AI in 2026: पिछले 12 महीनों में क्या-क्या बदला?

उम्मीदों का दौर अब ठंडा हो रहा है

टेक सेक्टर में पिछले बारह महीने कुछ अलग ही रहे। पिछले सालों की वो भाग-दौड़ वाली एनर्जी अब इस ठंडी हकीकत में बदल गई है कि एक मॉडल बनाना आसान है, लेकिन एक बिज़नेस खड़ा करना मुश्किल। हम उस दौर से बाहर निकल आए हैं जहाँ हर चीज़ जादुई लगती थी, और अब हम असल उपयोगिता (utility) के दौर में हैं। यह वह साल था जब इंडस्ट्री ने ‘क्या हो सकता है’ के बारे में बात करना बंद कर दिया और ‘क्या हो रहा है’ पर ध्यान देना शुरू किया। हमने वह दौर खत्म होते देखा जहाँ एक नए मॉडल की लॉन्चिंग पूरी दुनिया को एक दिन के लिए थाम देती थी। इसके बजाय, हमने इन सिस्टम्स को इंटरनेट के बुनियादी ढांचे (plumbing) में धीरे-धीरे घुलते हुए देखा। पिछले साल की सबसे बड़ी कहानियाँ बेंचमार्क्स के बारे में नहीं थीं। वे पावर ग्रिड, अदालतों और ट्रेडिशनल सर्च इंजन की खामोश मौत के बारे में थीं। यह वह साल था जब टेक इंडस्ट्री ने अपने उत्साह के बदले ग्लोबल इंफ्रास्ट्रक्चर की टेबल पर अपनी जगह पक्की की। उम्मीदों का यह ठंडा पड़ना टेक की विफलता नहीं, बल्कि उसकी मैच्योरिटी की निशानी है। अब हम काल्पनिक भविष्य में नहीं जी रहे हैं। हम इंटीग्रेटेड सिस्टम्स की दुनिया में रह रहे हैं जहाँ अब नयापन (novelty) खत्म हो चुका है।

कॉग्निटिव पावर का एकत्रीकरण

पिछले बारह महीनों में बदलाव का मुख्य केंद्र यह था कि पावर अब किसके हाथ में है। हमने एक बड़ा एकत्रीकरण (consolidation) देखा जहाँ बड़े प्लेयर्स और भी बड़े हो गए। एक समान मैदान पर हजारों छोटे मॉडल्स के मुकाबला करने का सपना धुंधला पड़ गया। इसके बजाय, हमने फाउंडेशन लेयर का उदय देखा जहाँ केवल कुछ ही कंपनियाँ बिजली और चिप्स का खर्च उठा सकती हैं। इन कंपनियों ने मॉडल्स को सामान्य रूप से स्मार्ट बनाने के बजाय उन्हें अधिक भरोसेमंद बनाने पर ध्यान देना शुरू कर दिया। मॉडल्स अब निर्देशों का पालन करने में बेहतर हैं और उनके गलत जानकारी देने (hallucination) की संभावना कम है। यह किसी एक बड़ी खोज से नहीं, बल्कि डेटा की सफाई और मॉडल्स की ट्यूनिंग में किए गए हजारों छोटे सुधारों से संभव हुआ है। हालिया AI industry analysis में यह बदलाव साफ दिखता है जहाँ जोर मॉडल के साइज से हटकर उसकी उपयोगिता पर आ गया है। हमने उन स्मॉल लैंग्वेज मॉडल्स का उदय भी देखा जो फोन और लैपटॉप पर चलते हैं। इन छोटे सिस्टम्स के पास अपने बड़े भाइयों जैसा व्यापक ज्ञान तो नहीं है, लेकिन ये तेज और प्राइवेट हैं। विशाल क्लाउड ब्रेन्स और लोकल एज डिवाइसेस के बीच के इस बंटवारे ने इस साल के टेक्निकल आर्किटेक्चर को परिभाषित किया। इंडस्ट्री इस विचार से दूर चली गई कि एक विशाल मॉडल सब कुछ करेगा। यह वह साल था जब एफिशिएंसी (efficiency) कच्चे साइज से ज्यादा महत्वपूर्ण हो गई। कंपनियों को समझ आया कि निन्यानवे प्रतिशत सही रहने वाला छोटा मॉडल उस विशाल मॉडल से बेहतर है जो केवल नब्बे प्रतिशत सही रहता है।

टकराव और सोवरेन सिस्टम्स का उदय

ग्लोबल लेवल पर, पिछला साल टकरावों भरा रहा। टेक कंपनियों और सरकारों के बीच का हनीमून पीरियड खत्म हो गया। यूरोपीय संघ ने AI Act लागू करना शुरू कर दिया, जिसने कंपनियों को अपने ट्रेनिंग डेटा के बारे में अधिक पारदर्शी होने के लिए मजबूर किया। इसने एक ऐसी दुनिया बना दी जहाँ कुछ फीचर्स अमेरिका में तो उपलब्ध हैं लेकिन यूरोप में ब्लॉक हैं। साथ ही, कॉपीराइट की लड़ाई भी चरम पर पहुँच गई। बड़े पब्लिशर्स और आर्टिस्ट्स ने महत्वपूर्ण रियायतें जीतीं या महंगे लाइसेंसिंग सौदे किए। इसने इंडस्ट्री के अर्थशास्त्र को बदल दिया। अब किसी प्रोडक्ट को बनाने के लिए इंटरनेट से फ्री में डेटा उठाना मुमकिन नहीं है। Reuters की रिपोर्ट्स के अनुसार, इन कानूनी लड़ाइयों ने डेवलपर्स को अपनी डेटा अधिग्रहण रणनीतियों पर फिर से विचार करने के लिए मजबूर किया है। हमने *sovereign AI* का उदय भी देखा जहाँ फ्रांस, जापान और सऊदी अरब जैसे देशों ने अपने घरेलू कंप्यूटिंग क्लस्टर बनाना शुरू कर दिया। उन्हें एहसास हुआ कि अपने कॉग्निटिव इंफ्रास्ट्रक्चर के लिए कुछ सिलिकॉन वैली फर्मों पर निर्भर रहना नेशनल सिक्योरिटी के लिए जोखिम है। लोकल कंट्रोल की इस होड़ ने ग्लोबल टेक मार्केट को बांट दिया है। सरकारें अब रेगुलेशन के तीन विशिष्ट क्षेत्रों पर ध्यान केंद्रित कर रही हैं:

• डेटा कानूनी रूप से प्राप्त किया गया था, यह सुनिश्चित करने के लिए ट्रेनिंग सेट्स के लिए ट्रांसपेरेंसी की आवश्यकताएं।
• सार्वजनिक स्थानों पर फेशियल रिकग्निशन जैसे हाई-रिस्क एप्लीकेशन पर सख्त पाबंदी।
• गलत सूचनाओं के प्रसार को रोकने के लिए सिंथेटिक कंटेंट की वॉटरमार्किंग अनिवार्य करना।

चैट बॉक्स से ऑटोनॉमस एजेंट्स तक

असल दुनिया में इसका असर चैट बॉक्स से एजेंट्स की ओर बदलाव में सबसे अच्छा दिखता है। पिछले सालों में, आपको कंप्यूटर को स्टेप-बाय-स्टेप बताना पड़ता था कि क्या करना है। अब, सिस्टम्स को एक लक्ष्य लेने और उसे पूरा करने के लिए डिज़ाइन किया गया है। एक मिड-साइज शहर में लॉजिस्टिक्स मैनेजर के दिन के बारे में सोचें। सुबह तक, उसके असिस्टेंट ने पहले ही पाँच सौ ईमेल स्कैन कर लिए हैं और उन्हें जरूरी काम के हिसाब से सॉर्ट कर दिया है। इसने सिंगापुर से आने वाली शिपमेंट में देरी को पहचान लिया है और मौसम और पोर्ट डेटा के आधार पर तीन अलग-अलग समाधान तैयार कर लिए हैं। वह मशीन से चैट नहीं करती। वह उसके सुझावों को अप्रूव या रिजेक्ट करती है। लंच ब्रेक के दौरान, वह चार घंटे की सिटी काउंसिल मीटिंग को पाँच मिनट के ऑडियो ब्रीफिंग में बदलने के लिए एक टूल का उपयोग करती है। दोपहर में, सिस्टम उसके कैलेंडर को मैनेज करता है, मीटिंग्स को इस तरह शिफ्ट करता है कि शिपिंग संकट को संभाला जा सके, और उसे माउस तक छूने की जरूरत नहीं पड़ती। यह **agentic** बदलाव है। AI अब वह टूल नहीं है जिसे आप इस्तेमाल करते हैं, बल्कि यह एक वर्कर है जिसे आप मैनेज करते हैं। हालाँकि, इस बदलाव ने नए तनाव भी पैदा किए हैं। काम की गति तो बढ़ गई है, लेकिन उसे प्रोसेस करने की इंसानी क्षमता वही रही है। वर्कर्स को लग रहा है कि मशीन बोरिंग काम तो कर लेती है, लेकिन बाकी बचे काम और भी इंटेंस हो गए हैं जिनमें लगातार हाई-लेवल फैसले लेने पड़ते हैं। इससे एक नए तरह का बर्नआउट पैदा हुआ है जहाँ प्रति घंटे लिए जाने वाले फैसलों की संख्या दोगुनी हो गई है। हम इस ट्रेंड को सभी प्रोफेशनल सेक्टर्स में देख रहे हैं, जैसा कि The Verge ने अपने हालिया वर्कप्लेस स्टडीज में दर्ज किया है। मशीन डेटा संभालती है, लेकिन जिम्मेदारी अभी भी इंसान की ही है। यह एक ऐसा मनोवैज्ञानिक बोझ पैदा करता है जिसे इंडस्ट्री ने अभी तक एड्रेस नहीं किया है।

मशीन युग के अनसुलझे सवाल

हमें यह पूछना चाहिए कि इस बढ़ी हुई स्पीड से असल में फायदा किसे हो रहा है। अगर एक वर्कर एक दिन में दोगुना काम कर सकता है, तो क्या उसकी सैलरी दोगुनी होती है या कंपनी बस आधे स्टाफ को निकाल देती है? छिपी हुई लागतों को नजरअंदाज करना अब मुश्किल होता जा रहा है। हाई-एंड मॉडल पर की जाने वाली हर क्वेरी डेटा सेंटर्स को ठंडा करने के लिए भारी मात्रा में पानी का उपयोग करती है। जैसे-जैसे ये सिस्टम हर सर्च और हर ईमेल का हिस्सा बन रहे हैं, इनका एनवायर्नमेंटल फुटप्रिंट उस दर से बढ़ रहा है जिसे ट्रेडिशनल ग्रीन एनर्जी मैच नहीं कर सकती। डेटा सोवरेनिटी का सवाल भी है। जब एक एजेंट आपकी लाइफ मैनेज करता है, तो उसे आपका शेड्यूल, आपकी पसंद और आपकी प्राइवेट बातचीत सब पता होती है। वह डेटा कहाँ जाता है? एन्क्रिप्शन के बावजूद, अगली पीढ़ी के सिस्टम्स को ट्रेन करने के लिए हमारे जीवन का मेटाडेटा इकट्ठा किया जा रहा है। हम अपनी प्राइवेसी को सुविधा के बदले उस लेवल पर दांव पर लगा रहे हैं जो सोशल मीडिया के दौर को भी छोटा बना देता है। क्या यह एफिशिएंसी व्यक्तिगत स्वायत्तता (autonomy) खोने के लायक है? हम एक ऐसी दुनिया बना रहे हैं जहाँ जीने के डिफ़ॉल्ट तरीके के लिए किसी टेक दिग्गज के सब्सक्रिप्शन की जरूरत होती है। यह उन लोगों के लिए एक नया डिजिटल डिवाइड पैदा करता है जो प्रीमियम एजेंट्स का खर्च नहीं उठा सकते। इसके अलावा, इन सिस्टम्स पर निर्भरता ‘सिंगल पॉइंट ऑफ फेल्योर’ पैदा करती है। अगर कोई बड़ा प्रोवाइडर ऑफलाइन हो जाता है, तो पूरी इंडस्ट्री ठप हो सकती है। हम विविध सॉफ्टवेयर की दुनिया से एक ऐसी दुनिया में आ गए हैं जहाँ हर कोई उन्हीं कुछ न्यूरल नेटवर्क्स पर निर्भर है। जोखिम का यह केंद्रीकरण कुछ ऐसा है जिसका अर्थशास्त्री अभी अध्ययन करना शुरू कर रहे हैं। इंसानी कॉग्निटिव क्षमता पर इसके लॉन्ग-टर्म प्रभाव भी अज्ञात हैं। अगर हम अपने ईमेल लिखना और अपना शेड्यूल मैनेज करना बंद कर देते हैं, तो सिस्टम फेल होने पर उन कामों को करने की हमारी क्षमता का क्या होगा?

लोकल इम्प्लीमेंटेशन का आर्किटेक्चर

पावर यूजर्स के लिए, पिछला साल बुनियादी ढांचे (plumbing) के बारे में था। हमने रिट्रीवल ऑगमेंटेड जनरेशन (RAG) की सीमाओं को आगे बढ़ते देखा। फोकस खुद मॉडल से हटकर ऑर्केस्ट्रेशन लेयर पर आ गया। डेवलपर्स अब प्रॉम्प्ट इंजीनियरिंग के बजाय वेक्टर डेटाबेस और लॉन्ग कॉन्टेक्स्ट विंडोज पर अधिक समय बिता रहे हैं। लोकल स्टोरेज को संभालने के तरीके में एक बड़ा बदलाव आया है। हर डेटा को क्लाउड पर भेजने के बजाय, हम हाइब्रिड इन्फरेंस देख रहे हैं जहाँ किसी काम के आसान हिस्से लोकल हार्डवेयर पर संभाले जाते हैं और कठिन हिस्से क्लस्टर को भेजे जाते हैं। API लिमिट्स एंटरप्राइज ग्रोथ के लिए नई बाधा बन गई हैं। कंपनियों को लग रहा है कि वे अपने वर्कफ़्लो को स्केल नहीं कर सकतीं क्योंकि टॉप-टियर मॉडल्स पर रेट लिमिट्स बहुत ज्यादा हैं। MIT Technology Review की रिसर्च बताती है कि ग्रोथ का अगला फेज मॉडल साइज के बजाय हार्डवेयर एफिशिएंसी पर निर्भर करेगा। हमने प्रोप्रायटरी डेटा सेट्स पर छोटे मॉडल्स को फाइन-ट्यून करने की ओर भी कदम बढ़ते देखे हैं। कंपनी के इंटरनल डॉक्यूमेंट्स पर ट्रेन किया गया 7 बिलियन पैरामीटर वाला मॉडल अक्सर 1 ट्रिलियन पैरामीटर वाले जनरल मॉडल से बेहतर परफॉर्म करता है। इससे लोकल हार्डवेयर की मांग में तेजी आई है जो इन मॉडल्स को तेज गति से चला सके। टेक्निकल कम्युनिटी अब कई प्रमुख मैट्रिक्स पर ध्यान केंद्रित कर रही है:

• लोकल इन्फरेंस के लिए कंज्यूमर-ग्रेड हार्डवेयर पर मेमोरी बैंडविड्थ की सीमाएं।
• मोबाइल चिप्स पर चलने वाले क्वांटाइज्ड मॉडल्स के लिए टोकन प्रति सेकंड बेंचमार्क्स।
• लॉन्ग-फॉर्म डॉक्यूमेंट एनालिसिस और मल्टी-मोडल टास्क में कॉन्टेक्स्ट विंडो मैनेजमेंट।

नई सामान्य स्थिति (New Normal) को स्वीकार करना

लब्बोलुआब यह है कि पिछला साल वह साल था जब AI बोरिंग हो गया, और यही इसकी सबसे बड़ी सफलता है। जब कोई टेक्नोलॉजी बैकग्राउंड का हिस्सा बन जाती है, तो समझो वह वास्तव में आ गई है। हम जादू के करतबों के दौर से निकलकर इंडस्ट्रियल एप्लीकेशन के दौर में पहुँच गए हैं। पावर उन लोगों के हाथों में सिमट गई है जिनके पास चिप्स और पावर प्लांट्स हैं, लेकिन इसकी उपयोगिता प्रोफेशनल दुनिया के हर कोने में फैल गई है। एनवायर्नमेंटल इम्पैक्ट से लेकर प्राइवेसी खोने तक के जोखिम असली हैं, लेकिन अब यह रफ्तार अपरिवर्तनीय है। अब हम भविष्य के आने का इंतज़ार नहीं कर रहे हैं। हम उस भविष्य को मैनेज करने में व्यस्त हैं जिसे हमने पहले ही बना लिया है। जैसे-जैसे हम आगे बढ़ेंगे, ध्यान इन सिस्टम्स को और अधिक अदृश्य और भरोसेमंद बनाने पर रहेगा। अगले बारह महीने नए मॉडल्स के बारे में नहीं, बल्कि इस बारे में होंगे कि हम अपने पास मौजूद मॉडल्स के साथ कैसे रहते हैं।

संपादक का नोट: हमने इस साइट को उन लोगों के लिए एक बहुभाषी AI समाचार और गाइड हब के रूप में बनाया है जो कंप्यूटर गीक नहीं हैं, लेकिन फिर भी आर्टिफिशियल इंटेलिजेंस को समझना चाहते हैं, इसे अधिक आत्मविश्वास के साथ उपयोग करना चाहते हैं, और उस भविष्य का अनुसरण करना चाहते हैं जो पहले से ही आ रहा है।