चीनमधील AI: वाघांपासून मांजरांपर्यंत!
चीनमध्ये कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) क्षेत्रात एक मोठा बदल होताना दिसत आहे. एकेकाळी, चीनमधील ‘सिक्स टायगर्स’ (सहा वाघ) म्हणून ओळखल्या जाणार्‍या AI स्टार्टअप्समध्ये अमेरिकेला मागे टाकण्याची आणि OpenAI ला टक्कर देण्याची मोठी महत्त्वाकांक्षा होती. मात्र, आता या कंपन्यांना अनेक अडचणींचा सामना करावा लागत आहे, त्यामुळे त्यांनी आपल्या धोरणांमध्ये बदल केला आहे. DeepSeek सारख्या मोठ्या कंपन्यांशी स्पर्धा करणे आणि व्यवसाय वाढवणे या कंपन्यांना कठीण जात आहे. त्यामुळे, या कंपन्या आता टिकाऊ राहण्यासाठी आणि विकासासाठी नवीन मार्ग शोधत आहेत.
दिशेतील बदल
बैचुआन (Baichuan) ही ‘सिक्स टायगर्स’मधील एक कंपनी आहे. कंपनीने नुकताच आपला दुसरा वर्धापनदिन साजरा केला आणि त्याचवेळी आपल्या धोरणात मोठा बदल करण्याची घोषणा केली. कंपनीचे CEO वांग शियाओचुआन (Wang Xiaochuan) यांनी सांगितले की, आता कंपनी आपले कामकाज अधिक सुलभ करणार आहे आणि आरोग्य सेवा क्षेत्रावर लक्ष केंद्रित करणार आहे. यापूर्वी, बैचुआनची योजना चीनसाठी OpenAI सारखे मोठे मॉडेल विकसित करण्याची होती. मात्र, आता कंपनीने आपले लक्ष बदलले आहे.
याचप्रमाणे, ली कै-फू (Kai-Fu Lee) यांनी स्थापन केलेली झिरो वन (Zero One) या कंपनीने देखील ‘लहान पण उत्कृष्ट’ धोरण स्वीकारण्याची घोषणा केली आहे. या स्टार्टअपने AI 2.0 प्लॅटफॉर्म (AI 2.0 platform) तयार करण्याचे आणि आर्टिफिशियल जनरल इंटेलिजन्स (Artificial General Intelligence - AGI) विकसित करण्याचे आपले पूर्वीचे ध्येय सोडून दिले आहे. Xpin च्या अहवालानुसार, ही कंपन्यांची महत्त्वाकांक्षी ‘वाघां’कडून अधिक व्यवहार्य ‘मांजरां’कडे वाटचाल आहे.
डीपसीकचा धक्का
या कंपन्यांच्या धोरणातील बदल अचानक झालेला नाही. टेक expert वांग वेनगुआंग (Wang Wenguang) यांच्या मते, अनेक चीनी कंपन्यांनी मोठ्या भाषिक मॉडेलचे (Large Language Models - LLM) प्रशिक्षण घेणे बंद केले होते, कारण ते खूप खर्चिक होते.
जानेवारीमध्ये डीपसीक R1 (DeepSeek R1) लाँच (launch) झाल्यामुळे उद्योगात खळबळ उडाली. अनेक लहान आणि मध्यम आकाराच्या कंपन्यांना जाणीव झाली की त्या डीपसीकशी स्पर्धा करू शकत नाहीत. त्यामुळे, ‘सिक्स टायगर्स’ने एकत्रितपणे AGI विकसित करण्याचे ध्येय सोडून इतर क्षेत्रांवर लक्ष केंद्रित करण्यास सुरुवात केली.
बैचुआन आणि झिरो वन यांनी आता मॉडेलचे प्रशिक्षण देणे पूर्णपणे बंद केले आहे आणि त्याऐवजी आरोग्य सेवा क्षेत्रातील AI ॲप्लिकेशन्सवर (AI applications) लक्ष केंद्रित केले आहे. मिनीमॅक्सने (MiniMax) आपले B2B कामकाज कमी केले आहे आणि व्हिडिओ (video) निर्मिती ॲप्लिकेशन्ससह (applications) परदेशी बाजारपेठेकडे लक्ष वळवले आहे. झिपु AI (Zhipu AI), मूनशॉट AI (Moonshot AI) आणि कॅरॅक्टर AI (Character AI) अजूनही ओपन-सोर्स (open-source) समुदायात सक्रिय आहेत, पण त्यांनी अजूनपर्यंत डीपसीक R1 पेक्षा चांगले Tool तयार केलेले नाही.
सध्या, हे ‘सिक्स किटन्स’ (सहा मांजरे) B2B सॉफ्टवेअर ॲज अ सर्विस (Software as a Service - SaaS) मार्केटवर (market) अधिक लक्ष केंद्रित करत आहेत. या क्षेत्राला AI क्षेत्रात ‘कमी innovative’ मानले जाते. मात्र, या मार्केटमध्येही अनेक अडचणी आहेत. वांग वेनगुआंग सांगतात की, मोठे भाषिक मॉडेल प्लॅटफॉर्म विकसित करण्यासाठी तांत्रिक अडथळे फारसे नाहीत.
वांग म्हणतात, “मला स्वतःला असे प्लॅटफॉर्म (platform) तयार करण्यासाठी सुमारे सहा महिने लागले. मला वाटते की कंपनीच्या माध्यमातून या प्रोडक्टमधून (product) पैसे कमवणे कठीण आहे, पण एक व्यक्ती त्यातून काही प्रमाणात कमाई करू शकते.”
आजकाल, बाजारात (market) हजारो समान प्लॅटफॉर्म उपलब्ध आहेत आणि ते सहजपणे तयार करता येतात. वांग पुढे सांगतात, “मी B2B कंपन्यांसोबत काम करतो आणि त्यांना फक्त 40,000-50,000 RMB मध्ये सेवा पुरवतो. मोठ्या कंपन्या या किमतीत स्पर्धा करू शकत नाहीत.”
चीनमधील AI चे भविष्य
उद्योग क्षेत्रातील तज्ञांना वाटते की, भविष्यात चीनमध्ये फक्त डीपसीक, अलीबाबा (Alibaba) आणि बाइटडान्स (ByteDance) या कंपन्याच मोठे मॉडेल (model) विकसित करत राहतील.
एका वित्तीय कंपनीतील AI specialist जियांग शाओ (Jiang Shao) म्हणतात, “जे स्टार्टअप LLM तंत्रज्ञानाचा पाठपुरावा करत राहतील, ते अयशस्वी होण्याची शक्यता आहे. डीपसीक सर्वात आशादायक आहे, त्यानंतर अलीबाबा आणि बाइटडान्स आहेत. लीडर (leader) 50-80% मार्केट share घेईल, तर इतरांना 10% मिळू शकतात. मुख्य प्रश्न हा आहे की, AGI प्रथम कोण तयार करतो? जी कंपनी AGI तयार करेल, तीच अंतिम विजेता असेल.”
सध्या, डीपसीक तांत्रिक दृष्टिकोन, कुशल मनुष्यबळ आणि भरपूर संसाधनांमुळे आघाडीवर आहे. वांग वेनगुआंग यांचा असा विश्वास आहे की, जर कंपनीने आक्रमकपणे आपल्या तंत्रज्ञानाचे व्यावसायिकीकरण केले, तर ती जागतिक स्तरावर dominance मिळवू शकते.
Xpin नुसार, अंतिम विजेता कोण ठरेल हे निश्चित नसताना डेटा (data) हा एक महत्त्वाचा differentiator ठरला आहे. अलीबाबातील (Alibaba) तंत्रज्ञान expert गाओ पेंग (Gao Peng) म्हणतात, “स्पर्धात्मक advantage (advantage) निर्माण करण्यासाठी तुमच्याकडे कोणता डेटा (data) आहे हे महत्त्वाचे आहे, कारण मॉडेल (model) कोणीही वापरू शकते.”
मोठ्या मॉडेलचा विकास असो किंवा B2B मार्केटला target करणे असो, AI स्टार्टअप्सना मोठे यश मिळवण्यासाठी अनेक अडचणींचा सामना करावा लागतो. unique डेटा assets (assets) किंवा वर्षानुवर्षांच्या अनुभवाशिवाय, ते टिकाऊ स्पर्धात्मक advantage (advantage) निर्माण करण्यासाठी संघर्ष करतात. त्यामुळेच चीनमधील ‘सिक्स AI टायगर्स’ने (सहा AI वाघ) आपली महत्त्वाकांक्षा कमी केली आहे आणि वेगाने विकसित होत असलेल्या AI ecosystem मध्ये टिकाऊ राहण्याच्या संधी शोधत आहेत.
व्यवहार्य क्षेत्रांचा शोध
‘सिक्स टायगर्स’ने (सहा वाघ) घेतलेल्या धोरणात्मक बदलांवरून हे स्पष्ट होते की, AI मॉडेल क्षेत्रात स्पर्धा खूप जास्त आहे आणि प्रवेश करणे खूप खर्चिक आहे. या कंपन्यांनी आपले लक्ष इतर क्षेत्रांवर वळवले आहे आणि त्या AI च्या विविध क्षेत्रांमध्ये संधी शोधत आहेत. उदाहरणार्थ, आरोग्य सेवा क्षेत्रात AI-driven सोल्यूशन्सना (AI-driven solutions) खूप वाव आहे. निदान करण्यासाठी Tool (टूल) तयार करणे आणि वैयक्तिक उपचार योजना (treatment plans) विकसित करणे यांसारख्या कामांसाठी AI चा उपयोग होऊ शकतो.
मात्र, आरोग्य सेवा क्षेत्रात प्रवेश करण्यासाठी फक्त तांत्रिक क्षमता असून भागत नाही. वैद्यकीय कामकाज, नियामक आवश्यकता आणि रुग्णांच्या गोपनीयतेची काळजी घेणे आवश्यक आहे. या क्षेत्रात प्रवेश करणार्‍या स्टार्टअप्सना आरोग्य सेवा पुरवठादारांशी भागीदारी करावी लागेल, रुग्णांचा विश्वास जिंकावा लागेल आणि कठीण नियामक वातावरणातून मार्ग काढावा लागेल.
त्याचप्रमाणे, B2B SaaS मार्केटमध्ये AI ॲप्लिकेशन्ससाठी (AI applications) अनेक संधी आहेत. ग्राहक सेवा (customer service) स्वयंचलित करणे आणि पुरवठा साखळी (supply chain) व्यवस्थापनाला अनुकूल करणे यांसारख्या कामांसाठी AI चा वापर करता येतो. मात्र, हे मार्केट खूप स्पर्धात्मक आहे. त्यामुळे, या क्षेत्रात यशस्वी होण्यासाठी, स्टार्टअप्सना आपल्या प्रोडक्टची (product) गुणवत्ता, चांगली ग्राहक सेवा (customer service) आणि innovative किंमत धोरणांद्वारे स्वतःला इतरांपेक्षा वेगळे सिद्ध करावे लागेल.
डेटाचे महत्त्व
आधुनिक AI सोल्यूशन्स (solutions) विकसित करण्याच्या स्पर्धेत, डेटा (data) हा एक महत्त्वाचा differentiator ठरला आहे. ज्या कंपन्यांकडे मोठ्या प्रमाणात आणि उच्च-गुणवत्तेचा डेटा (data) आहे, त्यांना आपले मॉडेल (model) तयार करण्यासाठी आणि त्यात सुधारणा करण्यासाठी खूप फायदा होतो. हा डेटा (data) ग्राहक संवाद, सेन्सर डेटा (sensor data) आणि सार्वजनिकरित्या उपलब्ध माहिती यांसारख्या विविध स्त्रोतांकडून मिळू शकतो.
मात्र, फक्त मोठ्या प्रमाणात डेटा (data) असून पुरेसे नाही. डेटा (data) अचूक आणि relevant (relevant) आहे याची खात्री करण्यासाठी तो योग्यरित्या curate (क्युरेट), clean (क्लीन) आणि label (लेबल) करणे आवश्यक आहे. तसेच, कंपन्यांनी गोपनीयता (privacy) आणि नियामक आवश्यकतांचे पालन करण्यासाठी मजबूत डेटा governance policies (डेटा governance policies) तयार केल्या पाहिजेत.
डेटाचे महत्त्व वाढल्यामुळे डेटा scientist (डेटा scientist) आणि डेटा engineer (डेटा engineer) यांची मागणी वाढली आहे. या professionals (प्रोफेशनल्स) मध्ये डेटा (data) मधून माहिती काढण्याची, मशीन लर्निंग मॉडेल (machine learning model) तयार करण्याची आणि AI सोल्यूशन्स (solutions) deploy (डिप्लॉय) करण्याची कौशल्ये असतात. AI क्षेत्र जसजसे विकसित होत आहे, तसतसे डेटा (data) चा वापर करण्याची क्षमता ही यशासाठी अधिकाधिक महत्त्वाची ठरेल.
टॅलेंट वॉर (Talent war)
AI उद्योगात टॅलेंटसाठी (talent) तीव्र स्पर्धा आहे. कंपन्या जगभरातील top (टॉप) engineer (इंजिनियर), researcher (रिसर्चर) आणि product manager (प्रोडक्ट मॅनेजर) यांना actively recruit (ॲक्टिव्हली रिक्रूट) करत आहेत. AI टॅलेंटची (talent) मागणी पुरवठ्यापेक्षा खूप जास्त आहे, त्यामुळे कर्मचाऱ्यांचे पगार वाढत आहेत आणि workforce (वर्कफोर्स) मध्ये mobility (मोबिलिटी) निर्माण झाली आहे.
Top (टॉप) टॅलेंटला (talent) आकर्षित करण्यासाठी आणि टिकवून ठेवण्यासाठी, कंपन्यांनी आकर्षक compensation packages (कॉम्पेंसेशन पॅकेजेस), challenging (चॅलेंजिंग) काम आणि professional growth (प्रोफेशनल ग्रोथ) च्या संधी देणे आवश्यक आहे. तसेच, त्यांनी innovation (इनोव्हेशन), collaboration (कोलाबोरेशन) आणि continuous learning (कंटिन्युअस लर्निंग) ची संस्कृती जोपासली पाहिजे.
याव्यतिरिक्त, कंपन्या आपल्या existing workforce (एक्झिस्टिंग वर्कफोर्स) ला upskill (अपस्किल) करण्यासाठी training (ट्रेनिंग) आणि development programs (डेव्हलपमेंट प्रोग्राम्स) मध्ये गुंतवणूक करत आहेत. या programs (प्रोग्राम्स) मध्ये मशीन लर्निंग (machine learning), डीप लर्निंग (deep learning), नॅचरल लँग्वेज प्रोसेसिंग (natural language processing) आणि कॉम्प्युटर व्हिजन (computer vision) यांसारख्या विषयांचा समावेश आहे. आपल्या कर्मचाऱ्यांच्या कौशल्यांमध्ये गुंतवणूक करून, कंपन्या हे सुनिश्चित करू शकतात की त्यांच्याकडे वेगाने विकसित होत असलेल्या AI क्षेत्रात स्पर्धा करण्यासाठी आवश्यक असलेले टॅलेंट (talent) आहे.
नियामक वातावरण
AI उद्योगाला जगभरातील नियामकांकडून वाढत्या छाननीचा सामना करावा लागत आहे. सरकार AI च्या नैतिक, सामाजिक आणि आर्थिक परिणामांशी झुंजत आहेत आणि या समस्यांचे निराकरण करण्यासाठी नवीन कायदे आणि नियम विकसित करत आहेत.
हे नियम डेटा (data) गोपनीयता (privacy), अल्गोरिदमिक bias (अल्गोरिदमिक बायस) आणि गंभीर ॲप्लिकेशन्समध्ये (applications) AI चा वापर यांसारख्या विस्तृत समस्यांवर लक्ष केंद्रित करतात. कंपन्यांनी या नियामक बदलांवर लक्ष ठेवणे आवश्यक आहे आणि त्यांची AI सोल्यूशन्स (solutions) सर्व लागू कायद्यांचे आणि नियमांचे पालन करतात याची खात्री करणे आवश्यक आहे.
तसेच, कंपन्यांनी त्यांची AI सिस्टीम (system) कशी कार्य करते आणि ती कशी वापरली जाते याबद्दल पारदर्शक असणे आवश्यक आहे. त्यांच्या AI सिस्टीमने (system) घेतलेल्या निर्णयांसाठी त्या जबाबदार असल्या पाहिजेत. पारदर्शिता (transparency) आणि जबाबदारी स्वीकारून, कंपन्या आपल्या ग्राहक आणि हितधारकांचा विश्वास निर्माण करू शकतात.
पुढील मार्ग
‘सिक्स टायगर्स’ने (सहा वाघ) घेतलेल्या धोरणात्मक बदलांवरून चीनमधील AI स्टार्टअप्ससमोर असलेल्या संधी आणि आव्हाने अधोरेखित होतात. मोठे मॉडेल (model) क्षेत्र काही मोठ्या कंपन्यांच्या ताब्यात असले, तरी AI च्या विस्तृत क्षेत्रात स्टार्टअप्सना यशस्वी होण्याची संधी अजूनही आहे.
यशस्वी होण्यासाठी, स्टार्टअप्सनी विशिष्ट ग्राहकांच्या गरजा पूर्ण करणारी specialized AI सोल्यूशन्स (स्पेशलाइज्ड AI सोल्यूशन्स) विकसित करण्यावर लक्ष केंद्रित केले पाहिजे. तसेच, त्यांनी डेटा (data) गुणवत्ता (quality), टॅलेंट ॲक्विझिशन (talent acquisition) आणि नियामक compliance (कम्प्लायन्स) ला प्राधान्य दिले पाहिजे. व्यवहार्य दृष्टिकोन स्वीकारून आणि ठोस value (व्हॅल्यू) देण्यावर लक्ष केंद्रित करून, AI स्टार्टअप्स वेगाने विकसित होत असलेल्या चिनी AI ecosystem मध्ये यशस्वी होऊ शकतात. वाघापासून मांजर बनण्याचा प्रवास दीर्घकाळ टिकून राहण्यासाठी आणि sustainable growth (सस्टेनेबल ग्रोथ) साठी आवश्यक आहे.