निजी और संप्रभु AI मॉडल डिप्लॉयमेंट के आसपास भरोसे की सीमा को पुनः परिभाषित कर रहे हैं

पिछले लगभग एक दशक में, एक शक्तिशाली AI मॉडल चलाना मतलब था अपना डेटा किसी और की इन्फ्रास्ट्रक्चर पर भेजना और उम्मीद करना कि वह इन्फ्रास्ट्रक्चर सही ढंग से काम करेगा। लेकिन मॉडल मालिकों, डेटा मालिकों और इन्फ्रास्ट्रक्चर प्रदाताओं के बीच भरोसे की दुविधा बढ़ने के कारण यह व्यवस्था टूट रही है। वित्त, स्वास्थ्य देखभाल, सरकारी और रक्षा क्षेत्रों की संस्थाएँ अब अधिकतर अपना मॉडल अपने ही परिसर में, अपने नियंत्रण में चलाना चाहती हैं, बिना उस चीज़ तक पहुँच खोए जो मॉडल को मूल रूप से मजबूत बनाती थी।

यही निजी और संप्रभु AI प्रदान करते हैं, और यह अब एक सीमित मांग नहीं रही। वास्तव में, सर्वेक्षण किए गए संगठनों में से 95% से अधिक ने कहा कि निजी और संप्रभु AI उनकी रणनीति के लिए महत्वपूर्ण है, हालांकि केवल लगभग तीन में से दस वर्तमान में इस कार्य को ठोस, निकट‑अवधि में प्राथमिकता दे रहे हैं, जैसा कि NTT DATA’s 2026 Global AI Report। एक समान पैटर्न McKinsey’s research on sovereign AI ecosystems में भी वर्णित है। 2026 के लिए एंटरप्राइज़ रोडमैप में लगभग सभी मामलों में संप्रभुता सूचीबद्ध है, लेकिन उनमें से कुछ ही के पास एक कार्यान्वित करने योग्य रोडमैप है जो स्पष्ट रूप से कार्यभार स्तरों को रेखांकित करता है।

महत्वाकांक्षा और कार्यान्वयन के बीच यह अंतर एक वास्तविक, अनसुलझी तनाव को दर्शाता है, जहाँ कंपनियाँ ऐसे मॉडल चाहती हैं जो प्रदाता के नियंत्रण से बाहर के वातावरण में चल सकें, जबकि मॉडल प्रदाता अपना पूरा व्यवसाय मॉडल को स्वयं बनाना, प्रशिक्षित करना और फाइन‑ट्यून करना पर आधारित रखते हैं।

पुराने सुरक्षा मॉडल का स्थानांतरण क्यों नहीं होता

पारंपरिक सॉफ़्टवेयर सुरक्षा मानती है कि सुरक्षा नियंत्रणों का स्पष्ट विभाजन होता है। विक्रेता अपने कोड को शिप करने से पहले सुरक्षित करता है; ग्राहक उस वातावरण को सुरक्षित करता है जिसमें वह चलता है। अनुबंध, एक्सेस कंट्रोल और नेटवर्क परिधि बाकी सब संभालते हैं।

स्वामित्व वाले AI मॉडल इस मॉडल में साफ‑साफ फिट नहीं होते। “उत्पाद” कोई स्थिर बाइनरी नहीं है; यह वज़न का सेट है, कुछ मामलों में सैकड़ों अरब पैरामीटर, जो महीनों के प्रशिक्षण निवेश और प्रदाता की मुख्य बौद्धिक संपदा को दर्शाते हैं। एक बार ये वज़न ग्राहक‑नियंत्रित वातावरण में डिप्लॉय हो जाने पर, प्रदाता प्रभावी रूप से आईपी को सौंप देता है और आशा करता है कि आसपास के नियंत्रण सुरक्षित रहेंगे।

अनुबंधीय शर्तें और एक्सेस नीतियां ग्राहक के स्वयं के सिस्टम प्रशासक, गलत कॉन्फ़िगर किए गए क्लस्टर, या समझौता किए गए होस्ट के खिलाफ अधिक सुरक्षा प्रदान नहीं करतीं। और जब एक मॉडल प्रदाता डिप्लॉयमेंट को किसी और के डेटा सेंटर या क्लाउड टेनेंसी तक विस्तारित करता है, तो कई सामान्य तकनीकी सुरक्षा उपाय अब लागू नहीं होते।

वास्तविक जोखिम मेमोरी में है

इस समस्या का सबसे कम सराहा गया पहलू यह है कि मॉडल के वास्तव में चलने पर क्या होता है। डेटा को स्थिर या ट्रांज़िट में एन्क्रिप्ट करना व्यापक रूप से लागू है। अंतर तब उत्पन्न होता है जब डेटा उपयोग में हो, यानी जब वज़न डिक्रिप्ट होकर GPU या सिस्टम मेमोरी में लोड होते हैं ताकि इनफ़रेंस हो सके।

शोधकर्ताओं ने पहले ही तैनात न्यूरल नेटवर्क्स के विरुद्ध मेमोरी‑आधारित एक्सट्रैक्शन हमलों को प्रदर्शित किया है। एक व्यापक रूप से उद्धृत शैक्षणिक अध्ययन ने दिखाया कि मेमोरी हार्डवेयर के खिलाफ साइड‑चैनल तकनीकों का उपयोग करके मॉडल के वज़न को पुनः निर्मित किया जा सकता है, बिना प्रदाता की मूल फ़ाइलों को छुए। हमले का सतह वह मॉडल फ़ाइल नहीं है जो डिस्क पर बैठी है; यह जीवंत, चलती प्रक्रिया है, जो वह अवस्था है जिसमें मॉडल को उपयोगी होने के लिए होना चाहिए।

लेकिन मेमोरी से मॉडल वज़न निकालने के लिए साइड‑चैनल हमला भी आवश्यक नहीं है। कर्नेल का शोषण करके विशेषाधिकार वृद्धि करने से हमलावर को सिस्टम एडमिन अधिकार मिल सकते हैं, जिससे वह मेमोरी से वज़न को डंप कर सकता है।

एक मॉडल प्रदाता के लिए, इसका अर्थ है कि सबसे बड़े व्यावसायिक जोखिम का क्षण, जब किसी और की इन्फ्रास्ट्रक्चर सक्रिय रूप से आपका आईपी चला रही होती है, वही वह समय है जब पारंपरिक सुरक्षा उपाय सबसे कमजोर होते हैं। यही वह मूल समस्या है जिसे निजी और संप्रभु AI डिप्लॉयमेंट को हल करना है। कौन या क्या तकनीकी रूप से मॉडल को चलाते समय देख सकता है?

गोपनीय कंप्यूटिंग एक मार्ग प्रदान करती है, लेकिन वास्तविक सीमाओं के साथ

इस समस्या का वर्तमान में सबसे आशाजनक उत्तर गोपनीय कंप्यूटिंग है: हार्डवेयर‑आधारित विश्वसनीय निष्पादन वातावरण (TEE) जो डेटा और मॉडल वज़न को एन्क्रिप्टेड रखते हैं, भले ही वे सक्रिय रूप से प्रोसेस हो रहे हों। Confidential Computing Consortium, जो लिनक्स फाउंडेशन के तहत एक खुला समुदाय है, इसे प्रमाणित TEE के भीतर उपयोग में डेटा की सुरक्षा के रूप में परिभाषित करता है, जिसका अर्थ है कि वातावरण क्रिप्टोग्राफ़िक रूप से यह प्रमाणित कर सकता है कि वह क्या चला रहा है, इससे पहले कि कोई संवेदनशील कार्यभार उसे सौंपा जाए।

एटेस्टेशन ही वह प्रक्रिया है जो मॉडल प्रदाता और ग्राहक की इन्फ्रास्ट्रक्चर के बीच भरोसा स्थापित करती है। यह मॉडल को उस वातावरण के क्रिप्टोग्राफ़िक फिंगरप्रिंट की जाँच करने देती है जिसमें वह चलने वाला है और यदि वह वातावरण अधिकृत चीज़ से मेल नहीं खाता तो वज़न जारी करने से इनकार करता है। प्रमुख क्लाउड प्रदाताओं ने इसे सीधे अपनी AI इन्फ्रास्ट्रक्चर में शामिल करना शुरू कर दिया है; उदाहरण के तौर पर, Google Cloud’s recent confidential computing updates, CPU और GPU दोनों हार्डवेयर में एटेस्टेशन को विस्तारित करते हैं, जिससे इनफ़रेंस कार्यभार को एन्क्रिप्शन कुंजियों के जारी होने से पहले अंत‑से‑अंत सत्यापित किया जाता है।

हालाँकि, एटेस्टेशन को हल की गई समस्या मानना एक गलती होगी। कोई भी सुरक्षा तकनीक तभी मजबूत होती है जब उसे सही और सुरक्षित रूप से लागू किया गया हो।

लेकिन इसका अर्थ यह नहीं है कि गोपनीय कंप्यूटिंग एक झूठा वादा है। इसका मतलब है कि यह क्षेत्र अभी भी नया है, उपकरण अभी विकसित हो रहे हैं, और विक्रेताओं का मूल्यांकन करने वाली कंपनियों को एटेस्टेशन के कार्यान्वयन के बारे में विशिष्ट प्रश्न पूछने चाहिए, न कि केवल यह कि यह स्पेस शीट पर मौजूद है या नहीं।

सुरक्षित, लचीला डिप्लॉयमेंट अब एक पूर्वशर्त बन रहा है, न कि एक विशेषता

इस समस्या को हल करने का व्यावसायिक मामला केवल मजबूत हो रहा है। Deloitte’s global enterprise research के अनुसार, 2026 में केवल संप्रभु AI कंप्यूट निवेश लगभग 100 बिलियन डॉलर तक पहुँचने की उम्मीद है, जो मुख्यतः उन नियमनित उद्योगों द्वारा प्रेरित है जिनके पास इसके बिना व्यापक AI अपनाने का कोई मार्ग नहीं है। यह अनुमान इस वास्तविकता को दर्शाता है कि डेटा रेजिडेंसी नियम, सेक्टर‑विशिष्ट अनुपालन ढाँचे, और भू‑राजनीतिक दबाव अब इस तरह से बड़े संगठनों की AI इन्फ्रास्ट्रक्चर की योजना में सम्मिलित हो गए हैं कि वे वर्षों पहले से ही योजना बनाते हैं।

मॉडल प्रदाताओं के लिए, यह सब कुछ पूरी तरह बदल देता है। ग्राहक के वातावरण में मॉडल को सुरक्षित रूप से चलाने की क्षमता, जबकि वज़न पर नियंत्रण नहीं सौंपना, अब एक अंतरकारी विशेषता से मूल आवश्यकता बन गई है। जो प्रदाता यह संस्करण नहीं दे सकते, वे उन नियमनित, उच्च‑मूल्य वाले उद्योगों से बाहर हो जाएंगे जो वर्तमान में एंटरप्राइज़ AI खर्च को चला रहे हैं।

इन सब से मॉडल की पहुंच और आईपी सुरक्षा के बीच की मूलभूत तनाव समाप्त नहीं होती। संभवतः यह कभी पूरी तरह नहीं होगी। लेकिन दिशा स्पष्ट है: बड़े पैमाने पर AI अपनाने वाली कंपनियाँ अब “हम पर भरोसा करें” उत्तर को स्वीकार नहीं करेंगी, और जो क्रिप्टोग्राफ़िक प्रमाण के साथ उत्तर देना जानेंगे, वही इस व्यवसाय के लिए प्रतिस्पर्धा करेंगे और जीतेंगे।