക് ഇത് ലഭ്യമാണോ?

ഈ ഒറ്റപ്പെട്ട കാഴ്ചപ്പാടുകൾ നമ്മെ എങ്ങനെ അന്ധരാക്കുന്നു

AI-യിൽ എന്താണ് പ്രധാനം എന്ന് അറിയാൻ ഏതെങ്കിലും ഒരു റിപ്പോർട്ടിനെ മാത്രം വിശ്വസിക്കുമ്പോഴാണ് പ്രശ്നം തുടങ്ങുന്നത്.

ഗൂഗിളിന്റെ കൺസ്യൂമർ കാറ്റഗറികളിൽ ഒരിക്കലും പ്രത്യക്ഷപ്പെടാതെ തന്നെ ഒരു ടൂളിന് കോഡിംഗ് ടയർ ലിസ്റ്റിൽ ആധിപത്യം സ്ഥാപിക്കാൻ കഴിയും. ദശലക്ഷക്കണക്കിന് ഉപയോക്താക്കൾ അത്യന്താപേക്ഷിതമെന്ന് കരുതുന്ന ഒരു ഉൽപ്പന്നത്തിന് ഒരു GitHub മെമ്മറി പ്രോജക്റ്റ് കരുത്ത് പകർന്നേക്കാം, എന്നാൽ ഉപയോക്താക്കൾക്ക് ആ പ്രോജക്റ്റിന്റെ പേര് പോലും അറിയില്ലായിരിക്കാം. ഡയറക്ടറികളിലൂടെ മാത്രം ഷോപ്പ് ചെയ്യുന്നവർക്ക് ഒറിജിനൽ GitHub റിപ്പോസിറ്ററി കാണാൻ കഴിയാത്ത സാഹചര്യത്തിൽ, ഒരു കൊമേഴ്‌സ് സൈറ്റ് ഒരു റാപ്പറോ (wrapper) പ്രാദേശിക ക്ലോണോ ലിസ്റ്റ് ചെയ്തേക്കാം. ഓരോ റിപ്പോർട്ടും അവയുടെ നിർവചനം പൂർണ്ണമാണെന്ന് കരുതുന്നു. ഈ ഇക്കോസിസ്റ്റത്തെ യഥാർത്ഥത്തിൽ പ്രവർത്തിപ്പിക്കുന്ന ഡിപെൻഡൻസി ഗ്രാഫിനെ (dependency graph) അവയിൽ ആരും ബന്ധിപ്പിക്കുന്നില്ല.

ഈ ഘടന (stack) ഒന്ന് പരിശോധിച്ചു നോക്കൂ. നിങ്ങൾ ഉയർന്ന റാങ്കുള്ള ഒരു കോഡിംഗ് അസിസ്റ്റന്റ് ഉപയോഗിക്കുമ്പോൾ, നിങ്ങൾ ഒരേസമയം മൂന്ന് വ്യത്യസ്ത പാളികളെയാണ് സ്പർശിക്കുന്നത്. നിങ്ങളുടെ പ്രോംപ്റ്റ് സ്വീകരിക്കുന്ന ഇന്റർഫേസ് (interface) ഉണ്ട്. മറുപടി നൽകുന്ന മോഡൽ (model) ഉണ്ട്. കൂടാതെ, ഒരു നീണ്ട സെഷനിലുടനീളം കോൺടെക്സ്റ്റ് നിലനിർത്തുന്നതിനും മുൻപുള്ള ഫയലുകളിൽ നിന്ന് പ്രസക്തമായ ഭാഗങ്ങൾ എടുക്കുന്നതിനുമുള്ള മെമ്മറി ലെയറും (memory layer) ഉണ്ട്. ടയർ ലിസ്റ്റ് ഏറ്റവും മുകളിലത്തെ പാളിയെ (top layer) വിലയിരുത്തുന്നു. GitHub ഏറ്റവും താഴെയുള്ള പാളിയെ (bottom layer) പുറത്തുകൊണ്ടുവരുന്നു. ഗൂഗിളിന്റെ ലിസ്റ്റ് മധ്യപാളിയെ (middle layer) പ്രദർശിപ്പിച്ചേക്കാം, എന്നാൽ അത് ആകർഷകമായ ഒരു കൺസ്യൂമർ ഉൽപ്പന്നം നിർമ്മിക്കുമ്പോൾ മാത്രം. ആ പാക്കേജ് വാങ്ങാൻ കഴിയുമെങ്കിൽ ഒഴികെ, കൊമേഴ്‌സ് ലിസ്റ്റ് ഈ മൂന്നിനെയും അവഗണിക്കുന്നു. ഇതിന്റെ ഫലമായി, ഓരോ റിപ്പോർട്ടും ഒരു ചെറിയ സുഷിരത്തിലൂടെ (peephole) മാത്രം കാണുന്ന ഒരു സപ്ലൈ ചെയിൻ രൂപപ്പെടുന്നു; അവർക്ക് ഒരിക്കലും പൂർണ്ണമായ കാഴ്ച ലഭിക്കുന്നില്ല.

ഇത് ശ്രദ്ധേയമാണ്, കാരണം വാങ്ങൽ തീരുമാനങ്ങൾ, കരിയറിലെ നിക്ഷേപങ്ങൾ, ആർക്കിടെക്ചറൽ തിരഞ്ഞെടുപ്പുകൾ എന്നിവയെല്ലാം ഒരേ തരത്തിലുള്ള ഭാഗികമായ അറിവില്ലായ്മയാൽ (partial blindness) ബാധിക്കപ്പെടുന്നു. ഒരു ഡെവലപ്പർ ഏറ്റവും വേഗത്തിൽ പ്രവർത്തിക്കുന്ന കോഡിംഗ് ടൂൾ തിരഞ്ഞെടുക്കുന്നുണ്ടാകാം, എന്നാൽ GitHub-ൽ വളർന്നുവരുന്ന ഒരു ഓപ്പൺ സോഴ്സ് പകരക്കാരൻ കാരണം അതിന്റെ മെമ്മറി സ്റ്റാക്ക് (memory stack) ഉടൻ നിർത്തലാക്കാൻ പോകുന്നു എന്ന വസ്തുത അദ്ദേഹം ശ്രദ്ധിക്കാതെ പോയേക്കാം. ഒരു പ്രൊഡക്റ്റ് മാനേജർ ഗൂഗിളിന്റെ പ്രദർശനങ്ങൾ കണ്ട് ചാറ്റ്‌ബോട്ടുകൾ കാലഹരണപ്പെട്ടുവെന്ന് കരുതിയേക്കാം, എന്നാൽ അവ ഡെവലപ്പർ ടൂളിംഗിന്റെ ഭാഗമായി മാറിക്കൊണ്ടിരിക്കുകയാണെന്ന് അദ്ദേഹം തിരിച്ചറിയുന്നില്ലായിരിക്കാം. ഒരു പ്രൊക്യുർമെന്റ് ലീഡ് ഒരു കൊമേഴ്‌സ് ഡയറക്ടറിയുടെ ശുപാർശകൾ സ്വീകരിച്ചേക്കാം, എന്നാൽ ഏറ്റവും വിശ്വസനീയമായ ഫീച്ചറുകൾ പ്രവർത്തിപ്പിക്കുന്നത് ഒരു ഓപ്പൺ-കോർ പ്രോജക്റ്റാണെന്ന കാര്യം അദ്ദേഹം വിസ്മരിച്ചേക്കാം.

ഇവയെ നാല് വ്യത്യസ്ത ഉത്തരങ്ങളായി വായിക്കുക

ഞാൻ ഒരു മാസ്റ്റർ റിപ്പോർട്ടിനായി തിരയുന്നത് നിർത്തി. അങ്ങനെയൊന്ന് നിലവിലില്ല. പകരം, ഓരോ സ്രോതസ്സിനെയും ഒരു പ്രത്യേകവും പരിമിതവുമായ ചോദ്യത്തിനുള്ള ഉത്തരമായി ഞാൻ ഇപ്പോൾ കാണുന്നു.

എന്റെ ടീമിനായി കോഡിംഗ് ടൂളുകൾ തിരഞ്ഞെടുക്കണമെങ്കിൽ, ഞാൻ ടിയർ റാങ്കിംഗുകൾ (tier rankings) ഉപയോഗിക്കുന്നു. ഞാൻ ഉപരിപ്ലവമായ പ്രകടനം മാത്രമാണ് നോക്കുന്നതെന്ന് എനിക്കറിയാം, എന്നാൽ ദൈനംദിന ഉപയോഗത്തിന് എനിക്ക് ആവശ്യമുള്ളതും അതുതന്നെയാണ്.

ബിഗ് ടെക് (Big Tech) കമ്പനികൾ എവിടെയാണ് തങ്ങളുടെ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് എന്ന് അറിയാൻ ഞാൻ ഗൂഗിളിന്റെ കാറ്റഗറി ലിസ്റ്റ് ഉപയോഗിക്കുന്നു. ഏത് ഉൽപ്പന്നങ്ങളെയാണ് പ്രധാന പ്ലാറ്റ്‌ഫോമുകൾ വിജയമായി കണക്കാക്കുന്നത് എന്നും, ഏത് യൂസർ എക്സ്പീരിയൻസുകളാണ് അവർ പാക്കേജ് ചെയ്യാനും പ്രമോട്ട് ചെയ്യാനും തയ്യാറുള്ളതെന്നും ഇത് വെളിപ്പെടുത്തുന്നു. ഉപഭോക്താക്കളുടെ പ്രതീക്ഷകൾ എങ്ങോട്ടാണ് മാറുന്നത് എന്ന് ഇതിലൂടെ എനിക്ക് മനസ്സിലാക്കാം.

ആറുമാസത്തിന് ശേഷം സാങ്കേതികമായി എന്തൊക്കെ സാധ്യമാകും എന്ന് മനസ്സിലാക്കാൻ ഞാൻ GitHub trending ഉപയോഗിക്കുന്നു. മെമ്മറി ടൂളുകളും, ഓർക്കസ്ട്രേഷൻ ഫ്രെയിംവർക്കുകളും (orchestration frameworks), സ്മോൾ-മോഡൽ ഹോസ്റ്റുകളും ഇവിടെയാണ് കാണപ്പെടുന്നത്. ഇവിടെ ഒരു പ്രോജക്റ്റ് വേഗത്തിൽ ശ്രദ്ധിക്കപ്പെട്ടാൽ, ടിയർ ലിസ്റ്റുകൾ അവയുടെ മാനദണ്ഡങ്ങൾ പുതുക്കുന്നതിന് മുമ്പ് തന്നെ അത് വാണിജ്യ ടൂളുകളിലേക്ക് മാറാൻ സാധ്യതയുണ്ട്.

ഫയർവാളുകൾക്കും പേയ്‌മെന്റ് പരിധികൾക്കും അപ്പുറം എന്തൊക്കെ ലഭ്യമാണ് എന്ന് അറിയാൻ ഞാൻ കൊമേഴ്‌സ് ഡയറക്ടറി ഉപയോഗിക്കുന്നു. ഭൂമിശാസ്ത്രപരവും നിയന്ത്രണപരവുമായ യാഥാർത്ഥ്യങ്ങൾ അവയുടെതായ സത്യങ്ങളാണ്. ഒരു ടൂളിന്റെ ആർക്കിടെക്ചർ എത്രത്തോളം നൂതനമാണെങ്കിലും, അത് ലഭ്യമാക്കാനോ പണമടയ്ക്കാനോ കഴിയില്ലെങ്കിൽ അത് യഥാർത്ഥത്തിൽ ഒരു ഓപ്ഷൻ അല്ല.

നിങ്ങൾക്ക് കാഴ്ചപ്പാട് സ്വയം രൂപപ്പെടുത്തേണ്ടതുണ്ട്. അത് കോർത്തിണക്കാൻ ഒരു ക്യൂറേറ്ററും (curator) ഇല്ല.

ഒരു പാലത്തിനായുള്ള കാത്തിരിപ്പ്

മൂന്ന് മാസത്തിന് ശേഷം ഞാൻ ഈ ചാനലുകൾ വീണ്ടും പരിശോധിക്കാൻ ഉദ്ദേശിക്കുന്നു. ഏതെങ്കിലും ഒരു വിഭാഗം മറ്റുള്ളവയെ ഉൾക്കൊള്ളാൻ തുടങ്ങുന്നുണ്ടോ എന്ന് എനിക്ക് കാണണം. ഒരുപക്ഷേ, ഒരു ടിയർ ലിസ്റ്റ് ഓരോ റാങ്ക് ചെയ്ത ടൂളിനെയും പ്രവർത്തിപ്പിക്കുന്ന GitHub സബ്‌സ്‌ട്രേറ്റുകളുമായി (substrates) ബന്ധിപ്പിക്കാൻ തുടങ്ങുമായിരിക്കാം. ഗൂഗിളിന്റെ കൺസ്യൂമർ റിപ്പോർട്ട്, തങ്ങൾ ചർച്ച ചെയ്യാത്ത സംഭാഷണ എഞ്ചിനുകളെ (conversational engines) ആശ്രയിച്ചാണ് തങ്ങളുടെ പല മികച്ച ഉൽപ്പന്നങ്ങളും പ്രവർത്തിക്കുന്നത് എന്ന് സമ്മതിച്ചേക്കാം. അല്ലെങ്കിൽ, ഒരു കൊമേഴ്‌സ് ഡയറക്ടറി സ്റ്റെബിലിറ്റിയുടെ സൂചകമായി സ്റ്റാർ വെലോസിറ്റി (star velocity) ട്രാക്ക് ചെയ്യാൻ തുടങ്ങുമായിരിക്കാം.

എല്ലാറ്റിനേക്കാളും ഉപരിയായി, AI-യെ ഒരു ഒറ്റ ഉൽപ്പന്ന വിഭാഗമായി കാണാതെ ഒരു ബന്ധിത സംവിധാനമായി (connected system) കാണുന്ന ഒരു റിപ്പോർട്ട് കാണാനാണ് ഞാൻ ആഗ്രഹിക്കുന്നത്. ഒരു GitHub റെപ്പോസിറ്ററിയിൽ നിന്ന് ഒരു വെണ്ടർ പാർട്ണർഷിപ്പിലൂടെ ഒരു കൺസ്യൂമർ ഫീച്ചറിലേക്ക് ഒരു പ്രോജക്റ്റിനെ പിന്തുടരാനും, ആ ഫീച്ചർ ഷാങ്ഹായിയിൽ വാങ്ങാൻ ലഭ്യമാണോ എന്ന് രേഖപ്പെടുത്താനും കഴിയുന്ന ഒരു റിപ്പോർട്ട്. അങ്ങനെയൊരു റിപ്പോർട്ട് ഈ നാല് നിർവചനങ്ങളെ ഒന്നിപ്പിക്കും.

അതുവരെ, നിങ്ങൾ തന്നെയാണ് പരിഭാഷകൻ. നാല് സ്രോതസ്സുകളും വായിക്കുക. വസ്തുതകൾ കൃത്യമായി മനസ്സിലാക്കുക. ഒരു പേജിലെ 'AI' എന്ന വാക്കിന് അടുത്ത പേജിൽ തികച്ചും വ്യത്യസ്തമായ അർത്ഥമുണ്ടാകാം എന്നതും ഓർക്കുക.

Source: https://dev.to/ninghonggang/four-juejin-pieces-four-definitions-of-ai-no-shared-bridge-1fbj

Join the discussion: https://t.me/GyaanSetuAi