कृत्रिम बुद्धिमत्तेच्या जगात (Artificial Intelligence) वादविवाद नवीन नाहीत. चीनमधील AI प्रयोगशाळा डीपसीक (DeepSeek) च्या बाबतीतही असेच घडले आहे. डीपसीकने त्यांच्या R1 रिझनिंग मॉडेलचे (R1 reasoning model) अपडेटेड व्हर्जन (updated version) सादर केले, ज्यामध्ये गणित आणि कोडिंग बेंचमार्क (coding benchmarks) सोडवण्याची प्रभावी क्षमता दर्शवण्यात आली. मात्र, हे मॉडेल प्रशिक्षित करण्यासाठी वापरलेल्या डेटाच्या स्रोतावरून AI संशोधकांमध्ये (AI researchers) जोरदार चर्चा सुरू झाली आहे. काहींचा असा तर्क आहे की, हा डेटा गुगलच्या जेमिनी (Gemini) या AI मॉडेलमधून घेण्यात आला आहे. या संशयामुळे नैतिक पद्धती, डेटा सोर्सिंग (data sourcing) आणि AI उद्योगातील स्पर्धात्मक भूदृश्य (competitive landscape) याबद्दल महत्त्वाचे प्रश्न उभे राहिले आहेत.
सादर केलेले पुरावे
या वादाला सुरुवात तेव्हा झाली, जेव्हा मेलबर्नमधील (Melbourne) सॅम पेच (Sam Paech) नावाच्या डेव्हलपरने (developer) दावा केला की, डीपसीकच्या नवीनतम मॉडेलला जेमिनीने व्युत्पन्न केलेल्या आऊटपुटवर (outputs) प्रशिक्षित केले गेले आहे. पेच AI प्रणालींसाठी भावनिक बुद्धिमत्ता (emotional intelligence) मूल्यांकन तयार करतात. पेच यांच्या मते, डीपसीकचे मॉडेल, ज्याला R1-0528 असे नाव देण्यात आले आहे, विशिष्ट शब्द आणि वाक्ये वापरण्यास प्राधान्य देते. ही वाक्ये गुगलच्या जेमिनी 2.5 प्रो (Gemini 2.5 Pro) मध्ये वापरल्या जाणाऱ्या वाक्यांसारखीच आहेत. फक्त या निरीक्षणावर आधारित निष्कर्ष काढणे योग्य नाही, परंतु यामुळे संशयाची एक लाल रेषा ओलांडली जाते आणि पुढील तपासणीची आवश्यकता आहे.
यामध्ये आणखी भर घालताना, स्पीचमॅप (SpeechMap) या टोपणनावाने काम करणाऱ्या दुसर्‍या डेव्हलपरने, जे AI साठी "फ्री स्पीच इव्हॅल" (free speech eval) तयार करण्यासाठी ओळखले जातात, त्यांनी निदर्शनास आणले की डीपसीक मॉडेलचे ट्रेस - म्हणजे निष्कर्ष काढताना ते निर्माण होणारे "विचार" - "जेमिनी ट्रेससारखे वाचले जातात." भाषिक नमुने आणि विचारप्रक्रिया (thought processes) जुळल्याने, डीपसीकने प्रशिक्षणादरम्यान जेमिनीच्या आऊटपुटचा वापर केला असावा, या संशयाला अधिक बळ मिळते.
यापूर्वी डीपसीकवर झालेले आरोप
असे पहिल्यांदा घडलेले नाही की डीपसीकवर प्रतिस्पर्धी AI प्रणालींकडून डेटा घेऊन AI मॉडेल प्रशिक्षित केल्याचा आरोप करण्यात आला आहे. डिसेंबरमध्ये, डेव्हलपर्सनी हे लक्षात आणले की डीपसीकचे V3 मॉडेल (V3 model) स्वतःला OpenAI च्या ChatGPT (ChatGPT) प्लॅटफॉर्म (platform) म्हणून ओळखत होते. यावरून असे सूचित होते की मॉडेलला ChatGPT चॅट लॉग्जवर (chat logs) प्रशिक्षित केले गेले असावे, ज्यामुळे अशा प्रकारच्या प्रॅक्टिसच्या (practice) नैतिकतेबद्दल चिंता वाढली.
या वर्षाच्या सुरुवातीला, OpenAI ने फायनान्शिअल टाइम्सला (Financial Times) सांगितले की, त्यांना डीपसीक डिस्टिलेशन (distillation) वापरत असल्याचे पुरावे सापडले आहेत. डिस्टिलेशन म्हणजे मोठ्या, अधिक सक्षम मॉडेलमधून डेटा काढून AI मॉडेलला प्रशिक्षण देणे. याव्यतिरिक्त, मायक्रोसॉफ्टने (Microsoft), OpenAI चा एक महत्त्वाचा सहयोगी आणि गुंतवणूकदार (investor) आहे, 2024 च्या उत्तरार्धात OpenAI डेव्हलपर खात्यांद्वारे मोठ्या प्रमाणात डेटा बाहेर पाठवला जात असल्याचे (data being exfiltrated) उघड केले. OpenAI चा असा विश्वास आहे की ही खाती डीपसीकाशी संबंधित आहेत, ज्यामुळे अनधिकृत डेटा काढण्याच्या संशयाला आणखी पुष्टी मिळते.
डिस्टिलेशन हे मुळात अनैतिक नसले तरी, OpenAI च्या सेवेच्या अटी स्पष्टपणे सांगतात की, ग्राहकांनी कंपनीच्या मॉडेल आऊटपुटचा वापर प्रतिस्पर्धी AI प्रणाली तयार करण्यासाठी करू नये. या निर्बंधाचा उद्देश OpenAI च्या बौद्धिक संपत्तीचे (intellectual property) संरक्षण करणे आणि AI उद्योगात एक निष्पक्ष स्पर्धात्मक वातावरण (fair competitive environment) राखणे आहे. जर डीपसीकने जेमिनी आऊटपुटवर R1 मॉडेलला प्रशिक्षित करण्यासाठी डिस्टिलेशनचा वापर केला, तर ते OpenAI च्या सेवेच्या अटींचे उल्लंघन ठरेल आणि गंभीर नैतिक प्रश्न उभे करेल.
डेटा दूषित होण्याची समस्या (The Challenges of Data Contamination)
हे लक्षात घेणे महत्त्वाचे आहे की, अनेक AI मॉडेल स्वतःची चुकीची ओळख करून घेतात आणि समान शब्द आणि वाक्ये वापरण्याकडे त्यांचा कल असतो. याचे कारण म्हणजे खुल्या वेबवर (open web) AI-व्युत्पन्न सामग्रीची (AI-generated content) वाढती उपस्थिती, जी AI कंपन्यांसाठी प्रशिक्षण डेटाचा (training datasets) प्राथमिक स्रोत आहे. सध्या, कंटेंट फार्म्स (content farms) क्लिकबैट आर्टिकल्स (clickbait articles) तयार करण्यासाठी AI चा वापर करत आहेत आणि बॉट्स (bots) रेडिट (Reddit) आणि एक्स (X) सारख्या प्लॅटफॉर्मवर AI-व्युत्पन्न पोस्ट्सचा (AI-generated posts) पूर आणत आहेत.
वेबवर AI-व्युत्पन्न सामग्रीचे "दूषितीकरण" AI कंपन्यांसाठी एक महत्त्वपूर्ण आव्हान आहे. यामुळे AI आऊटपुटला प्रशिक्षण डेटासेटमधून पूर्णपणे फिल्टर करणे अत्यंत कठीण झाले आहे. परिणामी, AI मॉडेल नकळतपणे एकमेकांकडून शिकू शकतात, ज्यामुळे भाषेत आणि विचारप्रक्रियेत समानता दिसून येते.
तज्ञांची मते आणि दृष्टीकोन (Expert Opinions and Perspectives)
डेटा दूषित होण्याच्या समस्या असूनही, AI तज्ञ, जसे की AI2 या ना-नफा AI संशोधन संस्थेतील (nonprofit AI research institute) संशोधक नॅथन लॅम्बर्ट (Nathan Lambert), यांचा असा विश्वास आहे की डीपसीकने गुगलच्या जेमिनी डेटावर प्रशिक्षण घेतले असणे अशक्य नाही. लॅम्बर्ट असे सुचवतात की, GPUs ची कमतरता असूनही डीपसीककडे पुरेसा आर्थिक निधी होता, त्यामुळे त्यांनी सर्वोत्तम उपलब्ध API मॉडेलमधून (API model) सिंथेटिक डेटा (synthetic data) तयार करणे निवडले असावे. त्यांच्या मते, हा दृष्टीकोन डीपसीकसाठी अधिक प्रभावी ठरू शकतो.
लॅम्बर्ट यांचा दृष्टीकोन AI कंपन्यांना पर्यायी डेटा सोर्सिंग धोरणे (data sourcing strategies) शोधण्यासाठी प्रवृत्त करू शकतो. सिंथेटिक डेटाचा वापर एक कायदेशीर आणि प्रभावी तंत्र (effective technique) असू शकतो, परंतु डेटा नैतिक पद्धतीने तयार केला गेला आहे आणि त्याने कोणत्याही सेवेच्या अटींचे किंवा नैतिक मार्गदर्शक तत्त्वांचे उल्लंघन केलेले नाही, याची खात्री करणे आवश्यक आहे.
सुरक्षा उपाय आणि प्रतिबंधात्मक प्रयत्न (Security Measures and Preventive Efforts)
डिस्टिलेशन आणि डेटा दूषितीकरणाच्या (data contamination) संबंधित चिंतांच्या प्रतिसादात, AI कंपन्यांनी त्यांचे सुरक्षा उपाय वाढवले आहेत. उदाहरणार्थ, OpenAI ने काही प्रगत मॉडेलमध्ये (advanced models) प्रवेश करण्यासाठी संस्थांसाठी आयडी व्हेरिफिकेशन प्रक्रिया (ID verification process) पूर्ण करणे अनिवार्य केले आहे. या प्रक्रियेसाठी OpenAI च्या API द्वारे समर्थित असलेल्या देशांपैकी एकाने जारी केलेले सरकारी ओळखपत्र (government-issued ID) आवश्यक आहे, ज्यामध्ये चीनचा समावेश नाही.
गुगलने AI स्टुडिओ डेव्हलपर प्लॅटफॉर्मद्वारे (AI Studio developer platform) उपलब्ध असलेल्या मॉडेलद्वारे व्युत्पन्न केलेल्या ट्रेसेसचे "सारांश" (summarizing the traces) करून डिस्टिलेशनचा धोका कमी करण्यासाठी पाऊल उचलले आहे. या सारांश प्रक्रियेमुळे जेमिनी ट्रेसेसवर प्रतिस्पर्धी मॉडेलला प्रशिक्षण देणे अधिक कठीण होते. त्याचप्रमाणे, अँथ्रोपिकने (Anthropic) मे मध्ये घोषणा केली की ते त्यांच्या स्वतःच्या मॉडेलचे ट्रेस सारांशित करण्यास सुरुवात करतील, कारण त्यांना त्यांच्या "स्पर्धात्मक फायद्यांचे" (competitive advantages) संरक्षण करायचे आहे.
हे सुरक्षा उपाय AI कंपन्यांद्वारे त्यांची बौद्धिक संपत्ती (intellectual property) सुरक्षित ठेवण्यासाठी आणि अनधिकृत डेटा काढण्यास प्रतिबंध (prevent unauthorized data extraction) करण्यासाठी एकत्रित प्रयत्न दर्शवतात. अधिक कठोर प्रवेश नियंत्रण (stricter access controls) लागू करून आणि मॉडेल ट्रेसेस अस्पष्ट करून, त्यांचा उद्देश अनैतिक पद्धतींना (unethical practices) प्रतिबंध करणे आणि AI उद्योगात समान पातळी राखणे आहे.
गुगलची प्रतिक्रिया (Google’s Response)
या आरोपांवर प्रतिक्रिया विचारली असता, गुगलने अद्याप कोणतेही उत्तर दिलेले नाही. या मौनामुळे (silence) चर्चेला आणखी वाव मिळतो आहे. AI समुदाय गुगलच्या अधिकृत (official statement) निवेदनाची वाट पाहत असताना, डीपसीकच्या डेटा सोर्सिंग पद्धतींबद्दलचे प्रश्न अजूनही कायम आहेत.
AI उद्योगासाठी याचे परिणाम (The Implications for the AI Industry)
डीपसीक वाद AI विकासाच्या नैतिक सीमा आणि जबाबदार डेटा सोर्सिंगच्या (responsible data sourcing) महत्त्वावर मूलभूत प्रश्न उभे करतो. AI मॉडेल अधिकाधिक अत्याधुनिक आणि सक्षम होत असताना, शॉर्टकट (cut corners) घेण्याची आणि अनधिकृत डेटा वापरण्याची शक्यता वाढू शकते. मात्र, अशा पद्धतींचे गंभीर परिणाम होऊ शकतात, ज्यामुळे AI उद्योगाची सत्यता धोक्यात येते आणि लोकांचा विश्वास उडतो.
AI चा दीर्घकाळ विकास आणि नैतिक विकास सुनिश्चित करण्यासाठी, AI कंपन्यांनी कठोर नैतिक मार्गदर्शक तत्त्वांचे (strict ethical guidelines) पालन करणे आणि जबाबदार डेटा सोर्सिंग पद्धतींना प्राधान्य देणे अत्यावश्यक आहे. यामध्ये डेटा प्रदात्यांकडून स्पष्ट संमती घेणे, बौद्धिक संपदा अधिकारांचा (intellectual property rights) आदर करणे आणि अनधिकृत किंवा पक्षपाती डेटाचा (biased data) वापर टाळणे इत्यादी गोष्टींचा समावेश आहे.
याव्यतिरिक्त, AI उद्योगात अधिक पारदर्शकता (transparency) आणि उत्तरदायित्वाची (accountability) गरज आहे. AI कंपन्यांनी त्यांच्या डेटा सोर्सिंग पद्धती आणि मॉडेलला प्रशिक्षित करण्यासाठी वापरल्या जाणार्‍या पद्धतींबद्दल अधिक माहिती देणे आवश्यक आहे. या वाढलेल्या पारदर्शकतेमुळे AI प्रणालींमध्ये विश्वास निर्माण होण्यास मदत होईल आणि अधिक नैतिक आणि जबाबदार AI इकोसिस्टमला (AI ecosystem) प्रोत्साहन मिळेल.
डीपसीक वाद AI तंत्रज्ञान (AI technology) जसजसे पुढे जाईल तसतसे येणाऱ्या समस्या आणि नैतिक विचारधारेची (ethical considerations) आठवण करून देतो. नैतिक तत्त्वांचे पालन करून, पारदर्शकता वाढवून आणि सहकार्याला प्रोत्साहन देऊन, AI समुदाय हे सुनिश्चित करू शकतात की AI चा उपयोग समाजाच्या फायद्यासाठी केला जाईल आणि नैतिक मूल्यांच्या (ethical values) किंमतीवर नाही.
तांत्रिक बाबींचा सखोल अभ्यास (Deep Dive into the Technical Aspects)
या समस्येची अधिक चांगली कल्पना येण्यासाठी, AI मॉडेलला कसे प्रशिक्षित केले जाते आणि डिस्टिलेशन (distillation) आणि सिंथेटिक डेटा जनरेशन (synthetic data generation) यांसारख्या विशिष्ट तंत्रांचा (specific techniques) सखोल अभ्यास करणे महत्त्वाचे आहे.
डिस्टिलेशन: बुद्धिमत्तेचे क्लोनिंग? (Distillation: Cloning Intelligence?)
AI च्या संदर्भात, डिस्टिलेशन म्हणजे मॉडेल कॉम्प्रेशन टेक्निक (model compression technique). यात एक लहान, अधिक कार्यक्षम "स्टुडंट" मॉडेलला (student model), मोठ्या, अधिक कॉम्प्लेक्स "टीचर" मॉडेलच्या (teacher model) वर्तनाची नक्कल (mimic) करण्यासाठी प्रशिक्षित केले जाते. स्टुडंट मॉडेल टीचर मॉडेलच्या आऊटपुटचे निरीक्षण (observing the outputs) करून शिकतो, प्रभावीपणे ज्ञान (knowledge) मिळवतो आणि ते लहान आर्किटेक्चरमध्ये (smaller architecture) हस्तांतरित (transfer) करतो. डिस्टिलेशन AI मॉडेलला कमी संसाधनांमध्ये (resource-constrained devices) तैनात (deploying) करण्यासाठी फायदेशीर ठरू शकते, परंतु जेव्हा टीचर मॉडेलचा डेटा किंवा आर्किटेक्चर मालकीचा (proprietary) असतो तेव्हा ते नैतिक चिंता वाढवते.
डीपसीकने परवानगीशिवाय डिस्टिलेशनद्वारे (distillation) जेमिनीच्या आऊटपुटचा वापर करून R1 मॉडेलला प्रशिक्षित केले, तर ते जेमिनीच्या बुद्धिमत्तेचे क्लोनिंग करण्यासारखे (cloning Gemini’s intelligence) ठरेल आणि गुगलच्या बौद्धिक संपदा अधिकारांचे उल्लंघन (violating Google’s intellectual property rights) करेल. येथे महत्त्वाची गोष्ट म्हणजे जेमिनीच्या आऊटपुटचा अनधिकृत वापर (unauthorized use), जे कॉपीराइट (copyright) आणि इतर कायदेशीर यंत्रणांद्वारे संरक्षित आहेत.
सिंथेटिक डेटा जनरेशन: दुधारी तलवार (Synthetic Data Generation: A Double-Edged Sword)
सिंथेटिक डेटा जनरेशनमध्ये (synthetic data generation) कृत्रिम डेटा पॉइंट्स (artificial data points) तयार करणे समाविष्ट आहे, जे वास्तविक जगातील डेटासारखे (real-world data) दिसतात. हे तंत्र प्रशिक्षण डेटासेट (training datasets) वाढवण्यासाठी वापरले जाते. विशेषतः जेव्हा वास्तविक डेटा दुर्मिळ (scarce) असतो किंवा तो मिळवणे महाग असते. सिंथेटिक डेटाची गुणवत्ता (quality) आणि नैतिक परिणाम (ethical implications) तो कसा व्युत्पन्न (generated) केला जातो यावर अवलंबून असतात.
डीपसीकने सिंथेटिक डेटा तयार करण्यासाठी जेमिनी API चा (Gemini’s API) वापर केला, तर प्रश्न असा आहे की हा डेटा जेमिनीच्या वास्तविक आऊटपुटसारखा (actual Gemini outputs) किती आहे आणि तो गुगलच्या बौद्धिक संपदेचे उल्लंघन करतो का? जर सिंथेटिक डेटा केवळ जेमिनीपासून प्रेरित असेल (inspired) परंतु त्याचे आऊटपुट थेट कॉपी (replicate) करत नसेल, तर तो योग्य वापर (fair use) मानला जाऊ शकतो. मात्र, जर सिंथेटिक डेटा जेमिनीच्या आऊटपुटपेक्षा वेगळा (indistinguishable) नसेल, तर ते डिस्टिलेशनसारखेच (distillation) प्रश्न उभे करू शकते.
मॉडेल ओव्हरफिटिंगचे परिणाम (Implications of Model Overfitting)
या संदर्भात आणखी एक संबंधित चिंता म्हणजे मॉडेल ओव्हरफिटिंग (model overfitting). ओव्हरफिटिंग तेव्हा होते जेव्हा एखादे मॉडेल प्रशिक्षण डेटा (training data) खूप चांगल्या प्रकारे शिकते, ज्यामुळे ते नवीन, न पाहिलेल्या डेटावर (unseen data) खराब प्रदर्शन (poorly perform) करते. डीपसीकने जेमिनीच्या आऊटपुटवर R1 मॉडेलला जास्त प्रशिक्षण (excessively trained) दिले, तर ओव्हरफिटिंग होऊ शकते. यात मॉडेल नवीन परिस्थितींमध्ये सामान्यीकरण (generalizing) करण्याऐवजी जेमिनीच्या प्रतिसादांचे पाठांतर (memorizes Gemini’s responses) करते.
या प्रकारच्या ओव्हरफिटिंगमुळे (overfitting) R1 मॉडेलची उपयुक्तता (applicability) तर मर्यादित होईलच, पण जेमिनीच्या डेटामुळे (Gemini’s data) त्याच्यावर अवलंबून असणे (reliance) देखील सोपे होईल. स्पीचमॅप यांनी नोंदवलेले "ट्रेसेस" (traces) या ओव्हरफिटिंगचा पुरावा असू शकतात, जिथे R1 मॉडेल जेमिनीच्या आऊटपुटमधून शिकलेले नमुने (patterns) पुन्हा सांगत आहे.
नैतिक विचार आणि उद्योग सर्वोत्तम पद्धती (Ethical Considerations and Industry Best Practices)
तांत्रिक बाबींव्यतिरिक्त, हा वाद AI विकासासाठी (AI development) स्पष्ट नैतिक मार्गदर्शक तत्त्वांची (ethical guidelines) आणि उद्योग सर्वोत्तम पद्धतींची (industry best practices) गरज अधोरेखित (highlights) करतो. काही प्रमुख तत्त्वांमध्ये हे समाविष्ट आहे:
- पारदर्शकता (Transparency): AI कंपन्यांनी त्यांचे डेटा स्रोत (data sources) आणि प्रशिक्षण पद्धती (training methodologies) पारदर्शक ठेवल्या पाहिजेत. यामुळे स्वतंत्र ऑडिटिंग (independent auditing) आणि पडताळणीला (verification) वाव मिळतो.
- संमती (Consent): AI कंपन्यांनी प्रशिक्षण देण्यासाठी डेटा वापरण्यापूर्वी डेटा प्रदात्यांकडून (data providers) स्पष्ट संमती (explicit consent) घ्यावी. यामध्ये बौद्धिक संपदा अधिकारांचा आदर करणे आणि अनधिकृत डेटा स्क्रॅपिंग (unauthorized data scraping) टाळणे समाविष्ट आहे.
- निष्पक्षता (Fairness): AI मॉडेल निष्पक्ष (fair) आणिBias (biased) नसावे. यासाठी डेटा विविधतेकडे (data diversity) आणि अल्गोरिथमिक Bias (algorithmic bias) कमी करण्याकडे लक्ष देणे आवश्यक आहे.
- जबाबदारी (Accountability): AI कंपन्या त्यांच्या AI मॉडेलच्या कृतींसाठी जबाबदार (accountable) असाव्यात. यामध्ये स्पष्ट जबाबदारीची रूपरेषा (clear responsibility frameworks) स्थापित करणे आणि AI प्रणालीमुळे (AI systems) होणाऱ्या नुकसानांचे निराकरण करणे समाविष्ट आहे.
- सुरक्षा (Security): AI कंपन्यांनी त्यांच्या AI मॉडेल आणि डेटाच्या सुरक्षेला (security) प्राधान्य दिले पाहिजे. यामध्ये अनधिकृत प्रवेशापासून संरक्षण (protecting against unauthorized access) करणे आणि डेटा उल्लंघनास (data breaches) प्रतिबंध करणे समाविष्ट आहे.
नियमांची भूमिका (The Role of Regulation)
नैतिक मार्गदर्शक तत्त्वे (ethical guidelines) आणि उद्योग सर्वोत्तम पद्धतींव्यतिरिक्त (industry best practices), AI विकासाने (AI development) उभी केलेली आव्हाने (challenges) सोडवण्यासाठी नियमांची (regulation) आवश्यकता भासू शकते. काही संभाव्य नियामक उपायांमध्ये (regulatory measures) हे समाविष्ट आहे:
- डेटा गोपनीयता कायदे (Data privacy laws): असे कायदे जे व्यक्तींच्या डेटाचे संरक्षण (protect individuals’ data) करतात आणि AI प्रशिक्षणासाठी वैयक्तिक माहितीच्या (personal information) वापरास प्रतिबंधित (restrict) करतात.
- बौद्धिक संपदा कायदे (Intellectual property laws): असे कायदे जे AI मॉडेल आणि डेटाला अनधिकृत कॉपी (unauthorized copying) आणि वितरणापासून (distribution) वाचवतात.
- स्पर्धा कायदे (Competition laws): असे कायदे जे AI उद्योगात स्पर्धात्मक-विरोधी वर्तनास (anti-competitive behavior) प्रतिबंध (prevent) करतात, जसे की डेटा होर्डिंग (data hoarding) आणि संसाधनांमधील (resources) अनुचित प्रवेश.
- सुरक्षा नियम (Safety regulations): असे नियम जे गंभीर ॲप्लिकेशन्समध्ये (critical applications) वापरल्या जाणाऱ्या AI प्रणालींची सुरक्षा (safety) आणि विश्वासार्हता (reliability) सुनिश्चित (ensure) करतात.
नैतिक मार्गदर्शक तत्त्वे, उद्योग सर्वोत्तम पद्धती आणि योग्य नियमांचे संयोजन करून, आपण एक अधिक जबाबदार (responsible) आणि टिकाऊ (sustainable) AI इकोसिस्टम (AI ecosystem) तयार करू शकतो, ज्यामुळे संपूर्ण समाजाला फायदा होईल. डीपसीक वाद (DeepSeek controversy) एक wake-up call (वेक-अप कॉल) आहे, जो आपल्याला या आव्हानांना सक्रियपणे (proactively) सामोरे जाण्यास प्रवृत्त (urging) करतो आणि हे सुनिश्चित करतो की AI चा विकास (AI विकास) आपल्या मूल्यांनुसार (values) आणि तत्त्वांनुसार (principles) केला जाईल.