चीनचा AI प्रवास: शक्तीपेक्षा व्यावहारिक एकीकरणाला प्राधान्य

कृत्रिम बुद्धिमत्ते (Artificial Intelligence - AI) बद्दलची जागतिक चर्चा अनेकदा एका अविरत शस्त्रास्त्र स्पर्धेवर केंद्रित झालेली दिसते – कोण सर्वात मोठे, सर्वात शक्तिशाली लार्ज लँग्वेज मॉडेल (LLM) तयार करू शकेल? चीनमधील DeepSeek सारख्या मॉडेल्सनी दाखवलेल्या प्रभावी क्षमतांसारख्या अलीकडील प्रगती, निश्चितपणे या कथनाला बळ देतात. जागतिक आणि देशांतर्गत आव्हानात्मक आर्थिक परिस्थितीत, अशा तांत्रिक उडी भविष्यातील संभाव्यतेची एक मोहक झलक देतात आणि कदाचित, विकासासाठी अत्यंत आवश्यक उत्प्रेरक ठरू शकतात. तरीही, केवळ या मथळा-वेधणाऱ्या LLMs वर लक्ष केंद्रित करणे म्हणजे झाडांसाठी जंगल गमावण्यासारखे आहे. कृत्रिम बुद्धिमत्ता, कमी दिखाऊ पण अत्यंत प्रभावी मार्गांनी, अनेक वर्षांपासून आपल्या डिजिटल जीवनाच्या रचनेत खोलवर विणली गेली आहे.

ऑनलाइन संवाद आणि व्यापारावर वर्चस्व गाजवणाऱ्या सर्वव्यापी प्लॅटफॉर्मचा विचार करा. TikTok किंवा त्याचे चीनी समकक्ष Douyin, सतत कंटेंट फीड्स तयार करणाऱ्या अत्याधुनिक शिफारस अल्गोरिदमशिवाय इतकी प्रचंड जागतिक पोहोच मिळवू शकले असते का? त्याचप्रमाणे, Amazon, Shein, आणि Temu सारख्या आंतरराष्ट्रीय कंपन्या असोत किंवा Taobao आणि JD.com सारख्या देशांतर्गत बलाढ्य कंपन्या असोत, त्यांच्या ई-कॉमर्समधील यशाचा पाया केवळ कार्यक्षम सोर्सिंग आणि लॉजिस्टिक्सपेक्षा खूप अधिक आहे. AI एका अदृश्य हाताप्रमाणे कार्य करते, हळूवारपणे आपल्या निवडींना दिशा देते. आपण खरेदी करण्याचा विचार करत असलेल्या पुस्तकांपासून ते आपण स्वीकारत असलेल्या फॅशन ट्रेंडपर्यंत, आपल्या उपभोगाच्या सवयी आपल्या मागील खरेदी, ब्राउझिंग इतिहास आणि क्लिक पॅटर्नचे विश्लेषण करणाऱ्या प्रणालींद्वारे अधिकाधिक आकार घेत आहेत. संवादात्मक AI मागणीनुसार सुरेख कविता रचू शकण्यापूर्वीच, Amazon आणि Google सारख्या कंपन्या ग्राहक वर्तनाला समजून घेण्यासाठी आणि अंदाज लावण्यासाठी AI चा वापर करण्यात अग्रेसर होत्या, ज्यामुळे बाजारपेठेत मूलभूत बदल घडले. AI चे हे शांत, अधिक व्यापक स्वरूप दशकांपासून वाणिज्य आणि माध्यम उपभोगाला नव्याने आकार देत आहे, अनेकदा आपल्या जाणीवेच्या पातळीखाली कार्यरत आहे.

लार्ज लँग्वेज मॉडेल्सची दुधारी तलवार

DeepSeek सारख्या शक्तिशाली LLMs चा उदय निःसंशयपणे एक महत्त्वपूर्ण तांत्रिक मैलाचा दगड आहे. मानवासारखे मजकूर तयार करणे, भाषांतर करणे आणि अगदी कवितांसारखी सर्जनशील सामग्री लिहिण्याची त्यांची क्षमता उल्लेखनीय आहे. ही साधने वैयक्तिक सहाय्यक, संशोधन सहाय्यक आणि सर्जनशील भागीदार म्हणून प्रचंड क्षमता बाळगतात. ईमेलचा मसुदा तयार करणे, लांबलचक दस्तऐवजांचा सारांश काढणे किंवा कल्पनांवर विचारमंथन करण्यासाठी अशा मॉडेलचा वापर करण्याची कल्पना करा – वैयक्तिक उत्पादकता वाढवण्याची क्षमता स्पष्ट आहे.

तथापि, या शक्तीसोबत महत्त्वपूर्ण मर्यादा आहेत, ज्या या मॉडेल्सच्या कार्य करण्याच्या पद्धतीमध्येच रुजलेल्या आहेत. LLMs जटिल सांख्यिकीय पद्धती आणि प्रचंड डेटासेटवर प्रशिक्षित केलेल्या विशाल न्यूरल नेटवर्क्सवर आधारित आहेत. ते नमुने ओळखण्यात आणि शब्दांच्या सर्वात संभाव्य क्रमाचा अंदाज लावण्यात उत्कृष्ट आहेत, परंतु त्यांच्यात खरी समज किंवा चेतना नसते. या सांख्यिकीय पायामुळे एक गंभीर असुरक्षितता निर्माण होते: हॅलुसिनेशन्स (hallucinations). जेव्हा त्यांच्या प्रशिक्षण डेटाबाहेरील विषय किंवा सूक्ष्म निर्णयाची आवश्यकता असलेल्या प्रश्नांना सामोरे जावे लागते, तेव्हा LLMs आत्मविश्वासाने संभाव्य वाटणारी परंतु पूर्णपणे चुकीची किंवा दिशाभूल करणारी माहिती तयार करू शकतात.

एका LLM ला एक अचूक देववाणी म्हणून नव्हे, तर कदाचित एक अविश्वसनीयपणे सुशिक्षित, वाक्पटू, परंतु कधीकधी काल्पनिक गोष्टी रचणारा तज्ञ म्हणून समजा. DeepSeek कदाचित एक उत्तेजक सॉनेट रचू शकेल, परंतु गंभीर कायदेशीर अर्थ लावणे, अचूक वैद्यकीय निदान किंवा उच्च-जोखमीच्या आर्थिक सल्ल्यासाठी त्यावर अवलंबून राहणे अत्यंत अविचारीपणाचे ठरेल. जी सांख्यिकीय संभाव्यता इंजिन त्याला ओघवते मजकूर तयार करण्यास अनुमती देते, तेच त्याला निश्चित ज्ञानाच्या अभावी ‘तथ्ये’ शोधण्यास प्रवृत्त करते. जरी नवीन आर्किटेक्चर्स आणि रिझनिंग मॉडेल्स (जसे की DeepSeek चे R1 किंवा OpenAI चे कथित o1/o3) या समस्येचे निराकरण करण्याचे उद्दिष्ट ठेवत असले तरी, त्यांनी ते पूर्णपणे काढून टाकलेले नाही. प्रत्येक बाबतीत अचूक असण्याची हमी देणारे, निर्दोष LLM अजूनही मायावी आहे. म्हणून, LLMs व्यक्तींसाठी शक्तिशाली साधने असू शकतात, तरीही त्यांचा वापर गंभीर मूल्यांकनासह संयमित केला पाहिजे, विशेषतः जेव्हा त्यांच्या आउटपुटवर आधारित निर्णयांचे महत्त्वपूर्ण वजन असते. ते मानवी क्षमतेत वाढ करतात; ते गंभीर क्षेत्रांमध्ये मानवी निर्णयाची जागा घेत नाहीत.

कॉर्पोरेट आणि सरकारी AI अंमलबजावणीचे मार्गदर्शन

उच्च-जोखमीच्या, मुक्त-स्वरूपाच्या प्रश्नांसाठी त्यांच्या अंगभूत मर्यादा असूनही, LLMs कंपन्या आणि सरकारी संस्थांसाठी, विशेषतः नियंत्रित वातावरणात, महत्त्वपूर्ण मूल्य प्रस्ताव देतात. त्यांची ताकद निर्णायक निर्णय घेण्याची जागा घेण्यात नाही, तर प्रक्रिया सुव्यवस्थित करणे आणि अंतर्दृष्टी काढणे यात आहे. मुख्य अनुप्रयोगांमध्ये हे समाविष्ट आहे:

• प्रक्रिया ऑटोमेशन (Process Automation): डेटा एंट्री, ग्राहक सेवा पूर्व-स्क्रीनिंग, दस्तऐवज सारांशीकरण आणि अहवाल निर्मिती यांसारखी नियमित कामे हाताळणे.
• वर्कफ्लो ऑप्टिमायझेशन (Workflow Optimisation): अडथळे ओळखणे, कार्यक्षमतेत सुधारणा सुचवणे आणि डेटा विश्लेषणावर आधारित जटिल प्रकल्प टाइमलाइन व्यवस्थापित करणे.
• डेटा अॅनालिटिक्स (Data Analytics): मानवी नजरेतून सुटू शकणारे ट्रेंड्स, सहसंबंध आणि विसंगती उघड करण्यासाठी प्रचंड डेटासेटवर प्रक्रिया करणे, ज्यामुळे धोरणात्मक नियोजन आणि संसाधन वाटपात मदत होते.

सरकारी आणि कॉर्पोरेट वापरासाठी डेटा सुरक्षा आणि गोपनीयता हा एक महत्त्वाचा पैलू आहे. DeepSeek सारख्या ओपन-सोर्स मॉडेल्सची उपलब्धता येथे एक फायदा देते. हे मॉडेल्स संभाव्यतः समर्पित, सुरक्षित सरकारी किंवा कॉर्पोरेट डिजिटल पायाभूत सुविधांमध्ये होस्ट केले जाऊ शकतात. हा ‘ऑन-प्रिमाइसेस (on-premises)’ किंवा ‘प्रायव्हेट क्लाउड (private cloud)’ दृष्टिकोन संवेदनशील किंवा गोपनीय माहितीला बाह्य सर्व्हर किंवा तृतीय-पक्ष प्रदात्यांसमोर उघड न करता त्यावर प्रक्रिया करण्यास अनुमती देतो, ज्यामुळे महत्त्वपूर्ण गोपनीयता आणि सुरक्षा धोके कमी होतात.

तथापि, सार्वजनिक-मुखी सरकारी अनुप्रयोगांचा (public-facing government applications) विचार करताना गणित नाटकीयरित्या बदलते, जिथे प्रदान केलेली माहिती अधिकृत आणि निःसंदिग्धपणे अचूक असणे आवश्यक आहे. कल्पना करा की एखादा नागरिक सामाजिक लाभांसाठी पात्रता, कर नियम किंवा आपत्कालीन प्रक्रियेबद्दल LLM-चालित सरकारी पोर्टलवर चौकशी करत आहे. जरी AI ने 99% वेळा पूर्णपणे अचूक प्रतिसाद दिला तरी, उर्वरित 1% दिशाभूल करणारे किंवा चुकीचे उत्तर गंभीर परिणाम करू शकतात, सार्वजनिक विश्वास कमी करू शकतात, आर्थिक अडचणी निर्माण करू शकतात किंवा सुरक्षिततेला धोका निर्माण करू शकतात.

यासाठी मजबूत सुरक्षा उपायांची (safeguards) अंमलबजावणी आवश्यक आहे. संभाव्य उपायांमध्ये हे समाविष्ट आहे:

• क्वेरी फिल्टरिंग (Query Filtering): सुरक्षित, सत्यापित उत्तरांच्या पूर्वनिर्धारित व्याप्तीच्या बाहेर येणाऱ्या चौकशा ओळखण्यासाठी प्रणाली डिझाइन करणे.
• मानवी देखरेख (Human Oversight): जटिल, संदिग्ध किंवा उच्च-जोखमीच्या प्रश्नांना मानवी तज्ञाद्वारे पुनरावलोकन आणि प्रतिसादासाठी ध्वजांकित करणे.
• कॉन्फिडन्स स्कोअरिंग (Confidence Scoring): AI ला उत्तराच्या निश्चिततेची पातळी दर्शविण्यासाठी प्रोग्राम करणे, वापरकर्त्यांना कमी-आत्मविश्वासाच्या प्रतिसादांसाठी पडताळणी करण्यास प्रवृत्त करणे.
• उत्तर प्रमाणीकरण (Answer Validation): AI-व्युत्पन्न प्रतिसादांना जनतेसमोर सादर करण्यापूर्वी ज्ञात, अचूक माहितीच्या क्युरेटेड डेटाबेसशी क्रॉस-रेफरन्स करणे.

हे उपाय सध्याच्या LLM तंत्रज्ञानातील मूलभूत तणाव अधोरेखित करतात: त्यांची प्रभावी निर्मिती शक्ती आणि गंभीर संदर्भांमध्ये अचूकता आणि विश्वासार्हतेची निरपेक्ष आवश्यकता यांच्यातील तडजोड. सार्वजनिक क्षेत्रात जबाबदार AI उपयोजनासाठी या तणावाचे व्यवस्थापन करणे महत्त्वाचे आहे.

विश्वासार्ह AI कडे: नॉलेज ग्राफ दृष्टिकोन

चीनचा दृष्टिकोन AI ला विशिष्ट, नियंत्रित अनुप्रयोगांमध्ये एकत्रित करून आणि विश्वासार्हता वाढवण्याचे मार्ग सक्रियपणे शोधून या तणावावर मात करण्यावर अधिकाधिक केंद्रित असल्याचे दिसते. ग्रेटर बे एरियामधील झुहाई (Zhuhai) शहरात सुरू असलेला स्मार्ट सिटी उपक्रम याचे एक आकर्षक उदाहरण आहे. महानगरपालिकेने अलीकडेच Zhipu AI मध्ये महत्त्वपूर्ण धोरणात्मक गुंतवणूक (सुमारे 500 दशलक्ष युआन किंवा US$69 दशलक्ष) केली आहे, जी शहरी पायाभूत सुविधांमध्ये प्रगत AI समाविष्ट करण्याच्या वचनबद्धतेचे संकेत देते.

झुहाईच्या महत्त्वाकांक्षा साध्या ऑटोमेशनच्या पलीकडे आहेत. सार्वजनिक सेवांमध्ये मूर्त सुधारणा करण्याचे उद्दिष्ट असलेले AI चे व्यापक, स्तरित अंमलबजावणी हे ध्येय आहे. यामध्ये रिअल-टाइम डेटा विश्लेषणाद्वारे रहदारीचा प्रवाह ऑप्टिमाइझ करणे, अधिक समग्र निर्णय घेण्यासाठी विविध सरकारी विभागांमधील भिन्न डेटा प्रवाह एकत्रित करणे आणि शेवटी, नागरिकांसाठी अधिक कार्यक्षम आणि प्रतिसाद देणारे शहरी वातावरण तयार करणे समाविष्ट आहे.

या प्रयत्नांच्या केंद्रस्थानी Zhipu AI चे GLM-4 जनरल लँग्वेज मॉडेल आहे. चीनी आणि इंग्रजी दोन्ही कार्ये हाताळण्यात प्रवीण आणि मल्टी-मोडल क्षमता (केवळ मजकुराच्या पलीकडे माहितीवर प्रक्रिया करणे) असूनही, त्याचे मुख्य वेगळेपण त्याच्या आर्किटेक्चरमध्ये आहे. Zhipu AI, सिंघुआ विद्यापीठाच्या (Tsinghua University) प्रसिद्ध नॉलेज इंजिनिअरिंग ग्रुपमधून (Knowledge Engineering Group) निघालेली कंपनी, तिच्या शिकण्याच्या प्रक्रियेत संरचित डेटासेट आणि नॉलेज ग्राफ (knowledge graphs) समाविष्ट करते. पारंपरिक LLMs जे प्रामुख्याने मोठ्या प्रमाणात असंरचित मजकुरातून (जसे की वेबसाइट्स आणि पुस्तके) शिकतात, त्यांच्या विपरीत, Zhipu AI स्पष्टपणे क्युरेटेड, उच्च-परिशुद्धता नॉलेज ग्राफ – तथ्ये, अस्तित्त्वे आणि त्यांचे संबंध यांचे संरचित प्रतिनिधित्व – वापरते.

कंपनीचा दावा आहे की हा दृष्टिकोन मॉडेलच्या हॅलुसिनेशन दरात लक्षणीय घट करतो, अलीकडील जागतिक तुलनेत सर्वात कमी दर गाठल्याचे वृत्त आहे. AI च्या सांख्यिकीय निष्कर्षांना सत्यापित, संरचित ज्ञानाच्या चौकटीत आधार देऊन (जसे ‘नॉलेज इंजिनिअरिंग’ उत्पत्तीद्वारे सूचित केले आहे), Zhipu AI अधिक विश्वासार्ह संज्ञानात्मक इंजिन तयार करण्याचे उद्दिष्ट ठेवते. हे पूर्णपणे सांख्यिकीय मॉडेल्सपासून दूर, तथ्यात्मक आधाराला एकत्रित करणाऱ्या प्रणालींकडे एक व्यावहारिक पाऊल दर्शवते, ज्यामुळे झुहाईच्या स्मार्ट सिटी प्रकल्पात परिकल्पित केलेल्या विशिष्ट अनुप्रयोगांसाठी विश्वासार्हता वाढते.

न्यूरो-सिम्बॉलिक एकीकरणाचा शोध

Zhipu AI चे उदाहरण कृत्रिम बुद्धिमत्तेच्या उत्क्रांतीमध्ये अपेक्षित असलेल्या एका व्यापक, अधिक मूलभूत बदलाकडे निर्देश करते: सांख्यिकीय न्यूरल नेटवर्क्सचे सिम्बॉलिक लॉजिकल रिझनिंगसह एकत्रीकरण. सध्याचे LLMs प्रामुख्याने न्यूरल नेटवर्क्सच्या विजयाचे प्रतिनिधित्व करतात – पॅटर्न ओळखणे, संवेदी डेटावर प्रक्रिया करणे आणि सांख्यिकीयदृष्ट्या संभाव्य आउटपुट तयार करण्यात उत्कृष्ट – पुढील टप्प्यात या ‘अंतर्ज्ञानी’ क्षमतेला पारंपरिक सिम्बॉलिक AI च्या वैशिष्ट्यपूर्ण संरचित, नियम-आधारित तर्काशी जोडणे समाविष्ट असण्याची शक्यता आहे.

हे न्यूरो-सिम्बॉलिक एकत्रीकरण (neuro-symbolic integration) अनेकदा AI संशोधनातील ‘होली ग्रेल’ म्हणून वर्णन केले जाते कारण ते दोन्ही जगातील सर्वोत्तम गोष्टींचे वचन देते: न्यूरल नेटवर्क्सची शिकण्याची आणि जुळवून घेण्याची क्षमता, सिम्बॉलिक प्रणालींच्या पारदर्शकता, पडताळणीयोग्यता आणि स्पष्ट तर्कासह जोडलेली. अशा AI ची कल्पना करा जी केवळ डेटामधील नमुने ओळखत नाही, तर स्थापित नियम, कायदे किंवा तार्किक तत्त्वांवर आधारित त्याचे तर्क स्पष्ट करू शकते.

अखंड एकत्रीकरण साधण्यात सैद्धांतिक चौकट, गणन कार्यक्षमता आणि व्यावहारिक अंमलबजावणी यांमध्ये पसरलेली अनेक जटिल आव्हाने आहेत. तथापि, मजबूत नॉलेज ग्राफ (knowledge graphs) तयार करणे हे एक मूर्त प्रारंभ बिंदू दर्शवते. तथ्ये आणि संबंधांचे हे संरचित डेटाबेस न्यूरल नेटवर्कच्या निष्कर्षांना आधार देण्यासाठी आवश्यक असलेला सिम्बॉलिक आधार प्रदान करतात.

चीनमध्ये एका मोठ्या प्रमाणावरील, राज्य-प्रायोजित प्रयत्नाची कल्पना करता येते, कदाचित मिंग राजवंशाच्या (Ming dynasty) काळात विश्वकोशीय योंगल दादियान (Yongle Dadian) संकलित करण्याच्या भव्य उपक्रमाची आठवण करून देणारा. ज्या गंभीर क्षेत्रांमध्ये अचूकता अत्यावश्यक आहे – जसे की वैद्यकशास्त्र, कायदा, अभियांत्रिकी आणि साहित्य विज्ञान – त्यामधील प्रचंड प्रमाणात सत्यापित माहितीचे डिजिटली कोडीकरण करून, चीन मूलभूत ज्ञान संरचना तयार करू शकतो. भविष्यातील AI मॉडेल्सना या कोडीफाइड, संरचित ज्ञान आधारांमध्ये स्थापित करणे त्यांना अधिक विश्वासार्ह, हॅलुसिनेशनला कमी प्रवृत्त आणि शेवटी, गंभीर अनुप्रयोगांसाठी अधिक विश्वासार्ह बनवण्याच्या दिशेने एक महत्त्वपूर्ण पाऊल असेल, संभाव्यतः या क्षेत्रांच्या सीमांना प्रक्रियेत पुढे नेईल.

स्वायत्त ड्रायव्हिंग: चीनचा परिसंस्थेचा फायदा

कदाचित सर्वात आकर्षक क्षेत्र जेथे चीन एकात्मिक, विश्वासार्ह AI वर आपले लक्ष केंद्रित करून फायदा घेण्यासाठी सज्ज दिसत आहे ते म्हणजे स्वायत्त ड्रायव्हिंग (autonomous driving). हा अनुप्रयोग सामान्य-उद्देशीय भाषा मॉडेल्सपेक्षा वेगळा आहे कारण सुरक्षितता केवळ इष्ट नाही; ती सर्वोपरि आहे. जटिल, अप्रत्याशित वास्तविक-जगातील वातावरणात वाहन चालवण्यासाठी केवळ पॅटर्न ओळखीपेक्षा अधिक आवश्यक आहे; त्यासाठी वाहतूक नियम, भौतिक मर्यादा, नैतिक विचार आणि इतर रस्ता वापरकर्त्यांच्या वर्तनाबद्दल भविष्यसूचक तर्कावर आधारित क्षणार्धात निर्णय घेणे आवश्यक आहे.

स्वायत्त ड्रायव्हिंग प्रणालींना, म्हणून, खऱ्या न्यूरो-सिम्बॉलिक आर्किटेक्चरची (neuro-symbolic architecture) आवश्यकता असते.

• न्यूरल नेटवर्क्स (Neural networks) कॅमेरा, lidar आणि रडारमधून येणाऱ्या संवेदी डेटाच्या प्रवाहावर प्रक्रिया करण्यासाठी, पादचारी, सायकलस्वार आणि इतर वाहने यांसारख्या वस्तू ओळखण्यासाठी आणि तात्काळ पर्यावरणाला समजून घेण्यासाठी आवश्यक आहेत.
• सिम्बॉलिक लॉजिक (Symbolic logic) वाहतूक नियमांची अंमलबजावणी करण्यासाठी (लाल दिव्यांवर थांबणे, उजवीकडे जाण्याचा मार्ग देणे), भौतिक मर्यादांचे पालन करण्यासाठी (ब्रेकिंग अंतर, वळण त्रिज्या), जटिल परिस्थितीत पारदर्शक, पडताळणीयोग्य निर्णय घेण्यासाठी आणि संभाव्यतः नैतिक द्विधा सोडवण्यासाठी (जसे की अपरिहार्य अपघात निवड, जरी हे एक अत्यंत गुंतागुंतीचे क्षेत्र राहिले आहे) महत्त्वपूर्ण आहे.

एका स्वायत्त वाहनाने डेटा-चालित ‘अंतर्ज्ञान’ आणि नियम-आधारित तर्क यांचे प्रभावीपणे मिश्रण केले पाहिजे, गतिशील परिस्थितीत अनुकूल सुरक्षितता सुनिश्चित करण्यासाठी सातत्याने आणि अंदाजे वागले पाहिजे. कमी गंभीर AI अनुप्रयोगांमध्ये स्वीकार्य असलेल्या ‘हॅलुसिनेशन्स’ किंवा संभाव्य त्रुटी ते परवडू शकत नाही.

येथे, चीनकडे स्वायत्त ड्रायव्हिंग विकास आणि उपयोजनासाठी एक सुपीक परिसंस्था तयार करणाऱ्या घटकांचा एक अद्वितीय संगम आहे, जो इतर जागतिक शक्तींना मागे टाकू शकतो:

1. जगातील आघाडीची EV पुरवठा साखळी (World-Leading EV Supply Chain): चीन इलेक्ट्रिक वाहने आणि त्यांचे घटक, विशेषतः बॅटरी, यांच्या उत्पादनात वर्चस्व गाजवतो, ज्यामुळे एक मजबूत औद्योगिक पाया मिळतो.
2. विस्तृत चार्जिंग पायाभूत सुविधा (Extensive Charging Infrastructure): चार्जिंग स्टेशन्सचे वेगाने विस्तारणारे नेटवर्क रेंजची चिंता कमी करते आणि व्यापक EV दत्तक घेण्यास समर्थन देते.
3. प्रगत 5G नेटवर्क्स (Advanced 5G Networks): उच्च-बँडविड्थ, कमी-लेटन्सी कम्युनिकेशन वाहन-ते-सर्वकाही (V2X) कम्युनिकेशनसाठी महत्त्वपूर्ण आहे, ज्यामुळे वाहने आणि पायाभूत सुविधांमध्ये समन्वय साधता येतो.
4. स्मार्ट सिटी एकत्रीकरण (Smart City Integration): झुहाईसारखे उपक्रम वाहतूक प्रणालींना व्यापक शहरी डेटा नेटवर्कसह एकत्रित करण्याची इच्छा दर्शवतात, ज्यामुळे रहदारीचा प्रवाह ऑप्टिमाइझ होतो आणि प्रगत AV वैशिष्ट्ये सक्षम होतात.
5. व्यापक राइड-हेलिंग (Widespread Ride-Hailing): राइड-हेलिंग अॅप्सचा उच्च ग्राहक स्वीकार रोबोटॅक्सी (robotaxi) सेवांसाठी एक तयार बाजारपेठ तयार करतो, ज्यामुळे स्वायत्त वाहनांचे व्यापारीकरण करण्यासाठी एक स्पष्ट मार्ग मिळतो.
6. उच्च EV दत्तक दर (High EV Adoption Rate): चीनी ग्राहकांनी अनेक पाश्चात्य देशांपेक्षा इलेक्ट्रिक वाहने अधिक सहजपणे स्वीकारली आहेत, ज्यामुळे एक मोठी देशांतर्गत बाजारपेठ तयार झाली आहे.
7. सहाय्यक नियामक वातावरण (Supportive Regulatory Environment): सुरक्षितता महत्त्वाची असली तरी, वुहान (Wuhan) सारख्या शहरांमध्ये आधीच सुरू असलेल्या रोबोटॅक्सी ऑपरेशन्सद्वारे स्वायत्त तंत्रज्ञानाची चाचणी आणि उपयोजन करण्यासाठी सरकारी पाठिंबा असल्याचे दिसते.

याची इतर प्रदेशांशी तुलना करा. युनायटेड स्टेट्स, Tesla च्या अग्रगण्य प्रयत्नांनंतरही, विकसित राष्ट्रांमध्ये एकूण EV दत्तक घेण्यात लक्षणीयरीत्या मागे आहे, हा ट्रेंड संभाव्यतः धोरणातील बदलांमुळे वाढू शकतो. युरोपमध्ये मजबूत EV दत्तक आहे परंतु प्रभावी देशांतर्गत EV उत्पादकांची किंवा या एकत्रीकरणावर लक्ष केंद्रित करणाऱ्या जागतिक स्तरावरील आघाडीच्या AI दिग्गजांची तितकी एकाग्रता नाही.

चीनचा धोरणात्मक फायदा, म्हणून, सर्वात शक्तिशाली LLM असण्यापेक्षा या जटिल परिसंस्थेचे आयोजन करण्यात अधिक असल्याचे दिसते. उत्पादन क्षमतेपासून ते डिजिटल पायाभूत सुविधा आणि ग्राहक स्वीकृतीपर्यंत – तुकडे योग्य ठिकाणी बसत आहेत – ज्यामुळे स्वायत्त वाहने दशकात, कदाचित या वर्षीच लक्षणीय टेक-ऑफ पाहू शकतील, विशिष्ट चाचणीतून मुख्य प्रवाहात येऊ शकतील. या वाहनांचे विकसित होत असलेल्या स्मार्ट सिटी पायाभूत सुविधांशी अखंडपणे एकत्रीकरण झाल्यावर त्यांची पूर्ण परिवर्तनकारी शक्ती अनलॉक होईल.

लक्ष केंद्रित करणे: गणनशक्तीकडून एकात्मिक परिसंस्थांकडे

युनायटेड स्टेट्स आणि इतर खेळाडू अनेकदा ‘गणन शर्यतीत (computational race)’ अडकलेले दिसतात, चिप वर्चस्व, प्रचंड सर्व्हर पायाभूत सुविधा आणि अधिकाधिक मोठ्या LLMs सह बेंचमार्क नेतृत्त्व मिळवण्यावर लक्ष केंद्रित करतात, तर चीन एक पूरक, कदाचित अंतिमतः अधिक प्रभावी, धोरण अवलंबत असल्याचे दिसते. हे धोरण AI चे मूर्त, सामाजिकदृष्ट्या परिवर्तनकारी अनुप्रयोगांमध्ये एकत्रीकरण करण्यावर जोर देते, विशेषतः स्वायत्त ड्रायव्हिंग आणि स्मार्ट सिटीज सारख्या क्षेत्रांमध्ये विश्वासार्हता आणि परिसंस्थेच्या समन्वयाला प्राधान्य देते.

यामध्ये न्यूरो-सिम्बॉलिक दृष्टिकोनाकडे जाणीवपूर्वक वाटचाल करणे समाविष्ट आहे, विशिष्ट उच्च-मूल्य, सुरक्षितता-गंभीर क्षेत्रांना लक्ष्य करणे जेथे केवळ सांख्यिकीय मॉडेल्स कमी पडतात. खरी स्पर्धात्मक धार कोणत्याही एका अल्गोरिदम किंवा मॉडेलमध्ये, त्याची शक्ती किंवा खर्च-प्रभावीपणा विचारात न घेता, नसू शकते, तर व्यापक, एकात्मिक परिसंस्थांद्वारे AI ला भौतिक आणि आर्थिक परिदृश्यात विणण्याच्या क्षमतेमध्ये असू शकते. चीन शांतपणे व्यावहारिक, डोमेन-विशिष्ट न्यूरो-सिम्बॉलिक एकीकरणाकडे प्रगती करत आहे, LLMs च्या सध्याच्या आकर्षणापलीकडे शहरी जीवन आणि वाहतुकीला मूलभूतपणे नव्याने आकार देऊ शकणाऱ्या अनुप्रयोगांकडे पाहत आहे. AI च्या वास्तविक-जगातील प्रभावाचे भविष्य कदाचित चॅटबॉट्सच्या वाक्पटुत्वापेक्षा या जटिल, AI-एम्बेडेड प्रणालींच्या विश्वासार्ह कार्यामध्ये अधिक असू शकते.