Bing Xu, INT21 के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Bing Xu, INT21 के संस्थापक और सीईओ, एक AI इन्फ्रास्ट्रक्चर इंजीनियर और उद्यमी हैं जिनके पास GPU अनुकूलन, मशीन लर्निंग सिस्टम और स्वायत्त AI एजेंटों में गहरा अनुभव है। 2026 में INT21 की स्थापना से पहले, Xu NVIDIA में एक डिस्टिंग्विश्ड इंजीनियर थे, जहाँ उन्होंने एजेंट‑ड्रिवेन सॉफ़्टवेयर विकास पर काम किया और कई पीढ़ियों के कोडिंग एजेंट बनाए, जिसमें VibeTensor और AVO के पीछे का काम शामिल है। उन्होंने NVIDIA में तब शामिल हुए जब कंपनी ने HippoML, वह GPU इन्फ़रेंस स्टार्ट‑अप जिसे उन्होंने स्थापित किया और सीईओ के रूप में नेतृत्व किया, का अधिग्रहण किया। पहले, Xu Meta में सीनियर स्टाफ सॉफ़्टवेयर इंजीनियर के रूप में कार्यरत थे, जहाँ उन्होंने AITemplate बनाया और उत्पादन कार्यभार में GPU इन्फ़रेंस दक्षता को सुधारने में मदद की, और OctoML, Facebook AI, Apple, और Turi में इंजीनियरिंग और रिसर्च भूमिकाएँ निभाई। उनका करियर लगातार आधुनिक AI सिस्टमों के नीचे के सॉफ़्टवेयर और इन्फ्रास्ट्रक्चर को बेहतर बनाने पर केंद्रित रहा है।

INT21 स्व‑उन्नत AI इन्फ्रास्ट्रक्चर बना रहा है, जिसे स्वायत्त एजेंट स्वॉर्म का उपयोग करके AI वर्कलोड को शक्ति देने वाले सॉफ़्टवेयर को निरंतर विकसित, परीक्षण, बेंचमार्क और अनुकूलित किया जाता है। इसका वर्तमान फोकस Inference Engine Factory है, जो समानांतर में अनुकूलन रणनीतियों का अन्वेषण करने के लिए विशेषीकृत एजेंटों का उपयोग करता है और CUDA और PTX कर्नेल, ड्राइवर और सर्विंग इन्फ्रास्ट्रक्चर को कवर करने वाले पूर्ण इन्फ़रेंस इंजन बनाता है, जिसकी प्रदर्शन लक्ष्य हार्डवेयर पर सीधे सत्यापित की जाती है। कंपनी की तकनीक SwarmOS पर आधारित है, एक क्लाउड‑नेटिव प्लेटफ़ॉर्म जो बड़ी संख्या में एजेंटों को मापनीय इंजीनियरिंग उद्देश्यों के आसपास समन्वय करने की अनुमति देता है, साथ ही पीढ़ियों के बीच साक्ष्य और सीख को संरक्षित रखता है। INT21 ने प्रारम्भ में इस दृष्टिकोण को अपने PTX Kernel Factory के माध्यम से प्रदर्शित किया, जिसने NVIDIA Hopper और Blackwell हार्डवेयर पर GPU कर्नेल उत्पन्न और बेंचमार्क किए; तब से कंपनी ने अपने कंप्यूट संसाधनों को पूर्ण इन्फ़रेंस इंजन को अनुकूलित करने की ओर मोड़ दिया है।

आपने INT21 की स्थापना तब की जब आप लगातार विशेषीकृत इन्फ्रास्ट्रक्चर इंजीनियरों को तेज़ी से नियुक्त करने में कठिनाई का सामना कर रहे थे। क्या बात ने आपको यह विश्वास दिलाया कि समाधान केवल बेहतर डेवलपर टूल्स नहीं, बल्कि स्वायत्त, स्व‑उन्नत एजेंट स्वॉर्म्स हैं जो यह काम स्वयं कर सकते हैं?

यह एक प्रसिद्ध समस्या है कि विभिन्न विशेषीकरणों में AI इन्फ्रास्ट्रक्चर‑केन्द्रित प्रतिभा की मांग आपूर्ति से बहुत अधिक है, और यह एक चुनौती है जिसका मैंने स्वयं सामना किया। यही कारण है कि मैंने स्व‑उन्नत एजेंट स्वॉर्म्स को एक विकल्प के रूप में देखा। पिछले कुछ वर्षों में, मैं स्व‑उन्नत AI समाधान पर काम कर रहा हूँ, और तकनीक अब इतनी तेज़ी से आगे बढ़ रही है कि ये सिस्टम अब वास्तव में स्वायत्त रूप से इन्फ्रास्ट्रक्चर को बनाना, चलाना और अनुकूलित करना पर्याप्त हैं।

INT21 के पीछे का मूल दर्शन यह है कि मनुष्यों की तरह, एजेंट संचित ज्ञान के माध्यम से अधिक बुद्धिमान बनते हैं। यह पारंपरिक डेवलपर टूल्स से मौलिक रूप से अलग है, जो अभी भी इस बात से प्रतिबंधित हैं कि कोई व्यक्ति कितने घंटे काम कर सकता है और वे किन समस्याओं को शारीरिक रूप से हल कर सकते हैं। स्व‑उन्नत एजेंट स्वॉर्म्स का उपयोग करने से हम प्रत्येक उत्पादन चक्र में तेज़, अधिक सटीक और अधिक कुशल हो जाते हैं। क्योंकि हमारे एजेंट सक्षम हैं और मौजूदा फ्रेमवर्क्स द्वारा सीमित नहीं हैं, हम प्रत्येक विशिष्ट वर्कलोड के लिए जमीन से सीधे समाधान बना सकते हैं।

INT21 से पहले, आपने HippoML की स्थापना की, जिसे लॉन्च के केवल 14 महीने बाद NVIDIA ने अधिग्रहित किया, और बाद में आप NVIDIA में एक डिस्टिंग्विश्ड इंजीनियर बने। इन अनुभवों ने आपको AI इन्फ्रास्ट्रक्चर में किन बाधाओं के बारे में सिखाया, जिन्होंने अंततः INT21 की वास्तुकला और मिशन को आकार दिया?

HippoML में, हम उच्च‑प्रदर्शन जेनरेटिव AI इन्फ़रेंस में विशेषज्ञता रखते थे, बड़े भाषा मॉडलों को तेज़ और अधिक कुशलता से चलाने के लिए सॉफ़्टवेयर अनुकूलन टूल्स बनाते थे। हमने महसूस किया कि हम बिना पूर्वी यूरोप और अन्य स्थानों के प्रतिभाशाली ठेकेदारों पर निर्भर हुए स्केल नहीं कर सकते, केवल AI इन्फ़रेंस अनुकूलन की मांग को पूरा करने के लिए।

जब NVIDIA ने हमें अधिग्रहित किया, तो मैंने कंपनी के भीतर एक एजेंट‑आधारित विकास दृष्टिकोण बनाना शुरू किया। हमने published research प्रकाशित किया जो सिद्ध करता है कि हार्नेस (मॉडल के चारों ओर की इन्फ्रास्ट्रक्चर लेयर) वास्तव में एजेंट प्रदर्शन को निर्धारित करता है, न कि स्वयं मॉडल। यह प्रमाण था कि AI इन्फ्रास्ट्रक्चर में वास्तविक बाधा बेहतर मॉडल खोजने में नहीं, बल्कि उन्हें चलाने वाली प्रणालियों को अनुकूलित करने में है।

जैसे‑जैसे मॉडल सुधरते हैं, उनके आसपास की इन्फ्रास्ट्रक्चर को भी उसी अनुसार स्केल करना पड़ता है। लेकिन मानव‑चालित अनुकूलन चक्र इस गति को बनाए रखने में संघर्ष करते हैं। आप एक मॉडल आर्किटेक्चर के लिए प्रशिक्षण लूप को अनुकूलित करते हैं, उसे तैनात करते हैं, फिर यदि मॉडल आर्किटेक्चर बदलता है या नई GPU पीढ़ी आती है, तो आपको फिर से शुरू करना पड़ता है। आजकल जब हर हफ्ते नया मॉडल अपडेट लगता है, तो यह पुरानी पद्धति अस्थिर हो गई है। इस समझ ने मुझे यह विश्वास दिलाया कि अगली बड़ी प्रगति स्व‑उन्नत इन्फ्रास्ट्रक्चर में है, जिससे मैंने INT21 की स्थापना की।

INT21 अपने दृष्टिकोण को “self‑improving infrastructure” के रूप में वर्णित करता है, जो पुनरावर्ती स्व‑उन्नति से काफी अलग है जहाँ शोधकर्ता मूल AI मॉडल को स्वयं अधिक सक्षम बनाने की कोशिश करते हैं। आपका दृष्टिकोण कैसे काम करता है, और आप क्यों मानते हैं कि मौजूदा मॉडलों के आसपास की प्रणालियों को सुधारना अधिक शीघ्र सार्थक लाभ दे सकता है?

पुनरावर्ती स्व‑उन्नति दृष्टिकोण स्वामित्व वाले मॉडलों को प्रशिक्षित करने, शोध टीमों को एकत्रित करने और विशाल पूंजी जुटाने पर केंद्रित है। यह एक दशक‑लंबी, महँगी यात्रा है, क्योंकि आप मॉडल से उसके स्वयं के प्रशिक्षण प्रक्रिया पर तर्क करने को कहते हैं।

हमारा दृष्टिकोण अलग है। INT21 में, हम फ्रंटियर मॉडलों को स्वयं सुधारने की कोशिश नहीं कर रहे हैं, जिसके लिए वर्षों और अरबों पूंजी की आवश्यकता होगी। बल्कि, हम एजेंट स्वॉर्म्स बना रहे हैं जो हार्नेस, अर्थात मॉडल और प्रदर्शन के बीच की इन्फ्रास्ट्रक्चर लेयर को अनुकूलित करते हैं। यही मेरे Nvidia में किए गए शोध ने सिद्ध किया: कि हार्नेस, न कि मॉडल, जटिल कार्यों पर एजेंट प्रदर्शन को निर्धारित करता है। एक एजेंट को फ्रंटियर मॉडल क्षमताओं को समझने की आवश्यकता नहीं है 10% दक्षता सुधार पाने के लिए। उसे केवल डिजाइन स्पेस का अन्वेषण करना, मापना, सत्यापित करना, और काम करने वाले को रखना है।

इन दो अलग‑अलग दृष्टिकोणों को समझने का एक तरीका यह है कि एक पावर स्टेशन बनाना है जबकि दूसरा मौजूदा बिजली का उपयोग करके निर्माण करना है। हम तेज़ी से आगे बढ़ सकते हैं और वास्तविक, तात्कालिक मांग को संबोधित कर सकते हैं। और इसका मतलब है कि हम आज स्व‑उन्नत इन्फ्रास्ट्रक्चर में उल्लेखनीय, मापनीय सुधार देख रहे हैं।

INT21 ने हाल ही में Inference Engine Factory लॉन्च किया, जो अवधारणा को व्यक्तिगत GPU कर्नेल से पूर्ण इन्फ़रेंस इंजनों तक विस्तारित करता है। इसका वास्तविक अर्थ क्या है कि एक एजेंट स्वॉर्म स्वायत्त रूप से इन्फ़रेंस इंजन बनाता और अनुकूलित करता है, और इस प्रक्रिया के कौन‑से भागों को पारंपरिक रूप से सबसे अधिक विशेषीकृत मानव विशेषज्ञता की आवश्यकता होती है?

एक इन्फ़रेंस इंजन वह सॉफ़्टवेयर है जो मॉडल को हार्डवेयर पर चलाता है। यह एक जटिल प्रणाली है जो एक साथ दर्जनों डिजाइन निर्णय लेती है, जैसे कि कौन‑से ऑपरेशन एक ही कर्नेल में साथ चलेंगे, या कोर के बीच कार्य शेड्यूल कैसे होगा। ये निर्णय आपस में जुड़े होते हैं, इसलिए यदि आप एक को बदलते हैं, तो आपको बाकी सबको फिर से परीक्षण करना पड़ता है।

परंपरागत रूप से, एक इंजीनियर प्रत्येक मॉडल के लिए इन सभी को हाथ से ट्यून करता है। वीडियो, संगीत और स्पीच जनरेशन के लिए, यह चुनौतीपूर्ण है क्योंकि ये बहु‑स्तरीय, बहु‑स्केल आर्किटेक्चर हैं जिनके लिए कोई तैयार‑उपयोग फ्रेमवर्क नहीं है। INT21 के एजेंट स्वॉर्म्स पूर्ण स्टैक को अंत‑से‑अंत बनाते हैं, व्यक्तिगत कर्नेल से लेकर पूर्ण इन्फ़रेंस इंजन तक। हमारे वीडियो और ऑडियो जनरेशन स्टैक को कोई मानव कोड समीक्षा की आवश्यकता नहीं होती और वे समान समवर्ती सेटिंग्स के तहत राज्य‑ऑफ़‑द‑आर्ट इन्फ़रेंस समाधान से बेहतर प्रदर्शन करते हैं।

आपके PTX Kernel Factory ने कुछ कार्यभारों पर मौजूदा बेसलाइन से 59% तक बेहतर प्रदर्शन करने वाले कार्यान्वयन उत्पन्न किए हैं। तकनीकी स्तर पर, एजेंट कौन‑से प्रदर्शन सुधार पा रहे हैं जो अत्यधिक अनुकूलित मानव‑लिखित कार्यान्वयन या पारंपरिक कंपाइलर नहीं ढूँढ़ पा रहे हैं?

हमारा PTX Kernel Factory KDA (Kimi Linear Attention) के खिलाफ उपलब्ध सर्वश्रेष्ठ बेसलाइन से अधिकतम 59% तक बेहतर प्रदर्शन किया। यह इस बात पर निर्भर करता है कि हमारे स्व‑उन्नत एजेंट स्वॉर्म्स हजारों वैरिएशन को कुछ ही समय में स्केल कर सकते हैं, एक प्रक्रिया जो मानव इंजीनियरों के लिए बहुत श्रम‑साध्य और महँगी है।

अंतर यह है कि मानव‑लिखित कर्नेल डोमेन‑स्पेसिफिक लैंग्वेजेज़ (DSLs), टेम्प्लेट और GPU के लिए पूर्वनिर्मित कंपाइलरों पर निर्भर होते हैं। एक DSL सामान्य पैटर्न के लिए अच्छा काम करता है, लेकिन जब आप नया कार्यभार, जैसे KDA, का सामना करते हैं, तो सामान्य‑उद्देश्य कंपाइलर अक्सर इष्टतम प्रदर्शन नहीं दे पाता। हमारे एजेंट इन एब्स्ट्रैक्शन्स को पूरी तरह बायपास कर देते हैं, जिसका अर्थ है कि वे DSL या कंपाइलर धारणाओं से बंधे नहीं होते। इस पूर्वनिर्धारित पैटर्न में फँसे बिना पूरे डिजाइन स्पेस का अन्वेषण करने की स्वतंत्रता ही सुधार का स्रोत है।

AI‑जनित इन्फ्रास्ट्रक्चर एक असामान्य सत्यापन समस्या उत्पन्न करता है: एक अनुकूलन उपयोगी नहीं है यदि वह तेज़ है लेकिन सूक्ष्म रूप से गलत है। आपके एजेंट स्वॉर्म्स परीक्षण, बेंचमार्क, विफलताओं को अस्वीकार, और सफल खोजों को कैसे बनाए रखते हैं, और यह फीडबैक लूप सिस्टम को वास्तव में स्व‑उन्नत बनाता है या केवल एक AI कोडिंग एजेंट नहीं बनाता, कितना महत्वपूर्ण है?

फीडबैक लूप अत्यंत महत्वपूर्ण है, क्योंकि एक अनुकूलन बेकार है यदि वह केवल विशिष्ट धारणाओं या विशिष्ट इनपुट वितरण के तहत सही है। INT21 में, हम सुनिश्चित करते हैं कि फीडबैक लूप कड़ा हो।

हम मॉडल, तैनाती प्रतिबंध और सर्विंग मेट्रिक से शुरू करते हैं जो मायने रखता है। फिर, स्व‑उन्नत एजेंट स्वॉर्म्स एक साथ कॉन्फ़िगरेशन और अनुकूलन पथों का अन्वेषण करते हैं, और प्रत्येक उम्मीदवार को शुद्धता और प्रदर्शन लक्ष्यों के विरुद्ध मूल्यांकन करते हैं। केवल वे कार्यान्वयन जो काम करते हैं, रखे जाते हैं।

इसे वास्तव में स्व‑उन्नत बनाता है कि वैधता डेटा स्वयं सुधारता है। वह डेटा एजेंट स्वॉर्म्स को वापस फीड करता है, जिससे वे यह समझ refine करते हैं कि क्या काम करता है, और लगातार फीडबैक लूप को बंद करते हैं। इस कठोरता के बिना, आपके पास केवल एक ऐसा सिस्टम होगा जिसमें दिखने में उचित AI‑जनित कोड तेज़ी से शिप हो सकता है, लेकिन तकनीकी ऋण अनजाने में जमा होता रहेगा और निर्मित चीज़ों में भरोसा कम हो जाएगा।

NVIDIA में, आपने VibeTensor और Agentic Variation Operators जैसे प्रोजेक्ट्स पर काम किया, जहाँ एजेंट्स ने बड़े पैमाने पर सिस्टम सॉफ़्टवेयर उत्पन्न किया और स्वायत्त रूप से GPU अनुकूलन खोजे। इन प्रोजेक्ट्स ने AI एजेंट्स की उन प्रकार की इंजीनियरिंग समस्याओं के बारे में क्या उजागर किया जो कई डेवलपर्स अभी भी मानते हैं कि मानव विशेषज्ञों की आवश्यकता है?

VibeTensor ने मुझे एक चीज़ सिखाई जिसे मैं “Frankenstein Effect” कहता हूँ। AI ने हर स्तर पर सही काम किया, लेकिन जब आप उन सभी टुकड़ों को एक सिस्टम के रूप में जोड़ते हैं, तो वह मानव विशेषज्ञों द्वारा निर्मित चीज़ से कम पड़ता है।

Agentic Variation Operators का काम इसके विपरीत था। इसने दिखाया कि AI बहुत सीमित समस्याओं में मानव विशेषज्ञों से बेहतर प्रदर्शन कर सकता है। कर्नेल जनरेशन इसका एक अच्छा उदाहरण है, क्योंकि समस्या संकीर्ण, मापनीय, और एकल लक्ष्य वाली है।

“Frankenstein Effect” वही है जिसे INT21 हल कर रहा है। हमारे Inference Engine Factory के इंजीनियरिंग नमूने उच्च‑प्रदर्शन, ओपन‑सोर्स इन्फ़रेंस इंजन जैसे SGLang और vLLM को पीछे छोड़ते हैं, क्योंकि हमने समस्या को सही ढंग से संरचित करना सीख लिया है। हम एजेंट्स को स्पष्ट प्रतिबंध, मापनीय उद्देश्यों और कड़े फीडबैक लूप देते हैं। मानव विशेषज्ञ अभी भी आवश्यक हैं, लेकिन अनुकूलन कार्य करने के बजाय, वे मूल्यवान दिशा प्रदान करते हैं और परिणामों की व्याख्या करते हैं। AI विशेषज्ञ के प्रभाव को तेज़ और अधिक व्यवस्थित रूप से कार्य करके बढ़ाता है, जो कोई भी मानव कर नहीं सकता।

INT21 एक एकल एजेंट पर निर्भर रहने के बजाय कई विशेषीकृत एजेंटों का उपयोग करता है, जिनका कॉन्टेक्स्ट विंडो लगातार बढ़ता रहता है। आप मल्टी‑एजेंट ऑर्केस्ट्रेशन को जटिल इंजीनियरिंग समस्याओं के लिए अधिक स्केलेबल क्यों देखते हैं, और एजेंट कैसे काम बाँटते हैं, खोजों को साझा करते हैं, और एक‑दूसरे के साथ डुप्लिकेशन या टकराव से बचते हैं?

बड़ी कॉन्टेक्स्ट विंडो आपको एक साथ अधिक जानकारी रखने की अनुमति देती है, लेकिन यह आपको बहु‑आयामी समस्याओं को हल करने में मदद नहीं करती जहाँ सब कुछ आपस में जुड़ा होता है। हम क्लाउड‑नेटिव प्लेटफ़ॉर्म का उपयोग करके विशेषीकृत एजेंट चलाते हैं, जो सभी समान मापनीय लक्ष्य की ओर काम करते हैं। एजेंट समानांतर में अन्वेषण करते हैं, और लगातार मजबूत समाधान की ओर अभिसरण करते हैं।

यह कई कारणों से अधिक स्केलेबल है। पहला, प्रत्येक एजेंट केंद्रित रहता है। दूसरा, आप एक ही एजेंट को सब कुछ एक साथ समझाने की कोशिश नहीं कर रहे हैं, इसलिए प्रक्रिया अधिक कुशल होती है। अंत में, यह उन तरीकों को प्रतिबिंबित करता है जिनसे इन्फ्रास्ट्रक्चर टीमें वास्तव में काम करती हैं, जहाँ प्रत्येक टीम अपना डोमेन संभालती है, लेकिन जब निर्णय एक‑दूसरे को प्रभावित करते हैं तो समन्वय करती है।

यदि एजेंट स्वॉर्म्स निरंतर कर्नेल, इन्फ़रेंस इंजन, कंपाइलर और AI स्टैक की अन्य परतों को अनुकूलित करने में सक्षम हो जाते हैं, तो इन्फ्रास्ट्रक्चर इंजीनियर की भूमिका कैसे बदलती है? क्या आप उम्मीद करते हैं कि ये सिस्टम मुख्यतः विशेषीकृत इंजीनियरों की कमी को संबोधित करेंगे, या अंततः इन्फ्रास्ट्रक्चर विकास के एक बड़े हिस्से को स्वचालित करेंगे?

एक इन्फ्रास्ट्रक्चर इंजीनियर का काम पूरी तरह बदलने वाला है। वे अब कर्नेल कोड और मेमोरी ट्यूनिंग में घिसते नहीं हैं। बल्कि, वे लक्ष्य निर्धारित करते हैं, डिजाइन स्पेस को परिभाषित करते हैं, प्रतिबंध स्थापित करते हैं, और परिणामों की व्याख्या करते हैं।

समय के साथ, सिस्टम को चलाने और सुधारने के लिए कम इन्फ्रास्ट्रक्चर इंजीनियरों की आवश्यकता होगी। लेकिन शेष रणनीतिक कार्य अधिक मूल्यवान बन जाएगा, कम नहीं। व्यावहारिक रूप से, इसका मतलब है कि संगठन कम विशेषीकृत इंजीनियरों के साथ जटिल AI इन्फ्रास्ट्रक्चर चला सकते हैं, जो आज की तुलना में बहुत कम है। यह प्रत्येक कंपनी के लिए महत्वपूर्ण है जो उत्पादन AI सिस्टम बनाना चाहती है।

आपका दीर्घकालिक विज़न है कि स्व‑उन्नत एजेंट स्वॉर्म्स AI इन्फ्रास्ट्रक्चर की हर परत में काम करें। यदि यह विज़न सफल हो जाता है, तो वह स्टैक कैसा दिखेगा, और क्या हम अंततः उस बिंदु पर पहुँच सकते हैं जहाँ AI इन्फ्रास्ट्रक्चर लगातार स्वयं को पुनः‑लिखता और अनुकूलित करता रहे जैसे मॉडल, वर्कलोड और हार्डवेयर बदलते रहें?

वर्तमान में, AI स्टैक की प्रत्येक परत स्वतंत्र रूप से अनुकूलित होती है, नीचे‑स्तर के कर्नेल से लेकर बुनियादी फ्रेमवर्क, इंटरफ़ेस तक; लेकिन वे एक‑दूसरे के साथ समन्वय नहीं करतीं। इसलिए आप एक परत को अनुकूलित कर सकते हैं, लेकिन फिर अनजाने में नीचे की कोई चीज़ तोड़ सकते हैं।

INT21 में, विज़न यह है कि एजेंट स्वॉर्म्स इन सभी परतों में स्वायत्त रूप से समन्वय कर सकें, लगातार समायोजन और अनुकूलन करते रहें। जब नया मॉडल आता है, तो पूरी स्टैक उसके लिए पुनः‑अनुकूलित हो जाती है, जिससे इन्फ्रास्ट्रक्चर कभी भी चल रहे मॉडल से पीछे नहीं रहता।

यह अब तक संभव नहीं रहा, क्योंकि मानव इंजीनियर पर्याप्त तेज़ी से नहीं चल सकते। लेकिन एजेंट स्वॉर्म्स निरंतर अनुकूलन के साथ, स्व‑उन्नत इन्फ्रास्ट्रक्चर एक अलग कंप्यूटिंग श्रेणी के रूप में उभर रहा है। वह इन्फ्रास्ट्रक्चर जो मॉडल और हार्डवेयर के बदलाव की गति के समान अनुकूलित हो सकेगा, वही जीतेंगे। बाकी सब एक दायित्व बन जाता है।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें INT21 पर जाना चाहिए।