होम / एक्सपर्ट ओपिनियन / AI की लागत समस्या: एक विस्फोटक क्रांति पर छिपी हुई बाधा

AI की लागत समस्या: एक विस्फोटक क्रांति पर छिपी हुई बाधा

सिद्धार्थ अरोड़ा लिखते हैं कि दीर्घकाल में लागत की बाधा, क्षमता के वादे जितनी ही महत्वपूर्ण साबित हो सकती है.

बिजनेस वर्ल्ड ब्यूरो 6 months ago

पिछले दो वर्षों से आर्टिफिशियल इंटेलिजेंस को एक ऐसी अनस्टॉपेबल तकनीकी लहर के रूप में देखा गया है जो उद्योगों को बदल देगी, उत्पादकता को नए सिरे से परिभाषित करेगी और संभवतः वैश्विक शक्ति संतुलन को भी प्रभावित करेगी. इस कथानक के चलते पूंजी ने भी तेजी से प्रतिक्रिया दी है. डेटा सेंटर, एआई चिप्स और मॉडल डेवलपमेंट में अरबों डॉलर का निवेश हुआ है, जो भय, महत्वाकांक्षा और प्रतिस्पर्धा के मिश्रण से प्रेरित रहा है.

लेकिन इस उत्साह के पीछे एक धीमा बदलाव भी शुरू हो रहा है: सावधानी. अब एआई पर वैश्विक चर्चा केवल क्षमता तक सीमित नहीं है, बल्कि यह लागत और इस क्रांति की आर्थिक स्थिरता पर भी केंद्रित हो रही है.

माइक्रोसॉफ्ट और ओपनएआई के बदलते रिश्ते इस बदलाव का साफ संकेत हैं. शुरुआत में यह साझेदारी पैसा, क्लाउड इंफ्रास्ट्रक्चर और एडवांस एआई रिसर्च के मजबूत मेल का उदाहरण थी, लेकिन समय के साथ इसमें तनाव भी दिखने लगे हैं. यह सिर्फ रणनीतिक मतभेद नहीं हैं, बल्कि एक बड़ी समस्या को दिखाते हैं, यानी उन्नत एआई सिस्टम को बनाने, ट्रेन करने और चलाने की लागत बहुत ज्यादा है और यह लगातार बढ़ती जा रही है.

लार्ज लैंग्वेज मॉडल्स को ट्रेन करने में अत्यधिक कंप्यूटेशनल संसाधनों की आवश्यकता होती है, जिसकी लागत अक्सर एक ही इटरेशन के लिए सैकड़ों मिलियन डॉलर तक पहुंच जाती है. इन मॉडल्स को बड़े पैमाने पर चलाना, यानी हर दिन लाखों क्वेरी को प्रोसेस करना, एक और निरंतर और बढ़ता हुआ खर्च जोड़ता है. यहां तक कि बड़ी वित्तीय क्षमता वाली कंपनियों के लिए भी अब सवाल यह नहीं है कि वे ये सिस्टम बना सकते हैं या नहीं, बल्कि यह है कि क्या वे इन्हें लंबे समय तक टिकाऊ रूप से चला सकते हैं.

इंफ्रास्ट्रक्चर ऑब्सोलेसेंस का जाल

इस चुनौती को और जटिल बनाता है एक कम चर्चा में रहने वाला लेकिन महत्वपूर्ण मुद्दा: एआई इंफ्रास्ट्रक्चर का तेजी से पुराना पड़ जाना. एनवीडिया, एएमडी या अन्य कंपनियों के नए एआई चिप्स लगातार बेहतर प्रदर्शन, दक्षता और लागत में सुधार का दावा करते हैं. यह तकनीकी प्रगति है, लेकिन यह एक विरोधाभास भी पैदा करती है.

कुछ साल पहले बनाए गए डेटा सेंटर, जिनमें भारी निवेश हुआ था, अब नए एआई वर्कलोड के लिए कम उपयुक्त होते जा रहे हैं. पावर डेंसिटी, कूलिंग और इंटरकनेक्ट आर्किटेक्चर इतनी तेजी से बदल रहे हैं कि कल की अत्याधुनिक प्रणाली आज बाधा बन सकती है.

यह सामान्य अपग्रेड साइकिल नहीं है, बल्कि भौतिक इंफ्रास्ट्रक्चर की उम्र और तकनीकी विकास की गति के बीच एक असंतुलन है. डेटा सेंटर लंबे समय के लिए बनाए जाते हैं, जबकि एआई हार्डवेयर लगभग सॉफ्टवेयर जैसी गति से बदल रहा है. इसका परिणाम यह है कि भारी पूंजी ऐसी संरचनाओं में फंसी हुई है जो अब प्रतिस्पर्धी रिटर्न नहीं दे पा रही हैं.

एआई बूम का आधार एक सरल सिद्धांत रहा है: स्केलिंग काम करती है. बड़े मॉडल, अधिक डेटा और अधिक कंप्यूट लगातार बेहतर परिणाम देते रहे हैं. इससे यह धारणा बनी कि प्रगति मुख्य रूप से निवेश का परिणाम है. लेकिन स्केलिंग कानून भी आर्थिक सीमाओं के भीतर ही काम करते हैं.

जैसे-जैसे मॉडल का आकार बढ़ता जाता है, छोटे-छोटे सुधार हासिल करने के लिए भी बहुत अधिक लागत लगने लगती है. एक समय के बाद प्रदर्शन में सुधार धीमा पड़ जाता है, जबकि खर्च लगातार तेजी से बढ़ता रहता है, इससे एक बुनियादी तनाव पैदा होता है, एक तरफ मॉडल को और बड़ा करने की तकनीकी आवश्यकता और दूसरी तरफ लागत को नियंत्रित रखने की आर्थिक मजबूरी.

इसके संकेत पहले से ही दिखने लगे हैं. कंपनियां अब सोच-समझकर निवेश कर रही हैं और बड़े मॉडल बनाने की बजाय दक्षता बढ़ाने, मॉडल को हल्का करने और खास कामों के लिए तैयार अनुप्रयोगों पर ज्यादा ध्यान दे रही हैं. 

इंटेलिजेंस पर रिटर्न का सवाल

इस पूरे परिदृश्य में एक बुनियादी सवाल है: इंटेलिजेंस पर रिटर्न क्या है. पारंपरिक सॉफ्टवेयर के विपरीत, जहां लागत स्थिर होती है और स्केल बढ़ने पर मार्जिन बेहतर होते हैं, एआई सिस्टम में निरंतर कंप्यूटेशनल लागत शामिल होती है. हर क्वेरी, हर इनफरेंस और हर इंटरैक्शन संसाधन खर्च करता है. इन इंटरैक्शनों से इतना राजस्व उत्पन्न करना कि इंफ्रास्ट्रक्चर लागत को उचित ठहराया जा सके, अभी भी एक खुली चुनौती है.

एंटरप्राइज स्तर पर यह गणना और भी जटिल है. बड़े पैमाने पर एआई लागू करने के लिए केवल मॉडल ही नहीं, बल्कि इंटीग्रेशन, गवर्नेंस और प्रक्रिया में बदलाव भी जरूरी होते हैं. इसके लाभ अक्सर लंबे समय में और बिखरे हुए रूप में मिलते हैं, जबकि लागत तुरंत और केंद्रित होती है. यही असंतुलन अब पुनर्मूल्यांकन को मजबूर कर रहा है.

यह एआई की क्षमता पर सवाल नहीं है, बल्कि इसके समय-सीमा और लाभप्रदता के रास्तों पर सवाल है.

कुल मिलाकर यह नहीं कहा जा सकता कि एआई क्रांति धीमी पड़ रही है. इसका प्रभाव अभी भी परिवर्तनकारी है. लेकिन तकनीकी क्रांतियां अक्सर रैखिक नहीं होतीं. अब जो बदलाव दिख रहा है वह उत्साह से अनुशासन की ओर संक्रमण है. पूंजी अधिक विवेकपूर्ण हो रही है, इंफ्रास्ट्रक्चर निर्णय अधिक सावधानी से लिए जा रहे हैं, और साझेदारियां आर्थिक वास्तविकताओं पर परखी जा रही हैं.

दीर्घकाल में, लागत की बाधा उतनी ही महत्वपूर्ण साबित हो सकती है जितनी क्षमता का वादा. यह तय करेगी कि कौन से मॉडल बनाए जाएंगे, कौन से अनुप्रयोग बड़े पैमाने पर विकसित होंगे और कौन सी कंपनियां टिकेंगी. एआई कल्पना से सीमित नहीं होगा, बल्कि अर्थशास्त्र द्वारा आकार लिया जाएगा. और इस अर्थ में, आर्टिफिशियल इंटेलिजेंस की असली कहानी यह नहीं हो सकती कि यह कितना शक्तिशाली बनता है, बल्कि यह है कि उस शक्ति को कितनी कुशलता से प्रदान किया जा सकता है.

(डिस्क्लेमर: इस लेख में व्यक्त विचार लेखक के निजी हैं और आवश्यक नहीं कि वे प्रकाशन के विचारों को प्रतिबिंबित करें.)

अतिथि लेखक: सिद्धार्थ अरोड़ा
(सिद्धार्थ अरोड़ा एक मैकेनिकल इंजीनियर हैं. उन्होंने मैनेजमेंट डेवलपमेंट इंस्टीट्यूट से एमबीए की पढ़ाई भी की हैं. वह वर्तमान में डेलॉइट में एआई/एमएल प्रोडक्ट मैनेजर के रूप में कार्यरत हैं और अंतरराष्ट्रीय संबंधों तथा विदेश नीति में गहरी रुचि रखते हैं.)
 

टैग्स