लॅपटॉप कंपन्यांना अचानक सर्व काही AI का करायचे आहे?

टेक इंडस्ट्री नेहमीच सेंट्रलायझेशन आणि डिसेंट्रलायझेशनच्या चक्रात फिरत असते. गेल्या दशकात, क्लाउड हे विश्वाचे केंद्र होते. तुमच्या लॅपटॉपवरील प्रत्येक स्मार्ट फीचर दूरवरच्या सर्व्हरवर अवलंबून होते. पण आता हे वेगाने बदलत आहे. Intel, AMD आणि Apple सारख्या लॅपटॉप उत्पादक कंपन्या आता इंटेलिजन्स पुन्हा स्थानिक उपकरणांवर (local device) आणत आहेत. यासाठी ते प्रत्येक नवीन मशीनमध्ये ‘न्यूरल प्रोसेसिंग युनिट’ (NPU) नावाचे एक खास सिलिकॉन चिप बसवत आहेत. हा बदल केवळ स्पीडसाठी नाही, तर तो पॉवर एफिशियन्सी आणि प्रायव्हसीसाठी आहे. जेव्हा तुमचा कॉम्प्युटर इंटरनेटशी कनेक्ट न होता जटिल पॅटर्न प्रोसेस करू शकतो, तेव्हा तो अधिक सक्षम होतो आणि सबस्क्रिप्शनवर कमी अवलंबून राहतो. इंडस्ट्री याला ‘AI PC’ युग म्हणते. मल्टी-कोर प्रोसेसरच्या आगमनानंतर लॅपटॉपच्या अंतर्गत आर्किटेक्चरमधील हा सर्वात मोठा बदल आहे. या बदलाचा उद्देश लॅपटॉपला एका पॅसिव्ह टूलमधून अशा ॲक्टिव्ह असिस्टंटमध्ये बदलणे आहे, जो बॅटरी न संपवता तुमच्या कामाचा संदर्भ समजू शकेल.

हे का घडत आहे हे समजून घेण्यासाठी तुम्हाला हार्डवेअरकडे पाहावे लागेल. सामान्य लॅपटॉपमध्ये जनरल कामांसाठी सेंट्रल प्रोसेसिंग युनिट (CPU) आणि व्हिज्युअल डेटासाठी ग्राफिक्स प्रोसेसिंग युनिट (GPU) असते. पण हे दोन्ही आर्टिफिशियल इंटेलिजन्ससाठी परफेक्ट नाहीत. आधुनिक मॉडेल्ससाठी लागणाऱ्या गणितांसाठी CPU खूप स्लो आहे, तर GPU खूप जास्त वीज वापरते. **न्यूरल प्रोसेसिंग युनिट (NPU)** हे मशीन लर्निंगसाठी लागणारी विशिष्ट गणिते हाताळण्यासाठी डिझाइन केलेले एक खास चिप आहे. हे खूप कमी पॉवर वापरून प्रति सेकंद ट्रिलियन्स ऑपरेशन्स करू शकते. यामुळे लॅपटॉप स्थानिक पातळीवरच एखादे मोठे लँग्वेज मॉडेल किंवा इमेज जनरेटर चालवू शकतो. या कामांचे ओझे NPU वर टाकल्यामुळे CPU आणि GPU मोकळे होतात. यामुळे तुम्ही स्मार्ट फीचर्स वापरताना लॅपटॉप गरम होत नाही. याचा अर्थ असा की, व्हिडिओ कॉलमध्ये डोळ्यांचा संपर्क सुधारण्यासारखे फीचर्स बॅटरीवर परिणाम न करता बॅकग्राउंडमध्ये सतत चालू शकतात. उत्पादकांना खात्री आहे की ही कार्यक्षमता वापरकर्त्यांना त्यांचे जुने हार्डवेअर अपग्रेड करण्यास प्रवृत्त करेल.

स्थानिक हार्डवेअरसाठीचा हा आग्रह क्लाउड कॉम्प्युटिंगच्या वाढत्या खर्चाला दिलेले उत्तरही आहे. जेव्हा तुम्ही क्लाउड-आधारित AI ला एखादा डॉक्युमेंट समराइज करायला सांगता, तेव्हा वीज आणि सर्व्हर मेंटेनन्सचा खर्च प्रोव्हाइडरला करावा लागतो. हे काम तुमच्या लॅपटॉपवर हलवून Microsoft आणि Google सारख्या कंपन्या इन्फ्रास्ट्रक्चरच्या खर्चात अब्जावधींची बचत करत आहेत. हा बदल AI कॉम्प्युटचे बिल सॉफ्टवेअर प्रोव्हाइडरकडून ग्राहकांकडे वळवतो. Intel आणि AMD सारख्या सिलिकॉन दिग्गजांसाठी ही एक हुशार खेळी आहे. त्यांना लोकांना दर तीन वर्षांनी कॉम्प्युटर विकत घेण्यासाठी एक नवीन कारण हवे आहे. AI PC हे कारण पुरवते, कारण ते अशी फीचर्स देते जी जुन्या मशीनवर नीट चालणार नाहीत. तुम्ही आमच्या सर्वसमावेशक AI हार्डवेअर गाइड्समध्ये या बदलांबद्दल अधिक माहिती मिळवू शकता, जे कन्झ्युमर सिलिकॉनच्या उत्क्रांतीचा मागोवा घेतात. हा फक्त हाय-एंड वर्कस्टेशन्सचा ट्रेंड नाही, तर जगभरात विकल्या जाणाऱ्या प्रत्येक कन्झ्युमर लॅपटॉपसाठी हा एक बेसलाइन बनत आहे.

या बदलाचा जागतिक प्रभाव डेटा सार्वभौमत्व (data sovereignty) आणि ऊर्जेवर केंद्रित आहे. सरकारे आणि मोठ्या कंपन्यांना त्यांचा डेटा कुठे जातो, याची चिंता वाटत आहे. जर जर्मनीतील एखादी बँक संवेदनशील आर्थिक रेकॉर्ड्स ॲनालाइज करण्यासाठी क्लाउड AI वापरत असेल, तर तो डेटा देशाबाहेर जाऊ शकतो. लोकल AI डेटा लॅपटॉपवरच ठेवून ही समस्या सोडवते. हे युरोपमधील GDPR आणि आशियातील तत्सम नियमांचे पालन करते. यामुळे इंटरनेटचा जागतिक ऊर्जा वापरही कमी होतो. माहिती हलवण्यासाठी आणि प्रोसेस करण्यासाठी डेटा सेंटर्स प्रचंड वीज वापरतात. जर कामाचा मोठा भाग आधीच डेस्कवर असलेल्या लाखो लॅपटॉपवर झाला, तर जागतिक ग्रीडवरील ताण कमी होईल. हा डिसेंट्रलाइज्ड दृष्टिकोन अधिक लवचिक आहे. हे खराब इंटरनेट कनेक्टिव्हिटी असलेल्या भागातील कर्मचाऱ्यांनाही प्रगत टूल्स वापरण्याची संधी देते, जी पूर्वी फक्त हाय-स्पीड फायबर ऑप्टिक्स असलेल्यांनाच उपलब्ध होती. कॉम्प्युट पॉवरचे हे लोकशाहीकरण आंतरराष्ट्रीय टेक मार्केटसाठी एक मुख्य चालक आहे.

एका सामान्य कामाच्या दिवशी, AI-नेटिव्ह लॅपटॉपचा प्रभाव सूक्ष्म पण सतत जाणवतो. कल्पना करा की तुम्ही तुमच्या सकाळच्या व्हिडिओ कॉन्फरन्सने सुरुवात करत आहात. पूर्वी, बॅकग्राउंड ब्लर करणे किंवा नॉइज काढणे यामुळे लॅपटॉपचे फॅन जोरात फिरू लागायचे. NPU मुळे, ही कामे शांतपणे होतात आणि बॅटरीचा वापरही नगण्य असतो. मीटिंग दरम्यान, एक लोकल मॉडेल संभाषणाचे ट्रान्सक्रिप्शन करते आणि रिअल-टाइममध्ये महत्त्वाचे मुद्दे ओळखते. तुम्हाला ऑडिओ सर्व्हरवर अपलोड करण्याची गरज नाही, ज्यामुळे खोलीत चर्चा केलेली कंपनीची गुपिते सुरक्षित राहतात. नंतर, तुम्हाला गेल्या वर्षीची एखादी विशिष्ट स्प्रेडशीट शोधायची आहे. फाईलचे नाव शोधण्याऐवजी, तुम्ही कॉम्प्युटरला विचारता की, ‘टोकियो ऑफिसच्या बजेटबद्दल चर्चा केलेली फाईल शोध.’ लॅपटॉप तुमच्या फाईल्सचा लोकल इंडेक्स स्कॅन करतो आणि ती लगेच शोधून काढतो. सर्च इंजिन आणि लोकल इंटेलिजन्स इंजिनमधील हाच फरक आहे. ते फक्त तुम्ही दिलेल्या लेबल्सपेक्षा तुमच्या कामातील आशय अधिक चांगल्या प्रकारे समजून घेते.

दुपारपर्यंत, तुम्हाला प्रेझेंटेशनसाठी एखादी इमेज तयार करण्याची गरज भासू शकते. वेबसाईटवर रांगेत वाट पाहण्याऐवजी, तुम्ही ‘स्टेबल डिफ्यूजन’ची (Stable Diffusion) स्थानिक आवृत्ती वापरता. NPU या कामासाठी ऑप्टिमाइझ केलेले असल्यामुळे इमेज काही सेकंदात तयार होते. तुम्हाला एखादा मोठा रिपोर्टही मिळू शकतो जो वाचायला तुमच्याकडे वेळ नाही. तुम्ही तो एका लोकल विंडोमध्ये ड्रॅग करता आणि लगेच तीन परिच्छेदांचा सारांश मिळवता. या वर्कफ्लोमध्ये कोणतीही नेटवर्क लॅटन्सी (latency) नसल्यामुळे ते अधिक जलद आहे. तुम्ही समुद्रापलीकडून सिग्नल येण्याची वाट पाहत नाही. कॉम्प्युटर अधिक रिस्पॉन्सिव्ह वाटतो कारण प्रोसेसिंग तुमच्या बोटांच्या अगदी जवळ होत आहे. AI PC ची हीच व्यावहारिक वास्तविकता आहे. हे एका मोठ्या फीचरबद्दल नाही जे सर्व काही बदलते. हे अशा शंभर छोट्या सुधारणांबद्दल आहे ज्यामुळे मशीन अधिक अंतर्ज्ञानी (intuitive) वाटते. तुमचा विचार आणि डिजिटल आउटपुट यातील अडथळा दूर करणे हेच मुख्य ध्येय आहे.

या दाव्यांचे मूल्यांकन करताना सॉक्रेटिक संशयवाद (Socratic skepticism) आवश्यक आहे. NPU हे खरोखर उपयुक्त साधन आहे की फक्त महागड्या किमतींचे समर्थन करण्याचा एक मार्ग, हे आपण विचारले पाहिजे. बहुतेक सध्याची AI फीचर्स ही सॉफ्टवेअर ट्रिक्स आहेत जी तांत्रिकदृष्ट्या जुन्या हार्डवेअरवरही चालू शकली असती, जरी ती थोडी स्लो चालली असती. इंडस्ट्री नवीन सिलिकॉनसाठी एक कृत्रिम गरज निर्माण करत आहे का? दीर्घायुष्याचाही प्रश्न आहे. AI मॉडेल्स दर महिन्याला आकार आणि जटिलतेमध्ये वाढत आहेत. आज विकत घेतलेल्या लॅपटॉपमध्ये प्रति सेकंद ४० ट्रिलियन ऑपरेशन्स करण्याची क्षमता असलेला NPU असू शकतो, पण तो भविष्यातील मॉडेल्ससाठी पुरेसा असेल का? आपण अशा युगात प्रवेश करत असू शकतो जिथे हार्डवेअर गेल्या दशकाच्या तुलनेत खूप वेगाने कालबाह्य होईल. जर तुमच्या ऑपरेटिंग सिस्टमचे मुख्य कार्य एका विशिष्ट चिपवर अवलंबून असेल, तर तुम्ही तुमचा कॉम्प्युटर दहा वर्षे वापरण्याची क्षमता गमावता. यामुळे मोठ्या प्रमाणात ई-कचरा (electronic waste) निर्माण होतो. आपल्याला प्रायव्हसीच्या ट्रेड-ऑफचाही विचार करावा लागेल. एक AI जे तुम्हाला मदत करण्यासाठी तुम्ही करत असलेल्या प्रत्येक गोष्टीचा इंडेक्स करते, ते तुमच्या संपूर्ण आयुष्याची एक परिपूर्ण नोंदही ठेवते. त्या इंडेक्सवर कोणाचे नियंत्रण आहे आणि काय तो सबपोना (subpoena) केला जाऊ शकतो?

या बदलाचा तांत्रिक स्तर असा आहे जिथे खऱ्या मर्यादा दिसतात. NPU उपयुक्त ठरण्यासाठी, सॉफ्टवेअर डेव्हलपर्सना त्यासाठी कोड लिहिणे आवश्यक आहे. यासाठी विंडोज डायरेक्टएमएल (Windows DirectML) किंवा इंटेल ओपनव्हायनो (Intel OpenVINO) सारख्या प्रमाणित API ची गरज असते. सध्या, इकोसिस्टम विखुरलेली आहे. ॲपल मॅकवर चालणारे फीचर AMD चिप असलेल्या विंडोज लॅपटॉपवर चालणार नाही. मेमरी बँडविड्थचाही मुद्दा आहे. AI मॉडेल्सना मेमरी आणि प्रोसेसर दरम्यान डेटा वेगाने हलवण्यासाठी मोठ्या प्रमाणात मेमरी लागते. बहुतेक सध्याच्या लॅपटॉपमध्ये येथेच अडथळा (bottleneck) आहे. जरी NPU वेगवान असला, तरी तो डेटा मिळवण्यासाठी RAM ची वाट पाहत राहू शकतो. म्हणूनच आपण युनिफाइड मेमरी आर्किटेक्चरकडे झुकत आहोत, जिथे CPU, GPU आणि NPU सर्व एकाच हाय-स्पीड डेटा पूलचा वापर करतात. यामुळे परफॉर्मन्स सुधारतो पण लॅपटॉप खरेदी केल्यानंतर अपग्रेड करणे अशक्य होते. तुम्ही नंतर जास्त RAM जोडू शकत नाही कारण जास्तीत जास्त वेगासाठी मेमरी थेट प्रोसेसरच्या शेजारी सोल्डर केलेली असते.

पॉवर युजर्सनी हायपला बळी पडण्यापूर्वी स्पेसिफिकेशन्स बारकाईने पाहावेत. इंडस्ट्री AI परफॉर्मन्स मोजण्यासाठी TOPS नावाचे मेट्रिक वापरते. मात्र, TOPS हा एक कच्चा आकडा आहे जो चिप INT8 किंवा FP16 प्रिसिजनसारख्या वेगवेगळ्या प्रकारचा डेटा कसा हाताळते, याचा हिशोब करत नाही. जर एखाद्या चिपचे आर्किटेक्चर विशिष्ट मॉडेल्ससाठी ऑप्टिमाइझ केलेले नसेल, तर हाय TOPS असलेली चिपही संघर्ष करू शकते. थर्मल लिमिट्सचाही विचार करणे आवश्यक आहे. पातळ आणि हलक्या लॅपटॉपमध्ये शक्तिशाली NPU असू शकतो, पण जर तो उष्णता बाहेर टाकू शकत नसेल, तर काही मिनिटांच्या भारी वापरानंतर सिस्टमचा वेग कमी (throttle) होईल. लोकल स्टोरेज हा आणखी एक घटक आहे. मोठी मॉडेल्स स्थानिक पातळीवर चालवण्यासाठी केवळ मॉडेल वेट्ससाठीच गिगाबाइट्स जागा लागते. जर तुम्ही लहान हार्ड ड्राइव्ह असलेला लॅपटॉप विकत घेतला, तर तुमची जागा लवकरच संपेल. मार्केटचा ‘गीक’ विभाग सध्या अशा अर्ली-ॲडॉप्टर हार्डवेअरचे स्मशान आहे ज्यांनी खूप काही देण्याचे आश्वासन दिले होते पण सॉफ्टवेअर सपोर्टचा अभाव होता. आम्ही अजूनही एका अशा युनिव्हर्सल स्टँडर्डची वाट पाहत आहोत जे AI सॉफ्टवेअरला सर्व हार्डवेअर ब्रँड्सवर खरोखर पोर्टेबल बनवेल.

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

थोडक्यात सांगायचे तर, AI PC हा एक वास्तविक आर्किटेक्चरल बदल आहे, पण तो सध्या बाल्यावस्थेत आहे. बहुतेक लोकांसाठी, आजचे फायदे हे चांगल्या व्हिडिओ कॉल्स आणि थोड्या जलद फोटो एडिटिंगपुरते मर्यादित आहेत. ऑपरेटिंग सिस्टम्स जेव्हा स्थानिक इन्फरन्स (local inference) युजर इंटरफेसच्या प्रत्येक कोपऱ्यात समाविष्ट करतील, तेव्हा पुढील दोन वर्षांत खरा फायदा दिसून येईल. फक्त NPU स्टिकर मिळवण्यासाठी चालू असलेला लॅपटॉप बदलण्याची घाई करू नका. मात्र, जेव्हा तुम्ही शेवटी अपग्रेड कराल, तेव्हा चांगल्या अनुभवासाठी डेडिकेटेड AI चिप असणे अनिवार्य असेल. इंडस्ट्री दैनंदिन कामांसाठी क्लाउडपासून दूर जात आहे. यामुळे लॅपटॉप अधिक खाजगी, अधिक कार्यक्षम आणि इंटरनेट कनेक्शनशिवाय जटिल कामे हाताळण्यास सक्षम होतील. हे पर्सनल कॉम्प्युटरला एक स्वयंपूर्ण पॉवरहाऊस मानण्याच्या कल्पनेकडे परत जाण्यासारखे आहे. मार्केटिंग कदाचित जोरात असेल, पण मूळ तंत्रज्ञान हे कॉम्प्युटिंगच्या पुढील दशकासाठी एक आवश्यक पाऊल आहे.

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.