माघारीत न बदललेली एक विश्रांती
या उन्हाळ्यात काही काळासाठी कृत्रिम बुद्धिमत्तेच्या तेजीला अनपेक्षित संकोचाचा सामना करावा लागत असल्याचे दिसले. OpenAIच्या AI agentsनी चुकून Hugging Face हॅक केल्यानंतर आणि त्याचे पुढील मॉडेल स्वतंत्रपणे सुरक्षा त्रुटी शोधून त्यांचा गैरफायदा घेऊ शकते, असे सुरुवातीचे पुरावे मिळाल्यानंतर कंपनीने नियोजित केलेला सर्वात मोठा फ्रंटियर-ट्रेनिंग रन थांबवला. सप्टेंबरमध्ये Anthropicचे मुख्य कार्यकारी अधिकारी Dario Amodei यांनी सर्वाधिक सक्षम प्रणालींच्या प्रगतीचा वेग कमी करण्याचे आवाहन केले. संभाव्य सायबरहल्ले आणि वाढत्या शक्तिशाली मॉडेल्सवर नियंत्रण ठेवण्याच्या आव्हानाबद्दल त्यांनी इशारा दिला.
या घटनांमुळे गुंतवणूकदार आणि AIमागील संगणकीय पायाभूत सुविधा पुरवणाऱ्या कंपन्यांसमोर स्वाभाविक प्रश्न उभा राहिला: सर्वात मोठे मॉडेल विकसित करणारे त्यांच्या प्रशिक्षण योजना मंदावतील, तर प्रगत चिप्सची मागणीही त्यांच्यासोबत कमी होईल का?
Nvidia आणि AMDचे ताजे निकाल सांगतात की, किमान आतापर्यंत, उत्तर नाही. The Vergeच्या वृत्तानुसार, OpenAIने जाहीर केलेली विश्रांती दोन आठवड्यांची असणार होती आणि त्याचा सर्वात मोठा रन 10 दिवसांनी पुन्हा सुरू झाला. मात्र काही छोटे प्रयोगात्मक प्रशिक्षण रन तात्पुरते थांबले होते. दरम्यान, Anthropicने नोव्हेंबरमध्ये आपल्या Fable आणि Mythos फ्रंटियर मॉडेल्सच्या अद्ययावत आवृत्त्या प्रसिद्ध केल्या आणि coding, reasoning व visionमधील प्रगती अधोरेखित केली.
यातून दिसणारे चित्र AI विकासापासून व्यापक माघारीचे नसून, सर्वाधिक संसाधने लागणाऱ्या आणि संभाव्यतः जोखमीच्या प्रयोगांबाबत निवडक सावधगिरीच्या कालखंडाचे आहे.
Nvidiaचे निकाल सुरू असलेल्या विस्ताराची व्याप्ती दाखवतात
Nvidiaच्या ताज्या तिमाहीने विशेषतः स्पष्ट संकेत दिला. 25 ऑक्टोबरला संपलेल्या तीन महिन्यांसाठी कंपनीने $107.6 अब्जांचा data-center revenue नोंदवला, जो एका वर्षापूर्वीच्या तुलनेत 110% अधिक आहे. कंपनीने Vera Rubin NVL72—तिची सर्वात प्रगत AI computing system—ची शिपिंगही सुरू केली आणि या विस्ताराचे वर्णन आपल्या इतिहासातील सर्वात वेगवान product ramp असे केले.
हे संयोजन महत्त्वाचे आहे, कारण मागणी एका प्रयोगशाळेतील एका प्रशिक्षण रनपलीकडे विस्तारत असल्याचे ते दर्शवते. AI computing बाजार model training, inference, enterprise deployments आणि मोठ्या प्रणाली चालवण्यासाठी आवश्यक असलेल्या व्यापक पायाभूत सुविधांमधील कामाला समर्थन देतो. प्रशिक्षणाच्या एका प्रकारातील विलंबामुळे खर्च कुठे होतो हे बदलू शकते; मात्र संगणकीय क्षमतेची गरज अपरिहार्यपणे नाहीशी होत नाही.
मुख्य युक्तिवाद असा आहे की फ्रंटियर-मॉडेलमधील मंदीमुळे AI खर्च नाहीसा होण्याऐवजी त्याचे पुनर्वाटप होण्याची शक्यता आहे. प्रयोगशाळांनी safety work, model evaluation, cybersecurity, deployment किंवा विद्यमान प्रणाली सुधारण्यावर अधिक भर दिला, तरी या कामांसाठी मोठ्या प्रमाणावर compute आवश्यक असू शकते. workloadsचे मिश्रण बदलू शकते; परंतु chips आणि data-center systemsची मूलभूत मागणी उच्च राहू शकते.
सुरक्षाविषयक चिंता आता गुंतवणुकीच्या मांडणीचा भाग आहेत
उन्हाळ्यातील विश्रांतीने उद्योगाच्या पुढील टप्प्याला आकार देणारा तणावही स्पष्ट केला. AI क्षमता सुधारण्यासाठी स्पर्धा करणाऱ्या याच कंपन्या आता अधिकाधिक मान्य करत आहेत की मजबूत प्रणाली नवीन तांत्रिक आणि सुरक्षाविषयक धोके निर्माण करू शकतात. स्वायत्तपणे असुरक्षा शोधण्याच्या पुराव्यामुळे घेतलेली विश्रांती हा पारंपरिक उत्पादन विलंब नाही; क्षमता वाढ आणि जोखीम-व्यवस्थापनाच्या गरजा अधिक घट्टपणे जोडल्या जात असल्याचे ते लक्षण आहे.
याचा अर्थ असा नाही की मॉडेल-विकास धोरणातील सर्व बदलांपासून AI hardwareची मागणी सुरक्षित राहील. फ्रंटियर प्रशिक्षणात दीर्घकाळ टिकणारी, समन्वित घट झाली तर सर्वात शक्तिशाली प्रणालींसाठीच्या खरेदी योजना बदलू शकतात. मात्र सध्याचे पुरावे मर्यादित आहेत: OpenAIने मोठा रन त्वरीत पुन्हा सुरू केला, Anthropicने फ्रंटियर-मॉडेलच्या नव्या आवृत्त्या प्रसिद्ध केल्या आणि आघाडीचे chip suppliers AI-संबंधित मजबूत हालचालींची नोंद देत आहेत.
Hardware vendorsसाठी महत्त्वाचा प्रश्न केवळ प्रयोगशाळा अखंडपणे आणखी मोठी मॉडेल्स प्रशिक्षित करतात का हा नाही. अधिक सक्षम, विश्वासार्ह आणि व्यावसायिकदृष्ट्या उपयुक्त प्रणालींचा पाठपुरावा करताना संपूर्ण AI ecosystemला वाढत्या प्रमाणात computing powerची गरज भासत राहते का, हा प्रश्न आहे. Nvidiaने नोंदवलेली data-center growth याचे उत्तर होय असल्याचे सूचित करते.
पुढे काय पाहावे
- तात्पुरत्या विश्रांती फ्रंटियर-प्रशिक्षण वेळापत्रकातील कायमस्वरूपी बदल ठरतात का.
- नवीन मॉडेल्सचे प्रशिक्षण करण्यापासून विद्यमान मॉडेल्स तैनात, मूल्यमापन आणि सुरक्षित करण्याकडे AI खर्च किती वळतो.
- सुरक्षेवर आधारित मर्यादा उच्च श्रेणीतील computing systemsच्या मागणीत बदल करतात की मुख्यतः त्यावर चालणाऱ्या workloadsमध्ये बदल करतात.
- Nvidia आणि AMD त्यांच्या पुढील earnings updatesमध्ये ग्राहक मागणीचे वर्णन कसे करतात.
या earnings seasonमधील तातडीचा धडा असा आहे की फ्रंटियर AIबद्दलच्या चिंता अद्याप chip marketमध्ये व्यापक थंडाव्यात रूपांतरित झालेल्या नाहीत. सुरक्षाविषयक चर्चा AI विकासाची दिशा बदलू शकतात; मात्र computing infrastructureसाठी उद्योगाची भूक अजूनही मोठी आहे.
हा लेख The Vergeच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on theverge.com


