ستیا نڈیلا کی وارننگ: ادارے AI کے لیے دو بار ادائیگی کر رہے ہیں
Microsoft کے CEO ستیا نڈیلا نے کاروباری اداروں کو ایک اہم وارننگ جاری کی ہے، جس میں خبردار کیا گیا ہے کہ ملکیتی (proprietary) AI کے استعمال کا موجودہ ماڈل ایک چھپے ہوئے اور بڑے خطرے والے اخراجات پر مشتمل ہے۔ محض سبسکرپشن فیس کے علاوہ، کمپنیاں نادانستہ طور پر اپنے سب سے قیمتی اثاثے یعنی اپنی ادارہ جاتی ذہانت (institutional intelligence) کا سودا کر رہی ہیں۔
چھپا ہوا اخراج: ملکیتی معلومات کے ذریعے ادائیگی
ایک حالیہ بحث انگیز بلاگ پوسٹ میں، نڈیلا نے دلیل دی کہ AI کے "خریدار" بنیادی طور پر ذہانت کے لیے دو بار ادائیگی کر رہے ہیں۔ پہلی ادائیگی مالی ہے—یعنی OpenAI اور Anthropic جیسی لیبز کو ادا کیے جانے والے ٹوکنز اور سبسکرپشن فیس۔ دوسری، اور کہیں زیادہ خطرناک ادائیگی، وہ ملکیتی معلومات ہے جو ماڈلز کو مفید بنانے کے لیے ان پر ظاہر کی جاتی ہے۔
نڈیلا اس بات پر روشنی ڈالتے ہیں کہ جیسے جیسے ادارے کارکردگی کو بہتر بنانے (fine-tune) کی کوشش کرتے ہیں، وہ ماڈلز کو حساس ڈیٹا فراہم کرتے ہیں۔ اس سے بھی زیادہ اہم بات یہ ہے کہ ماڈلز "ایگزاسٹ" (exhaust) سے سیکھتے ہیں—یعنی وہ پرامپٹس (prompts)، وہ مخصوص ٹولز جو ایجنٹس استعمال کرتے ہیں، اور وہ انسانی اصلاحات جو ماڈل کی غلطی پر کی جاتی ہیں۔ یہ فیڈ بیک لوپ ادارہ جاتی مہارت کا ایک ایسا نچوڑ تیار کرتا ہے جسے کوئی حریف کبھی خرید نہیں سکتا، لیکن یہ براہ راست ماڈل فراہم کرنے والوں کے حوالے کیا جا رہا ہے۔
ڈسٹلیشن (Distillation) کی بحث اور ٹریننگ میں منافقت
AI کی دنیا میں ایک بنیادی تنازع "ڈسٹلیشن" (distillation) کا تصور ہے—یعنی کسی ماڈل کے نتائج (outputs) کو استعمال کرتے ہوئے ایک نیا اور زیادہ موثر ماڈل تیار کرنے کا عمل۔ نڈیلا نے صنعت میں ایک مبینہ منافقت کی نشاندہی کی: جہاں AI لیبز اپنے بنیادی ماڈلز کی تربیت کے لیے پورے انٹرنیٹ سے ڈیٹا نکالنے (scrape) کے "منصفانہ استعمال" (fair use) کے حقوق کا دعویٰ کرتی ہیں، وہیں وہ بیک وقت ایسی پابندیاں عائد کرتی ہیں جو اداروں کو ان کے ملکیتی ماڈلز سے سیکھنے یا ڈسٹلیشن کرنے سے روکتی ہیں۔
یہ بحث محض نظریاتی نہیں ہے۔ Anthropic جیسے صنعتی کھلاڑیوں نے پہلے ہی چینی اوپن سورس ماڈلز کے بارے میں خدشات کا اظہار کیا ہے کہ وہ مبینہ طور پر اپنی صلاحیتوں کو بہتر بنانے کے لیے Claude کے لاکھوں پرامپٹس استعمال کر رہے ہیں، جس کے نتیجے میں حکومتی برآمد کنٹرول (export controls) کو سخت کرنے کے مطالبات کیے گئے ہیں۔
آرکیسٹریشن (Orchestration) اور آن پریمیس (On-Premise) ماڈلز کی طرف منتقلی
ان خطرات کو کم کرنے کے لیے، نڈیلا اداروں کے اپنے AI اسٹیک (AI stacks) کے ڈھانچے میں ایک اسٹریٹجک تبدیلی کی تجویز دیتے ہیں۔ وہ دو بنیادی دفاعوں کی وکالت کرتے ہیں:
- ملکیتی لرننگ انوائرنمنٹس (Proprietary Learning Environments): کمپنیوں کو کلاؤڈ (جیسے Microsoft Azure) میں مخصوص ماحول بنا کر اپنے ڈیٹا، پرامپٹس اور فیڈ بیک کی مکمل ملکیت برقرار رکھنی چاہیے۔
- آرکیسٹریشن لیئرز (Orchestration Layers): کسی ایک فراہم کنندہ (provider) کے ساتھ جڑے رہنے کے بجائے، کاروباروں کو مختلف ماڈلز کے درمیان آسانی سے سوئچ کرنے کے لیے "AI gateways" کا استعمال کرنا چاہیے۔
یہ ڈھانچہ جاتی تبدیلی مارکیٹ میں پہلے ہی نظر آ رہی ہے۔ Solo.io کی Idit Levine جیسے صنعتی ماہرین رپورٹ کرتے ہیں کہ ادارے "آن پریم" (on-prem) اوپن سورس ماڈلز کی طرف بڑھ رہے ہیں۔ یہ ماڈلز ملکیتی بڑے ماڈلز کے 90% تک کام بہت کم لاگت پر انجام دے سکتے ہیں، اور ساتھ ہی یہ بھی یقینی بناتے ہیں کہ ڈیٹا کمپنی کے جسمانی یا ورچوئل کنٹرول میں رہے۔
ڈیٹا اس رجحان کی تائید کرتا ہے؛ Vercel جیسے پلیٹ فارمز نے رپورٹ کیا ہے کہ ایک ہی مہینے میں ان کے گیٹ وے کے ذریعے گزرنے والے تمام ٹریفک کا 29% حصہ اوپن ماڈلز کا تھا۔ جیسا کہ نڈیلا بات ختم کرتے ہیں، "ذہانت کے استعمال کے دوران، آپ ذہانت تخلیق کر رہے ہوتے ہیں۔ اور جو کچھ آپ تخلیق کرتے ہیں، اس پر آپ کا حق ہونا چاہیے۔"
اہم نکات
- دوہری ادائیگی کا جال: ادارے صرف نقد رقم ادا نہیں کر رہے؛ وہ اپنے ملکیتی کاروباری منطق (business logic) اور اصلاحات کے "ایگزاسٹ" (exhaust) کے ذریعے ادائیگی کر رہے ہیں۔
- ماڈل آرکیسٹریشن کا عروج: وینڈر لاک-اِن (vendor lock-in) اور ڈیٹا کے اخراج سے بچنے کے لیے، کمپنیاں متعدد ماڈلز کو مینیج کرنے کے لیے تیزی سے AI gateways اور آرکیسٹریشن لیئرز اپنا رہی ہیں۔
- اوپن سورس کی طرف جھکاؤ: ڈیٹا کی خودمختاری برقرار رکھنے اور طویل مدتی اخراجات کو کم کرنے کے لیے آن پریم، اوپن سورس ماڈلز کے استعمال کی طرف ایک اہم تحریک جاری ہے۔