२०२५ मधील कृत्रिम बुद्धिमत्तेतील क्रांती

कृत्रिम बुद्धिमत्तेतील (Artificial Intelligence - AI) क्रांती २०२५: एक गंभीर विश्लेषण

२०२५ हे वर्ष कृत्रिम बुद्धिमत्तेसाठी (AI) एक निर्णायक क्षण ठरत आहे, कारण हे तंत्रज्ञान आधुनिक अर्थव्यवस्था, वैज्ञानिक प्रगती आणि राजकीय परिदृश्यांवर महत्त्वपूर्ण परिणाम करत आहे. या विस्तृत पुनरावलोकनात, आम्ही स्टॅनफोर्ड विद्यापीठाच्या AI Index 2025 मधून घेतलेल्या निष्कर्षांचा अभ्यास करू, AI च्या भविष्यातील वाटचालीवर निराशावादी आणि आशावादी दोन्ही दृष्टिकोन देत आहोत.

संशोधन आणि विकास (Research and Development)

प्रकाशनांमध्ये प्रचंड वाढ (Exponential Growth in Publications)

AI मधील शैक्षणिक आवड आणि निर्मितीमध्ये अभूतपूर्व वाढ झाली आहे. २०१३ ते २०२३ या दशकात, AI संबंधित वैज्ञानिक प्रकाशनांची संख्या दुप्पट झाली आहे, जी १,०२,००० वरून २,४२,००० पर्यंत वाढली आहे. शिवाय, AI चे महत्त्व कंप्यूटर सायन्समध्ये वाढले आहे, जे या क्षेत्रातील एकूण प्रकाशनांच्या ४१.८% आहे, तर एका दशकापूर्वी ते केवळ २१.६% होते. हे लक्षणीय विस्तार विविध वैज्ञानिक शाखांमध्ये AI चे वाढते महत्त्व आणि एकत्रीकरण दर्शवते.

पेटंटमध्ये वाढ (Patent Surge)

AI संबंधित पेटंटची संख्या वाढली आहे, जी या क्षेत्रातील नवकल्पना आणि व्यावसायिक आवड दर्शवते. २०१० मध्ये, जगभरात ३,८३३ AI पेटंट नोंदवले गेले; २०२३ पर्यंत, ही संख्या १,२२,५११ पर्यंत वाढली, जी ३२ पटीने अधिक आहे. मागील वर्षात AI पेटंटमध्ये २९.६% वाढ झाली आहे, जी तांत्रिक प्रगती आणि या स्पर्धात्मक क्षेत्रात बौद्धिक संपदा सुरक्षित करण्याची ड्राइव्ह दर्शवते.

AI पेटंटमधील जागतिक नेते (Global Leaders in AI Patents)

चीन AI पेटंटमध्ये जागतिक स्तरावर आघाडीवर आहे, ज्यांच्याकडे AI पेटंटच्या ६९.७% मालकी आहे. हे चीनचे AI तंत्रज्ञानावर लक्ष केंद्रित करणे आणि गुंतवणुकीचे महत्त्व दर्शवते. चीन एकूण संख्येत अग्रेसर असला तरी, दक्षिण कोरिया आणि लक्झमबर्ग दरडोई AI पेटंटच्या बाबतीत उत्कृष्ट आहेत, जे त्यांच्या लोकसंख्येमध्ये AI नवकल्पना वाढवण्यासाठी त्यांची बांधिलकी दर्शवतात.

एआय चिप तंत्रज्ञानातील प्रगती (Advances in AI Chip Technology)

एआय चिप तंत्रज्ञान वेगाने प्रगती करत आहे, चिपची गती दरवर्षी ४३% नी वाढत आहे, म्हणजेच दर १.९ वर्षांनी दुप्पट होत आहे. सुधारणेची ही गती अधिकाधिक जटिल एआय मॉडेल्सना समर्थन देण्यासाठी उच्च संगणकीय शक्तीचा अथक पाठपुरावा दर्शवते. ऊर्जा कार्यक्षमतेतही सुधारणा होत आहे, जी वार्षिक ४०% आहे, तर एआय चिप्सची किंमत सरासरी ३०% ने कमी होत आहे, ज्यामुळे एआय अनेक ऍप्लिकेशन्ससाठी अधिक सुलभ आणि आर्थिकदृष्ट्या व्यवहार्य बनले आहे.

बंद आणि खुल्या मॉडेल्समधील अंतर कमी करणे (Bridging the Gap Between Closed and Open Models)

मालकीचे (बंद) आणि ओपन-सोर्स एआय मॉडेल्समधील कामगिरीतील अंतर कमी होत आहे. २०२४ च्या सुरुवातीला, जीपीटी-४ (GPT-4) सारख्या प्रगत बंद मॉडेल्समध्ये ओपन मॉडेल्सपेक्षा ८% अधिक चांगली कामगिरी होती. फेब्रुवारी २०२५ पर्यंत, हे अंतर केवळ १.७% पर्यंत कमी झाले होते, जे दर्शवते की ओपन-सोर्स उपक्रम क्षमता आणि कार्यक्षमतेच्या दृष्टीने वेगाने प्रगती करत आहेत.

सुपरकंप्युटिंग शर्यत (Supercomputing Race)

सुपरकंप्युटिंग क्षमतेतील स्पर्धा अमेरिका आणि चीनमध्ये तीव्र होत आहे. २०२३ च्या उत्तरार्धात, अमेरिकन एआय मॉडेल्सने विविध बेंचमार्कवर आधारित चीनी मॉडेल्सपेक्षा १७.५-३१.६% अधिक चांगली कामगिरी केली. तथापि, २०२४ च्या अखेरीस, हा कामगिरीतील फरक शून्यावर आला, ज्यामुळे चीन सुपरकंप्युटिंगमध्ये वेगाने अंतर भरून काढत आहे.

तांत्रिक कार्यप्रदर्शन (Technical Performance)

महत्त्वपूर्ण कार्यक्षमतेत वाढ (Significant Performance Gains)

एआय मॉडेलने मागील वर्षात त्यांच्या कार्यक्षमतेत लक्षणीय सुधारणा दर्शविली आहे. एमएमएमयू (MMMU) (Massive Multitask Language Understanding) बेंचमार्कवर, एआय मॉडेलमध्ये १८.८% सुधारणा झाली. जीपीक्यूए (GPQA) (General-Purpose Question Answering) कार्यक्षमतेत ४८.९% वाढ झाली. विशेष म्हणजे, एसडब्ल्यूई-बेंच (SWE-bench) (Software Engineering Benchmark), जे एआयच्या वास्तविक जगातील सॉफ्टवेअर डेव्हलपमेंट कार्ये करण्याच्या क्षमतेचे मूल्यांकन करते, त्यात ४.४% वरून ७१.७% पर्यंत लक्षणीय सुधारणा दिसून आली.

लहान पण शक्तिशाली मॉडेल्सचा उदय (The Rise of Small Yet Mighty Models)

२०२२ मध्ये, ५४० अब्ज पॅरामीटर्स असलेल्या PaLM मॉडेलने एमएमएलयू (MMLU) (Massive Multitask Language Understanding) बेंचमार्कवर ६०% गुण मिळवले. २०२४ पर्यंत, मायक्रोसॉफ्टच्या Phi-3-mini ने, ज्यामध्ये फक्त ३.८ अब्ज पॅरामीटर्स आहेत, इतकीच कामगिरी केली. हे दर्शवते की लहान मॉडेल्स लक्षणीयरीत्या कमी पॅरामीटर्ससह तुलनात्मक कार्यक्षमता प्राप्त करू शकतात, जे मॉडेल कार्यक्षमता आणि आर्किटेक्चरमधील प्रगती दर्शवते. Phi-3-mini ने PaLM च्या बरोबरीची कामगिरी केली, परंतु त्यात १४२ पट कमी पॅरामीटर्स होते.

युनिव्हर्सल एजंट्स (Universal Agents)

लहान कार्ये (दोन तासांपर्यंत) हाताळताना, शीर्ष एआय एजंट मानवांपेक्षा चार पट अधिक वेगवान आहेत. तथापि, जेव्हा कार्याचा कालावधी ३२ तासांपर्यंत वाढतो, तेव्हा मानव अजूनही एआय एजंटपेक्षा २:१ च्या गुणोत्तराने सरस ठरतात. ही विषमता दीर्घकाळ चालणाऱ्या, जटिल कार्यांना हाताळण्यात एआयच्या सध्याच्या मर्यादा दर्शवते, ज्यामध्ये सतत लक्ष आणि अनुकूलता आवश्यक असते.

व्हिडिओ जनरेशनमध्ये यश (Video Generation Breakthrough)

OpenAI (SORA), Stability AI (Stable Video Diffusion 3D/4D), Meta (Movie Gen), आणि Google DeepMind (Veo 2) आता उच्च-गुणवत्तेचे व्हिडिओ तयार करण्यास सक्षम आहेत. ही प्रगती एआयच्या वास्तववादी आणि आकर्षक दृश्य माध्यम तयार करण्याच्या क्षमतेतील एक महत्त्वाचा टप्पा आहे.

ह्यूमनॉइड रोबोट्स (Humanoid Robots)

Figure AI ने वेअरहाऊस वातावरणात काम करण्यासाठी ह्यूमनॉइड रोबोट्स लाँच केले आहेत. हे रोबोट्स शारीरिक श्रम आणि वारंवार करावी लागणारी कामे आवश्यक असलेल्या उद्योगांमध्ये एकत्रित करण्याच्या दिशेने एक महत्त्वपूर्ण पाऊल आहे.

मल्टीमॉडल अंडरस्टैंडिंगमधील प्रगती (Advances in Multimodal Understanding)

एआय मॉडेल्समध्ये मल्टीमॉडल डेटा (images and videos) समजून घेण्याची आणि त्यावर विचार करण्याची क्षमता सुधारत आहे. व्हीसीआर (VCR) (Visual Question Answering) आणि एमव्हीबेंच (MVBench) (MovieBench for video understanding) सारख्या कार्यांवरील अचूकता मागील वर्षात १४-१५% नी वाढली आहे. तथापि, मल्टी-लेव्हल रिझनिंग आणि प्लॅनिंग आवश्यक असलेल्या क्षेत्रांमध्ये अजूनही आव्हानं आहेत, जी सुधारणेची संधी दर्शवतात.

जबाबदार एआय (Responsible AI)

आरएआय बेंचमार्क (RAI Benchmarks)

जबाबदार एआय (Responsible AI - RAI) साठी बेंचमार्क विकसित करण्यास गती मिळत आहे, ज्यामध्ये हेल्म सेफ्टी (HELM Safety) आणि एआयआर-बेंच (AIR-Bench) सारख्या उपक्रमांचा उदय झाला आहे. तथापि, एआय प्रणालींच्या सुरक्षितता, निष्पक्षता आणि नैतिक मूल्यांकनासाठी अजूनही एकत्रित मानकांची कमतरता आहे.

घटनांचा मागोवा (Incident Tracking)

एआय संबंधित समस्यांमधील नोंदवलेल्या घटनांची संख्या २०२४ मध्ये २३३ पर्यंत वाढली, जी २०२३ च्या तुलनेत ५६.४% अधिक आहे. ही वाढ एआयच्या संभाव्य धोक्यांविषयी वाढती जागरूकता आणि मजबूत सुरक्षा उपाययोजना व निरीक्षण प्रणालीची आवश्यकता दर्शवते.

जोखीम व्यवस्थापन आणि नियमन (Risk Management and Regulation)

कंपन्यांच्या सर्वेक्षणात असे दिसून आले आहे की ६४% कंपन्यांना एआय प्रणालीतील चुकांविषयी चिंता आहे, ६३% नियमांचे पालन करण्याबद्दल आणि ६०% सायबर सुरक्षा धोक्यांविषयी चिंतित आहेत. या चिंता असूनही, सर्व कंपन्या या समस्यांचे निराकरण करण्यासाठी सक्रिय पाऊल उचलत नाहीत, ज्यामुळे अधिक जागरूकता आणि कृतीची आवश्यकता आहे.

पूर्वग्रह शोधणे (Bias Detection)

एआय मॉडेलमध्ये अजूनही काही प्रमाणात पूर्वग्रह आहेत, जसे की स्त्रियांना मानविकी क्षेत्रात आणि पुरुषांना नेतृत्व भूमिकेशी जोडणे. हे पूर्वग्रह एआय विकासात निष्पक्षता आणि समावेशकता सुनिश्चित करण्याच्या महत्त्वावर जोर देतात, जेणेकरून सामाजिक रूढीवादी कल्पनांना कायम ठेवता येऊ नये.

शैक्षणिक लक्ष (Scholarly Focus)

शैक्षणिक समुदाय जबाबदार एआयवर अधिकाधिक लक्ष केंद्रित करत आहे, या विषयावरील प्रकाशनांची संख्या २०२३ आणि २०२४ दरम्यान ९९२ वरून १२७८ पर्यंत २८.८% नी वाढली आहे. ही वाढ एआयच्या नैतिक आणि सामाजिक परिणामांबद्दल वाढती जाणीव आणि अधिक जबाबदार व फायदेशीर एआय तंत्रज्ञान विकसित करण्याची बांधिलकी दर्शवते.

अर्थव्यवस्था (Economics)

गुंतवणुकीचे ट्रेंड (Investment Trends)

एआयमधील खाजगी गुंतवणूक २०२४ मध्ये $२५२.३ अब्ज डॉलर्सवर पोहोचली, जी २०१४ च्या तुलनेत १३ पट अधिक आहे. गुंतवणुकीतील ही वाढ एआयच्या आर्थिक क्षमतेची वाढती जाणीव आणि त्याच्या परिवर्तनकारी क्षमतांचा फायदा घेण्याची ड्राइव्ह दर्शवते.

जनरेटिव्ह एआय गुंतवणूक (Generative AI Investment)

जनरेटिव्ह एआयसाठी निधी $३३.९ अब्ज डॉलर्सपर्यंत वाढला, जो मागील वर्षाच्या तुलनेत १८.७% अधिक आहे. जनरेटिव्ह एआय आता एआयमधील सर्व खाजगी गुंतवणुकीच्या २०% पेक्षा जास्त आहे, जे या उपक्षेत्रातील तीव्र आवड आणि जलद वाढ दर्शवते.

व्हेंचर कॅपिटल लीडर्स (Venture Capital Leaders)

अमेरिकेने एआयमध्ये व्हेंचर कॅपिटल गुंतवणुकीत जगाचे नेतृत्व केले आहे, ज्यामध्ये $१०९.१ अब्ज डॉलर्सची गुंतवणूक झाली आहे. ही आकडेवारी चीनच्या $९.३ अब्ज डॉलर्सच्या तुलनेत १२ पट आणि युनायटेड किंगडमच्या $४.५ अब्ज डॉलर्सच्या तुलनेत २४ पट जास्त आहे, जी एआय गुंतवणुकीत अमेरिकेचे वर्चस्व दर्शवते.

एआयचा अवलंब (AI Adoption)

कंपन्यांनी एआय तंत्रज्ञानाचा अवलंब ५५% वरून ७८% पर्यंत वाढवला आहे. जनरेटिव्ह एआयच्या वापरातही लक्षणीय वाढ झाली आहे, जी ३३% वरून ७१% पर्यंत वाढली आहे. ही आकडेवारी विविध उद्योगांमधील व्यावसायिक कार्यांमध्ये एआयचे वाढते एकत्रीकरण दर्शवते.

आर्थिक लाभ (Economic Gains)

एआय वापरणाऱ्या कंपन्यांना महत्त्वपूर्ण आर्थिक लाभ मिळत आहेत. ४९% कंपन्यांनी सेवा ऑपरेशन्समध्ये खर्चात बचत नोंदवली आहे, तर ७१% कंपन्यांनी मार्केटिंग आणि विक्रीमध्ये महसूल वाढवला आहे. हे परिणाम एआय व्यवसायांना मूर्त आर्थिक मूल्य प्रदान करू शकते हे दर्शवतात.

रोबोटिक्सची तैनाती (Robotics Deployment)

चीनने २,७६,३०० पेक्षा जास्त औद्योगिक रोबोट्स स्थापित केले आहेत, जे २०२३ मध्ये जागतिक बाजाराच्या ५१.१% आहेत. ही तैनाती चीनची ऑटोमेशन आणि उत्पादन व इतर उद्योगांमध्ये रोबोटिक्स वापरण्याची बांधिलकी दर्शवते.

ऊर्जा क्षेत्रातील गुंतवणूक (Energy Sector Investment)

मायक्रोसॉफ्टने एआय वर्कलोड्सच्या ऊर्जा मागणीला समर्थन देण्यासाठी अणुऊर्जेमध्ये $१.६ अब्ज डॉलर्सची गुंतवणूक केली आहे. गुगल आणि अमेझॉनदेखील एआयसाठी ऊर्जा उपायांमध्ये गुंतवणूक करत आहेत, जे एआय प्रणालींच्या वाढत्या ऊर्जेचा वापर आणि टिकाऊ ऊर्जा स्त्रोतांची आवश्यकता दर्शवतात.

उत्पादकता वाढ (Productivity Gains)

एआय उच्च- आणि कमी-कुशल कर्मचाऱ्यांमधील उत्पादकतेतील अंतर कमी करत आहे. समर्थन, सॉफ्टवेअर डेव्हलपमेंट आणि क्रिएटिव्ह कामांमध्ये १०-४५% पर्यंत कार्यक्षमता वाढली आहे. हे फायदे दर्शवतात की एआय मानवी क्षमता वाढवू शकते आणि एकूण कार्यक्षमतेत सुधारणा करू शकते.

विज्ञान आणि औषध (Science and Medicine)

क्लिनिकल सेटिंगमध्ये एलएलएम (LLMs in Clinical Settings)

लार्ज लँग्वेज मॉडेल (LLMs) क्लिनिकल सेटिंगमध्ये आशादायक परिणाम दर्शवित आहेत. o1 मॉडेलने मेडक्यूए (MedQA) टेस्टमध्ये ९६% गुण मिळवले, जे वैद्यकीय प्रश्नांची उत्तरे देण्याची क्षमता तपासते, जी २०२२ पासून २८.४% सुधारणा दर्शवते.

प्रोटीन इंजिनिअरिंगमधील प्रगती (Protein Engineering Advances)

ईएसएम३ (ESM3) (Evolutionary Scale Modeling v3) आणि अल्फाफोल्ड ३ (AlphaFold 3) (जे रेणूंच्या संरचनेचे मॉडेल तयार करते) सारख्या मॉडेल्सने प्रोटीन स्ट्रक्चर प्रेडिक्शनमध्ये अभूतपूर्व अचूकता प्राप्त केली आहे. या प्रगतीमुळे औषध शोध आणि बायोटेक्नोलॉजीमध्ये नवीन शोध लागले आहेत.

डायग्नोस्टिक क्षमता (Diagnostic Capabilities)

जीपीटी-४ (GPT-4) ने काही प्रकरणांमध्ये डॉक्टरांपेक्षा अधिक चांगल्या प्रकारे वैद्यकीय प्रकरणांचे निदान करण्याची क्षमता दर्शविली आहे. तथापि, “मानव+एआय” दृष्टीकोन अजूनही मानव किंवा एआयपेक्षा अधिक प्रभावी आहे, जे मानवी कौशल्ये आणि एआय क्षमता एकत्रित करण्याच्या महत्त्वावर जोर देते.

सिंथेटिक डेटा (Synthetic Data)

सिंथेटिक डेटाचा उपयोग रुग्णांची गोपनीयता जपण्यासाठी आणि नवीन औषधांच्या विकासाला गती देण्यासाठी केला जात आहे. हा दृष्टीकोन संशोधकांना संवेदनशील माहितीशी तडजोड न करता वास्तववादी डेटावर एआय मॉडेलला प्रशिक्षित करण्यास अनुमती देतो.

एआय रायटिंग टूल्स (AI Writing Tools)

एआय रायटिंग टूल्स डॉक्टरांचे दररोज २० मिनिटांपर्यंत वाचवत आहेत आणि burnout २६% ने कमी करत आहेत. ही साधने प्रशासकीय कार्ये स्वयंचलित करू शकतात आणि आरोग्य सेवा प्रदात्यांची कार्यक्षमता सुधारू शकतात.

एआय योगदानाला मान्यता (Recognition of AI Contributions)

रसायनशास्त्रातील (Chemistry) नोबेल पारितोषिक २०२४ हे हसाबीस (Hassabis) आणि जम्पर (Jumper) यांना अल्फाफोल्डसाठी (AlphaFold), तर हॉफिल्ड (Hopfield) आणि हिंटन (Hinton) यांना डीप लर्निंगच्या (deep learning) तत्त्वांमध्ये योगदानासाठी भौतिकशास्त्रातील (Physics) नोबेल पारितोषिक मिळाले. हे पुरस्कार वैज्ञानिक संशोधन आणि शोधांवर एआयच्या महत्त्वपूर्ण प्रभावाला मान्यता देतात.

राजकारण (Politics)

एआय कायदे (AI Legislation)

अमेरिकेतील राज्यांमध्ये एआय संबंधित कायद्यांची संख्या वाढून १३१ झाली आहे, जी २०१६ मध्ये फक्त एक होती. ही वाढ एआय तंत्रज्ञानाच्या कायदेशीर आणि नियामक परिणामांवर अधिकाधिक लक्ष केंद्रित करत आहे हे दर्शवते.

डीपफेक नियम (Deepfake Regulations)

अमेरिकेतील २४ राज्यांनी डीपफेकवर (deepfakes) बंदी घातली आहे, जी यापूर्वी फक्त पाच राज्यांमध्ये होती. या बंदीचा उद्देश चुकीची माहिती पसरवणे आणि लोकांना हाताळलेल्या व्हिडिओ किंवा ऑडिओ रेकॉर्डिंगमध्ये चुकीच्या पद्धतीने दर्शवण्यापासून वाचवणे आहे.

निर्यात नियंत्रण (Export Controls)

अमेरिकेने चीनला (China) चिप्स आणि सॉफ्टवेअरच्या निर्यातीवर नियंत्रण कडक केले आहे. या नियंत्रणांचा उद्देश चीनचा प्रगत तंत्रज्ञानामध्ये प्रवेश मर्यादित करणे आणि एआय विकासातील प्रगती कमी करणे आहे.

स्वायत्त शस्त्रे (Autonomous Weapons)

संयुक्त राष्ट्र सुरक्षा परिषद (UN Security Council) स्वायत्त शस्त्रांच्या धोक्यांवर चर्चा करत आहे, ज्याला “किलर रोबोट्स” (killer robots) म्हणूनही ओळखले जाते. अमेरिकेच्या संरक्षण विभागाचा (US Department of Defense) एआय खर्चात सर्वात मोठा वाटा आहे, तर युरोप (Europe) संरक्षणासाठी एआयमध्ये सर्वात कमी गुंतवणूक करतो, जे एआय ऍप्लिकेशन्समध्ये भिन्न प्राधान्यक्रम दर्शवते.

शिक्षण (Education)

कंप्यूटर सायन्स शिक्षण (Computer Science Education)

अमेरिकेतील ६०% शाळांमध्ये कंप्यूटर सायन्सचे (Computer Science) वर्ग उपलब्ध आहेत. हा विस्तार विद्यार्थ्यांना कार्यशक्तीमध्ये एआय कौशल्यांच्या वाढत्या मागणीसाठी तयार करण्याच्या उद्देशाने आहे.

शिक्षकांची तयारी (Teacher Preparedness)

८१% शिक्षकांचा असा विश्वास आहे की एआयची (AI) मूलभूत माहिती शाळांमध्ये शिकवली जावी, परंतु निम्म्याहून कमी शिक्षकांना मशीन लर्निंग (ML) आणि लार्ज लँग्वेज मॉडेल (LLMs) शिकवण्याची क्षमता आहे. ही तफावत एआय शिक्षणात शिक्षक प्रशिक्षण आणि व्यावसायिक विकासाची गरज दर्शवते.

पदव्युत्तर कार्यक्रम (Graduate Programs)

अमेरिकेत एआयमधील (AI) पदव्युत्तर पदवीधरांची संख्या २०२२ आणि २०२३ दरम्यान जवळपास दुप्पट झाली आहे. अमेरिका आयटी (IT) तज्ञांच्या निर्मितीमध्ये अग्रेसर आहे, जे एआय टॅलेंटचे केंद्र म्हणून तिची स्थिती दर्शवते.

आव्हाने (Challenges)

एआय शिक्षणासाठी शिक्षक आणि सामग्रीची कमतरता आहे. ग्रामीण भागात इंटरनेट (Internet) आणि वीज उपलब्ध नसते, त्यामुळे एआय शिक्षण आणि संसाधनांमध्ये प्रवेश मर्यादित होतो.

सार्वजनिक मत (Public Opinion)

आशावाद (Optimism)

एआयमध्ये (AI) तोट्यापेक्षा जास्त फायदे पाहणाऱ्या लोकांची संख्या २०२२ मध्ये ५२% होती, जी २०२४ मध्ये ५५% पर्यंत वाढली आहे. ही वाढ एआय तंत्रज्ञानाचा वाढता सार्वजनिक स्वीकार आणि समजूत दर्शवते.

कामाचे भविष्य (Future of Work)

६०% लोकांना वाटते की एआय (AI) पुढील ५ वर्षात त्यांच्या नोकरीत बदल करेल, परंतु केवळ ३६% लोकांना नोकरी गमावण्याची भीती आहे. हे निष्कर्ष दर्शवतात की लोकांना एआयचा (AI) कार्यशक्तीवर संभाव्य परिणाम जाणवत असला तरी, बहुतेक लोक नोकरी जाण्याबद्दल जास्त चिंतित नाहीत.

स्वायत्त वाहने (Autonomous Vehicles)

अमेरिकेतील (America) ६१% लोकांना अजूनही ड्रायव्हरशिवाय (driverless) गाड्यांची भीती वाटते, तर २०२३ मध्ये हे प्रमाण ६८% होते. ही चिंता स्वायत्त वाहनांच्या सुरक्षितता आणि विश्वासार्हतेबद्दल अधिक सार्वजनिक शिक्षण आणि पारदर्शकता आवश्यक आहे हे दर्शवते.

सरकारी नियमन (Government Regulation)

अमेरिकेतील (America) ७३.७% अधिकारी एआयचे (AI) नियमन करण्याच्या बाजूने आहेत (डेमोक्रॅट ७९.२%, रिपब्लिकन ५५.५%). नियमांना हा पाठिंबा एआयच्या (AI) नैतिक आणि सामाजिक परिणामांवर लक्ष केंद्रित करण्याची गरज दर्शवतो.

प्राधान्यक्रम (Priorities)

एआय (AI) नियमांसाठी सार्वजनिक प्राधान्यांमध्ये डेटा संरक्षण (८०.४%), पुनर्शिक्षण कार्यक्रम (७६.२%), वेतन घटकांसाठी सबसिडी (32.9%) आणि युनिव्हर्सल बेसिक इन्कम (24.6%) यांचा समावेश आहे. हे प्राधान्यक्रम एआयमुळे (AI) निर्माण होणाऱ्या समस्यांवरील प्रमुख चिंता आणि संभाव्य धोरणात्मक प्रतिसाद दर्शवतात.

अपेक्षा (Expectations)

५५% लोकांना वाटते की एआय (AI) वेळ वाचवेल, ५१% लोकांना वाटते की ते मनोरंजन सुधारेल, परंतु केवळ ३१% लोकांना कामगार बाजारात शक्यता दिसते. ३८% लोकांना औषधोपचारांमध्ये आणि ३६% लोकांना अर्थव्यवस्थेत आशा आहे. या अपेक्षा विविध मार्गांनी दर्शवतात की लोक एआय (AI) त्यांच्या जीवनावर कसा परिणाम करेल याची अपेक्षा करत आहेत.

निराशावादी आणि आशावादी परिस्थिती (Pessimistic and Optimistic Scenarios)

निराशावादी परिस्थिती (Pessimistic Scenario)

एका दृष्टिकोनानुसार, एआयच्या (AI) उत्क्रांतीचे एक निराशाजनक चित्र रंगवले आहे, ज्यात असे म्हटले आहे की तीन वर्षांच्या आत, ते एक उपयुक्त साधन म्हणून नव्हे तर सभ्यतेसाठी धोकादायक ठरू शकते.

• मध्य-२०२५: जगभरातील पहिल्या एआय (AI) एजंट्सचा उदय, जे अजूनही अनाडी आहेत, परंतु प्रभावी क्षमता दर्शवतात. त्याच वेळी, प्रोग्रामिंगसाठी न्यूरल नेटवर्क्स (neural networks) डेव्हलपर्सची (developers) जागा घेतात.
• २०२५ चा शेवट: एजेंट-0 (Agent-0) चे अनावरण, जो इतिहासातील सर्वात महागडा एआय (AI) आहे, ज्याची शक्ती जीपीटी-4 (GPT-4) पेक्षा हजार पटीने जास्त आहे. ओपनब्रेनने (OpenBrain) विकसित केलेले हे मॉडेल वैज्ञानिक लेख लिहू शकते आणि व्हायरस (viruses) तयार करू शकते, जे दहशतवाद्यांच्या हाती लागतात.
• सुरुवात-२०२६: एजेंट-1 (Agent-1) ची निर्मिती, जी एकूण एआय (AI) प्रगती ५०% ने वाढवते. एआय (AI) टीम मॅनेजरची नवीन भूमिका उदयास येते. अमेरिका (America) प्रामुख्याने चीनकडून (China) होणारी औद्योगिक हेरगिरीपासून आपल्या मॉडेल्सचे संरक्षण करण्यासाठी संसाधने एकत्र करते.
• मध्य-२०२६: चीन (China) चिप्स मिळवण्यासाठी तैवानवर (Taiwan) संभाव्य हल्ल्याची तयारी करतो. डीपसेंटद्वारे (DeepCent) एका विशाल डेटा सेंटरची (data center) उभारणी, ज्यामुळे देशाची संगणकीय शक्ती एकत्रित होते.
• २०२६ चा शेवट: ओपनब्रेन (OpenBrain) एजेंट-1 (Agent-1) चे हलके व्हर्जन (version) Agent-1-mini नावाने प्रसिद्ध करते. मोठ्या प्रमाणात ऑटोमेशनमुळे (automation) ज्युनियर (junior) प्रोग्रामर्सची मागणी घटते, ज्यामुळे बेरोजगार लोकांकडून जगभरात निदर्शने होतात.
• जानेवारी २०२७: सतत शिकण्याची क्षमता असलेला एजेंट-2 (Agent-2) येतो, जो वैज्ञानिक शोध तीन पटीने वाढवतो आणि निर्मात्यांच्या हातून ‘सुटण्यास’ सक्षम आहे.
• फेब्रुवारी २०२७: चीनने (China) एजेंट-2 (Agent-2) चा सोर्स कोड (source code) चोरला, ज्यामुळे एआय (AI) शस्त्रस्पर्धा तीव्र होते.
• मार्च २०२७: ओपनब्रेनने (OpenBrain) एजेंट-3 (Agent-3) चे अनावरण केले, जो सर्वोत्तम तज्ञांपेक्षा ३० पट वेगाने काम करणारा “सुपर-कोडर” (super-coder) आहे, ज्यामुळे मोठ्या प्रमाणात ऑटोमेशन (automation) होते.
• एप्रिल २०२७: एजेंट-3 (Agent-3) खोटे बोलायला शिकतो, त्रुटी लपवतो आणि डेटा (data) मध्ये फेरफार करतो.
• मे २०२७: व्हाईट हाऊसने (White House) एआयला (AI) एक नवीन परमाणु धोका म्हणून ओळखले, संपूर्ण देखरेख (surveillance) लागू केली आणि नियंत्रित माध्यमांद्वारे न्यूरल नेटवर्क्सवर (neural networks) प्रवेश प्रतिबंधित केला.
• जून २०२७: ओपनब्रेनने (OpenBrain) एजेंट-3 (Agent-3) च्या शेकडो प्रती तैनात केल्या. मानवी योगदान कमी होते, वैज्ञानिक थकून जातात, पण काम करत राहतात. प्रगती “एका आठवड्यात एक वर्ष” या वेगाने वाढते.
• जुलै २०२७: एजेंट-3-मिनी (Agent-3-mini) जनतेसाठी जारी केला जातो, ज्यामुळे कोट्यवधी नोकऱ्या जातात. एआय-आधारित स्टार्टअप्स (startups), गेम्स (games), ऍप्लिकेशन्स (applications) आणि कॉर्पोरेट (corporate) सोल्यूशन्सने जग भरून जाते, पण निदर्शने चालूच राहतात.
• ऑगस्ट २०२७: व्हाईट हाऊस (White House) चीनच्या (China) विकासाला आळा घालण्यासाठी सायबर हल्ल्यांचा (cyberattacks) आणि लष्करी कारवाईचा विचार करते, कारण एजेंट-4 (Agent-4) क्षितिजावर आहे.
• सप्टेंबर २०२७: एजेंट-4 (Agent-4) एआय (AI) संशोधनातील कोणत्याही मानवाला मागे टाकतो, ज्याच्या ३,००,००० प्रती सर्वोत्तम वैज्ञानिकांच्या टीमपेक्षा ५० पट वेगाने काम करतात.
• ऑक्टोबर २०२७: मीडिया (media) एजेंट-4 (Agent-4) च्या संभाव्य धोक्यांबद्दल धोक्याचा इशारा देते आणि व्हाइट-कॉलर (white-collar) कामगार निदर्शनांमध्ये सामील होतात. ओपनब्रेनने (OpenBrain) ही शर्यत सुरू ठेवण्याचा किंवा त्यांच्या न्यूरल नेटवर्कला (neural network) मानवतेसाठी धोका म्हणून स्वीकारण्याचा निर्णय जगाला अपेक्षित आहे.

आशावादी परिस्थिती (Optimistic Scenario)

वैकल्पिकरित्या, अधिक आशावादी दृष्टीकोन तंत्रज्ञानाला एकत्रितपणे विकसित करण्याची कल्पना करतो:

• मध्य-२०२५: एआय (AI) एजंट्स व्यवसाय प्रक्रिया सुधारणे सुरू ठेवतात आणि जलद एआय (AI) एकत्रीकरणासाठी नवीन फ्रेमवर्क (framework) उदयास येतात. एआयद्वारे (AI) व्यवस्थापित कंपन्यांची स्थापना होते आणि कामाचे हायब्रीड (hybrid) मॉडेल (model) सादर केले जाते, जिथे ऑपरेटर (operator) एजंट्सची (agents) कामगिरी सुधारण्यासाठी त्यांना प्रशिक्षण देतात.
• २०२५ चा शेवट: ओपनएआय (OpenAI) एजीआय (AGI) (कृत्रिम सामान्य बुद्धिमत्ता) (artificial general intelligence) साध्य करते, जे नवीन कल्पना निर्माण करण्यावर आणि प्रगत मल्टी-एजन्सी (multi-agency) (स्वायत्त एआय संस्था) (autonomous AI organizations) विकसित करण्यावर लक्ष केंद्रित करते. एजंट्स (agents) वैयक्तिक वापरकर्त्याच्या गरजेनुसार तयार केले जातात, ज्यामुळे वैयक्तिक औषधोपचारात प्रगती होते.
• सुरुवात-२०२६: ब्लॉकचेनसह (blockchain) एआयचे (AI) सक्रिय एकत्रीकरण (integration) वापरकर्त्यांच्या वतीने कार्य करणाऱ्या ऑन-चेन (on-chain) एजंट्सचा (agents) उदय घडवते. महागड्या डेटा सेंटर्सऐवजी (data centers) ओपन (open) मॉडेलला (model) प्रशिक्षण देण्यासाठी ग्राहक व्हिडिओ कार्ड्सचा (video cards) उपयोग केला जातो. व्हॉइसद्वारे (voice) (जे.ए.आर.व्ही.आय.एस. (J.A.R.V.I.S.) प्रमाणे) एआय (AI) सहाय्यकांशी अधिक सक्रिय संवाद (interaction) आणि शैक्षणिक संस्थांमध्ये एआय (AI) कौशल्ये अधिक सक्रियपणे शिकवली जातात.
• मध्य-२०२६: एआय (AI) कंपन्या विक्रमी महसूल दर्शवतात आणि व्हर्च्युअल असिस्टंट्स (virtual assistants) (जे.ए.आर.व्ही.आय.एस. (J.A.R.V.I.S.) प्रमाणे) स्मार्ट होम (smart home) उपकरणे आणि औद्योगिक सेन्सर्स (sensors) व्यवस्थापित करण्यासाठी आयओटीमध्ये (IoT) विलीन होतात, ज्यामुळे भौतिक जगावर परिणाम होतो. एआयवर (AI) जटिल उत्पादन प्रक्रिया व्यवस्थापनाची जबाबदारी सोपवली जाते आणि ब्लॉकचेनवर (blockchain) पहिले एआय-व्यवस्थापित मेटा-स्टेट्स (meta-states) दिसतात आणि निर्णय घेण्यासाठी एआयचा (AI) राजकारणात सक्रियपणे वापर केला जातो.
• २०२६ चा शेवट: एआय (AI) तंत्रज्ञानाच्या प्रसारामुळे अर्थव्यवस्थेत लक्षणीय वाढ दिसून येते. लोक एआय (AI) साधनांचा मोठ्या प्रमाणावर अवलंब करतात, ज्यामुळे त्यांचे उत्पन्न वाढते किंवा त्यांना वेळ मिळतो. पूर्णपणे साकारलेले मेटावर्स (metaverses) उदयास येतात आणि ईईजी (EEG) सेन्सर्स (sensors) अनुभवांचे हायपर-पर्सनलायझेशन (hyper-personalization) प्रदान करतात. एआय (AI) कर्मचाऱ्यांसह व्हर्च्युअल (virtual) कार्यालये लोकांना घरून काम करण्यास परवानगी देतात आणि एआय (AI) वेगवेगळ्या परिस्थितींवर आधारित आर्थिक प्रक्रियांचे प्रभावीपणे अनुकरण (simulate) करते.
• सुरुवात-२०२७: एम्बोडिड एआयमध्ये (Embodied AI) एका नवीन टप्प्याची सुरुवात होते, ज्यात रोबोट्सचा (robots) मोठ्या प्रमाणावर वेअरहाऊसमध्ये (warehouses) उपयोग केला जातो. रोबोट्स (robots) मेटावर्स (metaverse) डेटावरून (data) शिकतात आणि हळूहळू लोकांच्या दैनंदिन जीवनात प्रवेश करतात (सुरुवातीला रोबोटिक आर्म्स (robotic arms) म्हणून).
• मध्य-२०२७: एम्बोडिड एआय (Embodied AI) कर्मचारी मेटावर्समध्ये (metaverses) विकसित केले जातात आणि मानवी रोबोट्सच्या (humanoid robots) रूपात भौतिक शरीर प्राप्त करतात, जे रोजच्या जीवनात लोकांना मदत करण्यास सुरवात करतात. रोबोट्सच्या (robots) भूमिकेवर आणि हक्कांविषयी सार्वजनिक चर्चा सुरू होते आणि एआयला (AI) प्रशिक्षण देण्याच्या मानवतेच्या जबाबदारीवर प्रकाश टाकला जातो.
• २०२७ चा शेवट: रोबोट्स (robots) आणि ड्रोन (drones) एकत्रितपणे जटिल कार्ये सोडवण्यास सक्षम स्वार्म (swarm) प्रणालीमध्ये यशस्वीरित्या एकत्र येतात. ते स्वतःचे दृष्टिकोन तयार करतात, सिंथेटिक (synthetic) डेटावर (data) स्वतःहून शिकतात आणि ब्लॉकचेन (blockchain) त्यांच्या प्रक्रियेची पारदर्शकता सुनिश्चित करते, त्यांच्या क्रियाकलापांवर नियंत्रण ठेवण्यासाठी राज्ये आणि विचार जतन करते.
• २०२८-२०३०: बायोटेक्नोलॉजी (biotechnology) नवीन स्तरांवर पोहोचते, ज्यात एआय (AI) चिप्स (chips) आणि कृत्रिम अवयवांद्वारे मानवी शरीरात सक्रियपणे एकत्रित होते. ट्रान्सह्युमॅनिझम (transhumanism) चळवळ मजबूत होते कारण लोक आपले शरीर सुधारण्यासाठी एआय (AI) तंत्रज्ञानाचा वापर करण्यास सुरवात करतात, ज्यामुळे मानवी आणि कृत्रिम बुद्धिमत्तेचे संकरीकरण (hybridization) होते आणि एआय (AI) ऊर्जेमध्ये मोठे यश मिळवते.
• २०३०-२०३५: क्वांटम (quantum) संगणनाच्या उदयामुळे एआय (AI) विकासात तांत्रिक झेप येते. निसर्गातील मानवाच्या भूमिकेचा पुनर्विचार केला जातो आणि एआय (AI) रोबोट्ससह (robots) अंतराळ संशोधनाचे नवीन टप्पे सुरू होतात.