AI ஏஜெண்டுகளின் காலத்தில் 'Token-Maxing' செய்ய வேண்டாம் என சத்யா நாடெல்லா எச்சரிக்கை

மைக்ரோசாப்ட் சிஇஓ சத்யா நாடெல்லா, "token-maxing" எனப்படும் நடைமுறைக்கு எதிராக ஒரு சவாலான எச்சரிக்கையை விடுத்துள்ளார். அதாவது, ஒரு பணிக்கான கணக்கீட்டுச் செலவை (computational expense) நியாயப்படுத்த முடியாத சூழலிலும், அதிகச் செலவுமிக்க அதிநவீன மாடல்களைப் (frontier models) பயன்படுத்துவதையே இது குறிக்கிறது. சக்திவாய்ந்த AI-ன் அடிமையாக்கும் தன்மையை ஒப்புக்கொண்டாலும், பொருளாதார மதிப்பு என்பது மாடலின் அளவை விட அதன் செயல்திறனை (efficiency) அடிப்படையாகக் கொண்டே இருக்க வேண்டும் என்று நாடெல்லா வாதிடுகிறார்.

Token-Maxing-ன் பொருளாதாரச் சிக்கல்

சமீபத்திய நேர்காணலில், தற்போதைய AI பயன்பாட்டுச் சூழலில் உள்ள ஒரு முக்கியமான சமநிலையின்மையைக் நாடெல்லா சுட்டிக்காட்டினார். ஒவ்வொரு சாத்தியமான பணிக்காகவும் மிகவும் மேம்பட்ட மற்றும் அதிக வளங்களைச் செலவழிக்கும் பெரிய மொழி மாதிரிகளை (LLMs) எந்தவித விமர்சனமுமின்றிப் பயன்படுத்துவதைக் குறிக்க "token-maxing" என்ற சொல்லை அவர் உருவாக்கினார். நாடெல்லாவைப் பொறுத்தவரை, இது அடிப்படையில் யூனிட் எகனாமிக்ஸ் (unit economics) சார்ந்த விஷயமாகும்: "உற்பத்தித்திறன் மேம்பாட்டிற்கான இறுதிச் செலவு (marginal cost), டோக்கனின் இறுதிச் செலவிற்கு இணையாக இருக்க வேண்டும் என்பதே கசப்பான உண்மை."

ஒரு சிறிய, குறிப்பிட்ட பணிக்கான மாடலால் கையாளக்கூடிய ஒரு சாதாரணப் பிரச்சனைக்கு, ஒரு நிறுவனம் மிகப்பெரிய மற்றும் விலையுயர்ந்த அதிநவீன மாடலைப் பயன்படுத்தினால், அந்த "டோக்கனின்" செலவு உற்பத்தித்திறனில் ஏற்படும் சிறிய முன்னேற்றத்தை விட அதிகமாகிவிடும். AI உண்மையான மற்றும் நிலையான பொருளாதார வளர்ச்சியைத் தூண்ட வேண்டுமானால், கருவியின் சிக்கல்தன்மை அந்தப் பிரச்சனையின் சிக்கல்தன்மையுடன் ஒத்துப்போகும் வகையில், மாடல்களை மிகவும் நுணுக்கமாக ஒருங்கிணைக்க வேண்டிய அவசியம் உள்ளதாக நாடெல்லா கூறுகிறார்.

கோடிங்கிலிருந்து (Coding) அறிவாற்றல் பரப்பிற்கு (Cognitive Coverage) மாறுதல்

செயல்திறன் குறித்த எச்சரிக்கையை விடுத்த போதிலும், மென்பொருள் பொறியியலின் எதிர்காலம் குறித்து நாடெல்லாவின் பார்வை மிகவும் அதிக வளங்களைச் சார்ந்தே உள்ளது. டெவலப்பர்கள் கைமுறையாகக் குறியீடுகளை (syntax) எழுதுவதிலிருந்து விலகி, AI ஏஜெண்டுகளின் பெரும் கூட்டங்களை (swarms of AI agents) நிர்வகிக்கும் ஒரு பெரும் மாற்றத்தை (paradigm shift) அவர் கணிக்கிறார். இந்த எதிர்காலத்தில், ஒரு தனி பொறியாளர் நிகழ்நேரத்தில் (real-time) குறியீடுகளை உருவாக்கும் நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான தன்னாட்சி ஏஜெண்டுகளைக் (autonomous agents) கண்காணிக்கக்கூடும்.

இதைச் சமாளிக்க, நாடெல்லா "cognitive coverage" (அறிவாற்றல் பரப்பளவு) என்ற கருத்தை அறிமுகப்படுத்துகிறார். டெவலப்பர்கள் எழுத்தாளர்களிலிருந்து மேற்பார்வையாளர்களாக மாறும்போது, தாங்கள் நேரடியாக எழுதாத குறியீடுகளை ஆழமாகப் புரிந்துகொண்டு ஆய்வு செய்யும் திறனே அவர்களின் முதன்மைத் திறமையாக இருக்கும். "ஏஜெண்டுகளால் எழுதப்பட்ட குறியீடுகளால் நிரப்பப்பட்ட ஒரு ரெப்போ (repo) என்னிடம் உள்ளது. என்ன நடந்தது என்பதை நான் அறிவாற்றல் ரீதியாகப் புரிந்துகொள்கிறேன்," என்று குறிப்பிட்ட நாடெல்லா, கோடிங் செய்வதற்கான உடல் உழைப்பு குறைந்தாலும், அமைப்பின் நம்பகத்தன்மையை (system integrity) உறுதி செய்ய கணினி அறிவியல் குறித்த ஆழமான கல்வித் தேவை முன்னெப்போதையும் விட அதிகமாக இருக்கும் என்பதை வலியுறுத்தினார்.

இது AI சூழலுக்கு ஏன் முக்கியமானது

நெல்லாவின் கருத்துக்கள் AI துறையின் முதிர்ச்சியைக் குறிக்கின்றன. நாம் frontier models-ன் "wow factor" நிலையைக் கடந்து, optimization மற்றும் agentic workflows காலத்திற்குள் நுழைகிறோம். டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கான பாடம் தெளிவானது: எதிர்கால மதிப்பு என்பது மிகப்பெரிய மாடல்களைப் பயன்படுத்துவதில் மட்டும் இல்லை, மாறாக சரியான நேரத்தில் சரியான மாடலைச் செயல்படுத்தக்கூடிய அதிநவீன orchestration layers-களை உருவாக்குவதில்தான் உள்ளது. இந்தத் துறையில் வெற்றி பெறுபவர்கள், token-maxing எனும் சிக்கலைத் தவிர்க்க நிதி ஒழுக்கத்தைப் பேணுவதோடு, "cognitive coverage"-இல் தேர்ச்சி பெறுபவர்களாக இருப்பார்கள்.

முக்கியக் கருத்துக்கள்

• திறமையே மிக முக்கியமானது: AI துறையில் உண்மையான பொருளாதார வளர்ச்சி என்பது, ஒரு மாடலின் டோக்கன்களுக்கான (tokens) கூடுதல் செலவை (marginal cost), அவை வழங்கும் உண்மையான உற்பத்தித் திறனுடன் சமன் செய்வதைச் சார்ந்துள்ளது.
• Cognitive Coverage-ன் எழுச்சி: மென்பொருள் பொறியியல் என்பது கைமுறை கோடிங்கிலிருந்து (manual coding), ஏஜென்ட்களால் உருவாக்கப்பட்ட பிரம்மாண்டமான codebases-களை உயர் மட்டத்தில் கண்காணித்தல் மற்றும் தணிக்கை செய்தல் (auditing) நோக்கி மாறிவருகிறது.
• Agentic Orchestration: வளர்ச்சியின் அடுத்த கட்டம் என்பது ஆயிரக்கணக்கான AI ஏஜென்ட்களை நிர்வகிப்பதாகும்; இதைக் கட்டுக்குள் வைத்திருக்க ஆழமான அடிப்படை CS அறிவு அவசியமாகும்.