अगर मैं 17 साल का होता, तो मैं LLMs को शुरू से बनाना सीखता
एक प्रमुख निवेशक का यह दावा कि अगर वह आज 17 साल का होता, तो शुरू से बड़े language models बनाना सीखता, इस पर बहस छेड़ देता है कि युवा लोगों को वास्तव में किन कौशलों को प्राथमिकता देनी चाहिए। कई लोग गहरे LLM ज्ञान को मूल्यवान “fundamentals” और compilers या operating systems सीखने के आधुनिक समकक्ष के रूप में देखते हैं, और तात्कालिक करियर लाभ से अधिक curiosity और technical depth पर जोर देते हैं। अन्य लोग तर्क देते हैं कि LLM training के लिए भारी capital और data चाहिए, उपलब्ध jobs कम हैं, और यह survivorship bias तथा privilege को दर्शाता है; वे इसके बजाय व्यापक CS foundations, व्यावहारिक trades, या बस जीवन के अनुभव और संतुलन पर ध्यान देने की सलाह देते हैं.
सलाह पर समग्र प्रतिक्रिया
- इस ट्वीट पर व्यापक बहस है: कुछ लोग “17 की उम्र में शुरू से LLM बनाना सीखो” को प्रेरणादायक मानते हैं, जबकि कुछ इसे अव्यावहारिक या संवेदनहीन समझते हैं।
- कई लोगों का तर्क है कि ट्वीट को व्यक्तिगत विचार के रूप में लिखा गया है, लेकिन इसे अप्रत्यक्ष रूप से किशोरों के लिए निर्देशात्मक सलाह की तरह पढ़ा जाता है।
- कई टिप्पणीकार अमीर निवेशकों के किशोरों को यह बताने पर आपत्ति जताते हैं कि उन्हें अपनी जवानी कैसे बितानी चाहिए, खासकर जब इसे स्टार्टअप/दौलत के संदर्भ में पेश किया जाता है।
सीखने का मूल्य बनाम व्यावहारिक मूल्य
- कई लोग एक toy LLM बनाना एक सीखने वाली परियोजना के रूप में समर्थन करते हैं:
- इससे AI के मूल सिद्धांतों की समझ गहरी होती है, और “जादुई डिब्बे” जैसा भ्रम कम होता है।
- उपमाएँ: एक छोटा OS, browser, compiler, या game engine लिखना जो कभी production systems से प्रतिस्पर्धा नहीं करेगा, लेकिन आपको एक बेहतर engineer बनाता है।
- दूसरों का कहना है कि low-level mechanics “इतने जटिल नहीं” हैं और कुछ हफ्तों में सीखे जा सकते हैं; असली कठिनाई scaling, data, और systems में है — जिन तक व्यक्ति वास्तविक रूप से पहुँच नहीं रखते।
Compute, Data, और पहुँच
- व्यवहारिकता को लेकर तीखा मतभेद है:
- एक पक्ष: आप sub-billion-parameter models को train कर सकते हैं या छोटे models को consumer GPUs या सीमित cloud budgets पर fine-tune कर सकते हैं; यह experimentation के लिए बहुत अच्छा है।
- दूसरा पक्ष: कोई भी “दिलचस्प” या प्रतिस्पर्धी चीज़ भारी compute, महंगे hardware (जैसे high-end GPUs/TPUs), और विशाल, अधिकतर corporate-held datasets की माँग करती है।
- कई युवा टिप्पणीकार बताते हैं कि cloud rental भी उनके लिए बहुत महँगा है, जिससे गंभीर experimentation पहुँच से बाहर हो जाती है।
करियर, स्टार्टअप्स, और नौकरी बाज़ार
- कई लोगों का कहना है कि बहुत कम कंपनियाँ वास्तव में LLM pre-training करती हैं; अधिकतर काम fine-tuning, infra, या APIs के ज़रिए models का “उपयोग” करने का है।
- कुछ लोग तर्क देते हैं कि सच्चे LLM researchers की माँग बहुत कम है, और इसमें उच्च academic/credential barriers तथा तीव्र प्रतिस्पर्धा है।
- दूसरे इसका जवाब देते हैं कि:
- LLMs को समझना भविष्य के specialized models, infra, और applied AI startups के लिए बढ़त देता है।
- fine-tuning, optimization, MLOps, और domain-specific systems में काम बढ़ रहा है।
Survivorship Bias और ecosystem की आलोचना
- कई टिप्पणियाँ survivorship bias की ओर इशारा करती हैं: अत्यंत सफल investors से मिली सलाह हर जगह लागू नहीं होती, और अक्सर luck, wealth, और connections को कम करके आँकती है।
- कुछ लोग startup/VC ecosystem, AI hype, और “everyone should chase unicorns” संदेश को लेकर व्यापक निराशा व्यक्त करते हैं।
17-वर्षीय लोगों के लिए वैकल्पिक सलाह
- सुझाए गए विकल्प:
- पहले math, CS के fundamentals, या पुराने ML methods सीखें।
- trades, local businesses, healthcare, या अन्य स्थिर careers पर ध्यान दें।
- startups या किसी एक गर्म तकनीक के लिए optimization करने के बजाय social life, mental health, exploration, और व्यापक curiosity को प्राथमिकता दें।