पूर्व-प्रशिक्षणापासून AI एजंटांच्या संघांपर्यंत: Jensen Huang यांची विस्ताराची चार चक्रे संगणनाचा प्रश्न का बदलतात
प्रस्तावना: कृत्रिम बुद्धिमत्ता अधिक सक्षम होते तेव्हा काय वाढते?
कृत्रिम बुद्धिमत्तेवरील [AI] चर्चा अनेकदा मॉडेलच्या [Model] आकारापासून सुरू होते. त्यात किती पॅरामीटर्स [Parameters] आहेत? त्याच्या प्रशिक्षणासाठी किती माहिती वापरली? त्यामागील संगणकीय प्रणाली [Computing System] किती मोठी होती?
हे प्रश्न प्रणालीच्या केवळ एका भागाचे वर्णन करतात. Jensen Huang यांचा व्यापक युक्तिवाद असा आहे की AI अनेक टप्प्यांत वाढू शकते: पायाभूत गोष्टी शिकताना, वर्तन सुधारताना, एखादी विशिष्ट समस्या सोडवताना आणि एजंटांमध्ये [Agents] काम वाटताना. या टप्प्यांतील संबंध समजल्यावर संगणनाच्या मागणीबद्दलचा [Computing Demand] आपला विचार बदलतो.
मॉडेल तयार करणे आणि बुद्धिमान प्रणाली वापरणे यांतील फरक महत्त्वाचा आहे. या संबंधित कृती आहेत, पण त्यांचा कार्यभार [Workload] समान नाही.
1. पूर्व-प्रशिक्षण पाया घडवते, पूर्ण तयार कर्मचारी नाही
पूर्व-प्रशिक्षण [Pre-training] मॉडेलसमोर मोठ्या प्रमाणात माहिती आणून त्याच्या व्यापक क्षमता विकसित करते. पुढील कामांना आधार देणारे नमुने आणि संबंध मॉडेल शिकते.
अधिक डेटा आणि अधिक संगणकीय संसाधने [Computing] हा पाया सुधारू शकतात. मात्र मोठी प्रशिक्षण प्रक्रिया [Training Run] म्हणजे उपयुक्त बुद्धिमत्तेचे संपूर्ण स्पष्टीकरण नाही. मॉडेलकडे व्यापक सामान्य ज्ञान असूनही त्याला अधिक चांगली निर्णयक्षमता, कामविशिष्ट अनुभव किंवा प्रशिक्षणात न भेटलेल्या माहितीचा प्रवेश आवश्यक असू शकतो.
म्हणून माणसांनी लिहिलेल्या साहित्याचा पुरवठा शेवटी मर्यादा ठरेल का, एवढ्यावर प्रश्न थांबू शकत नाही. पुढचे टप्पे प्रणालीच्या शिकण्याची पद्धत आणि ती करत असलेले काम, दोन्ही बदलू शकतात.
2. उत्तर-प्रशिक्षण पायाचा वापर करण्याची पद्धत बदलते
उत्तर-प्रशिक्षण [Post-training] सुरुवातीच्या शिक्षणानंतर मॉडेल सुधारते. भर वर्तन, व्यावहारिक कामे आणि लोकांना आवश्यक असलेल्या प्रतिसादांच्या प्रकारांकडे वळतो.
कृत्रिम डेटा [Synthetic Data] या प्रक्रियेत योगदान देऊ शकतो. प्रणाली उदाहरणे तयार करू शकते, विविध पर्याय तपासू शकते आणि पुढील शिक्षणासाठी उपयुक्त ठरणारे साहित्य निर्माण करू शकते. मूल्य हे परिणामी अनुभवाच्या गुणवत्तेत असते; तो यंत्राने तयार केला या गोष्टीत नाही.
हा फरक महत्त्वाचा आहे. अधिक साहित्य निर्माण केल्याने ते बरोबर असल्याचे आपोआप सिद्ध होत नाही. उपयुक्त चक्र जतन करण्याजोगे अनुभव निवडते आणि पुढील वर्तन सुधारण्यासाठी वापरते. निवड न करता वाढवलेले प्रमाण उणिवा दुरुस्त करण्याऐवजी त्यांची पुनरावृत्ती करू शकते.
3. चाचणीवेळचे संगणन अनुमानाची समस्या अधिक कठीण करते
अनुमान [Inference] हा कधीकधी साधा अंतिम टप्पा मानला जातो: मॉडेल आधीच शिकले आहे, त्यामुळे उत्तर तयार करण्यासाठी फारसे अतिरिक्त काम लागू नये.
चाचणीवेळचा विस्तार [Test-time Scaling] या कल्पनेला आव्हान देतो. कठीण कामासाठी प्रणालीला समस्या लहान भागांत विभागावी लागू शकते, शक्य पद्धतींची तुलना करावी लागू शकते, माहिती शोधावी लागू शकते आणि अयशस्वी प्रयत्नाचा पुनर्विचार करावा लागू शकतो.
तेव्हा संगणनाची गरज [Computing Requirement] उपयुक्त उत्तर देण्याआधी प्रणालीला काय करावे लागते यावर ठरते. छोट्या उत्तरामागेही मोठे काम असू शकते. उलट, लांब उत्तर हे काळजीपूर्वक तर्क केल्याचा पुरावा नाही.
व्यवसायासाठी यामुळे प्रतिसादातील विलंब [Latency], उत्तराची गुणवत्ता आणि संचालन खर्च हे परस्परांशी जोडलेले पर्याय बनतात. सर्वांत स्वस्त तात्काळ प्रतिसाद म्हणजे नेहमीच सर्वांत कमी खर्चात यशस्वीपणे पूर्ण झालेले काम नसते.
4. एजंटाधारित विस्तार क्षमतेला समन्वयाची जोड देतो
एजंटाधारित विस्तार [Agentic Scaling] आणखी एक मार्ग देतो: एकाच मॉडेलला सर्व गोष्टी क्रमाने करायला सांगण्याऐवजी प्रणाली अनेक एजंटांमध्ये [Agents] काम वाटू शकते.
एक एजंट नोंदी तपासत असताना दुसरा पर्यायांची तुलना करू शकतो. त्यांचे निष्कर्ष सामायिक परिणामाला आधार देऊ शकतात. एक मॉडेल मोठे करणे किंवा त्याला अधिक वेळ देणे यापेक्षा ही वेगळी वाढ आहे.
संस्थेशी केलेली तुलना उपयुक्त आहे. अधिक कर्मचारी क्षमता वाढवू शकतात; पण जबाबदाऱ्या, संवाद आणि अंतिम निर्णय स्पष्ट असतील तरच. त्याचप्रमाणे अधिक एजंटांमुळे समन्वय, निष्कर्षांतील विसंगती मिटवणे आणि तपासणी यांचे काम निर्माण होते. त्यांची संख्या हा निविष्ट घटक आहे, यशाचा मापदंड नाही.
5. चार टप्पे शिकण्याचे चक्र तयार करतात
प्रणालीने काम केल्यानंतर काय घडते हा सर्वांत महत्त्वाचा संबंध आहे. एजंटांचे उपयुक्त अनुभव पुढील प्रशिक्षणासाठी साहित्य बनू शकतात. सुधारलेली मॉडेल नंतर अधिक चांगला तर्क आणि अधिक प्रभावी एजंटांना आधार देऊ शकतात.
म्हणून पूर्व-प्रशिक्षण [Pre-training], उत्तर-प्रशिक्षण [Post-training], चाचणीवेळचे काम [Test-time Work] आणि एजंटाधारित कृती [Agentic Activity] वेगवेगळ्या कप्प्यांतच राहण्याची गरज नाही. ते एकमेकांना पोषक ठरू शकतात.
यामुळे पायाभूत सुविधांचा [Infrastructure] प्रश्नही बदलतो. मॉडेलचे प्रशिक्षण, फाइलमध्ये शोध आणि अनेक कार्यकर्त्यांचा समन्वय यांमुळे प्रोसेसर [Processors], मेमरी [Memory], संचयन [Storage] आणि नेटवर्किंग [Networking] यांच्यावर वेगवेगळ्या गरजा पडतात. एकाच अरुंद कामगिरी चाचणीभोवती [Benchmark] आखलेली प्रणाली संपूर्ण कार्यप्रवाहाशी [Workflow] जुळणारी नसेल.
निष्कर्ष: केवळ मॉडेल नव्हे, काम मोजा
Huang यांची चार भागांची चौकट AI प्रगती म्हणजे मोठ्या डेटासेटवर [Dataset] एकदा प्रशिक्षित केलेले मोठे मॉडेल एवढेच, या कल्पनेच्या पुढे चर्चा नेते.
अतिरिक्त संगणन [Computing] कुठे अधिक चांगला परिणाम देते हे ओळखणे हा व्यावहारिक धडा आहे. कामाला अधिक चांगला पाया, अधिक उपयुक्त सुधारणा, समस्या सोडवण्यासाठी अधिक वेळ की कामाची समन्वित विभागणी आवश्यक आहे?
संस्थेने पूर्ण झालेली कामे, गुणवत्ता, वेळ आणि एकूण खर्च यांवर उत्तराचे मूल्यमापन करावे. केवळ पॅरामीटर्स [Parameters] किंवा एजंट [Agents] मोजण्यापेक्षा हा अधिक उपयुक्त प्रारंभ आहे. भविष्यातील संगणनाचा प्रश्न संपूर्ण शिकणाऱ्या आणि काम करणाऱ्या प्रणालीविषयी आहे.
Powered By K7