जेव्हा Meta, Microsoft आणि Nvidia एखाद्या धोरणात्मक लढाईत एकाच बाजूने उभे राहतात, तेव्हा ती बातमी सामान्य असते. पण जेव्हा ते IBM, Dell, CrowdStrike, ServiceNow आणि Andreessen Horowitz समर्थित स्टार्टअप्सच्या समूहासोबत एकत्र येतात, तेव्हा तो क्षण खरोखरच असामान्य असतो. या कंपन्यांनी वॉशिंग्टनला एकत्रितपणे एक पत्र पाठवून धोरणकर्त्यांना विनंती केली आहे की, त्यांनी open-weight artificial intelligence मॉडेल्सना प्रतिबंधात्मक फेडरल नियमांपासून संरक्षण द्यावे. ही विनंती केवळ त्यासोबत जोडलेल्या नावांच्या कारणामुळे महत्त्वाची नाही, तर उद्योग क्षेत्राला वाटते की त्यांचे भविष्य कोठे आहे, हे त्यातून स्पष्ट होते.
एक असामान्य युद्धविराम
तंत्रज्ञान क्षेत्रातील लॉबिंग सहसा एखाद्या तीव्र संघर्षासारखे असते. क्लाउड प्रदाते संरक्षण करारांवरून एकमेकांशी लढतात. चिप निर्माते डेटा सेंटर्समधील जागेसाठी स्पर्धा करतात. सोशल प्लॅटफॉर्म्स ॲप स्टोअर शुल्कावरून एकमेकांवर खटले भरतात. तरीही, या आघाडीने पायाभूत सुविधांच्या एका सामायिक भागाचे संरक्षण करण्यासाठी त्या सर्व स्पर्धा बाजूला ठेवल्या आहेत.
स्वाक्षरी करणाऱ्यांची यादी AI स्टॅकच्या प्रत्येक स्तरावर पसरलेली आहे. Nvidia आणि Dell Technologies सिलिकॉन आणि सर्व्हर्सचा पुरवठा करतात. Microsoft आणि IBM एंटरप्राइझ सॉफ्टवेअर आणि जागतिक क्लाउड पोहोच प्रदान करतात. Meta अग्रगण्य संशोधन आणि अब्जावधी लोकांचा वापरकर्ता वर्ग दोन्ही प्रदान करते. Hugging Face, Mistral आणि Perplexity हे मॉडेल बिल्डर्स आणि टूलिंग प्लॅटफॉर्म्सच्या नवीन लाटेचे प्रतिनिधित्व करतात. त्यानंतर तज्ज्ञ आहेत: Palantir (सरकारी आणि व्यावसायिक विश्लेषण), CrowdStrike (सायबर सुरक्षा), आणि ServiceNow (एंटरप्राइझ वर्कफ्लो ऑटोमेशन). अगदी Andreessen Horowitz च्या माध्यमातून व्हेंचर कॅपिटल इकोसिस्टमनेही यात सहभाग घेतला आहे.
ही व्याप्ती काहीतरी महत्त्वाचे सूचित करते. Open-weight मॉडेल्स हे केवळ छंद म्हणून वापरले जाणारे साधन किंवा शैक्षणिक प्रयोग नाहीत. उद्योग क्षेत्र त्यांना महत्त्वाच्या पायाभूत सुविधा (load-bearing infrastructure) म्हणून पाहते. जेव्हा एखादा सुरक्षा विक्रेता आणि GPU निर्माता एकाच धोरणात्मक युक्तिवादाचा आधार घेतात, तेव्हा तो विषय केवळ इंजिनिअरिंगपुरता मर्यादित राहत नाही.
'Open Weight' चा नेमका अर्थ काय?
AI बद्दलची बहुतांश सार्वजनिक चर्चा केवळ चॅटबॉट्स आणि वेब इंटरफेसपुरती मर्यादित राहते. क्लोज्ड (closed) आणि ओपन (open) मॉडेल्समधील तांत्रिक फरक हरवून जातो, आणि हाच फरक स्पष्ट करणे हा या पत्राचा मुख्य उद्देश आहे.
Closed-source मॉडेल्स हे API द्वारे वापरले जाणारे 'ब्लॅक बॉक्स' असतात. तुम्ही मजकूर पाठवता आणि तुम्हाला मजकूर मिळतो. तुम्ही त्यातील मूळ गणिती प्रक्रिया पाहू शकत नाही. तुम्ही ते मॉडेल तुमच्या स्वतःच्या सर्व्हरवर डाउनलोड करू शकत नाही. तुम्ही प्रत्येक टोकनसाठी पैसे देता, प्रदात्याने ठरवून दिलेल्या वापराच्या मर्यादेत काम करता आणि तुमचा डेटा त्यांच्या सिस्टमद्वारे पाठवता.
Open-weight मॉडेल्स हे नाते उलट करतात. संस्था प्रत्यक्ष संख्यात्मक पॅरामीटर्स—ज्याला weights म्हणतात—मुक्त करते, जे मॉडेल माहिती कशी प्रक्रिया करते हे ठरवतात. डेव्हलपर्स हे फाइल्स डाउनलोड करू शकतात, त्यांच्या स्वतःच्या मशीनवर लोड करू शकतात, ते कसे काम करतात याचे निरीक्षण करू शकतात, विशिष्ट कामांसाठी त्यांना fine-tune करू शकतात आणि ऑफलाइन देखील चालवू शकतात. कोणतेही API कॉल्स नाहीत. कोणतेही मीटर आधारित बिलिंग नाही. कोणतीही बाह्य अवलंबित्व नाही.
एखाद्या हॉस्पिटल नेटवर्कसाठी, याचा अर्थ असा असू शकतो की, रुग्णांचा डेटा कोणत्याही थर्ड-पार्टी API कडे न पाठवता, एका सामान्य भाषिक मॉडेलला (general-purpose language model) अंतर्गत रेकॉर्ड्सवर ट्यून करून औषधांच्या परस्परसंवादाचे (drug interactions) संकेत मिळवणे. एका लहान कारखान्यासाठी, याचा अर्थ असा असू शकतो की, इंटरनेट कनेक्शन खंडित असतानाही उत्पादनातील दोष तपासण्यासाठी स्थानिक एज सर्व्हरवर (edge server) व्हिजन मॉडेल तैनात करणे. नैरोबी किंवा लागोसमधील एखादे स्टार्टअप कॅलिफोर्नियातील टीम वापरत असलेले तेच weights डाउनलोड करू शकते, स्थानिक भाषा किंवा नियमांनुसार त्यात बदल करू शकते आणि सिलिकॉन व्हॅलीच्या क्लाउड प्रदात्याला पैसे न देता ग्राहकांना सेवा देऊ शकते.
ही व्यावहारिक लवचिकताच या आघाडीला टिकवून ठेवायची आहे.
प्रवेश (Access) कशामुळे नाविन्यपूर्णतेला चालना देते
पत्रात असा युक्तिवाद केला आहे की, open weights मुळे प्रयोगाचा खर्च कमी होतो. हे केवळ अमूर्त सिद्धांत नाही. जेव्हा एखादे मॉडेल API च्या मागे असते, तेव्हा प्रत्येक ट्रेनिंग रन, प्रत्येक टेस्ट क्वेरी आणि प्रत्येक डीबगिंग सेशनसाठी थेट क्लाउड बिल भरावे लागते. स्वतंत्र संशोधक आणि लघु-मध्यम उद्योगांसाठी, हे खर्च वेगाने वाढतात. यामुळे सर्वात मोठ्या क्लोज्ड सिस्टम्सना प्रशिक्षित करण्यासाठी आणि होस्ट करण्यासाठी भांडवल असलेल्या काही मोजक्या मोठ्या क्लाउड प्रदात्यांवर अवलंबून राहण्याची सक्ती निर्माण होते.
ओपन वेट्स शक्तीचे हे केंद्रीकरण मोडीत काढतात. एक लहान टीम काही एंटरप्राइझ GPUs खरेदी करू शकते, एक मॉडेल डाउनलोड करू शकते आणि हायपरस्केलरकडून (hyperscaler) परवानगी न घेता कित्येक आठवडे त्यावर काम (iterate) करू शकते. मेटा आणि मिस्ट्रल या दोघांनाही या गतिशीलतेचा फायदा होतो, जरी ते वेगवेगळ्या प्रकारे असला तरी. मेटा काही अंशी ओपन मॉडेल्स वितरित करते जेणेकरून अशा डेव्हलपर्समध्ये चांगली प्रतिमा निर्माण करता येईल, जे अन्यथा स्पर्धकांच्या APIs चा वापर करण्यास प्राधान्य देऊ शकतात. मिस्ट्रलने आपल्या धोरणाचा काही भाग सक्षम ओपन मॉडेल्स ऑफर करण्यावर केंद्रित केला आहे, जे युरोपियन आणि अमेरिकन एंटरप्राइजेस खाजगीरित्या होस्ट करू शकतात. या दोघांनाही बदल्यात काहीतरी मौल्यवान मिळते: एक जागतिक समुदाय जो त्यांच्या आर्किटेक्चरची ताण-चाचणी (stress-tests) करतो, त्रुटी शोधतो, ऑप्टिमायझेशनसाठी सूचना देतो आणि कधीकधी कोणत्याही अंतर्गत टीमपेक्षा वेगाने सुधारणांमध्ये योगदान देतो.
हे युती प्रामुख्याने असा युक्तिवाद करत आहे की, हे वितरित आणि स्वयंसेवी R&D नेटवर्क हे AI मधील अमेरिकेच्या स्पर्धात्मक फायद्यांपैकी एक आहे.
नियमन