कृत्रिम बुद्धिमत्ता में गणनात्मक शक्ति का पवित्र लक्ष्य

अविश्वसनीय प्रगति के बावजूद, कृत्रिम बुद्धिमत्ता की क्षमताएं वास्तविक दुनिया की अपेक्षाओं की तुलना में अभी भी सीमित हैं। हम जटिल मॉडल बनाते हैं, न्यूरल नेटवर्क चलाते हैं और एल्गोरिदम का परीक्षण करते हैं, फिर भी प्रगति कभी-कभी उन क्षेत्रों में रुक जाती है जहां हम इसकी सबसे कम उम्मीद करते हैं।

समस्या अक्सर एल्गोरिदम या डेटा में नहीं, बल्कि गणना शक्ति में होती है, यानी उन संसाधनों में जो मॉडलों को आवश्यक पैमाने पर सीखने और काम करने में सक्षम बनाते हैं। तो इस बाधा के पीछे क्या कारण है? आइए उस महत्वपूर्ण संसाधन की जांच करें जिसके बिना सबसे आशाजनक एआई परियोजनाएं भी प्रयोगशाला से आगे नहीं बढ़ सकतीं।

गणना की कमी और उसके परिणाम

इस विषय को समझने के लिए, आइए मोबाइल संचार के इतिहास से शुरुआत करें। जब 3G और बाद में 4G नेटवर्क आए, तब तक इंटरनेट लगभग वैश्विक स्तर पर फैल चुका था। और जब 5G की शुरुआत हुई, तो कई लोगों ने एक वाजिब सवाल पूछा: "इंटरनेट तेज़ तो होगा, लेकिन इससे क्या फर्क पड़ेगा?"

वास्तव में, इंटरनेट की गति में वृद्धि केवल उपयोगकर्ता की सुविधा तक सीमित नहीं है। यह संपूर्ण तकनीकी परिदृश्य को बदल देती है। ऐसे उपयोग सामने आते हैं जो पहले असंभव थे। 5G, 4G से कहीं अधिक तेज़ साबित हुआ, और यह छलांग 1G से 2G की तरह क्रमिक नहीं, बल्कि घातीय थी। परिणामस्वरूप, नए एप्लिकेशन, उपकरण और प्रौद्योगिकी के संपूर्ण वर्ग अस्तित्व में आ सकते हैं।

ट्रैफ़िक लाइट कैमरे, रीयल-टाइम ट्रैफ़िक विश्लेषण प्रणाली और स्वचालित ट्रैफ़िक नियंत्रण तंत्र – ये सब नई संचार तकनीकों की बदौलत संभव हो पाते हैं। पुलिस को डेटा आदान-प्रदान के नए तरीके मिलते हैं, और अंतरिक्ष में दूरबीनें और उपग्रह पृथ्वी पर भारी मात्रा में जानकारी भेज सकते हैं। मूलभूत तकनीक में गुणात्मक छलांग पूरे पारिस्थितिकी तंत्र के विकास को गति प्रदान करती है।

यही सिद्धांत गणना क्षमता पर भी लागू होता है। मानव जाति की कुल गणना क्षमता को काल्पनिक इकाइयों में कल्पना कीजिए। आज हमारे पास ऐसी दस इकाइयाँ हो सकती हैं। इनसे हम चित्र और वीडियो बना सकते हैं, पाठ लिख सकते हैं, विपणन सामग्री तैयार कर सकते हैं... यह अपने आप में काफी है, लेकिन अनुप्रयोगों का दायरा मुख्य रूप से सीमित है।

अब कल्पना कीजिए कि हमारे पास दस नहीं, बल्कि एक हजार ऐसी इकाइयाँ हों। अचानक, जो तकनीकें पहले बहुत महंगी थीं, वे व्यावहारिक हो जाएंगी, और जो स्टार्टअप उच्च गणना लागत के कारण बंद कर दिए गए थे, वे आर्थिक रूप से लाभदायक साबित होने लगेंगे।

रोबोटैक्सी का ही उदाहरण लीजिए। आज, ये ज्यादातर वाहन में लगे अपेक्षाकृत कमजोर स्थानीय कंप्यूटरों पर निर्भर करती हैं। हालांकि, अगर वीडियो फीड को अत्यधिक कंप्यूटिंग संसाधनों वाले क्लाउड पर भेजा जाए, तो डेटा को वास्तविक समय में संसाधित करके वापस भेजा जा सकता है। और यह बेहद महत्वपूर्ण है: 100 किमी/घंटा की रफ्तार से चल रही कार को पलक झपकते ही निर्णय लेने होते हैं - सीधा जाना है, मुड़ना है, ब्रेक लगाना है या नहीं लगाना है।

तभी एक पूर्णतः कार्यशील रोबोटैक्सी उद्योग संभव हो पाएगा, न कि केवल आज के समय में मौजूद अलग-थलग समाधान। कार में स्थापित कोई भी स्थानीय कंप्यूटर स्वाभाविक रूप से सीमित होता है, जबकि एक कनेक्टेड सिस्टम में ऐसा नहीं होता। हम इसे जितनी तेज़ी से विस्तारित कर पाएंगे, हमारे आसपास की दुनिया उतनी ही तेज़ी से बदलेगी।

आर्टिफिशियल इंटेलिजेंस में चिप्स और "गोल्डन टिकट" तक पहुंच

गणना क्षमता के संदर्भ में, यह प्रश्न उठता है: क्या आधुनिक चिप्स तक पहुंच एआई बाजार में प्रवेश करने का "सुनहरा टिकट" बन रही है? क्या चिप निर्माताओं के साथ अनुबंध करने वाले या स्वयं चिप का उत्पादन करने वाले बड़े खिलाड़ी प्रमुख उद्यम कंपनियों और बाकी सभी के बीच एक अंतर पैदा कर रहे हैं?

इस तरह की समस्या केवल एक ही स्थिति में उत्पन्न होती है: यदि किसी व्यवसाय का मॉडल पूरी तरह से बड़े ग्राहकों को चिप्स बेचने पर केंद्रित हो। व्यवहार में, NVIDIA जैसे निर्माता सभी के लिए क्लाउड समाधान उपलब्ध कराने का लक्ष्य रखते हैं। उनके अनुकूलित चिप्स OpenAI और स्वतंत्र डेवलपर्स दोनों के लिए क्लाउड पर उपलब्ध हैं।

गूगल, एंथ्रोपिक, माइक्रोसॉफ्ट, ओपनएआई, अमेज़न और एनवीडिया जैसी कंपनियों के बीच रणनीतिक गठबंधन भी मुख्य रूप से संसाधनों के साझा उपयोग के लिए साझेदारी हैं, न कि बाजार पर एकाधिकार स्थापित करने के प्रयास। यह मॉडल गणना शक्ति के कुशल आवंटन को सक्षम बनाता है, जिससे तकनीकी विकास में तेजी आती है।

यदि हम कम्प्यूटेशनल संसाधनों के उपयोग की श्रृंखला का पता लगाएं, तो यह अंतिम उपयोगकर्ता से शुरू होती है। उदाहरण के लिए, जब आप वीडियो कॉल और मैसेजिंग के लिए व्हाट्सएप का उपयोग करते हैं, तो कंपनी को यह सुनिश्चित करना होगा कि सेवा सुचारू रूप से काम करे: डेटा को संग्रहित और संसाधित करना, वीडियो को साफ करने के लिए मॉडल चलाना, प्रभाव जोड़ना और छवि गुणवत्ता में सुधार करना।

स्वामित्व वाले सर्वरों का रखरखाव महंगा होता है, वे पुराने हो जाते हैं और उन्हें लगातार रखरखाव की आवश्यकता होती है। इसीलिए क्लाउड समाधान, यानी "क्लाउड", अस्तित्व में आए हैं। बाजार में तीन प्रमुख कंपनियां हैं: गूगल क्लाउड, एडब्ल्यूएस और माइक्रोसॉफ्ट एज़्योर। अन्य कंपनियां इस स्तर पर प्रतिस्पर्धा नहीं कर सकतीं: बुनियादी ढांचे का पैमाना बहुत विशाल है।

क्लाउड सेवाएं विशाल डेटा केंद्र हैं जिनमें शीतलन, बिजली आपूर्ति और चौबीसों घंटे रखरखाव की व्यवस्था होती है। इनमें एनवीडिया, एएमडी और अन्य निर्माताओं के सर्वर और विशेष चिप्स रखे जाते हैं, जो बड़े पैमाने पर गणना प्रक्रियाओं को सक्षम बनाते हैं।

अब हम उस मुख्य प्रश्न पर आते हैं जिस पर मैंने अपने लेख में चर्चा की थी। डेटा केंद्रों के बारे में पिछला लेखऔर यहीं पर आगे बढ़ना चाहते हैं: इस प्रणाली में मुख्य बाधा क्या है? क्या यह बिजली की कमी है, या उन क्षेत्रों में डेटा केंद्रों को ठंडा रखने की कठिनाई है जहां की जलवायु इसे विशेष रूप से चुनौतीपूर्ण बनाती है? वास्तव में, इसका रहस्य चिप्स में ही छिपा है...

पवित्र प्याला

आज एनवीडिया का मूल्य लगभग 5 ट्रिलियन डॉलर क्यों है और यह दुनिया की सबसे सफल सार्वजनिक रूप से सूचीबद्ध कंपनियों में से एक क्यों मानी जाती है? इसका कारण सरल है: एनवीडिया उन चिप्स का उत्पादन करती है जिन पर एआई मॉडल को प्रशिक्षित किया जाता है और उनसे अनुमान प्राप्त किए जाते हैं।

बड़े मॉडल को प्रशिक्षित करते समय या लगातार बढ़ते डेटा वॉल्यूम को संसाधित करते समय इनमें से प्रत्येक चिप भारी मात्रा में बिजली की खपत करती है। लेकिन उस ऊर्जा का उपयोग कितनी कुशलता से होता है? यहीं पर विशेष चिप्स की भूमिका आती है; ये सामान्य-उद्देश्य वाले जीपीयू की तुलना में विशिष्ट कार्यों को कहीं अधिक कुशलता से संभालती हैं।

कृत्रिम बुद्धिमत्ता (एआई) के मॉडल अलग-अलग होते हैं। उदाहरण के लिए, ओपनएआई के मॉडलों का एक परिवार है, जबकि एंथ्रोपिक का दूसरा। अवधारणाएँ भले ही समान हों, लेकिन गणितीय संरचनाएँ और गणना प्रक्रियाएँ भिन्न होती हैं। ओपनएआई मॉडल (जैसे चैटजीपीटी) और एंथ्रोपिक मॉडल (जैसे क्लाउड) को प्रशिक्षित करते समय एक ही सामान्य-उद्देश्यीय चिप "सभी के लिए उपयुक्त उपकरण" के रूप में कार्य करती है, उदाहरण के लिए, एक मॉडल के लिए 100,000 घंटे और दूसरे के लिए 150,000 घंटे की गणना का समय लेती है। दक्षता में काफी अंतर होता है और यह शायद ही कभी इष्टतम होती है।

कंपनियां विशेष चिप्स बनाकर इस समस्या का समाधान करती हैं। उदाहरण के लिए, एक चिप को चैटजीपीटी आर्किटेक्चर के लिए अनुकूलित किया जा सकता है और उसे लगभग 20 मिनट में प्रशिक्षित किया जा सकता है, जबकि दूसरी चिप को एंथ्रोपिक के आर्किटेक्चर के लिए तैयार किया जाता है और वह भी 20 मिनट में प्रशिक्षण पूरा कर लेती है। सामान्य उपयोग वाली चिप की तुलना में ऊर्जा की खपत और प्रशिक्षण समय कई गुना कम हो जाता है।

जब ये चिप्स Google, Amazon, Microsoft या Azure जैसी बड़ी कंपनियों को बेची जाती हैं, तो इन्हें अलग-अलग उत्पादों के रूप में पेश किया जाता है। उपयोगकर्ता, उदाहरण के लिए, YOLO मॉडल के लिए अनुकूलित चिप या Xen आर्किटेक्चर के लिए सरल और सस्ती चिप चुन सकते हैं। इस तरह, कंपनियां सामान्य-उद्देश्य वाले GPU खरीदने के बजाय, अपने कार्यों के लिए सटीक रूप से तैयार किए गए कंप्यूटेशनल संसाधनों तक पहुंच प्राप्त करती हैं। यदि किसी उपयोगकर्ता के पास दस अलग-अलग कार्य हैं, तो वे दस अलग-अलग विशिष्ट चिप्स का उपयोग कर सकते हैं।

यह रुझान स्पष्ट है: विशेषीकृत चिप्स धीरे-धीरे सामान्य उपयोग वाली चिप्स की जगह ले रही हैं। कई स्टार्टअप अब विशिष्ट गणना कार्यों के लिए डिज़ाइन की गई एएसआईसी (एप्लिकेशन-स्पेसिफिक इंटीग्रेटेड सर्किट) चिप्स के साथ काम कर रहे हैं। पहली एएसआईसी बिटकॉइन माइनिंग के लिए सामने आईं: शुरुआत में, क्रिप्टोकरेंसी की माइनिंग एनवीडिया जीपीयू पर की जाती थी, फिर केवल बिटकॉइन के लिए चिप्स बनाई गईं और वे अन्य कार्य करने में असमर्थ थीं।

मैंने व्यवहार में यह देखा है: एक ही हार्डवेयर कॉन्फ़िगरेशन कार्य के आधार पर पूरी तरह से अलग परिणाम दे सकता है। मेरे स्टार्टअप में आत्मनिरीक्षकहम वास्तविक परियोजनाओं में इन प्रक्रियाओं का अध्ययन करते हैं, और एक रणनीतिक सलाहकार के रूप में कीमैकरमैं देखता हूं कि ग्राहक विशेषीकृत चिप्स से दक्षता कैसे प्राप्त करते हैं, जिससे मॉडल तेजी से चलने लगते हैं। जो परियोजनाएं पहले प्रशिक्षण या अनुमान के दौरान रुक जाती थीं, वे इस दृष्टिकोण से स्थिर परिणाम प्राप्त करती हैं।

हालांकि, संकीर्ण विशेषज्ञता में जोखिम होते हैं। एंथ्रोपिक के आर्किटेक्चर के लिए अनुकूलित चिप ओपनएआई मॉडल को प्रशिक्षित करने के लिए काम नहीं करेगी, और इसके विपरीत भी। प्रत्येक नए आर्किटेक्चर के लिए हार्डवेयर की एक नई पीढ़ी की आवश्यकता होती है, जिससे बड़े पैमाने पर अप्रचलित होने का खतरा पैदा होता है। यदि एंथ्रोपिक कल ही एक नया आर्किटेक्चर जारी करता है, तो पिछली पीढ़ी की सभी चिप्स अक्षम या बेकार हो जाएंगी। नई चिप्स के उत्पादन में अरबों डॉलर खर्च होते हैं और इसमें वर्षों लग सकते हैं।

इससे एक दुविधा उत्पन्न होती है: क्या हमें ऐसे विशेषीकृत चिप्स बनाने चाहिए जो एक सीमित परिदृश्य में पूरी तरह से काम करते हों, या सामान्य प्रयोजन वाले चिप्स का उत्पादन जारी रखना चाहिए जो सभी कार्यों को मध्यम रूप से अच्छी तरह से हल करते हों लेकिन आर्किटेक्चर में बदलाव होने पर उन्हें पूरी तरह से बदलने की आवश्यकता न हो?

इस संदर्भ में दक्षता को तीन मुख्य मापदंडों द्वारा मापा जाता है: संचालन समय, बिजली की खपत और ऊष्मा उत्पादन। ये मापदंड आपस में सीधे तौर पर संबंधित हैं: कोई सिस्टम जितना अधिक समय तक चलता है, उतनी ही अधिक ऊर्जा की खपत करता है और उतनी ही अधिक ऊष्मा उत्पन्न करता है। एक मापदंड को कम करने से अन्य दो मापदंड स्वतः ही बेहतर हो जाते हैं।

एआई प्रदर्शन का "पवित्र लक्ष्य" यहीं निहित है: यदि मूलभूत दक्षता मापदंडों में से कम से कम एक को अनुकूलित किया जा सकता है, तो अन्य मापदंड भी लगभग स्वतः ही बेहतर हो जाते हैं।

टिकाऊ प्रक्रिया

विशेषीकृत चिप्स के बढ़ते उपयोग के साथ, अतिरिक्त उत्पादन के जोखिम का मुद्दा गंभीर होता जा रहा है। वर्तमान में, उपकरणों का अधिशेष पहले से ही काफी अधिक है, और कंपनियां मौजूदा संसाधनों के पुन: उपयोग सहित विभिन्न टिकाऊ तरीकों से इस समस्या का समाधान कर रही हैं।

उच्च तकनीक उद्योगों में सतत विकास के लिए उपकरणों का पुनर्चक्रण एक महत्वपूर्ण तत्व बन गया है। चिप्स में बहुमूल्य और सामान्य धातुएँ, सोना, तांबा, एल्युमीनियम, पैलेडियम और दुर्लभ-पृथ्वी पदार्थ, साथ ही माइक्रोचिप्स और ट्रांजिस्टर में प्रयुक्त पदार्थ प्रचुर मात्रा में होते हैं। उपकरण अप्रचलित हो जाने पर, इन मूल्यवान संसाधनों को उत्पादन में पुनः उपयोग किया जा सकता है, जिससे नए घटकों की लागत कम होती है और साथ ही उद्योग का पर्यावरणीय प्रभाव भी घटता है।

कुछ विशेष कारखाने और कंपनियां पुराने पुर्जों से कीमती धातुओं को पुनर्चक्रित करने और निकालने पर ध्यान केंद्रित करती हैं। उदाहरण के लिए, कुछ संयंत्र उच्च शुद्धता के साथ सोना और तांबा निकालने के लिए जलधात्विक प्रक्रियाओं और उन्नत रासायनिक विधियों का उपयोग करते हैं, जिससे इन सामग्रियों को नए चिप्स में पुनः उपयोग किया जा सके।

इसके अतिरिक्त, कंपनियां क्लोज्ड-लूप मॉडल लागू कर रही हैं, जिसमें पुराने उपकरणों को अपग्रेड किया जाता है या नए समाधानों में एकीकृत किया जाता है, जिससे प्राथमिक संसाधनों के निष्कर्षण की आवश्यकता कम हो जाती है। इस तरह के दृष्टिकोण न केवल अपशिष्ट को कम करने में मदद करते हैं बल्कि उत्पादन के कार्बन फुटप्रिंट को भी कम करते हैं, क्योंकि पारंपरिक खनन और धातु प्रसंस्करण में काफी ऊर्जा की आवश्यकता होती है।

चिप्स और उपकरणों के जीवनचक्र का सतत प्रबंधन एक उद्योग मानक बन सकता है, जहां तकनीकी प्रगति पर्यावरणीय जिम्मेदारी के साथ संरेखित होती है।