AI-இன் அடுத்த கட்டத்தை தீர்மானிக்கும் ஆய்வகங்கள் 2026

செயற்கை நுண்ணறிவின் (AI) தற்போதைய நிலை, வெறும் ஆராய்ச்சிக் கட்டுரைகளோ அல்லது தூரத்து வாக்குறுதிகளோ அல்ல. நாம் இப்போது ஒரு தொழில்முறை உற்பத்தி யுகத்திற்குள் நுழைந்துவிட்டோம், அங்கு மிகப்பெரிய கம்ப்யூட்டிங் திறனை நம்பகமான பயன்பாடாக மாற்றுவதே முதன்மை இலக்காகும். இந்த மாற்றத்திற்கு தலைமை தாங்கும் ஆய்வகங்கள் அனைத்தும் ஒரே மாதிரியானவை அல்ல. சில ஆய்வகங்கள் தர்க்கத்தின் (logic) விரிவாக்கத்திற்கு முன்னுரிமை அளிக்கின்றன, மற்றவை அந்த தர்க்கத்தை ஒரு ஸ்ப்ரெட்ஷீட் அல்லது கிரியேட்டிவ் சூட்டில் எவ்வாறு பொருத்துவது என்பதில் கவனம் செலுத்துகின்றன. இந்த மாற்றம், எதிர்காலத்தில் என்ன நடக்கும் என்பதிலிருந்து, தற்போது சர்வர்களில் என்ன செயல்படுகிறது என்பதை நோக்கிய உரையாடலை நகர்த்துகிறது. அடுத்த தசாப்தத்தின் பொருளாதார வெற்றியாளர்களைத் தீர்மானிக்கப்போகும் ஒரு உத்தி மாற்றத்தை நாம் காண்கிறோம். இந்த வளர்ச்சியின் வேகம், நிறுவனங்கள் ஈடுகொடுக்க முடியாத அளவிற்கு உள்ளது. இது சிறந்த மாடலை வைத்திருப்பது பற்றியது மட்டுமல்ல. சிஸ்டத்தை முடக்காமலோ அல்லது தவறான தகவல்களை (hallucination) உருவாக்காமலோ, ஒரே நேரத்தில் மில்லியன் கணக்கான மக்கள் பயன்படுத்தும் வகையில் அந்த மாடலை மலிவாகவும் வேகமாகவும் யார் உருவாக்க முடியும் என்பதுதான் முக்கியம். இதுவே தொழில்துறையின் புதிய அடிப்படை.

நவீன இயந்திர நுண்ணறிவின் மூன்று தூண்கள்

தற்போதைய போக்கை புரிந்துகொள்ள, இந்த சிஸ்டங்களை உருவாக்கும் மூன்று முக்கிய வகை அமைப்புகளை நாம் வேறுபடுத்திப் பார்க்க வேண்டும். முதலாவதாக, OpenAI மற்றும் Anthropic போன்ற முன்னணி ஆய்வகங்கள் உள்ளன. இவை நியூரல் நெட்வொர்க் எதைச் செயலாக்க முடியும் என்பதன் உச்சகட்டத்தை எட்டுவதில் கவனம் செலுத்துகின்றன. இவற்றின் இலக்கு பொதுவான திறன் (general capability). கோடிங் முதல் கிரியேட்டிவ் ரைட்டிங் வரை எந்தவொரு துறையிலும் சிந்திக்கும் சிஸ்டங்களை உருவாக்க அவர்கள் விரும்புகிறார்கள். இந்த ஆய்வகங்கள் மிகப்பெரிய பட்ஜெட்டுகளுடன் செயல்படுகின்றன மற்றும் உலகின் பெரும்பாலான உயர்தர ஹார்டுவேர்களைப் பயன்படுத்துகின்றன. இவை முழு இயக்கத்தின் எஞ்சின் அறையாக இருந்து, மற்ற அனைவரும் கட்டியெழுப்பும் அடிப்படை மாடல்களை வழங்குகின்றன.

இரண்டாவதாக, Stanford HAI மற்றும் MIT CSAIL போன்ற கல்விசார் ஆய்வகங்கள் உள்ளன. இவர்களின் பங்கு வேறுபட்டது. இவர்கள் சந்தேகவாதிகள் மற்றும் கோட்பாட்டாளர்கள். ஒரு முன்னணி ஆய்வகம் மாடலை பெரிதாக்குவதில் கவனம் செலுத்தினால், ஒரு கல்விசார் ஆய்வகம் அந்த மாடல் ஏன் செயல்படுகிறது என்று கேள்வி எழுப்புகிறது. அவர்கள் சமூக தாக்கம், உள்ளார்ந்த சார்புகள் (biases) மற்றும் நீண்டகால பாதுகாப்பு தாக்கங்களை ஆராய்கின்றனர். வணிகத் துறையை தரைமட்டத்தில் வைத்திருக்கும் சக மதிப்பாய்வு செய்யப்பட்ட (peer-reviewed) தரவுகளை அவர்கள் வழங்குகிறார்கள். அவர்கள் இல்லையென்றால், இந்தத் துறை பொது மேற்பார்வை அல்லது அடிப்படை இயக்கவியல் பற்றிய புரிதல் இல்லாத ஒரு ரகசியப் பெட்டியாக மாறியிருக்கும்.

இறுதியாக, Microsoft, Adobe மற்றும் Google போன்ற நிறுவனங்களுக்குள் இருக்கும் தயாரிப்பு ஆய்வகங்கள் (product labs) உள்ளன. இந்த குழுக்கள் முன்னணி ஆய்வகங்களின் மூல சக்தியை எடுத்து, ஒரு நபர் உண்மையில் பயன்படுத்தக்கூடிய ஒன்றாக மாற்றுகின்றன. அவர்கள் பயனர் இடைமுகங்கள் (UI), லேட்டன்சி (latency) மற்றும் தரவு தனியுரிமை ஆகியவற்றின் சிக்கலான யதார்த்தத்தைக் கையாளுகின்றனர். ஒரு மாடல் கவிதையை எழுத முடியுமா என்பது ஒரு தயாரிப்பு ஆய்வகத்திற்கு முக்கியமல்ல, அது மூன்று வினாடிகளில் ஆயிரம் பக்க சட்ட ஆவணத்தை துல்லியமாகச் சுருக்க முடியாவிட்டால் அது பயனற்றது. அவர்கள் ஆய்வகத்திற்கும் வாழ்க்கை அறைக்கும் இடையிலான பாலமாக உள்ளனர். அவர்கள் பின்வரும் முன்னுரிமைகளில் கவனம் செலுத்துகின்றனர்:

• தொழில்நுட்பத்தை மாஸ் மார்க்கெட்டிற்கு நிலையானதாக மாற்ற, ஒரு குயெரிக்கான செலவைக் குறைத்தல்.
• வெளியீடு கார்ப்பரேட் பிராண்ட் பாதுகாப்பு தரநிலைகளுக்கு இணங்குவதை உறுதி செய்ய பாதுகாப்பு வேலிகளை (guardrails) உருவாக்குதல்.
• மின்னஞ்சல் மற்றும் டிசைன் டூல்கள் போன்ற ஏற்கனவே உள்ள மென்பொருள் பணிப்பாய்வுகளில் நுண்ணறிவை ஒருங்கிணைத்தல்.

ஆய்வக வெளியீட்டின் உலகளாவிய பங்குகள்

இந்த ஆய்வகங்களில் நடக்கும் பணிகள் வெறும் கார்ப்பரேட் லாபம் சார்ந்தவை மட்டுமல்ல. இது தேசிய பாதுகாப்பு மற்றும் உலகளாவிய பொருளாதார நிலையின் முக்கிய அங்கமாகிவிட்டது. இந்த ஆய்வகங்களை நடத்தும் நாடுகள் கம்ப்யூட்டேஷனல் எஃபிஷியன்சி மற்றும் தரவு இறையாண்மையில் குறிப்பிடத்தக்க நன்மைகளைப் பெறுகின்றன. சான் பிரான்சிஸ்கோ அல்லது லண்டனில் உள்ள ஒரு ஆய்வகம் சிந்தனையில் ஒரு முன்னேற்றத்தை ஏற்படுத்தினால், அது டோக்கியோ அல்லது பெர்லினில் உள்ள வணிகங்கள் செயல்படும் விதத்தைப் பாதிக்கிறது. எண்ணெய் தொழில்துறையின் ஆரம்ப காலத்திற்கு நிகரான அதிகாரக் குவிப்பை நாம் காண்கிறோம். உயர்தர நுண்ணறிவை அளவில் உருவாக்குவதே புதிய கமாடிட்டி. இது உழைப்பு எவ்வாறு மதிப்பிடப்படுகிறது என்பதன் அடித்தளத்தையே மாற்றும் ஒரு பந்தயத்திற்கு வழிவகுத்துள்ளது.

அரசாங்கங்கள் இப்போது இந்த ஆய்வகங்களை மூலோபாய சொத்துக்களாகப் பார்க்கின்றன. கல்விசார் ஆராய்ச்சியின் திறந்த தன்மைக்கும், முன்னணி ஆய்வகங்களின் மூடிய, தனியுரிம தன்மைக்கும் இடையே வளர்ந்து வரும் பதற்றம் உள்ளது. சிறந்த மாடல்கள் கட்டணச் சுவருக்குப் பின்னால் வைக்கப்பட்டால், தொழில்நுட்ப ரீதியாக பணக்கார மற்றும் ஏழை நாடுகளுக்கு இடையிலான உலகளாவிய இடைவெளி விரிவடையும். இதனால்தான் பல ஆய்வகங்கள் இப்போது தங்களின் தரவு ஆதாரங்கள் மற்றும் எரிசக்தி நுகர்வு குறித்து விளக்க வேண்டிய தீவிர அழுத்தத்தில் உள்ளன. இந்த பிரம்மாண்டமான சிஸ்டங்களுக்குப் பயிற்சி அளிப்பதற்கான சுற்றுச்சூழல் செலவு ஒரு உலகளாவிய கவலையாகும், இதை இதுவரை எந்த ஆய்வகமும் முழுமையாகத் தீர்க்கவில்லை. இந்த டேட்டா சென்டர்களை இயக்கத் தேவைப்படும் ஆற்றல், வர்ஜீனியா முதல் சிங்கப்பூர் வரை மின் கட்டமைப்புகளை மறுபரிசீலனை செய்ய கட்டாயப்படுத்துகிறது.

தினசரி பயன்பாட்டிற்கான இடைவெளியைக் குறைத்தல்

ஒரு மாடல் பார் தேர்வில் தேர்ச்சி பெற்றதாகக் கூறும் ஆராய்ச்சிக் கட்டுரைக்கும், ஒரு வழக்கறிஞர் தனது வாடிக்கையாளரின் வழக்கிற்காக நம்பக்கூடிய தயாரிப்புக்கும் இடையே பெரிய இடைவெளி உள்ளது. செய்திகளில் நாம் காண்பது ஆராய்ச்சியின் சிக்னல், ஆனால் சந்தையின் இரைச்சல் (noise) உண்மையான முன்னேற்றத்தை மறைக்கிறது. ஒரு ஆய்வகத்தில் ஏற்படும் முன்னேற்றம் நுகர்வோர் சாதனத்தை அடைய இரண்டு ஆண்டுகள் ஆகலாம். இந்த தாமதம் ஆப்டிமைசேஷன் தேவையால் ஏற்படுகிறது. இயங்குவதற்கு பத்தாயிரம் GPU-க்கள் தேவைப்படும் ஒரு மாடல் சிறு வணிகங்களுக்கு பயனற்றது. அடுத்த ஆண்டின் உண்மையான வேலை என்னவென்றால், இந்த மாடல்களை லேப்டாப்பில் இயங்கும் அளவுக்குச் சிறியதாக மாற்றி, அதே நேரத்தில் அவற்றின் நுண்ணறிவைத் தக்கவைப்பதாகும்.

எதிர்காலத்தில் ஒரு மென்பொருள் டெவலப்பரின் ஒரு நாளைக் கவனியுங்கள். அவர்கள் வெற்றுத் திரையுடன் தொடங்குவதில்லை. அதற்குப் பதிலாக, தங்களின் குறிப்பிட்ட கோட்-பேஸில் ஃபைன்-டியூன் செய்யப்பட்ட ஒரு லோக்கல் மாடலிடம் ஒரு அம்சத்தை விவரிக்கிறார்கள். அந்த மாடல் பாய்லர்-பிளேட்டை உருவாக்குகிறது, பாதுகாப்பு பாதிப்புகளைச் சரிபார்க்கிறது மற்றும் ஆப்டிமைசேஷன்களைப் பரிந்துரைக்கிறது. டெவலப்பர் ஒரு கையேடு தொழிலாளியை விட ஒரு கட்டிடக் கலைஞராகவும் எடிட்டராகவும் செயல்படுகிறார். தயாரிப்பு ஆய்வகங்கள் அந்தத் தரவை பொது இணையத்திற்கு கசியவிடாமல், ஒரு குறிப்பிட்ட நிறுவனத்தின் தரவின் சூழலை மாடல் புரிந்துகொள்ளச் செய்ததால்தான் இந்த மாற்றம் சாத்தியமானது.

ஒரு கிரியேட்டருக்கு, இதன் தாக்கம் இன்னும் உடனடியானது. ஒரு வீடியோ எடிட்டர் இப்போது Google DeepMind போன்ற ஆய்வகங்களின் டூல்களைப் பயன்படுத்தி, ரோட்டோஸ்கோப்பிங் அல்லது கலர் கிரேடிங் போன்ற வேலையின் சலிப்பான பகுதிகளை ஆட்டோமேட் செய்யலாம். இது எடிட்டரை மாற்றாது, ஆனால் உற்பத்திக்கான செலவை மாற்றுகிறது. ஒரு வாரம் எடுத்த வேலை இப்போது ஒரு மணி நேரத்தில் முடிகிறது. இது உயர்தர கதைசொல்லலை அதிக மக்களுக்கு அணுகக்கூடியதாக மாற்றுகிறது, ஆனால் இது சந்தையை உள்ளடக்கத்தால் நிரப்புகிறது. மனிதனால் உருவாக்கப்பட்ட மற்றும் இயந்திரத்தால் உருவாக்கப்பட்ட வேலைகளுக்கு இடையே உள்ள வித்தியாசத்தை பயனர்கள் கண்டறிய உதவும் டூல்களை உருவாக்குவதே ஆய்வகங்களுக்கு இப்போதுள்ள சவால். இந்த நம்பகத்தன்மைதான் தொழில்துறைக்கு அடுத்த பெரிய தடையாகும்.

கட்டிடக் கலைஞர்களுக்கான கடினமான கேள்விகள்

நாம் இந்த ஆய்வகங்களை அதிகம் நம்பியிருப்பதால், அவர்களின் கூற்றுகளை சோக்ரடிக் சந்தேகத்துடன் அணுக வேண்டும். இந்த வசதியின் மறைமுக செலவு என்ன? நாம் நமது சிந்தனையை ஒரு மாடலிடம் ஒப்படைத்தால், நாமே விமர்சன ரீதியாக சிந்திக்கும் திறனை இழக்கிறோமா? தரவு உரிமையைப் பற்றிய கேள்வியும் உள்ளது. இந்த மாடல்களில் பெரும்பாலானவை படைப்பாளர்களின் வெளிப்படையான அனுமதியின்றி இணையத்தின் கூட்டு வெளியீட்டில் பயிற்சி அளிக்கப்பட்டவை. மில்லியன் கணக்கான கலைஞர்கள் மற்றும் எழுத்தாளர்களின் உழைப்பிலிருந்து ஒரு ஆய்வகம் இழப்பீடு இன்றி லாபம் ஈட்டுவது அறமா? இவை வெறும் சட்டக் கேள்விகள் மட்டுமல்ல; இவை கிரியேட்டிவ் பொருளாதாரத்தின் எதிர்காலத்திற்கு அடிப்படையானவை.

தனியுரிமை இன்னும் மிக முக்கியமான கவலையாக உள்ளது. நீங்கள் ஒரு மாடலுடன் தொடர்பு கொள்ளும்போது, பெரும்பாலும் தனிப்பட்ட அல்லது தனியுரிம தகவல்களை அதற்கு வழங்குகிறீர்கள். இந்தத் தரவு மாடலின் அடுத்த பதிப்பிற்குப் பயிற்சி அளிக்கப் பயன்படுத்தப்படாது என்பதற்கு என்ன உறுதி? சில ஆய்வகங்கள்