बुद्धिमत्ता की लागत 100x गिरने पर क्या होता है
AI models को चलाने की लागत में तेज़ गिरावट के कारण कई लोग “बुद्धिमत्ता” को एक सस्ते, प्रचुर संसाधन के रूप में देखने लगे हैं, जिससे personal agents और software development से लेकर robotics और research automation तक के लिए अपेक्षाएँ बढ़ गई हैं। टिप्पणीकार इस पर बहस करते हैं कि क्या मौजूदा large language models सचमुच बुद्धिमत्ता हैं, सस्ते tokens उपयोग को Jevons paradox-जैसे तरीके से कितना बढ़ाएँगे, और क्या open, कम लागत वाले models महंगे frontier systems के आर्थिक औचित्य को कमजोर कर देंगे। अन्य लोग speed, hardware limits, data scarcity, और uncertain business models जैसी व्यावहारिक सीमाओं पर ध्यान दिलाते हैं, और तर्क देते हैं कि machine intelligence की वास्तविक दीर्घकालिक कीमत और प्रभाव को जानने के लिए अभी बहुत जल्दी है.
लेख पर समग्र प्रतिक्रिया
- टिप्पणीकार लागत/प्रदर्शन प्लॉट्स की स्पष्टता की जोरदार प्रशंसा करते हैं, खासकर एनिमेटेड Pareto frontier की।
- कुछ लोग इन ग्राफ़ों को तेज़ी से क्षमता सुधार का पहला “असंदिग्ध” दृश्य प्रमाण मानते हैं।
- कुछ लोग सोचते हैं कि प्रगति को बेहतर ढंग से दिखाने के लिए रैखिक स्केल अधिक उपयोगी हो सकते हैं, हालांकि इससे प्लॉट्स पढ़ना मुश्किल हो सकता है।
रोबोटिक्स एक प्रमुख लाभार्थी के रूप में
- बहुत से लोग रोबोटिक्स को वह सबसे स्पष्ट क्षेत्र मानते हैं जहाँ सस्ती बुद्धिमत्ता मायने रखती है: कपड़े तह करना, कचरा संभालना, फैक्टरी के काम।
- मौजूदा सीमाएँ: रोबोट धीमे हैं, अक्सर केवल नियंत्रित वातावरण में काम करते हैं, और समृद्ध मानव-जैसे सेंसरों की कमी होती है, खासकर स्पर्श और बल प्रतिक्रिया की।
- बहस: कुछ लोग तर्क देते हैं कि सामान्य घरेलू उपयोग के लिए रोबोटिक्स “अभी भी बहुत दूर” है; अन्य कहते हैं कि औद्योगिक सेटिंग्स में यह पहले से ही मजबूत मूल्य देता है और लगातार फैल रहा है।
हार्डवेयर, लागत, और गति
- कई लोगों को विशेष चिप्स और बेहतर distillation से 50–500× तक की अतिरिक्त दक्षता वृद्धि की उम्मीद है।
- इस पर असहमति है कि क्या frontier-स्तरीय मॉडल वास्तव में smartphones पर चलेंगे या datacenters में होस्ट करना अधिक कुशल रहेगा।
- गति (latency) को बहुत से लोग प्रति-token कीमत से बड़ा bottleneck मानते हैं, खासकर interactive workflows के लिए।
“बुद्धिमत्ता” का अर्थ क्या है
- एक पक्ष LLMs को उन्नत खोज मानता है और ज़ोर देता है कि वास्तविक engineering intelligence अब भी मानव की है।
- दूसरा पक्ष तर्क देता है कि बुद्धिमत्ता मूलतः prediction है, इसलिए LLM का व्यवहार पहले से ही बुद्धिमत्ता का एक रूप है।
- अन्य लोग ज़ोर देते हैं कि जैविक, embodied मानव बुद्धिमत्ता text-trained models से गुणात्मक रूप से अलग है।
मांग, Jevons Paradox, और token खपत
- कई लोग Jevons-जैसे प्रभावों की उम्मीद करते हैं: सस्ते tokens बहुत अधिक उपयोग को बढ़ाएंगे (लंबे समय तक चलने वाले agents, multi-agent systems, निरंतर experimentation)।
- कुछ लोग नोट करते हैं कि अन्य क्षेत्रों में (जैसे lighting) दक्षता सुधारों ने फिर भी कुल संसाधन हिस्सेदारी को घटाया, जिससे लगता है कि परिणाम मांग की elasticity पर निर्भर करते हैं।
- बुद्धिमत्ता की मांग को व्यापक रूप से संभावित रूप से असीमित माना जाता है, खासकर software और R&D में।
मॉडल गुणवत्ता, open models, और अर्थशास्त्र
- उपयोगकर्ता बताते हैं कि छोटे और open models पहले से ही कई कार्यों के लिए लागत के एक अंश पर “काफी अच्छे” हैं।
- ज़ोर दिए गए tradeoffs: सस्ते models धीमे, कम विश्वसनीय हो सकते हैं, या अधिक “thinking” की आवश्यकता हो सकती है, इसलिए wall-clock time और consistency महत्वपूर्ण हैं।
- इस पर बहस है कि क्या inference वर्तमान में subsidized है और क्या foundation model providers कभी training costs की भरपाई कर सकते हैं।
- कुछ लोग commoditization की भविष्यवाणी करते हैं: proprietary models आगे बने रहते हैं, लेकिन open models और distillation लगातार उनके लाभ को कम करते रहते हैं।