AI प्रशिक्षण डेटा अगला $100 अरब का दौड़ बन सकता है

अगला AI बाधा-बिंदु मॉडल आकार नहीं, डेटा हो सकता है

एक पूर्व OpenAI शोधकर्ता जोर देकर कह रहे हैं कि अगली बड़ी AI दौड़ स्केलिंग के बजाय प्रशिक्षण डेटा के इर्द-गिर्द केंद्रित होगी। The Decoder की रिपोर्ट के अनुसार, एंड्रयू हो ने आठ महीने बाद OpenAI छोड़कर एक ऐसी कंपनी बनाने का फैसला किया है जो उच्च-गुणवत्ता, विशेषीकृत डेटासेट तैयार करने पर केंद्रित होगी। यह कदम इस धारणा से प्रेरित है कि बड़े भाषा मॉडल अब भी आर्थिक रूप से महत्वपूर्ण कार्यों में अच्छी तरह सामान्यीकरण नहीं कर पाते।

यह दावा आधुनिक AI की सबसे स्थायी मान्यताओं में से एक के विपरीत है: अधिक कंप्यूट के साथ प्रशिक्षित बड़े मॉडल, डोमेन भर में अपनी क्षमता बढ़ाते रहेंगे। हो का रुख है कि यह पर्याप्त नहीं है। उनके अनुसार, कई मूल्यवान प्रकार के काम बहुत संदर्भ-निर्भर हैं, मौजूदा डेटासेट में बहुत खराब तरीके से प्रतिनिधित्व किए गए हैं, या इतने कठिन हैं कि मौजूदा स्केलिंग प्लेबुक उन्हें भरोसेमंद ढंग से पकड़ नहीं सकती।

यह तर्क महत्वपूर्ण है, क्योंकि यह फ्रंटियर मॉडल लैब्स के बीच की दिखाई देने वाली प्रतिस्पर्धा से ध्यान हटाकर डेटा निर्माण के कम चमकदार लेकिन तेजी से रणनीतिक होते व्यवसाय की ओर ले जाता है। यदि हो सही हैं, तो AI में अगला स्थायी लाभ उसी को मिलेगा जो औद्योगिक स्तर पर कार्य-विशिष्ट उदाहरणों को इकट्ठा, संरचित, और सत्यापित कर सके।

मौजूदा डेटासेट क्यों अपर्याप्त हो सकते हैं

मूल रिपोर्ट के मुताबिक, हो मानते हैं कि अधिकांश आर्थिक रूप से महत्वपूर्ण कौशल मौजूदा प्रशिक्षण कॉर्पस में बमुश्किल ही प्रतिनिधित्व पाते हैं। इंटरनेट-स्तरीय टेक्स्ट सक्षम चैटबॉट, कोड असिस्टेंट और शोध उपकरण बनाने के लिए पर्याप्त रहा है। लेकिन विशेषीकृत कामों को लगातार विश्वसनीय तरीके से करने के लिए मॉडल्स को सिखाने हेतु यह पर्याप्त नहीं भी हो सकता है।

हो की आलोचना खास तौर पर तीखी है, क्योंकि यह किसी बाहरी संशयवादी से नहीं बल्कि फ्रंटियर-मॉडल इकोसिस्टम के भीतर से आती है। उनका तर्क है कि जब मनुष्य किसी कार्य का “गोल्डन पाथ” देख सकते हैं, तब भी यह जानना मुश्किल होता है कि वैकल्पिक रास्ते अच्छे हैं, बुरे हैं, या अधूरे। यह अस्पष्टता कई वास्तविक दुनिया के कौशलों को साफ-सुथरे बेंचमार्क वातावरण में एनकोड करना कठिन बना देती है।

दूसरे शब्दों में, चुनौती केवल अधिक टेक्स्ट इकट्ठा करना नहीं है। चुनौती ऐसे डेटासेट बनाना है जो संदर्भ, परिणाम, किनारी मामले, और गुणवत्ता संकेतों को सुरक्षित रखें, उन डोमेन में जहां गलतियां महंगी हैं और सही प्रदर्शन निहित ज्ञान पर निर्भर करता है। यह सार्वजनिक वेब को स्क्रैप करने की तुलना में कहीं कठिन डेटा समस्या है।

व्यापक AI महत्वाकांक्षा से संकरे डोमेन निष्पादन तक

रिपोर्ट में बताया गया है कि कैम्ब्रिज शोधकर्ता एडम हंट के काम और Google DeepMind शोधकर्ताओं के समर्थन से हो की थीसिस को बल मिला है। इसका निहितार्थ यह है कि मौजूदा सिस्टम अधिक सार्वभौमिक रूप से सक्षम होने के बजाय अधिक विशेषज्ञ होते जा रहे हैं। कुछ सुर्खी बनने वाली प्रगति शायद एक अधिक असमान अंतर्निहित तस्वीर को छिपा रही हो: मॉडल कुछ क्षेत्रों में तेज हो सकते हैं, जबकि अन्य में स्थिर या कमजोर पड़ सकते हैं।

लैब, स्वास्थ्य-सेवा कार्यप्रवाह, वैज्ञानिक विश्लेषण, या अन्य उच्च-मूल्य वाले संदर्भों में AI तैनात करने की कोशिश कर रहे व्यवसायों के लिए यह अंतर महत्वपूर्ण है। डेमो में प्रभावशाली लेकिन वास्तविक वातावरण में असंगत मॉडल पर्याप्त नहीं है। व्यापक लेकिन सतही प्रवाह से अधिक विश्वसनीयता, दोहराव, और डोमेन-विशिष्ट क्षमता मायने रखती है।

यदि मॉडल डेवलपर रचनात्मक समस्या-समाधान या सामान्य ट्रांसफर में किसी सीमा तक पहुंच रहे हैं, तो लक्षित डेटा उस जगह क्षमता को आगे बढ़ाने का तरीका बनता है जहां उसका वास्तविक महत्व है। यही मूल रूप से हो का दांव है: स्केलिंग बेकार नहीं है, लेकिन यदि उसे ठोस कार्यों के इर्द-गिर्द तैयार डेटा के साथ जोड़ा न जाए तो उसका लाभ घट जाता है।

पहले लक्ष्य: बायोइन्फॉर्मेटिक्स और नियमित लैब काम

हो जो कंपनी शुरू कर रहे हैं, वह कथित तौर पर दो क्षेत्रों से शुरुआत कर रही है। एक है बायोइन्फॉर्मेटिक्स, जहां लेख के अनुसार OpenAI में हो के पहले के काम से जुड़े जटिल वैज्ञानिक विश्लेषणों में GPT-5.6 Sol जैसे मौजूदा मॉडल लगभग 30 प्रतिशत सफलता दर ही हासिल कर पाते हैं। दूसरा क्षेत्र नियमित लैब काम है, जिसमें शोधकर्ता प्रयोगों की छवियां AI प्रणालियों को मूल्यांकन के लिए भेजते हैं।

ये शुरुआती क्षेत्र बताने वाले हैं। दोनों में उपयोगी AI को भाषा-नकल से अधिक की जरूरत होती है। बायोइन्फॉर्मेटिक्स अक्सर बहु-चरणीय तर्क, डोमेन परंपराओं, वैज्ञानिक संदर्भ, और त्रुटि-संवेदनशीलता पर निर्भर करता है। लैब वर्कफ़्लो पाठ्यपुस्तक के उत्तरों की बजाय दृश्य निर्णय, प्रक्रियात्मक समझ, और व्यावहारिक व्याख्या पर निर्भर कर सकते हैं। यही वे वातावरण हैं जहां कम-गुणवत्ता या सामान्य डेटा, समग्र मेट्रिक्स में मॉडल को सक्षम दिखाते हुए भी, महत्वपूर्ण उपयोग में विफल कर देता है।

रिपोर्ट के अनुसार अगला चरण रसायन विज्ञान, सामग्री विज्ञान, स्वास्थ्य-सेवा, और व्यापक ज्ञान कार्य होंगे। यह रोडमैप उन उद्योगों के इर्द-गिर्द बनी वाणिज्यिक रणनीति का संकेत देता है जहां गलतियों की लागत होती है और जहां विशिष्ट डेटा बचाव योग्य अवसंरचना बन सकता है।

फ्रंटियर-लैब अर्थशास्त्र को चुनौती

हो फ्रंटियर AI लैब्स को दी गई ऊंची वैल्यूएशन के बारे में भी संदेह में दिखते हैं। The Decoder के सारांश के अनुसार, उनका तर्क है कि OpenAI और Anthropic जैसी कंपनियां लंबे समय से लाभहीन हैं क्योंकि उन्हें Qwen या Kimi जैसे कम लागत वाले प्रतिद्वंद्वियों से आगे रहने के लिए नए मॉडलों पर लगातार भारी खर्च करना पड़ता है। इस पूरे आकलन को कोई माने या नहीं, यह बाजार में बढ़ते तनाव की ओर इशारा करता है।

यदि फ्रंटियर स्केलिंग की सीमांत लागत ऊंची बनी रहती है और खुले या सस्ते प्रतिद्वंद्वी अंतर कम करते जाते हैं, तो स्वामित्व वाला लाभ मॉडल आकार से अधिक किसी ऐसी चीज़ से आना होगा जिसे कॉपी करना कठिन हो। चुने हुए डेटासेट, निजी वर्कफ़्लो, सत्यापित परिणाम, और डोमेन-विशिष्ट फीडबैक लूप इस आवश्यकता के लिए कच्चे स्केल से बेहतर मेल खाते हैं। इन्हें बनाना धीमा है, कॉपी करना कठिन है, और अक्सर ग्राहक उपयोग मामलों से अधिक सीधे जुड़े होते हैं।

इसका यह मतलब नहीं कि आधारभूत मॉडल महत्व खो देते हैं। इसका मतलब है कि उनका विभेदक मूल्य बढ़ती हुई मात्रा में उनके चारों ओर लिपटे डेटा की गुणवत्ता पर निर्भर हो सकता है। उस परिदृश्य में, डेटा कंपनियां मॉडल लैब्स के नीचे नहीं होतीं; वे क्षमता स्टैक का एक महत्वपूर्ण हिस्सा बन जाती हैं।

$100 अरब डेटा बाजार क्या संकेत देगा

आने वाले वर्षों में AI लैब्स लक्षित डेटा संग्रह पर $100 अरब से अधिक खर्च करेंगे, यह हो का अनुमान साहसिक है, लेकिन इसका रणनीतिक तर्क समझना आसान है। यदि आसान लाभ के स्रोत के रूप में सामान्य वेब डेटा समाप्त हो जाता है, तो उद्योग को नया कच्चा माल चाहिए। वह कच्चा माल एनोटेटेड वैज्ञानिक कार्य, सत्यापित एंटरप्राइज़ वर्कफ़्लो, मल्टीमोडल लैब रिकॉर्ड, या अन्य संरचित अनुभव हो सकता है, जिसे मौजूदा मॉडल प्रशिक्षण में पर्याप्त रूप से नहीं देखते।

ऐसा खर्च यह भी बदल देगा कि AI बूम से कौन लाभ उठाता है। मूल्य को मुख्यतः चिप निर्माताओं, हाइपरस्केलरों, और फ्रंटियर-मॉडल डेवलपर्स में केंद्रित करने के बजाय, डेटा-केंद्रित चक्र डोमेन विशेषज्ञों, लेबलिंग प्रणालियों, सिंथेटिक-डेटा टूलिंग, एंटरप्राइज़ डेटा साझेदारियों, और विशेष वातावरण में गुणवत्ता मापने वाली संस्थाओं को ऊपर उठाएगा।

समग्र निष्कर्ष यह है कि AI प्रतिस्पर्धा एक कम दिखाई देने वाले लेकिन अधिक बुनियादी चरण में प्रवेश कर सकती है। अगली बड़ी छलांग सिर्फ मॉडल बड़े करने से नहीं आएगी। वह उन्हें बेहतर सिखाने से आ सकती है, ऐसे डेटा के साथ जो अभी भी अव्यवस्थित, संदर्भ-निर्भर, उच्च-दांव वाले कामों के लिए बना है जो ऑटोमेशन का विरोध करते हैं। हो दांव लगा रहे हैं कि यह बदलाव कोई साइड स्टोरी नहीं है। वे दांव लगा रहे हैं कि यह अगले AI चक्र के परिभाषित बाजारों में से एक बनेगा।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.