चीनची विस्तारणारी AI इकोसिस्टम
‘ही रिलीज चीनच्या फ्रंटियर AI इकोसिस्टमच्या व्यापक स्पर्धात्मकतेला अधोरेखित करते,’ असे कार्नेगी एंडोमेंट फॉर इंटरनॅशनल पीस येथील टेक्नॉलॉजी अँड इंटरनॅशनल अफेअर्स प्रोग्राममधील व्हिजिटिंग स्कॉलर स्कॉट सिंगर म्हणतात. या इकोसिस्टममध्ये DeepSeek (त्याचे R1 मॉडेलसह) आणि Tencent (त्याच्या Hunyuan मॉडेलसह) यांसारखे खेळाडू आहेत. अँथ्रोपिकचे सह-संस्थापक जॅक क्लार्क यांनी Hunyuan ला काही बाबतीत ‘जागतिक दर्जाचे’ म्हणून ओळखले आहे. तथापि, हे लक्षात घेणे महत्त्वाचे आहे की अलिबाबाच्या नवीनतम मॉडेलचे मूल्यांकन अजूनही प्राथमिक टप्प्यात आहे. मॉडेल क्षमता मोजण्यात अंतर्भूत असलेली अडचण, आणि QwQ-32B चे केवळ अलिबाबाने अंतर्गत मूल्यांकन केले आहे, याचा अर्थ असा आहे की ‘माहितीचे वातावरण सध्या फार समृद्ध नाही,’ सिंगर म्हणतात.
जानेवारीमध्ये DeepSeek च्या R1 मॉडेलच्या அறிமுகामुळे जागतिक शेअर बाजारात खळबळ उडाली होती, ज्यामुळे चीनची टेक इकोसिस्टम आंतरराष्ट्रीय स्तरावर चर्चेत आली. आर्टिफिशियल जनरल इंटेलिजन्स (AGI) प्राप्त करण्यासाठी चीनविरुद्ध शर्यत असल्याच्या अमेरिकेतील वाढत्या धारणेमुळे याकडे अधिक लक्ष वेधले जात आहे. AGI हे AI अत्याधुनिकतेचे एक काल्पनिक स्तर दर्शवते जेथे प्रणालींमध्ये ग्राफिक डिझाइनपासून मशीन-लर्निंग संशोधनापर्यंत, मानवी क्षमतांच्या तुलनेत किंवा त्यापेक्षा जास्त असलेल्या विविध संज्ञानात्मक कार्ये करण्याची क्षमता असते.
AGI चे सामरिक परिणाम
AGI चा विकास, कंपनी असो वा सरकार, जो कोणी ते प्रथम साध्य करेल त्याला महत्त्वपूर्ण लष्करी आणि सामरिक फायदा देईल अशी अपेक्षा आहे. अशा प्रणालीच्या संभाव्य उपयोजनांमध्ये प्रगत सायबर युद्ध क्षमतांपासून ते मोठ्या प्रमाणावर विनाशाच्या नवीन शस्त्रास्त्रांच्या निर्मितीपर्यंत, विस्तृत आणि परिवर्तनात्मक गोष्टींचा समावेश आहे.
‘आम्हाला विश्वास आहे की मजबूत फाउंडेशन मॉडेल्सना स्केल्ड कॉम्प्युटेशनल रिसोर्सेसद्वारे समर्थित मजबुतीकरण शिक्षणासह एकत्रित केल्याने आम्हाला AGI साध्य करण्याच्या जवळ आणले जाईल,’ अलिबाबाच्या नवीनतम मॉडेलसाठी जबाबदार असलेल्या टीमने जाहीर केले. AGI चा हा पाठपुरावा बहुतेक आघाडीच्या AI लॅबमध्ये समान आहे. DeepSeek चे घोषित उद्दिष्ट ‘जिज्ञासेने AGI चे रहस्य उलगडणे’ हे आहे. त्याचप्रमाणे, OpenAI चे ध्येय ‘हे सुनिश्चित करणे आहे की आर्टिफिशियल जनरल इंटेलिजन्स—AI प्रणाली जी सामान्यतः मानवांपेक्षा हुशार आहे—सर्व मानवतेला लाभ देईल.’ प्रमुख AI CEO नी अपेक्षा व्यक्त केली आहे की AGI सारखी प्रणाली सध्याच्या ट्रम्प यांच्या कार्यकाळात उदयास येऊ शकते.
जॅक मा यांचे पुनरागमन आणि चीनचे टेक लँडस्केप
अलिबाबाची अलीकडील AI मधील प्रगती कंपनीचे सह-संस्थापक जॅक मा यांच्या एका उल्लेखनीय सार्वजनिक उपस्थितीनंतर झाली आहे. राष्ट्राध्यक्ष शी जिनपिंग आणि चीनमधील आघाडीच्या व्यावसायिक व्यक्तींच्या बैठकीदरम्यान ते पहिल्या रांगेत बसलेले दिसले. 2020 पासून सार्वजनिक जीवनातून मोठ्या प्रमाणात माघार घेतलेल्या मा यांच्यासाठी हा एक महत्त्वपूर्ण बदल होता. त्यांनी पूर्वी राज्य नियामकांवर आणि सरकारी मालकीच्या बँकांवर ‘पॉन शॉप मानसिकता’ ठेवून नावीन्यपूर्णतेला अडथळा आणल्याबद्दल टीका केली होती, ज्यामुळे ते काही काळ प्रसिद्धीपासून दूर गेले होते.
मा यांच्या अनुपस्थितीदरम्यान, चिनी सरकारने टेक उद्योगाला लक्ष्य करून अनेक उपाययोजना लागू केल्या. कंपन्या डेटा कसा वापरू शकतात आणि बाजारातील स्पर्धेत कसे सहभागी होऊ शकतात यावर कठोर नियम लादण्यात आले. त्याच वेळी, सरकारने प्रमुख डिजिटल प्लॅटफॉर्मवर अधिक नियंत्रण ठेवले.
प्राधान्यक्रम बदलणे: टेक क्रॅकडाऊन ते आर्थिक पुनरुज्जीवन
2022 पर्यंत, सरकारच्या दृष्टिकोनात एक बदल दिसून आला. आर्थिक मंदीच्या आव्हानाच्या तुलनेत टेक उद्योगामुळे निर्माण होणारा धोका कमी झाल्याचे दिसून आले. ‘ती आर्थिक मंदीची कथा, आणि ती उलटवण्याचा प्रयत्न, याने गेल्या 18 महिन्यांतील धोरणाला खऱ्या अर्थाने आकार दिला आहे,’ सिंगर स्पष्ट करतात. चीन आता अत्याधुनिक तंत्रज्ञानाचा अवलंब करण्याचा सक्रियपणे प्रयत्न करत आहे. अहवालानुसार, किमान 13 शहरांच्या सरकारांनी आणि 10 सरकारी मालकीच्या ऊर्जा कंपन्यांनी आधीच DeepSeek मॉडेल्स त्यांच्या ऑपरेशनल सिस्टममध्ये समाकलित केले आहेत.
AI कार्यक्षमतेत वाढ होण्याचा ट्रेंड
अलिबाबाचे मॉडेल AI क्षेत्रातील एक सतत चालणारा ट्रेंड दर्शवते: सिस्टमच्या कार्यक्षमतेत सातत्याने वाढ आणि ऑपरेशनल खर्चात घट. Epoch AI, एक ना-नफा संशोधन संस्था, असा अंदाज व्यक्त करते की AI प्रणालींना प्रशिक्षण देण्यासाठी लागणारी संगणकीय शक्ती दरवर्षी 4x पेक्षा जास्त दराने वाढत आहे. तथापि, अल्गोरिदम डिझाइनमधील समवर्ती प्रगतीमुळे त्या संगणकीय शक्तीच्या कार्यक्षमतेत दरवर्षी तिप्पट वाढ झाली आहे. व्यावहारिकदृष्ट्या, याचा अर्थ असा आहे की ज्या AI प्रणालीला गेल्या वर्षी प्रशिक्षणासाठी 10,000 प्रगत संगणक चिप्सची आवश्यकता होती, ती यावर्षी केवळ एक तृतीयांश चिप्स वापरून प्रशिक्षित केली जाऊ शकते.
उच्च-श्रेणीच्या कम्प्युटिंग चिप्सची महत्त्वपूर्ण भूमिका
या प्रभावी कार्यक्षमतेतील वाढी সত্ত্বেও, सिंगर सावध करतात की प्रगत AI विकासासाठी उच्च-श्रेणीच्या कम्प्युटिंग चिप्स अजूनही आवश्यक आहेत. हे वास्तव अलिबाबा आणि DeepSeek सारख्या चिनी AI कंपन्यांसाठी या चिप्सवरील अमेरिकेच्या निर्यात नियंत्रणामुळे निर्माण झालेल्या सततच्या आव्हानाला अधोरेखित करते. DeepSeek च्या CEO ने विशेषतः आर्थिक संसाधने किंवा प्रतिभेऐवजी चिप्सची उपलब्धता ही त्यांची प्राथमिक अडचण असल्याचे ओळखले आहे.
एक नवीन प्रतिमान: ‘रिझनिंग मॉडेल्स’
QwQ हे ‘रिझनिंग मॉडेल्स’ म्हणून वर्गीकृत केलेल्या AI प्रणालींच्या वाढत्या पिढीमध्ये नवीनतम जोड आहे. काही तज्ञ याला AI च्या क्षेत्रातील एक प्रतिमान बदल म्हणून पाहतात. पूर्वी, AI प्रणाली संगणकीय शक्ती वाढवून आणि प्रशिक्षण डेटाची संख्या आणि गुणवत्ता सुधारून प्रगती करत होत्या.
हे नवीन प्रतिमान एका वेगळ्या दृष्टिकोनावर जोर देते. यामध्ये आधीच प्रारंभिक प्रशिक्षण घेतलेले मॉडेल घेणे (या प्रकरणात, Qwen 2.5-32B) आणि नंतर विशिष्ट प्रश्नाला प्रतिसाद देताना सिस्टमला वाटप केलेली संगणकीय संसाधने लक्षणीयरीत्या वाढवणे समाविष्ट आहे. Qwen टीम स्पष्टपणे सांगते, ‘जेव्हा विचार करायला, प्रश्न विचारायला आणि चिंतन करायला वेळ दिला जातो, तेव्हा मॉडेलची गणित आणि प्रोग्रामिंगची समज सूर्याकडे तोंड करून उमलणाऱ्या फुलासारखी फुलते.’ हे निरीक्षण पाश्चिमात्य मॉडेल्समध्ये दिसलेल्या ट्रेंडशी जुळते, जिथे विस्तारित ‘विचार’ वेळेसाठी परवानगी देणाऱ्या तंत्रांमुळे जटिल विश्लेषणात्मक कार्यांवर कार्यक्षमतेत लक्षणीय सुधारणा झाली आहे.
ओपन-वेट रिलीज आणि मार्केट डायनॅमिक्स
अलिबाबाचे QwQ ‘ओपन वेट’ मॉडेल अंतर्गत रिलीज केले गेले आहे. याचा अर्थ असा की वेट्स, जे मूलत: मॉडेल बनवतात आणि संगणक फाइल म्हणून प्रवेशयोग्य असतात, ते डाउनलोड केले जाऊ शकतात आणि स्थानिक पातळीवर, अगदी उच्च-श्रेणीच्या लॅपटॉपवर देखील चालवले जाऊ शकतात. विशेष म्हणजे, मागील वर्षी नोव्हेंबरमध्ये रिलीज झालेल्या मॉडेलच्या पूर्वावलोकनाने खूप कमी लक्ष वेधले. सिंगर म्हणतात की ‘शेअर बाजार मॉडेल रिलीजला प्रतिक्रिया देतो, परंतु तंत्रज्ञानाच्या मार्गाला नाही,’ जे पॅसिफिकच्या दोन्ही बाजूंनी वेगाने पुढे जाण्याची अपेक्षा आहे. ते पुढे म्हणतात, ‘चिनी इकोसिस्टममध्ये बरेच खेळाडू आहेत, जे सर्व खूप शक्तिशाली आणि आकर्षक मॉडेल्स सादर करत आहेत आणि हे स्पष्ट नाही की, शेवटी, सर्वोत्तम मॉडेल कोणाचे असेल.’
QwQ-32B च्या आर्किटेक्चरची तपशीलवार तपासणी
QwQ-32B मॉडेल, Qwen 2.5-32B च्या पायावर आधारित असले तरी, अनेक प्रमुख आर्किटेक्चरल बदल आणि प्रशिक्षण सुधारणांचा समावेश करते जे त्याच्या सुधारित तर्क क्षमतांमध्ये योगदान देतात. या सुधारणांचे वर्गीकरण खालीलप्रमाणे केले जाऊ शकते:
Context Window चा विस्तार: Context Window, जे मॉडेल एकाच वेळी किती मजकूर विचारात घेऊ शकते हे निर्धारित करते, ते लक्षणीयरीत्या वाढवले गेले आहे. हे QwQ-32B ला लांब, अधिक जटिल मजकूर प्रक्रिया करण्यास आणि समजून घेण्यास अनुमती देते, ज्यामुळे चांगली समज आणि अधिक सूक्ष्म प्रतिसाद मिळतात.
वर्धित Attention Mechanisms: Attention Mechanism, ट्रान्सफॉर्मर-आधारित मॉडेल्सचा एक मुख्य घटक, जसे की QwQ-32B, यात सुधारणा केली गेली आहे. यामध्ये मल्टी-हेडेड अटेंशन किंवा स्पार्स अटेंशन यासारख्या तंत्रांचा समावेश असू शकतो, ज्यामुळे मॉडेलला इनपुट मजकूरातील संबंधित माहितीवर अधिक प्रभावीपणे लक्ष केंद्रित करता येते आणि अनावश्यक माहिती वगळता येते.
मानवी अभिप्रायावरून मजबुतीकरण शिक्षण (RLHF): स्पष्टपणे नमूद केलेले नसले तरी, QwQ-32B ला RLHF वापरून फाइन-ट्यून केले गेले असण्याची शक्यता आहे. या तंत्रात मॉडेलला मानवी मूल्यांकनकर्त्यांनी पसंत केलेले आउटपुट तयार करण्यासाठी प्रशिक्षण देणे समाविष्ट आहे, ज्यामुळे सुसंगतता, उपयुक्तता आणि निरुपद्रवीपणा यासारख्या क्षेत्रात सुधारणा होते.
सूचना ट्यूनिंग: QwQ-32B ने विस्तृत सूचना ट्यूनिंग केले असावे, एक प्रक्रिया जिथे मॉडेलला विविध सूचना आणि संबंधित आउटपुटवर प्रशिक्षित केले जाते. हे मॉडेलला नवीन कार्यांसाठी अधिक चांगले सामान्यीकरण करण्यात आणि सूचनांचे अधिक अचूकपणे पालन करण्यात मदत करते.
चेन-ऑफ-थॉट प्रॉम्प्टिंग: मॉडेलला चेन-ऑफ-थॉट प्रॉम्प्टिंगचा लाभ घेण्यासाठी स्पष्टपणे डिझाइन केलेले आहे, हे एक तंत्र आहे जिथे मॉडेलला अंतिम उत्तरापर्यंत पोहोचण्यापूर्वी मध्यवर्ती तर्क चरणांची मालिका तयार करण्यास प्रोत्साहित केले जाते. हे अधिक विचारपूर्वक आणि तार्किक तर्काला प्रोत्साहन देते.
विशिष्ट उद्योगांसाठी परिणाम
QwQ-32B आणि इतर चिनी AI मॉडेल्सद्वारे केलेल्या प्रगतीमुळे चीनमध्ये आणि जागतिक स्तरावर विविध उद्योगांसाठी महत्त्वपूर्ण परिणाम होतात. काही प्रमुख क्षेत्रे ज्यांवर परिणाम होण्याची शक्यता आहे:
ई-कॉमर्स: अलिबाबाचा मुख्य व्यवसाय, ई-कॉमर्सला सुधारित AI क्षमतांमुळे लक्षणीय फायदा होण्याची शक्यता आहे. यामध्ये वैयक्तिकृत शिफारसी, ग्राहक सेवा चॅटबॉट्स, फसवणूक शोधणे आणि पुरवठा साखळी ऑप्टिमायझेशन यासारख्या क्षेत्रांचा समावेश आहे.
वित्त: AI मॉडेल्सचा उपयोग जोखीम मूल्यांकन, फसवणूक शोधणे, अल्गोरिदमिक ट्रेडिंग आणि ग्राहक संबंध व्यवस्थापन यासारख्या कामांसाठी केला जाऊ शकतो. QwQ-32B सारख्या मॉडेल्सच्या वाढलेल्या तर्क क्षमतांमुळे अधिक अचूक आर्थिक अंदाज आणि सुधारित निर्णय घेणे शक्य होईल.
आरोग्यसेवा: AI औषध शोध, रोग निदान, वैयक्तिकृत औषध आणि रुग्ण देखरेख यामध्ये मदत करू शकते. अधिक शक्तिशाली रिझनिंग मॉडेल्स जटिल वैद्यकीय डेटाचे विश्लेषण करू शकतात आणि पूर्वी उपलब्ध नसलेली माहिती देऊ शकतात.
उत्पादन: AI-चालित ऑटोमेशन, गुणवत्ता नियंत्रण आणि भविष्यसूचक देखभाल उत्पादन प्रक्रियेत कार्यक्षमता वाढवू शकतात आणि खर्च कमी करू शकतात.
वाहतूक: सेल्फ-ड्रायव्हिंग वाहने, वाहतूक व्यवस्थापन प्रणाली आणि लॉजिस्टिक्स ऑप्टिमायझेशन AI वर मोठ्या प्रमाणावर अवलंबून असतात. AI तर्कातील प्रगती सुरक्षित आणि अधिक कार्यक्षम वाहतूक नेटवर्कमध्ये योगदान देऊ शकते.
शिक्षण: विद्यार्थ्यांना उत्तम आधार देण्यासाठी आणि वैयक्तिकृत शिकवणी देण्यासाठी AI मॉडेल्सचा मोठ्या प्रमाणावर स्वीकार केला जात आहे.
AI स्पर्धा आणि सहकार्याचे भविष्य
QwQ-32B सारख्या चिनी AI मॉडेल्सच्या वेगवान प्रगतीमुळे जागतिक स्तरावर AI स्पर्धा आणि सहकार्याच्या भविष्याबद्दल महत्त्वाचे प्रश्न निर्माण होतात. विशेषतः अमेरिका आणि चीनमध्ये स्पर्धात्मक वातावरण असताना, सहयोग आणि ज्ञान वाटणीचे संभाव्य फायदे देखील आहेत.
ओपन सोर्स वि. क्लोज्ड सोर्स: अलिबाबाने QwQ-32B ला ओपन-वेट मॉडेल म्हणून रिलीज करण्याचा निर्णय महत्त्वपूर्ण आहे. हे काही पाश्चिमात्य AI कंपन्यांच्या दृष्टिकोनाच्या विरुद्ध आहे ज्या त्यांचे मॉडेल मालकीचे, क्लोज्ड-सोर्स सिस्टम म्हणून ठेवतात. ओपन-सोर्स मॉडेल्स जगभरातील संशोधक आणि विकासकांना विद्यमान कामावर आधारित काम करून अधिक सहयोग आणि नावीन्यपूर्णतेला गती देऊ शकतात.
डेटा शेअरिंग आणि मानकीकरण: मजबूत आणि विश्वासार्ह AI प्रणालींच्या विकासासाठी मोठ्या प्रमाणात डेटा आवश्यक आहे. डेटा शेअरिंग आणि सामान्य मानकांची स्थापना यावर आंतरराष्ट्रीय सहकार्य संपूर्ण AI समुदायाला लाभ देऊ शकते.
नैतिक विचार: जसजसे AI प्रणाली अधिक शक्तिशाली होत जातात, तसतसे नैतिक विचार अधिक महत्त्वाचे होतात. AI चा विकास आणि उपयोजन जबाबदारीने केले जाईल, संभाव्य धोके कमी करण्यासाठी योग्य सुरक्षा उपायांसह, हे सुनिश्चित करण्यासाठी जागतिक संवाद आणि सहकार्य आवश्यक आहे.
प्रतिभा विनिमय: AI क्षेत्राला विविध आणि जागतिक स्तरावर वितरित प्रतिभेचा फायदा होतो. देश-विदेशांतील संशोधक आणि अभियंत्यांच्या देवाणघेवाणीमुळे ज्ञानाचे हस्तांतरण होऊ शकते आणि प्रगतीला वेग येऊ शकतो.
QwQ-32B आणि इतर प्रगत चिनी AI मॉडेल्सचा उदय कृत्रिम बुद्धिमत्तेच्या चालू असलेल्या उत्क्रांतीमध्ये एक महत्त्वपूर्ण टप्पा दर्शवतो. हे चीनच्या टेक इकोसिस्टमच्या वाढत्या क्षमतांना अधोरेखित करते आणि AI प्रगतीचे जागतिक परिणाम दर्शवते. येत्या काही वर्षांत सतत वेगवान प्रगती, तीव्र स्पर्धा आणि AI चा संपूर्ण मानवतेला फायदा व्हावा यासाठी आंतरराष्ट्रीय सहकार्यासाठी वाढत्या आवाहनांची शक्यता आहे.