तंत्रज्ञान बातम्यांचे चक्र वेगाने फिरते, पण हा आठवडा काहीसा वेगळा वाटला. कृत्रिम बुद्धिमत्ता (AI) आता केवळ एखादे उत्पादन किंवा संशोधन पेपर उरलेली नाही. ती परराष्ट्र धोरणातील एक महत्त्वाचा मोहरा (bargaining chip) बनली आहे. सरकारे आता मॉडेल वेट्सकडे (model weights) समृद्ध युरेनियमप्रमाणे पाहू लागली आहेत: अत्यंत केंद्रित, चुकीच्या वापरामुळे धोकादायक आणि जर प्रतिस्पर्ध्याने त्यांचा साठा केला तर दुर्लक्षित करणे अशक्य. आताची लढाई केवळ कोणत्या मॉडेलचा बेंचमार्क स्कोअर जास्त आहे याबद्दल नाही. तर ती कोणाकडे ते बनवण्याचे सामर्थ्य आहे, त्यांना प्रशिक्षित करण्यासाठी लागणारे साहित्य कोणाकडे आहे आणि ज्या डेटावरून त्यांनी शिकले आहे त्यावर कोणाचे मालकी हक्क आहेत, याबद्दल आहे.

डिस्टिलेशनचा (Distillation) आरोप

या आठवड्यात, एका अमेरिकन अधिकाऱ्याने Moonshot AI वर Anthropic च्या Fable मॉडेलची चोरी केल्याचा आरोप केला. मुख्य दावा असा आहे की Moonshot ने आपले Kimi K3 सिस्टम तयार करण्यासाठी 'डिस्टिलेशन'चा वापर केला. ज्या वाचकांना प्रशिक्षण पद्धतींचा (training methods) सखोल अभ्यास नाही, त्यांच्यासाठी सांगायचे तर, डिस्टिलेशन म्हणजे एका मोठ्या आणि सक्षम मॉडेलचा वापर करून दुसऱ्या लहान किंवा नवीन मॉडेलला शिकवणे होय. परवानगीने केल्यास ही प्रक्रिया कायदेशीर आणि सामान्य आहे. परंतु, जेव्हा एखादी कंपनी प्रतिस्पर्ध्याच्या मालकीच्या प्रणालीतून (proprietary system) परवानगीशिवाय ज्ञान काढते, तेव्हा ती चोरी ठरते.

आरोपांनुसार, याचे पुरावे वर्तणुकीवर आधारित आहेत. संशोधकांनी असे पाहिले आहे की Kimi K3 स्वतःची ओळख Anthropic चा सहाय्यक 'Claude' अशी वारंवार करून घेते. ज्या मॉडेलचे स्वतःचे स्वतंत्र प्रशिक्षण आहे, त्याला स्वतःचे नाव माहित असायला हवे. जेव्हा ते वारंवार प्रतिस्पर्धी उत्पादनाचे असल्याचा दावा करते, तेव्हा ते केवळ योगायोग न वाटता, शिक्षकाच्या परीक्षेची उत्तरे शब्दशः पाठ केलेल्या विद्यार्थ्यासारखे वाटते. जर Moonshot ने खरोखरच Kimi K3 ला प्रशिक्षित करण्यासाठी Anthropic च्या मॉडेलमधून माहिती चोरली असेल, तर त्याचे बौद्धिक संपदेचे (intellectual property) परिणाम केवळ सिलिकॉन व्हॅलीच्या न्यायालयांपुरते मर्यादित राहणार नाहीत. ते निर्यात नियंत्रण (export controls) आणि राष्ट्रीय सुरक्षा ब्रीफिंगपर्यंत पोहोचतील.

स्वस्त मॉडेल्सचा उदय

डिस्टिलेशनची लढाई सुरू असतानाच, चिनी लॅब्स अशा वेगाने आणि किमतीत 'फ्रंटियर मॉडेल्स' (frontier models) बाजारात आणत आहेत, ज्यामुळे अमेरिकन प्रशासन अस्वस्थ झाले आहे. DeepSeek V4 आणि Kimi K3 एकमेकांच्या काही दिवसांच्या अंतराने आले. दोन्ही मॉडेल्स सार्वजनिक लीडरबोर्डच्या शीर्षस्थानी असल्याचा दावा करतात, तरीही त्यांची किंमत त्यांच्या अमेरिकन प्रतिस्पर्ध्यांच्या तुलनेत अत्यंत कमी आहे.

ही पद्धत नवीन नाही, पण तिचा वेग वाढत आहे. चिनी लॅब्समुळे आलेल्या आधीच्या धक्क्यांमुळे वॉल स्ट्रीटला असा प्रश्न पडला होता की, खरोखरच फ्रंटियर मॉडेल प्रशिक्षित करण्यासाठी दहा अब्ज डॉलर्सची गरज आहे का? DeepSeek V4 आणि Kimi K3 ने हा दबाव पुन्हा वाढवला आहे. ते असे सुचवतात की अभियांत्रिकी कार्यक्षमता (engineering efficiency), चपळ डेटा क्युरेशन (data curation) आणि हार्डवेअरमधील पर्यायी मार्ग (hardware workarounds) हे मोठ्या भांडवलाला पर्याय ठरू शकतात. 'स्केलिंग मोट'वर (scaling moat) अवलंबून असलेल्या अमेरिकन लॅब्ससाठी संदेश स्पष्ट आहे: उच्च कार्यक्षमता आता स्वस्त होत आहे आणि प्रीमियम किमतीसाठी असलेली संधी संपत चालली आहे.

एंटरप्राइझ एजंट युद्ध (The Enterprise Agent War)

या आठवड्यातील प्रत्येक बातमी भू-राजकारणाबद्दल नव्हती. OpenAI ने 'Presence' लाँच केले, जे व्यवसायांना AI एजंट्स तैनात करण्यास मदत करण्यासाठी बनवलेले उत्पादन आहे. या हालचालीमुळे OpenAI आता Google, Meta आणि NVIDIA च्या थेट स्पर्धेत आले आहे. या प्रत्येक कंपनीला एकच संधी दिसत आहे: मॉडेल स्वतः एक कमोडिटी (commodity) बनत आहे, परंतु प्रत्यक्ष वर्कफ्लो स्वयंचलित करणारी प्लॅटफॉर्म अत्यंत मौल्यवान आहे.

चॅटबॉट्सनंतर 'एजंट्स' हे पुढचे तार्किक पाऊल आहे. चॅटबॉट प्रश्नांची उत्तरे देतो. एजंट विमाने बुक करतो, खर्चाचे अहवाल (expense reports) सादर करतो किंवा वेअरहाऊस इन्व्हेंटरीचे पुनर्संतुलन करतो. ही कामे स्वयंचलित करण्याची स्पर्धा आता तीव्र होत आहे कारण तिथेच कंपन्यांचा वारंवार मिळणारा महसूल (recurring enterprise revenue) दडलेला आहे. OpenAI ला केवळ इंजिन विकायचे नाही; त्यांना संपूर्ण कार विकायची आहे. Google ला 'Workspace' द्वारे तुमच्या मीटिंग्स चालवायच्या आहेत. Meta ला त्याच्या सोशल ग्राफमध्ये एजंट्स हवे आहेत. NVIDIA ला या सर्वांच्या खालील इन्फ्रास्ट्रक्चर लेअरला शक्ती देण्याची इच्छा आहे. विजेता तो लॅब असेल ज्याचे मॉडेल सर्वोत्तम आहे असे नाही, तर तो असेल जो IT विभागांना त्यांच्या अंतर्गत प्रणालींची चावी सुपूर्द करण्यास तयार करेल.

जेव्हा काँक्रीट अडथळा ठरते (When Concrete Becomes the Bottleneck)

या सर्व सॉफ्टवेअर महत्त्वाकांक्षा अजूनही भौतिक गोष्टींवर अवलंबून आहेत. OpenAI ने जेव्हा जॉर्जियामध्ये तीस अब्ज डॉलर्सचा 'प्रोजेक्ट कॅमेलिया' (Project Camellia) हा डेटा सेंटर कॅम्पस सुरू केला, तेव्हा हे स्पष्ट झाले. तीस अब्ज डॉलर्स हा केवळ सुविधांचा बजेट नाही. ते एक विधान आहे की AI साठी आता मुख्य मर्यादा अल्गोरिदम किंवा अगदी GPUs नाहीत, तर ते वीज आणि काँक्रीट (concrete) आहेत.

तुम्ही एखाद्या सर्व्हर क्लोजेटमध्ये फ्रंटियर मॉडेल प्रशिक्षित करू शकत नाही. तुम्हाला हजारो अॅक्सिलरेटर्सची गरज आहे जे एकाच वेळी काम करतील आणि एका मध्यम आकाराच्या शहरापेक्षा जास्त वीज वापरतील. तुम्हाला फायबर, कूलिंगसाठी पाणी, स्टील आणि परवानग्या मिळवण्यासाठी अनेक वर्षे लागतील. म्हणूनच BlackRock आणि MGX सारखे अॅसेट मॅनेजर्स डेटा सेंटर प्रकल्पांमध्ये अब्जावधी डॉलर्स गुंतवत आहेत. ते एखाद्या ॲपवर सट्टा लावत नाहीत. ते AI च्या युगातील रेल्वे मार्ग आणि कोळसा खाणी खरेदी करत आहेत. जर वीज निर्मिती आणि बांधकामाची पुरवठा साखळी वेळेवर उपलब्ध होऊ शकली नाही, तर गणित कितीही उत्कृष्ट असले तरी मोठ्या मॉडेल्सचा संपूर्ण रोडमॅप मागे पडेल.

न्यायालये, कॉपीराइट आणि भांडवल

या आठवड्यात कायदेशीर व्यवस्था देखील चर्चेच्या केंद्रस्थानी आली. Anthropic ने लेखकांशी केलेल्या $1.5 बिलियनच्या तडजोडीला एका न्यायाधीशाने मंजुरी दिली, ज्यांनी कंपनीवर त्यांच्या परवानगीशिवाय Claude प्रशिक्षित करण्यासाठी त्यांची पुस्तके वापरल्याचा आरोप केला होता. ही तडजोड AI इतिहासातील सर्वात मोठ्या कॉपीराइट दाव्यांपैकी एक सोडवते.

निकालाइतकीच त्या चेकची रक्कम देखील महत्त्वाची आहे. हे इतर सर्व लॅब्सना सांगते की प्रशिक्षण डेटा ही मुक्त वेबवरून स्क्रॅप केलेली मोफत संसाधने नाहीत. हे एक संभाव्य दायित्व (contingent liability) आहे जे कालांतराने बॅलन्स शीटमध्ये दिसून येऊ शकते. $1.5 बिलियनची ही नोंद वित्त पथकांना (finance teams) प्री-ट्रेनिंग बजेटबद्दल विचार करण्याची पद्धत बदलते. हे लेखकांना आणि प्रकाशकांना भविष्यातील कायदेशीर दाव्यांसाठी एक स्पष्ट पूर्वोद्रेख देखील देते. जर तुम्ही आज मॉडेल तयार करत असाल, तर तुमचा ट्रेनिंग कॉर्पस ऑडिटमधून सुटेल असे तुम्ही आता गृहीत धरू शकत नाही.

स्क्रीनच्या पलीकडचे AI

शेवटी, या आठवड्यातील निधीच्या दोन आकडेवारीने सर्वांना आठवण करून दिली की AI केवळ चॅट विंडोजपुरते मर्यादित नाही. या महिन्यात संरक्षण AI साठीचा निधी $3 अब्जवर पोहोचला, तर AI-आधारित औषध संशोधनातील (drug discovery) गुंतवणूक $2 अब्ज झाली.

संरक्षणाच्या क्षेत्रात, उपग्रह प्रतिमांचे विश्लेषण करू शकणाऱ्या, ड्रोन स्वॉर्म्सचे समन्वय साधू शकणाऱ्या आणि युद्धभूमीवरील निर्णय प्रक्रिया जलद करू शकणाऱ्या प्रणालींमध्ये पैसा वाहत आहे. फार्मा क्षेत्रात, नवीन AI साधने औषध विकासाचा कालावधी वर्षांवरून महिन्यांवर आणत आहेत. संशोधक आता प्रत्यक्ष प्रयोगशाळेत (wet lab) जाण्यापूर्वी सिलिकॉनमध्ये संभाव्य रेणूंची (molecules) निर्मिती आणि तपासणी करू शकतात. या तंत्रज्ञाचे 'दुहेरी वापराचे' (dual-use) स्वरूप पूर्णपणे दिसून येत आहे. ग्राहक सेवा बॉट सुधारणारी तीच मूळ पद्धती क्षेपणास्त्र लक्ष्यीकरण आणि अँटीबॉडी डिझाइनला देखील वेग देते. जसा पैसा येत आहे, तसे व्यावसायिक आणि धोरणात्मक AI मधील नैतिक आणि नियामक सीमा धूसर होत आहेत.

सप्टेंबरमधील चर्चा आणि नवीन स्कोअरबोर्ड

हे सर्व धागे एका महत्त्वाच्या भेटीमध्ये एकत्र येतात: अमेरिका आणि चीन सप्टेंबरमध्ये औपचारिक AI चर्चा करतील. ते लष्करी AI आणि चिप्सच्या उपलब्धतेवर चर्चा करण्याची योजना आखत आहेत. या दोन अजेंडा विषयांवरूनच आपल्याला समजते की आपण मुक्त संशोधनाच्या युगापासून किती दूर आलो आहोत.

जुनी स्पर्धा सोपी होती. तुम्ही एक मॉडेल लाँच केले, मी एक मॉडेल लाँच केले, आणि MMLU किंवा HumanEval वरील चांगला स्कोअर असलेला विजेता ठरला. तो खेळ आता संपत आहे. नवीन प्रश्न मोजणे कठीण आहे आणि सॉफ्टवेअर अपडेटने ते दुरुस्त करणे अशक्य आहे:

  • कोणी कोणत्या डेटावर प्रशिक्षण दिले आणि त्यासाठी त्यांनी पैसे दिले का?
  • कोण कोणते चिप्स खरेदी करू शकते आणि कोणाला पुरवठा साखळीतून रोखले आहे?
  • डेटा सेंटर्स चालवणारा वीज पुरवठा कोणाच्या नियंत्रणात आहे?

बेंचमार्क्स एकत्र येत आहेत. क्षमतांचे एकत्रीकरण होत आहे. परंतु राजकारण विभागले जात आहे. निर्यात परवाने, ऊर्जा ग्रीड्स आणि कायदेशीर व्यवस्थांमुळे दोन समांतर परिसंस्था (ecosystems) तयार होत आहेत.

मुख्य निष्कर्ष

जर तुम्ही डेव्हलपर, संस्थापक किंवा एंटरप्राइझ खरेदीदार असाल, तर केवळ लीडरबोर्ड स्कोअरवर आधारित AI चे मूल्यमापन करणे थांबवा. पुरवठा साखळी आणि राजकीय जोखीम यांना इंजिनिअरिंग मर्यादा (engineering constraints) म्हणून मानण्यास सुरुवात करा. तुम्ही आज जे मॉडेल समाविष्ट कराल, त्यावर उद्या निर्यात निर्बंध लागू होऊ शकतात. त्यामागील प्रशिक्षण डेटाला अब्जावधी डॉलर्सचे कायदेशीर बिल भरावे लागू शकते. ते चालवणारा डेटा सेंटर स्थानिक युटिलिटी ग्रीडमुळे मर्यादित असू शकतो, ते तयार करणाऱ्या संशोधकांच्या प्रतिभेमुळे नाही. तुमचे आर्किटेक्चर अशा प्रकारे तयार करा की जणू तुम्ही वापरत असलेली साधने प्रतिबंधित (embargoed), कायदेशीर वादात अडकलेली किंवा वीज पुरवठ्यापासून वंचित असू शकतात—कारण या आठवड्याने हे स्पष्ट केले आहे की या तिन्ही गोष्टी आता प्रत्यक्ष शक्यता आहेत.