AI बूम आणि इतिहासाचे धडे: आपण काय शिकू शकतो?

पायाभूत सुविधांचे चक्र पुन्हा फिरते

सिलिकॉन व्हॅली अनेकदा दावा करते की त्यांची नवीन क्रांती अभूतपूर्व आहे, पण तसे नाही. सध्याची आर्टिफिशियल इंटेलिजन्स (AI) लाट ही १८०० च्या दशकातील रेल्वे विस्तार आणि १९९० च्या दशकाच्या उत्तरार्धातील डॉट-कॉम बूमसारखीच आहे. आपण भांडवलाचा ओघ आणि कॉम्प्युटिंग पॉवरच्या केंद्रीकरणातील मोठा बदल पाहत आहोत. हे भविष्यातील पायाभूत सुविधांच्या मालकीबद्दल आहे. अमेरिका आघाडीवर आहे कारण त्यांच्याकडे सर्वाधिक पैसा आणि सर्वात आक्रमक क्लाउड प्रोव्हायडर्स आहेत. इतिहास सांगतो की जे रेल्वेचे रूळ किंवा फायबर ऑप्टिक केबल्स नियंत्रित करतात, तेच इतरांसाठी नियम ठरवतात. AI मध्येही हेच घडत आहे. हे पायाभूत सुविधांच्या उभारणीनंतर होणाऱ्या जलद एकत्रीकरणाच्या मार्गावर आहे. या पॅटर्नला समजून घेतल्यास आपण हायपच्या पलीकडे जाऊन या नवीन चक्रात खरी शक्ती कुठे आहे हे ओळखू शकतो. मुख्य गोष्ट सोपी आहे: आपण फक्त स्मार्ट सॉफ्टवेअर बनवत नाही, तर आपण एक नवीन युटिलिटी बनवत आहोत जी वीज किंवा इंटरनेटइतकीच मूलभूत असेल. जे लोक भौतिक हार्डवेअर आणि हे सिस्टम चालवण्यासाठी आवश्यक असलेले प्रचंड डेटासेट नियंत्रित करतील, तेच विजेते ठरतील.

स्टीलचे रूळ ते न्यूरल नेटवर्क्स

आजचे AI समजून घेण्यासाठी अमेरिकेतील रेल्वे बूमकडे पहा. १९ व्या शतकाच्या मध्यावर, संपूर्ण खंडात रूळ टाकण्यासाठी मोठ्या प्रमाणात भांडवल ओतले गेले. अनेक कंपन्या दिवाळखोर झाल्या, पण रूळ तसेच राहिले. त्या रुळांनी पुढच्या शतकातील आर्थिक विकासाचा पाया रचला. AI सध्या त्याच ‘ट्रॅक-लेइंग’ टप्प्यात आहे. पोलाद आणि वाफेऐवजी, आपण सिलिकॉन आणि विजेचा वापर करत आहोत. मायक्रोसॉफ्ट आणि गूगल सारख्या कंपन्यांची मोठी गुंतवणूक अशा कॉम्प्युट क्लस्टर्सची निर्मिती करत आहे, जी इतर सर्व उद्योगांना आधार देईल. जेव्हा एखाद्या तंत्रज्ञानाला सुरुवात करण्यासाठी प्रचंड भांडवलाची गरज असते, तेव्हा ते नैसर्गिकरित्या मोठ्या आणि प्रस्थापित कंपन्यांच्या बाजूने झुकते. म्हणूनच अमेरिकेतील काही कंपन्या या क्षेत्रात वर्चस्व गाजवत आहेत. त्यांच्याकडे चिप्स खरेदी करण्यासाठी पैसे आणि डेटा सेंटर्स बांधण्यासाठी जागा आहे. त्यांच्याकडे मोठ्या प्रमाणात युजर बेस देखील आहे, ज्यावर ते त्यांच्या मॉडेल्सची चाचणी करू शकतात. यामुळे एक फीडबॅक लूप तयार होतो, जिथे मोठ्या कंपन्यांना अधिक डेटा मिळतो, ज्यामुळे त्यांची मॉडेल्स अधिक चांगली होतात आणि अधिक युजर्स आकर्षित होतात.

लोक अनेकदा AI ला एक स्वतंत्र उत्पादन समजतात. त्याऐवजी, ते एक प्लॅटफॉर्म आहे हे समजणे अधिक अचूक ठरेल. ज्याप्रमाणे इंटरनेटला लष्करी प्रकल्पातून जागतिक युटिलिटी बनण्यासाठी [external-link] इंटरनेटचा इतिहास आवश्यक होता, त्याचप्रमाणे AI आता रिसर्च लॅब्समधून व्यवसायांच्या मुख्य प्रवाहात येत आहे. हे संक्रमण मागील चक्रांपेक्षा वेगाने होत आहे कारण वितरण नेटवर्क आधीच अस्तित्वात आहे. आपल्याला युजर्सपर्यंत पोहोचण्यासाठी नवीन केबल्स टाकण्याची गरज नाही. आपल्याला फक्त सर्व्हर अपग्रेड करायचे आहेत. हा वेग सध्याच्या क्षणाला वेगळे बनवतो, जरी आर्थिक पॅटर्न परिचित असले तरीही. सत्तेचे केंद्रीकरण हे या टप्प्याचे वैशिष्ट्य आहे, त्रुटी नाही. इतिहास सुचवतो की एकदा पायाभूत सुविधा तयार झाल्या की, लक्ष सिस्टम तयार करण्याकडून त्यातून मूल्य मिळवण्याकडे वळते. आपण आता त्या वळणावर आहोत.

अमेरिकन भांडवलाचा फायदा

AI चा जागतिक प्रभाव थेट कोणाकडे पैसे आहेत यावर अवलंबून आहे. सध्या, हे प्रामुख्याने अमेरिकेकडे आहे. अमेरिकन भांडवली बाजाराची खोली अशा जोखमीला परवानगी देते जी इतर प्रदेशांना पेलणे कठीण आहे. यामुळे प्लॅटफॉर्म पॉवरमध्ये मोठी दरी निर्माण होते. जेव्हा काही कंपन्या क्लाउडवर नियंत्रण ठेवतात, तेव्हा ते प्रभावीपणे इतरांसाठी खेळाचे नियम ठरवतात. याचे राष्ट्रीय सार्वभौमत्व आणि जागतिक स्पर्धेवर गंभीर परिणाम होतात. ज्या देशांकडे स्वतःची मोठ्या प्रमाणावर कॉम्प्युट इन्फ्रास्ट्रक्चर नाही, त्यांना ते अमेरिकन प्रोव्हायडर्सकडून भाड्याने घ्यावे लागते. हे एका नवीन प्रकारच्या अवलंबनावर आधारित आहे. हे आता फक्त सॉफ्टवेअर लायसन्सबद्दल नाही. हे आधुनिक अर्थव्यवस्था चालवण्यासाठी आवश्यक असलेल्या प्रोसेसिंग पॉवरच्या उपलब्धतेबद्दल आहे. सत्तेचे हे केंद्रीकरण तंत्रज्ञानाच्या इतिहासात वारंवार दिसून येणारी थीम आहे.

ही सत्ता काही हातांमध्ये केंद्रित राहण्याची तीन मुख्य कारणे आहेत:

• लीडिंग मॉडेल प्रशिक्षित करण्याचा खर्च आता अब्जावधी डॉलर्सपर्यंत पोहोचला आहे.
• आवश्यक असलेले विशेष हार्डवेअर खूप कमी उत्पादकांद्वारे तयार केले जाते.
• डेटा सेंटर्ससाठी लागणारी प्रचंड ऊर्जा स्थिर आणि स्वस्त वीज ग्रीड असलेल्या प्रदेशांना पसंती देते.

ही वास्तविकता या कल्पनेच्या विरोधात आहे की AI एक महान समानता आणेल. जरी टूल्स व्यक्तींसाठी अधिक सुलभ होत असली, तरी मूळ नियंत्रण पूर्वीपेक्षा अधिक केंद्रित राहिले आहे. सरकारे आता या असंतुलनाची दखल घेत आहेत. ते [external-link] शर्मन अँटी-ट्रस्ट ॲक्ट सारख्या ऐतिहासिक उदाहरणांकडे पाहत आहेत की जुने कायदे नवीन मक्तेदारी हाताळू शकतात का. तथापि, औद्योगिक वेग सध्या धोरणांपेक्षा पुढे आहे. जेव्हा एखादे नियमन चर्चेत येते आणि मंजूर होते, तेव्हा तंत्रज्ञान अनेकदा दोन पिढ्या पुढे गेलेले असते. यामुळे एक कायमस्वरूपी दरी निर्माण होते जिथे कायदा नेहमीच बदललेल्या वास्तवावर प्रतिक्रिया देत असतो.

जेव्हा सॉफ्टवेअर कायद्यापेक्षा वेगाने चालते

या वेगाचा प्रत्यक्ष परिणाम व्यवसायांना कसे जुळवून घ्यावे लागते यात दिसून येतो. शिकागोमधील एका लहान मार्केटिंग फर्मच्या एका दिवसाचा विचार करा. पाच वर्षांपूर्वी, त्यांनी कॉपी लिहिण्यासाठी ज्युनियर लेखक आणि ट्रेंड शोधण्यासाठी संशोधक कामावर ठेवले होते. आज, मालक त्या कामाचा सत्तर टक्के भाग हाताळण्यासाठी AI प्लॅटफॉर्मच्या एका सबस्क्रिप्शनचा वापर करतो. सकाळची सुरुवात जागतिक बाजारपेठेतील बदलांच्या AI-जनरेटेड सारांशाने होते. दुपारपर्यंत, सिस्टमने त्या बदलांवर आधारित तीस वेगवेगळ्या जाहिरातींचे प्रकार तयार केलेले असतात. मानवी कर्मचारी आता निर्मात्यांऐवजी संपादक आणि रणनीतीकार म्हणून काम करतात. हा बदल कायदा ते औषध अशा प्रत्येक क्षेत्रात घडत आहे. यामुळे कार्यक्षमता वाढते, पण प्लॅटफॉर्म प्रोव्हायडरवर मोठी अवलंबित्व निर्माण होते. जर प्रोव्हायडरने त्यांची किंमत किंवा अटी बदलल्या, तर मार्केटिंग फर्मकडे पालन करण्याशिवाय पर्याय नसतो. त्यांनी हे टूल त्यांच्या वर्कफ्लोमध्ये इतके खोलवर समाकलित केले आहे की ते सहजपणे मॅन्युअल कामावर परत जाऊ शकत नाहीत.

हे दृश्य दर्शवते की धोरण का मागे पडत आहे. नियामक अजूनही डेटा प्रायव्हसी आणि कॉपीराइटबद्दल चिंतेत आहेत, तर उद्योग आधीच स्वायत्त एजंट्सकडे वाटचाल करत आहे जे आर्थिक निर्णय घेऊ शकतात. AI विकासाचा औद्योगिक वेग मार्केट शेअरच्या शर्यतीमुळे चालला आहे. कंपन्या आता गोष्टी तोडण्यास आणि नंतर दुरुस्त करण्यास तयार आहेत कारण इन्फ्रास्ट्रक्चरच्या शर्यतीत दुसरे असणे हे अनेकदा शेवटचे असण्यासारखेच असते. आपण हे ब्राउझर वॉर्स आणि सोशल मीडियाच्या उदयामध्ये पाहिले आहे. विजेते तेच आहेत जे डीफॉल्ट स्टँडर्ड बनण्याइतपत वेगाने हालचाल करतात. एकदा तुम्ही स्टँडर्ड बनलात की, तुम्हाला बदलणे खूप कठीण होते. यामुळे अशी परिस्थिती निर्माण होते जिथे सार्वजनिक हित हे स्केल मिळवण्याच्या धडपडीत दुय्यम ठरते. विरोधाभास असा आहे की आपल्याला तंत्रज्ञानाचे फायदे हवे आहेत, पण काही कॉर्पोरेशनला मिळणाऱ्या सत्तेबद्दल आपण सावध आहोत.

[internal-link] लेटेस्ट AI इंडस्ट्री ॲनालिसिस वरील ताज्या विश्लेषणानुसार, आपण सखोल एकत्रीकरणाच्या टप्प्यात प्रवेश करत आहोत. येथे तंत्रज्ञान ही एक नवीन गोष्ट न राहता एक गरज बनते. व्यवसायासाठी, AI न वापरणे हे लवकरच २०१० मध्ये इंटरनेट न वापरण्यासारखे असेल. हे शक्य असू शकते, पण ते अत्यंत अकार्यक्षम असेल. ही स्वीकारण्याची दडपणच जलद वाढीला चालना देते, जरी दीर्घकालीन परिणाम अस्पष्ट असले तरी. आपण २००० च्या दशकाच्या सुरुवातीच्या काळाची पुनरावृत्ती पाहत आहोत जेव्हा कंपन्या सुरक्षा किंवा प्रायव्हसी धोके पूर्णपणे न समजता ऑनलाइन जाण्यासाठी धावल्या होत्या. आजचा फरक असा आहे की स्केल खूप मोठे आहे आणि धोके जास्त आहेत. आपण आता जी सिस्टम तयार करत आहोत ती कदाचित पुढील काही दशकांसाठी आपण कसे काम करतो आणि संवाद साधतो हे नियंत्रित करेल.

कॉम्प्युट युगासाठी कठीण प्रश्न

आपण सध्याच्या बूमकडे सॉक्रेटिक संशयाने पाहिले पाहिजे. या जलद विस्ताराची छुपी किंमत काय आहे? सर्वात स्पष्ट म्हणजे पर्यावरणीय परिणाम. [external-link] डेटा सेंटर्स आणि डेटा ट्रान्समिशन नेटवर्क्सवरील इंटरनॅशनल एनर्जी एजन्सीचा अहवाल हे हायलाइट करतो की या सिस्टम किती ऊर्जा वापरतात. जसे आपण अधिक डेटा सेंटर्स बांधतो, तसे आपण जुन्या होत चाललेल्या पॉवर ग्रीड्सवर अधिक ताण देतो. त्या पायाभूत सुविधांसाठी पैसे कोण देतो? अब्जावधी कमावणाऱ्या कंपन्या की ग्रीड शेअर करणारे करदाते? डेटा लेबरचाही प्रश्न आहे. ही मॉडेल्स मानवी आउटपुटवर प्रशिक्षित केली जातात, अनेकदा संमती किंवा भरपाईशिवाय. काही कंपन्यांनी सार्वजनिक डेटाचे मूल्य खाजगी करणे योग्य आहे का? आपण विचारले पाहिजे की या कार्यक्षमतेचा खरा फायदा कोणाला होतो? जर एखादे काम जे दहा तास घेत होते ते आता दहा मिनिटांत होत असेल, तर कामगाराला अधिक मोकळा वेळ मिळतो की त्यांना दहापट जास्त काम मिळते?

प्रायव्हसी हे आणखी एक क्षेत्र आहे जिथे खर्च अनेकदा लपलेला असतो. AI ला अधिक उपयुक्त बनवण्यासाठी, आपण त्याला आपल्या वैयक्तिक आणि व्यावसायिक जीवनात अधिक प्रवेश देतो. आपण सोयीसाठी आपला डेटा व्यापार करत आहोत. इतिहास सांगतो की एकदा प्रायव्हसी दिली की, ती परत मिळवणे जवळजवळ अशक्य आहे. आपण हे जाहिरात-आधारित इंटरनेटच्या उदयामध्ये पाहिले आहे. माहिती शोधण्याचा मार्ग म्हणून जे सुरू झाले, त्याचे रूपांतर जागतिक पाळत ठेवणाऱ्या सिस्टममध्ये झाले. AI मध्ये हे आणखी पुढे नेण्याची क्षमता आहे. जर AI ला माहित असेल की तुम्ही कसा विचार करता आणि कसे काम करता, तर ते तुमच्या निर्णयांवर अशा प्रकारे प्रभाव टाकू शकते जे शोधणे कठीण आहे. हे फक्त तांत्रिक प्रश्न नाहीत. हे सामाजिक आणि नैतिक पेच आहेत ज्यांना फक्त सॉफ्टवेअर पॅचपेक्षा जास्त काहीतरी आवश्यक आहे. प्रगतीचा वेग वैयक्तिक स्वायत्ततेच्या नुकसानापेक्षा जास्त महत्त्वाचा आहे का, हे आपल्याला ठरवावे लागेल. या प्रश्नांची उत्तरे ठरवतील की AI बूम परिपक्व टप्प्यावर पोहोचल्यावर आपण कोणत्या प्रकारच्या समाजात राहतो.

मॉडेल लेयरची यंत्रणा

जे तांत्रिक बाजू पाहत आहेत, त्यांच्यासाठी लक्ष मॉडेलच्या आकाराकडून वर्कफ्लो एकत्रीकरणाकडे वळत आहे. आपण मोठ्या, सामान्य-उद्देशीय मॉडेल्सपासून लहान, विशेष मॉडेल्सकडे जात आहोत जे स्थानिक हार्डवेअरवर चालू शकतात. क्लाउड-आधारित API च्या उच्च खर्च आणि लेटन्सीला हा एक प्रतिसाद आहे. पॉवर युजर्स मुख्य प्रोव्हायडर्सनी लादलेल्या मर्यादांना बायपास करण्याचे मार्ग शोधत आहेत. यामध्ये API रेट लिमिट्स व्यवस्थापित करणे आणि प्रायव्हसी आणि वेग सुनिश्चित करण्यासाठी डेटा स्थानिक पातळीवर साठवण्याचे मार्ग शोधणे समाविष्ट आहे. विद्यमान टूल्समध्ये AI चे एकत्रीकरण हेच खरे काम आहे. हे बॉटशी चॅट करण्याबद्दल नाही. हे अशा मॉडेलबद्दल आहे जे तुमच्या स्थानिक फाइल्स वाचू शकते, तुमची विशिष्ट कोडिंग स्टाईल समजू शकते आणि रिअल टाइममध्ये बदल सुचवू शकते. यासाठी सार्वजनिक वेब टूल्ससाठी वापरल्या जाणाऱ्या आर्किटेक्चरपेक्षा वेगळ्या प्रकारच्या आर्किटेक्चरची आवश्यकता आहे.

पुढील काही वर्षांसाठी तांत्रिक आव्हानांमध्ये खालील गोष्टींचा समावेश आहे:

• अचूकता न गमावता ग्राहक-ग्रेड GPU वर चालण्यासाठी मॉडेल्स ऑप्टिमाइझ करणे.
• AI एजंट्समध्ये दीर्घकालीन मेमरी हाताळण्याचे चांगले मार्ग विकसित करणे जेणेकरून ते आठवडे किंवा महिन्यांपर्यंत संदर्भ लक्षात ठेवू शकतील.
• वेगवेगळ्या AI सिस्टम्स एकमेकांशी संवाद साधण्यासाठी प्रमाणित प्रोटोकॉल तयार करणे.

आपण संवेदनशील डेटावर नियंत्रण ठेवण्यासाठी *लोकल इन्फरन्स* मध्ये वाढ पाहत आहोत. स्थानिक मशीनवर मॉडेल्स चालवून, युजर खात्री करू शकतो की त्यांची मालकीची माहिती कधीही त्यांच्या इमारतीबाहेर जाणार नाही. कायदा आणि वित्त यांसारख्या उद्योगांसाठी हे विशेषतः महत्त्वाचे आहे जिथे डेटा सुरक्षा सर्वोपरि आहे. तथापि, स्थानिक हार्डवेअर अजूनही क्लाउड जायंट्सच्या मालकीच्या मोठ्या क्लस्टर्सच्या मागे आहे. यामुळे दोन-स्तरीय सिस्टम तयार होते. सर्वात शक्तिशाली मॉडेल्स क्लाउडमध्ये राहतील, तर अधिक कार्यक्षम, कमी सक्षम आवृत्त्या स्थानिक पातळीवर चालतील. या दोन जगांचा समतोल राखणे हे डेव्हलपर्ससाठी पुढील मोठे आव्हान आहे. त्यांना ठरवावे लागेल की क्लाउडची कच्ची शक्ती कधी वापरायची आणि स्थानिक कॉम्प्युटची प्रायव्हसी आणि वेग कधी प्राधान्य द्यायचे. हा तांत्रिक ताण येणाऱ्या काळात अनेक नाविन्यपूर्ण गोष्टींना चालना देईल.

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

स्केलची अपूर्ण कथा

तंत्रज्ञानाचा इतिहास हा एकत्रीकरणाचा इतिहास आहे. रेल्वेपासून इंटरनेटपर्यंत, आपण स्फोटानंतर नियंत्रणाचा पॅटर्न पाहतो. AI सध्या या चक्राच्या मध्यभागी आहे. अमेरिकन कोन प्रभावी आहे कारण वाढीच्या या टप्प्यासाठी आवश्यक संसाधने तिथे केंद्रित आहेत. तथापि, कथा संपलेली नाही. जसे तंत्रज्ञान परिपक्व होईल, तसे आपण या प्लॅटफॉर्म पॉवरला नवीन आव्हाने पाहू. हे नियमन, नवीन तांत्रिक शोध किंवा आपण आपल्या डेटाचे मूल्य कसे ठरवतो यातील बदलातून येईल का, हे पाहणे बाकी आहे. खरा प्रश्न असा आहे की आपण या नवीन पायाभूत सुविधांच्या फायद्यांचा आनंद घेऊ शकतो का, न स्पर्धा आणि प्रायव्हसी गमावता, ज्यामुळे निरोगी अर्थव्यवस्था शक्य होते. आपण पुढच्या शतकाचा पाया रचत आहोत. ज्याच्या हातात त्याच्या चाव्या आहेत, त्याबद्दल आपण खूप सावध असले पाहिजे.

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.