ओपन-वेट मॉडेल्स आता का महत्त्वाचे आहेत

OpenAI, Google आणि Anthropic सारखे अमेरिकन AI दिग्गज त्यांचे सर्वात शक्तिशाली मॉडेल्स 'क्लोज्ड-सोर्स' (closed-source) ठेवतात. वापरकर्ते क्लाउड APIs द्वारे त्यांचा वापर करतात, ज्यामुळे पुरवठादारांना सॉफ्टवेअर, त्यातून जाणारा डेटा आणि प्रत्येक क्वेरीमधून मिळणारे उत्पन्न यावर नियंत्रण ठेवता येते. याउलट, DeepSeek, Qwen आणि Moonshot सारखे चिनी स्टार्टअप्स याच्या अगदी उलट करतात. ते 'रॉ वेट्स' (raw weights) प्रकाशित करतात, ज्यामुळे कोणीही ते फाइल्स डाउनलोड करू शकते, त्यांना 'फाईन-ट्यून' (fine-tune) करू शकते आणि स्वतःच्या स्थानिक हार्डवेअरवर 'इन्फरन्स' (inference) चालवू शकते.

ज्या देशांना नवीनतम GPUs आयात करता येत नाहीत, त्यांच्यासाठी 'कम्प्युट' (compute) ऐवजी मॉडेल उपलब्ध करून देणे हे मॉडेलला सुसंगत ठेवते. सेनेगलमधील वापरकर्ता, ब्राझीलमधील मध्यम आकाराची कंपनी किंवा भारतातील एखादे विद्यापीठ त्यांच्याकडे उपलब्ध असलेल्या कोणत्याही हार्डवेअरसह सर्व्हर सुरू करू शकते आणि अमेरिकन क्लाउड सर्व्हिसचा वापर न करता चिनी मॉडेल चालवू शकते. डेटा कधीही वापरकर्त्याच्या अधिकारक्षेत्राबाहेर जात नाही, जे अमेरिकन डेटा-अॅक्सेस नियमांबद्दल सावध असलेल्या सरकारांसाठी एक महत्त्वाचा मुद्दा आहे.

राजनैतिक पैलू

बीजिंग AI ला "मानवतेचे सामूहिक ज्ञान" म्हणून मांडते, जेणेकरून ते अमेरिकेच्या "वगळणाऱ्या मक्तेदारीला" (exclusionary monopoly) एक सहकार्यात्मक पर्याय म्हणून स्वतःला सादर करू शकेल. या कथनानुसार, पाश्चात्य देश राष्ट्रीय सुरक्षेच्या नावाखाली आपली सर्वात सक्षम मॉडेल्स लपवून ठेवतात, तर चीन एक खुले आणि सामायिक संसाधन उपलब्ध करून देतो. जर जगभरातील पुरेसे डेव्हलपर्सनी चिनी मॉडेल्सचा अवलंब केला, तर एक समांतर इकोसिस्टम तयार होऊ शकते—जी चिनी मूळ आर्किटेक्चर, टूलचेन आणि संशोधन आउटपुटवर आधारित असेल.

ही इकोसिस्टम बीजिंगला नेहमीच्या व्यापार किंवा पायाभूत सुविधा प्रकल्पांच्या पलीकडे मोठी 'सॉफ्ट पॉवर' (soft power) देईल. जे देश चिनी मॉडेल्सवर आधारित त्यांचे AI स्टॅक्स तयार करतील, ते डेटा गव्हर्नन्स, सायबर सुरक्षा आणि भू-राजकारण (geopolitics) या विषयांवर चिनी मानकांशी अधिक जवळून जुळवून घेऊ शकतात.

कडू सत्य: कम्प्युट अजूनही एक अडथळा आहे

ओपन-वेट रणनीतीमुळे हार्डवेअरमधील तफावत दूर होत नाही. लार्ज लँग्वेज मॉडेल (LLM) प्रशिक्षित करणे हा एकवेळचा खर्च असतो. उदाहरणार्थ, DeepSeek चे V3 मॉडेल अंदाजे २,००० H800 GPUs वर प्रशिक्षित केले गेले होते—जे चांगल्या प्रकारे निधी प्राप्त असलेल्या लॅबसाठी मोठे पण व्यवस्थापित करण्यायोग्य क्लस्टर आहे. मॉडेल सर्व्ह करणे—म्हणजे दररोज अब्जावधी इन्फरन्स विनंत्या हाताळणे—यासाठी सतत विस्तारणाऱ्या GPU च्या ताफ्याची आवश्यकता असते.

अमेरिकन कंपन्यांनी आधीच १० लाखांहून अधिक GPUs च्या तैनातीचे नियोजन केले आहे. हे आकडे जगभरातील लाखो वापरकर्त्यांसाठी मॉडेल प्रतिसादक्षम ठेवण्यासाठी आवश्यक असलेल्या व्याप्तीचे दर्शन घडवतात. चिनी कंपन्या या व्याप्तीशी स्पर्धा करू शकत नाहीत, कारण अत्याधुनिक GPUs च्या पुरवठ्यावर घातलेल्या निर्बंधांमुळे SMIC सारख्या देशांतर्गत फॅब्सना (fabs) देखील मर्यादा आल्या आहेत, जे अजूनही प्रगत प्रोसेस नोड्सच्या बाबतीत मागे आहेत.

मॉडेल वेट्स प्रकाशित करून, चिनी कंपन्या कम्प्युटचा भार वापरकर्त्यांवर ढकलतात. वापरकर्ते स्वतः हार्डवेअर पुरवतात, वीज बिल भरतात आणि ऑपरेशनल खर्च हाताळतात. सिद्धांतानुसार, यामुळे देशांतर्गत चिपची टंचाई टाळता येते; परंतु प्रत्यक्षात यामुळे चीनच्या AI सेवा "as-a-service" ऐवजी "as-a-download" मध्ये रूपांतरित होतात. याचा तोटा स्पष्ट आहे: मॉडेल उपलब्ध राहते, परंतु त्याची कामगिरी (performance) आणि लॅटन्सी (latency) वापरकर्त्याच्या हार्डवेअरवर अवलंबून असते, जे सहसा OpenAI च्या ChatGPT किंवा Google च्या Gemini ला चालवणाऱ्या क्लाउड क्लस्टर्सच्या तुलनेत खूपच कमी शक्तिशाली असते.

या रणनीतीमधील उणिवा

  • सुरक्षेच्या चिंता – ओपन डिस्ट्रिब्युशनमुळे (Open distribution) दुर्भावनापूर्ण घटकांना (malicious actors) लपलेली कार्यक्षमता समाविष्ट करणे किंवा पक्षपाती डेटावर मॉडेल फाईन-ट्यून करणे सोपे जाते. सुरक्षा अपडेट्स लागू करण्यासाठी कोणतीही मध्यवर्ती संस्था नसल्यामुळे, त्रुटी (vulnerabilities) कायम राहू शकतात.

भारतीय दृष्टिकोन

भारत अशा वळणावर उभा आहे जिथे चिनी ओपन-वेट दृष्टिकोन संधी आणि इशारा दोन्ही देतो.

  • धोरणात्मक स्वायत्तता (Strategic autonomy) – भारतीय डेव्हलपर्स अमेरिकन पुरवठादारांना प्रति-टोकन शुल्क न भरता उच्च-गुणवत्तेच्या मॉडेल्सवर प्रयोग करू शकतात, ज्यामुळे कस्टम चॅटबॉट्स, भाषांतर साधने आणि डोमेन-विशिष्ट सहाय्यक तयार करण्याचा खर्च कमी होतो.
  • हार्डवेअरची निकड – चिनी अनुभव स्वदेशी सेमीकंडक्टर पुरवठा साखळीच्या गरजेवर भर देतो. प्रगत GPUs किंवा AI अ‍ॅक्सिलरेटर्ससाठी देशांतर्गत फॅब क्षमता नसल्यास, भारत अशा आयातीवर अवलंबून राहू शकतो ज्या भविष्यातील भू-राजकीय वादांमध्ये प्रतिबंधित केल्या जाऊ शकतात.
  • जोखीम व्यवस्थापन – ओपन मॉडेल्स म्हणजे विनामूल्य मिळणारी सोय नाही. धोरणकर्त्यांनी प्रशिक्षणासाठी वापरल्या जाणाऱ्या डेटाचा उगम (provenance) आणि लपलेले बॅकडोर्स (backdoors) असण्याची शक्यता तपासणे आवश्यक आहे. मॉडेल पडताळणीमध्ये पारदर्शक ऑडिट प्रक्रिया आणि स्थानिक तज्ज्ञता असणे अत्यावश्यक आहे.

प्रतिवाद: मोकळेपणा ही एक ताकद असू शकते

समर्थकांचे असे म्हणणे आहे की, कोणत्याही एका कंपनीच्या बंद प्लॅटफॉर्मपेक्षा मुक्तता नवनिर्मितीला अधिक वेगाने चालना देते. कोणालाही मॉडेलमध्ये बदल करण्याची परवानगी दिल्याने अशा विशिष्ट क्षेत्रातील उपयोजनांचा (niche applications) उदय होऊ शकतो, ज्यांना मोठे प्रदाता कधीही प्राधान्य देणार नाहीत. वितरित संगणकीय मॉडेल (distributed compute model) अधिक सक्षम देखील असू शकते; स्वतंत्र सर्व्हरचे जागतिक नेटवर्क एखाद्या प्रदात्याचा डेटा सेंटर ऑफलाइन गेला तरी सेवा सुरू ठेवू शकते.

याची उणीव अशी आहे की, कामगिरीची मर्यादा ही प्रत्येक वापरकर्त्याला परवडणाऱ्या हार्डवेअरवर अवलंबून असते. ज्या संस्थांना मोठ्या प्रमाणावर एका सेकंदापेक्षा कमी प्रतिसादाचा वेळ (sub-second response times) हवा असतो, त्यांना अजूनही क्लाउड मॉडेलचा फायदा होतो.

पुढे काय पाहावे

  • निर्यात धोरणातील बदल – अमेरिकेच्या चिप निर्यात नियंत्रणांमध्ये झालेली कोणतीही शिथिलता किंवा कठोरता चीनच्या नवीन मॉडेल्सना प्रशिक्षित करण्याच्या क्षमतेवर थेट परिणाम करेल आणि त्यांना पुन्हा अधिक बंद स्वरूपाच्या सेवांकडे वळण्यास भाग पाडू शकते.

निष्कर्ष

ओपन-वेट AI मॉडेल्ससाठी चीनचा प्रयत्न हा निर्यात बंदीमुळे निर्माण झालेल्या हार्डवेअरच्या कमतरतेवर काढलेला एक व्यावहारिक उपाय आहे. ही पावले राजनैतिक सद्भावना दर्शवतात आणि जागतिक डेव्हलपर्ससाठी कमी खर्चाचा प्रवेश बिंदू उपलब्ध करून देतात, परंतु यामुळे मूळ संगणकीय तूट (compute deficit) सुटत नाही. भारतासारख्या देशांसाठी, ही रणनीती AI स्वावलंबन निर्माण करण्यासाठी एक नमुना आणि परदेशी सेमीकंडक्टर पुरवठा साखळीवर अवलंबून राहण्याबाबत एक सावध करणारा धडा दोन्ही आहे. पुढील काही महिने हे स्पष्ट करतील की ओपन-वेट मॉडेल्स AI इकोसिस्टमचा कायमस्वरूपी आधारस्तंभ बनतात की चिपमधील तफावत कमी होईपर्यंत केवळ एक तात्पुरता उपाय म्हणून राहतात.