लुईस अमीरा, Circuit & Chisel के संस्थापक – साक्षात्कार शृंखला

लुईस अमीरा Circuit & Chisel के संस्थापक हैं। उन्हें एआई, क्रिप्टो और भुगतान के क्षेत्र में उत्पाद और साझेदारियाँ बनाने का अनुभव है। उनके करियर में Google के Area 120 इनक्यूबेटर के भीतर एक उद्यम की सह-स्थापना करना, Chainlink में काम करना और Stripe में क्रिप्टो तथा एआई साझेदारियों का नेतृत्व करना शामिल है। उन्होंने डेविड नोएल-रोमास के साथ Circuit & Chisel की शुरुआत उन बुनियादी ढाँचे की कमियों को दूर करने के लिए की, जो एआई एजेंटों को व्यवसायों के लिए भरोसेमंद और उपयोगी काम करने से रोकती हैं।

Circuit & Chisel एआई एजेंटों के लिए बुनियादी ढाँचा तैयार करती है और ATXP, Unbiased तथा Pareto की निर्माता कंपनी है। ATXP एजेंटों को पहचान और भुगतान करने की सुविधाएँ देता है, जबकि Pareto एआई अनुमान की गुणवत्ता और लागत से जुड़ी चुनौतियों से निपटने के लिए अत्याधुनिक तथा ओपन-वेट मॉडल को एक साथ लाता है। Unbiased अपने प्लेटफ़ॉर्म के ज़रिए Pareto तक पहुँच उपलब्ध कराता है। इस साक्षात्कार में अमीरा मॉडल ऑर्केस्ट्रेशन, मूल्यांकन, अनुमान की अर्थव्यवस्था, डेटा प्रतिधारण और भरोसेमंद एजेंट तर्क तथा स्वायत्त भुगतान के बीच संबंध पर चर्चा करते हैं।

आपका करियर Google के Area 120 इनक्यूबेटर से Stripe में क्रिप्टो और एआई साझेदारियों का नेतृत्व करने तक पहुँचा, जिसके बाद आपने Circuit & Chisel की सह-स्थापना की। इन अनुभवों से आपको एआई एजेंटों के लिए ज़रूरी बुनियादी ढाँचे के बारे में क्या सीख मिली, और आखिरकार कंपनी शुरू करने की प्रेरणा आपको कहाँ से मिली?

Google में मैंने Area 120 के भीतर एक कंपनी की सह-स्थापना की। वहाँ से मुझे यह सीख मिली: आप पहले क्या बनाते हैं, उससे तय होता है कि बाद में क्या बना पाएँगे। Chainlink और Stripe में मैंने यही पैटर्न दूसरी तरफ़ से देखा। नई तकनीक धूप वाले दिनों और आदर्श परिस्थितियों में डेमो के माहौल में तो काम करती थी, लेकिन फिर ठप पड़ जाती थी, क्योंकि वास्तविक दुनिया के लिए ज़रूरी बुनियादी व्यवस्था अभी मौजूद नहीं थी।

डेविड और मैंने वास्तविक व्यवसायों के लिए वास्तविक काम करने वाले एजेंट बनाने के मकसद से Circuit & Chisel शुरू की। वे अक्सर मामूली वजहों से नाकाम हो जाते थे। कोई एजेंट यह साबित नहीं कर पाता था कि वह कौन है, और न ही किसी चीज़ का भुगतान कर पाता था। इसलिए हमने एजेंटों को पहचान और भुगतान का ज़रिया देने के लिए ATXP बनाया।

फिर हमें अगली बाधा का सामना करना पड़ा। कोई एजेंट काम कर सकता हो, तो उसे सही भी होना चाहिए—और उसकी कीमत उस काम के हिसाब से वाजिब होनी चाहिए। यही Pareto है। दोनों ही बार हमारी सहज प्रतिक्रिया एक जैसी थी: जो कमी है, उसे ढूँढ़ो और पूरा करो।

Circuit & Chisel ने शुरुआत में ATXP पर ध्यान दिया था। यह एआई एजेंटों के बीच स्वायत्त भुगतान संभव बनाने के लिए बनाया गया प्रोटोकॉल है। बाद में कंपनी ने Unbiased और Pareto के ज़रिए एआई मॉडल के बुनियादी ढाँचे के क्षेत्र में भी काम शुरू किया। इस बदलाव की वजह क्या थी, और ये तकनीकें एजेंट अर्थव्यवस्था के आपके व्यापक दृष्टिकोण में किस तरह फिट बैठती हैं?

हमारे ग्राहकों और उनके एजेंटों ने हमें दिखाया कि ATXP काम करता है। एजेंट पहचान रख सकते थे और पैसे खर्च कर सकते थे। लेकिन जब हमने व्यवसायों के साथ बैठकर बात की, तो उनकी पहली समस्या भुगतान नहीं थी। समस्या थी नतीजों पर भरोसे की। कोई भी उस एजेंट को बजट नहीं सौंपता जो काम के लिए गलत मॉडल चुनता हो या गलत जवाब देता हो।

इसलिए इस साल की शुरुआत में हमने गुणवत्ता और लागत पर अपना काम तेज़ किया। इसी से Pareto बना।

दोनों अब भी एक-दूसरे के पूरक हैं। Pareto तय करता है कि कोई एजेंट किसी काम के बारे में कैसे सोचे। ATXP उसे काम करने और भुगतान करने की सुविधा देता है। दोनों की ज़रूरत है, और इसी क्रम में है, क्योंकि कोई भी एजेंट के निर्णय पर भरोसा करने से पहले उसे वॉलेट नहीं सौंपता। हमने बस इन्हें गलत क्रम में बनाया।

Pareto पारंपरिक बड़े भाषा मॉडल से अलग तरीका अपनाता है: यह किसी एक मॉडल या पारंपरिक रूटिंग प्रणाली पर निर्भर रहने के बजाय कई अत्याधुनिक और ओपन-वेट मॉडल के नतीजों को जोड़ता है। क्या आप बता सकते हैं कि यह आर्किटेक्चर कैसे काम करता है—खासकर, यह परस्पर विरोधी जवाबों को अधिक सटीक या उपयोगी नतीजे में कैसे ढालता है?

Pareto कोई एक मॉडल नहीं, बल्कि एक प्रणाली है। यह कई प्रयोगशालाओं के मॉडल को काम सौंपता है—अत्याधुनिक और ओपन-वेट, दोनों तरह के मॉडल को—और हर मॉडल को एक विशिष्ट भूमिका देता है। कई मॉडल किसी काम को करने में सक्षम हो सकते हैं, हालाँकि कभी-कभी काम जटिल हो सकता है और उसकी समीक्षा तथा सलाह के लिए किसी मॉडल की ज़रूरत पड़ सकती है। किस मॉडल को चुना जाए, यह इस बात पर निर्भर करता है कि उस तरह के काम के लिए उसकी क्षमता, लागत, गति और विश्वसनीयता को कैसे आँका गया है। साथ ही, यह भी तय किया जाता है कि काम की कितनी जाँच होनी चाहिए।

हम जवाबों का औसत नहीं निकालते। औसत निकालने से गलतियाँ एक-दूसरे में घुलमिल जाती हैं। हम चाहते हैं कि मॉडल असहमत हों, क्योंकि असहमति से ही गलतियाँ सामने आती हैं। उपलब्ध मॉडलों का संयोजन बदलने पर हम दोबारा परीक्षण करते हैं और Pareto का नया क्रमांकित संस्करण जारी करते हैं।

Pareto का एक प्रमुख वादा यह है कि वह अत्याधुनिक स्तर की बुद्धिमत्ता काफ़ी कम लागत पर उपलब्ध कराता है। चूँकि जवाब तैयार करने में कई मॉडल शामिल हो सकते हैं, आप यह बचत कैसे हासिल करते हैं? और अनुमान की लागत, प्रतिक्रिया में लगने वाले समय तथा नतीजे की गुणवत्ता के बीच क्या समझौते करने पड़ते हैं?

Pareto का काम अत्याधुनिक स्तर के जवाब देना है। कम लागत इस बात से आती है कि वह वहाँ तक कैसे पहुँचता है।

लोग एआई को जो कुछ भी भेजते हैं, उसमें से ज़्यादातर नियमित काम होते हैं। कम महँगा मॉडल ऐसे अनुरोधों का उतनी ही बार सही जवाब देता है जितनी बार सबसे महँगा मॉडल। Pareto ऐसे अनुरोध उन्हीं मॉडलों को भेजता है और अत्याधुनिक मॉडलों—या साथ मिलकर काम करने वाले कई मॉडलों—को उन अनुरोधों के लिए बचाकर रखता है जिन्हें उनकी ज़रूरत होती है। हमारे प्रकाशित परीक्षणों में, इस संयोजन ने ज़्यादातर प्रमुख बेंचमार्क पर GPT-6 Astra और Claude Opus 5.5 से कुछ ही अंक कम हासिल किए, जबकि प्रति काम लागत 30-70% कम रही।

कोई बड़ा समझौता नहीं करना पड़ता। Pareto हर अनुरोध को हमेशा सही मॉडल तक नहीं भेजेगा, लेकिन हम मापते हैं कि रूटिंग में उससे कितनी बार गलती होती है और नतीजों को बेहतर बनाते हैं—और उन्हें प्रकाशित भी करते हैं!

आपकी टीम ने ऐसे बेंचमार्क नतीजे प्रकाशित किए हैं जो Pareto को GPT-6 Astra और Claude Opus 5.5 समेत अग्रणी मालिकाना और ओपन-वेट मॉडल के मुकाबले प्रतिस्पर्धी दिखाते हैं। आप कैसे सुनिश्चित करते हैं कि ये मूल्यांकन बेंचमार्क के लिए खास तौर पर किए गए अनुकूलन के बजाय वास्तविक दुनिया के प्रदर्शन को दर्शाएँ? और किन मामलों में फ्रंटियर मॉडल अब भी Pareto पर सार्थक बढ़त रखते हैं?

हम मूल्यांकन का कोड प्रकाशित करते हैं, ताकि कोई भी हमारे नतीजों को दोबारा प्राप्त कर सके। Pareto समेत हर मॉडल का मूल्यांकन एक ही ढाँचे से किया जाता है। हम Pareto की हार भी उसकी जीत जितनी ही प्रमुखता से दिखाते हैं। जिस स्कोरबोर्ड पर हमेशा घर की ही जीत हो, वह बस एक विज्ञापन है।

हमने कई एआई गेटवे पर सेवा शुरू की है और हर आकार की कंपनियों को नए मॉडलों का पूर्वावलोकन करने की सुविधा दी है। मॉडल के प्रदर्शन में लगातार सुधार करने के लिए हम उनकी प्रतिक्रिया लगभग वास्तविक समय में शामिल करते हैं।

बताया जाता है कि Pareto ने शुरुआती 48 घंटों में दो ट्रिलियन से अधिक टोकन संसाधित किए। शुरुआती मांग से लागत-कुशल एआई अनुमान के बाज़ार के बारे में क्या पता चला? और इस पैमाने पर प्रदर्शन, विश्वसनीयता तथा विस्तार-क्षमता बनाए रखने में सबसे बड़ी तकनीकी चुनौतियाँ क्या थीं?

मांग हमारी और हमारे साझेदारों की अपेक्षा से कई गुना ज़्यादा थी और दुर्भाग्य से, इसे ठीक से पूरा करने के लिए हमारे पास पर्याप्त कंप्यूट क्षमता नहीं थी। पहले ही दिन मांग प्रति मिनट 5 से 10 अरब टोकन से अधिक हो गई। हम लगभग 1.6 अरब टोकन की सेवा दे पा रहे थे। इतनी पूरी मांग को मुफ़्त में ठीक से पूरा करने पर प्रतिदिन कई मिलियन डॉलर का खर्च आता।

इससे हमें पता चला कि कीमत एआई के बहुत-से इस्तेमाल को रोक रही है। कुछ निर्माताओं के उत्पाद एक खास कीमत पर काम करते हैं, लेकिन उससे पाँच गुनी कीमत पर नहीं। कीमत घटाइए और वे सामने आ जाते हैं।

सबसे बड़ी मुश्किल सीधी-सादी थी: हमारी क्षमता खत्म हो गई। पहले दिन मॉडल इतना धीमा हो गया कि कुछ लोगों ने उसका इस्तेमाल छोड़ दिया। हमने रातोंरात और क्षमता चालू की और सेवा शुरू होने के दो दिन बाद सशुल्क पहुँच पर चले गए। सीमित क्षमता बाँटने का यही ईमानदार तरीका है।

हमें जानकारी साझा करने के बारे में भी एक बात समझ आई। कुछ उपयोगकर्ताओं को लगा कि उन्हें गुमराह किया गया, जब उन्हें पता चला कि Union Alpha कोई एक मॉडल नहीं, बल्कि साथ मिलकर काम करने वाले कई मॉडल हैं। इसे साझेदारों के साथ ‘बस एक और मॉडल’ के रूप में शुरू करने का मकसद भी यही था—राउटर के आउटपुट का उपयोगकर्ताओं को अनुभव कराने के तरीके में व्यावहारिक रूप से कोई अंतर नहीं होना चाहिए।

शून्य डेटा प्रतिधारण Pareto की पेशकश का एक और प्रमुख हिस्सा है, खासकर तब, जब संवेदनशील जानकारी के तृतीय-पक्ष एआई प्रदाताओं से होकर गुजरने को लेकर उद्यमों की चिंता बढ़ रही है। कई अंतर्निहित मॉडल शामिल होने पर आप इन सुरक्षा उपायों को कैसे लागू और सत्यापित करते हैं? और उद्यमी ग्राहकों को अपने डेटा के प्रबंधन के बारे में क्या आश्वासन मिल सकता है?

हमारी शून्य डेटा प्रतिधारण वाली योजनाओं में हम आपके प्रॉम्प्ट या आउटपुट संग्रहीत नहीं करते, और जिन प्रदाताओं को हम ये भेजते हैं, वे भी ऐसा नहीं करते।

जब प्रक्रिया में कई मॉडल शामिल हों, तो शून्य डेटा प्रतिधारण (ZDR) का वादा सबसे कमज़ोर कड़ी जितना ही भरोसेमंद होता है। इसलिए ZDR अनुरोध केवल उन्हीं मॉडलों को भेजे जाते हैं जो शून्य प्रतिधारण की शर्तों के तहत काम करते हैं। अगर कोई प्रदाता इन शर्तों को पूरा नहीं कर सकता, तो उसे ZDR ट्रैफ़िक नहीं मिलता।

उद्यमी ग्राहकों को यह लिखित रूप में मिलता है: डेटा प्रसंस्करण समझौता और ZDR परिशिष्ट। हम यह भी स्पष्ट रूप से बताते हैं कि कौन-सी योजनाएँ ZDR के अंतर्गत नहीं आतीं, ताकि कोई भी अनजाने में गलत श्रेणी में न आ जाए। जो कंपनियाँ चाहती हैं कि उनका डेटा उनकी इमारत से कभी बाहर न जाए, उनके लिए हम ऐसा संस्करण तैयार कर रहे हैं जिसे वे अपने हार्डवेयर पर चला सकें। इस बारे में जल्द ही और जानकारी देंगे।

जैसे-जैसे एआई एजेंट सवालों के जवाब देने से आगे बढ़कर जटिल, कई चरणों वाले कार्यप्रवाह पूरे करने लगे हैं, तर्क में छोटी-सी गलती भी बढ़ते-बढ़ते बड़ी विफलता बन सकती है। Pareto मतिभ्रम, मॉडलों के परस्पर विरोधी आउटपुट और लंबे एजेंट-आधारित कार्यों में विश्वसनीयता जैसी समस्याओं से कैसे निपटता है? क्या कई मॉडलों को मिलाने से अपनी तरह की नई विफलताएँ भी पैदा हो सकती हैं?

यही वह समस्या है जिससे हमारा सबसे पहले सामना हुआ। डेमो से बाहर, एजेंट बिखर जाते हैं। दूसरे चरण की एक छोटी-सी गलती दसवें चरण तक पहुँचते-पहुँचते बड़ी बन जाती है।

मुश्किल चरणों में कई मॉडल मददगार होते हैं। वे एक ही समस्या पर अलग-अलग काम कर सकते हैं, एक-दूसरे के काम की जाँच कर सकते हैं या एजेंट के आगे बढ़ने से पहले किसी नतीजे की पुष्टि कर सकते हैं। एक अकेले मॉडल को दूसरी राय नहीं मिलती। Pareto में यह सुविधा है।

हम वास्तविक कार्यों पर उपयोगकर्ता संतुष्टि और प्रदर्शन मापते हैं, बुरे नतीजों समेत सभी नतीजे प्रकाशित करते हैं और जो समस्याएँ मिलती हैं, उन्हें ठीक करते हैं। जिन ग्राहकों को हर बार एक जैसा व्यवहार चाहिए, वे Pareto के किसी संस्करण को तय करके इस्तेमाल कर सकते हैं, ताकि उसमें उनके लिए बदलाव न हो।

ATXP और Unbiased के ज़रिए Circuit & Chisel स्वायत्त एजेंटों की दो अहम चुनौतियों से निपट रहा है: कुशलता से बुद्धिमत्ता तक पहुँच और इस्तेमाल की गई सेवाओं का भुगतान। आप इन क्षमताओं के एक साथ विकसित होने की कल्पना कैसे करते हैं? क्या भविष्य में एजेंट प्रदर्शन, लागत और कार्य की ज़रूरतों के आधार पर स्वतंत्र रूप से एआई मॉडल और बाहरी टूल चुनकर, खरीदकर और उनके बीच समन्वय करते दिखाई दे सकते हैं?

हाँ। यही दिशा है।

आज कोई व्यक्ति तय करता है कि कौन-सा मॉडल इस्तेमाल करना है, किन टूल को चलाना है और उनके लिए भुगतान कैसे करना है। धीरे-धीरे ये फैसले एजेंट के ज़रिए लिए जाएँगे। वह हर चरण के लिए सही मॉडल चुनेगा, ज़रूरी टूल ढूँढ़ेगा, हर प्रदाता को भुगतान करेगा और आगे बढ़ने से पहले नतीजों की जाँच करेगा।

इसके लिए दो चीज़ें चाहिए। हर काम के लिए सही बुद्धिमत्ता पाने का तरीका—यही Pareto है। और पहचान साबित करने तथा भुगतान करने का तरीका—इसी मकसद से मूल रूप से ATXP बनाया गया था।

अब कई कंपनियाँ इस बात पर काम कर रही हैं कि एजेंटों को पैसे सौंपने से पहले उन पर भरोसा करने के लिए सीमाएँ, जवाबदेही आदि कैसे तय की जाएँ। इसीलिए हमने शुरुआत निर्णय क्षमता से की। भुगतान का पहलू जितना अधिक भरोसेमंद एजेंट इसका इस्तेमाल करता है, उतना ही उपयोगी होता जाता है।

आगे की बात करें, तो क्या आपको लगता है कि एआई में अगली बड़ी सफलता मुख्य रूप से और अधिक शक्तिशाली व्यक्तिगत मॉडल तैयार करने से आएगी, या मौजूदा मॉडलों और क्षमताओं को समझदारी से जोड़ने वाली प्रणालियाँ विकसित करने से? आपके विचार में, यह अंतर अगले कई वर्षों में उभरती एआई कंपनियों और अग्रणी मॉडल बनाने वाली बड़ी कंपनियों के बीच प्रतिस्पर्धा को किस तरह आकार देगा?

दोनों से। प्रयोगशालाएँ बेहतर मॉडल बनाती रहेंगी, और यह बहुत मायने रखता है। हम यह सुनिश्चित करते हैं कि लोगों को हर मॉडल के बारे में पढ़ने और उसे आज़माने की ज़रूरत महसूस न हो। हमें सही काम के लिए, निवेश पर सही प्रतिफल देने वाला सही मॉडल उपलब्ध कराना चाहिए। अब मॉडल चुनने की थकान नहीं।

हम मॉडल प्रशिक्षण पर प्रयोगशालाओं से अधिक खर्च कभी नहीं कर पाएँगे। हम उनके काम को आगे बढ़ाते हैं और उसे लोगों तक पहुँचाने में मदद करते हैं। जब भी कोई प्रयोगशाला बेहतर मॉडल जारी करती है, Pareto भी बेहतर हो जाता है।

प्रयोगशालाएँ यह व्यवस्था खुद बना सकती हैं, और कुछ ऐसा करेंगी भी। लेकिन किसी प्रयोगशाला का राउटर अपने ही मॉडल को प्राथमिकता देता है। हमारा अपना कोई मॉडल नहीं है, इसलिए हमारी सफलता का एकमात्र रास्ता यह है कि ग्राहक को अपने पैसे के बदले सबसे अच्छा जवाब मिले। जितने अधिक मॉडल होंगे, यह बात उतनी ही अहम होगी।

इस शानदार साक्षात्कार के लिए धन्यवाद। Pareto, एजेंट इन्फ्रास्ट्रक्चर और एआई के तर्क-विचार को पहचान और भुगतान से जोड़ने वाले टूल के बारे में अधिक जानने के इच्छुक पाठक Circuit & Chisel पर जाएँ।