Yann LeCun એ OpenAI અને Anthropic માટે આગામી બબલ (bubble) વિશે ચેતવણી આપી

Meta AI ના ચીફ સાયન્ટિસ્ટ Yann LeCun એ વર્તમાન જનરેટિવ AI લેન્ડસ્કેપની આર્થિક ટકાઉપણું અંગે ગંભીર ચેતવણી આપી છે. CNBC સાથેની તાજેતરની ચર્ચામાં, LeCun એ સૂચવ્યું હતું કે OpenAI અને Anthropic જેવી અગ્રણી લેબ્સ અસહ્ય ખર્ચના માળખાને કારણે "મોટા બબલ વિસ્ફોટ" (big bubble explosion) તરફ આગળ વધી રહી છે.

Generative AI માં આર્થિક અસંગતતા

LeCun ની દલીલનો મુખ્ય આધાર Large Language Models (LLMs) ચલાવવાનો વધતો જતો ખર્ચ અને ગ્રાહકો માટે ઉપલબ્ધ પ્રાઇસિંગ મોડલ વચ્ચે વધતા અંતરમાં રહેલો છે. જ્યારે ફ્રન્ટિયર મોડલ્સને તાલીમ આપવા અને ચલાવવા માટે જરૂરી કમ્પ્યુટેશનલ પાવર વધતો જાય છે, ત્યારે ઓપરેટિંગ ખર્ચ તેટલી જ ઝડપે ઘટી રહ્યો નથી.

આ આર્થિક ઘર્ષણ એક એવી પરિસ્થિતિ ઊભી કરી રહ્યું છે જ્યાં AI કંપનીઓ દરેક ક્વેરી (query) પર અસરકારક રીતે નુકસાન કરી રહી છે, જેમાં રોકાણકારોનું મોટું મૂડી વાસ્તવિક ઉપયોગ માટે સબસિડી તરીકે કામ કરી રહ્યું છે. OpenAI ના CEO Sam Altman એ પણ આ જ વાત સ્વીકારી છે, જેમણે તાજેતરમાં વ્યવસાયો માટે AI ના ઊંચા ખર્ચને "મોટો મુદ્દો" (huge issue) ગણાવ્યો છે. નોંધપાત્ર ફેરફાર વિના—પછી તે ખર્ચમાં મોટો ઘટાડો હોય અથવા સેવાના ભાવમાં વધારો હોય—LLM પ્રદાતાઓ માટેનું વર્તમાન બિઝનેસ મોડલ જોખમી છે.

xAI ની ટીકા અને ટેલેન્ટ વોર (Talent War)

LeCun એ તેમની ટીકા માત્ર ઉદ્યોગના દિગ્ગજો પૂરતી મર્યાદિત ન રાખી, તેમણે Elon Musk ની xAI પર પણ નિશાન સાધ્યું હતું. સ્ટાર્ટઅપને "એક પ્રકારની નિષ્ફળતા" (a kind of failure) તરીકે વર્ણવતા, LeCun એ આંતરિક અસ્થિરતા તરફ નિર્દેશ કર્યો હતો, ખાસ કરીને એ નોંધ્યું હતું કે સ્થાપક ટીમ છોડીને જતી રહી છે અને Musk ને ટોચના સ્તરની એન્જિનિયરિંગ ટેલેન્ટ મેળવવામાં વધતી જતી મુશ્કેલીઓનો સામનો કરવો પડી રહ્યો છે.

LeCun એ શંકા વ્યક્ત કરી હતી કે xAI, OpenAI અથવા Anthropic માં જોવા મળતી સંશોધન ગતિ (research velocity) અને સ્કેલ સાથે અસરકારક રીતે સ્પર્ધા કરી શકશે કે નહીં. આ ટીકા ઉદ્યોગમાં વધતા તણાવને પ્રકાશિત કરે છે: જ્યારે મૂડી વિપુલ પ્રમાણમાં છે, ત્યારે એલીટ ટેલેન્ટ (elite talent) અને વિશિષ્ટ કુશળતાનું કેન્દ્રીકરણ ફ્રન્ટિયર મોડલના વિકાસ માટે મુખ્ય અવરોધ બની રહ્યું છે.

World Models વિરુદ્ધ Large Language Models

આ ચેતવણી LeCun ના પોતાના ટેકનિકલ ફિલોસોફી માટે એક નિર્ણાયક ક્ષણે આવી છે. બજારમાં પ્રભુત્વ ધરાવતા transformer-આધારિત LLM આર્કિટેક્ચર પર વધુ ભાર મૂકવાને બદલે, LeCun "world models" ના વિકાસનું સમર્થન કરી રહ્યા છે. આ એવા સિસ્ટમ્સ છે જે માત્ર ક્રમમાં આગામી ટોકનનું અનુમાન કરવાને બદલે ભૌતિક વાસ્તવિકતા અને કાર્ય-કારણ (cause-and-effect) ની મૂળભૂત સમજ કેળવવા માટે રચાયેલ છે.

તેમનો સાહસ, AMI Labs, એ તાજેતરમાં આ ચોક્કસ દિશામાં આગળ વધવા માટે $1 બિલિયન એકત્રિત કર્યા છે. આ AI ક્ષેત્રમાં એક વ્યૂહાત્મક વિભાજન દર્શાવે છે: જ્યારે "LLM કેમ્પ" સ્કેલ અને કમ્પ્યુટ કાર્યક્ષમતા માટે લડી રહ્યો છે, ત્યારે "વર્લ્ડ મોડલ કેમ્પ" તર્ક (reasoning) અને એમ્બોડીમેન્ટ (embodiment) ની સમસ્યાઓ ઉકેલવાનો પ્રયાસ કરી રહ્યો છે, જેમાં વર્તમાન જનરેટિવ મોડલ્સ હજુ પણ નિપુણતા મેળવવામાં સંઘર્ષ કરી રહ્યા છે. જો LLM બબલ ફૂટી જાય, તો તે આ વધુ આર્કિટેક્ચરલ રીતે વૈવિધ્યસભર અભિગમો તરફ મોટા પાયે મૂડીનું પુનઃવિતરણ કરી શકે છે.

મુખ્ય તારણો

• આર્થિક નબળાઈ: અગ્રણી AI લેબ્સ હાલમાં ઊંચા ઓપરેશનલ ખર્ચ અને બજારને અનુરૂપ કિંમતો વચ્ચેના તફાવતને પહોંચી વળવા માટે રોકાણકારોના સબસિડી પર નિર્ભર છે.
• વ્યૂહાત્મક વિભાજન: LLMs ના સ્કેલિંગ અને સાચા ભૌતિક સમજ મેળવવાના લક્ષ્ય ધરાવતા "વર્લ્ડ મોડલ્સ" ના અભિગમ વચ્ચે વધતો જતો તકનીકી તફાવત જોવા મળી રહ્યો છે.
• ટેલેન્ટ બોટલનેક્સ: ટોચના સંશોધકોને ભરતી કરવાની અને તેમને જાળવી રાખવાની ક્ષમતા કંપનીના અસ્તિત્વ માટે વિશાળ કમ્પ્યુટ ક્લસ્ટર્સના ઉપયોગ જેટલી જ મહત્વપૂર્ણ બની રહી છે.