57 बिलियन डॉलर की गलत गणना - सभी कंपनियों में से NVIDIA ने चेतावनी दी: AI उद्योग ने गलत घोड़े का समर्थन किया है

### छोटे भाषा मॉडल: सच्ची व्यावसायिक स्वायत्तता की कुंजी ### हाइपरस्केलर्स से उपयोगकर्ताओं तक: एआई दुनिया में शक्ति परिवर्तन ### 57 बिलियन डॉलर की गलती: वास्तविक एआई क्रांति क्लाउड में क्यों नहीं हो रही है ### मौन एआई क्रांति: केंद्रीकृत के बजाय विकेंद्रीकृत ### गलत रास्ते पर तकनीकी दिग्गज: एआई का भविष्य लीन और स्थानीय है ### हाइपरस्केलर्स से उपयोगकर्ताओं तक: एआई दुनिया में शक्ति परिवर्तन ###

अरबों डॉलर का निवेश बर्बाद: छोटे AI मॉडल बड़े मॉडलों से आगे क्यों निकल रहे हैं?

कृत्रिम बुद्धिमत्ता की दुनिया एक ऐसे भूकंप का सामना कर रही है जिसकी तीव्रता डॉट-कॉम युग के सुधारों की याद दिलाती है। इस उथल-पुथल के मूल में एक बहुत बड़ी ग़लतफ़हमी है: जहाँ माइक्रोसॉफ्ट, गूगल और मेटा जैसी तकनीकी दिग्गज कंपनियाँ विशाल भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स, एलएलएम) के लिए केंद्रीकृत बुनियादी ढाँचे में अरबों डॉलर का निवेश कर रही हैं, वहीं उनके अनुप्रयोगों का वास्तविक बाज़ार नाटकीय रूप से पिछड़ रहा है। उद्योग की अग्रणी कंपनी एनवीडिया द्वारा स्वयं किए गए एक अभूतपूर्व विश्लेषण के अनुसार, बुनियादी ढाँचे में निवेश का अंतर 57 अरब डॉलर है, जबकि वास्तविक बाज़ार केवल 5.6 अरब डॉलर का है—दस गुना अंतर।

यह रणनीतिक त्रुटि इस धारणा से उपजी है कि एआई का भविष्य केवल और अधिक विशाल, अधिक संगणन-गहन और केंद्रीकृत नियंत्रित मॉडलों में निहित है। लेकिन अब यह प्रतिमान ढह रहा है। विकेन्द्रीकृत, छोटे भाषा मॉडलों (स्मॉल लैंग्वेज मॉडल्स, SLMs) 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—जो कुछ हाइपरस्केलर्स पर महंगी निर्भरता से कोसों दूर है। यह पाठ इस बहु-अरब डॉलर के गलत निवेश की संरचना का विश्लेषण करता है और दर्शाता है कि वास्तविक एआई क्रांति विशाल डेटा केंद्रों में नहीं, बल्कि विकेन्द्रीकृत रूप से और लीन हार्डवेयर पर क्यों हो रही है। यह बुनियादी ढाँचा प्रदाताओं से तकनीक के उपयोगकर्ताओं की ओर एक मौलिक शक्ति परिवर्तन की कहानी है।

के लिए उपयुक्त:

• डॉट-कॉम बुलबुले से भी बड़ा? एआई का प्रचार तर्कहीनता के एक नए स्तर पर पहुँच रहा है।

एआई पूंजी के गलत आवंटन पर NVIDIA अनुसंधान

आपके द्वारा वर्णित डेटा जून 2025 में प्रकाशित एक NVIDIA शोध पत्र से लिया गया है। पूर्ण स्रोत 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
• आधिकारिक NVIDIA रिसर्च पेज: https://research.nvidia.com/labs/lpr/slm-agents/

पूंजी के गलत आवंटन के संबंध में मुख्य संदेश

शोध में बुनियादी ढाँचे में निवेश और वास्तविक बाज़ार आकार के बीच एक बुनियादी विसंगति का उल्लेख किया गया है: 2024 में, उद्योग ने लार्ज लैंग्वेज मॉडल (LLM) API सेवाओं का समर्थन करने के लिए क्लाउड बुनियादी ढाँचे में $57 बिलियन का निवेश किया, जबकि इन सेवाओं का वास्तविक बाज़ार केवल $5.6 बिलियन का था। अध्ययन में इस दस-से-एक के अंतर को एक रणनीतिक ग़लती के संकेत के रूप में व्याख्यायित किया गया है, क्योंकि उद्योग ने बड़े पैमाने के मॉडलों के लिए केंद्रीकृत बुनियादी ढाँचे में भारी निवेश किया, जबकि मौजूदा LLM कार्यभार के 40-70% को छोटे, विशिष्ट स्मॉल लैंग्वेज मॉडल (SLM) द्वारा लागत के 1/30वें हिस्से पर प्रतिस्थापित किया जा सकता था।

शोध संदर्भ और लेखकत्व

यह अध्ययन NVIDIA रिसर्च के डीप लर्निंग एफिशिएंसी रिसर्च ग्रुप का एक पोज़िशन पेपर है। प्रमुख लेखक पीटर बेलकैक NVIDIA में एक AI शोधकर्ता हैं जो एजेंट-आधारित प्रणालियों की विश्वसनीयता और दक्षता पर ध्यान केंद्रित करते हैं। यह पेपर तीन स्तंभों पर तर्क देता है:

एसएलएम हैं

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

एजेंटिक एआई प्रणालियों में कई उपयोग मामलों के लिए।

शोधकर्ता स्पष्ट रूप से इस बात पर ज़ोर देते हैं कि इस शोधपत्र में व्यक्त विचार लेखकों के अपने हैं और ज़रूरी नहीं कि वे एक कंपनी के रूप में NVIDIA की स्थिति को दर्शाते हों। NVIDIA आलोचनात्मक चर्चा को आमंत्रित करता है और संबंधित किसी भी पत्राचार को संलग्न वेबसाइट पर प्रकाशित करने के लिए प्रतिबद्ध है।

विकेंद्रीकृत लघु भाषा मॉडल केंद्रीकृत बुनियादी ढांचे को अप्रचलित क्यों बनाते हैं?

कृत्रिम बुद्धिमत्ता एक ऐसे मोड़ पर है, जिसके निहितार्थ डॉट-कॉम बुलबुले के उथल-पुथल की याद दिलाते हैं। NVIDIA के एक शोध पत्र ने पूंजी के एक बुनियादी गलत आवंटन का खुलासा किया है जो इसकी वर्तमान कृत्रिम बुद्धिमत्ता रणनीति की नींव हिला रहा है। जहाँ प्रौद्योगिकी उद्योग ने बड़े पैमाने के भाषा मॉडलों के लिए केंद्रीकृत बुनियादी ढाँचे में 57 अरब डॉलर का निवेश किया, वहीं उनके उपयोग का वास्तविक बाजार बढ़कर मात्र 5.6 अरब डॉलर हो गया। यह दस-से-एक का अंतर न केवल माँग के अति-अनुमान को दर्शाता है, बल्कि कृत्रिम बुद्धिमत्ता के भविष्य के संबंध में एक बुनियादी रणनीतिक त्रुटि को भी उजागर करता है।

क्या यह एक बुरा निवेश है? AI इंफ्रास्ट्रक्चर पर अरबों डॉलर खर्च किए गए - अतिरिक्त क्षमता का क्या होगा?

आंकड़े खुद बयां करते हैं। विभिन्न विश्लेषणों के अनुसार, 2024 में, AI इन्फ्रास्ट्रक्चर पर वैश्विक खर्च 80 से 87 अरब डॉलर के बीच पहुँच गया, जिसमें डेटा सेंटर और एक्सेलरेटर का योगदान सबसे ज़्यादा रहा। माइक्रोसॉफ्ट ने वित्त वर्ष 2025 के लिए 80 अरब डॉलर के निवेश की घोषणा की है, गूगल ने अपने अनुमान को बढ़ाकर 91 से 93 अरब डॉलर के बीच कर दिया है, और मेटा 70 अरब डॉलर तक निवेश करने की योजना बना रहा है। ये तीन हाइपरस्केलर अकेले ही 240 अरब डॉलर से ज़्यादा के निवेश का प्रतिनिधित्व करते हैं। मैकिन्से के अनुमानों के अनुसार, 2030 तक AI इन्फ्रास्ट्रक्चर पर कुल खर्च 3.7 से 7.9 ट्रिलियन डॉलर के बीच पहुँच सकता है।

इसके विपरीत, माँग पक्ष की वास्तविकता गंभीर है। एंटरप्राइज़ लार्ज लैंग्वेज मॉडल्स का बाज़ार 2024 के लिए केवल $4 से $6.7 बिलियन का अनुमानित था, जबकि 2025 के लिए अनुमान $4.8 से $8 बिलियन के बीच थे। यहाँ तक कि जनरेटिव एआई बाज़ार के लिए सबसे उदार अनुमान भी 2024 के लिए $28 से $44 बिलियन के बीच हैं। मूलभूत विसंगति स्पष्ट है: बुनियादी ढाँचा एक ऐसे बाज़ार के लिए बनाया गया था जो इस रूप और दायरे में मौजूद नहीं है।

यह गलत निवेश एक ऐसी धारणा से उपजा है जो लगातार गलत साबित हो रही है: कि एआई का भविष्य लगातार बड़े, केंद्रीकृत मॉडलों में निहित है। हाइपरस्केलर्स ने बड़े पैमाने पर स्केलिंग की रणनीति अपनाई, इस विश्वास से प्रेरित होकर कि पैरामीटर संख्या और कंप्यूटिंग शक्ति ही निर्णायक प्रतिस्पर्धी कारक हैं। 175 अरब पैरामीटर वाले GPT-3 को 2020 में एक बड़ी सफलता माना गया, और एक ट्रिलियन से ज़्यादा पैरामीटर वाले GPT-4 ने नए मानक स्थापित किए। उद्योग ने इस तर्क का आँख मूँदकर पालन किया और ऐसे बुनियादी ढाँचे में निवेश किया जो ज़्यादातर उपयोग के मामलों के लिए बड़े आकार के मॉडलों की ज़रूरतों के हिसाब से डिज़ाइन किया गया था।

निवेश संरचना स्पष्ट रूप से गलत आवंटन को दर्शाती है। 2025 की दूसरी तिमाही में, AI इन्फ्रास्ट्रक्चर पर खर्च किए गए 82 अरब डॉलर का 98 प्रतिशत सर्वरों पर खर्च किया गया, जिसमें से 91.8 प्रतिशत GPU और XPU-त्वरित प्रणालियों पर खर्च किया गया। हाइपरस्केलर्स और क्लाउड बिल्डरों ने इन खर्चों का 86.7 प्रतिशत, यानी लगभग 71 अरब डॉलर, एक ही तिमाही में वहन किया। विशाल मॉडलों के प्रशिक्षण और अनुमान लगाने के लिए अत्यधिक विशिष्ट, अत्यधिक ऊर्जा-गहन हार्डवेयर में पूंजी के इस संकेंद्रण ने एक बुनियादी आर्थिक वास्तविकता को नजरअंदाज कर दिया: अधिकांश एंटरप्राइज़ अनुप्रयोगों को इस क्षमता की आवश्यकता नहीं होती है।

प्रतिमान टूट रहा है: केंद्रीकृत से विकेंद्रीकृत की ओर

हाल ही में हुए बुनियादी ढाँचे के उछाल का मुख्य लाभार्थी, NVIDIA, अब इस प्रतिमान को चुनौती देने वाला विश्लेषण प्रस्तुत कर रहा है। एजेंट-आधारित AI के भविष्य के रूप में लघु भाषा मॉडल पर शोध का तर्क है कि 10 अरब से कम पैरामीटर वाले मॉडल न केवल पर्याप्त हैं, बल्कि अधिकांश AI अनुप्रयोगों के लिए परिचालनात्मक रूप से भी बेहतर हैं। तीन बड़े ओपन-सोर्स एजेंट सिस्टम के अध्ययन से पता चला है कि बड़े भाषा मॉडल के 40 से 70 प्रतिशत कॉल्स को बिना किसी प्रदर्शन हानि के विशेषीकृत लघु मॉडल द्वारा प्रतिस्थापित किया जा सकता है।

ये निष्कर्ष मौजूदा निवेश रणनीति की मूलभूत मान्यताओं को झकझोर देते हैं। अगर मेटाजीपीटी अपने 60 प्रतिशत एलएलएम कॉल, 40 प्रतिशत ओपन ऑपरेटर और 70 प्रतिशत क्रैडल को एसएलएम से बदल सकता है, तो इस पैमाने पर मौजूद न होने वाली माँगों के लिए बुनियादी ढाँचा क्षमता का निर्माण हो गया है। आर्थिक बदलाव नाटकीय रूप से बदल जाता है: एक लामा 3.1बी स्मॉल लैंग्वेज मॉडल को अपने बड़े समकक्ष, लामा 3.3 405बी की तुलना में दस से तीस गुना कम लागत में संचालित किया जा सकता है। फाइन-ट्यूनिंग हफ़्तों के बजाय कुछ ही GPU घंटों में पूरी की जा सकती है। कई एसएलएम उपभोक्ता हार्डवेयर पर चलते हैं, जिससे क्लाउड पर निर्भरता पूरी तरह से समाप्त हो जाती है।

रणनीतिक बदलाव मौलिक है। नियंत्रण अब बुनियादी ढाँचा प्रदाताओं से ऑपरेटरों के पास जा रहा है। जहाँ पिछली व्यवस्था कंपनियों को कुछ हाइपरस्केलर्स पर निर्भर रहने के लिए मजबूर करती थी, वहीं 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 लॉक-इन टूट जाता है। यह केवल एक तकनीकी परिवर्तन नहीं है, बल्कि सत्ता की राजनीति का भी परिवर्तन है।

केंद्रीकृत बड़े-पैमाने वाले मॉडलों पर पिछला दांव घातीय स्केलिंग प्रभावों की धारणा पर आधारित था। हालाँकि, अनुभवजन्य आँकड़े लगातार इसका खंडन करते जा रहे हैं। 7 अरब मापदंडों वाला Microsoft Phi-3, 70 अरब मापदंडों वाले मॉडलों के बराबर कोड निर्माण प्रदर्शन प्राप्त करता है। 9 अरब मापदंडों वाला NVIDIA Nemotron Nano 2, छह गुना अधिक थ्रूपुट के साथ, तर्क बेंचमार्क में Qwen3-8B से बेहतर प्रदर्शन करता है। छोटे मॉडलों के साथ प्रति पैरामीटर दक्षता बढ़ जाती है, जबकि बड़े मॉडल अक्सर किसी दिए गए इनपुट के लिए अपने मापदंडों के केवल एक अंश को ही सक्रिय करते हैं—एक अंतर्निहित अक्षमता।

छोटे भाषा मॉडल की आर्थिक श्रेष्ठता

लागत संरचना आर्थिक वास्तविकता को बेहद स्पष्टता से उजागर करती है। GPT-4 श्रेणी के मॉडलों के प्रशिक्षण की अनुमानित लागत $100 मिलियन से अधिक है, जिसमें जेमिनी अल्ट्रा की संभावित लागत $191 मिलियन है। यहाँ तक कि विशिष्ट डोमेन के लिए बड़े मॉडलों को फाइन-ट्यून करने में भी GPU समय के हिसाब से हज़ारों डॉलर खर्च हो सकते हैं। इसके विपरीत, SLM को केवल कुछ हज़ार डॉलर में प्रशिक्षित और फाइन-ट्यून किया जा सकता है, अक्सर एक ही उच्च-स्तरीय GPU पर।

अनुमान लागत और भी ज़्यादा भारी अंतर दर्शाती है। GPT-4 की लागत लगभग $0.03 प्रति 1,000 इनपुट टोकन और $0.06 प्रति 1,000 आउटपुट टोकन है, यानी कुल मिलाकर प्रति औसत क्वेरी $0.09। SLM के उदाहरण के तौर पर, मिस्ट्रल 7B की लागत $0.0001 प्रति 1,000 इनपुट टोकन और $0.0003 प्रति 1,000 आउटपुट टोकन, यानी $0.0004 प्रति क्वेरी है। यह लागत में 225 गुना की कमी दर्शाता है। लाखों क्वेरीज़ के साथ, यह अंतर काफी बढ़ जाता है जिसका सीधा असर लाभप्रदता पर पड़ता है।

स्वामित्व की कुल लागत और भी आयाम प्रकट करती है। L40S GPU वाले बेयर-मेटल सर्वर पर 7 बिलियन-पैरामीटर मॉडल को स्वयं होस्ट करने की लागत लगभग $953 प्रति माह है। g5.2xlarge इंस्टेंस पर AWS SageMaker के साथ क्लाउड-आधारित फ़ाइन-ट्यूनिंग की लागत $1.32 प्रति घंटा है, और छोटे मॉडलों के लिए संभावित प्रशिक्षण लागत $13 से शुरू होती है। 24/7 इंफ़रेंस परिनियोजन की लागत लगभग $950 प्रति माह होगी। बड़े मॉडलों के निरंतर उपयोग के लिए API लागत, जो आसानी से प्रति माह हज़ारों डॉलर तक पहुँच सकती है, की तुलना में, आर्थिक लाभ स्पष्ट हो जाता है।

कार्यान्वयन की गति एक ऐसा आर्थिक कारक है जिसे अक्सर कम करके आंका जाता है। जहाँ एक बड़े भाषा मॉडल को परिष्कृत करने में हफ़्तों लग सकते हैं, वहीं SLM कुछ घंटों या कुछ दिनों में उपयोग के लिए तैयार हो जाते हैं। नई आवश्यकताओं पर तुरंत प्रतिक्रिया देने, नई क्षमताएँ जोड़ने, या व्यवहार को अनुकूलित करने की क्षमता एक प्रतिस्पर्धात्मक लाभ बन जाती है। तेज़ गति वाले बाज़ारों में, यह समय का अंतर सफलता और विफलता के बीच का अंतर हो सकता है।

पैमाने का अर्थशास्त्र उलट रहा है। परंपरागत रूप से, पैमाने की अर्थव्यवस्थाओं को हाइपरस्केलर्स का लाभ माना जाता था, जो विशाल क्षमताएँ बनाए रखते हैं और उन्हें कई ग्राहकों में वितरित करते हैं। हालाँकि, SLM के साथ, छोटे संगठन भी कुशलता से विस्तार कर सकते हैं क्योंकि हार्डवेयर की आवश्यकताएँ बहुत कम होती हैं। एक स्टार्टअप सीमित बजट में एक विशिष्ट SLM बना सकता है जो अपने विशिष्ट कार्य के लिए एक बड़े, सामान्य मॉडल से बेहतर प्रदर्शन करता है। AI विकास का लोकतंत्रीकरण एक आर्थिक वास्तविकता बनता जा रहा है।

व्यवधान के तकनीकी मूल सिद्धांत

एसएलएम को सक्षम बनाने वाले तकनीकी नवाचार उनके आर्थिक निहितार्थों जितने ही महत्वपूर्ण हैं। ज्ञान आसवन, एक ऐसी तकनीक जिसमें एक छोटा छात्र मॉडल, एक बड़े शिक्षक मॉडल के ज्ञान को अवशोषित करता है, अत्यधिक प्रभावी साबित हुई है। डिस्टिलबर्ट ने बर्ट को सफलतापूर्वक संपीड़ित किया, और टाइनीबर्ट ने भी इसी तरह के सिद्धांतों का पालन किया। आधुनिक दृष्टिकोण जीपीटी-3 जैसे बड़े जनरेटिव मॉडल की क्षमताओं को काफी छोटे संस्करणों में आसवित करते हैं जो विशिष्ट कार्यों में तुलनीय या बेहतर प्रदर्शन प्रदर्शित करते हैं।

यह प्रक्रिया शिक्षक मॉडल के सॉफ्ट लेबल (संभाव्यता वितरण) और मूल डेटा के हार्ड लेबल, दोनों का उपयोग करती है। यह संयोजन छोटे मॉडल को उन सूक्ष्म पैटर्न को पकड़ने में सक्षम बनाता है जो सरल इनपुट-आउटपुट युग्मों में खो जाते। चरण-दर-चरण आसवन जैसी उन्नत आसवन तकनीकों ने दिखाया है कि छोटे मॉडल कम प्रशिक्षण डेटा के साथ भी LLM की तुलना में बेहतर परिणाम प्राप्त कर सकते हैं। यह अर्थशास्त्र को मौलिक रूप से बदल देता है: हज़ारों GPU पर महंगे, लंबे प्रशिक्षण रन के बजाय, लक्षित आसवन प्रक्रियाएँ पर्याप्त हैं।

क्वांटाइज़ेशन मॉडल भारों के संख्यात्मक निरूपण की सटीकता को कम करता है। 32-बिट या 16-बिट फ़्लोटिंग-पॉइंट संख्याओं के बजाय, क्वांटाइज़्ड मॉडल 8-बिट या यहाँ तक कि 4-बिट पूर्णांक निरूपण का उपयोग करते हैं। मेमोरी की आवश्यकताएँ आनुपातिक रूप से कम होती हैं, अनुमान लगाने की गति बढ़ती है, और बिजली की खपत कम होती है। आधुनिक क्वांटाइज़ेशन तकनीकें सटीकता की हानि को कम करती हैं, जिससे अक्सर प्रदर्शन लगभग अपरिवर्तित रहता है। यह एज डिवाइस, स्मार्टफ़ोन और एम्बेडेड सिस्टम पर परिनियोजन 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। किसी लंबे टेक्स्ट को संपादित करने की तरह, इसमें अनावश्यक तत्वों की पहचान की जाती है और उन्हें हटाया जाता है। स्ट्रक्चर्ड प्रूनिंग पूरे न्यूरॉन्स या परतों को हटा देती है, जबकि अनस्ट्रक्चर्ड प्रूनिंग अलग-अलग वेट हटा देती है। परिणामी नेटवर्क संरचना अधिक कुशल होती है, कम मेमोरी और प्रोसेसिंग पावर की आवश्यकता होती है, फिर भी इसकी मूल क्षमताएँ बरकरार रहती हैं। अन्य कम्प्रेशन तकनीकों के साथ, प्रून किए गए मॉडल प्रभावशाली दक्षता लाभ प्राप्त करते हैं।

निम्न-श्रेणी गुणनखंडन बड़े भार मैट्रिक्स को छोटे मैट्रिक्स के गुणनफलों में विघटित करता है। लाखों तत्वों वाले एकल मैट्रिक्स के बजाय, सिस्टम दो महत्वपूर्ण रूप से छोटे मैट्रिक्स को संग्रहीत और संसाधित करता है। गणितीय संक्रिया लगभग समान रहती है, लेकिन गणना संबंधी प्रयास नाटकीय रूप से कम हो जाता है। यह तकनीक ट्रांसफॉर्मर आर्किटेक्चर में विशेष रूप से प्रभावी है, जहाँ ध्यान तंत्र बड़े मैट्रिक्स गुणन पर हावी होता है। मेमोरी की बचत समान हार्डवेयर बजट के साथ बड़े संदर्भ विंडो या बैच आकार की अनुमति देती है।

माइक्रोसॉफ्ट फी सीरीज़, गूगल जेम्मा, या एनवीडिया नेमोट्रॉन जैसे आधुनिक एसएलएम में इन तकनीकों का संयोजन इसकी क्षमता को दर्शाता है। केवल 2.7 अरब मापदंडों वाला फी-2, समेकित बेंचमार्क में क्रमशः 7 और 13 अरब मापदंडों वाले मिस्ट्रल और लामा-2 मॉडलों से बेहतर प्रदर्शन करता है और बहु-चरणीय तर्क कार्यों में 25 गुना बड़े लामा-2-70B से बेहतर प्रदर्शन करता है। यह रणनीतिक डेटा चयन, उच्च-गुणवत्ता वाले सिंथेटिक डेटा निर्माण और नवीन स्केलिंग तकनीकों के माध्यम से प्राप्त किया गया है। संदेश स्पष्ट है: आकार अब क्षमता का प्रतिनिधि नहीं है।

बाजार की गतिशीलता और प्रतिस्थापन क्षमता

वास्तविक दुनिया के अनुप्रयोगों से प्राप्त अनुभवजन्य निष्कर्ष सैद्धांतिक विचारों का समर्थन करते हैं। मल्टी-एजेंट सॉफ़्टवेयर डेवलपमेंट फ्रेमवर्क, मेटाजीपीटी, के NVIDIA के विश्लेषण से पता चला है कि लगभग 60 प्रतिशत LLM अनुरोध प्रतिस्थापन योग्य हैं। इन कार्यों में बॉयलरप्लेट कोड जनरेशन, दस्तावेज़ निर्माण और संरचित आउटपुट शामिल हैं—ये सभी क्षेत्र हैं जहाँ विशिष्ट SLM सामान्य-उद्देश्य, बड़े पैमाने के मॉडलों की तुलना में तेज़ और अधिक लागत-प्रभावी प्रदर्शन करते हैं।

ओपन ऑपरेटर, एक वर्कफ़्लो ऑटोमेशन सिस्टम, अपनी 40 प्रतिशत प्रतिस्थापन क्षमता के साथ यह दर्शाता है कि जटिल ऑर्केस्ट्रेशन परिदृश्यों में भी, कई उप-कार्यों के लिए LLM की पूरी क्षमता की आवश्यकता नहीं होती है। इंटेंट पार्सिंग, टेम्प्लेट-आधारित आउटपुट और रूटिंग निर्णयों को सूक्ष्म रूप से ट्यून किए गए, छोटे मॉडलों द्वारा अधिक कुशलता से संभाला जा सकता है। शेष 60 प्रतिशत, जिनके लिए वास्तव में गहन तर्क या व्यापक विश्व ज्ञान की आवश्यकता होती है, बड़े मॉडलों के उपयोग को उचित ठहराते हैं।

क्रैडल, एक GUI स्वचालन प्रणाली, 70 प्रतिशत की उच्चतम प्रतिस्थापन क्षमता प्रदर्शित करती है। दोहराए जाने वाले UI इंटरैक्शन, क्लिक अनुक्रम और फ़ॉर्म प्रविष्टियाँ SLM के लिए आदर्श हैं। कार्य संकीर्ण रूप से परिभाषित होते हैं, परिवर्तनशीलता सीमित होती है, और संदर्भगत समझ की आवश्यकताएँ कम होती हैं। GUI इंटरैक्शन पर प्रशिक्षित एक विशिष्ट मॉडल, गति, विश्वसनीयता और लागत में एक सामान्य LLM से बेहतर प्रदर्शन करता है।

ये पैटर्न विभिन्न अनुप्रयोग क्षेत्रों में दोहराए जाते हैं। अक्सर पूछे जाने वाले प्रश्नों, दस्तावेज़ वर्गीकरण, भावना विश्लेषण, नामित इकाई पहचान, सरल अनुवाद, प्राकृतिक भाषा डेटाबेस क्वेरीज़ के लिए ग्राहक सेवा चैटबॉट - ये सभी कार्य SLM से लाभान्वित होते हैं। एक अध्ययन का अनुमान है कि सामान्य उद्यम AI परिनियोजन में, 60 से 80 प्रतिशत क्वेरीज़ उन श्रेणियों में आती हैं जिनके लिए SLM पर्याप्त हैं। बुनियादी ढाँचे की माँग पर इसके प्रभाव महत्वपूर्ण हैं।

मॉडल रूटिंग की अवधारणा का महत्व बढ़ रहा है। बुद्धिमान प्रणालियाँ आने वाली क्वेरीज़ का विश्लेषण करती हैं और उन्हें उपयुक्त मॉडल तक पहुँचाती हैं। सरल क्वेरीज़ किफ़ायती SLM में जाती हैं, जबकि जटिल कार्य उच्च-प्रदर्शन LLM द्वारा संभाले जाते हैं। यह हाइब्रिड दृष्टिकोण गुणवत्ता और लागत के बीच संतुलन को बेहतर बनाता है। शुरुआती कार्यान्वयन समान या उससे भी बेहतर समग्र प्रदर्शन के साथ 75 प्रतिशत तक की लागत बचत की रिपोर्ट करते हैं। 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 प्लेटफ़ॉर्म का प्रसार तेज़ी से बढ़ रहा है। जिन कंपनियों के पास मशीन लर्निंग की गहरी विशेषज्ञता नहीं है, वे अपने स्वामित्व वाले डेटा और डोमेन विशिष्टताओं को शामिल करते हुए विशिष्ट SLM बना सकती हैं। समय का निवेश महीनों से घटकर दिनों में रह जाता है, और लागत लाखों डॉलर से घटकर हज़ारों डॉलर रह जाती है। यह सुलभता मूल रूप से AI नवाचार को लोकतांत्रिक बनाती है और मूल्य सृजन को बुनियादी ढाँचा प्रदाताओं से एप्लिकेशन डेवलपर्स की ओर स्थानांतरित करती है।

'प्रबंधित एआई' (कृत्रिम बुद्धिमत्ता) के साथ डिजिटल परिवर्तन का एक नया आयाम - प्लेटफ़ॉर्म और B2B समाधान | एक्सपर्ट कंसल्टिंग - छवि: एक्सपर्ट.डिजिटल

यहां आप सीखेंगे कि आपकी कंपनी कैसे अनुकूलित AI समाधानों को शीघ्रता से, सुरक्षित रूप से और बिना किसी उच्च प्रवेश बाधाओं के कार्यान्वित कर सकती है।

एक प्रबंधित AI प्लेटफ़ॉर्म, कृत्रिम बुद्धिमत्ता के लिए आपका सर्वांगीण, चिंतामुक्त पैकेज है। जटिल तकनीक, महंगे बुनियादी ढाँचे और लंबी विकास प्रक्रियाओं से निपटने के बजाय, आपको एक विशेषज्ञ भागीदार से आपकी ज़रूरतों के अनुरूप एक टर्नकी समाधान प्राप्त होता है – अक्सर कुछ ही दिनों में।

एक नज़र में मुख्य लाभ:

⚡ तेज़ क्रियान्वयन: विचार से लेकर कार्यान्वयन तक महीनों नहीं, बल्कि कुछ ही दिनों में। हम ऐसे व्यावहारिक समाधान प्रदान करते हैं जो तत्काल मूल्य प्रदान करते हैं।

🔒 अधिकतम डेटा सुरक्षा: आपका संवेदनशील डेटा आपके पास ही रहता है। हम तृतीय पक्षों के साथ डेटा साझा किए बिना सुरक्षित और अनुपालन प्रसंस्करण की गारंटी देते हैं।

💸 कोई वित्तीय जोखिम नहीं: आप केवल परिणामों के लिए भुगतान करते हैं। हार्डवेयर, सॉफ़्टवेयर या कार्मिकों में उच्च अग्रिम निवेश पूरी तरह से समाप्त हो जाता है।

🎯 अपने मुख्य व्यवसाय पर ध्यान केंद्रित करें: उस पर ध्यान केंद्रित करें जिसमें आप सबसे अच्छे हैं। हम आपके AI समाधान के संपूर्ण तकनीकी कार्यान्वयन, संचालन और रखरखाव का प्रबंधन करते हैं।

📈 भविष्य-सुरक्षित और स्केलेबल: आपका AI आपके साथ बढ़ता है। हम निरंतर अनुकूलन और स्केलेबिलिटी सुनिश्चित करते हैं, और मॉडलों को नई आवश्यकताओं के अनुसार लचीले ढंग से अनुकूलित करते हैं।

इसके बारे में यहां अधिक जानकारी:

• प्रबंधित एआई समाधान - औद्योगिक एआई सेवाएँ: सेवा, औद्योगिक और यांत्रिक इंजीनियरिंग क्षेत्रों में प्रतिस्पर्धा की कुंजी

केंद्रीकृत आर्किटेक्चर की छिपी लागतें

केवल प्रत्यक्ष कंप्यूटिंग लागतों पर ध्यान केंद्रित करने से केंद्रीकृत एलएलएम आर्किटेक्चर की कुल लागत का कम आकलन होता है। एपीआई निर्भरताएँ संरचनात्मक नुकसान पैदा करती हैं। प्रत्येक अनुरोध लागत उत्पन्न करता है जो उपयोग के साथ बढ़ती है। लाखों उपयोगकर्ताओं वाले सफल अनुप्रयोगों के लिए, एपीआई शुल्क प्रमुख लागत कारक बन जाता है, जिससे मार्जिन कम हो जाता है। कंपनियाँ एक ऐसी लागत संरचना में फँस जाती हैं जो सफलता के अनुपात में बढ़ती है, बिना पैमाने की अर्थव्यवस्थाओं के।

एपीआई प्रदाताओं की मूल्य अस्थिरता एक व्यावसायिक जोखिम पैदा करती है। मूल्य वृद्धि, कोटा सीमाएँ, या सेवा शर्तों में बदलाव 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 वितरण करने के लिए मजबूर करते हैं, इस निर्भरता की भेद्यता को दर्शाते हैं। समर्पित एसएलएम इस जोखिम को पूरी तरह से समाप्त कर देते हैं।

डेटा संप्रभुता और अनुपालन का महत्व बढ़ता जा रहा है। यूरोप में जीडीपीआर, दुनिया भर में समान नियम और बढ़ती डेटा स्थानीयकरण आवश्यकताएँ जटिल कानूनी ढाँचे तैयार कर रही हैं। संवेदनशील कॉर्पोरेट डेटा को बाहरी एपीआई को भेजना, जो विदेशी क्षेत्राधिकारों में संचालित हो सकते हैं, नियामक और कानूनी जोखिम पैदा करता है। स्वास्थ्य सेवा, वित्त और सरकारी क्षेत्रों में अक्सर सख्त आवश्यकताएँ होती हैं जो बाहरी एपीआई के उपयोग को प्रतिबंधित या गंभीर रूप से प्रतिबंधित करती हैं। ऑन-प्रिमाइसेस एसएलएम इन समस्याओं का मूल रूप से समाधान करते हैं।

बौद्धिक संपदा संबंधी चिंताएँ वास्तविक हैं। किसी API प्रदाता को भेजा गया प्रत्येक अनुरोध संभावित रूप से स्वामित्व संबंधी जानकारी को उजागर कर सकता है। व्यावसायिक तर्क, उत्पाद विकास, ग्राहक जानकारी - सैद्धांतिक रूप से प्रदाता द्वारा यह सब निकाला और उपयोग किया जा सकता है। अनुबंध के प्रावधान आकस्मिक लीक या दुर्भावनापूर्ण तत्वों के विरुद्ध सीमित सुरक्षा प्रदान करते हैं। एकमात्र सच्चा सुरक्षित समाधान यह है कि डेटा को कभी भी बाहरी न किया जाए।

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

कुछ हाइपरस्केलर्स पर रणनीतिक निर्भरता शक्ति को केंद्रित करती है और प्रणालीगत जोखिम पैदा करती है। AWS, Microsoft Azure, Google Cloud और कुछ अन्य कंपनियाँ बाज़ार पर हावी हैं। इन सेवाओं के बंद होने का हज़ारों आश्रित अनुप्रयोगों पर व्यापक प्रभाव पड़ता है। जब आप यह समझते हैं कि अधिकांश वैकल्पिक सेवाएँ अंततः उन्हीं सीमित मॉडल प्रदाताओं पर निर्भर करती हैं, तो अतिरेक का भ्रम दूर हो जाता है। सच्चे लचीलेपन के लिए विविधीकरण की आवश्यकता होती है, जिसमें आदर्श रूप से आंतरिक क्षमता भी शामिल हो।

के लिए उपयुक्त:

• कौन सा बेहतर है: विकेन्द्रीकृत, संघीय, एंटीफ्रैजाइल एआई अवसंरचना या एआई गिगाफैक्ट्री या हाइपरस्केल एआई डेटा सेंटर?

रणनीतिक मोड़ के रूप में एज कंप्यूटिंग

एसएलएम और एज कंप्यूटिंग का अभिसरण एक परिवर्तनकारी गतिशीलता का निर्माण कर रहा है। एज परिनियोजन कंप्यूटिंग को उन जगहों पर लाता है जहाँ से डेटा उत्पन्न होता है - IoT सेंसर, मोबाइल उपकरण, औद्योगिक नियंत्रक और वाहन। विलंबता में उल्लेखनीय कमी आई है: सेकंड से मिलीसेकंड तक, क्लाउड राउंड-ट्रिप से स्थानीय प्रसंस्करण तक। स्वायत्त प्रणालियों, संवर्धित वास्तविकता, औद्योगिक स्वचालन और चिकित्सा उपकरणों के लिए, यह न केवल वांछनीय है बल्कि आवश्यक भी है।

बैंडविड्थ की बचत काफ़ी ज़्यादा होती है। क्लाउड पर लगातार डेटा स्ट्रीम करने के बजाय, जहाँ उन्हें प्रोसेस किया जाता है और परिणाम वापस भेजे जाते हैं, प्रोसेसिंग स्थानीय स्तर पर होती है। केवल प्रासंगिक, समेकित जानकारी ही प्रेषित की जाती है। हज़ारों एज डिवाइस वाले परिदृश्यों में, इससे नेटवर्क ट्रैफ़िक काफ़ी हद तक कम हो जाता है। बुनियादी ढाँचे की लागत कम होती है, नेटवर्क की भीड़भाड़ से बचा जा सकता है, और विश्वसनीयता बढ़ जाती है।

गोपनीयता स्वाभाविक रूप से सुरक्षित है। डेटा अब डिवाइस से बाहर नहीं जाता। कैमरा फ़ीड, ऑडियो रिकॉर्डिंग, बायोमेट्रिक जानकारी, लोकेशन डेटा - इन सभी को केंद्रीय सर्वर तक पहुँचे बिना स्थानीय रूप से संसाधित किया जा सकता है। यह क्लाउड-आधारित एआई समाधानों द्वारा उठाई गई मूलभूत गोपनीयता संबंधी चिंताओं का समाधान करता है। उपभोक्ता अनुप्रयोगों के लिए, यह एक विभेदक कारक बन जाता है; विनियमित उद्योगों के लिए, यह एक आवश्यकता बन जाती है।

ऊर्जा दक्षता कई स्तरों पर बेहतर हो रही है। छोटे मॉडलों के अनुमान लगाने के लिए अनुकूलित, विशेष एज एआई चिप्स, डेटा सेंटर जीपीयू की तुलना में बहुत कम ऊर्जा खपत करते हैं। डेटा ट्रांसमिशन को कम करने से नेटवर्क इन्फ्रास्ट्रक्चर में ऊर्जा की बचत होती है। बैटरी से चलने वाले उपकरणों के लिए, यह एक प्रमुख कार्य बनता जा रहा है। स्मार्टफोन, पहनने योग्य उपकरण, ड्रोन और IoT सेंसर बैटरी जीवन पर कोई खास असर डाले बिना एआई कार्य कर सकते हैं।

ऑफ़लाइन क्षमता मज़बूती प्रदान करती है। एज एआई बिना इंटरनेट कनेक्शन के भी काम करता है। दूरस्थ क्षेत्रों, महत्वपूर्ण बुनियादी ढाँचे या आपदा की स्थिति में भी इसकी कार्यक्षमता बनी रहती है। नेटवर्क उपलब्धता से यह स्वतंत्रता कई अनुप्रयोगों के लिए आवश्यक है। एक स्वचालित वाहन क्लाउड कनेक्टिविटी पर निर्भर नहीं रह सकता, और एक चिकित्सा उपकरण अस्थिर वाई-फ़ाई के कारण विफल नहीं होना चाहिए।

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

उदाहरण इसकी क्षमता को दर्शाते हैं। NVIDIA ChatRTX उपभोक्ता GPU पर स्थानीय LLM अनुमान को सक्षम बनाता है। Apple iPhone और iPad में ऑन-डिवाइस AI को एकीकृत करता है, और छोटे मॉडल सीधे डिवाइस पर चलते हैं। क्वालकॉम स्मार्टफ़ोन के लिए विशेष रूप से एज AI के लिए NPU 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 दर्शाती है।

भविष्य के मॉडल के रूप में विषम एआई आर्किटेक्चर

भविष्य पूर्ण विकेंद्रीकरण में नहीं, बल्कि बुद्धिमान हाइब्रिड आर्किटेक्चर में निहित है। विषम प्रणालियाँ नियमित, विलंब-संवेदनशील कार्यों के लिए एज SLM को जटिल तर्क आवश्यकताओं के लिए क्लाउड LLM 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 SLM तत्काल प्रतिक्रियाएँ प्रदान करते हैं। इनसे 60 से 80 प्रतिशत अनुरोधों को स्वायत्त रूप से संभालने की अपेक्षा की जाती है। अस्पष्ट या जटिल क्वेरीज़ के लिए, जो स्थानीय विश्वसनीयता सीमा को पूरा नहीं कर पातीं, फ़ॉग कंप्यूटिंग लेयर - मध्य-श्रेणी मॉडल वाले क्षेत्रीय सर्वर - तक एस्केलेशन होता है। केवल वास्तव में कठिन मामले ही बड़े, सामान्य-उद्देश्य मॉडल वाले केंद्रीय क्लाउड इन्फ्रास्ट्रक्चर तक पहुँचते हैं।

मॉडल रूटिंग एक महत्वपूर्ण घटक बनता जा रहा है। मशीन लर्निंग-आधारित राउटर अनुरोध की विशेषताओं का विश्लेषण करते हैं: पाठ 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 संतुलन के आधार पर निरंतर अनुकूलन करते हैं।

उन्नत रूटिंग प्रणालियों में क्रॉस-अटेंशन तंत्र स्पष्ट रूप से क्वेरी-मॉडल इंटरैक्शन को मॉडल करते हैं। इससे सूक्ष्म निर्णय लेना संभव हो जाता है: क्या मिस्ट्रल-7B पर्याप्त है, या GPT-4 आवश्यक है? क्या Phi-3 इसे संभाल सकता है, या क्लाउड की आवश्यकता है? इन निर्णयों की सूक्ष्म प्रकृति, लाखों क्वेरीज़ में गुणा करके, उपयोगकर्ता संतुष्टि को बनाए रखते हुए या उसमें सुधार करते हुए, पर्याप्त लागत बचत उत्पन्न करती है।

कार्यभार का वर्णन मौलिक है। एजेंटिक AI सिस्टम में ऑर्केस्ट्रेशन, रीजनिंग, टूल कॉल, मेमोरी ऑपरेशन और आउटपुट जनरेशन शामिल होते हैं। सभी घटकों को समान कंप्यूटिंग क्षमता की आवश्यकता नहीं होती। ऑर्केस्ट्रेशन और टूल कॉल अक्सर नियम-आधारित होते हैं या न्यूनतम बुद्धिमत्ता की आवश्यकता होती है—SLM के लिए आदर्श। रीजनिंग हाइब्रिड हो सकती है: SLM पर सरल अनुमान, LLM पर जटिल बहु-चरणीय रीजनिंग। टेम्प्लेट के लिए आउटपुट जनरेशन SLM का उपयोग करता है, जबकि क्रिएटिव टेक्स्ट जनरेशन LLM का उपयोग करता है।

स्वामित्व की कुल लागत (TCO) अनुकूलन हार्डवेयर की विविधता को ध्यान में रखता है। महत्वपूर्ण LLM कार्यभार के लिए उच्च-स्तरीय H100 GPU, मध्यम-स्तरीय A100 या L40S मध्यम-श्रेणी के मॉडलों के लिए, और SLM के लिए लागत-प्रभावी T4 या अनुमान-अनुकूलित चिप्स का उपयोग किया जाता है। यह विस्तृत जानकारी कार्यभार आवश्यकताओं का हार्डवेयर क्षमताओं से सटीक मिलान करने की अनुमति देती है। प्रारंभिक अध्ययनों से पता चलता है कि समरूप उच्च-स्तरीय परिनियोजनों की तुलना में TCO में 40 से 60 प्रतिशत की कमी आती है।

ऑर्केस्ट्रेशन के लिए परिष्कृत सॉफ़्टवेयर स्टैक की आवश्यकता होती है। Kubernetes-आधारित क्लस्टर प्रबंधन प्रणालियाँ, मॉडल विशेषताओं को समझने वाले AI-विशिष्ट शेड्यूलर्स द्वारा पूरित, आवश्यक हैं। लोड बैलेंसिंग न केवल प्रति सेकंड अनुरोधों पर विचार करती है, बल्कि टोकन लंबाई, मॉडल मेमोरी फ़ुटप्रिंट और विलंबता लक्ष्यों पर भी विचार करती है। ऑटोस्केलिंग मांग के पैटर्न के अनुसार प्रतिक्रिया करती है, अतिरिक्त क्षमता का प्रावधान करती है या कम उपयोग की अवधि के दौरान स्केलिंग को कम करती है।

स्थिरता और ऊर्जा दक्षता

एआई इन्फ्रास्ट्रक्चर का पर्यावरणीय प्रभाव एक केंद्रीय मुद्दा बनता जा रहा है। एक बड़े भाषा मॉडल के प्रशिक्षण में एक छोटे शहर जितनी ऊर्जा की खपत एक वर्ष में हो सकती है। 2028 तक, एआई वर्कलोड चलाने वाले डेटा सेंटर वैश्विक डेटा सेंटर ऊर्जा मांग का 20 से 27 प्रतिशत हिस्सा हो सकते हैं। अनुमान है कि 2030 तक, एआई डेटा सेंटरों को व्यक्तिगत प्रशिक्षण के लिए 8 गीगावाट की आवश्यकता हो सकती है। कार्बन फुटप्रिंट विमानन उद्योग के बराबर होगा।

बड़े मॉडलों की ऊर्जा तीव्रता असमान रूप से बढ़ रही है। GPU की बिजली खपत तीन वर्षों में 400 वाट से दोगुनी होकर 1000 वाट से भी ज़्यादा हो गई है। NVIDIA GB300 NVL72 सिस्टम, अपनी अभिनव पावर-स्मूथिंग तकनीक के बावजूद, जो पीक लोड को 30 प्रतिशत तक कम करती है, अत्यधिक मात्रा में ऊर्जा की आवश्यकता रखते हैं। शीतलन अवसंरचना ऊर्जा की मांग में 30 से 40 प्रतिशत की और वृद्धि करती है। ग्रिड डीकार्बोनाइजेशन के बारे में आशावादी अनुमानों के बावजूद, AI अवसंरचना से कुल CO2 उत्सर्जन 2030 तक 220 मिलियन टन तक बढ़ सकता है।

लघु भाषा मॉडल (SLM) मूलभूत दक्षता लाभ प्रदान करते हैं। प्रशिक्षण के लिए तुलनीय LLM की तुलना में 30 से 40 प्रतिशत कंप्यूटिंग शक्ति की आवश्यकता होती है। BERT प्रशिक्षण की लागत लगभग €10,000 है, जबकि GPT-4 श्रेणी के मॉडलों के लिए यह करोड़ों यूरो है। अनुमान ऊर्जा आनुपातिक रूप से कम होती है। एक SLM क्वेरी, LLM क्वेरी की तुलना में 100 से 1,000 गुना कम ऊर्जा की खपत कर सकती है। लाखों क्वेरीज़ में, इससे भारी बचत होती है।

एज कंप्यूटिंग इन फायदों को और बढ़ा देती है। स्थानीय प्रोसेसिंग नेटवर्क और बैकबोन इंफ्रास्ट्रक्चर में डेटा ट्रांसमिशन के लिए आवश्यक ऊर्जा को खत्म कर देती है। विशिष्ट एज एआई चिप्स, डेटा सेंटर जीपीयू की तुलना में ऊर्जा दक्षता के कई गुना बेहतर परिणाम प्राप्त करते हैं। सैकड़ों वाट के सर्वर के बजाय मिलीवाट एनपीयू वाले स्मार्टफोन और IoT डिवाइस, पैमाने में अंतर को दर्शाते हैं।

नवीकरणीय ऊर्जा का उपयोग एक प्राथमिकता बनता जा रहा है। गूगल 2030 तक 100 प्रतिशत कार्बन-मुक्त ऊर्जा के लिए प्रतिबद्ध है, और माइक्रोसॉफ्ट कार्बन-नकारात्मकता के लिए। हालाँकि, ऊर्जा की विशाल माँग चुनौतियाँ प्रस्तुत करती है। नवीकरणीय स्रोतों के साथ भी, ग्रिड क्षमता, भंडारण और रुकावट का प्रश्न बना रहता है। एसएलएम पूर्ण माँग को कम करते हैं, जिससे हरित एआई में परिवर्तन अधिक व्यवहार्य हो जाता है।

कार्बन-जागरूक कंप्यूटिंग ग्रिड कार्बन तीव्रता के आधार पर कार्यभार निर्धारण को अनुकूलित करती है। प्रशिक्षण तब शुरू होता है जब ग्रिड में नवीकरणीय ऊर्जा का हिस्सा अधिकतम होता है। अनुमान अनुरोधों को स्वच्छ ऊर्जा वाले क्षेत्रों में भेजा जाता है। यह समय और भौगोलिक लचीलापन, SLM की दक्षता के साथ मिलकर, CO2 उत्सर्जन को 50 से 70 प्रतिशत तक कम कर सकता है।

नियामक परिदृश्य और भी कठोर होता जा रहा है। यूरोपीय संघ के कृत्रिम बुद्धिमत्ता अधिनियम में कुछ कृत्रिम बुद्धिमत्ता प्रणालियों के लिए अनिवार्य पर्यावरणीय प्रभाव आकलन शामिल है। कार्बन रिपोर्टिंग मानक बन रही है। अकुशल, ऊर्जा-गहन बुनियादी ढाँचे वाली कंपनियों को अनुपालन संबंधी समस्याओं और प्रतिष्ठा को नुकसान का जोखिम होता है। एसएलएम और एज कंप्यूटिंग को अपनाना एक अनिवार्य आवश्यकता से बढ़कर एक आवश्यकता बनता जा रहा है।

लोकतंत्रीकरण बनाम संकेंद्रण

पिछले विकासों ने एआई शक्ति को कुछ प्रमुख खिलाड़ियों के हाथों में केंद्रित कर दिया है। सात प्रमुख खिलाड़ी - माइक्रोसॉफ्ट, गूगल, मेटा, अमेज़न, एप्पल, एनवीडिया और टेस्ला - हावी हैं। ये हाइपरस्केलर बुनियादी ढाँचे, मॉडलों और धीरे-धीरे पूरी मूल्य श्रृंखला को नियंत्रित करते हैं। इनका संयुक्त बाजार पूंजीकरण 15 ट्रिलियन डॉलर से अधिक है। वे एसएंडपी 500 बाजार पूंजीकरण का लगभग 35 प्रतिशत प्रतिनिधित्व करते हैं, जो अभूतपूर्व ऐतिहासिक महत्व का एक संकेंद्रण जोखिम है।

इस संकेन्द्रण के प्रणालीगत निहितार्थ हैं। कुछ कंपनियाँ मानक निर्धारित करती हैं, API परिभाषित करती हैं और पहुँच को नियंत्रित करती हैं। छोटे खिलाड़ी और विकासशील देश उन पर निर्भर हो जाते हैं। राष्ट्रों की डिजिटल संप्रभुता को चुनौती मिलती है। यूरोप, एशिया और लैटिन अमेरिका राष्ट्रीय AI रणनीतियों के साथ प्रतिक्रिया दे रहे हैं, लेकिन अमेरिका स्थित हाइपरस्केलर्स का प्रभुत्व अभी भी भारी बना हुआ है।

लघु भाषा मॉडल (SLM) और विकेंद्रीकरण इस गतिशीलता को बदल रहे हैं। फी-3, जेम्मा, मिस्ट्रल और लामा जैसे ओपन-सोर्स SLM अत्याधुनिक तकनीक तक पहुँच को लोकतांत्रिक बना रहे हैं। विश्वविद्यालय, स्टार्टअप और मध्यम आकार के व्यवसाय हाइपरस्केलर संसाधनों के बिना प्रतिस्पर्धी अनुप्रयोग विकसित कर सकते हैं। नवाचार की बाधा नाटकीय रूप से कम हो जाती है। एक छोटी सी टीम एक विशिष्ट SLM बना सकती है जो अपने क्षेत्र में Google या Microsoft से बेहतर प्रदर्शन करती है।

आर्थिक व्यवहार्यता छोटे खिलाड़ियों के पक्ष में जा रही है। जहाँ एलएलएम विकास के लिए करोड़ों के बजट की आवश्यकता होती है, वहीं एसएलएम पाँच से छह अंकों की राशि के साथ व्यवहार्य हैं। क्लाउड लोकतंत्रीकरण प्रशिक्षण अवसंरचना तक माँग पर पहुँच को सक्षम बनाता है। फाइन-ट्यूनिंग सेवाएँ जटिलता को दूर करती हैं। एआई नवाचार के लिए प्रवेश की बाधाएँ अत्यधिक उच्च से प्रबंधनीय होती जा रही हैं।

डेटा संप्रभुता एक वास्तविकता बन गई है। कंपनियाँ और सरकारें ऐसे मॉडल होस्ट कर सकती हैं जो कभी बाहरी सर्वर तक नहीं पहुँचते। संवेदनशील डेटा उनके अपने नियंत्रण में रहता है। जीडीपीआर अनुपालन सरल हो गया है। यूरोपीय संघ का एआई अधिनियम, जो पारदर्शिता और जवाबदेही के लिए सख्त आवश्यकताएँ लागू करता है, ब्लैक-बॉक्स एपीआई के बजाय मालिकाना मॉडल के साथ अधिक प्रबंधनीय हो जाता है।

नवाचार विविधता बढ़ रही है। GPT जैसे मॉडलों की एकरूपता के बजाय, विशिष्ट डोमेन, भाषाओं और कार्यों के लिए हज़ारों विशिष्ट SLM उभर रहे हैं। यह विविधता व्यवस्थित त्रुटियों के प्रति मज़बूत है, प्रतिस्पर्धा बढ़ाती है और प्रगति को गति देती है। नवाचार परिदृश्य पदानुक्रमित होने के बजाय बहुकेंद्रित होता जा रहा है।

संकेन्द्रण के जोखिम स्पष्ट होते जा रहे हैं। कुछ प्रदाताओं पर निर्भरता विफलता के एकल बिंदु बनाती है। AWS या Azure में व्यवधान वैश्विक सेवाओं को पंगु बना देते हैं। हाइपरस्केलर द्वारा लिए गए राजनीतिक निर्णय, जैसे उपयोग प्रतिबंध या क्षेत्रीय तालाबंदी, के व्यापक प्रभाव होते हैं। SLM के माध्यम से विकेंद्रीकरण इन प्रणालीगत जोखिमों को मौलिक रूप से कम करता है।

रणनीतिक पुनर्संरेखण

कंपनियों के लिए, यह विश्लेषण मूलभूत रणनीतिक समायोजनों का संकेत देता है। निवेश प्राथमिकताएँ केंद्रीकृत क्लाउड इन्फ्रास्ट्रक्चर से 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 फ़ाइन-ट्यूनिंग, एज डिप्लॉयमेंट और हाइब्रिड ऑर्केस्ट्रेशन पर केंद्रित है।

निर्माण बनाम खरीद का निर्णय बदल रहा है। जहाँ पहले एपीआई एक्सेस खरीदना तर्कसंगत माना जाता था, वहीं अब आंतरिक, विशिष्ट एसएलएम विकसित करना तेज़ी से आकर्षक होता जा रहा है। तीन से पाँच वर्षों में स्वामित्व की कुल लागत स्पष्ट रूप से आंतरिक मॉडलों के पक्ष में है। रणनीतिक नियंत्रण, डेटा सुरक्षा और अनुकूलनशीलता इसके गुणात्मक लाभों को और बढ़ा देते हैं।

निवेशकों के लिए, यह गलत आवंटन विशुद्ध रूप से बुनियादी ढाँचे के क्षेत्र में सावधानी बरतने का संकेत देता है। अगर मांग पूर्वानुमान के अनुसार पूरी नहीं होती है, तो डेटा सेंटर REITs, GPU निर्माता और हाइपरस्केलर अत्यधिक क्षमता और घटते उपयोग का सामना कर सकते हैं। मूल्य स्थानांतरण SLM तकनीक, एज AI चिप्स, ऑर्केस्ट्रेशन सॉफ़्टवेयर और विशिष्ट AI अनुप्रयोगों के प्रदाताओं की ओर हो रहा है।

भू-राजनीतिक आयाम महत्वपूर्ण है। राष्ट्रीय एआई संप्रभुता को प्राथमिकता देने वाले देश SLM बदलाव से लाभान्वित होते हैं। चीन घरेलू तकनीक में 138 अरब डॉलर का निवेश कर रहा है, और यूरोप InvestAI में 200 अरब डॉलर का निवेश कर रहा है। ये निवेश तब और प्रभावी होंगे जब पूर्ण पैमाने निर्णायक कारक न होकर स्मार्ट, कुशल और विशिष्ट समाधान होंगे। बहुध्रुवीय एआई दुनिया एक वास्तविकता बन रही है।

नियामक ढाँचा समानांतर रूप से विकसित हो रहा है। डेटा सुरक्षा, एल्गोरिथम संबंधी जवाबदेही, पर्यावरणीय मानक - ये सभी विकेंद्रीकृत, पारदर्शी और कुशल प्रणालियों के पक्षधर हैं। जो कंपनियाँ एसएलएम और एज कंप्यूटिंग को जल्दी अपना लेती हैं, वे भविष्य के नियमों के अनुपालन के लिए खुद को अनुकूल स्थिति में रखती हैं।

प्रतिभा परिदृश्य बदल रहा है। जहाँ पहले केवल विशिष्ट विश्वविद्यालयों और शीर्ष तकनीकी कंपनियों के पास ही एलएलएम अनुसंधान के संसाधन थे, वहीं अब लगभग कोई भी संगठन एसएलएम विकसित कर सकता है। कौशल की कमी, जो 87 प्रतिशत संगठनों को एआई को नियुक्त करने से रोकती है, कम जटिलता और बेहतर उपकरणों द्वारा दूर की जा रही है। एआई-समर्थित विकास से उत्पादकता में वृद्धि इस प्रभाव को और बढ़ा देती है।

एआई निवेशों पर रिटर्न ऑन इन्वेस्टमेंट (आरओआई) मापने का तरीका बदल रहा है। अब, मूल कंप्यूटिंग क्षमता पर ध्यान केंद्रित करने के बजाय, प्रति कार्य दक्षता मुख्य मानदंड बनती जा रही है। उद्यम एआई पहलों पर औसतन 5.9 प्रतिशत का रिटर्न ऑन इन्वेस्टमेंट (आरओआई) दर्ज कर रहे हैं, जो उम्मीदों से काफी कम है। इसका कारण अक्सर साधारण समस्याओं के लिए बड़े और महंगे समाधानों का उपयोग करना होता है। कार्य-अनुकूलित एसएलएम (SLM) की ओर बदलाव इस रिटर्न ऑन इन्वेस्टमेंट में नाटकीय रूप से सुधार ला सकता है।

विश्लेषण से पता चलता है कि उद्योग एक महत्वपूर्ण मोड़ पर है। 57 अरब डॉलर का यह गलत निवेश सिर्फ़ माँग का ज़्यादा आकलन नहीं है। यह कृत्रिम बुद्धिमत्ता की संरचना के बारे में एक बुनियादी रणनीतिक ग़लतफ़हमी को दर्शाता है। भविष्य केंद्रीकृत दिग्गजों का नहीं, बल्कि विकेंद्रीकृत, विशिष्ट और कुशल प्रणालियों का है। छोटे भाषा मॉडल बड़े भाषा मॉडल से कमतर नहीं हैं—वे वास्तविक दुनिया के अधिकांश अनुप्रयोगों के लिए बेहतर हैं। आर्थिक, तकनीकी, पर्यावरणीय और रणनीतिक तर्क एक स्पष्ट निष्कर्ष पर पहुँचते हैं: कृत्रिम बुद्धिमत्ता क्रांति विकेंद्रीकृत होगी।

प्रदाताओं से ऑपरेटरों की ओर, हाइपरस्केलर्स से एप्लिकेशन डेवलपर्स की ओर, और केंद्रीकरण से वितरण की ओर सत्ता का स्थानांतरण एआई विकास में एक नए चरण का प्रतीक है। जो लोग इस परिवर्तन को जल्दी पहचानेंगे और अपनाएँगे, वे ही विजेता होंगे। जो लोग पुराने तर्क पर अड़े रहेंगे, उनके महंगे बुनियादी ढाँचे के बेकार संपत्ति बन जाने का जोखिम रहेगा, और अधिक चुस्त, कुशल विकल्प उन्हें पीछे छोड़ देंगे। 57 अरब डॉलर न केवल बर्बाद हुए हैं—यह एक ऐसे प्रतिमान के अंत की शुरुआत का प्रतीक है जो पहले से ही अप्रचलित है।

☑️ हमारी व्यावसायिक भाषा अंग्रेजी या जर्मन है

☑️ नया: आपकी राष्ट्रीय भाषा में पत्राचार!

Konrad Wolfenstein

मुझे निजी सलाहकार के रूप में आपकी और मेरी टीम की सेवा करने में खुशी होगी।

संपर्क फ़ॉर्म भरकर मुझसे संपर्क कर सकते हैं +49 89 89 674 804 (म्यूनिख) पर कॉल कर सकते हैं । मेरा ईमेल पता है: वोल्फेंस्टीन ∂ xpert.digital

मैं हमारी संयुक्त परियोजना की प्रतीक्षा कर रहा हूं।

☑️ रणनीति, परामर्श, योजना और कार्यान्वयन में एसएमई का समर्थन

☑️ डिजिटल रणनीति और डिजिटलीकरण का निर्माण या पुनर्संरेखण

☑️ अंतर्राष्ट्रीय बिक्री प्रक्रियाओं का विस्तार और अनुकूलन

☑️ वैश्विक और डिजिटल B2B ट्रेडिंग प्लेटफॉर्म

☑️ पायनियर बिजनेस डेवलपमेंट/मार्केटिंग/पीआर/व्यापार मेले

Xpert.Digital की व्यापक, पाँच गुना विशेषज्ञता का लाभ एक व्यापक सेवा पैकेज में उठाएँ | R&D, XR, PR और डिजिटल दृश्यता अनुकूलन - छवि: Xpert.Digital

एक्सपर्ट.डिजिटल को विभिन्न उद्योगों का गहन ज्ञान है। यह हमें ऐसी अनुकूलित रणनीतियाँ विकसित करने की अनुमति देता है जो आपके विशिष्ट बाज़ार खंड की आवश्यकताओं और चुनौतियों के अनुरूप होती हैं। बाजार के रुझानों का लगातार विश्लेषण करके और उद्योग के विकास का अनुसरण करके, हम दूरदर्शिता के साथ कार्य कर सकते हैं और नवीन समाधान पेश कर सकते हैं। अनुभव और ज्ञान के संयोजन के माध्यम से, हम अतिरिक्त मूल्य उत्पन्न करते हैं और अपने ग्राहकों को निर्णायक प्रतिस्पर्धी लाभ देते हैं।

इसके बारे में यहां अधिक जानकारी:

• एक पैकेज में Xpert.Digital की 5x विशेषज्ञता का उपयोग करें - केवल €500/माह से शुरू