TechCrunch Disrupt 2026 ഒരു “Real World AI” സ്റ്റേജ് കൂടി ഉൾപ്പെടുത്തിയിരിക്കുന്നു. സ്റ്റാർട്ടപ്പുകൾക്കും പ്രമുഖ കമ്പനികൾക്കും സ്ക്രീനിൽ ഒതുങ്ങാതെ യഥാർത്ഥ ലോകത്ത് പ്രവർത്തിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സംവിധാനങ്ങൾ പ്രദർശിപ്പിക്കാൻ ഇത് ഒരു പ്രത്യേക വേദിയൊരുക്കുന്നു—നടക്കുന്ന റോബോട്ടുകൾ, പട്രോളിംഗ് നടത്തുന്ന ഡ്രോണുകൾ, ജീനോമുകൾ എഡിറ്റ് ചെയ്യുന്ന അൽഗോരിതങ്ങൾ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. കഴിഞ്ഞ കുറച്ച് വർഷങ്ങളായി വാർത്തകളിൽ നിറഞ്ഞുനിൽക്കുന്ന ലാർജ് ലാംഗ്വേജ് മോഡലുകൾക്ക് പകരം, ഹാർഡ്‌വെയർ കേന്ദ്രീകൃതമായ AI ആണ് അടുത്ത വളർച്ചാ മേഖലയെന്ന് നിക്ഷേപകരും മാധ്യമപ്രവർത്തകരും നിയന്ത്രണ ഏജൻസികളും ഇപ്പോൾ കാണുന്നു എന്നതിന്റെ സൂചനയാണിത്.

ചാറ്റ്‌ബോട്ടുകളിൽ നിന്ന് സ്റ്റീലും സിലിക്കണിലേക്കും

കഴിഞ്ഞ ദശകത്തിലെ ഭൂരിഭാഗം സമയവും AI ചർച്ചകൾ സോഫ്റ്റ്‌വെയർ മാത്രം അടിസ്ഥാനമാക്കിയുള്ള ഉൽപ്പന്നങ്ങളിലായിരുന്നു ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരുന്നത്: സംഭാഷണ ഏജന്റുകൾ, റെക്കമെൻഡേഷൻ എഞ്ചിനുകൾ, ക്ലൗഡ് അധിഷ്ഠിത അനലിറ്റിക്സ് എന്നിവയായിരുന്നു അവ. എന്നാൽ Disrupt-ന്റെ പുതിയ സ്റ്റേജ് ഈ രീതിയെ മാറ്റുന്നു. ഓട്ടോണമസ് വാഹനങ്ങൾ, പ്രതിരോധ പ്ലാറ്റ്‌ഫോമുകൾ, ബയോ-എഞ്ചിനീയറിംഗ് ടൂളുകൾ എന്നിവയിൽ ചർച്ചകൾ കേന്ദ്രീകരിക്കുന്നതിലൂടെ, കോഡുകൾ ജനറിക് സെർവറുകളിൽ പ്രവർത്തിക്കുന്ന "ഹാർഡ്-സോഫ്റ്റ്" AI-യിൽ നിന്ന്, അൽഗോരിതം ഒരു റോബോട്ടിക് കൈയ്ക്കുള്ളിലോ, യുദ്ധക്കളത്തിലെ ഡ്രോണിനുള്ളിലോ, ജീൻ-എഡിറ്റിംഗ് വർക്ക്സ്റ്റേഷനിലോ പ്രവർത്തിക്കുന്ന "ഹാർഡ്-ടെക്" AI-യിലേക്കുള്ള മാറ്റത്തെ ഈ കോൺഫറൻസ് അടയാളപ്പെടുത്തുന്നു. ഭൗതികമായ (physical) AI-യുടെ സാമ്പത്തിക വശങ്ങൾ, റിസ്ക് പ്രൊഫൈൽ, നിയന്ത്രണ പാതകൾ എന്നിവ ഒരു SaaS ഉൽപ്പന്നത്തിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായതിനാൽ ഈ മാറ്റം വളരെ പ്രധാനമാണ്.

സുരക്ഷ ഒരു ബിസിനസ് അളവുകോലായി മാറുന്നു

ഒരു AI ഒരു പാരഗ്രാഫ് തെറ്റായി അടയാളപ്പെടുത്തിയാൽ, അതിന്റെ ഏറ്റവും മോശം ഫലം ഒരു ഉപഭോക്താവിന്റെ അതൃപ്തി മാത്രമായിരിക്കും. എന്നാൽ അതേ അൽഗോരിതം ഒരു ഡ്രോണിനെ നിയന്ത്രിക്കുകയോ ഒരു യുദ്ധവിമാനത്തെ പറത്തുകയോ ചെയ്യുമ്പോൾ, ഒരു സോഫ്റ്റ്‌വെയർ പിശക് വലിയൊരു അപകടത്തിന് കാരണമായേക്കാം. Shield AI-യുടെ CTO ആയ നേറ്റ് മൈക്കൽ (Nate Michael) നയിക്കുന്ന ഈ Real World AI സ്റ്റേജ്, ഈ യാഥാർത്ഥ്യത്തിനായി ഒരു പ്രത്യേക സെഷൻ നീക്കിവെച്ചിട്ടുണ്ട്. പ്രസംഗകർ "വിശ്വസനീയമായ AI" (trustworthy AI) എന്ന അമൂർത്തമായ ആശയങ്ങളിൽ നിന്ന് മാറി, ഹാർഡ്‌വെയർ-ഇൻ-ദി-ലൂപ്പ് ടെസ്റ്റിംഗ് (hardware-in-the-loop testing), കൺട്രോൾ ലൂപ്പുകളുടെ ഫോർമൽ വെരിഫിക്കേഷൻ, എയ്‌റോസ്‌പേസ്, ഓട്ടോമോട്ടീവ് വ്യവസായങ്ങളിൽ ഉപയോഗിക്കുന്നതിന് സമാനമായ സർട്ടിഫിക്കേഷൻ പ്രക്രിയകൾ തുടങ്ങിയ പ്രായോഗിക രീതികളെക്കുറിച്ച് സംസാരിക്കുന്നു.

പ്രതിരോധ, ഇൻഡസ്ട്രിയൽ ഓട്ടോമേഷൻ മേഖലകളിലെ സ്ഥാപകർക്ക് തങ്ങളുടെ സിസ്റ്റങ്ങൾ ഇലക്ട്രോമാഗ്നറ്റിക് ഇടപെടലുകൾ (electromagnetic interference), തീവ്രമായ താപനില, ശത്രുക്കളുടെ ആക്രമണങ്ങൾ (adversarial attacks) എന്നിവയെ അതിജീവിക്കുമെന്ന് തെളിയിക്കേണ്ടതുണ്ട്—അതിനോടൊപ്പം തന്നെ സുരക്ഷിതമായ പ്രവർത്തന ചരിത്രവും നിലനിർത്തണം. ഇവിടെ വെല്ലുവിളികൾ വളരെ വലുതാണ്: ഒരു ചെറിയ സംഭവം പോലും നിയന്ത്രണ ഏജൻസികളുടെ വിലക്കുകൾക്ക് കാരണമാകാം, വിപണിയിലെ വിശ്വാസ്യത തകർക്കാം, കൂടാതെ വലിയ നിയമനടപടികൾക്കും വഴിയൊരുക്കാം.

എഡ്ജ് കമ്പ്യൂട്ടിംഗ്: ക്ലൗഡ് പരിധിക്കപ്പുറമാകുമ്പോൾ

ഈ സ്റ്റേജിലെ ആവർത്തിച്ചുവരുന്ന ഒരു പ്രമേയം "എഡ്ജ് AI" (edge AI) പ്രശ്നമാണ്. ഇന്നത്തെ പല AI സേവനങ്ങളും വലിയ ഡാറ്റാ സെന്ററുകളുമായുള്ള നിരന്തരവും കുറഞ്ഞ ലേറ്റൻസിയുമുള്ള (low-latency) കണക്റ്റിവിറ്റിയെ ആശ്രയിച്ചാണ് പ്രവർത്തിക്കുന്നത്. എന്നാൽ വിദൂര യുദ്ധഭൂമികളിലോ, ആഴക്കടലിലെ റിഗുകളിലോ, ബഹിരാകാശ വാസസ്ഥലങ്ങളിലോ ഈ അനുമാനം ശരിയാകില്ല. FieldAI, Medra, Eclipse Ventures എന്നിവയിൽ നിന്നുള്ള പ്രതിനിധികൾ, ഇൻഫറൻസ് എഞ്ചിനുകളെ (inference engines) കുറഞ്ഞ ഊർജ്ജം ഉപയോഗിക്കുന്ന ASICs-ലേക്കും കരുത്തുറ്റ GPUs-ലേക്കും മാറ്റുന്ന ആർക്കിടെക്ചറുകളെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നു. ഇത് മില്ലിസെക്കൻഡുകൾക്കുള്ളിൽ പ്രാദേശികമായി തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു.

ഈ പരിഹാരങ്ങൾ മോഡലിന്റെ വലിപ്പത്തേക്കാൾ മുൻഗണന നൽകുന്നത് കൃത്യതയ്ക്കാണ് (predictability). ഇടയ്ക്കിടെയുള്ള കണക്റ്റിവിറ്റിയിലൂടെ പോലും മോഡലുകൾ കംപൈൽ ചെയ്യാനും അപ്‌ഡേറ്റ് ചെയ്യാനും കഴിയുന്ന പുതിയ സോഫ്റ്റ്‌വെയർ സ്റ്റാക്കുകൾ ഇതിന് ആവശ്യമാണ്. ഈ മാറ്റം ബിസിനസ് മോഡലുകളെയും പുനർനിർമ്മിക്കുന്നു. എഡ്ജ് ഡിപ്ലോയ്‌മെന്റിൽ (edge deployment) വൈദഗ്ധ്യം നേടുന്ന കമ്പനികൾക്ക് "എപ്പോഴും പ്രവർത്തിക്കുന്ന" (always-on) ഓട്ടോണമിക്ക് ഉയർന്ന വില ഈടാക്കാം; എന്നാൽ ക്ലൗഡ് ബാക്ക്-എൻഡുകളെ മാത്രം ആശ്രയിക്കുന്നവർക്ക് അവരുടെ വിപണി പരിമിതമായേക്കാം.

പ്രോട്ടോടൈപ്പിൽ നിന്ന് ഉൽപ്പാദനത്തിലേക്ക്: സ്കെയിലിംഗ് ഗ്യാപ്പ്

ഒരു ലാബിൽ നിർമ്മിച്ച റോബോട്ടിനെ വൻതോതിൽ ഉൽപ്പാദിപ്പിക്കാവുന്ന ഉൽപ്പന്നമാക്കി മാറ്റുക എന്നത് ഇപ്പോഴും വലിയൊരു വെല്ലുവിളിയാണ്. Bedrock Robotics, Foxglove, MBRYONICS എന്നിവയിലെ എക്സിക്യൂട്ടീവുകൾ ഈ പ്രക്രിയയെക്കുറിച്ച് വിശദീകരിക്കുന്നു. ചർച്ചാവിഷയങ്ങൾ ഇവയാണ്:

  • സപ്ലൈ ചെയിൻ ശക്തിപ്പെടുത്തൽ (Supply-chain hardening) – പ്രത്യേക സെൻസറുകളും കസ്റ്റം നിർമ്മിച്ച ഫ്രെയിമുകളും വൻതോതിൽ ലഭ്യമാക്കുന്നുവെന്ന് ഉറപ്പാക്കുക.
  • മാനുഫാക്ചറബിലിറ്റിക്കായുള്ള ഡിസൈൻ (Design for manufacturability) – ചിലവ് വർദ്ധിപ്പിക്കാതെ തന്നെ കൃത്യത നിലനിർത്താൻ മെക്കാനിക്കൽ അസംബ്ലികൾ ലളിതമാക്കുക.
  • ക്വാളിറ്റി അഷ്വറൻസ് പൈപ്പ്‌ലൈനുകൾ (Quality assurance pipelines) – യഥാർത്ഥ ലോകത്തെ പ്രവർത്തന സാഹചര്യങ്ങളെ പ്രതിഫലിപ്പിക്കുന്ന ഓട്ടോമേറ്റഡ് ഫങ്ഷണൽ ടെസ്റ്റുകൾ ഉൾപ്പെടുത്തുക.

ഒരു സ്റ്റാർട്ടപ്പിന്റെ മൂല്യം ഉടൻ തന്നെ അൽഗോരിതത്തിന്റെ മികവിനേക്കാൾ, ഒരു വലിയ പരാജയവും കൂടാതെ ആയിരക്കണക്കിന് വിശ്വസനീയമായ യൂണിറ്റുകൾ വിപണിയിലെത്തിക്കാനുള്ള അവരുടെ കഴിവിനെ അടിസ്ഥാനമാക്കിയായിരിക്കും എന്ന് പൊതുവായ അഭിപ്രായമുണ്ട്.

AI ജീവശാസ്ത്രവുമായി സംഗമിക്കുന്നു: വംശനാശം സംഭവിച്ച ജീവികളുടെ പുനരുജ്ജീവന ചർച്ചകൾ

Real World AI സ്റ്റേജിലെ ഏറ്റവും ആകർഷകമായ സെഷനുകളിൽ ഒന്നായി Colossal Biosciences-ന്റെ CEO ബെൻ ലാം (Ben Lamm) വംശനാശം സംഭവിച്ച ജീവികളെ പുനരുജ്ജീവിപ്പിക്കാൻ ലക്ഷ്യമിട്ടുള്ള AI അധിഷ്ഠിത ജനിതക എഞ്ചിനീയറിംഗിനെക്കുറിച്ച് സംസാരിക്കുന്നു. പ്രോട്ടീൻ ഫോൾഡിംഗ്, ജീൻ എക്സ്പ്രഷൻ, പാരിസ്ഥിതിക ആഘാതം എന്നിവ പ്രവചിക്കുന്ന മെഷീൻ ലേണിംഗ് മോഡലുകൾക്ക് "ഡി-എക്സ്റ്റിംഗ്ഷൻ" (de-extinction) പ്രോജക്റ്റുകളെ വേഗത്തിലാക്കാൻ കഴിയുമോ അതോ നിലവിലുള്ള പരിസ്ഥിതി വ്യവസ്ഥകളെ സംരക്ഷിക്കുന്നതിൽ നിന്നുള്ള വിഭവങ്ങൾ ഇത് തിരിച്ചുവിടുകയാണോ ചെയ്യുന്നത് എന്ന് ഈ സെഷൻ പരിശോധിക്കുന്നു. ശാസ്ത്രീയമായ അനിശ്ചിതത്വങ്ങളും ധാർമ്മികമായ പ്രതിസന്ധികളും ഇതിന്റെ പുതുമയേക്കാൾ വലുതാണെന്ന് വിമർശകർ വാദിക്കുന്നു; എന്നാൽ ഇതേ AI പൈപ്പ്‌ലൈനുകൾ വാക്സിൻ നിർമ്മാണം, വിളവിനെ മെച്ചപ്പെടുത്തൽ, രോഗപ്രതിരോധ ശേഷിയുള്ള കന്നുകാലികൾ എന്നിവയുടെ വേഗത വർദ്ധിപ്പിക്കുമെന്ന് അനുകൂലികൾ അവകാശപ്പെടുന്നു. ഈ സംവാദം ഒരു വലിയ ചോദ്യം ഉയർത്തുന്നു: AI ജീവശാസ്ത്രത്തെ മാറ്റിയെഴുക്കാൻ തുടങ്ങുമ്പോൾ, സ്വീകാര്യമായ അപകട പരിധികൾ ആരാണ് തീരുമാനിക്കുന്നത്?

വിപരീത വാദം: ഹാർഡ്‌വെയർ രംഗത്തെ ഈ കുതിപ്പ് അകാലത്തിലുള്ളതാണോ?

വ്യവസായം ഇപ്പോൾ തന്നെ ഫിസിക്കൽ AI-ലേക്ക് കുതിക്കണമെന്ന് എല്ലാവരും യോജിക്കുന്നില്ല. സുരക്ഷാപ്രധാനമായ ഹാർഡ്‌വെയറുകളിൽ AI ഉൾപ്പെടുത്താനുള്ള തിടുക്കം, പരിശോധനാ മാനദണ്ഡങ്ങളുടെ (verification standards) വികാസത്തേക്കാൾ മുന്നേറാൻ സാധ്യതയുണ്ടെന്നും ഇത് താൽക്കാലികമായ സുരക്ഷാ ക്രമീകരണങ്ങളുടെ ഒരു കൂട്ടമായി മാറുമെന്നും ചില വിശകലന വിദഗ്ധർ മുന്നറിയിപ്പ് നൽകുന്നു. സോഫ്റ്റ്‌വെയർ വിശ്വാസ്യത ഇപ്പോഴും ഹാർഡ്‌വെയർ ലക്ഷ്യങ്ങളെക്കാൾ പിന്നിലാണെന്നതിന് തെളിവായി സ്വയം നിയന്ത്രിത വാഹനങ്ങളുടെ (autonomous vehicle) പരീക്ഷണങ്ങളിൽ അടുത്തിടെ ഉണ്ടായ അപകടസാധ്യതകളെ അവർ ചൂണ്ടിക്കാട്ടുന്നു. അടിസ്ഥാനപരമായ AI സുരക്ഷാ ഗവേഷണങ്ങൾ ശക്തിപ്പെടുത്തുകയും, തുടർന്ന് ആ കണ്ടെത്തലുകളെ ക്രമേണ ഹാർഡ്‌വെയർ പ്ലാറ്റ്‌ഫോമുകളിലേക്ക് സംയോജിപ്പിക്കുകയും ചെയ്യുന്ന കൂടുതൽ മിതത്വമുള്ള ഒരു സമീപനമാണ് അവരുടെ മറുവാദം നിർദ്ദേശിക്കുന്നത്.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • നിയമപരമായ നാഴികക്കല്ലുകൾ – വരും മാസങ്ങളിൽ FAA, DoD, ബയോടെക് ഏജൻസികൾ എന്നിവ AI-സജ്ജമായ ഹാർഡ്‌വെയറുകളെക്കുറിച്ചുള്ള കരട് മാർഗ്ഗനിർദ്ദേശങ്ങൾ പുറത്തിറക്കുമെന്ന് പ്രതീക്ഷിക്കാം. നയരൂപകർത്താക്കളുമായി നേരത്തെ സമ്പർക്കം പുലർത്തുന്ന കമ്പനികൾക്ക് വേഗത്തിലുള്ള സർട്ടിഫിക്കേഷൻ പാതകൾ ലഭിച്ചേക്കാം.
  • നിക്ഷേപ പ്രവണതകൾ – Eclipse Ventures പോലുള്ള വെഞ്ച്വർ ഫേമുകൾ, എഡ്ജ്-ഫോക്കസ്ഡ് (edge-focused) AI സ്റ്റാർട്ടപ്പുകൾക്കായി, പ്രത്യേകിച്ച് ഹാർഡ്‌വെയർ പങ്കാളിത്തം തെളിയിച്ചിട്ടുള്ളവർക്കായി വലിയ തുകകൾ നിക്ഷേപിക്കാൻ സാധ്യതയുണ്ടെന്ന് സൂചിപ്പിക്കുന്നു.
  • ഡെമോ അവതരണങ്ങൾ – GPS ലഭ്യമല്ലാത്ത സാഹചര്യങ്ങളിൽ സഞ്ചരിക്കുന്ന സ്വയം നിയന്ത്രിത ഡ്രോണുകളുടെയും, തത്സമയം ജീനോം എഡിറ്റിംഗ് ജോലികൾ ചെയ്യുന്ന റോബോട്ടിക് കൈകളുടെയും തത്സമയ പ്രദർശനങ്ങൾ നടത്തുമെന്ന് നിരവധി പ്രദർശകർ സൂചിപ്പിച്ചിട്ടുണ്ട്. എഡ്ജ് AI (edge AI) വ്യാപിപ്പിക്കാനുള്ള സാധ്യതയുടെ തെളിവായി ഈ ഡെമോകൾ പ്രവർത്തിക്കും.

ചുരുക്കത്തിൽ

TechCrunch Disrupt-ന്റെ Real World AI സ്റ്റേജ് ആരംഭിക്കുന്നത് വ്യവസായത്തിന് വ്യക്തമായ ഒരു സൂചന നൽകുന്നു: ഡാറ്റാ സെന്ററുകൾക്ക് പുറത്ത്, സ്റ്റീൽ ഫ്രെയിമുകൾക്കുള്ളിലും, യുദ്ധക്കളങ്ങളിലും, ജീവനുള്ള കോശങ്ങൾക്കുള്ളിലും അൽഗോരിതങ്ങൾ എത്രത്തോളം മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നു എന്നതിനെ അടിസ്ഥാനമാക്കിയായിരിക്കും AI വളർച്ചയുടെ അടുത്ത ഘട്ടത്തെ വിലയിരുത്തുന്നത്. വിജയിക്കാൻ ബുദ്ധിപരമായ മോഡലുകൾ മാത്രം പോരാ; കർശനമായ സുരക്ഷാ സംസ്കാരം, എഡ്ജ്-റെഡി ഹാർഡ്‌വെയർ (edge-ready hardware), ഒരു പ്രോട്ടോടൈപ്പിനെ വലിയ തോതിൽ വിശ്വസനീയമായ ഉൽപ്പന്നമാക്കി മാറ്റാൻ കഴിയുന്ന സപ്ലൈ-ചെയിൻ അച്ചടക്കം എന്നിവ ആവശ്യമാണ്. AI ക്ലൗഡിൽ നിന്ന് ഭൗതിക ലോകത്തേക്ക് മാറുമ്പോൾ, ഈ മേഖലകളിൽ വൈദഗ്ധ്യം നേടുന്ന കമ്പനികൾക്ക് ഭൂരിഭാഗം നിക്ഷേപങ്ങളും വിപണി വിഹിതവും സ്വന്തമാക്കാൻ സാധിക്കും.