57 अरब डॉलर की गलत गणना – एनवीडिया जैसी कंपनी ने चेतावनी दी: एआई उद्योग ने गलत दांव लगाया है

### छोटे भाषा मॉडल: सच्ची व्यावसायिक स्वायत्तता की कुंजी ### हाइपरस्केलर्स से उपयोगकर्ताओं की ओर वापसी: एआई जगत में सत्ता का स्थानांतरण ### 57 अरब डॉलर की गलती: क्लाउड में वास्तविक एआई क्रांति क्यों नहीं हो रही है ### मौन एआई क्रांति: केंद्रीकृत के बजाय विकेंद्रीकृत ### तकनीकी दिग्गज गलत राह पर: एआई का भविष्य लीन और स्थानीय है ### हाइपरस्केलर्स से उपयोगकर्ताओं की ओर वापसी: एआई जगत में सत्ता का स्थानांतरण ###

अरबों डॉलर का व्यर्थ निवेश: छोटे एआई मॉडल बड़े मॉडल को क्यों पछाड़ रहे हैं?

कृत्रिम बुद्धिमत्ता की दुनिया एक ऐसे भूकंप का सामना कर रही है जिसकी तीव्रता डॉट-कॉम युग के आर्थिक संकटों की याद दिलाती है। इस उथल-पुथल के मूल में एक भारी गलतफहमी छिपी है: माइक्रोसॉफ्ट, गूगल और मेटा जैसी तकनीकी दिग्गज कंपनियां बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल, एलएलएम) के लिए केंद्रीकृत बुनियादी ढांचे में अरबों डॉलर का निवेश कर रही हैं, जबकि उनके अनुप्रयोग के लिए वास्तविक बाजार नाटकीय रूप से पिछड़ रहा है। उद्योग जगत की अग्रणी कंपनी एनवीडिया द्वारा किए गए एक अभूतपूर्व विश्लेषण से पता चलता है कि बुनियादी ढांचे में निवेश 57 अरब डॉलर है जबकि वास्तविक बाजार केवल 5.6 अरब डॉलर का है—यानी दस गुना का अंतर।.

यह रणनीतिक त्रुटि इस धारणा से उपजी है कि कृत्रिम बुद्धिमत्ता का भविष्य केवल बड़े, अधिक गणनात्मक रूप से गहन और केंद्रीय रूप से नियंत्रित मॉडलों में निहित है। लेकिन अब यह धारणा धराशायी हो रही है। विकेंद्रीकृत, छोटे भाषा मॉडल (स्मॉल लैंग्वेज मॉडल, एसएलएम) द्वारा संचालित एक शांत क्रांति स्थापित व्यवस्था को उलट रही है। ये मॉडल न केवल कई गुना सस्ते और अधिक कुशल हैं, बल्कि ये कंपनियों को स्वायत्तता, डेटा संप्रभुता और चपलता के नए स्तर प्राप्त करने में भी सक्षम बनाते हैं - कुछ अतिस्तरीय हाइपरस्केलर्स पर महंगी निर्भरता से बहुत दूर। यह लेख इस अरबों डॉलर के गलत निवेश के विश्लेषण से यह दर्शाता है कि वास्तविक कृत्रिम बुद्धिमत्ता क्रांति विशाल डेटा केंद्रों में नहीं, बल्कि विकेंद्रीकृत रूप से और कम संसाधनों वाले हार्डवेयर पर हो रही है। यह बुनियादी ढांचा प्रदाताओं से प्रौद्योगिकी के उपयोगकर्ताओं की ओर मौलिक शक्ति हस्तांतरण की कहानी है।.

इससे संबंधित:

• डॉट-कॉम बबल से भी बड़ा? एआई का क्रेज तर्कहीनता के एक नए स्तर पर पहुंच रहा है।

एआई पूंजी के गलत आवंटन पर एनवीडिया का शोध

आपने जिस डेटा का वर्णन किया है, वह जून 2025 में प्रकाशित एनवीडिया के एक शोध पत्र से लिया गया है। पूरा स्रोत यह है:

“छोटे भाषा मॉडल एजेंटिक एआई का भविष्य हैं”

• लेखक: पीटर बेलकैक, ग्रेग हेनरिक, शिज़े डियाओ, योंगगन फू, शिन डोंग, सौरव मुरलीधरन, यिंगयान सेलीन लिन, पावलो मोलचानोव
• रिलीज़ की तारीख: 2 जून, 2025 (संस्करण 1), अंतिम संशोधन 15 सितंबर, 2025 (संस्करण 2)
• प्रकाशन स्थान: arXiv:2506.02153 [cs.AI]
• डीओआई: https://doi.org/10.48550/arXiv.2506.02153
• एनवीडिया का आधिकारिक अनुसंधान पृष्ठ: https://research.nvidia.com/labs/lpr/slm-agents/

पूंजी के गलत आवंटन के संबंध में मुख्य संदेश

इस शोध में बुनियादी ढांचे में किए गए निवेश और वास्तविक बाजार मात्रा के बीच एक मूलभूत विसंगति का दस्तावेजीकरण किया गया है: 2024 में, उद्योग ने लार्ज लैंग्वेज मॉडल (एलएलएम) एपीआई सेवाओं का समर्थन करने के लिए क्लाउड बुनियादी ढांचे में 57 बिलियन डॉलर का निवेश किया, जबकि इन सेवाओं का वास्तविक बाजार केवल 5.6 बिलियन डॉलर था। इस दस-से-एक की विसंगति को अध्ययन में एक रणनीतिक त्रुटि के संकेत के रूप में व्याख्यायित किया गया है, क्योंकि उद्योग ने बड़े पैमाने के मॉडलों के लिए केंद्रीकृत बुनियादी ढांचे में भारी निवेश किया, जबकि वर्तमान एलएलएम कार्यभार का 40-70% हिस्सा छोटे, विशिष्ट स्मॉल लैंग्वेज मॉडल (एसएलएम) द्वारा 1/30 लागत पर प्रतिस्थापित किया जा सकता था।.

अनुसंधान संदर्भ और लेखकत्व

यह अध्ययन एनवीडिया रिसर्च के डीप लर्निंग एफिशिएंसी रिसर्च ग्रुप का एक पोजीशन पेपर है। प्रमुख लेखक पीटर बेलकैक एनवीडिया में एआई शोधकर्ता हैं, जो एजेंट-आधारित प्रणालियों की विश्वसनीयता और दक्षता पर ध्यान केंद्रित करते हैं। यह पेपर तीन मुख्य बिंदुओं पर आधारित है:

एसएलएम हैं

1. पर्याप्त रूप से शक्तिशाली
2. शल्य चिकित्सा के लिए उपयुक्त और
3. आर्थिक रूप से आवश्यक

एजेंटिक एआई सिस्टम में कई उपयोग मामलों के लिए।.

शोधकर्ताओं ने स्पष्ट रूप से कहा है कि इस शोधपत्र में व्यक्त विचार लेखकों के हैं और जरूरी नहीं कि वे एनवीडिया कंपनी के दृष्टिकोण को दर्शाते हों। एनवीडिया आलोचनात्मक चर्चा का स्वागत करती है और संबंधित सभी पत्राचार को साथ वाली वेबसाइट पर प्रकाशित करने के लिए प्रतिबद्ध है।.

विकेंद्रीकृत लघु भाषा मॉडल केंद्रीकृत अवसंरचना को अप्रचलित क्यों बना देते हैं?

कृत्रिम बुद्धिमत्ता एक महत्वपूर्ण मोड़ पर है, जिसके परिणाम डॉट-कॉम बबल के उथल-पुथल की याद दिलाते हैं। एनवीडिया के एक शोध पत्र ने पूंजी के मूलभूत कुआवंटन का खुलासा किया है, जिससे उसकी वर्तमान एआई रणनीति की नींव हिल गई है। प्रौद्योगिकी उद्योग ने बड़े पैमाने पर भाषा मॉडल के लिए केंद्रीकृत बुनियादी ढांचे में 57 अरब डॉलर का निवेश किया, जबकि उनके उपयोग का वास्तविक बाजार मात्र 5.6 अरब डॉलर तक ही बढ़ा। यह दस गुना अंतर न केवल मांग के अत्यधिक अनुमान को दर्शाता है, बल्कि कृत्रिम बुद्धिमत्ता के भविष्य के संबंध में एक मूलभूत रणनीतिक त्रुटि को भी उजागर करता है।.

क्या यह एक बुरा निवेश था? एआई इंफ्रास्ट्रक्चर पर अरबों खर्च किए गए - अतिरिक्त क्षमता का क्या करें?

आंकड़े खुद ही सब कुछ बयां करते हैं। विभिन्न विश्लेषणों के अनुसार, 2024 में एआई इंफ्रास्ट्रक्चर पर वैश्विक खर्च 80 से 87 अरब डॉलर के बीच पहुंच गया, जिसमें डेटा सेंटर और एक्सेलरेटर का हिस्सा सबसे अधिक था। माइक्रोसॉफ्ट ने वित्त वर्ष 2025 के लिए 80 अरब डॉलर के निवेश की घोषणा की, गूगल ने अपना अनुमान बढ़ाकर 91 से 93 अरब डॉलर कर दिया, और मेटा ने 70 अरब डॉलर तक के निवेश की योजना बनाई है। अकेले इन तीन हाइपरस्केलर कंपनियों का निवेश कुल मिलाकर 240 अरब डॉलर से अधिक है। मैकिन्से के अनुमानों के अनुसार, 2030 तक एआई इंफ्रास्ट्रक्चर पर कुल खर्च 3.7 से 7.9 ट्रिलियन डॉलर तक पहुंच सकता है।.

इसके विपरीत, मांग पक्ष की वास्तविकता निराशाजनक है। एंटरप्राइज लार्ज लैंग्वेज मॉडल्स के बाजार का अनुमान 2024 के लिए केवल 4 से 6.7 बिलियन डॉलर था, जबकि 2025 के लिए यह 4.8 से 8 बिलियन डॉलर के बीच था। यहां तक ​​कि जनरेटिव एआई बाजार के लिए सबसे उदार अनुमान भी 2024 के लिए 28 से 44 बिलियन डॉलर के बीच है। मूल विसंगति स्पष्ट है: बुनियादी ढांचा ऐसे बाजार के लिए बनाया गया था जो इस स्वरूप और दायरे में मौजूद ही नहीं है।.

यह गलत निवेश एक ऐसी धारणा से उपजा है जो तेजी से गलत साबित हो रही है: कि एआई का भविष्य बड़े, केंद्रीकृत मॉडलों में निहित है। हाइपरस्केलर्स ने इस विश्वास के साथ बड़े पैमाने पर विस्तार की रणनीति अपनाई कि पैरामीटर संख्या और कंप्यूटिंग शक्ति ही निर्णायक प्रतिस्पर्धी कारक हैं। 175 अरब पैरामीटर वाले GPT-3 को 2020 में एक बड़ी उपलब्धि माना गया, और एक ट्रिलियन से अधिक पैरामीटर वाले GPT-4 ने नए मानक स्थापित किए। उद्योग ने आँख बंद करके इस तर्क का अनुसरण किया और ऐसे बुनियादी ढांचे में निवेश किया जो अधिकांश उपयोग मामलों के लिए बहुत बड़े मॉडलों की आवश्यकताओं के लिए डिज़ाइन किया गया था।.

निवेश संरचना स्पष्ट रूप से संसाधनों के गलत आवंटन को दर्शाती है। 2025 की दूसरी तिमाही में, एआई इंफ्रास्ट्रक्चर पर खर्च किए गए 82 बिलियन डॉलर में से 98 प्रतिशत सर्वरों पर खर्च हुआ, जिसमें से 91.8 प्रतिशत जीपीयू और एक्सपीयू-एक्सेलरेटेड सिस्टम पर खर्च हुआ। हाइपरस्केलर और क्लाउड बिल्डरों ने इन खर्चों का 86.7 प्रतिशत हिस्सा, यानी एक तिमाही में लगभग 71 बिलियन डॉलर, अवशोषित किया। बड़े मॉडलों को प्रशिक्षित करने और उनसे निष्कर्ष निकालने के लिए अत्यधिक विशिष्ट, अत्यधिक ऊर्जा खपत करने वाले हार्डवेयर में पूंजी का यह संकेंद्रण एक मूलभूत आर्थिक वास्तविकता को अनदेखा करता है: अधिकांश उद्यम अनुप्रयोगों को इस क्षमता की आवश्यकता नहीं होती है।.

यह प्रतिमान टूट रहा है: केंद्रीकृत से विकेंद्रीकृत की ओर

हाल ही में हुए बुनियादी ढांचे के विकास से सबसे अधिक लाभान्वित होने वाली कंपनी एनवीडिया स्वयं इस धारणा को चुनौती देने वाला विश्लेषण प्रस्तुत कर रही है। एजेंट-आधारित एआई के भविष्य के रूप में छोटे भाषा मॉडल पर किए गए शोध में तर्क दिया गया है कि 10 अरब से कम मापदंडों वाले मॉडल न केवल पर्याप्त हैं, बल्कि एआई अनुप्रयोगों के विशाल बहुमत के लिए संचालन की दृष्टि से भी श्रेष्ठ हैं। तीन बड़े ओपन-सोर्स एजेंट सिस्टम के अध्ययन से पता चला है कि बड़े भाषा मॉडल को किए जाने वाले 40 से 70 प्रतिशत कॉल को प्रदर्शन में कोई कमी किए बिना विशेषीकृत छोटे मॉडल से प्रतिस्थापित किया जा सकता है।.

ये निष्कर्ष मौजूदा निवेश रणनीति की मूलभूत मान्यताओं को हिला देते हैं। यदि MetaGPT अपने 60 प्रतिशत LLM कॉल, Open Operator 40 प्रतिशत और Cradle 70 प्रतिशत को SLM से बदल सकता है, तो इस पैमाने पर ऐसी मांगों के लिए बुनियादी ढांचा तैयार हो जाएगा जो अभी मौजूद नहीं हैं। आर्थिक परिदृश्य में ज़बरदस्त बदलाव आएगा: Llama 3.1B स्मॉल लैंग्वेज मॉडल को संचालित करने की लागत इसके बड़े संस्करण, Llama 3.3 405B की तुलना में दस से तीस गुना कम है। फाइन-ट्यूनिंग हफ्तों के बजाय कुछ GPU घंटों में ही की जा सकती है। कई SLM उपभोक्ता हार्डवेयर पर चलते हैं, जिससे क्लाउड पर निर्भरता पूरी तरह समाप्त हो जाती है।.

यह रणनीतिक बदलाव मौलिक है। नियंत्रण अब इंफ्रास्ट्रक्चर प्रदाताओं से ऑपरेटरों की ओर स्थानांतरित हो रहा है। पिछली व्यवस्था कंपनियों को कुछ ही हाइपरस्केलर पर निर्भर रहने के लिए मजबूर करती थी, लेकिन एसएलएम के माध्यम से विकेंद्रीकरण नई स्वायत्तता प्रदान करता है। मॉडल स्थानीय स्तर पर संचालित किए जा सकते हैं, डेटा कंपनी के भीतर ही रहता है, एपीआई लागत समाप्त हो जाती है और विक्रेता बंधन टूट जाता है। यह केवल एक तकनीकी परिवर्तन नहीं है, बल्कि सत्ता की राजनीति का भी परिवर्तन है।.

केंद्रीकृत बड़े पैमाने के मॉडलों पर पूर्व में लगाया गया अनुमान घातीय वृद्धि प्रभावों की धारणा पर आधारित था। हालाँकि, अनुभवजन्य डेटा इस धारणा का खंडन करता प्रतीत होता है। 7 अरब मापदंडों वाला Microsoft Phi-3, 70 अरब मापदंडों वाले मॉडलों के तुलनीय कोड निर्माण प्रदर्शन प्राप्त करता है। 9 अरब मापदंडों वाला NVIDIA Nemotron Nano 2, तर्क क्षमता के बेंचमार्क में Qwen3-8B से छह गुना अधिक थ्रूपुट के साथ बेहतर प्रदर्शन करता है। प्रति मापदंड दक्षता छोटे मॉडलों के साथ बढ़ती है, जबकि बड़े मॉडल अक्सर किसी दिए गए इनपुट के लिए अपने मापदंडों के केवल एक अंश को ही सक्रिय करते हैं—यह एक अंतर्निहित अक्षमता है।.

छोटे भाषा मॉडलों की आर्थिक श्रेष्ठता

लागत संरचना आर्थिक वास्तविकता को स्पष्ट रूप से उजागर करती है। GPT-4 श्रेणी के मॉडलों को प्रशिक्षित करने की अनुमानित लागत 100 मिलियन डॉलर से अधिक है, जबकि जेमिनी अल्ट्रा की संभावित लागत 191 मिलियन डॉलर तक हो सकती है। विशिष्ट क्षेत्रों के लिए बड़े मॉडलों को सूक्ष्म रूप से समायोजित करने में भी जीपीयू समय के रूप में हजारों डॉलर खर्च हो सकते हैं। इसके विपरीत, एसएलएम को कुछ हजार डॉलर में प्रशिक्षित और सूक्ष्म रूप से समायोजित किया जा सकता है, अक्सर एक ही उच्च-स्तरीय जीपीयू पर।.

अनुमान लागतों में और भी अधिक अंतर देखने को मिलता है। GPT-4 की लागत लगभग $0.03 प्रति 1,000 इनपुट टोकन और $0.06 प्रति 1,000 आउटपुट टोकन है, यानी प्रति औसत क्वेरी कुल $0.09। वहीं, SLM के उदाहरण के तौर पर, Mistral 7B की लागत $0.0001 प्रति 1,000 इनपुट टोकन और $0.0003 प्रति 1,000 आउटपुट टोकन है, यानी प्रति क्वेरी $0.0004। इससे लागत में 225 गुना कमी आती है। लाखों क्वेरी के मामले में, यह अंतर काफी बड़ा हो जाता है और लाभप्रदता पर सीधा प्रभाव डालता है।.

स्वामित्व की कुल लागत से कई और पहलू सामने आते हैं। L40S GPU वाले बेयर-मेटल सर्वरों पर 7 अरब पैरामीटर वाले मॉडल को सेल्फ-होस्ट करने पर लगभग 953 डॉलर प्रति माह का खर्च आता है। g5.2xlarge इंस्टेंसेस पर AWS SageMaker के साथ क्लाउड-आधारित फाइन-ट्यूनिंग की लागत 1.32 डॉलर प्रति घंटा है, जबकि छोटे मॉडलों के लिए संभावित प्रशिक्षण लागत 13 डॉलर से शुरू होती है। 24/7 इन्फरेंस डिप्लॉयमेंट की लागत लगभग 950 डॉलर प्रति माह होगी। बड़े मॉडलों के निरंतर उपयोग के लिए API लागत की तुलना में, जो आसानी से हजारों डॉलर प्रति माह तक पहुंच सकती है, आर्थिक लाभ स्पष्ट हो जाता है।.

कार्यान्वयन की गति एक ऐसा आर्थिक कारक है जिसे अक्सर कम आंका जाता है। जहां एक लार्ज लैंग्वेज मॉडल को ठीक करने में हफ्तों लग सकते हैं, वहीं एसएलएम कुछ घंटों या दिनों में उपयोग के लिए तैयार हो जाते हैं। नई आवश्यकताओं पर तुरंत प्रतिक्रिया देने, नई क्षमताएं जोड़ने या व्यवहार को अनुकूलित करने की चपलता एक प्रतिस्पर्धी लाभ बन जाती है। तेजी से बदलते बाजारों में, यह समय का अंतर सफलता और विफलता के बीच का अंतर हो सकता है।.

पैमाने की अर्थव्यवस्था का स्वरूप बदल रहा है। परंपरागत रूप से, पैमाने की अर्थव्यवस्था को उन अतिस्तरीय कंपनियों का लाभ माना जाता था जो विशाल क्षमताएं बनाए रखती हैं और उन्हें कई ग्राहकों में वितरित करती हैं। हालांकि, एसएलएम के साथ, छोटे संगठन भी कुशलतापूर्वक विस्तार कर सकते हैं क्योंकि हार्डवेयर की आवश्यकताएं काफी कम होती हैं। एक स्टार्टअप सीमित बजट के साथ एक विशिष्ट एसएलएम बना सकता है जो अपने विशिष्ट कार्य के लिए एक बड़े, सामान्य मॉडल से बेहतर प्रदर्शन करता है। एआई विकास का लोकतंत्रीकरण एक आर्थिक वास्तविकता बनता जा रहा है।.

व्यवधान के तकनीकी मूल सिद्धांत

एसएलएम को सक्षम बनाने वाले तकनीकी नवाचार उनके आर्थिक प्रभावों जितने ही महत्वपूर्ण हैं। नॉलेज डिस्टिलेशन, एक ऐसी तकनीक जिसमें एक छोटा स्टूडेंट मॉडल एक बड़े टीचर मॉडल के ज्ञान को आत्मसात करता है, अत्यंत प्रभावी सिद्ध हुई है। डिस्टिलबर्ट ने बीआरटी को सफलतापूर्वक संपीड़ित किया, और टाइनीबर्ट ने भी इसी तरह के सिद्धांतों का पालन किया। आधुनिक दृष्टिकोण जीपीटी-3 जैसे बड़े जनरेटिव मॉडलों की क्षमताओं को काफी छोटे संस्करणों में परिवर्तित करते हैं जो विशिष्ट कार्यों में तुलनीय या बेहतर प्रदर्शन प्रदर्शित करते हैं।.

इस प्रक्रिया में शिक्षक मॉडल के सॉफ्ट लेबल (संभाव्यता वितरण) और मूल डेटा के हार्ड लेबल, दोनों का उपयोग किया जाता है। यह संयोजन छोटे मॉडल को उन सूक्ष्म पैटर्नों को समझने में सक्षम बनाता है जो सरल इनपुट-आउटपुट युग्मों में खो जाते हैं। चरण-दर-चरण आसवन जैसी उन्नत आसवन तकनीकों ने दिखाया है कि छोटे मॉडल कम प्रशिक्षण डेटा के साथ भी एलएलएम की तुलना में बेहतर परिणाम प्राप्त कर सकते हैं। इससे अर्थव्यवस्था में मौलिक बदलाव आता है: हजारों जीपीयू पर महंगे और लंबे प्रशिक्षण सत्रों के बजाय, लक्षित आसवन प्रक्रियाएं ही पर्याप्त होती हैं।.

क्वांटाइजेशन मॉडल के भारों के संख्यात्मक निरूपण की सटीकता को कम करता है। 32-बिट या 16-बिट फ्लोटिंग-पॉइंट संख्याओं के बजाय, क्वांटाइज्ड मॉडल 8-बिट या यहां तक ​​कि 4-बिट पूर्णांक निरूपण का उपयोग करते हैं। मेमोरी की आवश्यकता आनुपातिक रूप से कम हो जाती है, अनुमान की गति बढ़ जाती है और बिजली की खपत घट जाती है। आधुनिक क्वांटाइजेशन तकनीकें सटीकता के नुकसान को कम करती हैं, जिससे प्रदर्शन लगभग अपरिवर्तित रहता है। यह एज डिवाइस, स्मार्टफोन और एम्बेडेड सिस्टम पर तैनाती को सक्षम बनाता है, जो पूरी तरह से सटीक बड़े मॉडलों के साथ असंभव होगा।.

प्रूनिंग न्यूरल नेटवर्क से अनावश्यक कनेक्शन और पैरामीटर हटा देती है। यह किसी बहुत लंबे टेक्स्ट को एडिट करने के समान है, जिसमें गैर-जरूरी तत्वों को पहचान कर हटा दिया जाता है। संरचित प्रूनिंग पूरे न्यूरॉन्स या लेयर्स को हटा देती है, जबकि असंरचित प्रूनिंग व्यक्तिगत वेट्स को हटाती है। परिणामस्वरूप नेटवर्क संरचना अधिक कुशल हो जाती है, कम मेमोरी और प्रोसेसिंग पावर की आवश्यकता होती है, फिर भी इसकी मूल क्षमताएं बरकरार रहती हैं। अन्य संपीड़न तकनीकों के साथ मिलकर, प्रून किए गए मॉडल दक्षता में उल्लेखनीय वृद्धि प्राप्त करते हैं।.

लो-रैंक फ़ैक्टराइज़ेशन बड़ी वज़न वाली मैट्रिक्स को छोटी मैट्रिक्स के गुणनफल में विघटित करता है। लाखों तत्वों वाली एक मैट्रिक्स के बजाय, सिस्टम दो अपेक्षाकृत छोटी मैट्रिक्स को स्टोर और प्रोसेस करता है। गणितीय प्रक्रिया लगभग समान रहती है, लेकिन गणना में लगने वाला समय काफी कम हो जाता है। यह तकनीक ट्रांसफ़ॉर्मर आर्किटेक्चर में विशेष रूप से प्रभावी है, जहाँ बड़े मैट्रिक्स गुणन में अटेंशन मैकेनिज़्म का प्रभुत्व होता है। मेमोरी की बचत से समान हार्डवेयर बजट के साथ बड़े कॉन्टेक्स्ट विंडो या बैच साइज़ संभव हो पाते हैं।.

माइक्रोसॉफ्ट फाई सीरीज़, गूगल जेम्मा या एनवीडिया नेमोट्रॉन जैसे आधुनिक एसएलएम में इन तकनीकों का संयोजन इसकी क्षमता को दर्शाता है। केवल 2.7 बिलियन पैरामीटर वाले फाई-2 ने 7 और 13 बिलियन पैरामीटर वाले मिस्ट्रल और लामा-2 मॉडल को समग्र बेंचमार्क में पीछे छोड़ दिया और बहु-चरणीय तर्क कार्यों में 25 गुना बड़े लामा-2-70बी से भी बेहतर प्रदर्शन किया। यह रणनीतिक डेटा चयन, उच्च-गुणवत्ता वाले सिंथेटिक डेटा निर्माण और नवीन स्केलिंग तकनीकों के माध्यम से संभव हुआ। संदेश स्पष्ट है: आकार अब क्षमता का पर्याय नहीं है।.

बाजार की गतिशीलता और प्रतिस्थापन क्षमता

वास्तविक अनुप्रयोगों से प्राप्त अनुभवजन्य निष्कर्ष सैद्धांतिक विचारों का समर्थन करते हैं। मल्टी-एजेंट सॉफ्टवेयर डेवलपमेंट फ्रेमवर्क मेटाजीपीटी के एनवीडिया के विश्लेषण से पता चला है कि लगभग 60 प्रतिशत एलएलएम अनुरोधों को बदला जा सकता है। इन कार्यों में बॉयलरप्लेट कोड जनरेशन, डॉक्यूमेंटेशन निर्माण और संरचित आउटपुट शामिल हैं—ये सभी ऐसे क्षेत्र हैं जहां विशेषीकृत एसएलएम सामान्य-उद्देश्यीय, बड़े पैमाने के मॉडलों की तुलना में अधिक तेजी से और लागत प्रभावी ढंग से काम करते हैं।.

वर्कफ़्लो ऑटोमेशन सिस्टम ओपन ऑपरेटर, अपनी 40 प्रतिशत प्रतिस्थापन क्षमता के साथ यह दर्शाता है कि जटिल ऑर्केस्ट्रेशन परिदृश्यों में भी, कई उपकार्यों के लिए एलएलएम की पूरी क्षमता की आवश्यकता नहीं होती है। आशय विश्लेषण, टेम्पलेट-आधारित आउटपुट और रूटिंग संबंधी निर्णय सूक्ष्मता से तैयार किए गए छोटे मॉडलों द्वारा अधिक कुशलता से संभाले जा सकते हैं। शेष 60 प्रतिशत कार्य, जिनके लिए वास्तव में गहन तर्क या व्यापक ज्ञान की आवश्यकता होती है, बड़े मॉडलों के उपयोग को उचित ठहराते हैं।.

क्रेडल, एक जीयूआई स्वचालन प्रणाली, 70 प्रतिशत की उच्चतम प्रतिस्थापन क्षमता प्रदर्शित करती है। बार-बार होने वाली यूआई अंतःक्रियाएं, क्लिक अनुक्रम और फॉर्म प्रविष्टियां एसएलएम के लिए आदर्श रूप से उपयुक्त हैं। कार्य संकीर्ण रूप से परिभाषित हैं, परिवर्तनशीलता सीमित है, और प्रासंगिक समझ की आवश्यकताएं कम हैं। जीयूआई अंतःक्रियाओं पर प्रशिक्षित एक विशेष मॉडल गति, विश्वसनीयता और लागत के मामले में एक सामान्य एलएलएम से बेहतर प्रदर्शन करता है।.

ये पैटर्न विभिन्न अनुप्रयोग क्षेत्रों में दोहराए जाते हैं। अक्सर पूछे जाने वाले प्रश्नों (FAQ), दस्तावेज़ वर्गीकरण, भावना विश्लेषण, नामित इकाई पहचान, सरल अनुवाद, प्राकृतिक भाषा डेटाबेस क्वेरीज़ के लिए ग्राहक सेवा चैटबॉट - इन सभी कार्यों को एसएलएम से लाभ होता है। एक अध्ययन का अनुमान है कि विशिष्ट उद्यम एआई तैनाती में, 60 से 80 प्रतिशत क्वेरीज़ उन श्रेणियों में आती हैं जिनके लिए एसएलएम पर्याप्त हैं। बुनियादी ढांचे की मांग पर इसके महत्वपूर्ण प्रभाव पड़ते हैं।.

मॉडल रूटिंग की अवधारणा तेजी से महत्वपूर्ण होती जा रही है। बुद्धिमान प्रणालियाँ आने वाली क्वेरीज़ का विश्लेषण करती हैं और उन्हें उपयुक्त मॉडल तक पहुँचाती हैं। सरल क्वेरीज़ कम लागत वाले SLM (स्मॉल-लर्निंग मॉडल) के पास जाती हैं, जबकि जटिल कार्यों को उच्च-प्रदर्शन वाले LLM (लर्निंग मॉडल) द्वारा संभाला जाता है। यह हाइब्रिड दृष्टिकोण गुणवत्ता और लागत के बीच संतुलन को बेहतर बनाता है। शुरुआती कार्यान्वयनों में समान या उससे भी बेहतर समग्र प्रदर्शन के साथ 75 प्रतिशत तक लागत बचत की रिपोर्ट की गई है। रूटिंग लॉजिक स्वयं एक छोटा मशीन लर्निंग मॉडल हो सकता है जो क्वेरी की जटिलता, संदर्भ और उपयोगकर्ता की प्राथमिकताओं को ध्यान में रखता है।.

फाइन-ट्यूनिंग-एज़-ए-सर्विस प्लेटफॉर्मों के बढ़ते प्रसार से इनका उपयोग तेज़ी से बढ़ रहा है। जिन कंपनियों के पास मशीन लर्निंग की गहरी विशेषज्ञता नहीं है, वे भी विशेषीकृत एसएलएम (SLM) बना सकती हैं जिनमें उनका अपना डेटा और डोमेन संबंधी विशिष्टताएँ शामिल हों। इससे समय का निवेश महीनों से घटकर दिनों तक रह जाता है और लागत लाखों डॉलर से घटकर हजारों डॉलर तक कम हो जाती है। यह सुलभता मौलिक रूप से एआई नवाचार का लोकतंत्रीकरण करती है और मूल्य सृजन को बुनियादी ढांचा प्रदाताओं से अनुप्रयोग डेवलपर्स की ओर स्थानांतरित करती है।.

'मैनेज्ड एआई' (आर्टिफिशियल इंटेलिजेंस) के साथ डिजिटल परिवर्तन का एक नया आयाम – प्लेटफॉर्म और बी2बी समाधान | एक्सपर्ट कंसल्टिंग - चित्र: Xpert.Digital

यहां आप जानेंगे कि आपकी कंपनी बिना किसी बड़ी बाधा के, तेजी से, सुरक्षित रूप से और बिना किसी विशेष प्रक्रिया के अनुकूलित एआई समाधानों को कैसे लागू कर सकती है।.

एक प्रबंधित एआई प्लेटफॉर्म कृत्रिम बुद्धिमत्ता के लिए आपका संपूर्ण और चिंतामुक्त समाधान है। जटिल तकनीक, महंगे बुनियादी ढांचे और लंबी विकास प्रक्रियाओं से निपटने के बजाय, आपको एक विशेषज्ञ भागीदार से आपकी आवश्यकताओं के अनुरूप तैयार समाधान मिलता है - अक्सर कुछ ही दिनों के भीतर।.

मुख्य लाभ संक्षेप में:

⚡ त्वरित कार्यान्वयन: विचार से लेकर उपयोग के लिए तैयार एप्लिकेशन तक, महीनों में नहीं, दिनों में। हम ऐसे व्यावहारिक समाधान प्रदान करते हैं जो तत्काल मूल्यवर्धन करते हैं।.

🔒 अधिकतम डेटा सुरक्षा: आपका संवेदनशील डेटा आपके पास ही सुरक्षित रहता है। हम तीसरे पक्षों के साथ डेटा साझा किए बिना सुरक्षित और नियमों के अनुरूप प्रोसेसिंग की गारंटी देते हैं।.

💸 कोई वित्तीय जोखिम नहीं: आपको केवल परिणामों के लिए भुगतान करना होगा। हार्डवेयर, सॉफ्टवेयर या कर्मचारियों में होने वाले भारी प्रारंभिक निवेश की कोई आवश्यकता नहीं है।.

🎯 अपने मुख्य व्यवसाय पर ध्यान केंद्रित करें: आप जिस काम में सबसे अच्छे हैं, उसी पर ध्यान दें। हम आपके एआई समाधान के संपूर्ण तकनीकी कार्यान्वयन, संचालन और रखरखाव का ध्यान रखते हैं।.

📈 भविष्य के लिए तैयार और विस्तार योग्य: आपकी एआई आपके साथ बढ़ती है। हम निरंतर अनुकूलन और विस्तारशीलता सुनिश्चित करते हैं, और नए आवश्यकताओं के अनुसार मॉडलों को लचीले ढंग से अनुकूलित करते हैं।.

अधिक जानकारी यहाँ:

• प्रबंधित एआई समाधान - औद्योगिक एआई सेवाएं: सेवा, उद्योग और यांत्रिक इंजीनियरिंग क्षेत्रों में प्रतिस्पर्धात्मकता की कुंजी

केंद्रीकृत आर्किटेक्चर की छिपी हुई लागतें

केवल प्रत्यक्ष कंप्यूटिंग लागतों पर ध्यान केंद्रित करने से केंद्रीकृत एलएलएम आर्किटेक्चर की कुल लागत का कम अनुमान लगाया जाता है। एपीआई निर्भरताएँ संरचनात्मक कमियाँ पैदा करती हैं। प्रत्येक अनुरोध से लागत उत्पन्न होती है जो उपयोग के साथ बढ़ती जाती है। लाखों उपयोगकर्ताओं वाले सफल अनुप्रयोगों के लिए, एपीआई शुल्क प्रमुख लागत कारक बन जाता है, जिससे लाभ मार्जिन कम हो जाता है। कंपनियाँ एक ऐसी लागत संरचना में फँस जाती हैं जो सफलता के अनुपात में बढ़ती है, लेकिन इसके अनुरूप पैमाने की मितव्ययिताएँ नहीं मिलतीं।.

API प्रदाताओं की कीमतों में अस्थिरता एक व्यावसायिक जोखिम है। कीमतों में वृद्धि, कोटा सीमाएँ या सेवा शर्तों में परिवर्तन किसी एप्लिकेशन की लाभप्रदता को रातोंरात नष्ट कर सकते हैं। प्रमुख प्रदाताओं द्वारा हाल ही में घोषित क्षमता प्रतिबंध, जो उपयोगकर्ताओं को अपने संसाधनों का सीमित उपयोग करने के लिए मजबूर करते हैं, इस निर्भरता की भेद्यता को दर्शाते हैं। समर्पित SLM इस जोखिम को पूरी तरह से समाप्त कर देते हैं।.

डेटा संप्रभुता और अनुपालन का महत्व लगातार बढ़ रहा है। यूरोप में GDPR, विश्व स्तर पर तुलनीय विनियम और डेटा स्थानीयकरण की बढ़ती आवश्यकताएं जटिल कानूनी ढांचे का निर्माण कर रही हैं। संवेदनशील कॉर्पोरेट डेटा को ऐसे बाहरी API को भेजना जो विदेशी अधिकारक्षेत्रों में संचालित हो सकते हैं, विनियामक और कानूनी जोखिमों को जन्म देता है। स्वास्थ्य सेवा, वित्त और सरकारी क्षेत्रों में अक्सर सख्त आवश्यकताएं होती हैं जो बाहरी API के उपयोग को प्रतिबंधित या गंभीर रूप से सीमित करती हैं। ऑन-प्रिमाइस SLM इन समस्याओं का मूल रूप से समाधान करते हैं।.

बौद्धिक संपदा संबंधी चिंताएँ वास्तविक हैं। API प्रदाता को भेजा गया प्रत्येक अनुरोध संभावित रूप से मालिकाना जानकारी को उजागर करता है। व्यावसायिक तर्क, उत्पाद विकास, ग्राहक जानकारी - सैद्धांतिक रूप से प्रदाता द्वारा यह सब निकाला और उपयोग किया जा सकता है। अनुबंध की शर्तें आकस्मिक रिसाव या दुर्भावनापूर्ण तत्वों से सीमित सुरक्षा प्रदान करती हैं। एकमात्र वास्तव में सुरक्षित समाधान डेटा को कभी भी बाहरी रूप से साझा न करना है।.

नेटवर्क निर्भरता के कारण विलंबता और विश्वसनीयता प्रभावित होती है। प्रत्येक क्लाउड एपीआई अनुरोध इंटरनेट इन्फ्रास्ट्रक्चर से होकर गुजरता है, जो नेटवर्क जिटर, पैकेट हानि और परिवर्तनशील राउंड-ट्रिप समय के अधीन होता है। संवादात्मक एआई या नियंत्रण प्रणालियों जैसे रीयल-टाइम अनुप्रयोगों के लिए, ये विलंब अस्वीकार्य हैं। स्थानीय एसएलएम नेटवर्क स्थितियों की परवाह किए बिना, सेकंड के बजाय मिलीसेकंड में प्रतिक्रिया देते हैं। इससे उपयोगकर्ता अनुभव में उल्लेखनीय सुधार होता है।.

कुछ चुनिंदा हाइपरस्केलर पर रणनीतिक निर्भरता शक्ति को केंद्रित करती है और प्रणालीगत जोखिम पैदा करती है। AWS, Microsoft Azure, Google Cloud और कुछ अन्य कंपनियां बाजार पर हावी हैं। इन सेवाओं में रुकावट आने से हजारों निर्भर अनुप्रयोगों पर व्यापक प्रभाव पड़ता है। अतिरेक का भ्रम तब टूट जाता है जब आप यह विचार करते हैं कि अधिकांश वैकल्पिक सेवाएं अंततः मॉडल प्रदाताओं के उसी सीमित समूह पर निर्भर करती हैं। वास्तविक लचीलेपन के लिए विविधीकरण आवश्यक है, जिसमें आदर्श रूप से आंतरिक क्षमता भी शामिल हो।.

इससे संबंधित:

• विकेंद्रीकृत, संघबद्ध, एंटीफ्रैजाइल एआई इंफ्रास्ट्रक्चर या एआई गीगाफैक्ट्री या हाइपरस्केल एआई डेटा सेंटर में से कौन सा बेहतर है?

एज कंप्यूटिंग एक रणनीतिक मोड़ के रूप में

एसएलएम और एज कंप्यूटिंग का संगम एक क्रांतिकारी बदलाव ला रहा है। एज डिप्लॉयमेंट डेटा के स्रोत तक कंप्यूटेशन को पहुंचाता है – जैसे कि आईओटी सेंसर, मोबाइल डिवाइस, औद्योगिक नियंत्रक और वाहन। इससे लेटेंसी में ज़बरदस्त कमी आती है: सेकंड से मिलीसेकंड तक, क्लाउड राउंड-ट्रिप से लोकल प्रोसेसिंग तक। स्वायत्त प्रणालियों, ऑगमेंटेड रियलिटी, औद्योगिक स्वचालन और चिकित्सा उपकरणों के लिए यह न केवल वांछनीय है बल्कि आवश्यक भी है।.

बैंडविड्थ में काफी बचत होती है। क्लाउड पर लगातार डेटा भेजने और वहां प्रोसेसिंग होने और परिणाम वापस आने के बजाय, प्रोसेसिंग स्थानीय स्तर पर होती है। केवल प्रासंगिक और एकत्रित जानकारी ही भेजी जाती है। हजारों एज डिवाइस वाले परिदृश्यों में, इससे नेटवर्क ट्रैफिक में काफी कमी आती है। इंफ्रास्ट्रक्चर लागत कम होती है, नेटवर्क कंजेशन से बचा जा सकता है और विश्वसनीयता बढ़ती है।.

निजता की सुरक्षा पूरी तरह से सुनिश्चित है। डेटा अब डिवाइस से बाहर नहीं जाता। कैमरा फ़ीड, ऑडियो रिकॉर्डिंग, बायोमेट्रिक जानकारी, लोकेशन डेटा - ये सभी डेटा केंद्रीय सर्वरों तक पहुंचे बिना स्थानीय स्तर पर ही प्रोसेस किया जा सकता है। इससे क्लाउड-आधारित AI समाधानों द्वारा उठाई गई बुनियादी निजता संबंधी चिंताओं का समाधान हो जाता है। उपभोक्ता अनुप्रयोगों के लिए, यह एक विशिष्ट पहचान बन जाता है; विनियमित उद्योगों के लिए, यह एक अनिवार्य आवश्यकता है।.

ऊर्जा दक्षता कई स्तरों पर बेहतर हो रही है। छोटे मॉडलों के विश्लेषण के लिए अनुकूलित विशेषीकृत अत्याधुनिक एआई चिप्स, डेटा सेंटर जीपीयू की तुलना में बहुत कम ऊर्जा खपत करते हैं। डेटा ट्रांसमिशन को समाप्त करने से नेटवर्क इंफ्रास्ट्रक्चर में ऊर्जा की बचत होती है। बैटरी से चलने वाले उपकरणों के लिए, यह एक महत्वपूर्ण कार्य बनता जा रहा है। स्मार्टफोन, वियरेबल डिवाइस, ड्रोन और आईओटी सेंसर बैटरी लाइफ पर ज्यादा असर डाले बिना एआई कार्य कर सकते हैं।.

ऑफ़लाइन क्षमता मजबूती प्रदान करती है। एज एआई इंटरनेट कनेक्शन के बिना भी काम करता है। दूरस्थ क्षेत्रों, महत्वपूर्ण बुनियादी ढांचे या आपदा की स्थितियों में भी कार्यक्षमता बरकरार रहती है। नेटवर्क की उपलब्धता से यह स्वतंत्रता कई अनुप्रयोगों के लिए आवश्यक है। एक स्वायत्त वाहन क्लाउड कनेक्टिविटी पर निर्भर नहीं रह सकता, और एक चिकित्सा उपकरण को अस्थिर वाई-फाई के कारण विफल नहीं होना चाहिए।.

लागत मॉडल परिचालन व्यय से पूंजीगत व्यय की ओर स्थानांतरित हो रहे हैं। निरंतर क्लाउड लागतों के बजाय, एज हार्डवेयर में एकमुश्त निवेश किया जाता है। यह दीर्घकालिक, उच्च मात्रा वाले अनुप्रयोगों के लिए आर्थिक रूप से आकर्षक बन जाता है। पूर्वानुमानित लागतें बजट नियोजन को बेहतर बनाती हैं और वित्तीय जोखिमों को कम करती हैं। कंपनियां अपने एआई इंफ्रास्ट्रक्चर खर्च पर फिर से नियंत्रण प्राप्त कर लेती हैं।.

उदाहरण इसकी क्षमता को दर्शाते हैं। NVIDIA ChatRTX उपभोक्ता GPUs पर स्थानीय LLM अनुमान को सक्षम बनाता है। Apple iPhones और iPads में ऑन-डिवाइस AI को एकीकृत करता है, और छोटे मॉडल सीधे डिवाइस पर चलते हैं। Qualcomm विशेष रूप से एज AI के लिए स्मार्टफ़ोन हेतु NPUs विकसित कर रहा है। Google Coral और इसी तरह के प्लेटफ़ॉर्म IoT और औद्योगिक अनुप्रयोगों को लक्षित करते हैं। बाज़ार की गतिशीलता विकेंद्रीकरण की ओर एक स्पष्ट रुझान दिखाती है।.

विषम एआई आर्किटेक्चर एक भविष्य के मॉडल के रूप में

भविष्य पूर्ण विकेंद्रीकरण में नहीं, बल्कि बुद्धिमान हाइब्रिड आर्किटेक्चर में निहित है। विषम प्रणालियाँ नियमित, विलंबता-संवेदनशील कार्यों के लिए एज एसएलएम को जटिल तर्क आवश्यकताओं के लिए क्लाउड एलएलएम के साथ जोड़ती हैं। यह पूरकता लचीलेपन और क्षमता को बनाए रखते हुए दक्षता को अधिकतम करती है।.

सिस्टम आर्किटेक्चर में कई परतें शामिल हैं। एज लेयर पर, अत्यधिक अनुकूलित एसएलएम (SLM) तुरंत प्रतिक्रिया प्रदान करते हैं। इनसे 60 से 80 प्रतिशत अनुरोधों को स्वतः संभालने की अपेक्षा की जाती है। अस्पष्ट या जटिल प्रश्नों के लिए जो स्थानीय विश्वसनीयता मानकों को पूरा नहीं करते, उन्हें फॉग कंप्यूटिंग लेयर (मध्यम श्रेणी के मॉडल वाले क्षेत्रीय सर्वर) में भेजा जाता है। केवल वास्तव में कठिन मामलों में ही बड़े, सामान्य प्रयोजन वाले मॉडल के साथ केंद्रीय क्लाउड इन्फ्रास्ट्रक्चर तक पहुंचा जाता है।.

मॉडल राउटिंग एक महत्वपूर्ण घटक बनता जा रहा है। मशीन लर्निंग पर आधारित राउटर अनुरोध की विशेषताओं का विश्लेषण करते हैं: टेक्स्ट की लंबाई, जटिलता संकेतक, डोमेन सिग्नल और उपयोगकर्ता इतिहास। इन विशेषताओं के आधार पर, अनुरोध को उपयुक्त मॉडल को सौंपा जाता है। आधुनिक राउटर जटिलता अनुमान में 95% से अधिक सटीकता प्राप्त करते हैं। वे वास्तविक प्रदर्शन और लागत-गुणवत्ता के बीच संतुलन के आधार पर लगातार अनुकूलन करते रहते हैं।.

उन्नत रूटिंग सिस्टम में क्रॉस-अटेंशन तंत्र स्पष्ट रूप से क्वेरी-मॉडल इंटरैक्शन को मॉडल करते हैं। इससे सूक्ष्म निर्णय लेना संभव होता है: क्या मिस्ट्रल-7B पर्याप्त है, या GPT-4 आवश्यक है? क्या Phi-3 इसे संभाल सकता है, या क्लाउड की आवश्यकता है? लाखों क्वेरीज़ पर लागू होने वाले इन सूक्ष्म निर्णयों से उपयोगकर्ता संतुष्टि को बनाए रखते हुए या उसमें सुधार करते हुए लागत में काफी बचत होती है।.

कार्यभार का वर्गीकरण मूलभूत है। एजेंटिक एआई सिस्टम में समन्वय, तर्क, टूल कॉल, मेमोरी ऑपरेशन और आउटपुट जनरेशन शामिल होते हैं। सभी घटकों को समान कंप्यूटिंग क्षमता की आवश्यकता नहीं होती है। समन्वय और टूल कॉल अक्सर नियम-आधारित होते हैं या न्यूनतम बुद्धिमत्ता की आवश्यकता होती है—जो एसएलएम के लिए आदर्श है। तर्क मिश्रित हो सकता है: एसएलएम पर सरल अनुमान, एलएलएम पर जटिल बहु-चरणीय तर्क। टेम्प्लेट के लिए आउटपुट जनरेशन में एसएलएम का उपयोग होता है, रचनात्मक टेक्स्ट जनरेशन में एलएलएम का उपयोग होता है।.

कुल स्वामित्व लागत (TCO) अनुकूलन में हार्डवेयर की विविधता को ध्यान में रखा जाता है। महत्वपूर्ण LLM कार्यभारों के लिए उच्च-स्तरीय H100 GPU, मध्यम श्रेणी के मॉडलों के लिए मध्य-स्तरीय A100 या L40S, और SLM के लिए लागत-प्रभावी T4 या अनुमान-अनुकूलित चिप्स का उपयोग किया जाता है। यह विविधता कार्यभार आवश्यकताओं को हार्डवेयर क्षमताओं से सटीक रूप से मिलाने में सहायक होती है। प्रारंभिक अध्ययनों से पता चलता है कि समरूप उच्च-स्तरीय अनुप्रयोगों की तुलना में TCO में 40 से 60 प्रतिशत तक की कमी आती है।.

ऑर्केस्ट्रेशन के लिए परिष्कृत सॉफ़्टवेयर स्टैक की आवश्यकता होती है। कुबेरनेट्स-आधारित क्लस्टर प्रबंधन प्रणालियाँ, जो मॉडल विशेषताओं को समझने वाले एआई-विशिष्ट शेड्यूलर द्वारा समर्थित हैं, अनिवार्य हैं। लोड बैलेंसिंग न केवल प्रति सेकंड अनुरोधों को ध्यान में रखता है, बल्कि टोकन की लंबाई, मॉडल मेमोरी फुटप्रिंट और लेटेंसी लक्ष्यों को भी ध्यान में रखता है। ऑटोस्केलिंग मांग पैटर्न के अनुसार प्रतिक्रिया करता है, अतिरिक्त क्षमता प्रदान करता है या कम उपयोग की अवधि के दौरान स्केल डाउन करता है।.

स्थिरता और ऊर्जा दक्षता

कृत्रिम बुद्धिमत्ता (एआई) अवसंरचना का पर्यावरणीय प्रभाव एक प्रमुख मुद्दा बनता जा रहा है। एक बड़े भाषा मॉडल को प्रशिक्षित करने में एक वर्ष में उतनी ही ऊर्जा की खपत हो सकती है जितनी एक छोटे शहर में होती है। एआई कार्यभार चलाने वाले डेटा केंद्र 2028 तक वैश्विक डेटा केंद्र ऊर्जा मांग का 20 से 27 प्रतिशत हिस्सा बन सकते हैं। अनुमान है कि 2030 तक, एआई डेटा केंद्रों को व्यक्तिगत प्रशिक्षण सत्रों के लिए 8 गीगावाट ऊर्जा की आवश्यकता हो सकती है। कार्बन फुटप्रिंट विमानन उद्योग के कार्बन फुटप्रिंट के बराबर होगा।.

बड़े मॉडलों की ऊर्जा खपत में असमान रूप से वृद्धि हो रही है। जीपीयू की बिजली खपत तीन वर्षों में 400 वाट से बढ़कर 1000 वाट से अधिक हो गई है। एनवीडिया जीबी300 एनवीएल72 सिस्टम, पीक लोड को 30 प्रतिशत तक कम करने वाली नवीन पावर-स्मूथिंग तकनीक के बावजूद, अत्यधिक ऊर्जा की मांग करते हैं। कूलिंग इंफ्रास्ट्रक्चर ऊर्जा मांग में 30 से 40 प्रतिशत की वृद्धि करता है। ग्रिड डीकार्बोनाइजेशन के बारे में आशावादी अनुमानों के बावजूद, एआई इंफ्रास्ट्रक्चर से कुल CO2 उत्सर्जन 2030 तक 22 करोड़ टन तक बढ़ सकता है।.

स्मॉल लैंग्वेज मॉडल्स (एसएलएम) दक्षता में मूलभूत लाभ प्रदान करते हैं। इनके प्रशिक्षण के लिए तुलनात्मक एलएलएम की तुलना में 30 से 40 प्रतिशत कंप्यूटिंग शक्ति की आवश्यकता होती है। बीआरईटी प्रशिक्षण की लागत लगभग €10,000 है, जबकि जीपीटी-4 क्लास मॉडल्स के लिए यह करोड़ों में होती है। अनुमान लगाने में लगने वाली ऊर्जा भी आनुपातिक रूप से कम होती है। एक एसएलएम क्वेरी एलएलएम क्वेरी की तुलना में 100 से 1,000 गुना कम ऊर्जा खपत कर सकती है। लाखों क्वेरीज़ पर, यह बचत बहुत अधिक हो जाती है।.

एज कंप्यूटिंग इन फायदों को और भी बढ़ा देती है। स्थानीय प्रोसेसिंग से नेटवर्क और बैकबोन इंफ्रास्ट्रक्चर में डेटा ट्रांसमिशन के लिए आवश्यक ऊर्जा की बचत होती है। विशेष एज एआई चिप्स डेटा सेंटर जीपीयू की तुलना में कई गुना बेहतर ऊर्जा दक्षता हासिल करते हैं। सैकड़ों वाट के सर्वरों के बजाय मिलीवाट एनपीयू वाले स्मार्टफोन और आईओटी डिवाइस इस अंतर को स्पष्ट रूप से दर्शाते हैं।.

नवीकरणीय ऊर्जा का उपयोग प्राथमिकता बनता जा रहा है। गूगल 2030 तक 100 प्रतिशत कार्बन-मुक्त ऊर्जा के लिए प्रतिबद्ध है, और माइक्रोसॉफ्ट कार्बन-नकारात्मकता के लिए। हालांकि, ऊर्जा की मांग का विशाल पैमाना चुनौतियां पेश करता है। नवीकरणीय स्रोतों के साथ भी, ग्रिड क्षमता, भंडारण और अनियमितता का प्रश्न बना रहता है। एसएलएम (SLM) कुल मांग को कम करते हैं, जिससे हरित एआई की ओर संक्रमण अधिक व्यवहार्य हो जाता है।.

कार्बन-जागरूक कंप्यूटिंग ग्रिड की कार्बन तीव्रता के आधार पर कार्यभार निर्धारण को अनुकूलित करती है। प्रशिक्षण सत्र तब शुरू किए जाते हैं जब ग्रिड में नवीकरणीय ऊर्जा का हिस्सा अधिकतम होता है। अनुमान संबंधी अनुरोधों को स्वच्छ ऊर्जा वाले क्षेत्रों में भेजा जाता है। यह समय और भौगोलिक लचीलापन, एसएलएम की दक्षता के साथ मिलकर, कार्बन डाइऑक्साइड उत्सर्जन को 50 से 70 प्रतिशत तक कम कर सकता है।.

नियामक व्यवस्था और भी सख्त होती जा रही है। यूरोपीय संघ के एआई अधिनियम में कुछ एआई प्रणालियों के लिए अनिवार्य पर्यावरणीय प्रभाव आकलन शामिल हैं। कार्बन रिपोर्टिंग अब मानक बन रही है। ऊर्जा की अधिक खपत करने वाले और अक्षम बुनियादी ढांचे वाली कंपनियों को अनुपालन संबंधी समस्याओं और प्रतिष्ठा को नुकसान पहुंचने का खतरा है। एसएलएम और एज कंप्यूटिंग को अपनाना अब एक आवश्यकता बन गया है, न कि सिर्फ एक सुविधा।.

लोकतांत्रिकरण बनाम एकाग्रता

बीते समय के घटनाक्रमों ने एआई की शक्ति को कुछ प्रमुख खिलाड़ियों के हाथों में केंद्रित कर दिया है। माइक्रोसॉफ्ट, गूगल, मेटा, अमेज़न, एप्पल, एनवीडिया और टेस्ला - ये सात प्रमुख खिलाड़ी इस क्षेत्र में अग्रणी हैं। ये अतिस्तरीय कंपनियां बुनियादी ढांचे, मॉडलों और तेजी से पूरी मूल्य श्रृंखला को नियंत्रित करती हैं। इनका संयुक्त बाजार पूंजीकरण 15 ट्रिलियन डॉलर से अधिक है। ये एसएंडपी 500 के बाजार पूंजीकरण का लगभग 35 प्रतिशत हिस्सा हैं, जो अभूतपूर्व ऐतिहासिक महत्व का एक एकाग्रता जोखिम है।.

इस केंद्रीकरण के व्यापक प्रभाव हैं। कुछ ही कंपनियां मानक तय करती हैं, एपीआई परिभाषित करती हैं और पहुंच को नियंत्रित करती हैं। छोटे खिलाड़ी और विकासशील देश उन पर निर्भर हो जाते हैं। राष्ट्रों की डिजिटल संप्रभुता खतरे में पड़ जाती है। यूरोप, एशिया और लैटिन अमेरिका राष्ट्रीय एआई रणनीतियों के साथ जवाब दे रहे हैं, लेकिन अमेरिका स्थित हाइपरस्केलर्स का वर्चस्व अभी भी हावी है।.

स्मॉल लैंग्वेज मॉडल्स (एसएलएम) और विकेंद्रीकरण इस परिदृश्य को बदल रहे हैं। फाई-3, जेम्मा, मिस्ट्रल और लामा जैसे ओपन-सोर्स एसएलएम अत्याधुनिक तकनीक तक पहुंच को लोकतांत्रिक बना रहे हैं। विश्वविद्यालय, स्टार्टअप और मध्यम आकार के व्यवसाय हाइपरस्केलर संसाधनों के बिना प्रतिस्पर्धी एप्लिकेशन विकसित कर सकते हैं। नवाचार की बाधा काफी हद तक कम हो गई है। एक छोटी टीम एक विशिष्ट एसएलएम बना सकती है जो अपने क्षेत्र में गूगल या माइक्रोसॉफ्ट से भी बेहतर प्रदर्शन करे।.

आर्थिक व्यवहार्यता छोटे खिलाड़ियों के पक्ष में बदल रही है। जहां एलएलएम विकास के लिए करोड़ों के बजट की आवश्यकता होती है, वहीं एसएलएम पांच से छह अंकों की राशि में संभव है। क्लाउड लोकतंत्रीकरण प्रशिक्षण अवसंरचना तक ऑन-डिमांड पहुंच को सक्षम बनाता है। फाइन-ट्यूनिंग सेवाएं जटिलता को सरल बनाती हैं। एआई नवाचार के लिए प्रवेश बाधा अत्यधिक कठिन से प्रबंधनीय स्तर तक कम हो रही है।.

डेटा संप्रभुता एक वास्तविकता बन जाती है। कंपनियां और सरकारें ऐसे मॉडल होस्ट कर सकती हैं जो कभी बाहरी सर्वरों तक नहीं पहुंचते। संवेदनशील डेटा उनके अपने नियंत्रण में रहता है। GDPR का अनुपालन सरल हो जाता है। पारदर्शिता और जवाबदेही के लिए सख्त आवश्यकताएं लागू करने वाला EU AI अधिनियम, ब्लैक-बॉक्स API के बजाय मालिकाना मॉडलों के साथ अधिक प्रबंधनीय हो जाता है।.

नवाचार में विविधता बढ़ रही है। जीपीटी जैसे मॉडलों की एक ही श्रेणी के बजाय, विशिष्ट क्षेत्रों, भाषाओं और कार्यों के लिए हजारों विशिष्ट एसएलएम उभर रहे हैं। यह विविधता व्यवस्थित त्रुटियों के प्रति प्रतिरोधी है, प्रतिस्पर्धा बढ़ाती है और प्रगति को गति देती है। नवाचार का परिदृश्य पदानुक्रमित होने के बजाय बहुकेंद्रीय होता जा रहा है।.

केंद्रीकरण के जोखिम स्पष्ट होते जा रहे हैं। कुछ ही प्रदाताओं पर निर्भरता से विफलता के एकल बिंदु उत्पन्न होते हैं। AWS या Azure में रुकावटें वैश्विक सेवाओं को ठप्प कर देती हैं। हाइपरस्केलर द्वारा लिए गए राजनीतिक निर्णय, जैसे उपयोग प्रतिबंध या क्षेत्रीय प्रतिबंध, व्यापक प्रभाव डालते हैं। एसएलएम के माध्यम से विकेंद्रीकरण इन प्रणालीगत जोखिमों को मौलिक रूप से कम करता है।.

रणनीतिक पुनर्गठन

कंपनियों के लिए, यह विश्लेषण मूलभूत रणनीतिक समायोजन का संकेत देता है। निवेश की प्राथमिकताएं केंद्रीकृत क्लाउड इन्फ्रास्ट्रक्चर से हटकर विषम, वितरित आर्किटेक्चर की ओर स्थानांतरित हो रही हैं। हाइपरस्केलर एपीआई पर अधिकतम निर्भरता के बजाय, लक्ष्य इन-हाउस एसएलएम के माध्यम से स्वायत्तता प्राप्त करना है। कौशल विकास मॉडल को बेहतर बनाने, एज डिप्लॉयमेंट और हाइब्रिड ऑर्केस्ट्रेशन पर केंद्रित है।.

निर्माण बनाम खरीद के निर्णय में बदलाव आ रहा है। पहले API एक्सेस खरीदना तर्कसंगत माना जाता था, लेकिन अब इन-हाउस, विशेषीकृत SLM विकसित करना अधिक आकर्षक होता जा रहा है। तीन से पांच वर्षों में स्वामित्व की कुल लागत स्पष्ट रूप से इन-हाउस मॉडल के पक्ष में है। रणनीतिक नियंत्रण, डेटा सुरक्षा और अनुकूलन क्षमता अतिरिक्त गुणात्मक लाभ प्रदान करते हैं।.

निवेशकों के लिए, यह गलत आवंटन विशुद्ध रूप से बुनियादी ढांचे से संबंधित निवेशों के प्रति सावधानी बरतने का संकेत देता है। यदि मांग पूर्वानुमान के अनुरूप नहीं होती है, तो डेटा सेंटर REITs, GPU निर्माताओं और हाइपरस्केलर्स को अतिरिक्त क्षमता और घटते उपयोग का सामना करना पड़ सकता है। मूल्य का स्थानांतरण SLM प्रौद्योगिकी, एज AI चिप्स, ऑर्केस्ट्रेशन सॉफ़्टवेयर और विशेष AI अनुप्रयोगों के प्रदाताओं की ओर हो रहा है।.

भू-राजनीतिक आयाम महत्वपूर्ण है। राष्ट्रीय एआई संप्रभुता को प्राथमिकता देने वाले देश एसएलएम बदलाव से लाभान्वित होते हैं। चीन घरेलू प्रौद्योगिकी में 138 अरब डॉलर का निवेश कर रहा है, और यूरोप इन्वेस्टएआई में 200 अरब डॉलर का निवेश कर रहा है। ये निवेश तब अधिक प्रभावी होंगे जब पूर्ण पैमाना निर्णायक कारक नहीं रहेगा, बल्कि स्मार्ट, कुशल और विशिष्ट समाधान ही निर्णायक होंगे। बहुध्रुवीय एआई जगत एक वास्तविकता बनता जा रहा है।.

नियामक ढांचा भी साथ-साथ विकसित हो रहा है। डेटा सुरक्षा, एल्गोरिथम की जवाबदेही, पर्यावरणीय मानक - ये सभी विकेंद्रीकृत, पारदर्शी और कुशल प्रणालियों के पक्ष में हैं। जो कंपनियां एसएलएम और एज कंप्यूटिंग को शुरुआत में ही अपना लेती हैं, वे भविष्य के नियमों के अनुपालन के लिए बेहतर स्थिति में आ जाती हैं।.

प्रतिभा परिदृश्य में बदलाव आ रहा है। पहले जहां केवल प्रतिष्ठित विश्वविद्यालयों और शीर्ष तकनीकी कंपनियों के पास ही एलएलएम अनुसंधान के लिए संसाधन थे, वहीं अब लगभग कोई भी संगठन एसएलएम विकसित कर सकता है। एआई में भर्ती करने से 87 प्रतिशत संगठनों को बाधित करने वाली कौशल की कमी को कम जटिलता और बेहतर उपकरणों के माध्यम से कम किया जा रहा है। एआई-समर्थित विकास से उत्पादकता में होने वाली वृद्धि इस प्रभाव को और बढ़ा देती है।.

एआई निवेश पर निवेश के प्रतिफल (आरओआई) को मापने का तरीका बदल रहा है। अब केवल कंप्यूटिंग क्षमता पर ध्यान केंद्रित करने के बजाय, प्रति कार्य दक्षता मुख्य मापदंड बन रही है। कंपनियां एआई पहलों पर औसतन 5.9 प्रतिशत का आरओआई बता रही हैं, जो उम्मीदों से काफी कम है। इसका कारण अक्सर सरल समस्याओं के लिए अत्यधिक जटिल और महंगे समाधानों का उपयोग करना है। कार्य-अनुकूलित एसएलएम (SLM) की ओर बदलाव से इस आरओआई में काफी सुधार हो सकता है।.

विश्लेषण से पता चलता है कि यह उद्योग एक महत्वपूर्ण मोड़ पर है। 57 अरब डॉलर का गलत निवेश केवल मांग का अतिरंजित अनुमान नहीं है। यह कृत्रिम बुद्धिमत्ता की संरचना के बारे में एक मूलभूत रणनीतिक त्रुटि को दर्शाता है। भविष्य केंद्रीकृत दिग्गजों का नहीं, बल्कि विकेंद्रीकृत, विशिष्ट और कुशल प्रणालियों का है। छोटे भाषा मॉडल बड़े भाषा मॉडलों से हीन नहीं हैं - बल्कि वास्तविक दुनिया के अधिकांश अनुप्रयोगों के लिए वे श्रेष्ठ हैं। आर्थिक, तकनीकी, पर्यावरणीय और रणनीतिक तर्क एक स्पष्ट निष्कर्ष पर पहुंचते हैं: कृत्रिम बुद्धिमत्ता क्रांति विकेंद्रीकृत होगी।.

प्रदाताओं से संचालकों की ओर, हाइपरस्केलर्स से एप्लिकेशन डेवलपर्स की ओर, केंद्रीकरण से वितरण की ओर सत्ता का यह बदलाव एआई विकास के एक नए चरण को दर्शाता है। जो लोग इस बदलाव को शुरुआत में ही पहचान कर अपना लेंगे, वही विजेता होंगे। जो लोग पुरानी सोच से चिपके रहेंगे, उनके महंगे बुनियादी ढांचे बेकार हो जाएंगे और अधिक चुस्त और कुशल विकल्पों द्वारा पीछे छोड़ दिए जाएंगे। 57 अरब डॉलर न केवल बर्बाद हुए हैं, बल्कि यह एक ऐसे प्रतिमान के अंत की शुरुआत है जो पहले ही अप्रचलित हो चुका है।.

☑️ हमारी व्यावसायिक भाषा अंग्रेजी या जर्मन है।

☑️ नया: अपनी मातृभाषा में पत्राचार करें!

Konrad Wolfenstein

मुझे और मेरी टीम को आपके व्यक्तिगत सलाहकार के रूप में आपकी सेवा करने में खुशी होगी।.

आप यहां दिए गए संपर्क फ़ॉर्म को भरकर मुझसे संपर्क कर सकते हैं सकते मुझे +49 7348 4088 965 । मेरा ईमेल पता है [email protected]:या

मैं हमारी संयुक्त परियोजना के लिए उत्सुक हूं।.

☑️ रणनीति, परामर्श, योजना और कार्यान्वयन में लघु एवं मध्यम उद्यमों (एसएमई) को सहायता प्रदान करना

☑️ डिजिटल रणनीति और डिजिटलीकरण का निर्माण या पुनर्गठन

☑️ अंतर्राष्ट्रीय बिक्री प्रक्रियाओं का विस्तार और अनुकूलन

☑️ वैश्विक और डिजिटल बी2बी ट्रेडिंग प्लेटफॉर्म

☑️ अग्रणी व्यवसाय विकास / विपणन / जनसंपर्क / व्यापार मेले

Xpert.Digital की व्यापक, पांच-स्तरीय विशेषज्ञता से लाभ उठाएं | अनुसंधान एवं विकास, एक्सआर, जनसंपर्क और डिजिटल दृश्यता अनुकूलन - चित्र: Xpert.Digital

Xpert.Digital के पास विभिन्न उद्योगों का गहन ज्ञान है। इससे हमें आपकी विशिष्ट बाजार श्रेणी की आवश्यकताओं और चुनौतियों के अनुरूप सटीक रणनीतियाँ विकसित करने में मदद मिलती है। बाजार के रुझानों का निरंतर विश्लेषण और उद्योग के विकास पर नज़र रखकर, हम सक्रिय रूप से कार्य कर सकते हैं और नवीन समाधान प्रस्तुत कर सकते हैं। अनुभव और विशेषज्ञता का यह संयोजन अतिरिक्त मूल्य उत्पन्न करता है और हमारे ग्राहकों को निर्णायक प्रतिस्पर्धी लाभ प्रदान करता है।.

अधिक जानकारी यहाँ:

• Xpert.Digital की विशेषज्ञता के 5 क्षेत्रों का लाभ एक ही पैकेज में उठाएं – जिसकी शुरुआत मात्र €500 प्रति माह से होती है।