या वर्षी AI लीडर्स नक्की काय सांगत आहेत?

आर्टिफिशियल इंटेलिजन्स (AI) बद्दलची चर्चा आता मॉडेलच्या आकाराकडून विचार करण्याच्या गुणवत्तेकडे वळली आहे. गेल्या काही वर्षांत, इंडस्ट्रीचे लक्ष ‘स्केलिंग लॉज’वर होते, म्हणजे अधिक डेटा आणि अधिक चिप्समुळे सिस्टिम्स अधिक स्मार्ट होतील. आता, मोठ्या लॅब्सचे लीडर्स एक बदल सुचवत आहेत. मुख्य मुद्दा हा आहे की, केवळ मोठ्या प्रमाणावर डेटा वापरून आता फारसा फायदा होत नाहीये. त्याऐवजी, आता संशोधकांचे लक्ष ‘इन्फरन्स-टाइम कॉम्प्युट’वर (inference-time compute) केंद्रित झाले आहे. याचा अर्थ, एखादे मॉडेल बोलण्यापूर्वी त्याला विचार करण्यासाठी अधिक वेळ देणे. 2026 मध्ये, आपण चॅटबॉट युगाचा शेवट आणि ‘रिझनिंग’ (reasoning) युगाची सुरुवात पाहत आहोत. हा बदल केवळ तांत्रिक नाही. हे सुरुवातीच्या सिस्टिम्सच्या वेगवान, अंतर्ज्ञानी प्रतिसादांकडून अधिक विचारपूर्वक आणि धोरणात्मक बुद्धिमत्तेकडे जाणारे एक मूलभूत पाऊल आहे. ज्या युजर्सना मॉडेल्सनी फक्त वेगवान व्हावे अशी अपेक्षा होती, त्यांना आता जाणवत आहे की प्रगत टूल्स खरं तर संथ होत आहेत, पण ती गणित, विज्ञान आणि लॉजिकमधील कठीण समस्या सोडवण्यात अधिक सक्षम होत आहेत.

वेगाकडून धोरणाकडे संक्रमण

काय घडत आहे हे समजून घेण्यासाठी, ही मॉडेल्स प्रत्यक्षात कशी काम करतात हे पाहणे आवश्यक आहे. सुरुवातीची बहुतेक लार्ज लँग्वेज मॉडेल्स ‘सिस्टम १ थिंकिंग’वर आधारित होती. हे वेगवान, नैसर्गिक आणि भावनिक असते. जेव्हा तुम्ही एखाद्या स्टँडर्ड मॉडेलला प्रश्न विचारता, तेव्हा ते ट्रेनिंग दरम्यान शिकलेल्या पॅटर्नच्या आधारे लगेच पुढचा टोकन प्रेडिक्ट करते. ते उत्तराचे नियोजन करत नाही, तर फक्त बोलू लागते. आता OpenAI सारख्या कंपन्यांनी ‘सिस्टम २ थिंकिंग’कडे जाण्याचा मार्ग निवडला आहे. हे अधिक संथ, विश्लेषणात्मक आणि तार्किक आहे. जेव्हा एखादे मॉडेल स्वतःच्या पायऱ्या तपासण्यासाठी थांबते किंवा मध्येच लॉजिक दुरुस्त करते, तेव्हा तुम्ही हे पाहू शकता. या प्रक्रियेला ‘चेन ऑफ थॉट’ प्रोसेसिंग म्हणतात. यामुळे मॉडेलला ट्रेनिंगच्या वेळी शिकलेल्या गोष्टींवर अवलंबून न राहता, रिस्पॉन्स जनरेट करताना अधिक कॉम्प्युटेशनल पॉवर वापरता येते.

हा बदल लोकांचा एक मोठा गैरसमज दूर करतो. अनेकांना वाटते की AI म्हणजे माहितीचा एक स्थिर डेटाबेस आहे. प्रत्यक्षात, आधुनिक AI हे एक डायनॅमिक रिझनिंग इंजिन बनत आहे. धारणा आणि वास्तव यातील फरक स्पष्ट आहे. लोक अजूनही या टूल्सना सर्च इंजिन मानत असले, तरी इंडस्ट्री त्यांना स्वायत्त समस्या सोडवणारे (autonomous problem solvers) बनवत आहे. ‘इन्फरन्स-टाइम कॉम्प्युट’कडे जाण्याचा अर्थ असा आहे की AI वापरण्याचा खर्च बदलत आहे. आता केवळ मॉडेल ट्रेन करण्याचा खर्च महत्त्वाचा नाही, तर प्रत्येक क्वेरीसाठी लागणारी वीज आणि प्रोसेसिंग पॉवर महत्त्वाची आहे. याचा टेक कंपन्यांच्या बिझनेस मॉडेल्सवर मोठा परिणाम होत आहे. ते स्वस्त आणि हाय-व्हॉल्यूम इंटरॅक्शन्सकडून अशा जटिल रिझनिंग टास्ककडे वळत आहेत ज्यासाठी प्रत्येक आउटपुटसाठी मोठ्या संसाधनांची गरज असते. तुम्ही या बदलांबद्दल अधिकृत रिसर्च नोट्स मध्ये अधिक वाचू शकता.

कॉम्प्युटेशनची भू-राजकीय किंमत

या बदलाचा जागतिक परिणाम दोन गोष्टींवर केंद्रित आहे: ऊर्जा आणि सार्वभौमत्व. मॉडेल्सना विचार करण्यासाठी जास्त वेळ लागत असल्याने, त्यांना जास्त पॉवर लागते. ही आता केवळ सिलिकॉन व्हॅलीची चिंता राहिलेली नाही, तर अनेक देशांसाठी हा राष्ट्रीय सुरक्षेचा मुद्दा आहे. सरकारांना समजले आहे की डेटा सेंटर्सना मोठ्या प्रमाणात वीज पुरवण्याची क्षमता ही आर्थिक स्पर्धेसाठी आवश्यक आहे. आपण अणुऊर्जेपासून ते मोठ्या सोलर फार्म्सपर्यंत ऊर्जा स्रोत मिळवण्यासाठी शर्यत पाहत आहोत. यामुळे ज्या देशांकडे इन्फ्रास्ट्रक्चर आहे आणि ज्यांच्याकडे नाही, त्यांच्यात एक नवीन दरी निर्माण होत आहे. पर्यावरणीय किंमतही वाढत आहे. AI ऊर्जा ग्रीड्स ऑप्टिमाइझ करण्यास मदत करू शकत असले, तरी विजेची तात्काळ मागणी कार्यक्षमतेच्या फायद्यांपेक्षा जास्त आहे. Google DeepMind आणि इतर संस्थांमधील लीडर्स अधिक कार्यक्षम आर्किटेक्चरद्वारे हे सोडवण्याचा प्रयत्न करत आहेत.

• राष्ट्र आता कॉम्प्युट क्लस्टर्सना पॉवर प्लांट्स किंवा पोर्ट्सप्रमाणेच महत्त्वाचे इन्फ्रास्ट्रक्चर मानत आहेत.
• स्पेशलाइज्ड हार्डवेअरची मागणी सप्लाय चेनमध्ये अडथळा निर्माण करत आहे, ज्याचा परिणाम जागतिक इलेक्ट्रॉनिक्स किमतींवर होत आहे.
• ऊर्जा-समृद्ध प्रदेश आता त्यांच्या ऐतिहासिक टेक उपस्थितीची पर्वा न करता तांत्रिक विकासाचे नवीन हब बनत आहेत.
• नियामक संस्था या सिस्टिम्सच्या कार्बन फूटप्रिंटसह नाविन्यपूर्णतेची गरज यांचा समतोल राखण्यासाठी संघर्ष करत आहेत.

लेबर मार्केटवरही याचे परिणाम दिसत आहेत. पूर्वी अशी भीती होती की AI साध्या मॅन्युअल कामांची जागा घेईल. आता, उच्च-स्तरीय संज्ञानात्मक कामांवर (cognitive work) लक्ष केंद्रित झाले आहे. ही नवीन मॉडेल्स कायदेशीर कागदपत्रे किंवा वैद्यकीय संशोधनावर तर्क करू शकत असल्याने, याचा फटका प्रोफेशनल वर्गाला अपेक्षेपेक्षा जास्त बसत आहे. हे केवळ ऑटोमेशनबद्दल नाही, तर कौशल्यांच्या पुनर्वितरणाबद्दल आहे. लंडनमधील ज्युनियर ॲनालिस्ट किंवा बंगळुरूमधील डेव्हलपर आता सीनियर पार्टनरच्या रिझनिंग क्षमतेचा वापर करू शकतात. हे पदानुक्रम सपाट करते आणि पारंपारिक शिक्षणाचे मूल्य बदलते. प्रश्न आता कोणाला सर्वात जास्त माहिती आहे असा नाही, तर मशीनच्या रिझनिंग पॉवरचा सर्वोत्तम वापर कोण करू शकतो असा आहे.

ऑटोमेटेड ऑफिसमधील एक मंगळवार

सारा नावाच्या प्रोजेक्ट मॅनेजरच्या आयुष्यातील एक दिवस विचारात घ्या. एका वर्षापूर्वी, सारा मीटिंग्जचा सारांश काढण्यासाठी किंवा ईमेलमधील चुका सुधारण्यासाठी AI वापरत असे. आज, तिचे वर्कफ्लो ‘एजंटिक वर्कफ्लो’वर (agentic workflows) आधारित आहे जे कमीत कमी देखरेखीखाली काम करतात. जेव्हा ती तिचा दिवस सुरू करते, तेव्हा ती तिचा इनबॉक्स तपासत नाही. त्याऐवजी, ती डॅशबोर्ड तपासते जिथे तिच्या AI एजंटने आधीच तिचे मेसेज सॉर्ट केलेले असतात. एजंटने फक्त महत्त्वाचे मेसेज फ्लॅग केले नाहीत, तर तिचे कॅलेंडर पाहून गुरुवारी होणाऱ्या मीटिंगमधील संघर्ष ओळखला आणि इतर तीन सहभागींना त्यांच्या उपलब्धतेनुसार नवीन वेळ सुचवली. तसेच, तिने आदल्या दिवशी केलेल्या संभाषणावर आधारित प्रोजेक्ट ब्रीफ तयार केला, शेअर केलेल्या ड्राइव्हवरून डेटा घेतला आणि लेटेस्ट अकाउंटिंग रिपोर्टनुसार बजेटच्या आकड्यांची पडताळणी केली.

दुपारपर्यंत, सारा एका जटिल कराराचे पुनरावलोकन करत आहे. सर्व पन्नास पाने वाचण्याऐवजी, ती मॉडेलला कंपनीच्या बौद्धिक संपदा धोरणाशी विसंगत असलेले क्लॉज शोधण्यास सांगते. मॉडेल प्रतिसाद देण्यासाठी काही मिनिटे घेते. हा रिझनिंग टप्पा आहे. ते कॉर्पोरेट नियमांच्या डेटाबेसच्या तुलनेत प्रत्येक वाक्य तपासत आहे. साराला माहित आहे की हा प्रतीक्षा काळ सार्थ आहे कारण आउटपुट केवळ सारांश नाही, तर एक तार्किक ऑडिट आहे. तिला मॉडेलने विशिष्ट टॅक्स कोडचा अर्थ लावण्याच्या पद्धतीत एक छोटी चूक आढळते, परंतु तिने आधीच कितीतरी कठीण काम पूर्ण केले आहे, हे पाहून ती प्रभावित होते. त्या दुपारी, तिला नोटिफिकेशन मिळते की एजंटने प्रतिस्पर्धी फर्मचे स्पर्धात्मक विश्लेषण पूर्ण केले आहे. त्याने सार्वजनिक फाइलिंग्स स्कॅन केल्या, मार्केट ट्रेंड्सचे संश्लेषण केले आणि बोर्ड मीटिंगसाठी ८० टक्के तयार असलेली स्लाइड डेक तयार केली. तुम्ही आमच्या प्लॅटफॉर्मवरील लेटेस्ट इंडस्ट्री इनसाइट्स मध्ये अशा व्यावहारिक उदाहरणांची अधिक माहिती शोधू शकता.

येथे दाव लागलेले मुद्दे व्यावहारिक आहेत. सारा आता लेखिका किंवा शेड्युलर राहिलेली नाही. ती एक ऑर्केस्ट्रेटर आहे. अनेक लोक या विषयावर गोंधळलेले आहेत कारण त्यांना वाटते की AI त्यांचे काम त्यांच्यासाठी करेल. प्रत्यक्षात, AI काम करत आहे, पण सारा लॉजिक आणि अंतिम मंजुरीसाठी जबाबदार आहे. संक्रमण हे काम करण्यापासून ते काम व्यवस्थापित करण्यापर्यंत आहे. यासाठी रिझनिंग चेनमध्ये सूक्ष्म ‘हॅलुसिनेशन्स’ (hallucinations) शोधण्याच्या क्षमतेसह विविध कौशल्यांची आवश्यकता आहे. जर मॉडेलने चुकीची तार्किक झेप घेतली, तर साराला ते लॉजिक मूळ स्रोतापर्यंत शोधता आले पाहिजे. हा विषय साध्या जनरेशनकडून जटिल पडताळणीकडे विकसित होत आहे.

सिंथेटिक इंटेलिजन्सचे नैतिक कर्ज

रिझनिंगकडे होणारा हा बदल या तंत्रज्ञानाच्या लपलेल्या खर्चाबद्दल कठीण प्रश्न उपस्थित करतो. जर मॉडेल जास्त वेळ विचार करत असेल, तर त्या वेळेसाठी पैसे कोण देत आहे? आर्थिक खर्च स्पष्ट आहे, परंतु गोपनीयतेचा खर्च अधिक अस्पष्ट आहे. प्रभावीपणे तर्क करण्यासाठी, या मॉडेल्सना अधिक संदर्भाची (context) गरज असते. त्यांना तुमच्या व्यवसायाबद्दल, तुमच्या वैयक्तिक आवडीनिवडीबद्दल आणि तुमच्या खाजगी डेटाबद्दल अधिक माहिती असणे आवश्यक आहे. आपण अशा जगाकडे जात आहोत जिथे सर्वात उपयुक्त AI तेच आहे जे तुम्हाला सर्वात चांगले ओळखते. यामुळे गोपनीयतेचा मोठा धोका निर्माण होतो. जर तुमच्या एजंटला तुमच्या संपूर्ण ईमेल हिस्ट्रीचा आणि कॉर्पोरेट डेटाबेसचा ॲक्सेस असेल, तर ती माहिती थर्ड पार्टीच्या सर्व्हरद्वारे प्रोसेस केली जात आहे. डेटा लीक होण्याचा किंवा अनधिकृत प्रोफाइलिंगचा धोका पूर्वीपेक्षा जास्त आहे. Reuters सारख्या एजन्सींच्या अहवालांनी हाय-क्वालिटी ट्रेनिंग माहितीच्या भुकेमुळे डेटा स्क्रेपिंग आणि प्रोसेसिंग कसे अधिक आक्रमक होत आहे, हे अधोरेखित केले आहे.

‘डेड इंटरनेट’चाही प्रश्न आहे. जसे रिझनिंग मॉडेल्स हाय-क्वालिटी कंटेंट तयार करण्यात अधिक चांगले होत आहेत, तसे वेबवर सिंथेटिक मजकूर, प्रतिमा आणि व्हिडिओंचा पूर येत आहे. जर AI मॉडेल्स इतर AI मॉडेल्सच्या आउटपुटवर ट्रेनिंग सुरू करत असतील, तर आपण अशा फीडबॅक लूपचा धोका पत्करत आहोत जो कालांतराने मानवी ज्ञानाची गुणवत्ता कमी करू शकतो. हा ‘मॉडेल कोलॅप्स’ सिद्धांत आहे. जिथे सिंथेटिक रिझनिंग स्वस्त आणि वेगवान आहे, तिथे आपण मानवी अंतर्ज्ञान आणि मूळ विचारांचे मूल्य कसे जपू शकतो? आपण मानवी कौशल्यांच्या ऱ्हासाबद्दलही विचारले पाहिजे. जर AI कायदेशीर खटल्यासाठी किंवा वैद्यकीय निदानासाठी सर्व तर्क हाताळू शकत असेल, तर पुढच्या पिढीतील डॉक्टरांकडे आणि वकिलांकडे मशीन अयशस्वी झाल्यावर ते पकडण्यासाठी पायाभूत कौशल्ये असतील का? या सिस्टिम्सवर अवलंबून राहिल्यामुळे एक ठिसूळ समाज निर्माण होतो जो त्यांच्याशिवाय कार्य करण्याची क्षमता गमावू शकतो.

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

पॉवर युजरचे आर्किटेक्चर

ज्यांना बेसिक इंटरफेसच्या पलीकडे जायचे आहे, त्यांच्यासाठी तांत्रिक गरजा बदलत आहेत. आता केवळ वेगवान इंटरनेट कनेक्शन असणे पुरेसे नाही. पॉवर युजर्स आता या रिझनिंग मॉडेल्सना त्यांच्या स्थानिक वातावरणात कसे समाकलित करायचे, हे पाहत आहेत. यामध्ये API मर्यादा व्यवस्थापित करणे आणि लॅटन्सी (latency) व अचूकता यांच्यातील तडजोड समजून घेणे समाविष्ट आहे. जेव्हा तुम्ही रिझनिंग मॉडेल वापरता, तेव्हा तुम्ही अनेकदा प्रति सेकंद कमी टोकन्स हाताळत असता. याचे कारण असे की मॉडेल अंतर्गत तपासणी करत आहे. डेव्हलपर्ससाठी, याचा अर्थ असा की व्हॉइस असिस्टंट किंवा लाइव्ह चॅट सारख्या रिअल-टाइम ॲप्लिकेशन्सना अजूनही लहान, वेगवान मॉडेल्सची आवश्यकता असू शकते, तर जड रिझनिंग अधिक सक्षम बॅकएंडवर ऑफलोड केले जाते.

• लोकल स्टोरेज आता ‘रिट्रीव्हल-ऑगमेंटेड जनरेशन’ (RAG) साठी महत्त्वपूर्ण बनत आहे, जेणेकरून मॉडेलला खाजगी डेटाचा ॲक्सेस मिळेल आणि तो सर्व क्लाउडवर पाठवावा लागणार नाही.
• क्वांटायझेशन तंत्रे युजर्सना या मॉडेल्सच्या लहान आवृत्त्या ग्राहक हार्डवेअरवर चालवण्याची परवानगी देतात, जरी रिझनिंगच्या खोलीत थोडा फरक पडतो.
• API खर्च व्यवस्थापन आता स्टार्टअप्ससाठी प्राथमिक चिंता आहे, कारण रिझनिंग मॉडेल्ससाठी प्रति हजार टोकन्सची किंमत स्टँडर्ड मॉडेल्सपेक्षा लक्षणीयरीत्या जास्त आहे.
• वर्कफ्लो इंटिग्रेशन आता असिंक्रोनस प्रोसेसिंगकडे वळत आहे, जिथे युजर टास्क सबमिट करतो आणि त्वरित उत्तराची अपेक्षा करण्याऐवजी नोटिफिकेशनची वाट पाहतो.

कम्युनिटीचा ‘गीक’ विभाग या मॉडेल्सच्या मर्यादांवरही लक्ष केंद्रित करत आहे. सर्वोत्तम रिझनिंग इंजिन्सनाही कॉन्टेक्स्ट विंडोची मर्यादा असते. ही माहितीची ती मात्रा आहे जी मॉडेल एका वेळी त्याच्या सक्रिय मेमरीमध्ये ठेवू शकते. जरी या विंडोज वाढत असल्या, तरी संपूर्ण कोड लायब्ररी किंवा प्रदीर्घ कायदेशीर इतिहास प्रोसेस करण्यासाठी त्या अजूनही अडथळा आहेत. वेक्टर डेटाबेस आणि कार्यक्षम इंडेक्सिंगद्वारे ही मेमरी व्यवस्थापित करणे हे AI इंजिनिअरिंगसाठी सध्याचे सीमावर्ती क्षेत्र आहे. आपण Ollama किंवा LM Studio सारख्या लोकल होस्टिंग टूल्सचा उदय देखील पाहत आहोत, जे युजर्सना मॉडेल्स पूर्णपणे ऑफलाइन चालवण्याची परवानगी देतात. गोपनीयतेसाठी हा सर्वोत्तम उपाय आहे, परंतु यासाठी मोठ्या GPU संसाधनांची आवश्यकता आहे जी बहुतेक लॅपटॉपमध्ये अजूनही नसतात.

पुढचा मार्ग

आपण पाहत असलेला मूलभूत बदल म्हणजे AI चा ‘टूल’ (साधन) म्हणून वापर करण्याऐवजी ‘पार्टनर’ म्हणून वापर करणे. इंडस्ट्रीकडून मिळणारे संकेत स्पष्ट आहेत. आपण अशा टप्प्यावर पोहोचलो आहोत जिथे केवळ अधिक डेटा जोडणे हा उपाय नाही. भविष्य हे मॉडेल्स त्यांच्या वेळेचा वापर कसा करतात आणि मानवी लॉजिकशी कसे संवाद साधतात यावर अवलंबून आहे. यामुळे सर्वांसाठी एक अधिक जटिल वातावरण निर्माण होते. युजर्सनी मशीनचे ऑडिट करण्यात अधिक चांगले झाले पाहिजे आणि कंपन्यांनी या सिस्टिम्सचा प्रचंड ऊर्जा आणि आर्थिक खर्च व्यवस्थापित करण्यात अधिक चांगले झाले पाहिजे. AI हे फक्त Google ची एक चांगली आवृत्ती आहे ही लोकांची धारणा आता बदलत आहे, कारण AI हे डिजिटल श्रमाचे एक नवीन स्वरूप आहे. खरा प्रश्न हा आहे की आपण या सिस्टिम्सना खरोखर विश्वासार्ह बनवू शकतो का, किंवा रिझनिंगची जटिलता नेहमीच त्रुटीची शक्यता ठेवेल ज्यासाठी मानवी देखरेखीची आवश्यकता असेल. जसे तंत्रज्ञान विकसित होत राहील, तसे मानवी विचार आणि मशीन लॉजिकमधील सीमारेषा परिभाषित करणे अधिक कठीण होईल.

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.