AI பயிற்சி தரவு அடுத்த $100 பில்லியன் போட்டியாக மாறலாம்

அடுத்த AI தடையாவது மாதிரி அளவு அல்ல, தரவாக இருக்கலாம்

முன்னாள் OpenAI ஆராய்ச்சியாளர் ஒருவர், அடுத்த பெரிய AI ஆயுதப்போட்டி scaling-ஐ மட்டும் அல்ல, பயிற்சி தரவை மையமாகக் கொண்டிருக்கும் என்று வலுவான வாதத்தை முன்வைக்கிறார். The Decoder வெளியிட்ட செய்திப்படி, Andrew Ho எட்டு மாதங்களுக்குப் பிறகு OpenAI-யை விட்டு, உயர்தர, சிறப்பு datasets உருவாக்குவதில் கவனம் செலுத்தும் ஒரு நிறுவனத்தை அமைக்கிறார். பெரிய மொழி மாதிரிகள் பொருளாதார ரீதியாக முக்கியமான பணிகளில் இன்னும் மோசமான generalization காட்டுகின்றன என்ற பார்வை இதற்கு தூண்டுதலாக உள்ளது.

இந்தக் கூற்று, நவீன AI-யில் மிக நீடித்திருக்கும் கருதுகோள்களில் ஒன்றானது, அதாவது அதிக compute-யுடன் பயிற்சி செய்யப்படும் பெரிய மாதிரிகள், துறைகள்தோறும் தங்களின் திறனை தொடர்ந்து விரிவாக்கும் என்ற நம்பிக்கைக்கு எதிராக நிற்கிறது. Ho-வின் நிலைப்பாடு, இது போதாது என்பதாகும். அவரின் பார்வையில், பல மதிப்புமிக்க பணிகள் மிக அதிக contextual-ஆகவும், தற்போதைய datasets-ல் போதுமான அளவில் பிரதிநிதித்துவப்படுத்தப்படாமலும், அல்லது இன்று உள்ள scaling playbook மூலம் நம்பிக்கையுடன் மதிப்பிட முடியாதவையாகவும் உள்ளன.

அந்த வாதம் முக்கியமானது; காரணம், அது frontier model labs இடையிலான வெளிப்படையான போட்டியிலிருந்து கவனத்தை, குறைவாக கவர்ச்சியான ஆனால் அதிகம் மூலோபாயத் தன்மை கொண்ட data creation வணிகத்துக்குச் செலுத்துகிறது. Ho சரியாக இருந்தால், AI-யில் அடுத்த நீடித்த முன்னிலை, தொழில்துறை அளவில் task-specific examples-ஐ சேகரிக்கவும், அமைக்கவும், சரிபார்க்கவும் முடியும் யாரிடமிருந்து வந்தாலும் அதுவாக இருக்கும்.

தற்போதைய datasets ஏன் போதாது இருக்கலாம்

செய்தி அறிக்கையின்படி, ஏற்கனவே உள்ள பயிற்சி corpora-களில் பெரும்பாலான பொருளாதார முக்கியத்துவம் கொண்ட திறன்கள் மிகக் குறைவாகவே பிரதிநிதித்துவம் பெறுகின்றன என்று Ho நம்புகிறார். இணைய அளவிலான உரை, திறமையான chatbots, code assistants, மற்றும் research tools உருவாக்க போதுமானதாக இருந்திருக்கலாம். ஆனால், சிறப்பு பணிகளை நிலையான நம்பகத்தன்மையுடன் செய்ய மாதிரிகளை கற்பிக்க அது போதாமலும் இருக்கலாம்.

இந்த விமர்சனம் குறிப்பாக வலுவானது, ஏனெனில் அது வெளிப்புற சந்தேகவாதியிடமிருந்து அல்ல, frontier-model சூழலுக்குள் இருந்தே வருகிறது. மனிதர்கள் ஒரு பணியின் “golden path”-ஐ கவனிக்க முடிந்தாலும், மாற்றுப் பாதைகளும் நல்லவையா, மோசமானவையா, அல்லது முழுமையற்றவையா என்பதை அறிதல் கடினம் என்று அவர் வாதிடுகிறார். அந்தத் திணறல், பல நிஜ உலகத் திறன்களை தூய benchmark சூழல்களில் குறியாக்குவது கடினமாக்குகிறது.

வேறு வார்த்தைகளில் சொன்னால், சவால் என்பது வெறும் அதிக உரையைச் சேகரிப்பது அல்ல. தவறுகள் விலை உயர்ந்தவை, மேலும் சரியான செயல்பாடு மறைநிலை அறிவைப் பொறுத்திருக்கும் துறைகளில், சூழல், முடிவுகள், விசித்திரமான நிலைகள், மற்றும் quality signals ஆகியவற்றை காக்கும் datasets-ஐ உருவாக்குவதுதான். அது பொதுவான இணையத்தை scrape செய்வதைவிட பல மடங்கு கடினமான data problem.

பரந்த AI இலக்குகளிலிருந்து குறுகிய துறைச் செயல்படுத்தலுக்குத் திருப்பம்

Cambridge ஆராய்ச்சியாளர் Adam Hunt செய்த பணியும், Google DeepMind ஆராய்ச்சியாளர்களின் ஆதரவும் Ho-வின் கோட்பாட்டை மேலும் வலுப்படுத்துகின்றன என்று அறிக்கை கூறுகிறது. தற்போதைய systems மேலும் universal-ஆக திறமையானதாக ஆகுவதற்குப் பதிலாக, அதிக specialization நோக்கே நகர்கின்றன என்ற வாதம் முன்வைக்கப்படுகிறது. அதாவது சில தலைசிறந்த முன்னேற்றங்கள், அடிப்படையில் ஒரு சமச்சீரற்ற நிலையை மறைக்கக்கூடும்: மாதிரிகள் சில பகுதிகளில் கூர்மையடையலாம், ஆனால் மற்ற பகுதிகளில் நிலைத்து நிற்கவோ அல்லது பலவீனமடையவோ செய்யலாம்.

இந்த வேறுபாடு, AI-யை ஆய்வகங்கள், healthcare workflows, scientific analysis, அல்லது பிற உயர்மதிப்புடைய சூழல்களில் பயன்படுத்த முயலும் நிறுவனங்களுக்கு முக்கியமானது. demo-களில் சிறப்பாகத் தோன்றினாலும், நிஜ சூழல்களில் சீரற்ற செயல்திறன் காட்டும் மாதிரி போதாது. நம்பகத்தன்மை, மீண்டும் செய்யக்கூடிய தன்மை, மற்றும் துறைசார் திறன் ஆகியவை பரந்த ஆனால் மேலோட்டமான fluency-ஐவிட முக்கியம்.

மாதிரி உருவாக்குநர்கள் படைப்பாற்றல் சிக்கல் தீர்க்கும் திறனில் அல்லது பொதுவான transfer-ல் ஒரு வரம்பை எட்டிக் கொண்டிருந்தால், இலக்கிடப்பட்ட data, உண்மையில் முக்கியமான இடங்களில் திறனை முன்னோக்கி தள்ளும் வழியாக அமையலாம். அதுவே Ho-வின் சூதாட்டம்: scaling பயனற்றது என்று அல்ல, ஆனால் அது துல்லியமான பணிகளுக்காக வடிவமைக்கப்பட்ட data-வுடன் இணைக்கப்படாவிட்டால் அதன் வருவாய் குறையும் என்பதாகும்.

முதற்கட்ட இலக்குகள்: bioinformatics மற்றும் வழக்கமான lab work

Ho தொடங்கும் நிறுவனம், அறிக்கையின்படி, இரண்டு பகுதிகளில் ஆரம்பிக்கிறது. ஒன்று bioinformatics; இதில், Ho முன்பு OpenAI-யில் செய்த பணியுடன் தொடர்புடைய சிக்கலான scientific analyses-ல் GPT-5.6 Sol போன்ற தற்போதைய மாதிரிகள் சுமார் 30 சதவீத வெற்றி விகிதம் மட்டுமே பெறுகின்றன என்று கட்டுரை கூறுகிறது. இரண்டாவது பகுதி வழக்கமான lab work; இதில் ஆராய்ச்சியாளர்கள் சோதனைகளின் படங்களை AI systems-க்கு மதிப்பீட்டுக்காக சமர்ப்பிக்கும் சூழல்களும் அடங்கும்.

இந்த தொடக்கப் புள்ளிகள் வெளிப்படுத்துவதாக உள்ளன. இவை இரண்டும் மொழி ஒப்புமையை விட அதிகமானதைத் தேவைப்படுத்தும் துறைகள். Bioinformatics பல படி reasoning, துறை மரபுகள், அறிவியல் சூழல், மற்றும் பிழை உணர்திறன் ஆகியவற்றை உள்ளடக்குகிறது. Lab workflows-க்கு பாடநூல் பதில்களை விட, காட்சிசார் தீர்ப்பு, நடைமுறைப் புரிதல், மற்றும் செயல்முறை விளக்கம் தேவைப்படலாம். குறைந்த தரம் அல்லது பொதுவான data, மாதிரிகளை மொத்த அளவுகோள்களில் திறமையானதாகக் காட்டி, முக்கிய பயன்பாட்டில் தோல்வியடையச் செய்வது இப்படிப்பட்ட சூழல்களில்தான்.

அடுத்த கட்டமாக chemistry, materials science, healthcare, மற்றும் விரிவான knowledge work ஆகியவை திட்டமிடப்பட்டுள்ளன என்று அறிக்கை கூறுகிறது. அந்த roadmap, தவறுகள் செலவு ஏற்படுத்தும், மற்றும் தனிப்பட்ட data பாதுகாக்கக்கூடிய infrastructure ஆக மாறக்கூடிய துறைகளை மையமாகக் கொண்ட வணிகத் தந்திரத்தைக் காட்டுகிறது.

Frontier-lab பொருளாதாரத்திற்கு சவால்

Frontier AI labs-க்கு இணைக்கப்பட்டுள்ள மிக உயர்ந்த மதிப்பீடுகள் குறித்து Ho சந்தேகத்துடன் இருப்பதாகவும் தெரிகிறது. The Decoder சுருக்கமாக கூறியபடி, OpenAI மற்றும் Anthropic போன்ற நிறுவனங்கள் நீடித்தளவில் லாபமளிக்காதவையாக உள்ளன என்று அவர் வாதிடுகிறார்; காரணம், Qwen அல்லது Kimi போன்ற குறைந்த செலவு போட்டியாளர்களை முன்னிட்டு இருக்க, அவர்கள் புதிய மாதிரிகளில் தொடர்ந்து பெரிய அளவில் செலவிட வேண்டியுள்ளது. இந்த முழு மதிப்பீட்டை ஒருவர் ஏற்றுக்கொண்டாலும் இல்லாவிட்டாலும், அது சந்தையில் வளர்ந்து வரும் பதற்றத்தை சுட்டிக்காட்டுகிறது.

Frontier scaling-இன் marginal cost உயர்ந்த நிலையில் இருந்தால், மேலும் திறந்த அல்லது குறைந்த செலவு போட்டியாளர்கள் இடைவெளியை நெருங்கினால், தனித்துவமான முன்னிலை மாதிரி அளவைவிட புனரமைக்க கடினமான ஏதோ ஒன்றிலிருந்து வர வேண்டியிருக்கும். வடிவமைக்கப்பட்ட datasets, தனிப்பட்ட workflows, சரிபார்க்கப்பட்ட outcomes, மற்றும் துறைசார் feedback loops ஆகியவை raw scale-ஐவிட இந்த தேவைக்கு சிறப்பாக பொருந்துகின்றன. அவை உருவாக்க நேரம் அதிகம், நகலெடுக்க கடினம், மேலும் பல சமயங்களில் வாடிக்கையாளர் பயன்பாட்டு நிலைகளுடன் நெருக்கமாக இணைந்தவை.

இதனால் foundational models முக்கியத்துவத்தை இழக்கின்றன என்பதல்ல. அவற்றின் வேறுபாடு, அவற்றைச் சுற்றியுள்ள data-வின் தரத்தைக் கொண்டே அதிகமாக நிர்ணயிக்கப்படும் என்பதைத்தான் அது குறிக்கிறது. அத்தகைய சூழலில், data companies, model labs-க்கு பின்தொடர்பவை அல்ல; அவை திறன் அடுக்கின் ஒரு முக்கிய அங்கமாக மாறுகின்றன.

$100 பில்லியன் data market என்னைக் குறிக்கும்

வரும் ஆண்டுகளில் இலக்கிடப்பட்ட data collection-க்கு AI labs $100 பில்லியனைத் தாண்டி செலவிடும் என Ho மதிப்பிட்டிருப்பது தைரியமான கணிப்பு தான். ஆனால் அதன் மூலோபாய காரணம் எளிதாகப் புரிகிறது. பொதுவான web data-வில் இருந்து எளிதான முன்னேற்றங்கள் சுரண்டப்பட்டுவிட்டால், துறைக்கு புதிய raw material தேவைப்படும். அந்த raw material என்பது குறிச்சொற்கள் சேர்க்கப்பட்ட scientific tasks, சரிபார்க்கப்பட்ட enterprise workflows, multimodal lab records, அல்லது தற்போதைய மாதிரிகள் பயிற்சியில் போதுமான அளவு பார்க்காத பிற structured experience ஆக இருக்கலாம்.

அத்தகைய செலவீடு, AI வளர்ச்சியில் யார் பயனடைவார்கள் என்பதையும் மாற்றும். மதிப்பு முதன்மையாக chipmakers, hyperscalers, மற்றும் frontier-model developers-இல் மட்டும் குவிவதற்குப் பதிலாக, data-centric cycle domain experts, labeling systems, synthetic-data tooling, enterprise data partnerships, மற்றும் சிறப்பு சூழல்களில் quality-ஐ அளவிடக்கூடிய அமைப்புகளை உயர்த்தும்.

பரந்த takeaway என்னவென்றால், AI போட்டி குறைவாகப் பார்க்கப்படும், ஆனால் அடிப்படையான ஒரு கட்டத்துக்குள் நுழைந்திருக்கலாம். அடுத்த பெரிய முன்னேற்றம், வெறும் மாதிரிகளைப் பெரியதாக மாற்றுவதிலிருந்து மட்டும் வராது. இன்னும் automation-ஐ எதிர்க்கும் குழப்பமான, contextual, மற்றும் high-stakes பணிகளுக்காக வடிவமைக்கப்பட்ட data-வுடன் அவற்றை சிறப்பாக கற்பிப்பதிலிருந்து வரலாம். இந்த மாற்றம் ஒரு பக்கக்கதையல்ல என்று Ho பந்தயம் வைக்கிறார். அடுத்த AI சுழற்சியின் முக்கிய சந்தைகளில் ஒன்றாக இது மாறும் என்பதற்குத்தான் அவர் பந்தயம் வைக்கிறார்.

இந்தக் கட்டுரை The Decoder வெளியிட்ட செய்தியை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.