एक नवीन पुनरावृत्ती, पण ती पुरेशी आहे का?
कृत्रिम बुद्धिमत्ता (AI) क्षेत्र हे गतिमान आणि सतत विकसित होणारे क्षेत्र आहे, ज्यात कंपन्या वर्चस्वासाठी सतत स्पर्धा करत आहेत. एकेकाळी निर्विवाद आघाडीवर असलेल्या OpenAI ने अलीकडेच GPT-4.5 सादर केले, जे त्यांच्या मोठ्या भाषिक मॉडेलची (large language model) सुधारित आवृत्ती आहे. हे मॉडेल अधिक “भावनिकदृष्ट्या बुद्धिमान” आणि कमी “भ्रम” (खोटी माहिती तयार करणे) करणारे असल्याचे सांगितले जात असले तरी, या प्रकाशनाने एक वाद निर्माण केला आहे: OpenAI आपल्या प्रतिस्पर्धकांपेक्षा मागे पडू लागले आहे का?
हे नवीन मॉडेल, ChatGPT Pro वापरकर्त्यांसाठी $200 प्रति महिना या भरीव किंमतीत उपलब्ध आहे, जे OpenAI च्या प्रीट्रेनिंग (pretraining) दृष्टिकोनाचे फळ आहे. या पद्धतीमध्ये, AI ला त्याच्या सुरुवातीच्या प्रशिक्षण टप्प्यात मोठ्या प्रमाणात डेटा दिला जातो. हे मॉडेल तयार करताना, हा दृष्टीकोन त्यांच्यासाठी आधार ठरला आहे. तथापि, AI जग वेगाने पुढे जात आहे, आणि इतर कंपन्या উন্নত तर्क क्षमता (reasoning capabilities) असलेल्या मॉडेल्स सादर करत आहेत, ज्यामुळे OpenAI च्या दीर्घकाळ चाललेल्या वर्चस्वावर प्रश्नचिन्ह निर्माण झाले आहे.
प्रगतीची किंमत
GPT-4.5 चे एक लगेच लक्षात येणारे वैशिष्ट्य म्हणजे त्याची कार्यचालन किंमत (operational cost). हे त्याच्या आधीच्या GPT-4o पेक्षा लक्षणीयरीत्या अधिक महाग आहे, अंदाजानुसार 15 ते 30 पट जास्त खर्चिक आहे. यामुळे मॉडेलची व्यावहारिकता आणि स्केलेबिलिटी (scalability) याबद्दल प्रश्न निर्माण होतात, विशेषत: प्रतिस्पर्धकांकडून केल्या जात असलेल्या प्रगतीचा विचार करता.
सुधारणा असूनही, OpenAI स्वतः GPT-4.5 ला एक যুগান্তকারী झेप (groundbreaking leap) म्हणण्यास कचरत आहे. CEO सॅम अल्टमन यांनी जाणीवपूर्वक अपेक्षा कमी केल्या आहेत, हे मॉडेल “फ्रंटियर मॉडेल” (‘frontier model’) नसल्याचे सांगितले आहे. हा सावध दृष्टिकोन, आणि मॉडेलच्या तांत्रिक पेपरमध्ये (technical paper) शेवटच्या क्षणी केलेला बदल (हे एक प्रगत AI प्रणाली नाही असा दावा काढून टाकणे), यामुळे GPT-4.5 च्या खऱ्या क्षमतांबद्दल शंका निर्माण झाली आहे.
स्पर्धेची वाढती लाट: Anthropic आणि DeepSeek
OpenAI या अनिश्चित परिस्थितीत मार्गक्रमण करत असताना, इतर कंपन्या महत्त्वपूर्ण प्रगती करत आहेत. Anthropic, त्याच्या Claude 3.7 Sonnet सह, आणि DeepSeek, R1 मॉडेल असलेली एक चीनी कंपनी, लक्षणीय प्रगती करत आहेत. ही मॉडेल्स अधिक प्रगत तर्क क्षमता दर्शवतात, जे एक महत्त्वपूर्ण क्षेत्र आहे जिथे GPT-4.5 मागे पडताना दिसत आहे.
AI शर्यत तीव्र होत आहे, आणि OpenAI चे वर्चस्व आता निश्चित नाही. GPT-5 चे आगामी प्रकाशन OpenAI वर एक महत्त्वपूर्ण प्रगती दर्शवण्यासाठी दबाव आणत आहे.
बेंचमार्क डेटा: चिंतेचे कारण?
सार्वजनिकरित्या उपलब्ध बेंचमार्क डेटा GPT-4.5 साठी मिश्रित चित्र रंगवतो. काही महत्त्वाच्या क्षेत्रांमध्ये ते GPT-4o पेक्षा चांगले प्रदर्शन करत असले तरी, तार्किक तर्क (logical reasoning), कोडिंग प्रवीणता (coding proficiency) आणि बहुभाषिक समस्या-সমাধান (multilingual problem-solving) यांसारख्या महत्त्वपूर्ण क्षेत्रांमध्ये त्याने मोठी प्रगती दर्शविलेली नाही.
सुरुवातीच्या तुलना सूचित करतात की GPT-4.5, Anthropic च्या नवीनतम Claude मॉडेलसमोर संघर्ष करत आहे. Claude 3.7 Sonnet अधिक प्रगत दृष्टिकोन वापरते, जे सहज प्रतिसादांसह (intuitive responses) गहन, विचारपूर्वक तर्काला (deliberative reasoning) एकत्रित करते. हा पारंपारिक दृष्टिकोनापेक्षा एक महत्त्वपूर्ण बदल आहे.
GPT-4.5 च्या विपरीत, Claude 3.7 Sonnet वास्तविक वेळेत (real-time) त्वरित, सहज प्रतिसाद (intuitive response) तयार करायचा की अधिक जटिल “चेन-ऑफ-थॉट” (‘chain-of-thought’) प्रक्रियेत गुंतवायचे, हे गतिशीलपणे (dynamically) ठरवते. हे त्याला त्याची उत्तरे सुधारण्यास आणि विस्तृत प्रश्नांना जुळवून घेण्यास अनुमती देते. OpenAI च्या नवीनतम प्रकाशनात या लवचिकतेचा (flexibility) अभाव आहे, ज्यामुळे चिंता वाढते की त्यांची मॉडेल्स वेगाने विकसित होत असलेल्या बाजारात ক্রমশ अप्रचलित (outmoded) होत आहेत.
कोमट प्रतिसाद आणि वाढती शंका
सोशल मीडियावर AI समुदायाकडून मिळालेला प्रतिसाद, फारसा उत्साहवर्धक नाही. अनेक AI संशोधकांनी बेंचमार्क निकाल शेअर केले आहेत, जे प्रभावी नाहीत.
प्रख्यात AI तज्ञ गॅरी मार्कस यांनी GPT-4.5 ला “नथिंग बर्गर” (‘nothing burger’) म्हटले आहे, जे OpenAI च्या तांत्रिक आघाडीवर (technological edge) टिकून राहण्याच्या क्षमतेबद्दल वाढत्या शंकेला प्रतिबिंबित करते. ही भावना OpenAI वर खरोखरच नाविन्यपूर्ण (innovative) उपाय वितरीत करण्यासाठी वाढत्या दबावाला अधोरेखित करते.
एक धोरणात्मक बदल: रीझनिंग मॉडेल्सचा स्वीकार
GPT-4.5 चे प्रकाशन, ज्याला अंतर्गत “ओरियन” (‘Orion’) म्हणून ओळखले जाते, OpenAI साठी एक महत्त्वपूर्ण वळण आहे. हे कंपनीच्या दीर्घकाळ चाललेल्या प्रीट्रेनिंग (pretraining) धोरणाचा वापर करून तयार केलेले अंतिम मॉडेल आहे. हे धोरण, जे त्यांच्या दृष्टिकोनाचा आधारस्तंभ आहे, मॉडेलचा आकार वाढवणे आणि डेटा इनपुटचे प्रमाण वाढवणे यावर अवलंबून होते.
पुढे जाऊन, OpenAI रीझनिंग मॉडेल्स (reasoning models) कडे वळत आहे. ही मॉडेल्स चाचणी टप्प्यात (testing phase) त्यांची तार्किक प्रक्रिया क्षमता (logical processing capabilities) वाढवण्यासाठी रीइन्फोर्समेंट लर्निंगचा (reinforcement learning) लाभ घेतात. हे त्यांच्या दृष्टिकोनातील मूलभूत बदल दर्शवते, प्रगत AI प्रणालींमध्ये तर्काच्या (reasoning) वाढत्या महत्त्वाचा स्वीकार करते.
AI क्षेत्रातील इतर प्रमुख कंपन्या, ज्यात Anthropic आणि Google यांचा समावेश आहे, देखील अशा मॉडेल्समध्ये मोठ्या प्रमाणावर गुंतवणूक करत आहेत जे त्यांच्या संगणकीय संसाधनांना (computational resources) गतिशीलपणे (dynamically) समायोजित करू शकतात. हे समायोजन कार्याच्या जटिलतेवर (complexity of the task) आधारित आहे, ज्यामुळे अधिक कार्यक्षम आणि प्रभावी समस्या-সমাधान (problem-solving) शक्य होते. DeepSeek, चीनमधील उदयोन्मुख AI कंपनीने, त्याचप्रमाणे रीझनिंग-आधारित (reasoning-driven) मॉडेल्स सादर केले आहेत जे OpenAI च्या सध्याच्या तंत्रज्ञानाला थेट आव्हान देतात.
दबाव वाढतो: GPT-5 आणि भविष्य
स्पर्धा तीव्र होत असताना, OpenAI वर खरोखरच पुढच्या पिढीचे मॉडेल (next-generation model) वितरित करण्याचा प्रचंड दबाव आहे. CEO सॅम अल्टमन यांनी पुष्टी केली आहे की GPT-5 येत्या काही महिन्यांत सादर केले जाईल. त्यांनी एक संकरित दृष्टिकोन (hybrid approach) देण्याचे वचन दिले आहे, जो GPT-शैलीतील मॉडेल्सच्या अस्खलिततेसह (fluency) रीझनिंग मॉडेल्सच्या (reasoning models) टप्प्याटप्प्याने तर्काला (step-by-step logic) एकत्र करेल.
तथापि, हा धोरणात्मक बदल OpenAI चे नेतृत्व स्थान पुनर्संचयित करण्यासाठी पुरेसा असेल की नाही, हा एक खुला प्रश्न आहे. AI लँडस्केप (landscape) अभूतपूर्व वेगाने विकसित होत आहे, आणि अनुकूलन क्षमता (adaptability) टिकून राहण्यासाठी महत्त्वाची आहे.
एक गर्दीचे क्षेत्र: आव्हाने उभी राहतात
AI क्षेत्र आता एक-घोडा शर्यत राहिलेले नाही. अनेक प्रतिस्पर्धी वेगाने उदयास येत आहेत, OpenAI च्या पूर्वीच्या निर्विवाद वर्चस्वाला धक्का देत आहेत.
Anthropic ने स्वतःला रीझनिंग AI मध्ये एक नेता म्हणून स्थापित केले आहे, Claude मॉडेल कुटुंबासह त्याच्या दृष्टिकोनाची शक्ती दर्शविली आहे. DeepSeek च्या R1 मॉडेलने कोडिंग आणि गणितीय तर्कामध्ये (mathematical reasoning) प्रभावी निकाल दर्शविले आहेत, जे AI लँडस्केप (landscape) च्या विविधतेला (diversification) अधिक अधोरेखित करते.
दरम्यान, Meta आणि Google सारख्या मोठ्या टेक कंपन्या त्यांच्या स्वत: च्या AI ऑफरिंगमध्ये (offerings) सुधारणा करत आहेत. त्या त्यांच्या प्रचंड संगणकीय संसाधनांचा (computational resources) वापर जनरेटिव्ह AI (generative AI) च्या सीमांना पुढे ढकलण्यासाठी करत आहेत, ज्यामुळे एक अत्यंत स्पर्धात्मक वातावरण निर्माण होत आहे.
अनिश्चिततेचा एक नवीन काळ
OpenAI च्या तांत्रिक वर्चस्वावर (technological supremacy) आता सक्रियपणे प्रश्नचिन्ह उपस्थित केले जात असताना, AI उद्योग एका नवीन टप्प्यात प्रवेश करत आहे. या टप्प्यात, कोणत्याही एका कंपनीकडे निश्चित फायदा नाही. एका खेळाडूचे स्पष्ट वर्चस्व असलेला काळ संपलेला दिसत आहे.
GPT-5 चे प्रकाशन जवळ येत असताना, OpenAI ला हे सिद्ध करण्याचे मोठे आव्हान आहे की ते वेगाने रीझनिंग-आधारित (reasoning-driven) मॉडेल्सकडे वळणाऱ्या उद्योगाशी बरोबरी करू शकते. केवळ AI मॉडेल्सचा आकार वाढवण्याचे दिवस संपत आले आहेत. ज्या कंपन्या या नवीन वास्तवाशी यशस्वीरित्या जुळवून घेऊ शकतील, तर्काचे (reasoning) आणि अनुकूलन क्षमतेचे (adaptability) महत्त्व स्वीकारतील, त्याच कंपन्या कृत्रिम बुद्धिमत्तेचे (artificial intelligence) भविष्य परिभाषित करतील. शर्यत सुरू आहे, आणि निकाल निश्चित नाही.
महत्त्वाच्या पैलूंवर विस्तार:
विकसित होत असलेल्या AI लँडस्केप (landscape) आणि त्यातील OpenAI च्या स्थितीवर अधिक तपशीलवार चर्चा करण्यासाठी, चला काही महत्त्वाच्या पैलूंवर अधिक लक्ष केंद्रित करूया:
1. तर्काचे (Reasoning) महत्त्व:
AI च्या संदर्भात, तर्क (reasoning) म्हणजे मॉडेलची केवळ पॅटर्न ओळखण्यापलीकडे (pattern recognition) जाऊन तार्किक अनुमान (logical deduction), निष्कर्ष (inference) आणि समस्या-समाधान (problem-solving) करण्याची क्षमता. उपलब्ध माहितीवर आधारित निष्कर्ष काढणे आणि तार्किक नियम (logical rules) वापरून समाधानापर्यंत पोहोचणे, हे याचे उद्दिष्ट आहे. केवळ संभाव्य दिसणारे मजकूर (text) तयार करण्यापलीकडे हे एक महत्त्वपूर्ण पाऊल आहे.
पारंपारिक मोठे भाषिक मॉडेल (large language models), जसे की OpenAI ने पूर्वी विकसित केलेले, प्रामुख्याने पॅटर्न ओळखण्यावर (pattern recognition) लक्ष केंद्रित करत होते. त्यांनी मोठ्या डेटासेटमधील (datasets) पॅटर्न ओळखण्यात आणि ते पॅटर्न पुन्हा तयार करून मजकूर तयार करण्यात उत्कृष्ट कामगिरी केली. तथापि, त्यांना अनेकदा अशा कार्यांमध्ये संघर्ष करावा लागला ज्यासाठी खऱ्या अर्थाने समज आणि तार्किक तर्क (logical reasoning) आवश्यक होते.
रीझनिंग मॉडेल्स (Reasoning models), दुसरीकडे, या मर्यादेवर (limitation) मात करण्यासाठी डिझाइन केलेले आहेत. ते खालील तंत्रे (techniques) वापरतात:
- चेन-ऑफ-थॉट प्रॉम्प्टिंग (Chain-of-Thought Prompting): यामध्ये मॉडेलला मध्यवर्ती तार्किक चरणांच्या (intermediate reasoning steps) मालिकेद्वारे मार्गदर्शन करणे, अंतिम उत्तरापर्यंत पोहोचण्यापूर्वी त्याला “मोठ्याने विचार” (‘think aloud’) करण्यास प्रोत्साहित करणे समाविष्ट आहे.
- रीइन्फोर्समेंट लर्निंग (Reinforcement Learning): यामध्ये मॉडेलला चाचणी आणि त्रुटी (trial and error) द्वारे प्रशिक्षित करणे, योग्य तार्किक चरणांसाठी (reasoning steps) त्याला पुरस्कृत करणे आणि चुकीच्या गोष्टींसाठी दंडित करणे समाविष्ट आहे.
- सिम्बॉलिक रीझनिंग (Symbolic Reasoning): यामध्ये ज्ञान आणि तार्किक नियमांचे (logical rules) सिम्बॉलिक प्रतिनिधित्व (symbolic representations) मॉडेलमध्ये समाविष्ट करणे, त्याला अधिक औपचारिक तर्क (formal reasoning) करण्यास अनुमती देणे समाविष्ट आहे.
2. Anthropic चा दृष्टिकोन: घटनात्मक AI (Constitutional AI):
Anthropic चा दृष्टिकोन, ज्याला अनेकदा “घटनात्मक AI” (‘Constitutional AI’) म्हटले जाते, मानवी मूल्यांशी (human values) सुरक्षितता आणि संरेखनावर (alignment) भर देतो. यामध्ये मॉडेलला तत्त्वांच्या संचासह (set of principles) किंवा “घटना” (‘constitution’) सह प्रशिक्षित करणे समाविष्ट आहे जे त्याच्या वर्तनाचे मार्गदर्शन करते. ही घटना मॉडेलला हानिकारक, पक्षपाती (biased) किंवा अनैतिक (unethical) सामग्री तयार करण्यापासून प्रतिबंधित करण्यासाठी डिझाइन केलेली आहे.
मुख्य कल्पना अशी AI प्रणाली तयार करणे आहे जी केवळ शक्तिशालीच नाही तर विश्वासार्ह (reliable) आणि सुरक्षित (trustworthy) देखील आहे. हे खालील गोष्टींच्या संयोजनाद्वारे (combination) साध्य केले जाते:
- सुपरवाइज्ड लर्निंग (Supervised Learning): मॉडेलला अशा डेटावर प्रशिक्षित करणे जे काळजीपूर्वक तयार केले गेले आहे आणि इच्छित मूल्यांचे (desired values) प्रतिबिंब दर्शवण्यासाठी लेबल केलेले आहे.
- मानवी अभिप्रायावरून रीइन्फोर्समेंट लर्निंग (Reinforcement Learning from Human Feedback): मॉडेलच्या वर्तनाला (behavior) बारीक-बारीक (fine-tune) करण्यासाठी आणि त्याच्या घटनेत (constitution) नमूद केलेल्या तत्त्वांशी (principles) जुळवून घेण्यासाठी मानवी अभिप्रायाचा (human feedback) वापर करणे.
- सेल्फ-क्रिटिक आणि रिविजन (Self-Critique and Revision): मॉडेलला त्याच्या स्वत: च्या आउटपुटचे (outputs) परीक्षण (critique) करण्यास आणि घटनात्मक तत्त्वांवर (constitutional principles) आधारित त्यामध्ये सुधारणा करण्यास सक्षम करणे.
3. DeepSeek ची बलस्थाने: कोडिंग आणि गणित:
DeepSeek च्या R1 मॉडेलने कोडिंग आणि गणितीय तर्कामध्ये (mathematical reasoning) केलेल्या मजबूत कामगिरीसाठी लक्ष वेधले आहे. हे तांत्रिक क्षेत्रात (technical domains) उत्कृष्ट कामगिरी करू शकणाऱ्या AI प्रणाली विकसित करण्यावर लक्ष केंद्रित करत असल्याचे सूचित करते.
हे कौशल्य विशेषतः खालील कार्यांसाठी मौल्यवान आहे:
- स्वयंचलित कोड जनरेशन (Automated Code Generation): नैसर्गिक भाषेतील वर्णनांवरून (natural language descriptions) कोड तयार करणे, संभाव्यतः सॉफ्टवेअर विकासाला (software development) गती देणे.
- गणितीय समस्या सोडवणे (Mathematical Problem Solving): जटिल गणितीय समस्या सोडवणे आणि प्रमेय (theorems) सिद्ध करणे.
- वैज्ञानिक शोध (Scientific Discovery): संशोधकांना डेटाचे विश्लेषण (analyzing data) करण्यात, गृहीतके (hypotheses) तयार करण्यात आणि नवीन शोध लावण्यात मदत करणे.
4. Meta आणि Google ची भूमिका:
Meta आणि Google, त्यांच्या प्रचंड संसाधने (resources) आणि संशोधन क्षमतांसह (research capabilities), AI लँडस्केपमधील (landscape) महत्त्वपूर्ण खेळाडू आहेत. ते सक्रियपणे त्यांचे स्वतःचे मोठे भाषिक मॉडेल (large language models) विकसित करत आहेत आणि AI विकासासाठी विविध दृष्टिकोन शोधत आहेत.
- Meta चे LLaMA: Meta चे LLaMA (लार्ज लँग्वेज मॉडेल मेटा AI) हे ओपन-सोर्स (open-source) मोठ्या भाषिक मॉडेल्सचे (large language models) एक कुटुंब आहे, ज्यामुळे ते संशोधक आणि विकासकांच्या विस्तृत श्रेणीसाठी (wider range of researchers and developers) उपलब्ध आहेत.
- Google चे PaLM आणि Gemini: Google चे पाथवेज लँग्वेज मॉडेल (PaLM) आणि Gemini हे शक्तिशाली भाषिक मॉडेल आहेत ज्यांनी विविध कार्यांमध्ये प्रभावी क्षमता दर्शविली आहे.
या कंपन्यांचा सहभाग स्पर्धेला अधिक तीव्र करतो आणि AI क्षेत्रात नावीन्य (innovation) आणतो.
5. केवळ स्केलिंगचा (Scaling) अंत:
केवळ AI मॉडेल्सचा आकार वाढवण्यापासून दूर जाणे, हे एक महत्त्वपूर्ण बदल दर्शवते. अनेक वर्षांपासून, असा विश्वास होता की मोठ्या मॉडेल्सना, अधिक डेटावर प्रशिक्षित केल्यास, कार्यक्षमतेत (performance) नक्कीच सुधारणा होईल. हे काही प्रमाणात खरे असले तरी, त्याला मर्यादा (limitations) देखील आल्या आहेत.
- घटणारे फायदे (Diminishing Returns): जसजसे मॉडेल्स मोठे होतात, तसतसे कार्यक्षमतेतील सुधारणा कमी होत जातात, तर खर्च (संगणकीय संसाधने, ऊर्जा वापर) नाटकीयरित्या (dramatically) वाढतो.
- अर्थपूर्णतेचा अभाव (Lack of Interpretability): अत्यंतमोठे मॉडेल्स समजून घेणे आणि त्याचा अर्थ लावणे कठीण होऊ शकते, ज्यामुळे पक्षपात (biases) किंवा त्रुटी (errors) ओळखणे आणि त्यांचे निराकरण करणे आव्हानात्मक होते.
- मर्यादित तर्क क्षमता (Limited Reasoning Ability): केवळ मॉडेलचा आकार वाढवल्याने तर्क क्षमता (reasoning capabilities) सुधारत नाही.
म्हणून, आता लक्ष अधिक प्रगत आर्किटेक्चर (architectures) आणि प्रशिक्षण तंत्रांकडे (training techniques) वळत आहे जे तर्क (reasoning), अनुकूलन क्षमता (adaptability) आणि कार्यक्षमतेला (efficiency) प्राधान्य देतात.
6. अनुकूलन क्षमतेचे (Adaptability) महत्त्व:
AI लँडस्केपमध्ये (landscape) अनुकूलन क्षमता (adaptability) अधिकाधिक महत्त्वाची होत आहे. जी मॉडेल्स त्यांच्या संगणकीय संसाधनांचे (computational resources) आणि तार्किक धोरणांचे (reasoning strategies) कार्य (task) पाहून गतिशीलपणे (dynamically) समायोजित करू शकतात, ती निश्चित दृष्टिकोन (fixed approach) वापरणाऱ्यांपेक्षा चांगली कामगिरी करण्याची शक्यता आहे.
ही अनुकूलन क्षमता (adaptability) खालील गोष्टींना अनुमती देते:
- कार्यक्षम संसाधन वाटप (Efficient Resource Allocation): दिलेल्या कार्यासाठी फक्त आवश्यक संगणकीय शक्ती (computational power) वापरणे, ऊर्जा वापर आणि खर्च कमी करणे.
- सुधारित कार्यप्रदर्शन (Improved Performance): तार्किक प्रक्रिया (reasoning process) कार्याच्या विशिष्ट आवश्यकतांनुसार (specific requirements) तयार करणे, ज्यामुळे अधिक अचूक आणि विश्वासार्ह (reliable) परिणाम मिळतात.
- अधिक लवचिकता (Greater Flexibility): विस्तृत प्रश्न आणि कार्ये प्रभावीपणे हाताळणे.
AI चे भविष्य अशा मॉडेल्सद्वारे दर्शविले जाण्याची शक्यता आहे जे केवळ शक्तिशालीच नाहीत तर अनुकूल (adaptable), कार्यक्षम (efficient) आणि मानवी मूल्यांशी (human values) सुसंगत (aligned) देखील आहेत. या पुढील पिढीच्या AI प्रणाली विकसित करण्याची शर्यत सुरू आहे, आणि ज्या कंपन्या यशस्वी होतील त्या तंत्रज्ञानाचे भविष्य घडवतील.