2026-ல் AI: கடந்த ஓராண்டில் மாறியது என்ன? ஒரு டெக் பார்வை!

ஹைப் குறைந்து நிஜம் தெரிந்த காலம்

டெக் துறையில் கடந்த பன்னிரண்டு மாதங்கள் சற்று வித்தியாசமாக இருந்தன. ஒரு மாடலை உருவாக்குவதை விட ஒரு பிசினஸை உருவாக்குவது கடினம் என்ற நிதர்சனமான உண்மையை உலகம் புரிந்துகொண்டது. வெறும் ஆச்சரியப்படும் நிலையிலிருந்து மாறி, இப்போது அதன் பயன்பாட்டைத் தீவிரமாகப் பார்க்கும் நிலைக்கு வந்துள்ளோம். ஒரு புதிய மாடல் அறிமுகமானால் உலகமே ஒரு நாள் ஸ்தம்பித்து நிற்கும் காலம் முடிந்துவிட்டது. மாறாக, இந்த சிஸ்டம்கள் இன்டர்நெட்டின் அடிப்படை கட்டமைப்போடு (plumbing) மெதுவாக ஒன்றிணைவதைப் பார்த்தோம். கடந்த ஆண்டின் முக்கிய செய்திகள் பெஞ்ச்மார்க்குகளைப் பற்றியவை அல்ல; அவை பவர் கிரிட்கள், நீதிமன்றங்கள் மற்றும் பாரம்பரிய தேடுபொறிகளின் (search engine) அமைதியான வீழ்ச்சி பற்றியவை. டெக் உலகம் தனது உற்சாகத்தை விட்டுவிட்டு, உலகளாவிய உள்கட்டமைப்பின் ஒரு அங்கமாக மாறிய தருணம் இது. எதிர்பார்ப்புகள் குறைந்திருப்பது டெக் துறையின் தோல்வி அல்ல, அது முதிர்ச்சியடைந்திருப்பதற்கான அடையாளம். நாம் இனி கற்பனை உலகில் வாழவில்லை; புதுமை என்பது பழகிப்போன, ஒருங்கிணைக்கப்பட்ட சிஸ்டம்களின் உலகில் வாழ்கிறோம்.

அறிவுத்திறன் அதிகாரத்தின் ஒருங்கிணைப்பு

கடந்த பன்னிரண்டு மாதங்களில் ஏற்பட்ட மாற்றத்தின் மையப்பொருள், அதிகாரம் எங்கே இருக்கிறது என்பதுதான். பெரிய நிறுவனங்கள் இன்னும் பெரியதாக வளர்ந்த ஒரு மிகப்பெரிய ஒருங்கிணைப்பை நாம் கண்டோம். ஆயிரக்கணக்கான சிறிய மாடல்கள் சமமான களத்தில் போட்டியிடும் கனவு மங்கிப்போனது. அதற்குப் பதிலாக, மின்சாரம் மற்றும் சிப்களுக்கு (chips) செலவு செய்யக்கூடிய ஒரு சில நிறுவனங்கள் மட்டுமே போட்டியிடக்கூடிய ‘foundation layer’ உருவானது. இந்த நிறுவனங்கள் மாடல்களைப் பொதுவான அறிவில் புத்திசாலியாக்குவதை நிறுத்திவிட்டு, அவற்றை நம்பகமானதாக மாற்றுவதில் கவனம் செலுத்தத் தொடங்கின. இப்போது மாடல்கள் அறிவுறுத்தல்களைச் சரியாகப் பின்பற்றுகின்றன மற்றும் தவறான தகவல்களைக் (hallucinations) குறைத்துள்ளன. இது ஏதோ ஒரு பெரிய கண்டுபிடிப்பால் நடக்கவில்லை, மாறாக டேட்டாவைச் சுத்தப்படுத்துவதிலும் மாடல்களை ட்யூன் செய்வதிலும் செய்யப்பட்ட ஆயிரக்கணக்கான சிறிய மாற்றங்களால் சாத்தியமானது. சமீபத்திய AI industry analysis-ல் இந்த மாற்றத்தை நாம் தெளிவாகக் காணலாம்; இப்போது கவனம் மாடலின் அளவிலிருந்து அதன் பயன்பாட்டிற்கு மாறியுள்ளது. போன்கள் மற்றும் லேப்டாப்களில் இயங்கும் சிறிய லாங்குவேஜ் மாடல்களின் (small language models) எழுச்சியையும் கண்டோம். இந்தச் சிறிய சிஸ்டம்களுக்குப் பெரிய மாடல்களைப் போலப் பரந்த அறிவு இல்லையென்றாலும், அவை வேகமானவை மற்றும் தனிப்பட்டவை (private). பெரிய கிளவுட் மூளைகளுக்கும் உள்ளூர் எட்ஜ் டிவைஸ்களுக்கும் (edge devices) இடையிலான இந்தப் பிரிப்புதான் இந்த ஆண்டின் தொழில்நுட்பக் கட்டமைப்பைத் தீர்மானித்தது. ஒரு பெரிய மாடல் எல்லாவற்றையும் செய்யும் என்ற எண்ணத்திலிருந்து உலகம் மாறிவிட்டது. இந்த ஆண்டு, அளவை விடத் திறமை (efficiency) முக்கியமானது. தொண்ணூறு சதவீதம் சரியாக இருக்கும் ஒரு பெரிய மாடலை விட, தொண்ணூற்றி ஒன்பது சதவீதம் சரியாக இருக்கும் ஒரு சிறிய மாடல் அதிக மதிப்புடையது என்பதை நிறுவனங்கள் உணர்ந்துள்ளன.

முரண்பாடுகளும் இறையாண்மை கொண்ட சிஸ்டம்களின் எழுச்சியும்

உலகளாவிய அளவில், கடந்த ஆண்டு பல முரண்பாடுகளால் நிறைந்தது. டெக் நிறுவனங்களுக்கும் அரசாங்கங்களுக்கும் இடையிலான அந்த இனிமையான காலம் முடிவுக்கு வந்தது. ஐரோப்பிய ஒன்றியம் AI சட்டத்தை (AI Act) அமல்படுத்தத் தொடங்கியது, இது நிறுவனங்கள் தங்கள் டிரெய்னிங் டேட்டா பற்றி வெளிப்படையாக இருக்கக் கட்டாயப்படுத்தியது. இதனால் அமெரிக்காவில் கிடைக்கும் சில வசதிகள் ஐரோப்பாவில் முடக்கப்படும் ஒரு இருவேக உலகம் உருவானது. அதே நேரத்தில், காப்புரிமை (copyright) தொடர்பான மோதல்கள் உச்சத்தை எட்டின. பெரிய பதிப்பாளர்கள் மற்றும் கலைஞர்கள் குறிப்பிடத்தக்க வெற்றிகளைப் பெற்றனர் அல்லது விலையுயர்ந்த உரிம ஒப்பந்தங்களைச் செய்துகொண்டனர். இது இந்தத் துறையின் பொருளாதாரத்தையே மாற்றியது. இனி ஒரு ப்ராடக்ட்டை உருவாக்க இன்டர்நெட்டிலிருந்து டேட்டாவை இலவசமாக எடுக்க முடியாது. Reuters அறிக்கையின்படி, இந்த சட்டப் போராட்டங்கள் டெவலப்பர்களைத் தங்கள் டேட்டா சேகரிப்பு உத்திகளை மீண்டும் பரிசீலிக்கத் தூண்டியுள்ளன. பிரான்ஸ், ஜப்பான் மற்றும் சவுதி அரேபியா போன்ற நாடுகள் தங்களின் சொந்த கம்ப்யூட்டிங் கிளஸ்டர்களை (computing clusters) உருவாக்கத் தொடங்கிய ‘sovereign AI’ உருவானது. தங்களின் அறிவுத்திறன் உள்கட்டமைப்பிற்காக ஒரு சில சிலிக்கான் வேலி நிறுவனங்களை நம்பியிருப்பது தேசியப் பாதுகாப்புக்கு ஆபத்து என்பதை அவர்கள் உணர்ந்தனர். உள்ளூர் கட்டுப்பாட்டிற்கான இந்த முயற்சி உலகளாவிய டெக் சந்தையைத் துண்டு துண்டாக மாற்றியுள்ளது. அரசாங்கங்கள் இப்போது மூன்று குறிப்பிட்ட ஒழுங்குமுறை பகுதிகளில் கவனம் செலுத்துகின்றன:

• டேட்டா சட்டப்பூர்வமாகப் பெறப்பட்டதை உறுதிப்படுத்த டிரெய்னிங் செட்களுக்கான வெளிப்படைத்தன்மை தேவைகள்.
• பொது இடங்களில் முக அங்கீகாரம் (facial recognition) போன்ற அதிக ஆபத்துள்ள பயன்பாடுகளுக்குக் கடுமையான கட்டுப்பாடுகள்.
• தவறான தகவல்கள் பரவுவதைத் தடுக்க செயற்கை உள்ளடக்கங்களுக்கு (synthetic content) வாட்டர்மார்க்கிங் செய்வதற்கான உத்தரவுகள்.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

சாட் பாக்ஸ்களில் இருந்து தன்னாட்சி ஏஜென்ட்கள் வரை

உண்மையான மாற்றத்தை சாட் பாக்ஸ்களிலிருந்து ஏஜென்ட்கள் (agents) நோக்கிய மாற்றத்தில் காணலாம். முந்தைய ஆண்டுகளில், நீங்கள் கம்ப்யூட்டருக்கு ஒவ்வொன்றாகச் சொல்ல வேண்டியிருந்தது. இப்போது, சிஸ்டம்கள் ஒரு இலக்கை எடுத்துக்கொண்டு அதைச் செயல்படுத்தும் வகையில் வடிவமைக்கப்பட்டுள்ளன. ஒரு நடுத்தர நகரத்தில் உள்ள ஒரு லாஜிஸ்டிக்ஸ் மேனேஜரின் ஒரு நாளைக் கற்பனை செய்து பாருங்கள். காலையில், அவளது அசிஸ்டென்ட் ஏற்கனவே ஐந்நூறு ஈமெயில்களைப் படித்து அவற்றை முக்கியத்துவத்தின் அடிப்படையில் பிரித்து வைத்திருக்கும். சிங்கப்பூரிலிருந்து வரும் ஒரு ஷிப்மென்ட் தாமதமாவதைச் சுட்டிக்காட்டி, தற்போதைய வானிலை மற்றும் துறைமுகத் தரவுகளின் அடிப்படையில் மூன்று வெவ்வேறு தீர்வுகளைத் தயார் செய்திருக்கும். அவள் மெஷினுடன் சாட் செய்வதில்லை; அதன் ஆலோசனைகளை ஏற்றுக்கொள்கிறாள் அல்லது நிராகரிக்கிறாள். மதிய உணவு இடைவேளையில், நான்கு மணி நேர சிட்டி கவுன்சில் கூட்டத்தை ஐந்து நிமிட ஆடியோவாகச் சுருக்க ஒரு டூலைப் பயன்படுத்துகிறாள். மதியம், சிஸ்டம் அவளது காலெண்டரை நிர்வகிக்கிறது, அவள் மவுஸைத் தொடாமலேயே ஷிப்பிங் நெருக்கடிக்கு ஏற்ப மீட்டிங்குகளை மாற்றியமைக்கிறது. இதுதான் அந்த **agentic** மாற்றம். AI என்பது இனி நீங்கள் பயன்படுத்தும் ஒரு கருவி மட்டுமல்ல, நீங்கள் நிர்வகிக்கும் ஒரு ஊழியர். இருப்பினும், இந்த மாற்றம் புதிய அழுத்தங்களையும் உருவாக்கியுள்ளது. வேலையின் வேகம் அதிகரித்துள்ளது, ஆனால் அதைச் செயல்படுத்தும் மனிதத் திறன் அப்படியே உள்ளது. மெஷின் சலிப்பான வேலைகளைச் செய்தாலும், மீதமுள்ள பணிகள் மிகவும் தீவிரமானவை மற்றும் தொடர்ச்சியான உயர்மட்ட முடிவெடுத்தல் தேவைப்படுவதாகப் பணியாளர்கள் கருதுகின்றனர். ஒரு மணி நேரத்திற்கு எடுக்கப்படும் முடிவுகளின் எண்ணிக்கை இருமடங்காக அதிகரித்ததால், ஒரு புதிய வகை சோர்வு (burnout) ஏற்பட்டுள்ளது. The Verge தனது சமீபத்திய ஆய்வுகளில் ஆவணப்படுத்தியபடி, இந்த டிரெண்ட் அனைத்துத் துறைகளிலும் காணப்படுகிறது. மெஷின் டேட்டாவைக் கையாள்கிறது, ஆனால் பொறுப்பு இன்னும் மனிதனிடமே உள்ளது. இது ஒரு உளவியல் சுமையை உருவாக்குகிறது, இதை இந்தத் துறை இன்னும் கவனிக்கவில்லை.

நேரத்தைச் சேமிப்பது என்பது எப்போதும் மன அழுத்தத்தைக் குறைப்பதாக அமையாது என்பதை நாம் கற்று வருகிறோம்.

இயந்திர யுகத்தின் பதிலளிக்கப்படாத கேள்விகள்

இந்த அதிகரித்த வேகத்தால் உண்மையில் யாருக்கு லாபம் என்று நாம் கேட்க வேண்டும். ஒரு தொழிலாளி ஒரு நாளில் இரண்டு மடங்கு வேலை செய்தால், அவரது சம்பளம் இரட்டிப்பாகிறதா அல்லது நிறுவனம் பாதி ஊழியர்களைப் பணிநீக்கம் செய்கிறதா? மறைமுகச் செலவுகளை இனி புறக்கணிக்க முடியாது. ஒரு உயர்தர மாடலிடம் கேட்கப்படும் ஒவ்வொரு கேள்வியும் டேட்டா சென்டர்களைக் குளிர்விக்க அதிக அளவு தண்ணீரைப் பயன்படுத்துகின்றன. இந்த சிஸ்டம்கள் ஒவ்வொரு தேடலிலும் ஈமெயிலிலும் ஒரு அங்கமாக மாறும்போது, சுற்றுச்சூழல் பாதிப்பு பசுமை ஆற்றலால் ஈடுகட்ட முடியாத வேகத்தில் வளர்கிறது. டேட்டா இறையாண்மை (data sovereignty) பற்றிய கேள்வியும் எழுகிறது. ஒரு ஏஜென்ட் உங்கள் வாழ்க்கையை நிர்வகிக்கும்போது, அதற்கு உங்கள் அட்டவணை, விருப்பங்கள் மற்றும் தனிப்பட்ட உரையாடல்கள் அனைத்தும் தெரியும். அந்த டேட்டா எங்கே போகிறது? என்க்ரிப்ஷன் இருந்தாலும், அடுத்த தலைமுறை சிஸ்டம்களைப் பயிற்றுவிக்க நம் வாழ்வின் மெட்டாடேட்டா சேகரிக்கப்படுகிறது. சமூக ஊடகக் காலத்தை விடப் பெரிய அளவில் வசதிக்காக நமது தனியுரிமையை நாம் விட்டுக் கொடுக்கிறோம். தனிமனித சுதந்திரத்தை இழப்பதற்கு இந்தத் திறமை (efficiency) ஈடாகுமா? ஒரு டெக் நிறுவனத்திடம் சந்தா (subscription) கட்டினால் மட்டுமே வாழ முடியும் என்ற நிலையை நாம் உருவாக்கி வருகிறோம். இது பிரீமியம் ஏஜென்ட்களை வாங்க முடியாதவர்களுக்கு ஒரு புதிய டிஜிட்டல் இடைவெளியை உருவாக்குகிறது. மேலும், இந்த சிஸ்டம்களைச் சார்ந்திருப்பது ஒரு பெரிய ஆபத்தையும் உருவாக்குகிறது. ஒரு முக்கிய நிறுவனம் முடங்கினால், ஒட்டுமொத்தத் துறைகளும் ஸ்தம்பித்துவிடும். பல்வேறு சாஃப்ட்வேர்கள் இருந்த உலகத்திலிருந்து, அனைவரும் ஒரே மாதிரியான சில நியூரல் நெட்வொர்க்குகளைச் சார்ந்திருக்கும் உலகிற்கு நாம் வந்துள்ளோம். இந்த அபாயத்தைப் பற்றி பொருளாதார வல்லுநர்கள் இப்போதுதான் ஆய்வு செய்யத் தொடங்கியுள்ளனர். மனிதனின் சிந்திக்கும் திறனில் ஏற்படும் நீண்டகால விளைவுகளும் தெரியவில்லை. நாமே ஈமெயில் எழுதுவதையும் காலெண்டரை நிர்வகிப்பதையும் நிறுத்தினால், சிஸ்டம் செயலிழக்கும்போது அந்த வேலைகளைச் செய்யும் திறன் நமக்கு இருக்குமா?

உள்ளூர் செயலாக்கத்தின் கட்டமைப்பு

பவர் யூசர்களைப் பொறுத்தவரை, கடந்த ஆண்டு அடிப்படைத் தொழில்நுட்ப மாற்றங்களைப் பற்றியது. Retrieval Augmented Generation-ன் எல்லைகள் சோதிக்கப்பட்டதை நாம் கண்டோம். கவனம் மாடலிலிருந்து அதன் மேலாண்மை அடுக்குக்கு (orchestration layer) மாறியுள்ளது. டெவலப்பர்கள் இப்போது பிராம்ட் இன்ஜினியரிங்கை (prompt engineering) விட வெக்டார் டேட்டாபேஸ்கள் (vector databases) மற்றும் லாங் கான்டெக்ஸ்ட் விண்டோக்களில் (long context windows) அதிக நேரத்தைச் செலவிடுகிறார்கள். லோக்கல் ஸ்டோரேஜைக் கையாள்வதில் ஒரு பெரிய மாற்றம் ஏற்பட்டுள்ளது. எல்லா டேட்டாவையும் கிளவுடுக்கு அனுப்புவதற்குப் பதிலாக, எளிதான வேலைகளை லோக்கல் ஹார்டுவேரிலும், கடினமான வேலைகளைக் கிளஸ்டருக்கும் அனுப்பும் ‘hybrid inference’ முறையைப் பார்க்கிறோம். API வரம்புகள் இப்போது நிறுவன வளர்ச்சியில் ஒரு தடையாக மாறியுள்ளன. டாப் டயர் மாடல்களின் வரம்புகள் மிகவும் குறைவாக இருப்பதால், நிறுவனங்களால் தங்கள் வேலைகளை விரிவுபடுத்த முடியாமல் போகிறது. MIT Technology Review-ன் ஆராய்ச்சிப்படி, அடுத்த கட்ட வளர்ச்சி மாடலின் அளவை விட ஹார்டுவேர் திறனைப் பொறுத்தே அமையும். நிறுவனத்தின் சொந்த டேட்டாவில் சிறிய மாடல்களை ஃபைன்-ட்யூன் (fine tuning) செய்யும் போக்கையும் கண்டோம். ஒரு நிறுவனத்தின் உள் ஆவணங்களில் பயிற்சி அளிக்கப்பட்ட 7 பில்லியன் பாராமீட்டர் மாடல், 1 டிரில்லியன் பாராமீட்டர் கொண்ட பொதுவான மாடலை விடச் சிறப்பாகச் செயல்படுகிறது. இது இந்த மாடல்களை அதிவேகமாக இயக்கக்கூடிய லோக்கல் ஹார்டுவேர்களுக்கான தேவையை அதிகரித்துள்ளது. தொழில்நுட்ப சமூகம் இப்போது சில முக்கிய அளவீடுகளில் கவனம் செலுத்துகிறது:

• லோக்கல் இன்ஃபெரன்ஸிற்கான கன்ஸ்யூமர் கிரேடு ஹார்டுவேர்களில் மெமரி பேண்ட்வித் கட்டுப்பாடுகள்.
• மொபைல் சிப்களில் இயங்கும் குவாான்டைஸ் செய்யப்பட்ட (quantized) மாடல்களுக்கான டோக்கன் பெர் செகண்ட் பெஞ்ச்மார்க்குகள்.
• நீண்ட ஆவண ஆய்வு மற்றும் மல்டி-மாடல் பணிகளில் கான்டெக்ஸ்ட் விண்டோ மேலாண்மை.

புதிய இயல்பை ஏற்றுக்கொள்வது

சுருக்கமாகச் சொன்னால், கடந்த ஆண்டு AI ஒரு சலிப்பான விஷயமாக மாறியது, அதுதான் அதன் மிகப்பெரிய வெற்றி. ஒரு தொழில்நுட்பம் எப்போது பின்னணியில் ஒரு அங்கமாக மாறுகிறதோ, அப்போதுதான் அது உண்மையான வெற்றியை அடைந்ததாக அர்த்தம். நாம் மாயாஜால வித்தைகளைக் காட்டும் காலத்தைக் கடந்து, தொழில்முறைப் பயன்பாட்டு காலத்திற்கு வந்துவிட்டோம். அதிகாரம் சிப்கள் மற்றும் பவர் பிளான்ட்களை வைத்திருப்பவர்களிடம் குவிந்திருக்கலாம், ஆனால் அதன் பயன்பாடு அனைத்துத் துறைகளுக்கும் பரவியுள்ளது. சுற்றுச்சூழல் பாதிப்பு முதல் தனியுரிமை இழப்பு வரை ஆபத்துகள் உண்மையானவை, ஆனால் இந்த வேகத்தைத் தடுக்க முடியாது. நாம் இனி எதிர்காலத்திற்காகக் காத்திருக்கவில்லை. நாம் ஏற்கனவே உருவாக்கிய ஒன்றை நிர்வகிப்பதில் பிஸியாக இருக்கிறோம். நாம் முன்னேறிச் செல்லும்போது, இந்த சிஸ்டம்களை இன்னும் கண்ணுக்குத் தெரியாததாகவும் நம்பகமானதாகவும் மாற்றுவதிலேயே கவனம் இருக்கும். அடுத்த பன்னிரண்டு மாதங்கள் புதிய மாடல்களைப் பற்றியதாக இருக்காது, மாறாக நம்மிடம் உள்ள மாடல்களுடன் நாம் எப்படி வாழ்கிறோம் என்பதைப் பற்றியதாகவே இருக்கும்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.

ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.