Yann LeCun ने OpenAI आणि Anthropic साठी आगामी बुडबुड्याचा (bubble) इशारा दिला

Meta AI चे मुख्य शास्त्रज्ञ Yann LeCun यांनी सध्याच्या जनरेटिव्ह AI (generative AI) क्षेत्राच्या आर्थिक शाश्वततेबाबत एक कडक इशारा दिला आहे. CNBC सोबतच्या एका अलीकडील चर्चेत, LeCun यांनी सुचवले की, अस्थिर खर्च रचनेमुळे (unsustainable cost structures) OpenAI आणि Anthropic सारख्या आघाडीच्या लॅब्स एका "मोठ्या बुडबुड्याच्या स्फोटाकडे" (big bubble explosion) जात आहेत.

Generative AI मधील आर्थिक विसंगती

LeCun यांच्या युक्तिवादाचा मुख्य आधार म्हणजे Large Language Models (LLMs) चालवण्याचा वाढता खर्च आणि ग्राहकांसाठी उपलब्ध असलेले किंमत मॉडेल (pricing models) यांच्यातील वाढती दरी आहे. जरी frontier models प्रशिक्षित करण्यासाठी आणि चालवण्यासाठी आवश्यक असलेली संगणकीय शक्ती (computational power) वेगाने वाढत असली, तरी परिचालन खर्च (operating costs) त्याच प्रमाणात कमी होत नाहीये.

या आर्थिक घर्षणामुळे अशी परिस्थिती निर्माण होत आहे जिथे AI कंपन्या प्रत्येक क्वेरीवर (query) प्रत्यक्षात पैसे गमावत आहेत आणि गुंतवणूकदारांचे प्रचंड भांडवल हे वास्तविक वापरासाठी सबसिडी (subsidy) म्हणून काम करत आहे. OpenAI चे CEO Sam Altman यांनी देखील या मताशी सहमतता दर्शवली आहे, ज्यांनी अलीकडेच व्यवसायांसाठी AI चा उच्च खर्च ही एक "मोठी समस्या" असल्याचे म्हटले आहे. खर्चात मोठी कपात किंवा सेवांच्या किमतीत वाढ यांपैकी कोणताही महत्त्वपूर्ण बदल झाल्याशिवाय, LLM पुरवठादारांचे सध्याचे बिझनेस मॉडेल अनिश्चित राहील.

xAI ची टीका आणि टॅलेंट वॉर (Talent War)

LeCun यांनी त्यांच्या टीकेची मर्यादा केवळ उद्योगातील दिग्गज कंपन्यांपुरती मर्यादित न ठेवता, Elon Musk च्या xAI वरही निशाणा साधला. या स्टार्टअपला "एका प्रकारचा अपयश" (a kind of failure) असे संबोधत, LeCun यांनी अंतर्गत अस्थिरतेकडे लक्ष वेधले; विशेषतः संस्थापक टीमने बाहेर पडल्याचे आणि Musk यांना उच्च दर्जाची इंजिनिअरिंग टॅलेंट (engineering talent) मिळवण्यात वाढती अडचण येत असल्याचे त्यांनी नमूद केले.

xAI हे OpenAI किंवा Anthropic मधील संशोधनाचा वेग आणि व्याप्तीशी प्रभावीपणे स्पर्धा करू शकेल की नाही, याबाबत LeCun यांनी शंका व्यक्त केली. ही टीका उद्योगातील वाढता तणाव अधोरेखित करते: भांडवल मुबलक असले तरी, उच्च दर्जाची प्रतिभा (elite talent) आणि विशेष नैपुण्य (specialized expertise) यांचे केंद्रीकरण हे frontier model विकासासाठी मुख्य अडथळा (bottleneck) ठरत आहे.

World Models विरुद्ध Large Language Models

हा इशारा LeCun यांच्या स्वतःच्या तांत्रिक तत्त्वज्ञानाच्या महत्त्वपूर्ण वळणावर आला आहे. बाजारात वर्चस्व गाजवणाऱ्या transformer-आधारित LLM आर्किटेक्चरवर अधिक भर देण्याऐवजी, LeCun हे "world models" च्या विकासाचा पुरस्कार करत आहेत. ही अशी प्रणाली आहे जी केवळ क्रमाने येणारा पुढचा टोकन (token) वर्तवण्याऐवजी, भौतिक वास्तव आणि कार्यकारणभाव (cause-and-effect) यांची मूलभूत समज निर्माण करण्यासाठी डिझाइन केलेली आहे.

त्याचा उपक्रम, AMI Labs ने, अलीकडेच या विशिष्ट दिशेने वाटचाल करण्यासाठी $1 अब्ज उभारले आहेत. हे AI क्षेत्रातील एका धोरणात्मक विचलनाचे प्रतिनिधित्व करते: जिथे 'LLM camp' प्रमाण (scale) आणि संगणकीय कार्यक्षमतेसाठी (compute efficiency) संघर्ष करत आहे, तिथे 'world model camp' तर्कशुद्धता (reasoning) आणि embodiment यांसारख्या समस्या सोडवण्याचा प्रयत्न करत आहे, ज्यावर सध्याचे generative models अजूनही मात करण्यास संघर्ष करत आहेत. जर LLM बुडबुडा फुटला, तर यामुळे अधिक वास्तुशिल्पीयदृष्ट्या वैविध्यपूर्ण दृष्टिकोनांकडे मोठ्या प्रमाणावर भांडवल पुनर्वितरण होऊ शकते.

मुख्य निष्कर्ष

• आर्थिक नाजूकता: आघाडीचे AI लॅब्स सध्या उच्च परिचालन खर्च आणि बाजारपेठेतील व्यवहार्य किंमत यातील तफावत भरून काढण्यासाठी गुंतवणूकदारांच्या अनुदानावर अवलंबून आहेत.
• धोरणात्मक विचलन: LLMs चे स्केलिंग आणि खऱ्या भौतिक आकलनासाठी प्रयत्न करणारे 'world models' यांच्यामध्ये तांत्रिक दरी वाढत आहे.
• प्रतिभेची अडचण: उच्च दर्जाच्या संशोधकांना नियुक्त करण्याची आणि टिकवून ठेवण्याची क्षमता, मोठ्या compute clusters च्या उपलब्धतेइतकीच कंपनीच्या अस्तित्वासाठी महत्त्वाची ठरत आहे.