નવા ડેટા દર્શાવે છે કે ઉચ્ચ આવક ધરાવતા દેશો વૈશ્વિક ડેટા-સેન્ટર ક્ષમતાના 77% પર નિયંત્રણ ધરાવે છે, જ્યારે ઓછી આવક ધરાવતા દેશો પાસે 0.1% થી પણ ઓછી ક્ષમતા છે. GPU ક્લસ્ટર્સ માટે પણ આ જ સ્થિતિ જોવા મળે છે: વિશ્વના કુલ યુનિટ્સમાં યુનાઇટેડ સ્ટેટ્સનો હિસ્સો 75% છે, ચીનનો 15% છે, અને બાકીના વિશ્વનો હિસ્સો મળીને 10% થી પણ ઓછો છે. આ કેન્દ્રીકરણ AI ને ભૌગોલિક રાજકીય સત્તાના સાધનમાં ફેરવે છે, જે નક્કી કરે છે કે કોણ બનાવી શકે છે, કોણ ઉપયોગ કરી શકે છે, અને કોના નિયમો ડિફોલ્ટ બનશે.
કોડ કરતાં કમ્પ્યુટિંગ ક્ષમતા શા માટે વધુ મહત્વની છે
આર્ટિફિશિયલ-ઇન્ટેલિજન્સ સિસ્ટમ્સ પ્રોસેસર સાયકલની વિશાળ સંખ્યા પર ચાલે છે. મોડલની ક્ષમતાઓ તે સિલિકોન સાથે વધે છે જે ડેટા પ્રોસેસ કરે છે, વેઇટ્સ (weights) સ્ટોર કરે છે અને ઇન્ફરન્સ (inference) ચલાવે છે. જો કોઈ દેશ પાસે આ મશીનોનો અભાવ હોય, તો તેણે વિદેશી ક્લાઉડ પ્રોવાઇડર્સ પર નિર્ભર રહેવું પડે છે. આ નિર્ભરતા માત્ર બિલ વધારવા પૂરતી મર્યાદિત નથી; તે પાયાના લોજિકનું નિયંત્રણ પ્રોવાઇડરના એન્જિનિયરો અને પોલિસી ટીમોના હાથમાં સોંપી દે છે જેઓ નક્કી કરે છે કે શું "સુરક્ષિત" છે. ડેટા-સેન્ટર હબમાં થયેલો નિયમનકારી ફેરફાર નેરોબીમાં આવેલી હોસ્પિટલ કેવી રીતે કાર્ય કરે છે તેમાં તાત્કાલિક ફેરફાર કરી શકે છે.
"ડિજિટલ ડિવાઇડ" શબ્દ સામાન્ય રીતે ઇન્ટરનેટ એક્સેસ અથવા ઉપકરણોના માલિકી તરફ નિર્દેશ કરે છે. નવા આંકડા એક ઊંડા વિભાજનને પ્રગટ કરે છે: મોટા પાયે AI પરિણામો પેદા કરવાની ક્ષમતા. એક રાષ્ટ્ર પાસે બ્રોડબેન્ડ હોઈ શકે છે, પરંતુ સ્થાનિક કમ્પ્યુટિંગ ક્ષમતા વિના તે ભાષા અનુવાદ, પ્રિડિક્ટિવ હેલ્થ એનાલિટિક્સ અથવા સ્વાયત્ત લોજિસ્ટિક્સને સક્ષમ બનાવતા મોડલ્સ હોસ્ટ કરી શકતું નથી. તે આ ક્ષમતાઓ ભાડે લે છે, અને ભાડે લેવાની સાથે અમુક શરતો પણ સાથે આવે છે.
વિદેશી AI ના છુપાયેલા ખર્ચ
બાહ્ય એન્ડપોઇન્ટ પર નિર્ભર રહેવું એ દરેક વિનંતીને ત્રણ અદ્રશ્ય લિવર્સ દ્વારા સંચાલિત વિદેશી એન્જિન દ્વારા પસાર થવા માટે મજબૂર કરે છે:
- એલાઈનમેન્ટ લોજિક (Alignment logic) – કન્ટેન્ટ (સામગ્રી) કઈ રીતે સ્વીકાર્ય છે તેનો નિર્ણય પ્રોવાઇડર લે છે. સ્થાનિક કટોકટી દરમિયાન, તે વ્યાખ્યા સાંસ્કૃતિક અથવા કાનૂની ધોરણો સાથે ટકરાઈ શકે છે.
- અપડેટ શેડ્યૂલ (Update schedules) – પ્રોવાઇડર રાતોરાત નવું મોડલ વર્ઝન બહાર પાડી શકે છે, જે અગાઉના વર્તનને અનુરૂપ સેટ કરેલા ડાઉનસ્ટ્રીમ પાઇપલાઇન્સને તોડી શકે છે.
- સેમેન્ટિક ડ્રિફ્ટ (Semantic drift) – પ્રભુત્વ ધરાવતા વૈશ્વિક ડેટા પર તાલીમ પામેલા મોડલ્સ ઘણીવાર પ્રાદેશિક બોલીઓ, રૂઢિપ્રયોગો અથવા નીતિગત સૂક્ષ્મતાઓને ચૂકી જાય છે, જેનાથી ખોટી વ્યાખ્યાઓ થઈ શકે છે જે સ્થાનિક રીતે તાલીમ પામેલી સિસ્ટમ ટાળી શકત.
જ્યારે કોઈ રાષ્ટ્ર તેના પોતાના મોડલ્સ હોસ્ટ કરી શકતું નથી, ત્યારે તે મોડલના વેઇટ્સ અને આર્કિટેક્ચરમાં રહેલી બૌદ્ધિક સંપત્તિનું રક્ષણ કરી શકતું નથી. વ્યૂહાત્મક લાભ સિલિકોન અને કોડના માલિકો પાસે રહે છે, સેવાના વપરાશકર્તાઓ પાસે નહીં.
નાણાકીય રીતે, આ દ્વિધા સ્પષ્ટ છે. મોટા ફાઉન્ડેશન મોડલ્સ વિશાળ વીજળીનો વપરાશ કરે છે અને નોંધપાત્ર હાર્ડવેર રોકાણની જરૂર હોય છે. મોટાભાગની સરકારો સામે બે બિનઆકર્ષક વિકલ્પો હોય છે:
- વિદેશી વેન્ડર્સને ભારે ફી ચૂકવવી – પ્રતિ-ટોકન કિંમત અથવા સબ્સ્ક્રિપ્શન સ્કીમ્સ ઝડપથી રાષ્ટ્રીય AI બજેટ કરતા વધી જાય છે.
- અસુરક્ષિત અથવા ઓછી શક્તિશાળી સિસ્ટમ્સ ચલાવવી – કમ્પ્યુટિંગમાં કાપ મૂકવાથી જૂના મોડલ્સનો ઉપયોગ કરવો પડે છે જે ભૂલો અથવા હેરાફેરી માટે વધુ સંવેદનશીલ હોય છે.
બંને માર્ગો સાર્વભૌમત્વને નબળું પાડે છે અને જાહેર તિજોરી પર બોજ વધારે છે.
સસ્તા એક્સેસ માટેનો દલીલ
કેટલાક વિશ્લેષકો દાવો કરે છે કે ટોકન-આધારિત કિંમત અથવા ઝડપી ઇન્ટરનેટ AI ને સસ્તું બનાવશે. તેનો આધાર એ છે કે વધુ API કોલ્સથી તેના લાભો વહેંચાઈ જશે. વ્યવહારમાં, સસ્તો એક્સેસ સ્થાનિક ક્ષમતા ઊભી કરતો નથી. API કોલ એ રિમોટ એન્જિન માટેની વિનંતી જ રહે છે; વપરાશકર્તા પ્રોવાઇડરના એલાઈનમેન્ટ, અપડેટ લય અને ડેટા પૂર્વગ્રહોને આધીન રહે છે. કમ્પ્યુટિંગ વિદેશમાં જ રહે છે, અને રાષ્ટ્ર માલિકી લેવાને બદલે ભાડે લેવાનું ચાલુ રાખે છે.
એક અલગ ટેકનિકલ માર્ગ: ડેટરમિનિસ્ટિક કંટ્રોલ (deterministic control)
વધતા જતા સંશોધનો સૂચવે છે કે ધ્યાન કાચા હાર્ડવેરથી બદલીને રનટાઇમ મર્યાદાઓ (runtime constraints) પર કેન્દ્રિત કરવું જોઈએ. એવા AI સિસ્ટમ્સ ડિઝાઇન કરીને જેને ઘણી ઓછી કામગીરીની જરૂર હોય, તેમને મધ્યમ કક્ષાના, સ્થાનિક રીતે માલિકી ધરાવતા હાર્ડવેર પર ચલાવવું શક્ય બને છે. ડેટરમિનિસ્ટિક કંટ્રોલ—જ્યાં એક્ઝિક્યુશન પાથ અને સંસાધનોનો ઉપયોગ અનુમાનિત કરી શકાય છે—તે નક્કર લાભો આપે છે:
- પ્રોસેસિંગ સમયમાં ઘટાડો – ઓછું કમ્પ્યુટિંગ એટલે ઝડપી પ્રતિસાદ.
- ઓછા ઊર્જા ખર્ચ – ઓછા સાયકલથી વીજળીના ખર્ચમાં ઘટાડો થાય છે, જે નેશનલ ગ્રીડ પરનું દબાણ ઘટાડે છે.
- વ્યવહારુ સ્થાનિક તૈનાતી – નાના પાયાના ક્લસ્ટર્સ પૂરતા છે, જે સરકારોને તેમની સરહદોની અંદર મોડલ્સ હોસ્ટ કરવાની મંજૂરી આપે છે.
- પરવડે તેવી સાર્વભૌમત્વ – હાર્ડવેર અને રનટાઇમની માલિકી સુરક્ષા નીતિઓ અને અપડેટ સાયકલ પર નિયંત્રણ પુનઃસ્થાપિત કરે છે.
આ પરિવર્તન ડિજિટલ સત્તાને પુનઃવ્યાખ્યાયિત કરે છે. પ્રભાવ સર્વર ફાર્મની સાઈઝથી બદલાઈને એ વાત પર જાય છે કે એક રાષ્ટ્ર કેટલી કાર્યક્ષમતા સાથે સુરક્ષિત, સ્થાનિક રીતે સંચાલિત AI ચલાવી શકે છે.
વિરોધ પક્ષ: સ્કેલનું આકર્ષણ
Proponents of massive centralized models argue that scale brings superior performance. The counter-argument is that performance gains are often marginal for many public-sector tasks, while the strategic cost of dependence is high. The provider’s responsibility follows the legal environment of its home country, which may not align with a client nation’s values or security needs.
Bottom line
The current compute map places the United States, China, and a handful of high-income nations at the helm of AI development. For the rest of the world, reliance on foreign clouds means surrendering strategic control, facing unpredictable costs, and exposing critical services to external policy shifts. The path forward is not cheaper internet or token pricing; it is reshaping how AI runs—making it deterministic, efficient, and locally hosted. When nations can run safe AI on modest hardware they own, the geopolitical fault line of compute begins to close, and digital sovereignty becomes a realistic goal rather than a distant ideal.