ಮೆಟಾ ಪ್ರತಿ ವರ್ಷ ಮೈಕ್ರೋಸಾಫ್ಟ್ Azure ನ AI ಸೇವೆಗಳಿಗಾಗಿ ನೂರಾರು ಮಿಲಿಯನ್ ಡಾಲರ್ಗಳನ್ನು ವ್ಯಯಿಸುತ್ತಿದೆ, ಇದು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮದ ದೈತ್ಯ ಕಂಪನಿಯೊಬ್ಬರನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಅತಿದೊಡ್ಡ AI-ಕ್ಲೌಡ್ ಗ್ರಾಹಕರಲ್ಲಿ ಒಬ್ಬರನ್ನಾಗಿ ಮಾಡಿದೆ. ಈ ವೆಚ್ಚವು ಒಂದು ವಿರೋಧಾಭಾಸವನ್ನು ತೋರಿಸುತ್ತದೆ: ವಿಶ್ವದ ಪ್ರಮುಖ AI ನಿರ್ಮಾತೃಗಳು ತಮ್ಮದೇ ಆದ ಮಾದರಿಗಳನ್ನು (models) ಮುನ್ನಡೆಸಲು ಅಗತ್ಯವಿರುವ ಕಂಪ್ಯೂಟ್ ಪವರ್ಗಾಗಿ ಇಂದಿಗೂ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳ ಕ್ಲೌಡ್ಗಳನ್ನೇ ಅವಲಂಬಿಸುತ್ತಿದ್ದಾರೆ.
ಮೆಟಾ-ಮೈಕ್ರೋಸಾಫ್ಟ್ ಒಡನಾಟ ಏಕೆ ಮುಖ್ಯ
ಮೆಟಾನ Llama ಸರಣಿಯು ಕಂಪನಿಯನ್ನ 오픈-ಸೋರ್ಸ್ ಜನರೇಟಿವ್ AI ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಬಲ ಸಂಸ್ಥೆಯನ್ನಾಗಿ ಮಾಡಿದೆ, ಆದರೆ ಆ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಕೇವಲ ದೊಡ್ಡ ಮಟ್ಟದ ಪಬ್ಲಿಕ್ ಕ್ಲೌಡ್ಗಳು ಒದಗಿಸಬಲ್ಲ ಸಾಮರ್ಥ್ಯದ ಅಗತ್ಯವಿದೆ. ಮೆಟಾ ಎಂಜಿನಿಯರ್ಗಳು ತಮ್ಮ ಸ್ವಂತ ಮಾದರಿಗಳನ್ನು Azure ನಲ್ಲಿ ರನ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಪ್ರತಿ ವಾರ ಟ್ರಿಲಿಯನ್ಗಟ್ಟಲೆ ಟೋಕನ್ಗಳನ್ನು (trillions of tokens) ಪ್ರೊಸೆಸ್ ಮಾಡುತ್ತಾರೆ ಎಂದು ಬ್ಲೂಮ್ಬರ್ಗ್ ವರದಿ ಮಾಡಿದೆ. ಈ ಕೆಲಸದ ಹೆಚ್ಚಿನ ಭಾಗವು Llamaನ ಫಲಿತಾಂಶಗಳನ್ನು OpenAI ನ GPT-4 ಮತ್ತು ಸಂಬಂಧಿತ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡುವುದಾಗಿದೆ, ಇವುಗಳನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ ತನ್ನ Foundry ಮಾರ್ಕೆಟ್ಪ್ಲೇಸ್ ಮೂಲಕ ಮಾರಾಟ ಮಾಡುತ್ತದೆ.
ಈ ಬೆಂಚ್ಮಾರ್ಕ್ ಕೇವಲ ಒಂದು ಬಾರಿಯ ಪರೀಕ್ಷೆಯಲ್ಲ; ಇದು ನಿರಂತರವಾದ ಮತ್ತು ದತ್ತಾಂಶ-ಅಭಿಪ್ರಾಯದ (data-intensive) ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಟೋಕನ್ ಹೋಲಿಕೆಯು GPU ಸೈಕಲ್ಗಳು, ಸ್ಟೋರೇಜ್ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮತ್ತು ನೆಟ್ವರ್ಕಿಂಗ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಇದನ್ನು Azure ನ ವಿಶೇಷ AI ಹಾರ್ಡ್ವೇರ್ ಮಾತ್ರ ಒಂದು ಮೆಗಾ-ಪ್ರೊವೈಡರ್ ಹೊಂದಿರಬಹುದಾದ ಬೆಲೆಯಲ್ಲಿ ಒದಗಿಸುತ್ತದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ಉದ್ಯಮದ ಅತ್ಯಾಧುನಿಕ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೆಟಾನ ಪೈಪೋಟಿಗೆ ನೆರವಾಗುವ ನೂರಾರು ಮಿಲಿಯನ್ ಡಾಲರ್ಗಳ ವಾರ್ಷಿಕ ಬಿಲ್ ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ.
Foundry ಮಾರ್ಕೆಟ್ಪ್ಲೇಸ್: ಪ್ರತಿಸ್ಪರ್ಧಿಗಳಿಗಾಗಿ ಒಂದು ಹಂಚಿಕೆಯ ಅರೆನಾ
ಮೈಕ್ರೋಸಾಫ್ಟ್ನ Foundry ಮಾರ್ಕೆಟ್ಪ್ಲೇಸ್ ಅನೇಕ ಪ್ರೊವೈಡರ್ಗಳಿಂದ AI ಮಾದರಿಗಳನ್ನು ಕ್ರೋಢೀಕರಿಸುತ್ತದೆ, ಇದು ಎಂಟರ್ಪ್ರೈಸ್ ಗ್ರಾಹಕರಿಗೆ ಒಂದೇ ಬಿಲ್ಲಿಂಗ್ ಸಂಬಂಧದ ಮೂಲಕ ಅವುಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. OpenAI ಸುಮಾರು 70 ಪ್ರತಿಶತ ಮೈಕ್ರೋಸಾಫ್ಟ್ನ AI ಆದಾಯವನ್ನು ತರುತ್ತದೆ, ಆದರೆ ಈ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ByteDance, Adobe, Perplexity ಮತ್ತು Sierra ನಂತಹ ಸಂಸ್ಥೆಗಳಿಗೂ ಸೇವೆ ನೀಡುತ್ತದೆ.
Foundry ನಲ್ಲಿ ಮೆಟಾನ ಉಪಸ್ಥಿತಿಯು ವ್ಯಾಪಕವಾದ ಸ್ಪರ್ಧಾತ್ಮಕ ಒತ್ತಡವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ. OpenAI ಮಾದರಿಗಳನ್ನು ಕಾರ್ಯಕ್ಷಮತೆಯ ಉಲ್ಲೇಖವಾಗಿ ಬಳಸುವ ಮೂಲಕ, ಮೆಟಾ ತನ್ನ ತಂತ್ರಜ್ಞಾನವನ್ನು ಸಾಬೀತುಪಡಿಸುವುದರ ಜೊತೆಗೆ ತನ್ನ ಪ್ರತಿಸ್ಪರ್ಧಿಯ ಆದಾಯದ ಮೂಲಕ್ಕೂ ಪೂರಕವಾಗುತ್ತಿದೆ. ಈ ಪರಿಸ್ಥಿತಿಯು ತಂತ್ರಜ್ಞಾನದ ಇತಿಹಾಸದ ಹಿಂದಿನ ಕ್ಷಣಗಳನ್ನು ನೆನಪಿಸುತ್ತದೆ: ಮೆಟಾ ತನ್ನದೇ ಆದ ಇಂಟರ್ನಲ್ ಸರ್ಚ್ ಇಂಜಿನ್ ನಿರ್ಮಿಸುವ ಮೊದಲು Bing ಅನ್ನು ಅವಲಂಬಿಸಿತ್ತು. ಇಂದು, ಮೆಟಾ ಒಂದು API ಸೇವೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿದೆ, ಇದು Llama ಮಾದರಿಗಳನ್ನು ನೇರವಾಗಿ ಡೆವಲಪರ್ಗಳಿಗೆ ಪರಿಚಯಿಸುತ್ತದೆ. ಈ ಕ್ರಮವು ಕಂಪನಿಯನ್ನ ಪ್ರಸ್ತುತ ಬಳಸುತ್ತಿರುವ ಅದೇ ಮಾರ್ಕೆಟ್ಪ್ಲೇಸ್ನಲ್ಲಿ ಗ್ರಾಹಕನ ಬದಲಿಗೆ ಪ್ರತಿಸ್ಪರ್ಧಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸಬಹುದು.
AI ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಮೇಲಿನ ಪರಿಣಾಮಗಳು
ಮೆಟಾದಿಂದ ಮೈಕ್ರೋಸಾಫ್ಟ್ಗೆ ಹರಿಯುವ ಹಣವು ಪ್ರಸ್ತುತ AI ಯುಗದ ರಚನಾತ್ಮಕ ವಾಸ್ತವವನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ: ಕೇವಲ ಕೋಡ್ ಮಾತ್ರವಲ್ಲ, ಕಂಪ್ಯೂಟ್ (compute) ಕೂಡ ಪ್ರವೇಶಕ್ಕೆ ಇರುವ ಪ್ರಾಥಮಿಕ ಅಡೆತಡೆಯಾಗಿದೆ. ಬೃಹತ್ GPU ಕ್ಲಸ್ಟರ್ಗಳನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆಯಲು ಶಕ್ತಿ ಇರುವ ಕಂಪನಿಗಳು ವೇಗವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತವೆ, ಅತ್ಯುತ್ತಮ ಮಾದರಿಗಳೊಂದಿಗೆ ಬೆಂಚ್ಮಾರ್ಕ್ ಮಾಡುತ್ತವೆ ಮತ್ತು ಉತ್ಪನ್ನಗಳನ್ನು ಶೀಘ್ರವಾಗಿ ಮಾರುಕಟ್ಟೆಗೆ ತರುತ್ತವೆ. ಹೆಚ್ಚಿನ ಹಣಕಾಸಿನ ಶಕ್ತಿ ಇಲ್ಲದ ಸಣ್ಣ ಸ್ಟಾರ್ಟ್ಅಪ್ಗಳು ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ನೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆ ಮಾಡಿಕೊಳ್ಳಬೇಕು ಅಥವಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಸೃಜನಾತ್ಮಕ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಬೇಕು.
ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ಗಳಿಗೆ ಇದರ ಲಾಭ ಸ್ಪಷ್ಟವಾಗಿದೆ. ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ AI ವರ್ಕ್ಲೋಡ್ಗಳು ದೀರ್ಘಕಾಲದ ಒಪ್ಪಂದಗಳು, ದುಬಾರಿ ಹಾರ್ಡ್ವೇರ್ನ ಹೆಚ್ಚಿನ ಬಳಕೆ ಮತ್ತು ಉದಯೋನ್ಮುಖ "AI-as-a-service" ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಭದ್ರವಾದ ಸ್ಥಾನವನ್ನು ನೀಡುತ್ತವೆ. ಮಾದರಿ ನಿರ್ಮಾತೃಗಳಿಗೆ (model builders), ಈ ಅವಲಂಬನೆಯು ಒಂದು ಕಾರ್ಯತಂತ್ರದ ದುರ್ಬಲತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ ಬೆಲೆಗಳನ್ನು ಏರಿಸಿದರೆ, ಸೇವಾ ನಿಯಮಗಳನ್ನು ಬದಲಾಯಿಸಿದರೆ ಅಥವಾ ತನ್ನದೇ ಆದ ಮಾದರಿಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿದರೆ, ಮೆಟಾ ಅಂತಹ ಗ್ರಾಹಕರ ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಗಳು ವ್ಯತ್ಯಯಗೊಳ್ಳಬಹುದು.
ಮೆಟಾ ಯೋಜಿಸುತ್ತಿರುವ API ಸೇವೆಯು ಡಿ ಕಪ್ಲಿಂಗ್ (decoupling) ಕಡೆಗೆ ಸಂಭವನೀಯ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ: ಅಂದರೆ ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಕ್ಲೌಡ್ APIಗಳಿಂದ ಸ್ವಯಂ-ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಅಥವಾ ಸ್ವಂತ ಮೂಲದ ಮೂಲಸೌಕರ್ಯಗಳ ಕಡೆಗೆ ಚಲಿಸುವುದು. ಲಾಭದ ಪ್ರಮಾಣವನ್ನು (margins) ಮರಳಿ ಪಡೆಯುವುದು, ದತ್ತಾಂಶದ ಹರಿವಿನ ಮೇಲೆ ನಿಯಂತ್ರಣ ಸಾಧಿಸುವುದು ಮತ್ತು ಪ್ರತಿಸ್ಪರ್ಧಿಯ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಇದರ ಗುರಿಯಾಗಿದೆ. Azure ನ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಎದುರಿಸಬಲ್ಲ ಜಾಗತಿಕ, ಕಡಿಮೆ-ಲ್ಯಾಟೆನ್ಸಿ (low-latency) ಹೊಂದಿರುವ API ಅನ್ನು ನಿರ್ಮಿಸುವುದು ವೆಚ್ಚದಾಯಕ ಮತ್ತು ತಾಂತ್ರಿಕವಾಗಿ ಸವಾಲಿನ ಕೆಲಸವಾಗಿದೆ; ಇದು ಹಲವು ವರ್ಷಗಳ ಎಂಜಿನಿಯರಿಂಗ್ ಸವಾಲಾಗಿದೆ.
ವಿರೋಧಾಭಿಪ್ರಾಯ: ಈ ಪಾಲುದಾರಿಕೆ ಏಕೆ ಮುಂದುವರಿಯಬಹುದು
ಮೆಟಾ ತನ್ನದೇ ಆದ ಸರ್ವಿಂಗ್ ಲೇಯರ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದರೂ ಸಹ, ಮುಂದಿನ ತಲೆಮಾರಿನ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ಕಂಪ್ಯೂಟ್ನ ಬೃಹತ್ ಪ್ರಮಾಣವು ಶೀಘ್ರದಲ್ಲೇ ಕಡಿಮೆಯಾಗುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ. ತರಬೇತಿಯ ಪ್ರಕ್ರಿಯೆಗಳು ಎಕ್ಸಾ-ಫ್ಲೋಪ್ಸ್ (exa-flops) ಮಟ್ಟದ ಪ್ರೊಸೆಸಿಂಗ್ ಪವರ್ ಅನ್ನು ಬಳಸಬಹುದು, ಇದು ಒಂದು ಕಂಪನಿಯು ತನ್ನದೇ ಆದ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ನಿರ್ವಹಿಸುವುದಕ್ಕಿಂತ ಬಹಳ ದೊಡ್ಡದಾಗಿದೆ. ಅಲ್ಲದೆ, Azure ದತ್ತಾಂಶ ನಿರ್ವಹಣೆ, ಭದ್ರತಾ ಅನುಸರಣೆ (security compliance) ಮತ್ತು ಅಬ್ಸರ್ವೇಬಿಲಿಟಿಗಾಗಿ (observability) ಸಂಯೋಜಿತ ಪರಿಕರಗಳನ್ನು ನೀಡುತ್ತದೆ, ಇವುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸುವುದು ದುಬಾರಿಯಾಗಬಹುದು.
ಮೈಕ್ರೋಸಾಫ್ಟ್ ದೃಷ್ಟಿಕೋನದಿಂದ ನೋಡುವುದಾದರೆ, ಮೆಟಾ ಅಂತಹ ಬೃಹತ್ ಸಂಸ್ಥೆಯನ್ನು ಗ್ರಾಹಕನನ್ನಾಗಿ ಉಳಿಸಿಕೊಳ್ಳುವುದು ಸ್ಥಿರವಾದ ಆದಾಯದ ಮೂಲವನ್ನು ಮತ್ತು ಇತರ ಎಂಟರ್ಪ್ರೈಸ್ ಗ್ರಾಹಕರನ್ನು ಆಕರ್ಷಿಸಬಲ್ಲ ಪ್ರದರ್ಶನ ಮಾದರಿ (showcase client) ಗ್ರಾಹಕನನ್ನು ಒದಗಿಸುತ್ತದೆ. Foundry ಮಾರ್ಕೆಟ್ಪ್ಲೇಸ್ನ ಓಪನ್-ಅಕ್ಸೆಸ್ ಮಾಡೆಲ್ ಎಂದರೆ ಪ್ರತಿಸ್ಪರ್ಧಿಯ API ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಸೇವೆಗಳನ್ನು ತಾನಾಗಿಯೇ ಹೊರಗಿಡುವುದಿಲ್ಲ; ಬದಲಾಗಿ, ಇದು Azure ಮೂಲಕ ಬಳಸಬಹುದಾದ ಸೇವೆಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ.
ಮುಂದೆ ಏನಾಗಬಹುದು ಎಂಬುದನ್ನು ಗಮನಿಸಿ
- Meta ನ API ಬಿಡುಗಡೆ – Llama API ನ ಕಾಲಮಿತಿ ಮತ್ತು ಬೆಲೆ ನಿಗದಿ, Meta ಎಷ್ಟು ವೇಗವಾಗಿ ತನ್ನ ಕೆಲಸದ ಹೊರೆಯನ್ನು (workload) Azure ನಿಂದ ವರ್ಗಾಯಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
- Azure ಬೆಲೆ ಪ್ರವೃತ್ತಿಗಳು – AI-compute ದರಗಳಲ್ಲಿನ ಯಾವುದೇ ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳು Meta ನ ಪಾಲುದಾರಿಕೆಯ ಆರ್ಥಿಕತೆಯನ್ನು ಬದಲಾಯಿಸಬಹುದು.
- ನಿಯಂತ್ರಕರ ಪರಿಶೀಲನೆ – ಕೆಲವೇ ಕೆಲವು ಕ್ಲೌಡ್ ಪ್ರೊವೈಡರ್ಗಳಲ್ಲಿ AI compute ಕೇಂದ್ರೀಕೃತವಾಗುವುದು ಏಕಸ್ವಾಮ್ಯ ವಿರೋಧಿ (antitrust) ಗಮನವನ್ನು ಸೆಳೆಯಬಹುದು, ಇದು ಪ್ರೊವೈಡರ್-ಗ್ರಾಹಕ ಸಂಬಂಧದ ಚಲನಶೀಲತೆಯನ್ನು ಮರುರೂಪಿಸುವ ಸಾಧ್ಯತೆಯಿದೆ.
- ಸ್ಪರ್ಧಿಗಳ ಕ್ರಮಗಳು – ಇತರ ಮಾಡೆಲ್ ತಯಾರಕರು Meta ನ ಮಾದರಿಯನ್ನು ಅನುಸರಿಸಬಹುದು, ಇದು ವಿಭಿನ್ನ ಸ್ಪರ್ಧಿಗಳು ಒಂದೇ ಕ್ಲೌಡ್ ಬೆನ್ನೆಲುಬನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ವಿರೋಧಾಭಾಸವನ್ನು ಮತ್ತಷ್ಟು ಆಳಗೊಳಿಸುತ್ತದೆ.
ಸಾರಾಂಶ
Azure ಮೇಲೆ Meta ಮಾಡುವ ನೂರಾರು ಮಿಲಿಯನ್ ಡಾಲರ್ಗಳ ವೆಚ್ಚವು, ಅತ್ಯಂತ ಸುಧಾರಿತ AI ಡೆವಲಪರ್ಗಳು ಸಹ ಪ್ರತಿಸ್ಪರ್ಧಿ ಕ್ಲೌಡ್ ದೈತ್ಯರ ಮೇಲಿನ ಅವಲಂಬನೆಯಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬುದನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯು ಕ್ಷಿಪ್ರ ನಾವೀನ್ಯತೆಗೆ ಉತ್ತೇಜನ ನೀಡುವ ಜೊತೆಗೆ ಭವಿಷ್ಯದ ಸ್ಪರ್ಧೆಯ ಬೀಜಗಳನ್ನು ಬಿತ್ತುತ್ತದೆ; ಈ ದ್ವಂದ್ವವು ಮುಂದಿನ ವರ್ಷಗಟ್ಟಲೆ AI ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ರೂಪಿಸಲಿದೆ.