AI संगणनातील बदल: Ant Group ची स्वदेशी चिप रणनीती

जागतिक AI हार्डवेअर शर्यतीतील मोठे आव्हान

कृत्रिम बुद्धिमत्तेच्या (AI) विकासाचे क्षेत्र आता केवळ अल्गोरिदममधील प्रगतीवरच अवलंबून नाही, तर मोठे मॉडेल्स प्रशिक्षित करण्यासाठी आणि चालवण्यासाठी आवश्यक असलेल्या अत्याधुनिक हार्डवेअरच्या उपलब्धतेवरही मोठ्या प्रमाणात अवलंबून आहे. या हार्डवेअर समीकरणाच्या केंद्रस्थानी ग्राफिक्स प्रोसेसिंग युनिट (GPU) आहे. हा घटक सुरुवातीला प्रतिमा रेंडर करण्यासाठी डिझाइन केला गेला होता, परंतु आता AI च्या समांतर प्रक्रिया (parallel processing) गरजांसाठी तो অপরিহার্য ठरला आहे. अनेक वर्षांपासून, Nvidia Corporation या क्षेत्रात निर्विवादपणे आघाडीवर आहे. त्यांचे प्रगत GPUs हे Silicon Valley आणि जगभरातील नवोपक्रमांना चालना देणारे सुवर्ण मानक बनले आहेत. तथापि, या वर्चस्वामुळे कंपनी आणि तिचे ग्राहक भू-राजकीय तणावाच्या केंद्रस्थानी आले आहेत.

Washington ने चीनला अत्याधुनिक सेमीकंडक्टर तंत्रज्ञानापासून वंचित ठेवण्याच्या उद्देशाने कठोर निर्यात नियंत्रणे (export controls) लादली आहेत. यामुळे बाजाराची रचनाच बदलून गेली आहे. या निर्बंधांमध्ये विशेषतः Nvidia सारख्या कंपन्यांनी उत्पादित केलेल्या उच्च-कार्यक्षमतेच्या GPUs चा समावेश आहे, जे प्रगत AI अनुप्रयोगांसाठी (ज्यात संभाव्य लष्करी उपयोगही असू शकतात) महत्त्वपूर्ण मानले जातात. याचा तात्काळ परिणाम चीनच्या वाढत्या तंत्रज्ञान क्षेत्रातील कंपन्यांवर झाला. AI मध्ये मोठी गुंतवणूक केलेल्या कंपन्या, प्रस्थापित दिग्गजांपासून ते महत्त्वाकांक्षी स्टार्ट-अप्सपर्यंत, तंत्रज्ञानाच्या पुढील लाटेला चालना देणाऱ्या आवश्यक साधनांपासून वंचित राहण्याच्या शक्यतेने हादरल्या. यामुळे एक तातडीची गरज निर्माण झाली: व्यवहार्य पर्याय शोधणे किंवा जागतिक स्तरावर स्पर्धात्मक क्षेत्रात मागे पडण्याचा धोका पत्करणे. हे आव्हान केवळ एका चिपला दुसऱ्या चिप ने बदलण्यापुरते मर्यादित नव्हते; यात कार्यक्षमतेतील फरक, सॉफ्टवेअर सुसंगततेच्या समस्या आणि अब्जावधी किंवा अगदी कोट्यवधी पॅरामीटर्स असलेल्या मॉडेल्सना प्रशिक्षित करण्यासाठी आवश्यक असलेल्या प्रचंड प्रमाणाचे व्यवस्थापन करणे समाविष्ट होते.

Ant Group चा संगणकीय स्वातंत्र्याकडे प्रवास

पुरवठा साखळीतील अनिश्चितता आणि वाढत्या तांत्रिक स्पर्धेच्या पार्श्वभूमीवर, Alibaba Group Holding शी संलग्न असलेल्या फिनटेक क्षेत्रातील दिग्गज Ant Group ने अधिक संगणकीय स्वयंपूर्णतेच्या (computational self-sufficiency) दिशेने एक महत्त्वपूर्ण पाऊल टाकले आहे. कंपनीच्या Ling team – जी त्यांच्या लार्ज लँग्वेज मॉडेल (LLM) उपक्रमांचे नेतृत्व करते – ने एका संशोधन पेपरमध्ये दिलेल्या माहितीनुसार, Nvidia-केंद्रित मार्गापासून यशस्वीरित्या विचलन साधल्याचे संकेत मिळतात. या यशाचा गाभा म्हणजे त्यांनी स्वदेशी बनावटीच्या GPUs चा वापर करून एका अत्याधुनिक AI मॉडेलला प्रभावीपणे प्रशिक्षित करण्याची क्षमता प्राप्त केली आहे.

हे मॉडेल, ज्याचे नाव Ling-Plus-Base आहे, ते काही सामान्य नाही. ते ‘मिक्सचर-ऑफ-एक्सपर्ट्स’ (MoE) आर्किटेक्चर वापरून डिझाइन केले आहे. LLMs ची कार्यक्षमता वाढवण्यासाठी हे तंत्रज्ञान लोकप्रिय होत आहे. तब्बल 300 अब्ज पॅरामीटर्ससह, Ling-Plus-Base इतर प्रमुख जागतिक मॉडेल्सच्या तुलनेत स्पर्धा करते. तथापि, महत्त्वाचा फरक म्हणजे त्याच्या प्रशिक्षणासाठी वापरलेले हार्डवेअर. संशोधनाच्या निष्कर्षांनुसार, हे शक्तिशाली मॉडेल टीमने वर्णन केलेल्या ‘कमी-कार्यक्षमतेच्या उपकरणांवर’ (lower-performance devices) परिपक्व केले जाऊ शकते. ही काळजीपूर्वक निवडलेली शब्दरचना थेट US निर्यात निर्बंधांच्या कक्षेबाहेरील प्रोसेसिंग युनिट्सच्या वापराकडे निर्देश करते, ज्यामुळे चीनमध्ये डिझाइन आणि उत्पादित केलेल्या चिप्सचा वापर केल्याचे स्पष्टपणे सूचित होते.

हा विकास केवळ तांत्रिक उपाययोजना नाही; तर ते संभाव्य धोरणात्मक बदलाचे प्रतिनिधित्व करते. केवळ उच्च-स्तरीय, प्रतिबंधित परदेशी हार्डवेअरवर अवलंबून न राहता अत्याधुनिक मॉडेल्स प्रशिक्षित करण्याची क्षमता दाखवून, Ant Group केवळ पुरवठा साखळीतील धोके कमी करत नाही, तर संभाव्यतः महत्त्वपूर्ण खर्च कार्यक्षमता (cost efficiencies) देखील अनलॉक करत आहे.

आर्थिक समीकरण: प्रशिक्षण खर्चात कपात

Ling team च्या संशोधनातून समोर आलेला सर्वात आकर्षक आकडा म्हणजे Ling-Plus-Base मॉडेलच्या महत्त्वपूर्ण प्री-ट्रेनिंग (pre-training) टप्प्यात संगणकीय खर्चात (computing costs) 20 टक्के कपात नोंदवली गेली आहे. प्री-ट्रेनिंग हे अत्यंत संसाधन-केंद्रित (resource-intensive) असते, ज्यात मॉडेलला भाषेचे नमुने, संदर्भ आणि ज्ञान शिकण्यासाठी प्रचंड डेटासेट पुरवला जातो. मूलभूत LLMs विकसित करण्याशी संबंधित एकूण खर्चाचा हा एक मोठा भाग असतो. त्यामुळे, या टप्प्यात एक-पंचमांश खर्च कपात साधणे म्हणजे भरीव बचत करणे, ज्यामुळे पुढील संशोधन, विकास किंवा मोठ्या प्रमाणावर उपयोजनासाठी भांडवल उपलब्ध होऊ शकते.

ही खर्च बचत कशी साधली जाते? पेपरमध्ये खर्चाचे नेमके विश्लेषण दिलेले नसले तरी, अनेक घटक यात योगदान देत असावेत:

1. हार्डवेअर खरेदी (Hardware Procurement): स्वदेशी बनावटीचे GPUs, जरी ते Nvidia च्या टॉप मॉडेल्सपेक्षा वैयक्तिकरित्या कमी शक्तिशाली असले तरी, त्यांची खरेदी किंमत कमी असू शकते किंवा चीनी बाजारात मोठ्या प्रमाणात खरेदीवर अधिक अनुकूल सवलत मिळू शकते, विशेषतः उच्च-स्तरीय Nvidia चिप्सच्या मर्यादित पुरवठ्याचा विचार करता.
2. ऊर्जा कार्यक्षमता (Energy Efficiency): जरी स्पष्टपणे नमूद केले नसले तरी, संभाव्यतः कमी वीज वापरणाऱ्या (जरी प्रति युनिट कमी कार्यक्षम असल्या तरी) स्वदेशी चिप्ससाठी प्रशिक्षण ऑप्टिमाइझ केल्याने कमी परिचालन ऊर्जा खर्चात योगदान मिळू शकते, जे मोठे डेटा सेंटर्स चालवण्यासाठी एक महत्त्वपूर्ण घटक आहे.
3. अल्गोरिदम आणि आर्किटेक्चरल ऑप्टिमायझेशन (Algorithmic and Architectural Optimization): MoE आर्किटेक्चरचा वापर स्वतःच महत्त्वाचा आहे. MoE मॉडेल्स दिलेल्या इनपुटसाठी केवळ विशिष्ट ‘तज्ञ’ (expert) सब-नेटवर्क सक्रिय करतात, संपूर्ण मॉडेलला डेन्स आर्किटेक्चरप्रमाणे व्यस्त ठेवत नाहीत. ही अंगभूत विरलता (sparsity) प्रशिक्षण आणि अनुमान (inference) दोन्ही दरम्यान संगणकीय भार लक्षणीयरीत्या कमी करू शकते, ज्यामुळे प्रति चिप कमी कच्च्या प्रोसेसिंग पॉवरसह देखील चांगले परिणाम मिळवणे शक्य होते. Ant चे यश उपलब्ध स्वदेशी हार्डवेअरची कार्यक्षमता वाढवण्यासाठी अत्याधुनिक सॉफ्टवेअर आणि अल्गोरिदम ट्युनिंग दर्शवते.

ही खर्च कपात केवळ हिशोबाचा फायदा नाही; ती मोठ्या प्रमाणावरील मॉडेल्स विकसित करण्यासाठी प्रवेशाचा अडथळा कमी करते आणि कंपनीमध्ये तसेच, जर या पद्धती पुनरावृत्ती करण्यायोग्य ठरल्या तर, व्यापक चीनी टेक इकोसिस्टममध्ये AI नवोपक्रमाची गती वाढवू शकते.

कार्यक्षमता समानता: हार्डवेअरमधील अंतर भरून काढणे?

खर्चातील बचत आकर्षक असते, परंतु जर परिणामी AI मॉडेलची कार्यक्षमता लक्षणीयरीत्या कमी असेल तर त्याचा फारसा अर्थ उरत नाही. Ant च्या Ling team ने यावर थेट भाष्य केले आहे. त्यांनी दावा केला आहे की Ling-Plus-Base ची कार्यक्षमता क्षेत्रातील इतर प्रतिष्ठित मॉडेल्सच्या तुलनेत आहे. विशेषतः, त्यांनी त्यांच्या निर्मितीची तुलना Qwen2.5-72B-Instruct (मूळ कंपनी Alibaba ने विकसित केलेले) आणि DeepSeek-V2.5-1210-Chat (आणखी एक प्रमुख चीनी LLM) सारख्या मॉडेल्सशी केली.

‘कमी-कार्यक्षमतेच्या उपकरणांचा’ वापर करूनही ‘तुलनात्मक कार्यक्षमतेचा’ (comparable performance) दावा लक्षणीय आहे. हे सूचित करते की Ant ने संभाव्यतः कच्च्या संगणकीय कमतरतेची भरपाई करण्यासाठी प्रभावी मार्ग शोधले आहेत:

• प्रगत मॉडेल आर्किटेक्चर (Advanced Model Architecture): MoE डिझाइन येथे महत्त्वपूर्ण आहे, जे कार्यभार कार्यक्षमतेने वितरीत करते.
• सॉफ्टवेअर ऑप्टिमायझेशन (Software Optimization): वापरल्या जाणाऱ्या स्वदेशी GPUs च्या आर्किटेक्चरसाठी विशेषतः प्रशिक्षण सॉफ्टवेअर स्टॅक (जसे की पॅरललायझेशन फ्रेमवर्क आणि न्यूमेरिकल लायब्ररी) तयार करणे महत्त्वाचे आहे. यात अनेकदा महत्त्वपूर्ण अभियांत्रिकी प्रयत्नांचा समावेश असतो.
• डेटा क्युरेशन आणि प्रशिक्षण तंत्र (Data Curation and Training Techniques): प्रशिक्षण डेटा निवडण्यासाठी आणि प्रशिक्षण प्रक्रिया स्वतः सुधारण्यासाठी अत्याधुनिक पद्धती अंतिम मॉडेलच्या गुणवत्तेवर लक्षणीय परिणाम करू शकतात, काहीवेळा हार्डवेअर मर्यादांची भरपाई करतात.

कार्यक्षमतेच्या दाव्यांकडे बारकाईने पाहणे महत्त्वाचे आहे. ‘तुलनात्मक’ विविध बेंचमार्कमध्ये (उदा. भाषा समजणे, तर्क करणे, निर्मिती, कोडिंग) अनेक परिणामांचा समावेश करू शकते. अनेक प्रमाणित चाचण्यांवरील तपशीलवार बेंचमार्क परिणामांशिवाय, अचूक तुलना करणे आव्हानात्मक राहते. तथापि, हा दावा स्वतःच Ant चा आत्मविश्वास दर्शवतो की त्यांच्या दृष्टिकोनमुळे खर्च/उपलब्धता आणि क्षमता यांच्यात गंभीर तडजोड करण्याची आवश्यकता नाही. हे हार्डवेअर निर्बंधांमुळे लादलेल्या मर्यादांमध्येही स्पर्धात्मकता टिकवून ठेवण्याचा मार्ग दर्शवते.

संशोधकांनी स्वतः व्यापक परिणामांवर प्रकाश टाकला: ‘हे परिणाम कमी शक्तिशाली हार्डवेअरवर अत्याधुनिक मोठ्या प्रमाणावरील MoE मॉडेल्स प्रशिक्षित करण्याची व्यवहार्यता दर्शवतात, ज्यामुळे संगणकीय संसाधनांच्या निवडीसंदर्भात मूलभूत मॉडेल विकासासाठी अधिक लवचिक आणि खर्च-प्रभावी दृष्टिकोन सक्षम होतो.’ हे एका प्रकारच्या लोकशाहीकरणाकडे निर्देश करते, ज्यामुळे प्रोसेसिंग पॉवरच्या अगदी शिखरावरील प्रवेश मर्यादित असतानाही अत्याधुनिक AI विकास पुढे जाऊ शकतो.

मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) चा फायदा समजून घेणे

मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) आर्किटेक्चर Ant Group च्या कथित यशाच्या केंद्रस्थानी आहे. हे पारंपरिक ‘डेन्स’ (dense) न्यूरल नेटवर्क मॉडेल्सपासून वेगळे आहे, जिथे प्रत्येक इनपुट प्रत्येक पॅरामीटरला सक्रिय करते. MoE मॉडेलमध्ये:

• मॉडेल अनेक लहान, विशेष ‘तज्ञ’ (expert) नेटवर्क्सनी बनलेले असते.
• एक ‘गेटिंग नेटवर्क’ (gating network) किंवा ‘राउटर’ (router) यंत्रणा येणाऱ्या डेटाला (LLMs च्या बाबतीत टोकन्स) प्रक्रियेसाठी सर्वात संबंधित तज्ञाकडे निर्देशित करायला शिकते.
• फक्त निवडलेले तज्ञ – अनेकदा शेकडोंपैकी फक्त एक किंवा दोन – त्या विशिष्ट डेटासाठी गणना करतात.

हा दृष्टिकोन अनेक महत्त्वाचे फायदे देतो, विशेषतः हार्डवेअर मर्यादांच्या संदर्भात:

1. स्केलेबिलिटी (Scalability): MoE मॉडेल्सना प्रचंड पॅरामीटर संख्येमध्ये (ट्रिलियन्स शक्य होत आहेत) वाढण्यास अनुमती देते, अनुमान (inference) किंवा प्रशिक्षण चरणांदरम्यान प्रत्येक इनपुट टोकनवर प्रक्रिया करण्याच्या संगणकीय खर्चात प्रमाणात वाढ न होता. याचे कारण असे की एकूण पॅरामीटर्सपैकी फक्त एक अंश कोणत्याही वेळी सक्रिय असतो.
2. प्रशिक्षण कार्यक्षमता (Training Efficiency): MoE मॉडेल्स प्रशिक्षित करण्याच्या स्वतःच्या गुंतागुंती (जसे की तज्ञांमध्ये लोड बॅलेंसिंग) असल्या तरी, प्रति टोकन कमी गणनेमुळे प्रशिक्षणाचा वेळ कमी होऊ शकतो किंवा, जसे Ant दाखवते, वाजवी वेळेत कमी शक्तिशाली हार्डवेअरवर प्रभावीपणे प्रशिक्षण देण्याची क्षमता मिळते.
3. विशेषीकरण (Specialization): प्रत्येक तज्ञ संभाव्यतः वेगवेगळ्या प्रकारच्या डेटा, कार्ये किंवा ज्ञान डोमेनमध्ये विशेषज्ञ होऊ शकतो, ज्यामुळे विशिष्ट क्षेत्रांमध्ये उच्च दर्जाचे आउटपुट मिळू शकते.

जगभरातील आघाडीच्या AI लॅब्सनी MoE स्वीकारले आहे, ज्यात Google (GShard, Switch Transformer), Mistral AI (Mixtral models) आणि चीनमधील DeepSeek आणि Alibaba (ज्यांच्या Qwen मॉडेल्समध्ये MoE घटक समाविष्ट आहेत) सारख्या कंपन्यांचा समावेश आहे. Ant चे Ling-Plus-Base त्यांना या आघाडीवर ठामपणे स्थान देते, हार्डवेअरच्या वास्तवावर मात करण्यासाठी आर्किटेक्चरल नवोपक्रमाचा फायदा घेते.

स्वदेशी हार्डवेअर इकोसिस्टम: Nvidia ची पोकळी भरणे

Ant च्या संशोधन पेपरमध्ये वापरलेल्या हार्डवेअरचे नाव स्पष्टपणे नमूद केले नसले तरी, नंतरच्या अहवालांनुसार, विशेषतः Bloomberg ने दिलेल्या माहितीनुसार, या कामगिरीमध्ये स्वदेशी डिझाइन केलेल्या चिप्सचा समावेश होता. यात संभाव्यतः Ant ची संलग्न कंपनी Alibaba कडून आलेले प्रोसेसर समाविष्ट असू शकतात, ज्यांचे स्वतःचे चिप डिझाइन युनिट T-Head आहे (जे Yitian 710 सारखे CPUs तयार करते आणि पूर्वी AI एक्सलरेटर्सवर काम करत होते), आणि महत्त्वाचे म्हणजे, Huawei Technologies.

Huawei, स्वतः तीव्र US निर्बंधांचा सामना करत असूनही, चीनी बाजारात Nvidia च्या उत्पादनांना थेट पर्याय म्हणून त्यांच्या Ascend सीरिजचे AI एक्सलरेटर्स (जसे की Ascend 910B) आक्रमकपणे विकसित करत आहे. या चिप्स कथितरित्या प्रमुख चीनी टेक कंपन्यांकडून स्वीकारल्या जात आहेत. Ant Group ची Ling-Plus-Base सारख्या मोठ्या मॉडेलसाठी अशा हार्डवेअरचा प्रभावीपणे वापर करण्याची क्षमता या स्वदेशी पर्यायांसाठी एक महत्त्वपूर्ण प्रमाणीकरण ठरेल.

हे लक्षात घेणे महत्त्वाचे आहे की Ant Group ने Nvidia ला पूर्णपणे सोडलेले नाही. अहवाल सूचित करतात की Nvidia चिप्स अजूनही Ant च्या AI विकास टूलकिटचा भाग आहेत, संभाव्यतः अशा कार्यांसाठी वापरल्या जातात जिथे त्यांची विशिष्ट कार्यक्षमता वैशिष्ट्ये किंवा परिपक्व सॉफ्टवेअर इकोसिस्टम (जसे की CUDA) फायदे देतात, किंवा लेगसी सिस्टमसाठी. ही हालचाल रातोरात पूर्ण बदली करण्याबद्दल नाही, तर व्यवहार्य, समांतर मार्ग तयार करण्याबद्दल आहे जे धोरणात्मक असुरक्षितता कमी करतात आणि खर्च नियंत्रित करतात. हा संकरित दृष्टिकोन कंपनीला स्वातंत्र्याची जोपासना करताना सर्वोत्तम उपलब्ध साधनांचा लाभ घेण्यास अनुमती देतो. Ant Group ने स्वतः वापरलेल्या विशिष्ट चिप्सवर अधिकृतपणे भाष्य करण्यास नकार देऊन कॉर्पोरेट विवेकबुद्धी राखली.

एक व्यापक प्रवाह: AI आत्मनिर्भरतेसाठी चीनचा एकत्रित प्रयत्न

Ant Group चा उपक्रम एकाकी नाही. हे US निर्यात नियंत्रणांमुळे लादलेल्या मर्यादांवर मात करण्यासाठी चीनच्या तंत्रज्ञान क्षेत्रात सुरू असलेल्या व्यापक धोरणात्मक प्रयत्नांचे प्रतिबिंब आहे. ‘टेक वॉर’ ने महत्त्वपूर्ण तंत्रज्ञान, विशेषतः सेमीकंडक्टर्स आणि AI मध्ये अधिक आत्मनिर्भरता प्राप्त करण्याच्या प्रयत्नांना उत्प्रेरित केले आहे.

इतर प्रमुख खेळाडू समान उद्दिष्टे persegu करत आहेत:

• ByteDance: TikTok ची मूळ कंपनी देखील कथितरित्या त्यांच्या AI महत्त्वाकांक्षांसाठी पर्यायी चिप्स, स्वदेशी पर्यायांसह, सुरक्षित करण्यासाठी आणि वापरण्यासाठी काम करत आहे, ज्यात शिफारस अल्गोरिदम, जनरेटिव्ह AI आणि बरेच काही समाविष्ट आहे.
• DeepSeek: ही AI स्टार्ट-अप, जी तिच्या शक्तिशाली ओपन-सोर्स मॉडेल्ससाठी ओळखली जाते, स्पष्टपणे प्रशिक्षण कार्यक्षमतेचा उल्लेख करते आणि MoE आर्किटेक्चर वापरून मॉडेल्स विकसित केली आहेत, जी केवळ सर्वात शक्तिशाली GPUs च्या मोठ्या ताफ्यावर कमी अवलंबून असलेल्या धोरणांशी जुळतात.
• Baidu, Tencent, आणि इतर: सर्व प्रमुख चीनी क्लाउड आणि टेक कंपन्या AI मध्ये मोठ्या प्रमाणात गुंतवणूक करत आहेत आणि अनिवार्यपणे हार्डवेअर विविधीकरण धोरणे शोधत आहेत, ज्यात स्वदेशी चिप्ससाठी ऑप्टिमायझेशन आणि संभाव्यतः स्वतःचे कस्टम सिलिकॉन विकसित करणे समाविष्ट आहे.

एकत्रित संदेश स्पष्ट आहे: Nvidia च्या टॉप-टियर उत्पादनांमध्ये प्रवेश घेणे इष्ट असले तरी, चीनी टेक उद्योग सक्रियपणे पर्यायी उपाय विकसित आणि प्रमाणित करत आहे. यात एक बहु-आयामी दृष्टिकोन समाविष्ट आहे: MoE सारख्या कार्यक्षम मॉडेल आर्किटेक्चरचा स्वीकार करणे, भिन्न हार्डवेअर बॅकएंडसाठी तीव्र सॉफ्टवेअर ऑप्टिमायझेशन आणि स्वदेशी उत्पादित चिप्सच्या विकासाला आणि स्वीकृतीला समर्थन देणे.

भाषा मॉडेल्सच्या पलीकडे: आरोग्यसेवेमध्ये Ant चे AI विस्तार

Ant Group चे AI प्रयत्न मूलभूत LLMs च्या पलीकडे विस्तारलेले आहेत. त्यांच्या प्रशिक्षण कार्यक्षमतेबद्दलच्या बातम्यांबरोबरच, कंपनीने आरोग्यसेवा क्षेत्रासाठी तयार केलेल्या AI सोल्यूशन्सच्या संचामध्ये महत्त्वपूर्ण सुधारणा उघड केल्या. हा उपक्रम एका वेगळ्या, स्व-विकसित आरोग्यसेवा-केंद्रित AI मॉडेलचा लाभ घेतो.

सुधारित सोल्यूशन्समध्ये मल्टीमोडल क्षमता (विविध डेटा प्रकार जसे की मजकूर, प्रतिमा आणि संभाव्यतः इतर वैद्यकीय डेटावर प्रक्रिया करणे) आणि अत्याधुनिक वैद्यकीय तर्कांचा समावेश आहे. हे Ant ने वर्णन केलेल्या ‘ऑल-इन-वन मशीन्स’ मध्ये एकत्रित केले आहेत, जे संभाव्यतः क्लिनिकल सेटिंग्ज किंवा आरोग्य व्यवस्थापनासाठी डिझाइन केलेले उपकरणे किंवा प्लॅटफॉर्म आहेत.

जरी हे Ling-Plus-Base LLM च्या बातमीपासून वेगळे वाटत असले तरी, एक संभाव्य अंतर्निहित संबंध आहे. स्वदेशी पर्यायांसह हार्डवेअरच्या मिश्रणाचा वापर करून, अधिक खर्च-प्रभावीपणे शक्तिशाली AI मॉडेल्स प्रशिक्षित करण्याची क्षमता, आरोग्यसेवा सारख्या क्षेत्रांसाठी विशेष मॉडेल्स विकसित आणि तैनात करण्याच्या आर्थिक व्यवहार्यतेचा आधार बनू शकते. AI विकासाचा मूलभूत खर्च कमी केल्याने संसाधने डोमेन-विशिष्ट अनुप्रयोगांमध्ये वळवता येतात, ज्यामुळे महत्त्वपूर्ण उद्योगांमध्ये व्यावहारिक AI साधनांचा प्रसार संभाव्यतः वेगवान होतो. हा आरोग्यसेवा क्षेत्रातील पुढाकार Ant ची AI तज्ञता व्यापकपणे लागू करण्याची महत्त्वाकांक्षा अधोरेखित करतो, जी तिच्या फिनटेक मुळांच्या पलीकडे जात आहे.

भविष्यासाठी परिणाम: AI मार्गात विभाजन?

Ant Group ने Nvidia-व्यतिरिक्त, संभाव्यतः स्वदेशी, GPUs वापरून मोठ्या प्रमाणावरील MoE मॉडेलचे यशस्वी प्रशिक्षण महत्त्वपूर्ण परिणाम दर्शवते:

• स्वदेशी चिप्ससाठी प्रमाणीकरण (Validation for Domestic Chips): हे Huawei च्या Ascend सारख्या चीनी-डिझाइन केलेल्या AI एक्सलरेटर्सच्या व्यवहार्यतेसाठी एक महत्त्वपूर्ण पुरावा म्हणून काम करते, ज्यामुळे चीनमध्ये त्यांचा स्वीकार वाढू शकतो.
• स्पर्धात्मक परिदृश्य (Competitive Landscape): हे दर्शवते की चीनी कंपन्या निर्बंधांनंतरही अत्याधुनिक AI विकासामध्ये स्पर्धात्मक राहू शकतात, आर्किटेक्चरल आणि सॉफ्टवेअर नवोपक्रमाचा फायदा घेऊन.
• खर्च गतिशीलता (Cost Dynamics): 20% खर्च कपात पर्यायी हार्डवेअरचा प्रभावीपणे वापर करण्यास सक्षम कंपन्यांसाठी संभाव्य स्पर्धात्मक फायदा दर्शवते, ज्यामुळे जागतिक AI किंमती आणि उपलब्धतेवर परिणाम होऊ शकतो.
• Nvidia चे स्थान (Nvidia’s Position): जरी Nvidia जागतिक स्तरावर वर्चस्व गाजवत असली तरी, हा ट्रेंड नियमांमुळे आणि स्थानिक स्पर्धकांच्या उदयामुळे महत्त्वपूर्ण चीनी बाजारात तिला सामोरे जावे लागणाऱ्या आव्हानांना अधोरेखित करतो. हे Nvidia ला चीनसाठी तयार केलेल्या निर्यात-अनुपालक चिप्सच्या विकासाला गती देऊ शकते, परंतु पर्यायी मार्गाला देखील प्रमाणित करते.
• तंत्रज्ञानात्मक विभाजन? (Technological Bifurcation?): दीर्घकाळात, हार्डवेअर प्रवेश आणि सॉफ्टवेअर ऑप्टिमायझेशनमधील सततचे विचलन अंशतः भिन्न AI इकोसिस्टम्सना जन्म देऊ शकते, ज्यात मॉडेल्स आणि साधने भिन्न अंतर्निहित सिलिकॉनसाठी ऑप्टिमाइझ केली जातात.

Ant Group च्या Ling team ने केलेला प्रवास भू-राजकीय मर्यादांमुळे प्रेरित होत असलेल्या साधनसंपन्नतेचे प्रतीक आहे. MoE सारख्या प्रगत मॉडेल आर्किटेक्चरला उपलब्ध स्वदेशी हार्डवेअरसाठी ऑप्टिमाइझ करण्याची आणि वापरण्याची तयारी दर्शवून, त्यांनी कृत्रिम बुद्धिमत्तेच्या महत्त्वपूर्ण क्षेत्रात सतत प्रगती सुनिश्चित करणारा मार्ग तयार केला आहे, ज्यामुळे उद्योगाला परिभाषित करणाऱ्या खर्च संरचना आणि धोरणात्मक अवलंबित्व संभाव्यतः पुन्हा आकारले जाऊ शकते. हे या कल्पनेचा पुरावा आहे की नवोपक्रम अनेकदा दबावाखालीच अधिक उत्साहाने फुलतो.