AI म्हणजे केवळ सॉफ्टवेअर नाही, तर हार्डवेअरचीही गोष्ट आहे

कृत्रिम बुद्धिमत्ता (AI) बद्दलची आपली धारणा पूर्णपणे कोडवर केंद्रित आहे. लोक लार्ज लँग्वेज मॉडेल्सकडे अशा प्रकारे पाहतात जणू ते शुद्ध तर्काच्या पोकळीत अस्तित्वात आहेत. ते अल्गोरिदमची चमक किंवा चॅटबॉटच्या प्रतिसादांमधील बारकाव्यांवर चर्चा करतात. पण हा दृष्टिकोन तंत्रज्ञानाच्या सध्याच्या युगातील सर्वात महत्त्वाचा घटक सोडून देतो. AI ही केवळ सॉफ्टवेअरची गोष्ट नाही. ही जड उद्योगाची गोष्ट आहे. ही प्रचंड वीज वापर आणि सिलिकॉनच्या भौतिक मर्यादांची गोष्ट आहे. जेव्हा एखादा वापरकर्ता चॅटबॉटला प्रश्न विचारतो, तेव्हा मैल दूर असलेल्या डेटा सेंटरमध्ये भौतिक घटनांची एक साखळी घडते. या प्रक्रियेत विशेष चिप्सचा वापर होतो, ज्या सध्या पृथ्वीवरील सर्वात मौल्यवान वस्तू आहेत. काही कंपन्या का यशस्वी होत आहेत आणि काही का अपयशी ठरत आहेत हे समजून घ्यायचे असेल, तर तुम्हाला हार्डवेअरकडे पहावे लागेल. सॉफ्टवेअर हे स्टिअरिंग व्हील आहे, पण हार्डवेअर हे इंजिन आणि इंधन आहे. भौतिक पायाभूत सुविधांशिवाय, जगातील सर्वात प्रगत मॉडेल म्हणजे केवळ निरुपयोगी गणितांचा संग्रह आहे.

सिलिकॉनची मर्यादा

दशकांपासून, सॉफ्टवेअर डेव्हलपमेंट एका ठराविक मार्गाने चालले होते. तुम्ही कोड लिहायचा आणि तो सामान्य सेंट्रल प्रोसेसिंग युनिट्स (CPUs) वर चालायचा. या चिप्स सामान्य होत्या. त्या एकामागून एक विविध कामे हाताळू शकत होत्या. मात्र, AI ने गरजा बदलल्या. आधुनिक मॉडेल्सना सामान्य चिप्सची गरज नाही. त्यांना अशा तज्ज्ञाची गरज आहे जो एकाच वेळी अब्जावधी साधी गणितीय ऑपरेशन्स करू शकेल. याला पॅरलल प्रोसेसिंग म्हणतात. उद्योगाने आपले लक्ष ग्राफिक्स प्रोसेसिंग युनिट्स (GPUs) कडे वळवले. या चिप्स मुळात व्हिडिओ गेम्स रेंडर करण्यासाठी डिझाइन केल्या होत्या, पण संशोधकांना आढळले की त्या न्यूरल नेटवर्क्स चालवणाऱ्या मॅट्रिक्स मल्टिप्लिकेशनसाठी योग्य आहेत. या बदलामुळे एक मोठा अडथळा निर्माण झाला. तुम्ही फक्त अधिक बुद्धिमत्ता डाउनलोड करू शकत नाही. तुम्हाला ती अशा भौतिक घटकांपासून बनवावी लागेल जे तयार करणे अत्यंत कठीण आहे. जग सध्या अशा वास्तवाचा सामना करत आहे जिथे AI प्रगतीचा वेग TSMC सारख्या कंपन्या सिलिकॉन वेफर्सवर किती वेगाने सर्किट्स कोरू शकतात यावर अवलंबून आहे.

या भौतिक मर्यादेने टेक जगात एक नवीन वर्गव्यवस्था निर्माण केली आहे. एक ‘कंप्युट रिच’ (साधनसंपन्न) आणि ‘कंप्युट पुअर’ (साधनहीन) असा वर्ग आहे. दहा हजार हाय-एंड चिप्स असलेली कंपनी असे मॉडेल ट्रेन करू शकते जे शंभर चिप्स असलेली कंपनी सुरूही करू शकत नाही. ही प्रतिभा किंवा हुशार कोडिंगची बाब नाही. ही कच्च्या शक्तीची बाब आहे. AI हे एक समान संधी देणारे क्षेत्र आहे जिथे लॅपटॉप असलेला कोणीही स्पर्धा करू शकतो, हा गैरसमज आता दूर होत आहे. AI डेव्हलपमेंटच्या टॉप टियरमध्ये प्रवेशाची किंमत आता अब्जावधी डॉलर्सच्या हार्डवेअरमध्ये मोजली जाते. म्हणूनच आपण जगातील सर्वात मोठ्या टेक कंपन्यांना पायाभूत सुविधांवर अभूतपूर्व खर्च करताना पाहत आहोत. ते फक्त सर्व्हर्स विकत घेत नाहीत. ते भविष्यातील कारखाने बांधत आहेत. हार्डवेअर हा तो तट आहे जो त्यांच्या बिझनेस मॉडेल्सचे रक्षण करतो.

वाळू आणि शक्तीचे भू-राजकारण

हार्डवेअर-केंद्रित AI कडे झुकल्यामुळे टेक उद्योगाचे गुरुत्वाकर्षण केंद्र बदलले आहे. आता ते फक्त सिलिकॉन व्हॅलीपुरते मर्यादित राहिलेले नाही. ते आता तैवान सामुद्रधुनी आणि नॉर्दर्न व्हर्जिनियाच्या पॉवर ग्रिड्सबद्दल आहे. सर्वात प्रगत AI चिप्सची निर्मिती प्रक्रिया इतकी गुंतागुंतीची आहे की केवळ एकच कंपनी, TSMC, ती मोठ्या प्रमाणावर करू शकते. यामुळे संपूर्ण जागतिक अर्थव्यवस्थेसाठी एकच ‘सिंगल पॉइंट ऑफ फेल्युअर’ निर्माण होतो. जर तैवानमधील उत्पादन थांबले, तर AI प्रगती थांबेल. म्हणूनच सरकारे आता चिप निर्मितीला राष्ट्रीय सुरक्षेचा विषय मानत आहेत. ते नवीन कारखान्यांच्या बांधकामाला अनुदान देत आहेत आणि हाय-एंड हार्डवेअरवर निर्यात नियंत्रणे लादत आहेत. ध्येय हे आहे की त्यांच्या देशांतर्गत उद्योगांना स्पर्धात्मक राहण्यासाठी आवश्यक असलेल्या भौतिक घटकांचा प्रवेश मिळावा.

चिप्सच्या पलीकडे, ऊर्जेचा प्रश्न आहे. AI मॉडेल्सना विजेची प्रचंड भूक असते. एकच क्वेरी सामान्य सर्च इंजिनच्या विनंतीपेक्षा लक्षणीयरीत्या जास्त वीज वापरू शकते. यामुळे स्थानिक पॉवर ग्रिड्सवर मोठा ताण येत आहे. जिथे डेटा सेंटर्स केंद्रित आहेत, तिथे विजेची मागणी पुरवठ्यापेक्षा वेगाने वाढत आहे. यामुळे अणुऊर्जा आणि इतर उच्च-क्षमता असलेल्या ऊर्जा स्रोतांमध्ये पुन्हा रस निर्माण झाला आहे. इंटरनॅशनल एनर्जी एजन्सीने नमूद केले आहे की डेटा सेंटर्स आपला वीज वापर 2026 पर्यंत दुप्पट करू शकतात. ही सॉफ्टवेअरची समस्या नाही जी चांगल्या कोडने सोडवता येईल. हे या प्रणाली कशा कार्य करतात याचे भौतिक वास्तव आहे. AI चा पर्यावरणीय प्रभाव कोडच्या ओळींमध्ये नाही, तर कूलिंग सिस्टममध्ये आणि सर्व्हर्स चालवणाऱ्या पॉवर प्लांटच्या कार्बन फूटप्रिंटमध्ये आढळतो. जेव्हा संस्था त्यांच्या AI उपक्रमांचे मूल्य मोजतात तेव्हा त्यांनी या भौतिक खर्चाचा हिशोब ठेवला पाहिजे.

प्रत्येक प्रॉम्प्टची मोठी किंमत

हार्डवेअर मर्यादांचा व्यावहारिक परिणाम समजून घेण्यासाठी, सध्याच्या मार्केटमधील एका स्टार्टअप संस्थापकाच्या दिवसाचा विचार करा. समजा तिचे नाव सारा आहे. साराकडे नवीन वैद्यकीय निदान साधनासाठी एक उत्कृष्ट कल्पना आहे. तिच्याकडे डेटा आणि प्रतिभा आहे. मात्र, तिला लवकरच समजते की तिचा सर्वात मोठा अडथळा अल्गोरिदम नाही. तो आहे इन्फरन्सचा खर्च. प्रत्येक वेळी जेव्हा डॉक्टर तिचे साधन वापरतात, तेव्हा तिला क्लाउडमधील हाय-एंड GPU वर वेळेसाठी पैसे द्यावे लागतात. हे खर्च स्थिर नसतात. ते जागतिक मागणीनुसार बदलतात. पीक अवर्समध्ये, कंप्युटची किंमत वाढू शकते, ज्यामुळे तिच्या नफ्यावर परिणाम होतो. ती प्रत्यक्ष वैद्यकीय संशोधनापेक्षा तिचे क्लाउड क्रेडिट्स व्यवस्थापित करण्यात आणि हार्डवेअरचा वापर ऑप्टिमाइझ करण्यात जास्त वेळ घालवते. आज हजारो क्रिएटर्ससाठी हेच वास्तव आहे. ते हार्डवेअरच्या भौतिक उपलब्धतेशी बांधलेले आहेत.

सामान्य वापरकर्त्यासाठी, हे लॅटन्सी आणि मर्यादांच्या स्वरूपात दिसून येते. तुम्ही कधी पाहिले आहे का की चॅटबॉट दिवसाच्या काही वेळा कमी वेगवान किंवा कमी सक्षम होतो? याचे कारण सहसा असे असते की प्रोव्हायडर हार्डवेअर मर्यादेपर्यंत पोहोचत असतो. ते लोड हाताळण्यासाठी त्यांच्या उपलब्ध कंप्युटचे रेशनिंग करत असतात. हा AI च्या भौतिक स्वरूपाचा थेट परिणाम आहे. पारंपारिक सॉफ्टवेअरच्या विपरीत, जे जवळजवळ शून्य खर्चात कॉपी आणि वितरित केले जाऊ शकते, AI मॉडेलच्या प्रत्येक रनसाठी हार्डवेअरच्या समर्पित भागाची आवश्यकता असते. यामुळे एकाच वेळी किती लोक ही साधने वापरू शकतात यावर मर्यादा येते. हेच कारण आहे की अनेक कंपन्या लहान मॉडेल्सकडे वळत आहेत जे फोन किंवा लॅपटॉपसारख्या स्थानिक उपकरणांवर चालू शकतात. ते डेटा सेंटर्सवरून हार्डवेअरचा भार वापरकर्त्याकडे वळवण्याचा प्रयत्न करत आहेत. हा बदल ग्राहक हार्डवेअर अपग्रेडच्या नवीन चक्राला चालना देत आहे. लोक नवीन संगणक विकत घेत आहेत, जुने खराब झाले आहेत म्हणून नाही, तर जुन्या संगणकांमध्ये आधुनिक AI फीचर्स स्थानिक पातळीवर चालवण्यासाठी आवश्यक असलेल्या विशेष चिप्सचा अभाव आहे.

आपल्या उपकरणांचा आणि आपण वापरत असलेल्या सेवांचा संबंध आपण कसा पाहतो, यात हा एक मोठा बदल आहे.

तुम्ही आम्हाला कव्हर करावे असे तुम्हाला वाटणारी AI कथा, साधन, ट्रेंड किंवा प्रश्न आहे का? तुमची लेखाची कल्पना आम्हाला पाठवा — आम्हाला ती ऐकायला आवडेल.

व्यावसायिक शक्तीची गतिशीलता देखील बदलत आहे. पूर्वी, एक सॉफ्टवेअर कंपनी खूप लहान भौतिक उपस्थितीसह जागतिक स्तरावर विस्तार करू शकत होती. आज, सर्वात जास्त शक्ती असलेल्या कंपन्या त्या आहेत ज्यांच्याकडे पायाभूत सुविधा आहेत. म्हणूनच NVIDIA जगातील सर्वात मौल्यवान कंपन्यांपैकी एक बनली आहे. ते AI गोल्ड रशसाठी कुदळ आणि फावडी पुरवतात. अगदी सर्वात यशस्वी AI सॉफ्टवेअर कंपन्या अनेकदा त्यांच्या मोठ्या प्रतिस्पर्ध्यांच्या डेटा सेंटर्समध्ये भाडेकरू असतात. ही एक अनिश्चित परिस्थिती निर्माण करते. जर घरमालकाने भाडे वाढवण्याचा किंवा स्वतःच्या अंतर्गत प्रकल्पांना प्राधान्य देण्याचा निर्णय घेतला, तर सॉफ्टवेअर कंपनीकडे जाण्यासाठी दुसरी जागा नसते. आधुनिक टेक अर्थव्यवस्थेत भौतिक स्तर हाच फायद्याचा अंतिम स्रोत आहे. ही स्पर्धेच्या अधिक औद्योगिक स्वरूपाकडे परतणारी वाटचाल आहे जिथे केवळ हुशार कल्पनांपेक्षा स्केल आणि भौतिक मालमत्ता अधिक महत्त्वाची ठरते.

आपण न विचारलेले प्रश्न

जसजसे आपण या हार्डवेअर-आधारित युगात खोलवर जात आहोत, तसतसे आपण लपलेल्या खर्चाबद्दल कठीण प्रश्न विचारले पाहिजेत. जेव्हा प्रवेशाचे अडथळे इतके जास्त असतात तेव्हा खरोखर कोणाला फायदा होतो? जर केवळ काही कंपन्या सर्वात प्रगत मॉडेल्स तयार करण्यासाठी आवश्यक हार्डवेअर परवडू शकत असतील, तर स्पर्धा आणि नाविन्यासाठी याचा अर्थ काय? आपण तंत्रज्ञानाच्या इतिहासात अभूतपूर्व अशी शक्तीची एकाग्रता पाहत आहोत. हे केंद्रीकरण गोपनीयता आणि सेन्सॉरशिपसाठी मोठा धोका निर्माण करते. जर सर्व AI प्रक्रिया तीन किंवा चार कंपन्यांच्या मालकीच्या काही हजार सर्व्हर्सवर होत असेल, तर त्या कंपन्यांचे तंत्रज्ञानाद्वारे काय बोलले जाऊ शकते आणि काय केले जाऊ शकते यावर पूर्ण नियंत्रण असते. ज्या लहान राष्ट्रांना स्वतःची AI पायाभूत सुविधा उभारणे परवडत नाही, त्यांच्या सार्वभौमत्वाचे काय?

ही यंत्रे तयार करण्यासाठी आवश्यक असलेल्या भौतिक साहित्याचाही प्रश्न आहे. AI हार्डवेअर दुर्मिळ पृथ्वी खनिजे आणि जटिल पुरवठा साखळीवर अवलंबून असते, जी अनेकदा अस्थिर प्रदेशांमध्ये असते. AI प्रगतीच्या संदर्भात ही खनिजे खाणकामाचा पर्यावरणीय खर्च क्वचितच चर्चिला जातो. आपण मॉडेलच्या सौंदर्याबद्दल बोलतो, पण उत्पादन प्रक्रियेदरम्यान निर्माण होणाऱ्या उघड्या खाणी आणि विषारी कचऱ्याकडे दुर्लक्ष करतो. थोड्या अधिक चांगल्या चॅटबॉटचा फायदा हार्डवेअरमुळे होणाऱ्या पर्यावरणीय नुकसानापेक्षा जास्त आहे का? शिवाय, आपण सध्याच्या ऊर्जा वापराच्या ट्रेंडची दीर्घकालीन शाश्वतता विचारात घेतली पाहिजे. इंटरनॅशनल एनर्जी एजन्सी च्या अहवालानुसार, डेटा सेंटरच्या विजेच्या मागणीतील वाढ काही प्रदेशांत नूतनीकरणक्षम ऊर्जेच्या वाढीपेक्षा जास्त आहे. आपण असे तांत्रिक भविष्य घडवत आहोत का जे ग्रह प्रत्यक्षात सहन करू शकत नाही? या तांत्रिक त्रुटी नाहीत ज्या दुरुस्त केल्या जाऊ शकतात. या मूलभूत तडजोडी आहेत ज्या AI ला या स्तरावर राबवण्याच्या निर्णयासोबत येतात. आपण हे प्रामाणिकपणे मान्य केले पाहिजे की AI हे जगातील एक भौतिक हस्तक्षेप आहे, केवळ डिजिटल नाही.

आर्किटेक्चर आणि लॅटन्सी

पॉवर युजर्स आणि डेव्हलपर्ससाठी, हार्डवेअरची गोष्ट अधिक विशिष्ट होते. हे फक्त GPU असण्याबद्दल नाही. हे त्या GPU च्या विशिष्ट आर्किटेक्चरबद्दल आहे. आधुनिक AI मधील सर्वात मोठ्या अडथळ्यांपैकी एक म्हणजे प्रोसेसरचा वेग नाही, तर मेमरीचा वेग आहे. याला ‘मेमरी वॉल’ म्हणतात. हाय बँडविड्थ मेमरी (HBM) प्रोसेसरला डेटा पुरवण्यासाठी आवश्यक आहे. जर मेमरी खूप संथ असेल, तर प्रोसेसर रिकामा बसतो आणि महागड्या कंप्युट सायकल वाया जातात. म्हणूनच प्रमुख उत्पादकांच्या ताज्या चिप्स मेमरी बँडविड्थ आणि क्षमतेवर इतका भर देतात. जर तुम्ही स्थानिक मॉडेल चालवत असाल, तर तुमच्या कार्डवरील VRAM ची रक्कम हा सर्वात महत्त्वाचा घटक आहे. हे तुम्ही लोड करू शकणाऱ्या मॉडेलचा आकार आणि ते मजकूर तयार करू शकणारा वेग ठरवते.

वर्कफ्लो इंटिग्रेशन देखील आता हार्डवेअरची समस्या बनत आहे. अनेक व्यावसायिक साधने आता AI फीचर्स समाकलित करत आहेत ज्यांना विशिष्ट API मर्यादा किंवा स्थानिक प्रवेग आवश्यक आहे. जर तुम्ही क्लाउड-आधारित API वापरत असाल, तर तुम्ही प्रोव्हायडरच्या हार्डवेअर उपलब्धतेच्या अधीन आहात. यामुळे अनपेक्षित लॅटन्सी येऊ शकते जी वापरकर्त्याचा अनुभव खराब करते. स्थानिक स्टोरेजसाठी, गरजा देखील वाढत आहेत. मोठी मॉडेल्स आणि ती फाइन-ट्यून करण्यासाठी वापरले जाणारे डेटासेट साठवण्यासाठी टेराबाइट्सच्या वेगवान NVMe स्टोरेजची आवश्यकता असते. आपण NVLink सारख्या विशेष इंटरकनेक्ट्सचा उदय देखील पाहत आहोत, जे एकाधिक GPUs ना अविश्वसनीय वेगाने एकमेकांशी बोलू देतात. हे आवश्यक आहे कारण सर्वात मोठी मॉडेल्स आता एका चिपवर बसत नाहीत. ती डझनभर किंवा शेकडो चिप्सवर पसरवावी लागतात, जी सर्व परिपूर्ण समन्वयात काम करतात. जर त्या चिप्समधील भौतिक कनेक्शन खूप संथ असेल, तर संपूर्ण प्रणाली कोलमडते. हार्डवेअरची ही गुंतागुंत केवळ स्क्रिप्ट लिहिणे आणि ती लॅपटॉपवर चालवणे या दिवसांपेक्षा खूप वेगळी आहे. तुम्ही तुमच्या स्थानिक सेटअपला ऑप्टिमाइझ करण्याबद्दल अधिक तपशीलवार मार्गदर्शक AI Magazine वेबसाइटवर शोधू शकता. या तांत्रिक वैशिष्ट्यांचे ज्ञान आता या क्षेत्राच्या टोकावर काम करू इच्छिणाऱ्या कोणासाठीही ऐच्छिक राहिलेले नाही. यशस्वी उपयोजन आणि अपयश यातील फरक अनेकदा तुम्ही तुमच्या हार्डवेअर स्टॅकच्या भौतिक मर्यादांचे व्यवस्थापन कसे करता यावर अवलंबून असतो.

भौतिक वास्तव

AI हे केवळ डिजिटल इंद्रजाल आहे ही कथा आता संपली आहे. वास्तव हे आहे की AI हा एक भौतिक उद्योग आहे ज्यासाठी जमीन, पाणी, ऊर्जा आणि सिलिकॉनचा प्रचंड साठा आवश्यक आहे. येत्या काही वर्षांत आपण पाहणारी प्रगती मशीन लर्निंगमधील यशाप्रमाणेच मटेरियल सायन्स आणि ऊर्जा निर्मितीमधील यशावर अवलंबून असेल. आपण अशा काळात प्रवेश करत आहोत जिथे भौतिक जग डिजिटल जगावर आपले वर्चस्व पुन्हा प्रस्थापित करत आहे. ज्या कंपन्या हे समजून घेतात आणि स्वतःच्या हार्डवेअर आणि ऊर्जा पुरवठ्यात गुंतवणूक करतात, त्या आघाडीवर राहतील. जे हार्डवेअरकडे दुय्यम म्हणून पाहतात, ते स्वतःला मार्केटमधून बाहेर फेकले गेलेले पाहतील. लक्षात ठेवण्यासारखी सर्वात महत्त्वाची गोष्ट म्हणजे प्रत्येक डिजिटल बुद्धिमत्तेचे एक भौतिक घर असते. 2026 पर्यंत, AI जगाचा नकाशा जगातील सर्वात शक्तिशाली औद्योगिक केंद्रांच्या नकाशासारखा दिसेल. सिलिकॉनची मर्यादा खरी आहे आणि आपण सर्वजण त्याखाली जगत आहोत.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.

काही चूक आढळली किंवा काही दुरुस्त करायचे आहे का? आम्हाला कळवा.