पूर्व-प्रशिक्षण से AI एजेंटों की टीमों तक: Jensen Huang के चार विस्तार चक्र कंप्यूटिंग के सवाल को क्यों बदलते हैं

परिचय: कृत्रिम बुद्धिमत्ता अधिक सक्षम होती है तो क्या बढ़ता है?

कृत्रिम बुद्धिमत्ता [AI] पर चर्चा अक्सर किसी मॉडल [Model] के आकार से शुरू होती है। उसमें कितने पैरामीटर [Parameters] हैं? उसे प्रशिक्षित करने के लिए कितनी जानकारी इस्तेमाल हुई? उसके पीछे की कंप्यूटिंग प्रणाली [Computing System] कितनी बड़ी थी?

ये सवाल प्रणाली के केवल एक हिस्से का वर्णन करते हैं। Jensen Huang का व्यापक तर्क है कि AI कई चरणों में बढ़ सकता है: अपनी बुनियाद सीखते समय, अपना व्यवहार सुधारते समय, किसी खास समस्या पर काम करते समय और एजेंटों [Agents] के बीच काम बाँटते समय। इन चरणों का संबंध समझने से कंप्यूटिंग की माँग [Computing Demand] के बारे में हमारी सोच बदलती है।

महत्वपूर्ण अंतर एक मॉडल बनाने और एक बुद्धिमान प्रणाली का इस्तेमाल करने के बीच है। ये संबंधित गतिविधियाँ हैं, लेकिन इनका कार्यभार [Workload] एक जैसा नहीं है।

1. पूर्व-प्रशिक्षण बुनियाद बनाता है, तैयार कर्मचारी नहीं

पूर्व-प्रशिक्षण [Pre-training] किसी मॉडल को बड़ी मात्रा में जानकारी देकर उसकी व्यापक क्षमताएँ विकसित करता है। मॉडल ऐसे पैटर्न और संबंध सीखता है जो बाद के कार्यों में मदद कर सकते हैं।

अधिक डेटा और अधिक कंप्यूटिंग संसाधन [Computing] इन बुनियादों को बेहतर बना सकते हैं। लेकिन एक बड़ा प्रशिक्षण अभियान [Training Run] उपयोगी बुद्धिमत्ता की पूरी व्याख्या नहीं है। किसी मॉडल के पास व्यापक सामान्य ज्ञान हो सकता है, फिर भी उसे बेहतर निर्णय-क्षमता, कार्य-विशिष्ट अनुभव या ऐसी जानकारी तक पहुँच की जरूरत हो सकती है जो प्रशिक्षण के दौरान उसके सामने नहीं आई थी।

इसीलिए सवाल इस बात पर नहीं रुक सकता कि मनुष्यों द्वारा लिखी सामग्री की उपलब्धता अंततः बाधा बनेगी या नहीं। अगले चरण प्रणाली के सीखने के तरीके और उसके काम, दोनों को बदल सकते हैं।

2. पश्च-प्रशिक्षण बुनियाद के इस्तेमाल का तरीका बदलता है

पश्च-प्रशिक्षण [Post-training] शुरुआती सीखने के बाद मॉडल को परिष्कृत करता है। जोर व्यवहार, व्यावहारिक कार्यों और लोगों को जिस तरह के जवाब चाहिए, उनकी ओर बढ़ता है।

कृत्रिम डेटा [Synthetic Data] इस प्रक्रिया में योगदान दे सकता है। कोई प्रणाली उदाहरण बना सकती है, अलग-अलग रूप आजमा सकती है और ऐसी सामग्री तैयार कर सकती है जो आगे सीखने में उपयोगी हो। मूल्य इस बात में है कि उससे मिलने वाला अनुभव कितना अच्छा है, न कि इस बात में कि उसे मशीन ने बनाया।

यह अंतर महत्वपूर्ण है। अधिक सामग्री बनाने से अपने-आप यह साबित नहीं होता कि सामग्री सही है। उपयोगी चक्र ऐसे अनुभव चुनता है जिन्हें सँभालकर रखना चाहिए और बाद का व्यवहार सुधारने के लिए उनका इस्तेमाल करता है। चयन के बिना बढ़ती मात्रा कमजोरियों को सुधारने के बजाय दोहरा सकती है।

3. परीक्षण-समय की कंप्यूटिंग अनुमान को अधिक कठिन समस्या बनाती है

अनुमान [Inference] को कभी-कभी एक आसान अंतिम चरण माना जाता है: मॉडल पहले ही सीख चुका है, इसलिए जवाब बनाने में बहुत कम अतिरिक्त काम लगना चाहिए।

परीक्षण-समय विस्तार [Test-time Scaling] इस धारणा को चुनौती देता है। कठिन कार्य के लिए प्रणाली को समस्या छोटे हिस्सों में बाँटनी पड़ सकती है, संभावित तरीकों की तुलना करनी पड़ सकती है, जानकारी खोजनी पड़ सकती है और असफल प्रयास पर दोबारा विचार करना पड़ सकता है।

तब कंप्यूटिंग की जरूरत [Computing Requirement] इस पर निर्भर करती है कि उपयोगी जवाब लौटाने से पहले प्रणाली को क्या करना है। छोटे उत्तर से पहले भी काफी काम हो सकता है। इसके विपरीत, लंबा उत्तर सावधानी से किए गए तर्क का प्रमाण नहीं है।

किसी व्यवसाय के लिए इससे प्रतिक्रिया-विलंब [Latency], उत्तर की गुणवत्ता और संचालन लागत आपस में जुड़े विकल्प बन जाते हैं। सबसे सस्ता तत्काल उत्तर हमेशा सबसे कम लागत में सफलतापूर्वक पूरा हुआ कार्य नहीं होता।

4. एजेंट-आधारित विस्तार क्षमता के साथ समन्वय जोड़ता है

एजेंट-आधारित विस्तार [Agentic Scaling] एक और रास्ता प्रस्तुत करता है: एक मॉडल से सब कुछ क्रमवार करवाने के बजाय प्रणाली कई एजेंटों [Agents] के बीच काम बाँट सकती है।

एक एजेंट रिकॉर्ड जाँच सकता है, जबकि दूसरा विकल्पों की तुलना कर सकता है। उनके निष्कर्ष एक साझा परिणाम में मदद कर सकते हैं। यह एक मॉडल को बड़ा बनाने या उसे अधिक समय देने से अलग प्रकार की वृद्धि है।

किसी संगठन से तुलना उपयोगी है। अधिक कर्मचारी क्षमता बढ़ा सकते हैं, लेकिन तभी जब जिम्मेदारियाँ, संचार और अंतिम निर्णय स्पष्ट हों। इसी तरह अधिक एजेंट समन्वय, निष्कर्षों का मिलान और जाँच का काम भी पैदा करते हैं। उनकी संख्या एक निवेशित संसाधन है, सफलता का पैमाना नहीं।

5. चारों चरण सीखने का चक्र बनाते हैं

सबसे महत्वपूर्ण संबंध यह है कि प्रणाली के काम करने के बाद क्या होता है। एजेंटों के उपयोगी अनुभव बाद के प्रशिक्षण की सामग्री बन सकते हैं। फिर परिष्कृत मॉडल बेहतर तर्क और अधिक प्रभावी एजेंटों में मदद कर सकते हैं।

इसलिए पूर्व-प्रशिक्षण [Pre-training], पश्च-प्रशिक्षण [Post-training], परीक्षण-समय का काम [Test-time Work] और एजेंट-आधारित गतिविधियाँ [Agentic Activity] अलग-अलग खानों में सीमित रहने की जरूरत नहीं है। वे एक-दूसरे को पोषित कर सकती हैं।

इससे बुनियादी ढाँचे [Infrastructure] का सवाल भी बदलता है। मॉडल का प्रशिक्षण, फाइलों में खोज और कई कार्यकर्ताओं का समन्वय प्रोसेसर [Processors], मेमोरी [Memory], भंडारण [Storage] और नेटवर्किंग [Networking] पर अलग-अलग माँगें रखते हैं। किसी एक संकीर्ण प्रदर्शन-परीक्षण [Benchmark] के लिए बनी प्रणाली पूरे कार्यप्रवाह [Workflow] के अनुकूल न हो सकती है।

निष्कर्ष: केवल मॉडल नहीं, काम मापिए

Huang का चार-भाग वाला ढाँचा चर्चा को इस धारणा से आगे ले जाता है कि AI की प्रगति का अर्थ केवल बड़े डेटासेट [Dataset] पर एक बार प्रशिक्षित बड़ा मॉडल है।

व्यावहारिक सीख यह पहचानना है कि अतिरिक्त कंप्यूटिंग [Computing] कहाँ बेहतर परिणाम देती है। क्या कार्य को बेहतर बुनियाद, अधिक उपयोगी परिष्करण, समस्या हल करने का अधिक समय या काम के समन्वित बँटवारे की जरूरत है?

किसी उद्यम को पूरे हुए कार्यों, गुणवत्ता, समय और कुल लागत के आधार पर उत्तर का मूल्यांकन करना चाहिए। केवल पैरामीटर [Parameters] या एजेंट [Agents] गिनने से यह अधिक उपयोगी शुरुआती बिंदु है। भविष्य की कंप्यूटिंग का सवाल सीखने और काम करने वाली पूरी प्रणाली के बारे में है।

By Keshavan Thiagaraja

निजी कृत्रिम बुद्धिमत्ता मॉडल विकासकर्ता [Private AI Model Developer] और कृत्रिम बुद्धिमत्ता सुरक्षा सलाहकार [AI Security Consultant]। छोटे, मध्यम और बड़े व्यवसायों को सुरक्षित कृत्रिम बुद्धिमत्ता समाधान [AI] बनाने में सहायता करते हैं। सिडनी, ऑस्ट्रेलिया।

(B.Sc. Computer Science, Mathematics and Statistics)

(M.Sc. Information Technology)

(E-Commerce Professional)