Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions: एक पुनः बातचीत

Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions, कंपनी के प्रौद्योगिकी विकास और संचालन का नेतृत्व करते हैं क्योंकि यह कृत्रिम बुद्धिमत्ता, मशीन विज़न, और भविष्यवाणी विश्लेषण को महत्वपूर्ण ऊर्जा बुनियादी ढांचे के निरीक्षण और रखरखाव में लागू करता है। उन्होंने 2017 में Buzz Solutions की सह-स्थापना की, डेटा विज्ञान, मशीन लर्निंग, एम्बेडेड सिस्टम, कंप्यूटर विज़न, और स्वायत्त प्रौद्योगिकियों में अनुभव विकसित करने के बाद। कंपनी पर पूर्णकालिक ध्यान केंद्रित करने से पहले, Chaudhry Cisco में डेटा वैज्ञानिक के रूप में काम कर चुके हैं, Altitude Co. में मशीन लर्निंग और सेंसर‑आधारित सिस्टम विकसित किए, और Stanford University में स्वायत्त ड्रोन, पवन‑वेग संवेदन और पवन फार्मों के लिए कंप्यूटर विज़न पर शोध किया। भारत के Defence Research and Development Organisation में उनका पूर्व शोध सिमुलेशन और रिमोट‑सेंसिंग सॉफ़्टवेयर का उपयोग करके भूस्खलन पूर्वानुमान पर केंद्रित था, जिससे उन्हें बुनियादी ढांचा जोखिम, भू‑स्थानिक विश्लेषण, और लागू AI में तकनीकी पृष्ठभूमि मिली। Buzz Solutions वर्तमान में उन्हें अपने सह‑संस्थापक, CTO, और COO के रूप में पहचानता है।

Buzz Solutions विज़ुअल इंटेलिजेंस सॉफ़्टवेयर विकसित करता है जो ऊर्जा कंपनियों को ट्रांसमिशन, वितरण, सबस्टेशन, और जनरेशन बुनियादी ढांचे का निरीक्षण, रखरखाव, और सुरक्षा करने में मदद करने के लिए डिज़ाइन किया गया है। इसका PowerAI प्लेटफ़ॉर्म ड्रोन, हेलिकॉप्टर, फिक्स्ड‑विंग विमान, और ग्राउंड निरीक्षणों के माध्यम से एकत्रित इमेजरी का विश्लेषण करता है, विज़ुअल डेटा को डायग्नोस्टिक्स में परिवर्तित करता है जो यूटिलिटीज़ को दोष पहचानने, परिसंपत्ति स्थिति का मूल्यांकन करने, मरम्मत को प्राथमिकता देने, और निष्कर्षों को मौजूदा जियोग्राफिक इन्फ़ॉर्मेशन सिस्टम, एसेट‑मैनेजमेंट, और वर्क‑ऑर्डर वर्कफ़्लो में एकीकृत करने में मदद करता है। कंपनी अपनी प्रौद्योगिकी को बुनियादी ढांचा जोखिम को पहले पहचानने, निरीक्षण इमेजरी के विश्लेषण के लिए आवश्यक मैनुअल कार्य को कम करने, और उपकरण विफलताओं के कारण आउटेज, शटडाउन, या जंगल‑आग की संभावना को घटाने का तरीका मानती है। Buzz Solutions सबस्टेशन मॉनिटरिंग और सुरक्षा के लिए उपकरण भी प्रदान करता है, जो यूटिलिटीज़ को अधिक सुरक्षित, अधिक लचीला, और अधिक डेटा‑ड्रिवेन ग्रिड संचालन बनाने के व्यापक लक्ष्य को प्रतिबिंबित करता है।

जब हमने 2024 में आपका साक्षात्कार किया, हमारी बातचीत AI का उपयोग करके यूटिलिटीज़ को मैनुअल निरीक्षण से भविष्यवाणी रखरखाव की ओर ले जाने पर केंद्रित थी। पिछले दो वर्षों में, ऊर्जा क्षेत्र और आपके अपने विचारों में सबसे अधिक क्या बदल गया, जिसने आपको “Powering Intelligence” लिखने और बिजली को AI के भविष्य की संभावित बाधा के रूप में फ्रेम करने के लिए प्रेरित किया?

जब हमने आखिरी बार बात की, तो बातचीत मुख्य रूप से ग्रिड के बैक ऑफिस के बारे में थी, यूटिलिटीज़ को मैनुअल निरीक्षण से भविष्यवाणी रखरखाव की ओर ले जाने के बारे में। यह अभी भी वही काम है। लेकिन दो वर्षों में हम सभी के नीचे कुछ बदल गया, और यह लगभग मेरे विश्व में लगभग किसी ने भी अपेक्षित गति से तेज़ी से बदल गया। तब AI एक मांग कहानी थी जिसे हम अमूर्त रूप में चर्चा करते थे। अब यह यूटिलिटीज़ के लिए बड़े लोड ग्रोथ नंबरों के रूप में सामने आता है। मैं उन लोगों से वही बात सुनने लगा हूँ जिनके साथ मैं कई वर्षों से इस उद्योग में रहा हूँ: लोड के लिए इंटरकनेक्शन अनुरोध जो कुछ साल पहले अकल्पनीय थे, एकल सुविधाएँ जो एक छोटे शहर की तरह शक्ति मांगती हैं और ऐसा टाइमलाइन पर मांगती हैं जिसका ग्रिड के वास्तविक निर्माण से कोई संबंध नहीं है। वही वह क्षण था जब यह मेरे लिए स्पष्ट हो गया। हम अपनी सारी ऊर्जा इस बात पर बहस करने में लगाते हैं कि ये मॉडल कितने सक्षम हो सकते हैं, और लगभग कोई नहीं इस नीरस भौतिक प्रश्न पर चर्चा करता है कि क्या हम उन्हें ऊर्जा दे सकते हैं। मैंने “Powering Intelligence” लिखा क्योंकि मैं उस पुस्तक की तलाश में था जो इन दो दुनियाओं को जोड़ती, लेकिन वह मौजूद नहीं थी। हर कोई AI मॉडल्स के बारे में लिख रहा था। लगभग कोई नहीं उन इलेक्ट्रॉनों के बारे में लिख रहा था जो उनके लिए आवश्यक हैं। और मैं एक अजीब स्थिति में बैठा था, AI पक्ष के करीब इतना कि मैं महत्वाकांक्षा को समझ सकूँ, और ग्रिड पक्ष के करीब इतना कि मैं ठीक‑ठीक जानता हूँ कि एक नई ट्रांसमिशन लाइन और पावर जेनरेशन प्लांट को वास्तव में कितना समय लगता है। इन दो घड़ियों के बीच का अंतर पूरी कहानी है, और मैं इसे एक जगह पर रखना चाहता था।

आप तर्क देते हैं कि AI उद्योग महीनों में स्केल करता है जबकि पावर ग्रिड दशकों में बदलता है। आज सबसे त्वरित बाधा कहाँ है: बिजली उत्पादन, ट्रांसमिशन क्षमता, सबस्टेशन, ट्रांसफ़ॉर्मर, इंटरकनेक्शन कतारें, परमिटिंग, या कुशल कार्यबल की उपलब्धता?

मुझे लगता है यहाँ कई बाधाएँ हैं, और उत्तर यह है कि वे सभी आपस में जुड़ी हुई हैं। लेकिन अगर आप मुझे अभी सबसे कसी हुई गाँठ की ओर इशारा करें, तो यह इलेक्ट्रॉनों के उत्पादन से कम और उन्हें पहुँचाने से अधिक है: ट्रांसमिशन और इंटरकनेक्शन प्रक्रिया, जिसमें ट्रांसफ़ॉर्मर और अन्य विद्युत उपकरण वह भौतिक भाग हैं जो सब कुछ बाँधते हैं। यहाँ वह बात है जिसे लोग अक्सर कम आँकते हैं। आप एक पावर प्लांट और एक डेटा सेंटर को प्रेस रिलीज़ में घोषित कर सकते हैं। आप बड़े पावर ट्रांसफ़ॉर्मर को प्रेस‑रिलीज़ में नहीं बना सकते, कुछ के लीड टाइम सालों में मापे जाते हैं, और उनमें से कई घरेलू रूप से भी नहीं बनते। इसलिए जब इच्छा और पूँजी मौजूद होते हैं, तो आप घटकों पर सप्लाई‑चेन की दीवार से टकराते हैं। फिर उसके ऊपर इंटरकनेक्शन कतार आती है, जो कई क्षेत्रों में अध्ययन के लिए कई‑सालों की लाइन होती है। और इसके नीचे पावर उद्योग की कार्यबल समस्या है। जो लोग वास्तव में इस उपकरण को बनाना और रखरखाव करना जानते हैं, वे हमारे प्रतिस्थापन की गति से तेज़ी से सेवानिवृत्त हो रहे हैं।

इसलिए, यह एक ही बाधा नहीं है। यह सबसे धीमी गति वाले भौतिक भाग—ट्रांसफ़ॉर्मर, ट्रांसमिशन कॉरिडोर, प्रशिक्षित लाइनवर्कर्स—है, जिन्हें केवल सॉफ़्टवेयर या पैसे से तेज़ नहीं किया जा सकता। यही इसे कठिन बनाता है।

AI डेटा सेंटर बड़े, अत्यधिक केंद्रित लोड को उन क्षेत्रों में ला सकते हैं जहाँ ग्रिड उस स्तर की मांग के लिए डिज़ाइन नहीं किए गए थे। ये सुविधाएँ ऐतिहासिक रूप से यूटिलिटीज़ द्वारा प्रबंधित बड़े औद्योगिक लोड से कैसे भिन्न हैं, और वे विश्वसनीयता और क्षमता योजना के लिए कौन‑से नए जोखिम पैदा करती हैं?

यूटिलिटीज़ ने सदी से बड़े लोड को संभाला है। एक इस्पात कारखाना, एल्युमीनियम स्मेल्टर, ऑटोमोबाइल निर्माण प्लांट—ये सभी विशाल लोड हैं, और ग्रिड प्लानर जानते हैं कि उन्हें कैसे संभालना है। इसलिए प्रवृत्ति यह है कि डेटा सेंटर को सिर्फ एक और बड़े ग्राहक की तरह माना जाए। मेरा मानना है कि यह प्रवृत्ति गलत है, और अंतर ही नया जोखिम बनाते हैं।

तीन बातें मेरे लिए स्पष्ट हैं। पहला है एकाग्रता और गति। एक पारंपरिक भारी‑औद्योगिक लोड आमतौर पर दशकों में उस क्षेत्र के ग्रिड के साथ बढ़ता है। ये सुविधाएँ एक साथ बड़ी मात्रा में लैंड पर उतरना चाहती हैं, जहाँ स्थानीय ग्रिड ने कभी उनके लिए योजना नहीं बनाई थी। दूसरा है लोड प्रोफ़ाइल। इनमें से कई स्मूद लोड नहीं होते, वे तेज़ और कठोर रैंप कर सकते हैं, जिससे उपकरण पर अलग‑अलग तनाव पड़ता है, एक स्थिर प्रक्रिया चलाने वाले कारखाने की तुलना में। तीसरा, और यह वह है जो योजनाकारों को सबसे अधिक चिंतित करता है, वह है अटकल‑आधारित संचयन, जो मैं जानता हूँ कि आपका अगला प्रश्न है।

जो जोखिम यह बनाता है, वह है कि यूटिलिटीज़ को ऐसे मांग के आसपास योजना बनानी पड़ती है जो उनके ऐतिहासिक मॉडलों में कभी नहीं आया, और AI उद्योग की टाइमलाइन के अनुसार पूँजी और बुनियादी ढांचा प्रतिबद्ध करना पड़ता है, न कि ग्रिड की। जब आपकी योजना धारणाएँ एक सौ साल के एक प्रकार के लोड पर आधारित होती हैं और नया लोड उन धारणाओं को तोड़ देता है, तो विश्वसनीयता योजना वास्तव में कठिन हो जाती है। यह नकारने का कारण नहीं है। यह अलग‑अलग योजना बनाने का कारण है।

यूटिलिटीज़ डेटा‑सेंटर डेवलपर्स से महत्वाकांक्षी पावर अनुरोध प्राप्त कर रही हैं, लेकिन हर प्रस्तावित सुविधा अनिवार्य रूप से पूरी नहीं होगी। यूटिलिटीज़ कैसे प्रतिबद्ध मांग को अटकल‑आधारित अनुरोधों से अलग कर सकती हैं और देर से या कभी नहीं आने वाले प्रोजेक्ट्स के लिए महँगा बुनियादी ढांचा बनाने से बच सकती हैं?

यह वर्तमान में इस पूरे क्षेत्र का सबसे महत्वपूर्ण संचालन प्रश्न है, और मैं खुश हूँ कि आपने इसे सीधे पूछा, क्योंकि यह अधिक चमकदार विषयों की तुलना में पर्याप्त ध्यान नहीं पाता।

एक डेवलपर एक ही प्रोजेक्ट के लिए कई क्षेत्रों में एक साथ इंटरकनेक्शन अनुरोध जमा कर सकता है, यह देखता है कि कौन सबसे तेज़ पावर प्रदान कर सकता है। इन प्रोजेक्ट्स में से कुछ वास्तविक और फंडेड होते हैं। कुछ विकल्प, प्लेसहोल्डर, और लाइन में जगह रखने का तरीका होते हैं। इनमें से कुछ को “Phantom loads” कहा जाता है जो कभी नहीं आते। यदि कोई यूटिलिटी हर अनुरोध को वास्तविक मान ले और सभी के लिए जनरेशन और ट्रांसमिशन बनाना शुरू कर दे, तो वे एक बड़े लागत को स्ट्रैंड कर देते हैं, एक डेटा सेंटर के लिए बुनियादी ढांचा जो कई सालों बाद या कभी नहीं आता। और अनुमान लगाइए कि स्ट्रैंडेड एसेट्स का भुगतान कौन करेगा, मौजूदा दरभोगी। दूसरी ओर, यदि यूटिलिटीज़ कम बनाती हैं, तो वे आने वाले लोड की मांग को पूरा नहीं कर पाएँगी, जिससे ग्रिड पर विश्वसनीयता समस्याएँ उत्पन्न हो सकती हैं।

समाधान यह है कि अटकल को महँगा और प्रतिबद्धता को सस्ता बनाया जाए। इसका मतलब है कि यूटिलिटी पूँजी प्रतिबद्ध करने से पहले वास्तविक वित्तीय जोखिम होना चाहिए, अर्थपूर्ण जमा, निर्माण माइलस्टोन से जुड़े चरणबद्ध प्रतिबद्धताएँ, ऐसे अनुबंध शर्तें जो जोखिम अनुरोध करने वाले पक्ष पर रखें न कि दरभोगी आधार पर। कुछ क्षेत्रों में यह दिशा शुरू हो रही है। मेरा मूल सिद्धांत सरल है: पावर का अनुरोध करने वाली इकाई को पावर न चाहिए होने के जोखिम को वहन करना चाहिए। अभी, बहुत बार, वह जोखिम चुपचाप सभी पर पड़ता है।

AI डेटा सेंटर के लिए जनरेशन, ट्रांसमिशन, और सबस्टेशन अपग्रेड की लागत अंततः कौन उठाएगा? कौन‑से दर संरचनाएँ या अनुबंधीय सुरक्षा उपाय घरों और मौजूदा व्यवसायों को मुख्यतः हाइपर‑स्केल टेक कंपनियों के लिए निर्मित बुनियादी ढांचे को सब्सिडी देने से रोक सकते हैं?

यह वह प्रश्न है जो अगले दशक के ग्रिड की राजनीति को परिभाषित करेगा, और मेरा मानना है कि इसका शुद्ध तकनीकी उत्तर नहीं है। यह न्यायसंगतता के बारे में है। मेरी ईमानदार राय है कि लागत जितना संभव हो उतना लोड के साथ बैठनी चाहिए जो इसे उत्पन्न करता है। यदि एक हाइपरस्केलर की सुविधा को नया सबस्टेशन और ट्रांसमिशन अपग्रेड चाहिए, तो डिफ़ॉल्ट मान्यता यह होनी चाहिए कि सुविधा को वही भुगतान करना चाहिए जो वह ट्रिगर करती है, न कि भविष्य में कोई सेवानिवृत्त व्यक्ति जिसका बिल चुपचाप बढ़ता है। यह स्पष्ट लगता है, लेकिन ऐतिहासिक दर संरचनाएँ बड़े नए बुनियादी ढांचे को पूरे ग्राहक आधार में सामाजिक बनाती थीं, जो तब समझ में आता था जब नया लोड एक फैक्ट्री था जो शहर को रोजगार देता था। यह बहुत कम समझ में आता है जब लाभार्थी पृथ्वी पर सबसे मूल्यवान कंपनियों में से एक हो।

उपकरण मौजूद हैं। इस वर्ग के ग्राहक के लिए विशेष रूप से डिज़ाइन किए गए बड़े‑लोड टैरिफ़। न्यूनतम‑टेक अनुबंध ताकि डेटा सेंटर बुनियादी ढांचा बनवा कर फिर न चले। दीर्घ‑कालिक प्रतिबद्धताएँ जो निर्मित एसेट्स के जीवनकाल से मेल खाती हैं। महत्वपूर्ण यह है कि नियामक और यूटिलिटीज़ वास्तव में उनका उपयोग करें, और निर्माण से पहले, न कि बाद में। क्योंकि एक बार कंक्रीट डाल दिया गया और लागत दर‑आधार में शामिल हो गई, तो उसे वापस लेना बहुत कठिन हो जाता है। मैं इस बारे में अपनी पुस्तक में लिखता हूँ क्योंकि मेरा मानना है कि यह उन जगहों में से एक है जहाँ प्रोत्साहन को थोड़ा गलत सेट करने से सार्वजनिक भरोसा धीरे‑धीरे दोनों यूटिलिटीज़ और AI उद्योग में कम हो सकता है।

क्या AI डेटा सेंटर लोड शिफ्टिंग, डिमांड रिस्पॉन्स, बैटरियों, थर्मल स्टोरेज, या ऑन‑साइट जनरेशन के माध्यम से लचीले ग्रिड एसेट बन सकते हैं, बजाय अनलचीले मांग स्रोतों के? कौन‑से AI वर्कलोड वास्तव में विभिन्न घंटों या स्थानों में स्थानांतरित किए जा सकते हैं बिना प्रदर्शन से समझौता किए?

हां, और मुझे लगता है कि यह इस विषय में सबसे आशाजनक विचारों में से एक है, इसलिए मैं इसे अधिक बेचने से बचना चाहता हूँ, क्योंकि लचीलापन वास्तविक है लेकिन असीमित नहीं। सबसे पहले यह अंतर समझें: सभी AI कंप्यूट समान नहीं हैं। एक तरफ इनफ़रेंस है, जो बड़े मॉडल्स के प्रशिक्षित होने के बाद (लाइव मॉडल्स) का कंप्यूट है, और आप मॉडल से प्रश्न पूछते हैं और तुरंत उत्तर चाहते हैं। यह लेटेंसी‑सेंसिटिव है और इसे आसानी से स्थानांतरित नहीं किया जा सकता। और फिर प्रशिक्षण है, बड़े‑बॅच‑स्टाइल वर्कलोड्स जो मॉडल बनाते हैं। प्रशिक्षण बहुत अधिक लचीला है। इसे दोपहर 2 बजे या रात 2 बजे, या इस स्थिति में या उस स्थिति में चलना परवाह नहीं करता, जब तक यह पूरा हो जाता है। यही लचीलापन अवसर देता है। यदि डेटा सेंटर के लोड का बड़ा हिस्सा ऐसा है जिसे समय में शिफ्ट किया जा सकता है, तो वह उन घंटों में ले सकता है जब ग्रिड के पास अतिरिक्त स्वच्छ पावर हो और जब सिस्टम तनाव में हो तो पीछे हट सकता है।

अब बैटरियों, थर्मल स्टोरेज, और ऑन‑साइट जनरेशन को जोड़ें, और एक सुविधा जो पहले कठोर मांग ब्लॉक जैसी दिखती थी, वह अब एक संसाधन बन सकती है जो ग्रिड को संतुलित करने में मदद करती है, दिन के मध्य में अतिरिक्त सौर ऊर्जा को सोखती है, और पिक‑समय में संग्रहीत ऊर्जा से चलती है। ईमानदार चेतावनी यह है कि इसके लिए ऑपरेटर को वास्तव में सहयोग करने की इच्छा होनी चाहिए, और दर संरचनाओं को उन्हें इसके लिए इनाम देना चाहिए। तकनीक आसान हिस्सा है, लेकिन प्रोत्साहन डिज़ाइन कठिन हिस्सा है। लेकिन एक ऐसी दुनिया जहाँ डेटा सेंटर ग्रिड के लचीले भागीदार हैं, विरोधी नहीं, वास्तव में संभव है, और यह विकल्प की तुलना में बहुत बेहतर है।

अगले दशक में AI की बिजली की आवश्यकताओं को वास्तविक रूप से कौन‑से ऊर्जा स्रोत पूरा कर सकते हैं? आप नवीकरणीय ऊर्जा और स्टोरेज, प्राकृतिक गैस, पारंपरिक परमाणु ऊर्जा, छोटे मॉड्यूलर रिएक्टर, और भू‑तापीय ऊर्जा को उस मिश्रण में कैसे देखते हैं?

मैं आपको वह उत्तर दूँगा जो लोग पसंद नहीं करते, वह है कि यह सब है, और कोई भी जो आपको एकल‑स्रोत सिल्वर बुलेट बेच रहा है, वह कुछ बेच रहा है। नवीकरणीय और स्टोरेज सबसे तेज़ चीज़ें हैं जिन्हें हम वास्तव में तैनात कर सकते हैं; सौर ऊर्जा प्लस बैटरियों को ऐसे टाइमलाइन पर बनाया जा सकता है जो लगभग सभी अन्य चीज़ों की तुलना में समझदारीपूर्ण दिखता है, और वह गति बहुत महत्वपूर्ण है जब मांग इतनी तेज़ी से बढ़ रही है। इसलिए यह निकट‑कालीन कार्यशक्ति है। वास्तव में, Buzz के कई यूटिलिटी ग्राहक (Dominion, Ameren, AEP, NYPA, Southern और अन्य) लगातार अपने सौर फुटप्रिंट को बढ़ा रहे हैं ताकि डेटा सेंटर लोड की मांग को पूरा किया जा सके। लेकिन नवीकरणीय ऊर्जा परिवर्तनशील है, और ये लोड 24/7 चलते हैं, इसलिए स्टोरेज इस वाक्य में बहुत काम कर रहा है, और फर्म पावर अभी भी महत्वपूर्ण है। प्राकृतिक गैस पुल का हिस्सा होगी चाहे लोग इसे पसंद करें या नहीं, क्योंकि यह डिस्पैचेबल है और यह यहाँ है। परमाणु ऊर्जा अभी बहुत रोचक है, हम उन प्लांट्स को देख रहे हैं जो सेवानिवृत्ति की ओर थे, लेकिन डेटा सेंटर के दीर्घकालिक अनुबंध के कारण उन्हें दूसरा जीवन मिल रहा है, जो लगभग किसी ने भी भविष्यवाणी नहीं की थी। छोटे मॉड्यूलर रिएक्टर (SMRs) और भू‑तापीय ऊर्जा वास्तव में रोमांचक दीर्घ‑कालिक विकल्प हैं, लेकिन मैं टाइमलाइन के बारे में अनुशासित रहने की कोशिश करता हूँ, वे दशक के दूसरे भाग और उसके बाद की कहानी का एक सार्थक हिस्सा हैं, 2027 में आपका बचाव नहीं करेंगे।

तो, वास्तविक मिश्रण परत‑दर‑परत वाला है: नवीकरणीय और स्टोरेज वृद्धि को ले जाता है, गैस फर्मनेस गैप को पुल करता है, मौजूदा परमाणु विस्तारित और नई मूल्यांकित, और अगली पीढ़ी के स्रोत परिपक्व होते ही ऑनलाइन आते हैं। गलती यह है कि किसी एक दिशा में वैचारिक शुद्धता की खोज की जाए, क्योंकि ग्रिड हमारी पसंद की परवाह नहीं करता। यह विश्वसनीय रूप से और समय पर डिलीवर किए गए किलोवॉट‑घंटे की परवाह करता है।

आपकी पुस्तक में एक केंद्रीय विचार है कि वही AI उद्योग जो ग्रिड पर दबाव डाल रहा है, वह इसे आधुनिक बनाने के लिए आवश्यक उपकरण भी प्रदान कर सकता है। AI सबसे निकट‑कालीन लाभ कहाँ पैदा कर सकता है: लोड फोरकास्टिंग, प्रेडिक्टिव मेंटेनेंस, ट्रांसमिशन ऑप्टिमाइज़ेशन, वेजिटेशन मैनेजमेंट, आउटेज रेस्टोरेशन, डिजिटल ट्विन्स, या ऑटोनोमस ग्रिड कंट्रोल्स?

यह पुस्तक का हृदय है, और ईमानदारी से यह वह भाग है जिसे मैं सबसे आशाजनक पाता हूँ, वही उद्योग जो ग्रिड पर तनाव डाल रहा है, हमें सबसे अच्छे उपकरण दे रहा है जिन्हें हमने कभी ग्रिड को ठीक करने के लिए पाया है। यदि मैं आज वास्तविक रिटर्न के आधार पर रैंक करूँ, तो मैं इसे यहाँ रखूँगा।

पहले प्रेडिक्टिव मेंटेनेंस, निरंतर मॉनिटरिंग और निरीक्षण, क्योंकि यही वह क्षेत्र है जहाँ Buzz ने वर्षों तक काम किया है, और मैंने इसे काम करते देखा है। कंप्यूटर विज़न और विज़ुअल AI का उपयोग करके दोषपूर्ण घटकों को विफल होने से पहले खोजना—फटा इंसुलेटर, अधिक गर्म ट्रांसफ़ॉर्मर, जंग लगे हुक—यह अटकल नहीं, यह लागू है और अभी वास्तविक पैसा बचा रहा है और वास्तविक आउटेज रोक रहा है। इसके साथ ही मैं लोड फोरकास्टिंग और डिमांड रिस्पॉन्स को रखूँगा, क्योंकि पूरी डेटा सेंटर समस्या अधिक प्रबंधनीय हो जाती है यदि आप वास्तव में अधिक सटीकता से मांग की भविष्यवाणी कर सकें, न कि अंधाधुंध योजना बनाएं। फिर ट्रांसमिशन ऑप्टिमाइज़ेशन, मौजूदा तारों से अधिक क्षमता निकालना, जो बहुत महत्वपूर्ण है क्योंकि नई लाइनों का निर्माण बहुत धीमा है। वेजिटेशन मैनेजमेंट और आउटेज रेस्टोरेशन भी पास में हैं, क्योंकि दोनों क्षेत्र हैं जहाँ AI धीमी और मैनुअल प्रक्रिया को तेज़ और कुशल बनाता है, साथ ही पर्याप्त अंतर्दृष्टि और स्थितिजन्य जागरूकता प्रदान करता है जिससे ग्रिड को वाइल्डफ़ायर, तूफ़ान क्षति और पावर आउटेज जैसी घटनाओं से बचाया जा सके।

डिजिटल ट्विन्स और पूरी तरह ऑटोनोमस ग्रिड कंट्रोल्स आगे की क्षितिज हैं, वे आ रहे हैं, और वे शक्तिशाली हैं, लेकिन वे भरोसे और सुरक्षा के प्रश्न लाते हैं जो मुझे लगता है आपका अगला प्रश्न है। इसलिए निकट‑कालीन, मेरी ईमानदार रैंकिंग अनग्लैमरस चीज़ों से शुरू होती है: ग्रिड को बेहतर देखें, उसके व्यवहार को बेहतर भविष्यवाणी करें, और जो पहले से जमीन में है उससे अधिक निकालें, साथ ही ग्रिड सिस्टम को अधिक जागरूक बनाकर। यही वह जगह है जहाँ AI पहले खुद को भुगतान करता है।

हमारे पिछले साक्षात्कार ने Buzz Solutions की वास्तविक यूटिलिटी डेटा और ह्यूमन‑इन‑द‑लूप रिव्यू पर निर्भरता पर चर्चा की थी। जैसे ही पावर सिस्टम अधिक स्वायत्त होते जा रहे हैं, कौन‑से निर्णय AI को सुरक्षित रूप से सौंपे जा सकते हैं, और कहाँ मानव निर्णय अनिवार्य रहना चाहिए? यूटिलिटीज़ को अस्पष्ट मॉडल निर्णयों, साइबर‑अटैक, या ऐसी विफलताओं के लिए कैसे तैयार होना चाहिए जो महत्वपूर्ण बुनियादी ढांचे में फैल सकती हैं?

जब हमने आखिरी बार बात की, तो मैंने हमारे अपने दृष्टिकोण को ह्यूमन‑इन‑द‑लूप के रूप में वर्णित किया, जहाँ विषय‑विशेषज्ञ AI मॉडल्स को फीडबैक देते हैं जब कोई भविष्यवाणी विश्वसनीयता सीमा से नीचे हो या खराब हो, और मैं वहाँ से शुरू करना चाहता हूँ क्योंकि इस पर मेरा दृष्टिकोण नरम नहीं हुआ, बल्कि कड़ा हो गया है।

AI धारणा और सिफ़ारिशों के कार्यों में असाधारण है, सभी डेटा को देखें, विसंगति खोजें, जोखिम को चिह्नित करें, क्या ध्यान देने योग्य है उसे रैंक करें। इसे सौंपना न केवल सुरक्षित है, बल्कि वह स्तर है जो मनुष्य अकेले इस पैमाने पर नहीं कर सकते। जहाँ मैं अधिक सतर्क हूँ, वह है महत्वपूर्ण बुनियादी ढांचे और मिशन‑क्रिटिकल प्रोजेक्ट्स पर परिणाम‑उन्मुख कार्रवाई, ऐसे निर्णय जहाँ गलत होना अस्पताल की पावर को बंद कर सकता है या एक क्षेत्र में फैल सकता है। उन पर एक मानव (विषय‑विशेषज्ञ) को उत्तरदायी होना चाहिए, न कि क्योंकि मॉडल औसत में बेहतर है, बल्कि क्योंकि महत्वपूर्ण बुनियादी ढांचा वह जगह है जहाँ दुर्लभ आपदा‑परिदृश्य पूरी कहानी बनाता है।

इसलिए, मेरे अनुसार, तैयारी तीन‑गुना है। पहला, महत्वपूर्ण निर्णयों पर मानव को अर्थपूर्ण रूप से लूप में रखें, सिर्फ़ रबर‑स्टैम्प नहीं, बल्कि वास्तविक अधिकार के साथ जिसे ओवरराइड किया जा सके। दूसरा, किसी भी चीज़ के लिए व्याख्यात्मकता की माँग करें जो महत्वपूर्ण संचालन को छूती है; यदि आप नहीं समझ सकते कि मॉडल ने ऐसा क्यों किया, तो आप इसके लिए उत्तरदायी नहीं हो सकते, और “AI ने फैसला किया” वह उत्तर नहीं है जब लाइट बंद हो जाती है। तीसरा, और यह वह है जहाँ उद्योग खतरनाक रूप से पीछे है, इन स्वायत्त सिस्टम को पहले दिन से ही एक विस्तारित अटैक सतह के रूप में देखें। जितना हम सॉफ़्टवेयर को ग्रिड चलाने देंगे, उतना ही ग्रिड सॉफ़्टवेयर कमजोरियों को विरासत में लेगा। एक स्वायत्त नियंत्रण प्रणाली पर साइबर‑अटैक डेटा ब्रीच नहीं, बल्कि एक भौतिक घटना है। हमें इस वास्तविकता के लिए डिज़ाइन करना होगा इससे पहले कि हम पूरी तरह स्वायत्त बनें, बाद में नहीं। सकारात्मक बात यह है कि यूटिलिटीज़ अब डेटा सुरक्षा, इन्फ़ोसेक और AI गवर्नेंस को बहुत गंभीरता से ले रही हैं और उन्होंने अपने संगठनों में AI और डेटा गवर्नेंस काउंसिल स्थापित करना शुरू कर दिया है। हम, Buzz, उद्योग के लिए साइबर‑सिक्योरिटी और AI गवर्नेंस प्लेबुक प्रकाशित किए हैं ताकि AI सिस्टम को सुरक्षित और बड़े पैमाने पर लागू करने के सफल उदाहरणों को सीख सकें।

पाँच साल आगे देखते हुए, कौन‑से देश और क्षेत्र AI के निरंतर विस्तार को समर्थन देने में सक्षम होंगे और कौन‑से बिजली की उपलब्धता द्वारा सीमित रहेंगे? 2031 तक AI विकास को ग्रिड आधुनिकीकरण के साथ संरेखित करने की एक सफल रणनीति कैसी दिखेगी?

मुझे लगता है पाँच साल बाद हम पीछे मुड़कर देखेंगे और समझेंगे कि AI की बाधा कभी चिप्स या टैलेंट नहीं थी। वे दुनिया भर में आसानी से घूमते हैं। वह चीज़ जो नहीं चल सकी, वह थी शक्ति और बुनियादी ढांचा, जो वास्तव में तय करता था कि कौन जीतता है। बिजली AI युग का रणनीतिक संसाधन बन जाएगी, जैसे पिछले सदी में तेल था, और यह अतिरंजित नहीं है; यह सिर्फ़ अब स्पष्ट हो रहा है।

तो, जो क्षेत्र आगे बढ़ेंगे, वे वही होंगे जिन्होंने ग्रिड क्षमता को एक प्रतिस्पर्धी एसेट के रूप में माना और जल्दी‑जल्दी निर्माण और सुधार शुरू किया, वे जगहें जिन्होंने इंटरकनेक्शन को सरल बनाया, परमिटिंग को आधुनिक बनाया बिना आवश्यक सुरक्षा को कम किए, ट्रांसमिशन में निवेश किया जब मांग पूरी तरह नहीं आई, बजाय बाद में धाव‑धूप के। जो पीछे रहेंगे, उनके पास महत्वाकांक्षा या पूँजी की कमी नहीं होगी। उनके पास डेटा सेंटर की घोषणाएँ और निवेश धन होंगे, लेकिन वे इलेक्ट्रॉनों को प्रदान नहीं कर पाएँगे, और प्रोजेक्ट्स चुप‑चाप कहीं और चले जाएँगे जहाँ यह संभव हो।

2031 तक एक सफल रणनीति वह दो घड़ियों (पुस्तक में उल्लेखित) को अंततः एक साथ काम करने के लिए सेट करने जैसी होगी, न कि एक‑दूसरे के खिलाफ। इसका मतलब है AI की गति को ऊर्जा बुनियादी ढांचे की टाइमलाइन के साथ संरेखित करना, AI को स्वयं ग्रिड से अधिक उपयोग करने में मदद करना, जबकि हमें वह ग्रिड बनाना है जिसकी हमें जरूरत है, लागत आवंटन को सही करना ताकि पावर की किफ़ायतीता के बारे में सार्वजनिक भावना अत्यधिक नकारात्मक न हो, और कार्यबल समस्या को इतना गंभीरता से लेना कि अगली पीढ़ी के लोग जो इस सिस्टम को बनाते और चलाते हैं, उन्हें प्रशिक्षित किया जाए। यह कोई तकनीकी समस्या नहीं है क्योंकि हमारे पास तकनीक है। यह समन्वय और इच्छा की समस्या है। मेरी राय में, अच्छी खबर यह है कि ये समस्याएँ वे हैं जिन्हें हम हल करना जानते हैं; इसके लिए केवल तकनीकी उद्योग, ऊर्जा उद्योग और नीति‑निर्माताओं एवं नियामकों को साथ बैठकर संबंधित बातचीत करनी होगी।

धन्यवाद इस शानदार साक्षात्कार के लिए, जो पाठक अधिक जानना चाहते हैं उन्हें Buzz Solutions पर जाना चाहिए या उनकी पुस्तक पढ़नी चाहिए: Powering Intelligence: Why the future of AI depends on the Power Grid.