ਇੱਕ ਵੱਡੇ AI ਮਾਡਲ ਨੂੰ ਪੱਧਰ (scale) 'ਤੇ ਚਲਾਉਣਾ ਹੁਣ ਇੱਕ ਵਿਗਿਆਨਕ ਪ੍ਰਾਪਤੀ ਨਾਲੋਂ ਬਿਜਲੀ ਦੇ ਬਿੱਲਾਂ ਅਤੇ ਡਾਟਾ ਸੈਂਟਰ ਦੇ ਕਿਰਾਏ ਬਾਰੇ ਇੱਕ ਕਠੋਰ ਗਣਿਤਕ ਸਮੱਸਿਆ ਬਣ ਗਿਆ ਹੈ। Gemini ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹਰ ਟੋਕਨ Google ਲਈ ਕੁਝ ਅਸਲ ਕੀਮਤ ਰੱਖਦਾ ਹੈ—ਸਿਲੀਕਾਨ ਚੱਕਰ (silicon cycles), ਮੈਮੋਰੀ ਬੈਂਡਵਿਡਥ, ਅਤੇ ਬਿਜਲੀ ਦੀ ਖਪਤ। ਜਿਵੇਂ-ਜਿਵੇਂ ਕੁਐਰੀ (query) ਦੀ ਮਾਤਰਾ ਵਧਦੀ ਹੈ, ਇੱਕ ਸੈਂਟ ਦਾ ਹਿੱਸਾ ਵੀ ਅਜਿਹੀਆਂ ਰਕਮਾਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ ਜੋ ਮੁਨਾਫੇ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਸ਼ਾਂਤ ਜਿਹੀ ਜਲਦਬਾਜ਼ੀ Frozen v2 ਦੇ ਪਿੱਛੇ ਹੈ, ਜੋ ਕਿ Google ਦੇ ਅੰਦਰ ਇੱਕ ਅੰਦਰੂਨੀ ਸਰਵਰ ਚਿੱਪ ਪ੍ਰੋਜੈਕਟ ਹੈ। ਆਪਣੇ ਜਨਰਲ-ਪਰਪਜ਼ Tensor Processing Units ਨੂੰ ਇੱਕ ਹੋਰ ਪੀੜ੍ਹੀ ਲਈ ਸੁਧਾਰਨ ਦੀ ਬਜਾਏ, ਕੰਪਨੀ ਕੁਝ ਬਹੁਤ ਹੀ ਕ੍ਰਾਂਤੀਕਾਰੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ: Gemini ਮਾਡਲ ਦੇ ਢਾਂਚੇ ਨੂੰ ਸਿੱਧਾ ਸਿਲੀਕਾਨ ਵਿੱਚ ਹੀ ਉੱਕਰਨਾ।

ਲਚਕਦਾਰ ਐਕਸਲੇਰੇਟਰਾਂ ਤੋਂ ਮਾਡਲ-ਵਿਸ਼ੇਸ਼ ਸਿਲੀਕਾਨ ਤੱਕ

Google ਦੇ TPUs ਲਗਭਗ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਇਸਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਕੰਮਕਾਜੀ ਘੋੜੇ ਰਹੇ ਹਨ। ਉਹ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਨ, ਸਰਚ ਰੈਂਕਿੰਗ ਐਲਗੋਰਿਦਮ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ Meta ਸਮੇਤ ਹੋਰ ਕਲਾਊਡ ਗਾਹਕਾਂ ਨੂੰ ਵੀ ਘੰਟੇ ਦੇ ਹਿਸਾਬ ਨਾਲ ਕਿਰਾਏ 'ਤੇ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ ਜੋ Nvidia ਦੇ GPUs ਦਾ ਵਿਕਲਪ ਲੱਭ ਰਹੇ ਹਨ। ਇਹੀ ਬਹੁਪੱਖੀਤਾ ਇੱਕ TPU ਨੂੰ TPU ਬਣਾਉਂਦੀ ਹੈ। ਇਹ ਮੈਟ੍ਰਿਕਸ ਮਲਟੀਪਲੀਕੇਸ਼ਨ ਅਤੇ ਮੈਮੋਰੀ ਮੂਵਮੈਂਟ ਦੀ ਇੱਕ ਆਮ ਭਾਸ਼ਾ ਬੋਲਦਾ ਹੈ, ਜੋ ਕਿ ਕਿਸੇ ਵੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਦਰਸਾ ਸਕਦੇ ਹੋ।

Frozen v2 ਜਾਣਬੁੱਝ ਕੇ ਉਸ ਲਚਕਤਾ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ। ਚਿੱਪ ਨੂੰ ਇੱਕ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਐਕਸਲੇਰੇਟਰ ਵਜੋਂ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ ਜਿਸ ਦੇ ਸਰਕਟ Gemini ਦੇ ਆਪਣੇ ਆਰਕੀਟੈਕਚਰ ਦੇ ਹਿੱਸਿਆਂ ਨੂੰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦੇ ਹਨ। ਜਿੱਥੇ ਇੱਕ TPU ਹਦਾਇਤਾਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸੌਫਟਵੇਅਰ ਕਾਰਜਾਂ ਵਜੋਂ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ, Frozen v2 ਮਾਡਲ ਦੇ ਢਾਂਚਾ ਨਕਸ਼ੇ—ਉਸਦੀਆਂ ਪਰਤਾਂ (layers) ਅਤੇ ਡਾਟਾ ਪਾਥਾਂ ਦੀ ਵਿਵਸਥਾ—ਨੂੰ ਸਿੱਧਾ ਚਿੱਪ ਦੇ ਲੇਆਉਟ ਵਿੱਚ ਉੱਕਰ ਦੇਵੇਗਾ। Google ਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਮਾਡਲ ਅਤੇ ਮੈਟਲ (metal) ਦਾ ਇਹ ਗੂੜ੍ਹਾ ਮੇਲ AI ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਚਿੱਪ ਨੂੰ ਮੌਜੂਦਾ TPUs ਨਾਲੋਂ ਛੇ ਤੋਂ ਦਸ ਗੁਣਾ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾ ਦੇਵੇਗਾ। ਪ੍ਰਤੀ ਕੁਐਰੀ ਘੱਟ ਕੰਪਿਊਟ ਸਟੈਪਸ ਦਾ ਮਤਲਬ ਹੈ ਟੋਕਨ ਦੇ ਦਿਖਾਈ ਦੇਣ ਲਈ ਘੱਟ ਸਮਾਂ ਇੰਤਜ਼ਾਰ ਕਰਨਾ, ਅਤੇ ਇਸਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਬਹੁਤ ਘੱਟ ਊਰਜਾ ਖਰਚ ਕਰਨਾ।

ਇਹ ਸਿਰਫ਼ ਉਸੇ ਵਿਚਾਰ ਦਾ ਤੇਜ਼ ਸੰਸਕਰਣ ਨਹੀਂ ਹੈ। ਇਹ ਚਿੱਪ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸ਼੍ਰੇਣੀ ਹੈ, ਜੋ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਪਰਿਵਾਰ ਪ੍ਰਤੀ ਸਮਰਪਣ ਲਈ ਆਮ ਵਰਤੋਂ ਨੂੰ ਛੱਡ ਦਿੰਦੀ ਹੈ।

ਪਹਿਲਾ “Frozen” ਕਿਉਂ ਪਿਘਲ ਗਿਆ

ਇਸ ਪਹੁੰਚ ਦੀਆਂ ਜੜ੍ਹਾਂ Google DeepMind ਦੇ ਚੀਫ ਸਾਇੰਟਿਸਟ ਜੈਫ ਡੀਨ (Jeff Dean) ਨਾਲ ਜੁੜੇ ਇੱਕ ਪੁਰਾਣੇ ਸੰਕਲਪ ਵਿੱਚ ਹਨ। ਅਸਲ “Frozen” ਪ੍ਰਸਤਾਵ ਨੇ ਨਾ ਸਿਰਫ਼ ਆਰਕੀਟੈਕਚਰ ਨੂੰ, ਸਗੋਂ ਅਸਲ ਮਾਡਲ ਵੇਟਸ (weights)—ਬਿਲੀਅਨਾਂ ਟਿਊਨ ਕੀਤੇ ਪੈਰਾਮੀਟਰ ਜੋ Gemini ਦੇ ਸਿੱਖੇ ਹੋਏ ਵਿਵਹਾਰ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ—ਨੂੰ ਸਿੱਧਾ ਚਿੱਪ ਵਿੱਚ ਹੀ ਹਾਰਡਕੋਡ ਕਰਕੇ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਹੋਰ ਅੱਗੇ ਵਧਾਉਣ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ ਸੀ।

ਤਰਕ ਸਹੀ ਸੀ। ਜੇਕਰ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਮਾਡਲ ਬਿਲਕੁਲ ਕਿਹੜੇ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੇਗਾ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਬਾਹਰੀ ਮੈਮੋਰੀ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ? ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਟ੍ਰਾਂਜ਼ਿਸਟਰਾਂ ਵਿੱਚ ਉੱਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਦੇਰੀ ਦੀਆਂ ਪੂਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਖਤਮ ਕਰ ਸਕਦੇ ਹੋ।

ਸਮੱਸਿਆ ਸਥਾਈਤਾ ਦੀ ਸੀ। AI ਮਾਡਲ ਇੱਕੋ ਜਗ੍ਹਾ ਨਹੀਂ ਰੁਕਦੇ। Google ਲਗਾਤਾਰ Gemini ਨੂੰ ਅਪਡੇਟ ਕਰਦਾ ਹੈ, ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ, ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਡਜਸਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਸੁਧਰੇ ਹੋਏ ਸੰਸਕਰਣ ਜਾਰੀ ਕਰਦਾ ਹੈ। ਸਿਲੀਕਾਨ ਵਿੱਚ ਜੰਮੇ ਹੋਏ ਵੇਟਸ ਵਾਲੀ ਚਿੱਪ ਉਸੇ ਪਲ ਇੱਕ ਕਾਗਜ਼ ਦੇ ਭਾਰ (paperweight) ਵਾਂਗ ਬਣ ਜਾਵੇਗੀ ਜਦੋਂ ਨਵਾਂ ਮਾਡਲ ਰਿਵੀਜ਼ਨ ਆਵੇਗਾ। ਉਸ ਲਚਕਤਾ ਦੀ ਘਾਟ ਨੇ ਅਸਲ ਸੰਕਲਪ ਨੂੰ ਖਤਮ ਕਰ ਦਿੱਤਾ।

ਬਿਨਾਂ ਲੰਗਰ ਦੇ ਆਰਕੀਟੈਕਚਰ

Frozen v2 ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਹਾਰਡਕੋਡ ਕਰਕੇ ਅਤੇ ਵੇਟਸ ਨੂੰ ਬਦਲਣ ਲਈ ਸੁਤੰਤਰ ਛੱਡ ਕੇ ਅਪਛੇਦਨ (obsolescence) ਦੇ ਜਾਲ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ। ਇਸ ਨੂੰ ਕਾਰ ਨੂੰ ਸੜਕ ਨਾਲ ਵੈਲਡ ਕਰਨ ਦੀ ਬਜਾਏ ਇੱਕ ਕਸਟਮ ਰੇਸਟ੍ਰੈਕ ਪਾਉਣ ਵਜੋਂ ਸਮਝੋ। ਸਰਕਟ ਦਾ ਆਕਾਰ ਫਿਕਸ ਰਹਿੰਦਾ ਹੈ, ਜੋ Gemini ਦੇ ਵਿਸ਼ੇਸ਼ ਕੰਪਿਊਟੇਸ਼ਨ ਪੈਟਰਨਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਹੁੰਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਸਰਕਟਾਂ ਵਿੱਚੋਂ ਵਗਣ ਵਾਲੀ ਸਮੱਗਰੀ ਨੂੰ ਮੈਮੋਰੀ ਤੋਂ ਨਵੇਂ ਵੇਟਸ ਲੋਡ ਕਰਕੇ ਤਾਜ਼ਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਅਭਿਆਸ ਵਿੱਚ ਇਹ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਜਦੋਂ ਇੰਜੀਨੀਅਰ ਇੱਕ ਨਵਾਂ Gemini ਚੈੱਕਪੁਆਇੰਟ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਉਹ ਨਵਾਂ ਚਿੱਪ ਬਣਾਏ ਬਿਨਾਂ ਇਸਨੂੰ Frozen v2 ਹਾਰਡਵੇਅਰ 'ਤੇ ਤਾਇਨਾਤ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਰਡਕੋਡਿੰਗ ਦੀ ਸਹੀ ਡਿਗਰੀ ਅਜੇ ਵੀ Google ਦੇ ਅੰਦਰ ਇੱਕ

ਇਹ ਚੋਣ ਇੱਕ ਨਿਰਦਾਰਸ਼ਕ ਆਰਥਿਕ ਹਕੀਕਤ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਮੌਜੂਦਾ ਜਨਰੇਟਿਵ AI ਮਾਰਕੀਟ ਵਿੱਚ, ਮਾਡਲ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਤੇਜ਼ੀ ਨਾਲ ਇੱਕ ਦੂਜੇ ਦੇ ਨੇੜੇ ਆ ਰਹੀਆਂ ਹਨ। ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਅਕਸਰ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕੌਣ ਪ੍ਰਤੀ ਟੋਕਨ ਸਭ ਤੋਂ ਘੱਟ ਲਾਗਤ 'ਤੇ ਸਭ ਤੋਂ ਵੱਡਾ ਮਾਡਲ ਚਲਾਉਣ ਦੇ ਸਮਰੱਥ ਹੈ। ਇਨਫਰੈਂਸ (Inference) ਹੁਣ ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਬਾਅਦ ਦੀ ਕੋਈ ਸੈਕੰਡਰੀ ਚੀਜ਼ ਨਹੀਂ ਰਹੀ; Gemini ਵਰਗੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਉਤਪਾਦ ਲਈ, ਇਹ ਸਭ ਤੋਂ ਵੱਡਾ ਖਰਚਾ ਹੈ। ਜੇਕਰ Frozen v2 ਉਸ ਖਰਚੇ ਨੂੰ ਛੇ ਗੁਣਾ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਘਟਾ ਦਿੰਦਾ ਹੈ, ਤਾਂ Google ਨੂੰ ਅਜਿਹੀ ਸਮਰੱਥਾ ਮਿਲ ਜਾਵੇਗੀ ਜਿਸ ਦਾ ਮੁਕਾਬਲੇਬਾਜ਼ ਆਸਾਨੀ ਨਾਲ ਸਾਹਮਣਾ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇਹ ਬਚਤ ਨੂੰ ਮੁਨਾਫੇ ਵਜੋਂ ਰੱਖ ਸਕਦਾ ਹੈ ਜਾਂ API ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਉਤਪਾਦ ਏਕੀਕਰਣਾਂ ਲਈ ਘੱਟ ਕੀਮਤਾਂ ਵਜੋਂ ਦੇ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ OpenAI, Anthropic ਅਤੇ ਹੋਰਾਂ 'ਤੇ ਦਬਾਅ ਵਧੇਗਾ।

ਇਹ ਉਦਯੋਗ ਲਈ ਕੀ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ

Google ਦਾ ਇਹ ਕਦਮ ਇਸ ਗੱਲ ਵੱਲ ਵੀ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ ਕਿ ਵਿਆਪਕ ਹਾਰਡਵੇਅਰ ਰਣਨੀਤੀ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਜਾ ਰਹੀ ਹੈ। ਸਾਲਾਂ ਤੋਂ, ਸਟੈਂਡਰਡ ਤਰੀਕਾ ਸਭ ਤੋਂ ਲਚਕਦਾਰ ਐਕਸਲਰੇਟਰ ਬਣਾਉਣਾ ਸੀ ਅਤੇ ਸਪੈਸ਼ਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਸੌਫਟਵੇਅਰ 'ਤੇ ਛੱਡ ਦੇਣਾ ਸੀ। Nvidia ਦੇ GPUs ਦਾ ਦਬਦਬਾ ਹੈ ਕਿਉਂਕਿ ਉਹ ਮੌਲੀਕਰੀ ਗਤੀਸ਼ੀਲਤਾ ਤੋਂ ਲੈ ਕੇ ਵੀਡੀਓ ਗੇਮਾਂ ਅਤੇ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ ਤੱਕ ਸਭ ਕੁਝ ਚਲਾਉਂਦੇ ਹਨ। Google ਦੇ ਆਪਣੇ TPUs ਵੀ ਵਿਆਪਕ ਉਪਯੋਗਤਾ ਦੀ ਉਸੇ ਭਾਵਨਾ ਨਾਲ ਬਣਾਏ ਗਏ ਸਨ।

Frozen v2 ਉਸ ਪਰੰਪਰਾ ਨੂੰ ਤੋੜਦਾ ਹੈ। ਇਹ ਇਸ ਗੱਲ ਦੀ ਮਾਨਤਾ ਹੈ ਕਿ ਜਦੋਂ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਫੈਮਿਲੀ ਕਾਫੀ ਜ਼ਿਆਦਾ ਕੁਐਰੀ ਵਾਲੀਅਮ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ, ਤਾਂ ਉਸ ਮਾਡਲ ਦੇ ਅਨੁਕੂਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਕਸਟਮ ਸਿਲੀਕਾਨ ਆਪਣੀ ਲਾਗਤ ਕਈ ਗੁਣਾ ਵਾਪਸ ਕਮਾ ਸਕਦਾ ਹੈ। ਹੋਰ ਹਾਈਪਰਸਕੇਲਰਾਂ ਨੇ ਵੀ ਅਜਿਹੀ ਹੀ ਤਰਕ ਅਪਣਾਇਆ ਹੈ—ਉਦਾਹਰਨ ਲਈ, Amazon ਦੇ Trainium ਅਤੇ Inferentia ਚਿਪਸ—ਪਰ Google ਦਾ ਪਹੁੰਚ ਨੇਟਵਰਕਾਂ ਦੀ ਇੱਕ ਆਮ ਸ਼੍ਰੇਣੀ ਦੀ ਬਜਾਏ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਹਾਰਡਵੇਅਰ ਨੂੰ ਕੋ-ਡਿਜ਼ਾਈਨ ਕਰਕੇ ਹੋਰ ਵੀ ਡੂੰਘੀ ਹੈ।

ਬੇਸ਼ੱਕ, ਖਤਰਾ ਜੜ੍ਹਤਾ (rigidity) ਦਾ ਹੈ। ਜੇਕਰ Gemini ਦਾ ਆਰਕੀਟੈਕਚਰ ਅਜਿਹੀ ਦਿਸ਼ਾ ਵਿੱਚ ਵਿਕਸਤ ਹੁੰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਹਾਰਡਕੋਡਡ ਸਰਕਟ ਨਹੀਂ ਸੰਭਾਲ ਸਕਦੇ, ਤਾਂ Google ਆਪਣੇ ਕੋਲ ਮਹਿੰਗਾ ਸਿਲੀਕਾਨ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਉਸਦੇ ਨਵੇਂ ਵਿਚਾਰਾਂ ਨੂੰ ਨਹੀਂ ਚਲਾ ਸਕਦਾ। ਇਸੇ ਕਰਕੇ ਸਿਰਫ ਆਰਕੀਟੈਕਚਰ ਵਾਲਾ ਸਮਝੌਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਇੱਕ ਵਿਚਕਾਰਲਾ ਰਸਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ: ਕਾਫ਼ੀ ਸਪੈਸ਼ਲਾਈਜ਼ੇਸ਼ਨ ਤਾਂ ਜੋ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਕੁਸ਼ਲਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ, ਅਤੇ ਕਾਫ਼ੀ ਲਚਕਤਾ ਤਾਂ ਜੋ ਕੰਪਨੀ ਨੂੰ ਮੁਸ਼ਕਲ ਸਥਿਤੀ ਵਿੱਚ ਨਾ ਫਸਾਇਆ ਜਾਵੇ।

ਅਸਲ ਸਿੱਖਿਆ

Frozen