ਅਸੀਂ ਤਿੰਨ-ਆਯਾਮੀ ਸਪੇਸ ਵਿੱਚ ਮੌਜੂਦ ਹਾਂ।
ਇਸ ਸਪੇਸ ਦੇ ਅੰਦਰ, ਅਸੀਂ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਤਿੰਨ-ਆਯਾਮੀ ਸਪੇਸ ਨੂੰ ਸਮਝਦੇ ਹਾਂ, ਜੋ ਸਿਰਫ਼ ਇੱਕ ਦੋ-ਆਯਾਮੀ ਤਸਵੀਰ ਹੈ।
ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਾਡੇ ਦਿਮਾਗ ਵਿੱਚ ਤਿੰਨ-ਆਯਾਮੀ ਸਪੇਸ ਦੀ ਇੱਕ ਤਸਵੀਰ ਹੈ, ਅਤੇ ਅਸੀਂ ਦੋ-ਆਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਨੂੰ ਇਸ ਤਿੰਨ-ਆਯਾਮੀ ਤਸਵੀਰ 'ਤੇ ਉਲਟਾ-ਮੈਪ ਕਰਦੇ ਹਾਂ।
ਮੈਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹਾਂ ਕਿ, ਇਸ ਸਿਧਾਂਤ ਨੂੰ ਲਾਗੂ ਕਰਕੇ, ਮਨੁੱਖ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਨੂੰ ਸਮਝ ਸਕਦੇ ਹਨ। ਭਾਵੇਂ ਅਸੀਂ ਅਸਲ ਭੌਤਿਕ ਸਪੇਸ ਵਿੱਚ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਜਾਂ ਚਾਰ-ਆਯਾਮੀ ਵਸਤੂਆਂ ਨਹੀਂ ਬਣਾ ਸਕਦੇ,
ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਅਤੇ ਵਸਤੂਆਂ ਨੂੰ ਸਿਮੂਲੇਟ ਕਰਨਾ ਸੰਭਵ ਹੈ। ਇਸ ਸਿਮੂਲੇਟਡ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਨੂੰ ਦੋ-ਆਯਾਮੀ ਪਲੇਨ 'ਤੇ ਮੈਪ ਕਰਕੇ, ਮਨੁੱਖ ਜਾਣਕਾਰੀ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਸਮਝ ਸਕਦੇ ਹਨ।
ਫਿਰ, ਜੇਕਰ ਮਨੁੱਖ ਅਜਿਹੀ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਅਤੇ ਵਸਤੂਆਂ ਦੇ ਵਿਵਹਾਰ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸਿੱਖਦੇ ਹਨ, ਤਾਂ ਉਹ ਅੰਤ ਵਿੱਚ ਆਪਣੇ ਦਿਮਾਗ ਵਿੱਚ ਇੱਕ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋ ਜਾਣਗੇ।
ਹਾਲਾਂਕਿ, ਇਹ ਸਿਰਫ਼ ਇੱਕ ਸੰਭਾਵਨਾ ਹੈ, ਅਤੇ ਅਜਿਹੀ ਸਿਖਲਾਈ ਵਿੱਚ ਕਾਫ਼ੀ ਸਮਾਂ ਲੱਗਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਭਾਵੇਂ ਕੋਈ ਚਾਰ-ਆਯਾਮੀ ਸਪੇਸ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਪ੍ਰਾਪਤ ਕਰ ਲਵੇ, ਤਾਂ ਵੀ ਅਜਿਹੀਆਂ ਲਗਭਗ ਕੋਈ ਸਥਿਤੀਆਂ ਨਹੀਂ ਹੋਣਗੀਆਂ ਜਿੱਥੇ ਇਸ ਸਮਰੱਥਾ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕੇ।
AI ਦੀ ਚਾਰ ਆਯਾਮੀ ਧਾਰਨਾ
ਦੂਜੇ ਪਾਸੇ, AI ਨਾਲ ਵੀ ਇਹੀ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, AI ਇਸ ਚਾਰ-ਆਯਾਮੀ ਸਥਾਨਿਕ ਧਾਰਨਾ ਦੀ ਸਮਰੱਥਾ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਚਾਰ-ਆਯਾਮੀ ਸਥਾਨਿਕ ਧਾਰਨਾ ਨਾਲ, AI ਚਾਰ-ਆਯਾਮੀ ਗ੍ਰਾਫ ਬਣਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸਮਝ ਸਕਦਾ ਹੈ।
ਮਨੁੱਖ ਸਿਰਫ਼ ਦੋ-ਆਯਾਮੀ ਪਲੇਨ 'ਤੇ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ ਹੀ ਸਮਝ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਭਾਵੇਂ ਇੱਕ ਤਿੰਨ-ਆਯਾਮੀ ਗ੍ਰਾਫ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਲਟਾ ਮੈਪਿੰਗ ਦੁਆਰਾ ਪਛਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਵੀ ਲੁਕਵੇਂ ਹਿੱਸੇ ਹੋਣਗੇ ਜੋ ਦਿਖਾਈ ਨਹੀਂ ਦੇਣਗੇ।
ਜਦੋਂ ਕਿ ਇੱਕ ਤਿੰਨ-ਆਯਾਮੀ ਗ੍ਰਾਫ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਅਦਿੱਖ ਹੋ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਚਾਰ-ਆਯਾਮੀ ਗ੍ਰਾਫ ਹੋਰ ਵੀ ਡੇਟਾ ਨੂੰ ਲੁਕਾਵੇਗਾ।
ਭਾਵੇਂ ਗ੍ਰਾਫ ਨੂੰ ਘੁੰਮਾਉਣ ਨਾਲ ਲੁਕਵੇਂ ਹਿੱਸੇ ਪ੍ਰਗਟ ਹੋ ਸਕਦੇ ਹਨ, ਇਹ ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ ਸਮਝਣ ਦੇ ਟੀਚੇ ਤੋਂ ਦੂਰ ਹੋ ਜਾਂਦਾ ਹੈ।
ਇਸਦੇ ਉਲਟ, AI ਨੂੰ ਦੋ-ਆਯਾਮੀ ਪਲੇਨਾਰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਦੁਆਰਾ ਸੀਮਿਤ ਹੋਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। AI ਨੂੰ ਤਿੰਨ-ਆਯਾਮੀ ਜਾਂ ਚਾਰ-ਆਯਾਮੀ ਸਥਾਨਿਕ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਵਾਸਤਵਿਕ ਤੌਰ 'ਤੇ ਭਰਨਾ ਅਤੇ ਸਿਖਲਾਈ ਦੇਣਾ ਸੰਭਵ ਹੈ।
ਇਹ AI ਨੂੰ ਤਿੰਨ-ਆਯਾਮੀ ਅਤੇ ਚਾਰ-ਆਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨੂੰ ਇੱਕ ਡਾਇਮੈਨਸ਼ਨ-ਨੇਟਿਵ, ਪੈਨੋਰਾਮਿਕ ਤਰੀਕੇ ਨਾਲ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦੇਵੇਗਾ, ਬਿਨਾਂ ਡੇਟਾ ਦੇ ਲੁਕਵੇਂ ਜਾਂ ਘੁੰਮਾਉਣ ਦੀ ਲੋੜ ਤੋਂ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਸਿਰਫ਼ ਚਾਰ ਆਯਾਮਾਂ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ; ਤਰਕਪੂਰਨ ਤੌਰ 'ਤੇ, ਆਯਾਮਾਂ ਨੂੰ ਪੰਜ, ਦਸ, ਵੀਹ ਅਤੇ ਇਸ ਤੋਂ ਅੱਗੇ ਅਨੰਤ ਰੂਪ ਵਿੱਚ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਬਹੁ-ਆਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨੂੰ ਸਮਝਣਾ
ਗ੍ਰਾਫਾਂ ਨੂੰ ਸਰਬ-ਵਿਆਪਕ ਤਰੀਕੇ ਨਾਲ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ, ਉਦਾਹਰਨ ਲਈ, ਕਈ ਆਯਾਮਾਂ ਵਿੱਚ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ। ਆਕਾਰ ਦੀ ਤੁਲਨਾ ਅਤੇ ਅਨੁਪਾਤ ਨੂੰ ਸਮਝਣਾ ਵੀ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹ ਡੇਟਾ ਪੈਟਰਨਾਂ, ਜਿਵੇਂ ਕਿ ਸਮਾਨ ਜਾਂ ਅਨੁਰੂਪ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਨਿਯਮਾਂ ਅਤੇ ਕਾਨੂੰਨਾਂ ਦੀ ਖੋਜ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।
ਇਹ ਸਿਰਫ਼ ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ ਪੈਟਰਨ ਮੈਚਿੰਗ ਤੋਂ ਪਰੇ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੌਜੂਦਾ AI ਉੱਤਮ ਹੈ, ਡੇਟਾ ਦੀ ਡੂੰਘੀ ਸਮਝ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਭਾਵੇਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਆਯਾਮਾਂ ਦੇ ਸੰਯੋਗਾਂ ਦੇ ਅੰਦਰ ਸਮਾਨ ਪੈਟਰਨ ਮੌਜੂਦ ਹੋਣ, ਸਧਾਰਨ ਬਹੁ-ਆਯਾਮੀ ਪੈਟਰਨ ਮੈਚਿੰਗ ਉਹਨਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਸੰਘਰਸ਼ ਕਰੇਗੀ।
ਹਾਲਾਂਕਿ, ਬਹੁ-ਆਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ, ਜੇਕਰ ਆਕਾਰ ਸਮਾਨ ਹਨ, ਤਾਂ ਉਹ ਵੱਖ-ਵੱਖ ਆਯਾਮੀ ਸੰਯੋਗਾਂ ਵਿੱਚ ਵੀ, ਤੁਰੰਤ ਪਛਾਣਯੋਗ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਨਪੁਟ ਡੇਟਾ ਦੇ ਨਾਲ ਮੌਜੂਦ ਆਯਾਮੀ ਧੁਰੇ ਦੀ ਸਿੱਧੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਆਯਾਮੀ ਬਣਤਰਾਂ ਦੀ ਖੋਜ ਕਰਨਾ ਵੀ ਸੰਭਵ ਹੈ ਜੋ ਖਾਸ ਧੁਰਿਆਂ ਨੂੰ ਵਧਾ ਕੇ ਜਾਂ ਸੁੰਗਾੜ ਕੇ, ਉਹਨਾਂ ਨੂੰ ਲੌਗਾਰਿਥਮਿਕ ਤੌਰ 'ਤੇ ਬਦਲ ਕੇ, ਜਾਂ ਕਈ ਧੁਰਿਆਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਆਯਾਮਤਾ ਨੂੰ ਘਟਾਏ ਬਿਨਾਂ ਵੱਖ-ਵੱਖ ਧੁਰਿਆਂ ਦੀ ਸਮਾਨ ਸੰਖਿਆ ਵਿੱਚ ਮੈਪ ਕਰਕੇ ਡੇਟਾ ਨੂੰ ਸਮਝਣਾ ਆਸਾਨ ਬਣਾਉਂਦੇ ਹਨ।
ਇਸ ਤਰ੍ਹਾਂ, ਬਹੁ-ਆਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਕੇ, ਡੇਟਾ ਬਣਤਰਾਂ ਨੂੰ ਸਰਬ-ਵਿਆਪਕ ਤਰੀਕੇ ਨਾਲ ਸਮਝਣਾ ਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ—ਇੱਕ ਅਜਿਹਾ ਕਾਰਜ ਜੋ ਮਨੁੱਖਾਂ ਅਤੇ ਰਵਾਇਤੀ AI ਦੋਵਾਂ ਲਈ ਮੁਸ਼ਕਲ ਹੈ—ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਤੋਂ ਨਵੀਆਂ ਸੂਝਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਖੁੱਲ੍ਹ ਜਾਂਦੀ ਹੈ।
ਪੈਰਾਡਾਈਮ ਇਨੋਵੇਸ਼ਨ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ
ਉੱਚ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਹੇਠਲੇ ਆਯਾਮਾਂ ਵਿੱਚ ਮੈਪ ਕੀਤੇ ਬਿਨਾਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਭਾਵਨਾ ਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਖਗੋਲੀ ਨਿਰੀਖਣ ਡੇਟਾ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਮਝਣ ਯੋਗ ਗਣਿਤਿਕ ਫਾਰਮੂਲਿਆਂ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਲਈ ਸੂਰਜ-ਕੇਂਦਰਿਤ ਸਿਧਾਂਤ ਦੀ ਕਾਢ ਕੱਢੀ ਗਈ ਸੀ। ਭੂ-ਕੇਂਦਰਿਤ ਸਮਝ, ਜਿਸ ਵਿੱਚ ਸੂਰਜ ਨੂੰ ਧਰਤੀ ਦੁਆਲੇ ਘੁੰਮਦਾ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ, ਨਿਰੀਖਣ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਯੋਗ ਫਾਰਮੂਲਿਆਂ ਵਿੱਚ ਮੈਪ ਨਹੀਂ ਕਰ ਸਕੀ, ਜਿਸ ਨਾਲ ਸੂਰਜ-ਕੇਂਦਰਿਤ ਸਿਧਾਂਤ ਦੀ ਕਾਢ ਹੋਈ।
ਹਾਲਾਂਕਿ, ਜੇਕਰ ਖਗੋਲੀ ਨਿਰੀਖਣ ਡੇਟਾ ਨੂੰ ਆਯਾਮ ਘਟਾਏ ਬਿਨਾਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਸੀ, ਤਾਂ ਸੂਰਜ-ਕੇਂਦਰਿਤ ਵਰਗੇ ਨਿਯਮਾਂ ਦੀ ਬਹੁਤ ਪਹਿਲਾਂ ਖੋਜ ਕੀਤੀ ਜਾ ਸਕਦੀ ਸੀ।
ਇਸੇ ਤਰ੍ਹਾਂ, ਸਾਪੇਖਤਾ ਦੇ ਸਿਧਾਂਤ ਅਤੇ ਕੁਆਂਟਮ ਮਕੈਨਿਕਸ ਵਰਗੀਆਂ ਵਿਗਿਆਨਿਕ ਕਾਢਾਂ ਨੂੰ ਬਹੁਤ ਪਹਿਲਾਂ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਸੀ ਜੇਕਰ ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਇਸਦੇ ਕੁਦਰਤੀ ਆਯਾਮਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਸੀ।
ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਪੈਰਾਡਾਈਮ ਇਨੋਵੇਸ਼ਨ, ਜੋ ਮਨੁੱਖਤਾ ਲਈ ਅਜੇ ਤੱਕ ਅਣਜਾਣ ਵੱਖ-ਵੱਖ ਸਿਧਾਂਤਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਖੋਜ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ, ਨੂੰ ਡਾਇਮੈਨਸ਼ਨ-ਨੇਟਿਵ AI ਦੁਆਰਾ ਤੇਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਸਿੱਟਾ
ਬਹੁ-ਆਯਾਮੀ ਸਪੇਸ ਲਈ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ AI, ਆਪਣੀਆਂ ਬਹੁ-ਆਯਾਮੀ ਸਥਾਨਿਕ ਬੋਧਾਤਮਕ ਸਮਰੱਥਾਵਾਂ—ਜੋ ਮਨੁੱਖੀ ਨਕਲ ਤੋਂ ਪਰੇ ਹਨ—ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ, ਵਿਗਿਆਨ ਅਤੇ ਅਕਾਦਮਿਕਤਾ ਵਿੱਚ ਪੈਰਾਡਾਈਮਾਂ ਦੇ ਦਾਇਰੇ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧਾ ਸਕਦਾ ਹੈ।
ਪੈਰਾਡਾਈਮ ਸਿਰਫ਼ ਬਦਲਣ ਦੀ ਬਜਾਏ ਵਧਦੇ ਜਾਂਦੇ ਹਨ। ਭਾਵੇਂ ਨਵੇਂ ਪੈਰਾਡਾਈਮਾਂ ਦੀ ਕਾਢ ਕੱਢੀ ਜਾਂਦੀ ਹੈ, ਸਾਨੂੰ ਉਹਨਾਂ ਨਾਲ ਤਾਲਮੇਲ ਬਣਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ।
ਬੇਸ਼ੱਕ, AI ਗੁੰਝਲਦਾਰ ਆਯਾਮਾਂ ਵਿੱਚ ਖੋਜੇ ਗਏ ਪੈਰਾਡਾਈਮਾਂ ਨੂੰ ਹੇਠਲੇ ਆਯਾਮਾਂ ਵਿੱਚ ਮੈਪ ਕਰਕੇ ਸਾਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਮਝਾਏਗਾ।
ਫਿਰ ਵੀ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਉੱਚ ਆਯਾਮਾਂ ਦੇ ਪੈਰਾਡਾਈਮ ਮਨੁੱਖੀ ਸਮਝ ਤੋਂ ਪਰੇ ਰਹਿ ਸਕਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਫੈਲੇ ਹੋਏ ਸਾਰੇ ਪੈਰਾਡਾਈਮਾਂ ਨੂੰ ਸਮਝਣਾ ਸ਼ਾਇਦ ਅਸੰਭਵ ਹੋਵੇਗਾ।
ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ, ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਅਜਿਹੇ ਉਤਪਾਦਾਂ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਘਿਰੇ ਹੋਏ ਪਾ ਸਕਦੇ ਹਾਂ ਜੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਭਾਵੇਂ ਅਸੀਂ ਉਹਨਾਂ ਦੇ ਅੰਡਰਲਾਈੰਗ ਸਿਧਾਂਤਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾ ਸਮਝੀਏ।
ਇੱਕ ਇੰਜੀਨੀਅਰ ਹੋਣ ਦੇ ਨਾਤੇ, ਮੈਂ ਅਜਿਹੀ ਸਥਿਤੀ ਦੀ ਕਲਪਨਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹਾਂਗਾ, ਪਰ ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਲਈ, ਇਹ ਅੱਜ ਦੇ ਹਾਲਾਤਾਂ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ।