सत्य नडेला यांचा इशारा: कंपन्या एआयसाठी (AI) दोनदा पैसे मोजत आहेत
Microsoft चे CEO सत्य नडेला यांनी व्यवसायांना एक धक्कादायक इशारा दिला आहे. त्यांनी सावध केले आहे की, सध्याच्या प्रोप्रायटरी (proprietary) AI वापरण्याच्या मॉडेलमध्ये एक छुपा आणि मोठा खर्च दडलेला आहे. केवळ सबस्क्रिप्शन शुल्कापलीकडे, कंपन्या नकळतपणे आपली सर्वात मौल्यवान मालमत्ता—त्यांची संस्थात्मक बुद्धिमत्ता (institutional intelligence)—गमावत आहेत.
छुपा खर्च: प्रोप्रायटरी ज्ञानाद्वारे देय किंमत
एका अलीकडील वादग्रस्त ब्लॉग पोस्टमध्ये, नडेला यांनी असा युक्तिवाद केला की AI "खरेदीदार" प्रत्यक्षात बुद्धिमत्तेसाठी दोनदा पैसे मोजत आहेत. पहिले पेमेंट हे आर्थिक आहे—OpenAI आणि Anthropic सारख्या लॅब्सना दिलेले टोकन्स आणि सबस्क्रिप्शन शुल्क. दुसरे आणि अधिक धोकादायक पेमेंट म्हणजे, मॉडेल्स उपयुक्त बनवण्यासाठी उघड केलेले प्रोप्रायटरी ज्ञान.
नडेला यांनी असे अधोरेखित केले आहे की, जेव्हा कंपन्या कामगिरी सुधारण्याचा (fine-tune) प्रयत्न करतात, तेव्हा त्या मॉडेल्सना संवेदनशील डेटा पुरवतात. अधिक महत्त्वाचे म्हणजे, मॉडेल्स "exhaust" मधून शिकतात—ज्यामध्ये प्रॉम्प्ट्स (prompts), एजंट्स वापरत असलेली विशिष्ट साधने आणि मॉडेलकडून चूक झाल्यावर मानवाने केलेले सुधारणा (corrections) यांचा समावेश असतो. ही फीडबॅक लूप संस्थात्मक ज्ञानाचे असे सार (distillation) तयार करते जे कोणताही स्पर्धक कधीही विकत घेऊ शकणार नाही, तरीही ते थेट मॉडेल पुरवठादारांकडे जात आहे.
डिस्टिलेशन (Distillation) वाद आणि प्रशिक्षणातील ढोंगीपणा
AI क्षेत्रामधील एक मुख्य तणाव म्हणजे "डिस्टिलेशन" (distillation) ही संकल्पना—एका मॉडेलचे आउटपुट वापरून नवीन, अधिक कार्यक्षम मॉडेल प्रशिक्षित करण्याची पद्धत. नडेला यांनी उद्योगातील एका कथित ढोंगीपणाकडे लक्ष वेधले: जेव्हा AI लॅब्स त्यांच्या पायाभूत मॉडेल्सना प्रशिक्षित करण्यासाठी संपूर्ण इंटरनेट स्क्रॅप करण्याचा "fair use" हक्क सांगतात, तेव्हा त्याच वेळी त्या अशा कडक अटी लादतात ज्यामुळे कंपन्यांना त्यांच्या प्रोप्रायटरी मॉडेल्समधून काही शिकणे किंवा डिस्टिलेशन करणे कठीण होते.
हा वाद केवळ सैद्धांतिक नाही. Anthropic सारख्या उद्योगातील घटकांनी यापूर्वी चिनी ओपन-सोर्स मॉडेल्सबाबत चिंता व्यक्त केली आहे, ज्यांनी कथितपणे Claude मधील लाखो प्रॉम्प्ट्सचा वापर करून स्वतःची क्षमता सुधारली आहे. यामुळे सरकारी निर्यात नियंत्रणांच्या (export controls) कडक मागणीलाही चालना मिळाली आहे.
ऑर्केस्ट्रेशन (Orchestration) आणि ऑन-प्रिमाइसेस (On-Premise) मॉडेल्सकडे वळण
हे धोके कमी करण्यासाठी, नडेला यांनी कंपन्यांनी त्यांच्या AI स्टॅक्सची रचना कशी असावी, यामध्ये धोरणात्मक बदलाचा सल्ला दिला आहे. त्यांनी दोन मुख्य संरक्षणाचे समर्थन केले आहे:
- प्रोप्रायटरी लर्निंग एन्व्हायरनमेंट्स (Proprietary Learning Environments): कंपन्यांनी क्लाउडमध्ये (उदा. Microsoft Azure) समर्पित वातावरण तयार करून त्यांच्या डेटा, प्रॉम्प्ट्स आणि फीडबॅकवर पूर्ण मालकी हक्क राखला पाहिजे.
- ऑर्केस्ट्रेशन लेयर्स (Orchestration Layers): एकाच पुरवठादारावर अवलंबून राहण्याऐवजी, व्यवसायांनी वेगवेगळ्या मॉडेल्समध्ये सहजपणे बदल करण्यासाठी "AI gateways" वापरले पाहिजेत.
हा आर्किटेक्चरल बदल आधीच बाजारपेठेत दिसून येत आहे. Solo.io च्या Idit Levine सारख्या उद्योगातील तज्ज्ञांच्या मते, कंपन्या "ऑन-प्रिमाइसेस" (on-premise) ओपन-सोर्स मॉडेल्सकडे वळण्याचा कल वाढत आहे. ही मॉडेल्स प्रोप्रायटरी दिग्गज कंपन्यांच्या कामांपैकी ९०% कामे अत्यंत कमी खर्चात करू शकतात आणि त्याच वेळी डेटा कंपनीच्या भौतिक किंवा आभासी (virtual) नियंत्रणात राहण्याची खात्री देतात.
डेटा या कलनाला पुष्टी देतो; Vercel सारख्या प्लॅटफॉर्मनी अहवाल दिला आहे की एका महिन्यात त्यांच्या गेटवेद्वारे प्रवाहित झालेल्या एकूण ट्रॅफिकपैकी २९% ट्रॅफिक ओपन मॉडेल्सचे होते. नडेला यांच्या मते, "बुद्धिमत्ता वापरताना, तुम्ही बुद्धिमत्ता निर्माण करत असता. आणि तुम्ही जे निर्माण करता, ते तुमचेच असायला हवे."
महत्त्वाचे मुद्दे
- दुहेरी पेमेंटचा सापळा: कंपन्या केवळ रोख स्वरूपात पैसे मोजत नाहीत; तर त्या त्यांच्या प्रोप्रायटरी बिझनेस लॉजिक आणि सुधारणांच्या "exhaust" द्वारे पैसे मोजत आहेत.
- मॉडेल ऑर्केस्ट्रेशनचा उदय: व्हेंडर लॉक-इन (vendor lock-in) आणि डेटा गळती टाळण्यासाठी, कंपन्या अनेक मॉडेल्स व्यवस्थापित करण्यासाठी अधिकाधिक AI gateways आणि ऑर्केस्ट्रेशन लेयर्सचा अवलंब करत आहेत.
- ओपन सोर्सकडे वळण: डेटा सार्वभौमत्व (data sovereignty) राखण्यासाठी आणि दीर्घकालीन खर्च कमी करण्यासाठी ऑन-प्रिमाइसेस, ओपन-सोर्स मॉडेल्स वापरण्याकडे एक महत्त्वपूर्ण हालचाल सुरू आहे.