OpenAI மற்றும் Anthic ஆகியவற்றிற்கு வரவிருக்கும் பொருளாதாரப் குமிழி குறித்து Yann LeCun எச்சரிக்கை

Meta AI-இன் தலைமை விஞ்ஞானி Yann LeCun, தற்போதைய generative AI சூழலின் பொருளாதார நிலைத்தன்மை குறித்து ஒரு கடுமையான எச்சரிக்கையை விடுத்துள்ளார். CNBC உடனான சமீபத்திய உரையாடலில், நிலையற்ற செலவு கட்டமைப்புகளால் OpenAI மற்றும் Anthropic போன்ற முன்னணி ஆய்வகங்கள் ஒரு "பெரிய குமிழி வெடிப்புக்கு" (big bubble explosion)த் தள்ளப்படுவதாக LeCun சுட்டிக்காட்டினார்.

Generative AI-இல் உள்ள பொருளாதார முரண்பாடு

Large Language Models (LLMs)-ஐ இயக்குவதற்கான அதிகரித்து வரும் செலவுகளுக்கும், நுகர்வோருக்குக் கிடைக்கும் விலை நிர்ணய மாதிரிகளுக்கும் இடையே விரிவடைந்து வரும் இடைவெளி தான் LeCun-இன் வாதத்தின் மையக்கருத்தாகும். frontier models-களைப் பயிற்றுவிக்கவும் இயக்கவும் தேவைப்படும் கணினித் திறன் (computational power) அதிவேகமாக அதிகரித்து வரும் நிலையில், அவற்றின் செயல்பாட்டுச் செலவுகள் அதே விகிதத்தில் குறையவில்லை.

இந்த பொருளாதார உராய்வு, AI நிறுவனங்கள் ஒவ்வொரு தேடலுக்கும் (query) உண்மையில் நஷ்டமடையும் ஒரு சூழலை உருவாக்கியுள்ளது; இங்கு முதலீட்டாளர்களின் பெரும் மூலதனம் நிஜ உலகப் பயன்பாட்டிற்கான மானியமாகச் செயல்படுகிறது. OpenAI CEO Sam Altman-உம் இந்த கருத்தை முன்வைத்துள்ளார்; அவர் சமீபத்தில் வணிகங்களுக்கான AI-இன் அதிகப்படியான செலவை ஒரு "மிகப்பெரிய சிக்கல்" (huge issue) என்று அடையாளம் கண்டுள்ளார். செலவுகளைத் தீவிரமாகக் குறைப்பது அல்லது சேவை விலையை அதிகரிப்பது போன்ற ஒரு குறிப்பிடத்தக்க மாற்றம் இல்லையெனில், LLM வழங்குநர்களுக்கான தற்போதைய வணிக மாதிரி மிகவும் ஆபத்தான நிலையில் இருக்கும்.

xAI மீதான விமர்சனங்கள் மற்றும் திறமையாளருக்கான போட்டி

LeCun தனது விமர்சனங்களைத் தொழில்துறையின் ஜாம்பவான்களுடன் மட்டும் நிறுத்திக்கொள்ளாமல், Elon Musk-இன் xAI மீதும் சாடினார். அந்த ஸ்டார்ட்அப்பை "ஒரு வகையான தோல்வி" (a kind of failure) என்று விவரித்த LeCun, அதன் உள்நிலை உறுதியற்ற தன்மையைக் சுட்டிக்காட்டினார்; குறிப்பாக, அதன் நிறுவனக் குழு வெளியேறியுள்ளதையும், உயர்தர பொறியியல் திறமையாளர்களைப் பணியமர்த்துவதில் Musk அதிக சிரமங்களை எதிர்கொள்வதையும் அவர் குறிப்பிட்டார்.

OpenAI அல்லது Anthropic ஆகியவற்றில் காணப்படும் ஆராய்ச்சி வேகம் மற்றும் அளவோடு (scale) திறம்படப் போட்டியிட xAI-ஆல் முடியும் என்பதில் LeCun சந்தேகத்தை வெளிப்படுத்தினார். இந்த விமர்சனம் தொழில்துறையில் வளர்ந்து வரும் ஒரு பதற்றத்தை எடுத்துக்காட்டுகிறது: மூலதனம் தாராளமாகக் கிடைத்தாலும், உயர்தரத் திறமையாளர்கள் மற்றும் சிறப்பு நிபுணர்களின் (specialized expertise) குவிப்பு என்பது frontier model மேம்பாட்டிற்கான முதன்மையான தடையாக மாறி வருகிறது.

World Models மற்றும் Large Language Models இடையிலான வேறுபாடு

இந்த எச்சரிக்கை LeCun-இன் சொந்தத் தொழில்நுட்பக் கொள்கையின் முக்கியத் தருணத்தில் வந்துள்ளது. சந்தையை ஆக்கிரமித்துள்ள transformer-அடிப்படையிலான LLM கட்டமைப்பில் அதிக கவனம் செலுத்துவதற்குப் பதிலாக, LeCun "world models"-இன் வளர்ச்சியை ஆதரித்து வருகிறார். இவை ஒரு தொடர்ச்சியில் அடுத்த டோக்கனை (token) கணிப்பதற்குப் பதிலாக, இயற்பியல் உண்மை மற்றும் காரண-காரியத் தொடர்புகளைப் (cause-and-effect) பற்றிய அடிப்படைப் புரிதலை உருவாக்கும் வகையில் வடிவமைக்கப்பட்ட அமைப்புகளாகும்.

அவரது நிறுவனம், AMI Labs, இந்த குறிப்பிட்ட திசையில் முன்னேறுவதற்காக சமீபத்தில் $1 பில்லியன் நிதியைத் திரட்டியுள்ளது. இது AI துறையில் ஒரு மூலோபாய மாற்றத்தைக் குறிக்கிறது: 'LLM குழு' அளவிடுதல் மற்றும் கணக்கீட்டுத் திறன் (compute efficiency) ஆகியவற்றிற்காகப் போராடிக்கொண்டிருக்கும் வேளையில், 'world model குழு' தற்போதைய உருவாக்கும் மாதிரிகள் (generative models) இன்னும் முழுமையாகக் கையாளத் தடுமாறும் பகுத்தறிவு மற்றும் உடல் வடிவம் சார்ந்த (embodiment) சிக்கல்களைத் தீர்க்க முயல்கிறது. ஒருவேளை LLM குமிழி வெடித்தால், அது இந்தத் தொழில்நுட்ப ரீதியாகப் பன்முகத்தன்மை கொண்ட அணுகுமுறைகளை நோக்கிப் பெருமளவிலான மூலதன மறு ஒதுக்கீட்டைத் தூண்டக்கூடும்.

முக்கியக் குறிப்புகள்

• பொருளாதாரத் தளர்வு: முன்னணி AI ஆய்வகங்கள் தற்போது அதிக செயல்பாட்டுச் செலவுகளுக்கும் சந்தைக்கு ஏற்ற விலைகளுக்கும் இடையிலான இடைவெளியைக் குறைக்க முதலீட்டாளர்களின் மானியங்களையே நம்பியிருக்கின்றன.
• மூலோபாய வேறுபாடு: LLM-களைப் பெரிதாக்குவதற்கும் (scaling), உண்மையான இயற்பியல் புரிதலை நோக்கமாகக் கொண்ட 'world models'-களைத் தொடருவதற்கும் இடையே வளர்ந்து வரும் தொழில்நுட்பப் பிளவு உள்ளது.
• திறமை சார்ந்த தடைகள்: சிறந்த ஆராய்ச்சியாளர்களைத் தேர்ந்தெடுப்பதும் அவர்களைத் தக்கவைத்துக் கொள்வதும், மிகப்பெரிய கணினித் தொகுப்புகளைப் (compute clusters) பெறுவதைப் போலவே நிறுவனத்தின் உயிர்வாழ்விற்கு முக்கியமானதாகி வருகிறது.