नवीन AI पॉवर सेंटर्स: मॉडेल्स, चिप्स, क्लाउड आणि डेटा

व्हर्च्युअल युगाचा अंत

आर्टिफिशियल इंटेलिजन्स हे केवळ सॉफ्टवेअरपुरते मर्यादित राहिल्याचे युग आता संपले आहे. अनेक वर्षांपासून, टेक जगताचे लक्ष अल्गोरिदमची सुसूत्रता आणि चॅट इंटरफेसच्या नाविन्यावर होते. आता हे लक्ष भौतिक संसाधनांच्या कठोर वास्तवाकडे वळले आहे. आपण आता कोड लिहिणाऱ्यांकडून वीज, पाणी आणि जमिनीवर नियंत्रण ठेवणाऱ्यांकडे प्रभावाचे मोठे हस्तांतरण पाहत आहोत. अधिक स्मार्ट मॉडेल तयार करण्याची क्षमता आता केवळ संशोधकांच्या प्रतिभेवर अवलंबून नाही. ती हजारो एकर जमीन आणि हाय व्होल्टेज पॉवर ग्रिडशी थेट जोडणी मिळवण्याच्या क्षमतेवर अवलंबून आहे. हे औद्योगिक युगाकडे परतणे आहे, जिथे सर्वात मोठे खेळाडू ते आहेत ज्यांच्याकडे सर्वात जड इन्फ्रास्ट्रक्चर आहे. आता अडथळा मानवी सर्जनशीलता नाही, तर सबस्टेशनमधील ट्रान्सफॉर्मरची क्षमता किंवा कूलिंग सिस्टमचा फ्लो रेट आहे. जर तुम्हाला वीज मिळाली नाही, तर तुम्ही कॉम्प्युट (compute) चालवू शकत नाही. जर तुम्ही कॉम्प्युट चालवू शकला नाहीत, तर तुमचे सॉफ्टवेअर अस्तित्वातच नाही. हे भौतिक वास्तव तंत्रज्ञान कंपन्या आणि राष्ट्रांच्या जागतिक उतरंडीला पुन्हा आकार देत आहे. जे लोक भौतिक पदार्थांना मोठ्या प्रमाणावर डिजिटल बुद्धिमत्तेत रूपांतरित करू शकतात, तेच विजेते आहेत.

बुद्धिमत्तेचा भौतिक साठा (Physical Stack)

आधुनिक AI साठी लागणारे इन्फ्रास्ट्रक्चर हे सर्व्हर्सच्या साध्या संग्रहापेक्षा कितीतरी अधिक जटिल आहे. याची सुरुवात पॉवर ग्रिडपासून होते. डेटा सेंटर्सना चालवण्यासाठी आता शेकडो मेगावॅट विजेची गरज असते. ही मागणी टेक कंपन्यांना थेट युटिलिटी प्रोव्हाइडर्सशी वाटाघाटी करण्यास आणि स्वतःच्या ऊर्जा निर्मितीत गुंतवणूक करण्यास भाग पाडत आहे. योग्य झोनिंग आणि फायबर ऑप्टिक ट्रंक्सच्या जवळ असलेली भौतिक जमीन आता सॉफ्टवेअरपेक्षाही अधिक मौल्यवान झाली आहे. पाणी हे पुढचे महत्त्वाचे संसाधन आहे. चिप्सचे हे प्रचंड क्लस्टर्स प्रचंड उष्णता निर्माण करतात. पारंपारिक एअर कूलिंग अनेकदा नवीन हार्डवेअरसाठी अपुरे पडते. कंपन्या आता लिक्विड कूलिंग सिस्टमकडे वळत आहेत, ज्यासाठी प्रोसेसर वितळण्यापासून वाचवण्यासाठी दररोज लाखो गॅलन पाण्याची गरज असते. सुविधेच्या पलीकडे, हार्डवेअरसाठी सप्लाय चेन अत्यंत केंद्रित आहे. हे केवळ चिप्सच्या डिझाइनबद्दल नाही. हे CoWoS सारख्या प्रगत पॅकेजिंग तंत्रांबद्दल आहे जे अनेक चिप्सना एकत्र जोडण्याची परवानगी देतात. हे हाय बँडविड्थ मेमरीबद्दल आहे जे ट्रेनिंगसाठी आवश्यक डेटा स्पीड प्रदान करते. या घटकांचे उत्पादन जागतिक स्तरावर काही मोजक्या सुविधांमध्ये होते. ही एकाग्रता एक ठिसूळ प्रणाली तयार करते जिथे एक छोटासा व्यत्यय संपूर्ण उद्योगाची प्रगती थांबवू शकतो. हे अडथळे अमूर्त नाहीत. आपण किती बुद्धिमत्ता निर्माण करू शकतो यावरच्या त्या मूर्त मर्यादा आहेत.

• ग्रिड कनेक्शन क्षमता आणि युटिलिटी अपग्रेडसाठी लागणारा वेळ.
• मोठ्या प्रमाणावरील औद्योगिक कूलिंग आणि पाण्याच्या वापरासाठी परवानगी प्रक्रिया.
• आवाज आणि ऊर्जेच्या किमतींबद्दल चिंतित असलेल्या समुदायांकडून स्थानिक विरोध.
• हाय व्होल्टेज ट्रान्सफॉर्मरसारख्या विशेष इलेक्ट्रिकल घटकांची उपलब्धता.
• प्रगत लिथोग्राफी आणि पॅकेजिंग उपकरणांवर निर्यात नियंत्रणे.

पॉवर ग्रिडचे भू-राजकारण

AI शक्तीचे वितरण आता राष्ट्रीय सुरक्षेचा विषय बनत आहे. सरकारांना हे उमजले आहे की माहितीवर प्रक्रिया करण्याची क्षमता ही तेल किंवा पोलाद उत्पादनाइतकीच महत्त्वाची आहे. यामुळे सर्वात प्रगत चिप्स आणि त्या बनवण्यासाठी लागणारी यंत्रसामग्री प्रतिस्पर्ध्यांना मिळण्यापासून रोखण्यासाठी निर्यात नियंत्रणांमध्ये वाढ झाली आहे. तथापि, लक्ष आता चिप्सकडून विजेकडे वळत आहे. ज्या राष्ट्रांकडे स्थिर, स्वस्त आणि मुबलक ऊर्जा आहे, ती आता कॉम्प्युटची नवीन केंद्रे बनत आहेत. म्हणूनच आपण कमी वापरलेल्या ग्रिड्स किंवा मोठ्या अक्षय ऊर्जा क्षमता असलेल्या प्रदेशांमध्ये मोठ्या गुंतवणुकी पाहत आहोत. पूर्व आशियातील उत्पादनाची एकाग्रता अजूनही तणावाचे एक महत्त्वाचे केंद्र आहे. TSMC सारखी एक कंपनी प्रगत चिप उत्पादनाचा मोठा हिस्सा हाताळते. जर ते उत्पादन खंडित झाले, तर जागतिक AI क्षमता रातोरात नाहीशी होईल. यामुळे अमेरिका आणि युरोपमध्ये स्थानिक उत्पादनाला सबसिडी देण्याचे वेडे प्रयत्न सुरू झाले आहेत. पण फॅक्टरी बांधणे हा सोपा भाग आहे. या प्लांटला चालवण्यासाठी लागणारे विशेष मनुष्यबळ आणि प्रचंड वीज मिळवणे हे दशकांपासूनचे आव्हान आहे. जागतिक सत्तेचा समतोल आता इलेक्ट्रिकल ग्रिडची स्थिरता आणि मेमरी मॉड्यूल्स व नेटवर्किंग हार्डवेअर वाहून नेणाऱ्या सागरी मार्गांच्या सुरक्षिततेशी जोडलेला आहे. हा उच्च दावांचा खेळ आहे जिथे प्रवेशाची किंमत अब्जावधी डॉलर्समध्ये मोजली जाते. तुम्ही इंटरनॅशनल एनर्जी एजन्सीच्या अलीकडील अहवालांमध्ये जागतिक वीज ट्रेंड्सवरील अधिक तपशीलवार डेटा शोधू शकता.

जेव्हा सर्व्हर्स शेजारच्या संपर्कात येतात

या इन्फ्रास्ट्रक्चर बूमचा परिणाम स्थानिक पातळीवर सर्वाधिक जाणवतो. मध्यम आकाराच्या शहरातील एका शहर अधिकाऱ्याचा विचार करा. एक मोठी टेक कंपनी डेटा सेंटरच्या प्रस्तावासह येते. कागदावर, हे टॅक्स बेससाठी फायदेशीर दिसते. प्रत्यक्षात, हे शहराच्या भविष्याबद्दलची एक जटिल वाटाघाटी आहे. अधिकाऱ्याला हे शोधावे लागते की स्थानिक ग्रिड रहिवाशांसाठी ब्लॅकआउट न करता अचानक २०० मेगावॅटचा भार सहन करू शकते का. त्यांना २४ तास चालणाऱ्या हजारो कूलिंग फॅन्सच्या आवाजाच्या तुलनेत टॅक्स महसुलाचे फायदे मोजावे लागतात. या साइट्सपैकी एका जवळ राहणाऱ्या रहिवाशासाठी, दैनंदिन अनुभव बदलतो. शहराची शांत उपनगरे औद्योगिक क्षेत्र बनतात. सुविधा कूलिंग टॉवर्ससाठी लाखो गॅलन पाणी खेचत असल्याने स्थानिक पाण्याची पातळी खाली जाऊ शकते. येथेच AI ची अमूर्त कल्पना स्थानिक विरोधाच्या वास्तवाशी मिळते. नॉर्दर्न व्हर्जिनिया किंवा आयर्लंडच्या काही भागांसारख्या ठिकाणी, समुदाय विरोध करत आहेत. ते विचारत आहेत की जागतिक टेक जायंटच्या ऑपरेशन्सना सबसिडी देण्यासाठी त्यांच्या विजेचे दर का वाढत आहेत. ते या प्रचंड काँक्रीट ब्लॉक्सच्या पर्यावरणीय परिणामांवर प्रश्नचिन्ह उपस्थित करत आहेत. नवीन ॲप्लिकेशन तयार करण्याचा प्रयत्न करणाऱ्या स्टार्टअपसाठी, आव्हान वेगळे आहे. त्यांच्याकडे स्वतःचे पॉवर प्लांट बांधण्यासाठी भांडवल नाही. ते कॉम्प्युटचा ॲक्सेस नियंत्रित करणाऱ्या मोठ्या क्लाउड प्रोव्हाइडर्सच्या दयेवर आहेत. जर क्लाउड प्रोव्हाइडरची क्षमता संपली किंवा ऊर्जेच्या खर्चामुळे त्यांनी किमती वाढवल्या, तर स्टार्टअप व्यवसायातून बाहेर पडतो. हे एक टियर सिस्टिम तयार करते जिथे फक्त सर्वात श्रीमंत कंपन्याच नाविन्य आणू शकतात. मार्केटमधील उत्पादनाची दृश्यमानता ही टिकाऊ लेव्हरेजसारखी नसते. खरी लेव्हरेज सॉफ्टवेअर ज्या भौतिक मालमत्तेवर अवलंबून असते, ती मालकीची असण्यापासून येते. टेक कंपन्यांचा हा न्यूक्लियर पॉवरकडे कल हे स्पष्ट लक्षण आहे की ते स्थिर ऊर्जेसाठी किती हताश आहेत.

स्केलची छुपी किंमत

या वाढीच्या दीर्घकालीन टिकाऊपणाबद्दल आपण कठीण प्रश्न विचारले पाहिजेत. AI इन्फ्रास्ट्रक्चरच्या छुप्या किमती प्रत्यक्षात कोण भरते? जेव्हा एखादे डेटा सेंटर दुष्काळात शहराच्या पाणीपुरवठ्याचा मोठा हिस्सा वापरते, तेव्हा किंमत केवळ आर्थिक नसते. ही एक सामाजिक किंमत आहे जी समुदायाला सोसावी लागते. या कंपन्यांना दिलेली टॅक्स सवलत सार्वजनिक संसाधनांवरील ताणापेक्षा जास्त मौल्यवान आहे का? आपल्याला वापरकर्त्याचे नाते आणि कॉम्प्युट नियंत्रित करणाऱ्या काही कंपन्यांच्या हातात सत्तेची एकाग्रता देखील विचारात घेणे आवश्यक आहे. जर तीन किंवा चार कंपन्यांकडे जगातील बहुतांश AI क्षमता असेल, तर त्याचा स्पर्धेसाठी काय अर्थ होतो? जेव्हा भांडवलाची आवश्यकता इतकी जास्त असते, तेव्हा नवीन खेळाडूचे उदय होणे शक्य आहे का? आपण एक अशी प्रणाली तयार करत आहोत जी अविश्वसनीयपणे कार्यक्षम आहे पण तितकीच ठिसूळ देखील आहे. एका विशेष ट्रान्सफॉर्मर फॅक्टरीमधील एक बिघाड किंवा मुख्य कूलिंग हबमधील दुष्काळ संपूर्ण इकोसिस्टममध्ये अपयशांची साखळी सुरू करू शकतो. जर भौतिक इन्फ्रास्ट्रक्चर निकामी झाले, तर ज्या निर्मात्यांनी आणि कंपन्यांनी त्यांचे संपूर्ण वर्कफ्लो या मॉडेल्सवर आधारित बनवले आहे, त्यांचे काय होईल? आपण पर्यावरणीय परिणामांकडेही पाहिले पाहिजे. कंपन्या कार्बन न्यूट्रल असल्याचा दावा करत असताना, आवश्यक असलेल्या ऊर्जेचे प्रचंड प्रमाण अनेकांना जुन्या, घाणेरड्या पॉवर प्लांट्सना नियोजित वेळेपेक्षा जास्त काळ चालू ठेवण्यास भाग पाडत आहे. थोड्या चांगल्या चॅटबॉटचा फायदा आपल्या स्वच्छ ऊर्जेकडे जाण्याच्या संक्रमणातील विलंबापेक्षा जास्त आहे का? हे केवळ तांत्रिक प्रश्न नाहीत. हे नैतिक आणि राजकीय प्रश्न आहेत जे पुढील दशकातील तांत्रिक विकासाची व्याख्या करतील. आमचे सध्याचे AI इन्फ्रास्ट्रक्चर विश्लेषण दर्शवते की भौतिक ॲक्सेसच्या आधारावर श्रीमंत आणि गरीब यांच्यातील दरी वाढत 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.

हाय परफॉर्मन्सच्या पडद्यामागे

ज्यांना या नवीन युगाच्या तांत्रिक मर्यादा समजून घेणे आवश्यक आहे, त्यांनी मॉडेल पॅरामीटर्सच्या पलीकडे पाहणे आवश्यक आहे. खरे अडथळे आता नेटवर्किंग आणि मेमरीमध्ये आहेत. मोठ्या प्रमाणावरील मॉडेलला प्रशिक्षित करण्यासाठी हजारो GPU ची परिपूर्ण समन्वयाने काम करण्याची आवश्यकता असते. हे केवळ InfiniBand किंवा विशेष इथरनेट कॉन्फिगरेशनसारख्या हाय स्पीड नेटवर्किंग तंत्रज्ञानाद्वारे शक्य आहे. या चिप्समधील लॅटन्सी (latency) म्हणजे आठवड्यात प्रशिक्षित होणारे मॉडेल आणि महिने लागणारे मॉडेल यातील फरक असू शकतो. त्यानंतर मेमरीचा प्रश्न येतो. हाय बँडविड्थ मेमरी (HBM) ची कमतरता आहे कारण तिची उत्पादन प्रक्रिया मानक DRAM पेक्षा लक्षणीयरीत्या कठीण आहे. हे लॉजिक वेफर्स उपलब्ध असले तरीही तयार केल्या जाऊ शकणाऱ्या हाय-एंड चिप्सची संख्या मर्यादित करते. सॉफ्टवेअरच्या बाजूने, डेव्हलपर्स APIs काय प्रदान करू शकतात याच्या मर्यादेपर्यंत पोहोचत आहेत. रेट लिमिट्स आता केवळ गैरवापर रोखण्याबद्दल नाहीत. ते अंतर्निहित हार्डवेअरच्या भौतिक क्षमतेचे प्रतिबिंब आहेत. पॉवर युजर्ससाठी, स्थानिक स्टोरेज आणि स्थानिक अंमलबजावणीकडे (local execution) जाणे हा या मर्यादांना दिलेला प्रतिसाद आहे. जर तुम्ही तुमच्या स्वतःच्या हार्डवेअरवर लहान, ऑप्टिमाइझ केलेले मॉडेल चालवू शकलात, तर तुम्ही डेटा सेंटरमधील रांग टाळता. तथापि, स्थानिक हार्डवेअरच्या थर्मल मॅनेजमेंट आणि पॉवर ड्रॉच्या बाबतीत स्वतःच्या मर्यादा आहेत. या मॉडेल्सचे विद्यमान वर्कफ्लोमध्ये एकत्रीकरण देखील प्रमाणित इंटरफेसच्या अभावामुळे बाधित होत आहे. प्रत्येक प्रोव्हायडरकडे स्वतःची प्रोप्रायटरी स्टॅक आहे, ज्यामुळे एखाद्या प्रोव्हायडरला भौतिक आउटेजचा सामना करावा लागल्यास स्विच करणे कठीण होते. उत्पादनाची एकाग्रता प्रगत पॅकेजिंग मार्केटमध्ये देखील दिसून येते. TSMC चे चिप पॅकेजिंगमधील प्रगती हे एकमेव कारण आहे की आपण पारंपारिक सिलिकॉनच्या मर्यादेपर्यंत पोहोचत असताना कामगिरी वाढवणे सुरू ठेवू शकतो. हे उद्योगाचे गीक वास्तव आहे.

• मल्टी-नोड ट्रेनिंग क्लस्टर्ससाठी InfiniBand आणि NVLink थ्रूपुट मर्यादा.
• HBM3e पुरवठा मर्यादा आणि एकूण GPU उत्पादन व्हॉल्यूमवर त्याचा परिणाम.
• प्रादेशिक पॉवर ग्रिड चढउतारामुळे होणारे API लॅटन्सी स्पाइक्स.
• फाइन ट्यूनिंगमध्ये डेटा इनजेशनसाठी अडथळा म्हणून स्थानिक NVMe स्टोरेज स्पीड.
• जुन्या सुविधांमध्ये हाय-डेन्सिटी रॅक कॉन्फिगरेशनसाठी थर्मल थ्रॉटलिंग मर्यादा.

डेव्हलपर्ससाठी नवीन वास्तव

सॉफ्टवेअर-प्रथम ते हार्डवेअर-प्रथम जगाकडे होणारे संक्रमण पूर्ण झाले आहे. विकासाच्या पुढील टप्प्याचे नेतृत्व करणाऱ्या कंपन्या त्या आहेत ज्यांनी त्यांच्या सप्लाय चेन आणि ऊर्जा स्त्रोत सुरक्षित केले आहेत. उर्वरित उद्योगासाठी, भौतिक जगाने ठरवलेल्या मर्यादेत नाविन्य आणणे हे आव्हान आहे. याचा अर्थ कमी कॉम्प्युटची आवश्यकता असलेला अधिक कार्यक्षम कोड लिहिणे. याचा अर्थ कमी विशेष हार्डवेअरवर चालणारी लहान मॉडेल्स वापरण्याचे मार्ग शोधणे. अनंत, स्वस्त स्केलिंगचे दिवस मागे पडले आहेत. आपण अशा काळात प्रवेश करत आहोत जिथे ग्रिड कनेक्शनची उपलब्धता ही लिहिलेल्या कोडच्या ओळींच्या संख्येपेक्षा अधिक महत्त्वाची मेट्रिक आहे. या भौतिक पॉवर सेंटर्सना समजून घेणे हाच तंत्रज्ञान कुठे जात आहे हे समजून घेण्याचा एकमेव मार्ग आहे. भविष्य केवळ क्लाउडमध्ये नाही. ते जमिनीमध्ये, तारांमध्ये आणि त्या पाण्यामध्ये आहे जे क्लाउडला शक्य करते.

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.