२०२६ मधील AI: गेल्या १२ महिन्यांत नेमके काय बदलले?

अपेक्षांचे मोठे ‘कूलिंग’

टेक सेक्टरमधील गेल्या बारा महिन्यांचा अनुभव काहीसा वेगळाच होता. मागील वर्षांमधील प्रचंड उत्साह आता ओसरला असून, एक वास्तव समोर आले आहे की एखादे मॉडेल बनवणे सोपे आहे, पण त्यातून बिझनेस उभा करणे कठीण. आपण सततच्या आश्चर्याच्या टप्प्यातून बाहेर पडून आता प्रत्यक्ष उपयुक्ततेच्या काळात आलो आहोत. हे असे वर्ष होते जिथे उद्योगाने ‘काय होऊ शकते’ यावर चर्चा करणे थांबवले आणि ‘नेमके काय घडले’ यावर लक्ष केंद्रित केले. नवीन मॉडेल लाँच झाल्यावर जगभर जी चर्चा व्हायची, तो काळ आता संपला आहे. त्याऐवजी, या सिस्टिम्स आता इंटरनेटच्या अंतर्गत रचनेचा (plumbing) भाग बनताना आपण पाहिल्या. गेल्या वर्षातील सर्वात मोठ्या बातम्या बेंचमार्क्सबद्दल नव्हत्या, तर त्या पॉवर ग्रिड्स, कोर्टरूम आणि पारंपारिक सर्च इंजिनच्या संथ अंताविषयी होत्या. हे वर्ष अशा क्षणाचे होते जेव्हा उद्योगाने आपल्या उत्साहाच्या बदल्यात जागतिक इन्फ्रास्ट्रक्चरमध्ये स्थान मिळवले. अपेक्षांचे हे ‘कूलिंग’ म्हणजे तंत्रज्ञानाचे अपयश नसून त्याच्या परिपक्वतेचे लक्षण आहे. आपण आता केवळ कल्पनेच्या जगात राहत नाही, तर अशा जगात आहोत जिथे सिस्टिम्स एकमेकांत मिसळल्या आहेत आणि त्यांचे नाविन्य आता ओसरले आहे.

कॉग्निटिव्ह पॉवरचे एकत्रीकरण

गेल्या बारा महिन्यांतील बदलाचा मुख्य गाभा म्हणजे सत्तेचे केंद्र बदलणे. आपण एक मोठे एकत्रीकरण पाहिले जिथे मोठे खेळाडू आणखी मोठे झाले. हजारो छोटी मॉडेल्स समान पातळीवर स्पर्धा करतील हे स्वप्न आता धूसर झाले आहे. त्याऐवजी, फाउंडेशन लेयरचा उदय झाला जिथे केवळ काही कंपन्यांनाच स्पर्धेसाठी आवश्यक असलेली वीज आणि चिप्स परवडतात. या कंपन्यांनी मॉडेल्सना सामान्य अर्थाने अधिक हुशार बनवण्यापेक्षा त्यांना अधिक रिलायबल (विश्वसनीय) बनवण्यावर भर दिला आहे. मॉडेल्स आता सूचनांचे पालन करण्यात अधिक सक्षम आहेत आणि चुकीची माहिती देण्याचे प्रमाण कमी झाले आहे. हे केवळ एका मोठ्या शोधामुळे नाही, तर डेटा क्लीनिंग आणि मॉडेल्स ट्यून करण्याच्या हजारो छोट्या ऑप्टिमायझेशनमुळे साध्य झाले आहे. अलीकडील AI industry analysis मध्ये हा बदल स्पष्ट दिसतो, जिथे मॉडेलच्या आकारापेक्षा त्याच्या उपयुक्ततेवर जास्त भर दिला जात आहे. आपण फोन आणि लॅपटॉपवर चालणाऱ्या स्मॉल लँग्वेज मॉडेल्सचा उदय देखील पाहिला. या छोट्या सिस्टिम्सकडे मोठ्या मॉडेल्ससारखे अफाट ज्ञान नसेल, पण त्या वेगवान आणि प्रायव्हेट आहेत. क्लाउडमधील अवाढव्य मेंदू आणि लोकल एज डिवाइसेसमधील ही विभागणी या वर्षाचे तांत्रिक वैशिष्ट्य ठरली. एकच मोठे मॉडेल सर्वकाही करेल ही कल्पना आता मागे पडली आहे. हे असे वर्ष होते जिथे कार्यक्षमतेचे महत्त्व आकारापेक्षा जास्त वाढले. कंपन्यांना उमजले आहे की, ९०% अचूक असणाऱ्या अवाढव्य मॉडेलपेक्षा ९९% अचूक असणारे छोटे मॉडेल अधिक मौल्यवान आहे.

संघर्ष आणि ‘सॉवरेन’ सिस्टिम्सचा उदय

जागतिक स्तरावर, गेल्या वर्षात मोठा संघर्ष पाहायला मिळाला. टेक कंपन्या आणि सरकारांमधील ‘हनिमून’ काळ आता संपला आहे. युरोपियन युनियनने AI ॲक्ट लागू करण्यास सुरुवात केली, ज्यामुळे कंपन्यांना त्यांच्या ट्रेनिंग डेटाबद्दल अधिक पारदर्शक राहणे भाग पडले. यामुळे जगाचे दोन भाग झाले आहेत – काही फीचर्स अमेरिकेत उपलब्ध आहेत पण युरोपमध्ये ब्लॉक आहेत. त्याच वेळी, कॉपीराइटचा वाद टोकाला पोहोचला. मोठ्या प्रकाशकांनी आणि कलाकारांनी महत्त्वाच्या सवलती मिळवल्या किंवा महागडे लायसन्सिंग करार केले. यामुळे उद्योगाचे अर्थकारण बदलले आहे. प्रॉडक्ट बनवण्यासाठी इंटरनेटवरून डेटा मोफत स्क्रॅप करणे आता सोपे राहिलेले नाही. Reuters च्या अहवालानुसार, या कायदेशीर लढायांमुळे डेव्हलपर्सना त्यांची डेटा मिळवण्याची रणनीती बदलणे भाग पडले आहे. आपण ‘सॉवरेन AI’ चा उदय देखील पाहिला, जिथे फ्रान्स, जपान आणि सौदी अरेबियासारख्या देशांनी स्वतःचे डोमेस्टिक कॉम्प्युटिंग क्लस्टर्स तयार करण्यास सुरुवात केली. आपल्या कॉग्निटिव्ह इन्फ्रास्ट्रक्चरसाठी सिलिकॉन व्हॅलीच्या काही कंपन्यांवर अवलंबून राहणे हा राष्ट्रीय सुरक्षेचा धोका असल्याचे त्यांना उमजले आहे. स्थानिक नियंत्रणाच्या या प्रयत्नांमुळे जागतिक टेक मार्केट विखुरले गेले आहे. सरकारे आता नियमनाच्या तीन विशिष्ट क्षेत्रांवर लक्ष केंद्रित करत आहेत:

• डेटा कायदेशीररित्या मिळवला आहे याची खात्री करण्यासाठी ट्रेनिंग सेट्ससाठी पारदर्शकतेची आवश्यकता.
• सार्वजनिक ठिकाणी फेशियल रिकग्निशनसारख्या हाय-रिस्क ॲप्लिकेशन्सवर कडक निर्बंध.
• चुकीची माहिती पसरू नये म्हणून सिंथेटिक कंटेंटवर वॉटरमार्किंग अनिवार्य करणे.

चॅट बॉक्सेसपासून ऑटोनॉमस एजंट्सपर्यंतचा प्रवास

प्रत्यक्ष जगातील परिणाम चॅट बॉक्सेसकडून एजंट्सकडे झालेल्या बदलात दिसून येतो. मागील वर्षांमध्ये, तुम्हाला कॉम्प्युटरला प्रत्येक पायरी सांगावी लागत असे. आता, सिस्टिम्स एखादे ध्येय स्वीकारून ते पूर्ण करण्यासाठी डिझाइन केल्या आहेत. एका मध्यम आकाराच्या शहरातील लॉजिस्टिक मॅनेजरच्या दिवसाचा विचार करा. सकाळी तिच्या असिस्टंटने आधीच ५०० ईमेल्स स्कॅन करून महत्त्वाच्या क्रमाने लावले आहेत. त्याने सिंगापूरहून येणाऱ्या शिपमेंटमधील उशीर शोधला आहे आणि हवामान व पोर्ट डेटाच्या आधारे तीन वेगवेगळे उपाय सुचवले आहेत. ती मशीनशी चॅट करत नाही; ती फक्त त्याच्या सूचनांना मान्यता देते किंवा नाकारते. लंच ब्रेक दरम्यान, ती एका टूलचा वापर करून चार तासांच्या सिटी कौन्सिल मीटिंगचा पाच मिनिटांचा ऑडिओ सारांश ऐकते. दुपारी, सिस्टिम तिचे कॅलेंडर मॅनेज करते, शिपिंग संकट हाताळण्यासाठी तिला माउसला हात न लावता मीटिंग्स ॲडजस्ट करते. हा **एजंटिक** बदल आहे. AI आता केवळ एक टूल राहिलेले नाही, तर तो एक कर्मचारी आहे ज्याला तुम्ही मॅनेज करता. मात्र, या बदलामुळे नवीन ताणही निर्माण झाला आहे. कामाचा वेग वाढला आहे, पण मानवी क्षमता तेवढीच आहे. मशीन कंटाळवाणी कामे करत असले, तरी उरलेली कामे अधिक तीव्र आहेत आणि त्यासाठी सतत उच्च-स्तरीय निर्णय घेण्याची गरज असते. यामुळे एका नवीन प्रकारचा ‘बर्नआउट’ दिसून येत आहे, जिथे दर तासाला घेतल्या जाणाऱ्या निर्णयांची संख्या दुप्पट झाली आहे. The Verge ने त्यांच्या अलीकडील वर्कप्लेस स्टडीजमध्ये नमूद केल्याप्रमाणे, हा ट्रेंड सर्व व्यावसायिक क्षेत्रांमध्ये दिसत आहे. मशीन डेटा हाताळते, पण जबाबदारी अजूनही माणसाचीच आहे. यामुळे एक मानसिक ओझे निर्माण झाले आहे ज्याकडे उद्योगाने अद्याप लक्ष दिलेले नाही.

मशीन युगातील अनुत्तरित प्रश्न

या वाढलेल्या वेगाचा नेमका फायदा कोणाला होतो, हा प्रश्न आपण विचारलाच पाहिजे. जर एखादा कर्मचारी दिवसात दुप्पट काम करू शकत असेल, तर त्याचा पगार दुप्पट होतो की कंपनी अर्ध्या कर्मचाऱ्यांना कामावरून काढून टाकते? छुपे खर्च आता दुर्लक्षित करणे कठीण होत आहे. हाय-एंड मॉडेलला विचारलेल्या प्रत्येक प्रश्नासाठी डेटा सेंटर्स थंड करण्यासाठी मोठ्या प्रमाणात पाण्याचा वापर होतो. जशा या सिस्टिम्स प्रत्येक सर्च आणि ईमेलचा भाग बनत आहेत, तसा पर्यावरणावरील परिणाम अशा दराने वाढत आहे की पारंपारिक ग्रीन एनर्जी त्याची बरोबरी करू शकत नाही. डेटा स्वायत्ततेचा प्रश्नही महत्त्वाचा आहे. जेव्हा एखादा एजंट तुमचे जीवन मॅनेज करतो, तेव्हा त्याला तुमचे वेळापत्रक, आवडीनिवडी आणि खाजगी संभाषणे माहित असतात. तो डेटा कुठे जातो? एन्क्रिप्शन असूनही, आपल्या आयुष्यातील मेटाडेटा पुढील पिढीच्या सिस्टिम्सना ट्रेन करण्यासाठी वापरला जात आहे. आपण सोयीसाठी आपल्या प्रायव्हसीचा असा बळी देत आहोत, ज्यासमोर सोशल मीडियाचा काळ अगदी छोटा वाटतो. ही कार्यक्षमता वैयक्तिक स्वातंत्र्याच्या बदल्यात स्वीकारण्यासारखी आहे का? आपण असे जग बनवत आहोत जिथे जगण्यासाठी एखाद्या टेक जायंटचे सबस्क्रिप्शन असणे अनिवार्य आहे. यामुळे प्रीमियम एजंट्स परवडत नसलेल्या लोकांसाठी एक नवीन डिजिटल दरी निर्माण होत आहे. शिवाय, या सिस्टिम्सवरील अवलंबित्व धोक्याचे ठरू शकते. जर एखादा मोठा प्रोव्हायडर ऑफलाइन गेला, तर संपूर्ण उद्योग ठप्प होऊ शकतात. आपण वैविध्यपूर्ण सॉफ्टवेअरच्या जगातून आता अशा जगात आलो आहोत जिथे प्रत्येकजण त्याच काही न्यूरल नेटवर्क्सवर अवलंबून आहे. या जोखमीच्या केंद्रीकरणाचा अभ्यास अर्थशास्त्रज्ञ आता कुठे करू लागले आहेत. मानवी बौद्धिक क्षमतेवर होणारे दीर्घकालीन परिणाम देखील अज्ञात आहेत. जर आपण स्वतःचे ईमेल लिहिणे आणि वेळापत्रक व्यवस्थापित करणे थांबवले, तर सिस्टिम फेल झाल्यावर ती कामे करण्याची आपली क्षमता काय असेल?

लोकल इम्प्लिमेंटेशनचे आर्किटेक्चर

पॉवर युजर्ससाठी गेल्या वर्षाचा काळ हा अंतर्गत रचनेचा (plumbing) होता. आपण रिट्रायव्हल ऑगमेंटेड जनरेशनच्या (RAG) मर्यादा विस्तारताना पाहिल्या. लक्ष मॉडेलवरून हटून ऑर्केस्ट्रेशन लेयरकडे गेले आहे. डेव्हलपर्स आता प्रॉम्प्ट इंजिनिअरिंगपेक्षा वेक्टर डेटाबेस आणि लाँग कॉन्टेक्स्ट विंडोजवर जास्त वेळ घालवत आहेत. लोकल स्टोरेज हाताळण्याच्या पद्धतीत मोठा बदल झाला आहे. प्रत्येक डेटा क्लाउडवर पाठवण्याऐवजी, आपण हायब्रीड इन्फरन्स पाहत आहोत, जिथे कामाचे सोपे भाग लोकल हार्डवेअरवर हाताळले जातात आणि कठीण भाग क्लस्टरकडे पाठवले जातात. API लिमिट्स आता एंटरप्राइझ ग्रोथसाठी अडथळा ठरत आहेत. कंपन्यांना असे आढळत आहे की ते त्यांचे वर्कफ्लो वाढवू शकत नाहीत कारण टॉप टायर मॉडेल्सवरील रेट लिमिट्स खूप कडक आहेत. MIT Technology Review मधील संशोधनानुसार, वाढीचा पुढचा टप्पा मॉडेलच्या आकारापेक्षा हार्डवेअर कार्यक्षमतेवर अवलंबून असेल. आपण प्रोप्रायटरी डेटा सेट्सवर छोट्या मॉडेल्सना फाईन-ट्यून करण्याकडे कल पाहिला. कंपनीच्या अंतर्गत कागदपत्रांवर ट्रेन केलेले ७ अब्ज पॅरामीटरचे मॉडेल आता बऱ्याचदा १ ट्रिलियन पॅरामीटरच्या जनरल मॉडेलपेक्षा चांगली कामगिरी करते. यामुळे ही मॉडेल्स हाय स्पीडने चालवू शकणाऱ्या लोकल हार्डवेअरची मागणी वाढली आहे. तांत्रिक समुदाय आता काही महत्त्वाच्या मेट्रिक्सवर लक्ष केंद्रित करत आहे:

• लोकल इन्फरन्ससाठी कन्झ्युमर ग्रेड हार्डवेअरवरील मेमरी बँडविड्थ मर्यादा.
• मोबाईल चिप्सवर चालणाऱ्या क्वांटाइज्ड मॉडेल्ससाठी टोकन प्रति सेकंद बेंचमार्क्स.
• लाँग फॉर्म डॉक्युमेंट अनालिसिस आणि मल्टी-मोडल टास्कमध्ये कॉन्टेक्स्ट विंडो मॅनेजमेंट.

नवीन ‘नॉर्मल’चा स्वीकार

थोडक्यात सांगायचे तर, गेल्या वर्षभरात AI ‘बोअरिंग’ झाले आहे आणि हेच त्याचे सर्वात मोठे यश आहे. जेव्हा एखादे तंत्रज्ञान बॅकग्राउंडचा भाग बनते, तेव्हा समजावे की ते खऱ्या अर्थाने रुजले आहे. आपण जादूच्या प्रयोगांच्या युगातून बाहेर पडून आता औद्योगिक वापराच्या युगात आलो आहोत. सत्ता अशा लोकांच्या हातात एकवटली आहे ज्यांच्याकडे चिप्स आणि पॉवर प्लांट्स आहेत, पण त्याची उपयुक्तता व्यावसायिक जगाच्या प्रत्येक कोपऱ्यात पसरली आहे. पर्यावरणावरील परिणामांपासून ते प्रायव्हसी गमावण्यापर्यंतचे धोके खरे आहेत, पण आता हा वेग थांबवणे अशक्य आहे. आपण आता भविष्याची वाट पाहत नाही आहोत. आपण जे भविष्य आधीच घडवले आहे, ते मॅनेज करण्यात व्यस्त आहोत. २०२६ कडे वळताना, या सिस्टिम्सना अधिक अदृश्य आणि अधिक विश्वसनीय बनवण्यावर भर दिला जाईल. पुढचे बारा महिने नवीन मॉडेल्सबद्दल नसून, आपल्याकडे असलेल्या मॉडेल्ससोबत आपण कसे राहतो, याबद्दल असतील.

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.