पुढील AI अडथळा मॉडेलचा आकार नसून डेटा असू शकतो
एका माजी OpenAI संशोधकाचा ठाम युक्तिवाद आहे की पुढील मोठी AI शर्यत स्केलिंगपेक्षा प्रशिक्षण डेटाभोवती केंद्रीत असेल. The Decoder च्या अहवालानुसार, अँड्र्यू हो यांनी आठ महिन्यांनंतर OpenAI सोडले असून उच्च-गुणवत्तेचे, विशेषीकृत डेटासेट तयार करण्यावर लक्ष केंद्रित करणारी कंपनी उभारण्यासाठी ते पुढे गेले आहेत. मोठ्या भाषिक मॉडेल्स अजूनही आर्थिक दृष्ट्या महत्त्वाच्या कामांमध्ये नीट सामान्यीकरण करू शकत नाहीत, या त्यांच्या दृष्टीकोनातून हे पाऊल आले आहे.
हा दावा आधुनिक AI मधील सर्वात टिकून राहिलेल्या गृहितकांपैकी एकाला छेद देतो: अधिक कंप्युटसह प्रशिक्षित मोठी मॉडेल्स, डोमेनपलीकडे आपली क्षमता वाढवत राहतील. हो यांची भूमिका अशी की हे पुरेसे नाही. त्यांच्या मते, अनेक मौल्यवान कामे खूप संदर्भाधारित आहेत, विद्यमान डेटासेटमध्ये अत्यल्प प्रतिनिधित्व मिळालेल्या आहेत, किंवा आजच्या स्केलिंग प्लेबुकमध्ये त्यांचे स्कोरिंग इतके अवघड आहे की ते विश्वसनीयरीत्या पकडणे शक्य नाही.
हा युक्तिवाद महत्त्वाचा आहे, कारण तो दृश्य फ्रंटियर मॉडेल लॅब्समधील स्पर्धेपासून लक्ष हटवून कमी आकर्षक पण वाढत्या रणनीतिक महत्त्वाच्या डेटा निर्मिती व्यवसायाकडे वळवतो. हो बरोबर ठरले, तर AI मधील पुढचा टिकाऊ फायदा ज्यांना औद्योगिक स्तरावर कार्यविशिष्ट उदाहरणे गोळा, संरचित, आणि पडताळता येतील त्यांच्याकडे जाईल.
सध्याचे डेटासेट अपुरे का ठरू शकतात
मूळ अहवालानुसार, बहुतेक आर्थिकदृष्ट्या अर्थपूर्ण कौशल्ये विद्यमान प्रशिक्षण कॉर्पस मध्ये फारच कमी प्रमाणात दर्शवली गेली आहेत, असे हो यांचे मत आहे. इंटरनेट-स्तरावरील मजकूर सक्षम चॅटबॉट्स, कोड असिस्टंट्स, आणि संशोधन साधने तयार करण्यास पुरेसा ठरला आहे. पण विशेष कामे सातत्याने आणि विश्वसनीयपणे करण्यासाठी मॉडेल्सना शिकविण्यास तो पुरेसा नसेल.
हो यांची टीका विशेष तीक्ष्ण आहे, कारण ती बाहेरील संशयवाद्याकडून नव्हे, तर फ्रंटियर-मॉडेल परिसंस्थेच्या आतून येते. ते म्हणतात की मानवांना एखाद्या कामाचा “गोल्डन पाथ” दिसला तरी पर्यायी मार्ग चांगले, वाईट, की अपूर्ण आहेत हे ठरवणे कठीण असते. ही संदिग्धता अनेक वास्तविक-जगातील कौशल्यांना स्वच्छ बेंचमार्क वातावरणात कोड करणे कठीण बनवते.
म्हणजेच, आव्हान केवळ अधिक मजकूर गोळा करण्याचे नाही. ते असे डेटासेट तयार करण्याचे आहे जे संदर्भ, परिणाम, अपवादात्मक घटना, आणि गुणवत्ता संकेत जपतात, अशा डोमेनमध्ये जिथे चुका महाग असतात आणि अचूक कामगिरी ही अंतर्निहित ज्ञानावर अवलंबून असते. हे सार्वजनिक वेब स्क्रॅप करण्यापेक्षा कितीतरी कठीण डेटा समस्या आहे.
व्यापक AI ध्येयापासून अरुंद डोमेन अंमलबजावणीकडे
केम्ब्रिज संशोधक अॅडम हंट यांचे काम आणि Google DeepMind संशोधकांच्या पाठिंब्याने हो यांचा सिद्धांत अधिक बळकट झाल्याचे अहवालात म्हटले आहे. याचा अर्थ असा की सध्याच्या प्रणाली अधिक सार्वत्रिक होण्याऐवजी अधिक विशेषीकृत होत चालल्या आहेत. काही मथळ्यातील प्रगतीमागे अधिक असमतोल वास्तव लपू शकते: मॉडेल्स काही निवडक भागांत सुधारतात, पण इतर ठिकाणी स्थिर किंवा दुर्बळ राहतात.
प्रयोगशाळा, आरोग्यसेवा कार्यप्रवाह, वैज्ञानिक विश्लेषण, किंवा इतर उच्च-मूल्याच्या वातावरणात AI तैनात करू पाहणाऱ्या व्यवसायांसाठी हा फरक महत्त्वाचा आहे. डेमोमध्ये प्रभावी पण प्रत्यक्ष वातावरणात विसंगत कामगिरी करणारे मॉडेल पुरेसे नाही. विस्तृत पण उथळ प्रवाहपेक्षा विश्वासार्हता, पुनरावृत्ती, आणि डोमेन-विशिष्ट क्षमता अधिक महत्त्वाची ठरते.
जर मॉडेल विकसक सर्जनशील समस्या-निराकरण किंवा सामान्य हस्तांतरणात मर्यादेला पोहोचत असतील, तर लक्ष्यित डेटा त्या ठिकाणी क्षमता पुढे नेण्याचा मार्ग ठरतो जिथे ती खरोखर महत्त्वाची असते. हीच हो यांची पैज आहे: स्केलिंग निरुपयोगी नाही, पण ठोस कामांच्या भोवती तयार केलेल्या डेटासोबत त्याची जोड दिल्यासच त्याचे परतावे टिकतात.
पहिले लक्ष्य: बायोइन्फॉर्मॅटिक्स आणि नियमित प्रयोगशाळा काम
हो सुरू करत असलेली कंपनी दोन क्षेत्रांपासून सुरुवात करत असल्याचे सांगितले जाते. एक म्हणजे बायोइन्फॉर्मॅटिक्स, जिथे OpenAI मधील हो यांच्या आधीच्या कामाशी संबंधित जटिल वैज्ञानिक विश्लेषणांमध्ये GPT-5.6 Sol सारखी सध्याची मॉडेल्स सुमारे 30 टक्के यशदरच मिळवतात, असे लेखात म्हटले आहे. दुसरे क्षेत्र म्हणजे नियमित प्रयोगशाळा काम, ज्यामध्ये संशोधक प्रयोगांचे फोटो AI प्रणालींना मूल्यमापनासाठी देतात अशा परिस्थितींचा समावेश आहे.
ही सुरुवातीची क्षेत्रे अर्थपूर्ण आहेत. दोन्ही ठिकाणी उपयोगी AI ला भाषा-अनुकरणापेक्षा अधिक काही लागते. बायोइन्फॉर्मॅटिक्समध्ये बहुधा बहुपायरी तर्क, डोमेन नियम, वैज्ञानिक संदर्भ, आणि त्रुटी-संवेदनशीलता असते. प्रयोगशाळेतील कार्यप्रवाह पाठ्यपुस्तकातील उत्तरांपेक्षा दृश्य निर्णय, प्रक्रियात्मक समज, आणि व्यावहारिक अर्थ लावण्यावर अवलंबून असू शकतात. हीच ती वातावरणे आहेत जिथे निकृष्ट किंवा सर्वसाधारण डेटा मॉडेल्सना एकूण मेट्रिक्समध्ये सक्षम दाखवू शकतो, पण निर्णायक वापरात अपयशी ठरवतो.
अहवालानुसार, पुढील टप्प्यात रसायनशास्त्र, मटेरियल सायन्स, आरोग्यसेवा, आणि व्यापक ज्ञानकामांचा समावेश होणार आहे. हा रोडमॅप अशा उद्योगांभोवती उभ्या केलेल्या व्यावसायिक रणनीतीकडे इशारा करतो, जिथे चुकांचा खर्च असतो आणि जिथे खास डेटाच बचावात्मक पायाभूत सुविधा बनू शकते.
फ्रंटियर-लॅब अर्थशास्त्राला आव्हान
फ्रंटियर AI लॅब्सना दिल्या जाणाऱ्या प्रचंड मूल्यांकनांबद्दलही हो साशंक दिसतात. The Decoder च्या सारांशानुसार, ते असा युक्तिवाद करतात की OpenAI आणि Anthropic सारख्या कंपन्या दीर्घकाळ नफाहीन आहेत, कारण त्यांना Qwen किंवा Kimi सारख्या कमी-खर्चाच्या स्पर्धकांपेक्षा पुढे राहण्यासाठी सतत नवीन मॉडेल्सवर मोठा खर्च करावा लागतो. हा संपूर्ण निष्कर्ष स्वीकारला तरी न स्वीकारला तरी, तो बाजारातील वाढत्या तणावाकडे निर्देश करतो.
जर फ्रंटियर स्केलिंगचा सीमांत खर्च जास्तच राहिला आणि खुले किंवा स्वस्त स्पर्धक दरी कमी करत राहिले, तर मालकीचा फायदा केवळ मॉडेलच्या आकारापेक्षा नक्कल करणे कठीण असलेल्या गोष्टीतून यावा लागेल. निवडक डेटासेट, खासगी कार्यप्रवाह, पडताळलेले निकाल, आणि डोमेन-विशिष्ट अभिप्राय साखळ्या या गरजेशी कच्च्या स्केलपेक्षा अधिक जुळतात. त्या तयार करण्यास वेळ लागतो, कॉपी करणे कठीण असते, आणि अनेकदा ग्राहकांच्या वापरप्रकरणांशी अधिक घट्ट जोडलेल्या असतात.
याचा अर्थ असा नाही की मूलभूत मॉडेल्सचे महत्त्व संपते. याचा अर्थ असा की त्यांचा फरक वाढत्या प्रमाणात त्यांच्या सभोवतालच्या डेटाच्या गुणवत्तेवर अवलंबून राहू शकतो. त्या परिस्थितीत, डेटा कंपन्या मॉडेल लॅब्सच्या खाली बसत नाहीत; त्या क्षमता-स्टॅकचा अत्यावश्यक भाग बनतात.
$100 बिलियन डेटा बाजार काय सूचित करेल
पुढील काही वर्षांत AI लॅब्स लक्ष्यित डेटा संकलनावर $100 अब्जांहून अधिक खर्च करतील, हा हो यांचा अंदाज धाडसी आहे, पण त्यामागची रणनीतिक तर्कशुद्धता समजायला सोपी आहे. जर सर्वसाधारण वेब डेटा सोप्या लाभांचा स्रोत म्हणून संपत असेल, तर उद्योगाला नवीन कच्चा माल हवा. तो कच्चा माल टीकाकृत वैज्ञानिक कार्ये, पडताळलेले एंटरप्राइझ कार्यप्रवाह, मल्टीमोडल प्रयोगशाळा नोंदी, किंवा इतर संरचित अनुभव असू शकतो, जो आजच्या मॉडेल्सना प्रशिक्षणादरम्यान पुरेसा दिसत नाही.
असा खर्च AI उभारणीतून कोण लाभ घेईल तेही बदलेल. मूल्य प्रामुख्याने चिप निर्माते, हायपरस्केलर्स, आणि फ्रंटियर-मॉडेल विकसकांमध्ये केंद्रीत राहण्याऐवजी, डेटा-केंद्रित चक्र डोमेन तज्ज्ञ, लेबलिंग प्रणाली, कृत्रिम डेटा साधने, एंटरप्राइझ डेटा भागीदाऱ्या, आणि विशेष वातावरणात गुणवत्ता मोजू शकणाऱ्या संस्थांना पुढे आणेल.
मोठ्या चित्रात, AI स्पर्धा अधिक कमी दिसणाऱ्या पण अधिक पायाभूत टप्प्यात प्रवेश करत असावी. पुढची मोठी झेप केवळ मॉडेल्स मोठी केल्याने येणार नाही. ती अजूनही स्वयंचलनाला विरोध करणाऱ्या गोंधळलेल्या, संदर्भाधारित, उच्च-धोका कामांसाठी तयार केलेल्या डेटासह त्यांना अधिक चांगले शिकवल्याने येऊ शकते. हो यांची पैज आहे की हा बदल केवळ बाजूची कथा नाही. पुढील AI चक्रातील एक निर्णायक बाजार तो बनेल, अशी त्यांची पैज आहे.
हा लेख The Decoder च्या अहवालावर आधारित आहे. मूळ लेख वाचा.
Originally published on the-decoder.com
