भाग I: बुद्धिमत्ता का अर्थशास्त्र
क्यों AI उद्योग अब बुद्धिमत्ता के बजाय प्रति डॉलर बुद्धिमत्ता को अनुकूलित करने वाला है
मैं तेजी से इस बात से आश्वस्त हो गया हूँ कि कृत्रिम बुद्धिमत्ता उद्योग ChatGPT के लॉन्च के बाद से सबसे महत्वपूर्ण आर्थिक मोड़ों में से एक की ओर बढ़ रहा है, फिर भी निवेशकों का भारी बहुमत एक ऐसे चर पर केंद्रित है जो आज निश्चित रूप से महत्वपूर्ण है, लेकिन अंततः बाजार की वर्तमान धारणा से कहीं कम मूल्यवान साबित हो सकता है। प्रमुख चर्चा यही घूमती रहती है कि किस कंपनी के पास सबसे स्मार्ट मॉडल है, कौन सी फ्रंटियर लैब नवीनतम बेंचमार्क में शीर्ष पर है, कौन सा रीज़निंग मॉडल तेजी से अस्पष्ट अकादमिक मूल्यांकनों में सबसे अधिक स्कोर करता है, और किस AI कंपनी ने उद्योग की हमेशा बदलती लीडरबोर्ड पर अस्थायी रूप से नेतृत्व हासिल किया है। जबकि ये चर्चाएँ निस्संदेह सुर्खियाँ बटोरती हैं, मेरा मानना है कि ये सतह के नीचे चुपचाप खुल रहे एक बहुत बड़े आर्थिक बदलाव को भूलने का जोखिम उठाती हैं, क्योंकि अंततः AI पारिस्थितिकी तंत्र में मुनाफा कहाँ जमा होता है, यह बुद्धिमत्ता ही नहीं, बल्कि हर डॉलर के लिए दी जाने वाली बुद्धिमत्ता की मात्रा तय करेगी।
शायद इस बदलाव को समझने का सबसे सरल तरीका एक उपमा है जो बार-बार मेरे मन में आती है जब भी मैं एंटरप्राइज़ AI अपनाने के बारे में सोचता हूँ। जब किसी कंपनी को अपने खातों को मिलाने, वित्तीय विवरण तैयार करने, या चालान प्रोसेस करने के लिए किसी की आवश्यकता होती है, तो वह शुद्ध गणित में पीएचडी वाले को नहीं रखती, इसलिए नहीं कि उस व्यक्ति में काम करने की क्षमता नहीं है, बल्कि इसलिए कि उसके पास उस कार्य के लिए आर्थिक रूप से उचित ठहराए जाने से कहीं अधिक क्षमता है। सटीक बहीखाता द्वारा बनाए गए मूल्य की मूलतः एक सीमा होती है। एक बार जब खाते सही हो जाते हैं, तो काफी अधिक बुद्धिमत्ता लगाने से बहुत कम अतिरिक्त लाभ होता है, चाहे वह बुद्धिमत्ता कितनी भी असाधारण क्यों न हो। तर्कसंगत संगठन इसलिए क्षमता के बजाय अर्थशास्त्र के अनुकूल होते हैं, वे सबसे सस्ता व्यक्ति रखते हैं जो आवश्यक गुणवत्ता मानक को पूरा करने वाला काम लगातार उत्पन्न कर सकता है, जबकि दुर्लभ बौद्धिक प्रतिभा को उन समस्याओं के लिए तैनात करते हैं जहाँ अतिरिक्त बुद्धिमत्ता वास्तव में अतिरिक्त मूल्य बनाती है।
हालाँकि, अर्थशास्त्र पूरी तरह से बदल जाता है जब समस्या ही बदल जाती है। यदि उद्देश्य अल्जाइमर के लिए एक सफल उपचार खोजना, एक क्रांतिकारी सेमीकंडक्टर आर्किटेक्चर विकसित करना, या मानवता के सामने सबसे कठिन वैज्ञानिक प्रश्नों में से एक को हल करना है, तो अचानक दुनिया के सबसे प्रतिभाशाली शोधकर्ताओं को काम पर रखने की लागत सफलता से उत्पन्न संभावित आर्थिक मूल्य के सापेक्ष लगभग अप्रासंगिक हो जाती है। एक एकल सफलता दसियों या सैकड़ों अरबों डॉलर का मूल्य बना सकती है, जिससे मुट्ठी भर विशिष्ट वैज्ञानिकों के वेतन परियोजना के समग्र अर्थशास्त्र में लगभग नगण्य हो जाते हैं। ऐसी स्थितियों में, बुद्धिमत्ता ही दुर्लभ संसाधन बन जाती है, और लागत को कम करने के बजाय क्षमता को अधिकतम करना तर्कसंगत आर्थिक निर्णय होता है।
मेरा मानना है कि कृत्रिम बुद्धिमत्ता अब इसी द्विभाजन के करीब पहुँच रही है। पिछले दो वर्षों में, एंटरप्राइज़ ने भारी रूप से लगभग हर संभव कार्य के लिए फ्रंटियर मॉडल का उपयोग किया है, चाहे वह ईमेल का सारांश बनाना हो, चालानों से जानकारी निकालना हो, ग्राहक सहायता टिकटों को वर्गीकृत करना हो, दस्तावेज़ों का अनुवाद करना हो, मीटिंग नोट्स तैयार करना हो, नियमित सॉफ्टवेयर कोड उत्पन्न करना हो, या आंतरिक ज्ञान आधारों को खोजना हो, मुख्यतः इसलिए क्योंकि उद्योग ने हाल ही में उस सीमा को पार किया था जहाँ बड़े भाषा मॉडल ज्ञान कार्यों के लिए व्यापक रूप से उपयोगी हो गए थे। जब कोई तकनीक पहली बार व्यावसायिक रूप से व्यवहार्य होती है, तो संगठन स्वाभाविक रूप से उपलब्ध सबसे उच्च-प्रदर्शन वाले समाधान की ओर बढ़ते हैं क्योंकि वे अभी भी एक और अधिक मौलिक प्रश्न का उत्तर देने का प्रयास कर रहे होते हैं, अर्थात् क्या तकनीक बिल्कुल काम करती है, और व्यवसाय क्षमता को मान्य करते समय लागत अनुकूलन गौण रहता है।
हालाँकि, यह व्यवहार एक स्थिर संतुलन होने की संभावना नहीं है क्योंकि पायलट प्रोग्राम अनिवार्य रूप से उत्पादन प्रणालियों में बदल जाते हैं, और उत्पादन अर्थशास्त्र अंततः प्रौद्योगिकी अर्थशास्त्र पर हावी हो जाता है। हम पहले से ही इस बदलाव को एंटरप्राइज़ AI तैनातियों में होते हुए देखने लगे हैं क्योंकि संगठन पाते हैं कि चुनौती अब यह निर्धारित करना नहीं है कि AI मूल्य बनाता है या नहीं, बल्कि यह निर्धारित करना है कि क्या यह बड़े पैमाने पर तैनात करने से जुड़ी तेजी से बढ़ती लागतों के सापेक्ष पर्याप्त मूल्य बनाता है। एक बार जब वित्त विभाग AI बजट की उसी अनुशासन के साथ जाँच करना शुरू कर देते हैं जो हर दूसरे एंटरप्राइज़ प्रौद्योगिकी निवेश पर लागू होता है, तो अनुकूलन प्रक्रिया अनिवार्य रूप से बुद्धिमत्ता को अधिकतम करने से हटकर प्रति डॉलर खर्च पर बुद्धिमत्ता को अधिकतम करने की ओर शिफ्ट हो जाती है।
इंफ़रेंस लागतों के लगातार गिरने की उल्लेखनीय गति इस बदलाव को और तेज कर देती है। स्टैनफ़र्ड के AI इंडेक्स का अनुमान है कि GPT-3.5-स्तरीय प्रदर्शन देने की लागत 2022 के अंत और 2024 के अंत के बीच 280 गुना से अधिक घट गई, जबकि एंड्रीसेन होरोविट्ज़ ने निष्कर्ष निकाला कि मॉडल क्षमता के एक निश्चित स्तर को बनाए रखना हर साल लगभग दस गुना सस्ता हो जाता है, और एपॉक AI कई रीज़निंग बेंचमार्क पर समान निष्कर्ष पर पहुँचता है, जो सुझाव देता है कि आज प्रीमियम मूल्य वाली क्षमताएँ कल तेजी से वस्तु बन जाती हैं। यहाँ तक कि OpenAI के मुख्य वित्तीय अधिकारी, सारा फ्रायर ने हाल ही में देखा कि GPT-4 और कंपनी की नवीनतम पीढ़ी के मॉडलों के बीच इंफ़रेंस लागत केवल दो वर्षों में लगभग 97% गिर गई थी, जो दर्शाता है कि उद्योग की अपस्फीति की गतिशीलता कितनी असाधारण हो गई है। हालाँकि प्रत्येक संगठन इन प्रवृत्तियों को कुछ अलग तरीके से मापता है, वे सभी एक ही अंतर्निहित निष्कर्ष पर एकत्रित होते हैं, अर्थात् बुद्धिमत्ता एक ऐसी गति से नाटकीय रूप से सस्ती हो रही है जो आधुनिक तकनीक में शायद ही कहीं और देखी गई हो।
ठीक उसी समय जब इंफ़रेंस लागतें गिरती जा रही हैं, एंटरप्राइज़ एक बिल्कुल अलग चुनौती का सामना करना शुरू कर रहे हैं, जो अंततः और भी महत्वपूर्ण साबित हो सकती है। कंपनियाँ तेजी से पा रही हैं कि AI बजट जो वे मूल रूप से पूरे वित्तीय वर्ष तक चलने की उम्मीद करते थे, केवल कुछ महीनों में ही समाप्त हो रहे हैं क्योंकि उपयोग शुरू में अनुमान से कहीं अधिक तेजी से बढ़ रहा है। सैम ऑल्टमैन ने हाल ही में टिप्पणी की कि एंटरप्राइज़ ग्राहक तेजी से OpenAI को बता रहे हैं कि उन्होंने प्रभावी रूप से अपने नियोजित वार्षिक AI खर्च को पहली तिमाही के भीतर ही समाप्त कर लिया है और अब वे स्मार्ट मॉडल नहीं, बल्कि अधिक कुशल मॉडल माँग रहे हैं। इस अवलोकन को केवल एक और किस्से के रूप में खारिज नहीं किया जाना चाहिए क्योंकि यह संकेत देता है कि AI व्यावसायीकरण के एक मौलिक रूप से भिन्न चरण में प्रवेश कर चुका है। संगठन पहले ही निष्कर्ष निकाल चुके हैं कि कृत्रिम बुद्धिमत्ता काम करती है। उनका ध्यान अब यह सुनिश्चित करने की ओर स्थानांतरित हो रहा है कि यह आर्थिक रूप से काम करे।
सतह के नीचे हो रहा तकनीकी विकास बिल्कुल उसी निष्कर्ष को पुष्ट करता है। बड़े भाषा मॉडल क्रांति के शुरुआती वर्षों में, उद्योग के प्रतिभागियों ने मोटे तौर पर यह मान लिया था कि बेहतर मॉडलों के लिए केवल अधिक पैरामीटर, बड़ी आर्किटेक्चर और तेजी से अधिक मात्रा में कम्प्यूट की आवश्यकता होती है। लेकिन तेजी से, फ्रंटियर लैब पा रही हैं कि सावधानीपूर्वक प्रशिक्षित छोटे मॉडल, बेहतर डेटासेट, बेहतर रीज़निंग तकनीक, सिंथेटिक प्रशिक्षण डेटा और परिष्कृत डिस्टिलेशन विधियों के माध्यम से बढ़ाए गए, काफी बड़ी प्रणालियों के प्रदर्शन के करीब पहुँच सकते हैं, जबकि केवल एक अंश इंफ़रेंस लागत की आवश्यकता होती है। मेटा ने पहले ही इस दर्शन को आंतरिक रूप से प्रदर्शित किया है, अपने सबसे बड़े फ्रंटियर मॉडल का उपयोग मुख्य रूप से शिक्षकों के रूप में करते हुए, अपने विज्ञापन और अनुशंसा बुनियादी ढांचे में काफी छोटे डिस्टिल्ड मॉडल तैनात किए हैं, जिससे सीखने के लिए अधिकतम बुद्धिमत्ता आरक्षित रहती है और उत्पादन को बेंचमार्क स्कोर के बजाय अर्थशास्त्र के आसपास अनुकूलित किया जाता है।
इसका परिणाम यह है कि कृत्रिम बुद्धिमत्ता तेजी से मानव श्रम बाजारों जैसी दिखने लगती है, न कि वैज्ञानिक प्रतियोगिताओं जैसी। कोई भी तर्कसंगत संगठन हर पद पर नोबेल पुरस्कार विजेताओं को नहीं बैठाता, जैसे कोई भी एंटरप्राइज़ अंततः हर इंफ़रेंस अनुरोध को दुनिया के सबसे महंगे फ्रंटियर मॉडल तक नहीं भेजेगा। फ्रंटियर वैज्ञानिक अनुसंधान, उन्नत गणित, जटिल इंजीनियरिंग, स्वायत्त तर्क, या फार्मास्युटिकल खोज से जुड़े कार्य लगभग निश्चित रूप से सबसे सक्षम AI प्रणालियों पर निर्भर रहेंगे क्योंकि आर्थिक लाभ प्रभावी रूप से असीमित रहता है। हालाँकि, एंटरप्राइज़ वर्कलोड का भारी बहुमत दस्तावेज़ वर्गीकरण, ग्राहक सहायता, वर्कफ़्लो ऑटोमेशन, सूचना निष्कर्षण, सॉफ्टवेयर रखरखाव, अनुपालन निगरानी, एंटरप्राइज़ खोज, अनुबंध समीक्षा, और अनगिनत अन्य कार्यों से संबंधित है, जहाँ विश्वसनीयता, स्थिरता, शासन और अर्थशास्त्र बेंचमार्क लीडरबोर्ड पर एक या दो प्रतिशत अंक और निचोड़ने से कहीं अधिक मायने रखते हैं।
यही कारण है कि मुझे लगता है कि AI उद्योग अपने स्वयं के Linux क्षण के करीब पहुँच रहा है। Llama, DeepSeek, Qwen, GLM, Kimi और अन्य जैसे ओपन-वेट मॉडलों को उद्योग के अर्थशास्त्र को मौलिक रूप से नया आकार देने के लिए हर बेंचमार्क पर हर मालिकाना फ्रंटियर मॉडल को पार करने की आवश्यकता नहीं है। उन्हें बस इतना सक्षम होना होगा कि वे एंटरप्राइज़ वर्कलोड के भारी बहुमत के लिए पर्याप्त हों, क्योंकि एक बार जब वह सीमा पार हो जाती है, तो खरीदारी के निर्णय तेजी से कच्ची क्षमता के बजाय निवेश पर प्रतिफल से प्रेरित होने लगते हैं। एंटरप्राइज़ CIO ने कभी भी महत्वपूर्ण बुनियादी ढांचे का चयन केवल इसलिए नहीं किया क्योंकि वह बेंचमार्क पर पहले स्थान पर था। वे सुरक्षा, शासन, विश्वसनीयता, अनुपालन, एकीकरण, विक्रेता सहायता, परिचालन सरलता और स्वामित्व की कुल लागत के आसपास अनुकूलन करते हैं। कृत्रिम बुद्धिमत्ता से कोई अलग होने की संभावना नहीं है।
यदि वह दृष्टिकोण सही है, तो AI उद्योग का परिभाषित मीट्रिक धीरे-धीरे बुद्धिमत्ता से हटकर प्रति डॉलर बुद्धिमत्ता की ओर स्थानांतरित हो जाता है, जबकि फ्रंटियर मॉडल उन समस्याओं के आसपास तेजी से केंद्रित हो जाते हैं जिनका आर्थिक मूल्य वास्तव में क्षमता के उच्चतम स्तरों के लिए भुगतान करने को उचित ठहराता है। यह भेद उस निवेश थीसिस का आधार बनता है जो आगे आता है, क्योंकि एक बार जब बुद्धिमत्ता स्वयं तेजी से प्रचुर हो जाती है, तो निवेशकों को एक अलग प्रश्न पूछना शुरू कर देना चाहिए। यह बहस करने के बजाय कि कौन सबसे स्मार्ट मॉडल बनाता है, हमें तेजी से पूछना चाहिए कि आर्थिक मूल्य कौन हासिल करता है जब बुद्धिमत्ता इतनी सस्ती हो जाती है कि इसे वैश्विक अर्थव्यवस्था में लगभग हर वर्कफ़्लो में एम्बेड किया जा सकता है। हमारे विचार में, AI निवेश की कहानी का अगला चरण वहीं से शुरू होता है।
भाग II: महान मूल्य प्रवासन
क्यों स्थापित कम्प्यूट के मालिक नए कम्प्यूट के विक्रेताओं की तुलना में अंततः अधिक मूल्य हासिल कर सकते हैं
यदि पहले भाग का केंद्रीय तर्क सही है, अर्थात् कृत्रिम बुद्धिमत्ता लगातार बुद्धिमत्ता को अधिकतम करने के बजाय प्रति डॉलर बुद्धिमत्ता को अधिकतम करने की ओर विकसित हो रही है, तो निवेशकों के लिए स्वाभाविक प्रश्न यह हो जाता है कि जैसे-जैसे यह बदलाव सामने आता है, आर्थिक मूल्य अंततः कहाँ स्थानांतरित होता है। बाजार का आज का उत्तर उल्लेखनीय रूप से सीधा प्रतीत होता है। फावड़े और कुदाल की आपूर्ति करने वाली कंपनियों को खरीदें। Nvidia, Broadcom, ASIC डिज़ाइनर, नेटवर्किंग विक्रेता, मेमोरी निर्माता, और कोई भी अन्य जो AI बुनियादी ढांचे की अगली पीढ़ी के निर्माण के लिए आवश्यक हार्डवेयर बेच रहा है, उन्हें खरीदें। यह रणनीति पिछले कई वर्षों में निस्संदेह सही रही है, क्योंकि हाइपरस्केलर प्रौद्योगिकी के इतिहास में सबसे बड़े पूंजीगत व्यय चक्रों में से एक पर निकल पड़े हैं, GPU, नेटवर्किंग उपकरण, बिजली बुनियादी ढांचे, शीतलन प्रणालियों, और पूरी तरह से नए AI परिसरों में सैकड़ों अरबों डॉलर तैनात कर रहे हैं, जिन्हें इस समर्थन के लिए डिज़ाइन किया गया है कि हर कोई उम्मीद करता है कि AI इंफ़रेंस मांग में एक विस्फोट होगा।
फिर भी मुझे तेजी से लगता है कि बाजार गलत प्रश्न पूछ रहा है। निवेशक लगभग पूरी तरह से इस पर केंद्रित हैं कि अगला GPU कौन बेचता है, जबकि अधिक महत्वपूर्ण प्रश्न अंततः यह हो सकता है कि आखिरी GPU का मालिक कौन होता है। यह भेद आज सूक्ष्म लग सकता है, लेकिन यह पूरे AI पारिस्थितिकी तंत्र के अर्थशास्त्र को मौलिक रूप से बदल देता है क्योंकि यह ध्यान एकमुश्त हार्डवेयर बिक्री से हटाकर पहले से तैनात बुनियादी ढांचे द्वारा उत्पन्न आवर्ती नकदी प्रवाह की ओर स्थानांतरित करता है, जिसमें से अधिकांश प्रारंभिक पूंजीगत व्यय होने के बाद वर्षों तक AI वर्कलोड प्रोसेस करता रहेगा।
हमारे दृष्टिकोण से, केवल दो व्यापक परिदृश्य हैं जिनके तहत उद्योग आने वाले वर्षों में विकसित हो सकता है, और इस निवेश बहस को विशेष रूप से दिलचस्प बनाता है वह यह है कि दोनों परिणाम वर्तमान बाजार मूल्य निर्धारण से काफी अधिक अनुकूल प्रतीत होते हैं।
पहली संभावना यह है कि AI मॉडल बेहतर आर्किटेक्चर, डिस्टिलेशन, क्वांटाइजेशन, स्पेकुलेटिव डिकोडिंग, रूटिंग एल्गोरिदम, कंपाइलर ऑप्टिमाइजेशन और तेजी से परिष्कृत इंफ़रेंस तकनीकों के संयोजन के माध्यम से नाटकीय रूप से अधिक कुशल होते जा रहे हैं, जिससे क्लाउड प्रदाता अपने पास मौजूद हार्डवेयर से काफी अधिक उपयोगी काम निकाल सकते हैं। केवल प्रतिस्पर्धी बने रहने के लिए एक और US$100 बिलियन वार्षिक पूंजीगत व्यय की आवश्यकता होने के बजाय, मौजूदा GPU क्लस्टर प्रत्येक क्रमिक मॉडल पीढ़ी के साथ धीरे-धीरे अधिक उत्पादक हो जाते हैं, जिससे हाइपरस्केलर तेजी से बड़े इंफ़रेंस वर्कलोड को नए हार्डवेयर खरीद के माध्यम से उस वृद्धि से डॉलर के लिए डॉलर मिलान किए बिना समर्थन कर सकते हैं। इस दुनिया में, माइक्रोसॉफ्ट के Azure, अमेज़न के AWS, और गूगल के क्लाउड के अंदर पहले से मौजूद AI बुनियादी ढांचा निवेशकों की वर्तमान सराहना से काफी अधिक मूल्यवान हो जाता है क्योंकि प्रत्येक सॉफ्टवेयर सफलता पहले से तैनात हार्डवेयर की आर्थिक उत्पादकता को प्रभावी ढंग से बढ़ाती है।
यदि वह परिदृश्य साकार होता है, तो क्लाउड अर्थशास्त्र के लिए निहितार्थ अत्यंत आकर्षक हो जाते हैं। पूंजीगत व्यय स्वाभाविक रूप से स्थिर होने लगता है, पहले के निवेशों के परिपक्व होने पर मूल्यह्रास धीरे-धीरे घटता है, जबकि राजस्व चक्रवृद्धि जारी रहता है क्योंकि एंटरप्राइज़ टोकन खपत का विस्तार होता रहता है। परिणाम यह होता है कि फ्री कैश फ़्लो तेजी से ऊपर की ओर झुकता है क्योंकि हाइपरस्केलर ऐसे व्यवसायों से जो भारी मात्रा में पूंजी को अवशोषित करते हैं, ऐसे व्यवसायों में बदल जाते हैं जो तेजी से अपनी बैलेंस शीट पर पहले से मौजूद बुनियादी ढांचे का मुद्रीकरण कर रहे होते हैं। बाजार वर्तमान में प्रौद्योगिकी में सबसे बड़े खर्चों में से एक के रूप में जो देखता है, वह अंततः अब तक इकट्ठे किए गए सबसे बड़े उत्पादक परिसंपत्ति आधारों में से एक साबित हो सकता है, जो निवेशकों द्वारा इसे बनाने के लिए आवश्यक प्रारंभिक निवेश के बारे में चिंता करना बंद करने के बाद लंबे समय तक आकर्षक रिटर्न उत्पन्न करता है।
वैकल्पिक परिदृश्य, कई मामलों में, और भी अधिक रचनात्मक है। यह जेवन्स विरोधाभास परिदृश्य है, जहाँ दक्षता में सुधार मांग को कम नहीं करते बल्कि इसे तेज करते हैं क्योंकि कम लागत पूरी तरह से नए अनुप्रयोगों को आर्थिक रूप से व्यवहार्य बनाती है। जैसे-जैसे इंफ़रेंस नाटकीय रूप से सस्ता होता जाता है, कंपनियाँ AI उपयोग को राशन देना बंद कर देती हैं और अपने संगठनों में लगभग हर वर्कफ़्लो में बुद्धिमत्ता एम्बेड करना शुरू कर देती हैं। एजेंट कभी-कभार नहीं बल्कि लगातार निष्पादित करते हैं, सॉफ्टवेयर तेजी से मनुष्यों द्वारा अनुरोध शुरू करने की प्रतीक्षा करने के बजाय स्वचालित रूप से मॉडलों को कॉल करता है, कोडिंग सहायक अंतिम उत्तर देने से पहले अपने स्वयं के काम का बार-बार मूल्यांकन करते हैं, ग्राहक सहायता प्रणालियाँ एक साथ कई मॉडलों से परामर्श करती हैं, और एंटरप्राइज़ सॉफ्टवेयर इंफ़रेंस को एक महंगी प्रीमियम सुविधा के बजाय एक हमेशा-चालू उपयोगिता के रूप में मानना शुरू कर देता है। प्रत्येक व्यक्तिगत टोकन सस्ता हो जाता है, फिर भी प्रोसेस किए गए टोकन की कुल संख्या तेजी से बढ़ती है क्योंकि व्यवसायों को अचानक हजारों नए उपयोग के मामले मिल जाते हैं जो पहले आर्थिक रूप से संभव नहीं थे।
इतिहास बताता है कि तकनीकी प्रगति ठीक इसी तरह से सामने आती है। जब भंडारण नाटकीय रूप से सस्ता हुआ, तो मानवता ने कम पैसे में समान मात्रा में जानकारी संग्रहीत नहीं की। हमने बहुत अधिक जानकारी संग्रहीत की। जब बैंडविड्थ नाटकीय रूप से सस्ता हुआ, तो हमने केवल इंटरनेट बिल कम नहीं किए। हमने टेक्स्ट-आधारित वेबसाइटों को स्ट्रीमिंग वीडियो प्लेटफॉर्म में बदल दिया। जब क्लाउड कंप्यूटिंग ने सॉफ्टवेयर बुनियादी ढांचे को तैनात करने की लागत कम कर दी, तो व्यवसायों ने कम सर्वर नहीं खरीदे। उन्होंने सॉफ्टवेयर की पूरी तरह से नई श्रेणियां बनाईं जो ऑन-प्रिमाइस कंप्यूटिंग के अर्थशास्त्र के तहत कभी अस्तित्व में नहीं आतीं। कृत्रिम बुद्धिमत्ता ठीक उसी प्रक्षेप पथ का अनुसरण करती प्रतीत होती है, जहाँ गिरती इंफ़रेंस लागत मांग को इतनी तेज कर देती है कि वह प्रति व्यक्तिगत टोकन उत्पन्न राजस्व में किसी भी कमी को पछाड़ देती है।
इन दो परिदृश्यों की उल्लेखनीय विशेषता यह है कि दोनों क्लाउड बुनियादी ढांचे के मालिकों के लिए अत्यधिक रचनात्मक प्रतीत होते हैं। यदि मॉडल दक्षता मांग की तुलना में तेजी से सुधरती है, तो हाइपरस्केलर का पूंजीगत व्यय धीमा हो जाता है जबकि फ्री कैश फ़्लो तेज होता है। यदि मांग दक्षता की तुलना में तेजी से बढ़ती है, तो हाइपरस्केलर बुनियादी ढांचे का विस्तार जारी रखते हैं जबकि साथ ही तेजी से उत्पादक हार्डवेयर पर चल रही AI सेवाओं से काफी बड़ा राजस्व उत्पन्न करते हैं। किसी भी परिदृश्य में हम ऐसे परिणाम पर नहीं पहुँचते जो क्लाउड प्लेटफॉर्म के लिए संरचनात्मक रूप से नकारात्मक प्रतीत होता है। इसके बजाय, बहस पूर्ण विजेताओं और हारने वालों के बजाय सापेक्ष लाभार्थियों की हो जाती है।
यही कारण है कि मुझे लगता है कि बाजार गलत समझता रहता है कि हाइपरस्केलर का पूंजीगत व्यय वास्तव में क्या दर्शाता है। कई निवेशक AI बुनियादी ढांचे पर खर्च को ऐसे मानते रहते हैं जैसे कि यह केवल एक और परिचालन व्यय हो जो अल्पकालिक लाभप्रदता को दबा रहा हो, जबकि वास्तव में यह तेजी से उत्पादक पूंजी निर्माण जैसा दिखता है। पूरे आर्थिक इतिहास में, परिवर्तनकारी बुनियादी ढांचे के निवेश निर्माण चरण के दौरान लगभग हमेशा वित्तीय रूप से अनाकर्षक दिखाई दिए हैं क्योंकि उन्होंने सार्थक नकदी प्रवाह उत्पन्न करने से पहले भारी मात्रा में पूंजी का उपभोग किया। रेलमार्ग, बिजली ग्रिड, दूरसंचार नेटवर्क, फाइबर-ऑप्टिक केबल और क्लाउड कंप्यूटिंग सभी ने ठीक उसी पैटर्न का पालन किया। अग्रिम निवेश तब तक अत्यधिक प्रतीत होता था जब तक कि उपयोगिता उस स्तर तक नहीं पहुँच जाती जहाँ परिचालन उत्तोलन भारी हो जाता, जिसके बाद वही संपत्तियां निवेशित पूंजी पर असाधारण रिटर्न उत्पन्न करने लगती थीं।
इसलिए बहस इस बात पर नहीं होनी चाहिए कि क्या हाइपरस्केलर AI बुनियादी ढांचे पर बहुत अधिक खर्च कर रहे हैं। अधिक महत्वपूर्ण प्रश्न यह है कि क्या वे संपत्तियां अंततः निवेश को उचित ठहराने के लिए पर्याप्त आर्थिक उत्पादन उत्पन्न करेंगी, और तेजी से सबूत बताते हैं कि उत्तर हाँ है। हालाँकि, बाजार एक अजीब मध्य मैदान का मूल्य निर्धारण करता दिख रहा है जहाँ सेमीकंडक्टर कंपनियाँ इस धारणा से लाभान्वित होती रहती हैं कि पूंजीगत व्यय अनिश्चित काल तक ऊंचा रहेगा, जबकि हाइपरस्केलर एक साथ इस तरह से कारोबार करते हैं जैसे कि वही खर्च स्थायी रूप से पूंजी पर रिटर्न को दबा देता है। मुझे यह संयोजन तेजी से समझ से बाहर लगता है क्योंकि या तो AI बुनियादी ढांचा समय के साथ नाटकीय रूप से अधिक उत्पादक हो जाता है, जिससे फ्री कैश फ़्लो तेजी से ऊपर उठता है, या AI मांग निरंतर निवेश को उचित ठहराने के लिए पर्याप्त तेजी से बढ़ती है। कोई भी परिणाम क्लाउड प्रदाताओं के लिए मौलिक रूप से मंदी का नहीं दिखता।
शायद इस थीसिस को रेखांकित करने वाला सबसे महत्वपूर्ण विकास यह है कि इंफ़रेंस स्वयं तेजी से एक प्रीमियम तकनीकी उत्पाद के बजाय एक उपयोगिता जैसा दिखता है। बिजली एक उपयोगी सादृश्य प्रदान करती है क्योंकि उपभोक्ता शायद ही कभी जानते हैं, या विशेष रूप से परवाह करते हैं, कि किस बिजली संयंत्र ने उनके घरों तक पहुँचने वाली बिजली उत्पन्न की। वे बस उम्मीद करते हैं कि बिजली विश्वसनीय, सुरक्षित और सबसे कम संभव लागत पर पहुँचे। कृत्रिम बुद्धिमत्ता ठीक उसी संतुलन की ओर विकसित होती दिख रही है। बहुत कम एंटरप्राइज़ अंततः परवाह करते हैं कि क्या नियमित दस्तावेज़ वर्गीकरण GPT-7, Claude 8, DeepSeek, Llama, Qwen, या किसी अन्य ओपन-वेट मॉडल द्वारा किया जाता है। वे इस बात की परवाह करते हैं कि उत्तर आवश्यक गुणवत्ता सीमा को पूरा करता है, मौजूदा वर्कफ़्लो में सहजता से एकीकृत होता है, सुरक्षा और नियामक आवश्यकताओं का अनुपालन करता है, और सबसे कम संभव कुल लागत पर ऐसा करता है। एक बार जब इंफ़रेंस एक लक्जरी सेवा के बजाय एक उपयोगिता जैसा दिखने लगता है, तो उद्योग का अर्थशास्त्र स्वाभाविक रूप से बुद्धिमत्ता को पुरस्कृत करने से हटकर बड़े पैमाने पर उस बुद्धिमत्ता को वितरित करने के लिए जिम्मेदार बुनियादी ढांचे को पुरस्कृत करने की ओर स्थानांतरित हो जाता है।
एक और सादृश्य और भी उपयुक्त हो सकता है। फ्रंटियर AI लैब तेजी से एयरलाइनों की तरह दिखती हैं, जबकि हाइपरस्केलर तेजी से हवाई अड्डों की तरह दिखते हैं। एयरलाइंस सेवा गुणवत्ता, ग्राहक अनुभव, मार्ग नेटवर्क, बेड़े आधुनिकीकरण और परिचालन दक्षता पर अथक प्रतिस्पर्धा करती हैं, फिर भी उन्हें लगातार सुधार के दबाव का भी सामना करना पड़ता है क्योंकि कल का प्रीमियम ऑफर आज का उद्योग मानक बन जाता है। हवाई अड्डे पूरी तरह से अलग आर्थिक मॉडल के तहत काम करते हैं क्योंकि उन्हें इस बात से कोई फर्क नहीं पड़ता कि अंततः बाजार हिस्सेदारी कौन सी एयरलाइन जीतती है। हर विमान अभी भी उतरता है, हर यात्री अभी भी टर्मिनल से गुजरता है, हर एयरलाइन अभी भी लैंडिंग फीस का भुगतान करती है, और हर अतिरिक्त उड़ान पहले से मौजूद बुनियादी ढांचे के उपयोग को बढ़ा देती है।
वही आर्थिक तर्क तेजी से कृत्रिम बुद्धिमत्ता पर भी लागू हो सकता है। OpenAI, Anthropic, Google DeepMind, xAI, Meta, DeepSeek और भविष्य की फ्रंटियर लैब निस्संदेह दुनिया के सबसे स्मार्ट मॉडल बनाने के लिए आक्रामक रूप से प्रतिस्पर्धा करती रहेंगी, आने वाले दशक में बेंचमार्क नेतृत्व कई बार हाथ बदलता रहेगा। फिर भी हर एंटरप्राइज़ इंफ़रेंस अभी भी किसी के डेटा सेंटर के अंदर चलता है, किसी के GPU का उपभोग करता है, किसी के नेटवर्किंग बुनियादी ढांचे का उपयोग करता है, और अंततः किसी के क्लाउड प्लेटफॉर्म पर निर्भर करता है। एयरलाइंस यात्रियों के लिए जोरदार प्रतिस्पर्धा करती हैं। हवाई अड्डे चुपचाप किराया वसूलते हैं, चाहे कोई भी एयरलाइन जीते।
यह भेद और भी शक्तिशाली हो जाता है क्योंकि मॉडल प्रतिस्पर्धा तेज होती है। ओपन-वेट मॉडल में सुधार जारी है, मालिकाना मॉडल नियमित एंटरप्राइज़ वर्कलोड में तेजी से विनिमेय होते जा रहे हैं, और ग्राहकों के अनुकूलन के साथ मॉडल स्तर पर मूल्य दबाव धीरे-धीरे उभरता है क्योंकि वे पूर्ण क्षमता के बजाय प्रति डॉलर बुद्धिमत्ता पर ध्यान केंद्रित करते हैं। फिर भी हर टोकन अभी भी कम्प्यूट का उपभोग करता है, हर इंफ़रेंस अभी भी क्लाउड बुनियादी ढांचे को पार करता है, और हर एंटरप्राइज़ वर्कलोड अभी भी सुरक्षित, स्केलेबल, वैश्विक रूप से वितरित कंप्यूटिंग संसाधनों पर निर्भर करता है। मॉडल स्तर पर प्रति-टोकन अर्थशास्त्र संकुचित हो सकता है, लेकिन बुनियादी ढांचे के मार्जिन उल्लेखनीय रूप से लचीले बने रहते हैं क्योंकि इंफ़रेंस की सेवा देने का भौतिक कार्य जारी रहता है, चाहे गणना अंततः कौन सा मॉडल करे।
हमारे विचार में, यह वर्तमान में कृत्रिम बुद्धिमत्ता के भीतर होने वाले आर्थिक मूल्य के सबसे बड़े प्रवासनों में से एक का प्रतिनिधित्व करता है। मूल्य स्वयं गायब नहीं होता। यह बस स्वामित्व बदलता है। फ्रंटियर मॉडल बनाने वाली कंपनियों के भीतर प्राथमिक रूप से केंद्रित होने के बजाय, उस मूल्य का एक बढ़ता हुआ अनुपात उन प्लेटफार्मों की ओर स्थानांतरित होता है जो हर दिन खरबों AI अनुरोधों का ऑर्केस्ट्रेट करते हैं। जैसे-जैसे बुद्धिमत्ता तेजी से प्रचुर होती जाती है और मॉडल क्षमताएं अभिसरण करती रहती हैं, दीर्घकालिक विजेता आवश्यक रूप से वे नहीं हो सकते जो सबसे स्मार्ट मॉडल का उत्पादन करते हैं, बल्कि वे हो सकते हैं जो उस बुनियादी ढांचे के मालिक हैं जिसके माध्यम से दुनिया की बुद्धिमत्ता प्रवाहित होती है। यदि AI क्रांति के पहले चरण ने बुद्धिमत्ता के निर्माताओं को पुरस्कृत किया, तो दूसरा चरण तेजी से उन लोगों को पुरस्कृत कर सकता है जो इसे वितरित करते हैं। हमारे विचार में, वहीं वास्तविक निवेश अवसर उभरना शुरू होता है।
भाग III: ऑर्केस्ट्रेशन लेयर
क्यों रूटिंग लेयर का मालिक अंततः एंटरप्राइज़ AI का मालिक हो सकता है
यदि AI क्रांति का पहला चरण सबसे बुद्धिमान मॉडल बनाने से परिभाषित हुआ था, और दूसरा चरण स्थापित बुनियादी ढांचे से अधिक आर्थिक मूल्य निकालने से, तो मेरा मानना है कि तीसरा चरण कुछ ऐसे पहलू पर केंद्रित होगा जो कहीं अधिक कम ग्लैमरस है लेकिन संभावित रूप से कहीं अधिक मूल्यवान है: ऑर्केस्ट्रेशन। दूसरे शब्दों में, प्रश्न धीरे-धीरे इस बात से दूर हो जाता है कि सबसे स्मार्ट मॉडल कौन बनाता है और इस ओर बढ़ जाता है कि यह कौन तय करता है कि कौन सा मॉडल प्रत्येक व्यक्तिगत कार्य करे। ऐसा इसलिए क्योंकि एक बार जब उद्यम पायलट स्तर के बजाय उत्पादन स्तर पर AI तैनात करना शुरू कर देते हैं, तो बुद्धिमत्ता का प्रबंधन केवल उस तक पहुंचने की तुलना में काफी अधिक महत्वपूर्ण हो जाता है।
आज एंटरप्राइज़ AI को लेकर सबसे बड़ी गलतफहमियों में से एक यह धारणा है कि संगठन अंततः हर संभावित कार्यभार के लिए एक ही फ्रंटियर मॉडल पर मानकीकरण करेंगे। यह तब तक तार्किक लग सकता है जब तक फ्रंटियर क्षमताओं में सार्थक अंतर है, लेकिन इतिहास बताता है कि एंटरप्राइज़ तकनीक लगभग कभी भी उस दिशा में विकसित नहीं होती है। कंपनियां एक डेटाबेस, एक प्रोग्रामिंग भाषा, एक साइबर सुरक्षा उत्पाद, या एक क्लाउड सेवा केवल इसलिए नहीं खरीदती हैं क्योंकि वह एक बेंचमार्क पर सबसे ऊपर है। इसके बजाय, वे लागत, विश्वसनीयता, शासन, प्रदर्शन और व्यावसायिक आवश्यकताओं के आसपास अनुकूलित टेक्नोलॉजी स्टैक बनाते हैं, जिसमें प्रत्येक कार्यभार की अर्थव्यवस्था के आधार पर अलग-अलग उपकरण अलग-अलग कार्य करते हैं।
कृत्रिम बुद्धिमत्ता के ठीक उसी तरह विकसित होने की संभावना है। एंटरप्राइज़ इन्फ्रेंस के भारी बहुमत को फ्रंटियर इंटेलिजेंस की आवश्यकता नहीं होती है। दस्तावेज़ वर्गीकरण, अनुबंध निष्कर्षण, चालान प्रसंस्करण, ग्राहक सहायता, सॉफ्टवेयर परीक्षण, एंटरप्राइज़ खोज, मीटिंग सारांशीकरण, अनुवाद, अनुपालन निगरानी, और अनगिनत अन्य नियमित व्यावसायिक प्रक्रियाओं के लिए बस एक ऐसे मॉडल की आवश्यकता होती है जो न्यूनतम संभव लागत पर लगातार आवश्यक गुणवत्ता सीमा को पार करता हो। अधिक जटिल तर्क कार्य, रणनीतिक योजना, वैज्ञानिक अनुसंधान, उन्नत सॉफ्टवेयर इंजीनियरिंग, और स्वायत्त एजेंटिक वर्कफ़्लो सबसे सक्षम फ्रंटियर सिस्टम पर निर्भर रहना जारी रख सकते हैं, लेकिन ये एंटरप्राइज़ टोकन खपत के अपेक्षाकृत छोटे अनुपात का प्रतिनिधित्व करते हैं। इसका परिणाम यह होता है कि संगठन तेजी से कार्यभार को गतिशील रूप से रूट करना शुरू कर देते हैं, सरल कार्यों को छोटे, सस्ते मॉडलों को सौंपते हैं, जबकि केवल सबसे अधिक मांग वाले अनुरोधों को फ्रंटियर सिस्टम तक बढ़ाते हैं जहां अतिरिक्त बुद्धिमत्ता वास्तव में वृद्धिशील आर्थिक मूल्य पैदा करती है।
यह परिवर्तन मौलिक रूप से बदलता है कि एंटरप्राइज़ मूल्य कहाँ निहित है। एक बार जब रूटिंग प्रमुख तैनाती मॉडल बन जाती है, तो व्यक्तिगत AI मॉडल धीरे-धीरे एक बहुत बड़े ऑर्केस्ट्रेशन प्लेटफॉर्म के पीछे विनिमेय घटक बन जाते हैं। उद्यम सीधे बुद्धिमत्ता खरीदना बंद कर देते हैं और इसके बजाय एक ऐसी प्रणाली खरीदते हैं जो यह तय करने में सक्षम हो कि किसी विशेष क्षण में किस बुद्धिमत्ता को तैनात किया जाना चाहिए। कर्मचारियों से GPT, Claude, Gemini, Llama, DeepSeek, Qwen, GLM, Kimi, या भविष्य के मॉडलों के बीच चुनने के लिए कहने के बजाय, ऑर्केस्ट्रेशन लेयर विलंबता, लागत, सटीकता, शासन आवश्यकताओं, सुरक्षा नीतियों, नियामक प्रतिबंधों, ग्राहक प्राथमिकताओं और कार्यभार जटिलता के आधार पर चुपचाप वह निर्णय स्वचालित रूप से लेती है। उल्लेखनीय परिणाम यह है कि मॉडल स्वयं धीरे-धीरे पृष्ठभूमि में चला जाता है जबकि ऑर्केस्ट्रेशन प्लेटफॉर्म प्राथमिक ग्राहक संबंध बन जाता है।
यह मुझे एक और महत्वपूर्ण तकनीकी परिवर्तन की दृढ़ता से याद दिलाता है। वर्षों तक, निवेशकों का मानना था कि ऑपरेटिंग सिस्टम एंटरप्राइज़ कंप्यूटिंग के आर्थिक केंद्र का प्रतिनिधित्व करते हैं क्योंकि प्रत्येक एप्लिकेशन अंततः उन पर निर्भर था। Linux ने ऑपरेटिंग सिस्टम को स्वयं तेजी से प्रचुर बनाकर और इसके ऊपर निर्मित क्लाउड इन्फ्रास्ट्रक्चर, एंटरप्राइज़ सॉफ्टवेयर, साइबर सुरक्षा, प्रबंधित सेवाओं और उच्च-स्तरीय अनुप्रयोगों की ओर मूल्य स्थानांतरित करके उस धारणा को मौलिक रूप से बदल दिया। ऑपरेटिंग सिस्टम कभी गायब नहीं हुआ। यह बस आसपास के पारिस्थितिकी तंत्र की तुलना में आर्थिक रूप से कम महत्वपूर्ण हो गया।
मेरा मानना है कि ओपन-वेट AI मॉडल में उल्लेखनीय रूप से समान परिणाम उत्पन्न करने की क्षमता है। DeepSeek, Qwen, Llama, GLM, Kimi, MiniMax, और कई अन्य ओपन-वेट मॉडल एक गति से लगातार सुधार कर रहे हैं जिसकी कुछ निवेशक पूरी तरह से सराहना करते हैं। महत्वपूर्ण बात यह है कि उद्योग की अर्थव्यवस्था को नया आकार देने के लिए उन्हें हर बेंचमार्क पर हर मालिकाना फ्रंटियर मॉडल को पार करने की आवश्यकता नहीं है। उन्हें केवल शायद अस्सी प्रतिशत एंटरप्राइज़ कार्यभार के लिए पर्याप्त रूप से सक्षम होने की आवश्यकता है, क्योंकि एक बार उस सीमा को पार करने के बाद, खरीद निर्णय मुख्य रूप से लीडरबोर्ड रैंकिंग के बजाय अर्थशास्त्र द्वारा संचालित होते हैं। मॉडल स्वयं तेजी से Linux जैसा दिखता है: स्वतंत्र रूप से उपलब्ध, अत्यधिक सक्षम, लगातार सुधार कर रहा है, और अंततः मूल्यवान इसलिए नहीं कि वह स्वयं आर्थिक लाभ प्राप्त करता है, बल्कि इसलिए कि यह उसके चारों ओर एक पूरी तरह से नए पारिस्थितिकी तंत्र को उभरने में सक्षम बनाता है।
यही कारण है कि मेरा मानना बढ़ रहा है कि AI उद्योग अपने स्वयं के Linux क्षण के करीब पहुंच रहा है। ओपन-वेट मॉडल बुद्धिमत्ता को वस्तु (commoditize) बनाते हैं। ऑर्केस्ट्रेशन उसका मुद्रीकरण करता है। यह अंतर महत्वपूर्ण है क्योंकि यह मौलिक रूप से बदलता है कि उद्योग के प्रतिस्पर्धी मोट (moats) कहाँ स्थित हैं।
आज, अधिकांश चर्चा बेंचमार्क नेतृत्व, पैरामीटर गणना, तर्क स्कोर और वैज्ञानिक मूल्यांकन पर केंद्रित है। फ्रंटियर पर ये मीट्रिक निस्संदेह मायने रखते हैं, लेकिन Fortune 500 खरीद समिति के अंदर ये काफी कम मायने रखते हैं। एंटरप्राइज़ CIO शायद ही कभी तकनीक खरीदते हैं क्योंकि यह एक अकादमिक लीडरबोर्ड में सबसे ऊपर है। वे तकनीक खरीदते हैं क्योंकि यह मौजूदा पहचान प्रणालियों में निर्बाध रूप से एकीकृत होती है, शासन आवश्यकताओं को संतुष्ट करती है, नियामक मानकों का अनुपालन करती है, ऑडिट ट्रेल प्रदान करती है, सुरक्षा नीतियों का समर्थन करती है, पूर्वानुमानित सेवा-स्तरीय समझौते प्रदान करती है, खरीद को सरल बनाती है, परिचालन जटिलता को कम करती है, और स्वामित्व की कुल लागत को कम करती है। व्यवहार में, एक बार प्रौद्योगिकियां परिपक्व हो जाने पर विश्वसनीयता लगभग हमेशा सैद्धांतिक श्रेष्ठता को हरा देती है।
यह अंतर निवेशकों के लिए अत्यंत महत्वपूर्ण साबित हो सकता है। एक और बेंचमार्क जीतने से सुर्खियां बनती हैं। खरीद निर्णय जीतने से आवर्ती राजस्व उत्पन्न होता है। ऑर्केस्ट्रेशन लेयर ठीक वहीं बैठती है जहां वे खरीद निर्णय होते हैं।
Amazon का Bedrock इस परिवर्तन को विशेष रूप से अच्छी तरह से चित्रित करता है। हालांकि कई निवेशक Bedrock को मुख्य रूप से एक बाज़ार के रूप में देखना जारी रखते हैं जिसके माध्यम से ग्राहक Claude या अन्य फ्रंटियर मॉडलों तक पहुंचते हैं, प्लेटफॉर्म कुछ कहीं अधिक महत्वपूर्ण में विकसित हुआ है। Bedrock तेजी से कृत्रिम बुद्धिमत्ता के लिए एंटरप्राइज़ ऑपरेटिंग सिस्टम के रूप में कार्य कर रहा है, जो संगठनों को कई प्रदाताओं से एक सौ से अधिक मॉडल वेरिएंट तक पहुंचने की अनुमति देता है, साथ ही स्वचालित रूप से कार्यभार को उस मॉडल की ओर रूट करता है जो लागत, विलंबता, क्षमता और शासन के वांछित संयोजन को सर्वोत्तम रूप से संतुष्ट करता है। Intelligent Prompt Routing, AgentCore, मेमोरी प्रबंधन, ऑब्ज़र्वेबिलिटी, सुरक्षा, पहचान एकीकरण, ब्राउज़र ऑटोमेशन, टूल कॉलिंग, और उत्पादन निगरानी सभी Bedrock को एक और API एंडपॉइंट से कहीं अधिक में बदल देते हैं। यह एंटरप्राइज़ AI को ही नियंत्रित करने वाली निर्णय लेने वाली लेयर बन जाता है।
Microsoft का Azure AI Foundry लगभग समान दर्शन का अनुसरण करता है। ग्राहकों को एक ही फ्रंटियर प्रयोगशाला के लिए प्रतिबद्ध होने की आवश्यकता देने के बजाय, Foundry उद्यमों को तेजी से विविध AI पारिस्थितिकी तंत्रों को ऑर्केस्ट्रेट करने की अनुमति देता है, साथ ही उन वर्कफ़्लो को सीधे Azure के मौजूदा सुरक्षा आर्किटेक्चर, अनुपालन ढांचे, डेवलपर टूल और एंटरप्राइज़ सॉफ्टवेयर स्टैक के अंदर एम्बेड करता है। Google Vertex AI एक समान उद्देश्य का अनुसरण करता है, हालांकि स्वाभाविक रूप से Gemini पर अधिक जोर देने के साथ। उनकी व्यक्तिगत कार्यान्वयन रणनीतियों के बावजूद, तीनों हाइपरस्केलर एक ही गंतव्य की ओर अभिसरण करते हुए प्रतीत होते हैं, अर्थात् वह ऑपरेटिंग सिस्टम बनना जिसके माध्यम से एंटरप्राइज़ AI कार्यभार को ऑर्केस्ट्रेट किया जाता है, न कि केवल वह बुनियादी ढांचा प्रदान करना जिस पर वे निष्पादित होते हैं। यह परिवर्तन स्विचिंग लागत भी बनाता है जिसे मेरा मानना है कि बाजार काफी हद तक कम आंकता है।
आज, निवेशक अक्सर स्विचिंग लागतों पर चर्चा करते हैं जैसे कि वे मुख्य रूप से मॉडल लेयर पर स्थित हैं, यह पूछते हुए कि क्या उद्यम OpenAI, Anthropic, Google, या किसी अन्य फ्रंटियर प्रयोगशाला के प्रति वफादार रहेंगे। मेरा मानना बढ़ रहा है कि इसके विपरीत अंततः सत्य साबित हो सकता है। एक बार जब संगठन Azure AI Foundry, AWS Bedrock, या Google Vertex के अंदर रिट्रीवल पाइपलाइन, फाइन-ट्यून्ड मॉडल, मूल्यांकन ढांचे, मेमोरी आर्किटेक्चर, सुरक्षा नीतियां, अनुपालन नियंत्रण, ऑब्ज़र्वेबिलिटी डैशबोर्ड, पहचान एकीकरण और स्वायत्त एजेंट वर्कफ़्लो बनाना शुरू कर देते हैं, तो अंतर्निहित मॉडल को बदलना अपेक्षाकृत सीधा हो जाता है जबकि ऑर्केस्ट्रेशन प्लेटफॉर्म को स्थानांतरित करना काफी अधिक कठिन हो जाता है। मॉडल धीरे-धीरे बदले जाने योग्य हो जाते हैं। ऑर्केस्ट्रेशन लेयर एंटरप्राइज़ संचालन के अंदर गहराई से एम्बेडेड हो जाती है।
मेरे एक पाठक ने हाल ही में एक अवलोकन किया जो इस परिवर्तन को पूरी तरह से दर्शाता है, यह सुझाव देते हुए कि, समय के साथ, ऑर्केस्ट्रेशन हार्नेस मॉडल जितना ही मूल्यवान हो सकता है क्योंकि यह अंततः नियंत्रित करता है कि संगठन में बुद्धिमत्ता कैसे तैनात की जाती है। मेरा मानना है कि उस अंतर्दृष्टि को वर्तमान में मिलने वाले ध्यान से काफी अधिक ध्यान मिलना चाहिए। प्रतिस्पर्धी मोट तेजी से सबसे स्मार्ट मॉडल रखने से दूर और उस वर्कफ़्लो के स्वामित्व की ओर स्थानांतरित हो रहा है जिसके माध्यम से प्रत्येक मॉडल तक पहुंच बनाई जाती है।
एक और निहितार्थ स्वाभाविक रूप से इस ढांचे से अनुसरण करता है। कई निवेशक मानते हैं कि सस्ते मॉडल अनिवार्य रूप से कंप्यूट मांग को कम करते हैं क्योंकि प्रत्येक व्यक्तिगत इन्फ्रेंस कम संसाधनों का उपभोग करता है। मेरा मानना है कि इसके विपरीत काफी अधिक संभावना है। रूटिंग इन्फ्रेंस को कम नहीं करती है। यह इसका विस्तार करती है। एक बार जब संगठनों को पता चलता है कि वे आज की लागत के एक अंश पर नियमित कार्यों को हल कर सकते हैं, तो वे AI उपयोग को पूरी तरह से राशन देना बंद कर देते हैं। एजेंट रुक-रुक कर के बजाय लगातार काम करना शुरू कर देते हैं। मॉडल बार-बार अपने स्वयं के आउटपुट को सत्यापित करते हैं, कई तर्क श्रृंखलाओं से परामर्श करते हैं, बड़े संदर्भ विंडो प्राप्त करते हैं, प्रतिस्पर्धी प्रतिक्रियाओं का मूल्यांकन करते हैं, और तेजी से परिष्कृत स्वायत्त वर्कफ़्लो निष्पादित करते हैं। व्यक्तिगत टोकन नाटकीय रूप से सस्ते हो जाते हैं, लेकिन कुल टोकन खपत में तेजी आती है क्योंकि बुद्धिमत्ता अनुप्रयोगों की लगातार विस्तारित श्रृंखला के लिए आर्थिक रूप से व्यवहार्य हो जाती है।
यह जेवन्स विरोधाभास (Jevons Paradox) है जो एंटरप्राइज़ सॉफ्टवेयर के माध्यम से व्यक्त होता है। दक्षता मांग को कम नहीं करती है। दक्षता पूरी तरह से नई मांग पैदा करती है। प्रत्येक अतिरिक्त वर्कफ़्लो, भले ही कोई भी मॉडल अंततः इन्फ्रेंस करता हो, फिर भी Microsoft के Azure, Amazon के AWS, या Google के Cloud से होकर गुजरता है। प्रत्येक रूट किया गया अनुरोध अभी भी नेटवर्किंग क्षमता, स्टोरेज, GPU, मेमोरी, सुरक्षा सेवाओं, लॉगिंग इन्फ्रास्ट्रक्चर, अनुपालन सिस्टम, मॉनिटरिंग टूल और ऑर्केस्ट्रेशन सॉफ्टवेयर का उपभोग करता है। क्लाउड प्लेटफॉर्म मूल्य प्राप्त करता है, भले ही ग्राहक अंततः GPT, Claude, Gemini, Llama, DeepSeek, या कोई अन्य ओपन-वेट मॉडल चुनता हो।
कई मायनों में, यह ठीक वही कारण है कि मेरा मानना है कि ऑर्केस्ट्रेशन लेयर पूरे AI स्टैक में सबसे मूल्यवान स्थानों में से एक बन सकती है। फ्रंटियर प्रयोगशालाएं निस्संदेह बेंचमार्क नेतृत्व के लिए आक्रामक रूप से प्रतिस्पर्धा करना जारी रखेंगी क्योंकि मानवता की सबसे कठिन समस्याओं को हल करने के लिए बुद्धिमत्ता आवश्यक बनी हुई है। फिर भी, जैसे-जैसे कृत्रिम बुद्धिमत्ता एक विशिष्ट तकनीक से वैश्विक अर्थव्यवस्था के ऑपरेटिंग सिस्टम में विस्तारित होती है, उद्यम तेजी से कम परवाह करेंगे कि किस व्यक्तिगत मॉडल ने उत्तर दिया और काफी अधिक परवाह करेंगे कि क्या पूरा सिस्टम सुरक्षित, विश्वसनीय, अनुपालनशील, लागत-कुशल और मौजूदा व्यावसायिक प्रक्रियाओं में निर्बाध रूप से एकीकृत रहता है।
इतिहास बार-बार प्रदर्शित करता है कि जैसे-जैसे प्रौद्योगिकियां परिपक्व होती हैं, मूल्य आविष्कार से दूर और उसके व्यापक रूप से अपनाने के समन्वय वाले बुनियादी ढांचे की ओर स्थानांतरित हो जाता है। कृत्रिम बुद्धिमत्ता के ठीक उसी पथ का अनुसरण करने की संभावना बढ़ती जा रही है। जो कंपनियां अंततः एंटरप्राइज़ AI को नियंत्रित करेंगी, वे जरूरी नहीं कि वे हों जो सबसे स्मार्ट मॉडल का उत्पादन करती हैं, बल्कि वे हों जो चुपचाप हर दिन अरबों निर्णयों का ऑर्केस्ट्रेशन करती हैं, साथ ही कृत्रिम बुद्धिमत्ता की जटिलता को ग्राहक के लिए लगभग पूरी तरह से अदृश्य बनाती हैं। हमारे दृष्टिकोण में, यहीं वह जगह है जहां उद्योग के कुछ सबसे व्यापक और सबसे टिकाऊ प्रतिस्पर्धी मोट उभरने की संभावना है।
भाग IV: सरकार, भू-राजनीति, और नई AI व्यवस्था
नियमन हाइपरस्केलर के उदय को धीमा करने के बजाय उसे गति क्यों दे सकता है।
इस बिंदु तक, थीसिस लगभग पूरी तरह से अर्थशास्त्र के आसपास बनाई गई है। गिरती इन्फ्रेंस लागत, तेजी से सुधरते ओपन-वेट मॉडल, एंटरप्राइज़ टोकन ऑप्टिमाइज़ेशन, और बुनियादी ढांचे की ओर आर्थिक मूल्य का प्रवासन सभी एक ही निष्कर्ष की ओर इशारा करते हैं, अर्थात् हाइपरस्केलर भविष्य के AI पारिस्थितिकी तंत्र के लिए तेजी से केंद्रीय बन रहे हैं। हालांकि, एक और ताकत चुपचाप ठीक उसी परिणाम को सुदृढ़ कर रही है, और तकनीकी प्रगति के विपरीत, इस ताकत के Moore के नियम या किसी पूर्वानुमानित इंजीनियरिंग रोडमैप का पालन करने की संभावना नहीं है। वह है भू-राजनीति।
इंटरनेट युग के अधिकांश समय में, तकनीकी कंपनियां इस धारणा के तहत काम करती थीं कि सॉफ्टवेयर सीमाओं के पार स्वतंत्र रूप से आगे बढ़ सकता है, जिससे एक देश में विकसित नवाचार लगभग तुरंत वैश्विक स्तर पर उपलब्ध हो सकते हैं। कृत्रिम बुद्धिमत्ता मौलिक रूप से अलग साबित हो रही है क्योंकि फ्रंटियर मॉडल को तेजी से केवल वाणिज्यिक उत्पादों के रूप में नहीं, बल्कि रणनीतिक राष्ट्रीय संपत्तियों के रूप में देखा जा रहा है जिनकी क्षमताएं साइबर सुरक्षा, खुफिया जानकारी जुटाने, सैन्य अनुप्रयोगों, वैज्ञानिक अनुसंधान और महत्वपूर्ण बुनियादी ढांचे तक फैली हुई हैं। एक बार जब सरकारें AI को पूरी तरह से वाणिज्यिक प्रतिस्पर्धा के बजाय राष्ट्रीय सुरक्षा के लेंस के माध्यम से देखना शुरू कर देती हैं, तो पूरी तरह से नई आर्थिक गतिशीलता उभरने लगती है।
संयुक्त राज्य अमेरिका में हाल के घटनाक्रम इस बदलाव को उल्लेखनीय रूप से अच्छी तरह से चित्रित करते हैं। उन्नत कृत्रिम बुद्धिमत्ता नवाचार और सुरक्षा को बढ़ावा देने वाला ट्रम्प प्रशासन का कार्यकारी आदेश एक ऐसा ढांचा स्थापित करता है जिसके तहत व्यापक वाणिज्यिक रिलीज से पहले कुछ फ्रंटियर मॉडल सरकारी मूल्यांकन से गुजर सकते हैं, खासकर जहां उन्नत साइबर क्षमताएं शामिल हों। हालांकि यह ढांचा अनिवार्य लाइसेंसिंग के बजाय स्वैच्छिक बना हुआ है, यह कुछ ऐसा पेश करता है जो पहले अस्तित्व में नहीं था: सबसे सक्षम मॉडलों की तैनाती के संबंध में फ्रंटियर AI प्रयोगशालाओं और संघीय सरकार के बीच एक संरचित संबंध।
वह घटनाक्रम आज वृद्धिशील लग सकता है, लेकिन मेरा मानना है कि इसके दीर्घकालिक निहितार्थ बाजारों की वर्तमान सराहना से काफी बड़े हैं। बहस अब केवल इस बारे में नहीं है कि सबसे स्मार्ट मॉडल कौन बनाता है। यह तेजी से इस बारे में है कि उस मॉडल तक किसे पहुंच मिलती है, किन शर्तों के तहत, और किस बुनियादी ढांचे के माध्यम से।
Anthropic प्रकरण इस बदलते परिदृश्य को दर्शाता है। इस वर्ष की शुरुआत में, Anthropic के सबसे उन्नत मॉडलों तक पहुंच निर्यात-नियंत्रण विचारों के अधीन हो गई, जिससे ऐसी स्थिति पैदा हुई जहां वाणिज्यिक तैनाती अब केवल तकनीकी तत्परता या ग्राहक मांग से निर्धारित नहीं होती थी, बल्कि तेजी से भू-राजनीतिक विचारों से निर्धारित होती थी। ऐसी नीतियों के गुणों के बारे में किसी के दृष्टिकोण के बावजूद, व्यापक दिशा अविस्मरणीय प्रतीत होती है। फ्रंटियर AI मॉडल धीरे-धीरे रणनीतिक प्रौद्योगिकियां बन रहे हैं जो सरकारी निरीक्षण के अधीन हैं, ठीक उसी तरह जैसे उन्नत अर्धचालक निर्माण उपकरण, क्रिप्टोग्राफी, एयरोस्पेस तकनीक और कुछ रक्षा क्षमताएं दशकों से रही हैं।
यह एक ऐसी समस्या पैदा करता है जिसकी कई उद्यमों ने अभी तक पूरी तरह से सराहना नहीं की है। यदि विभिन्न अधिकार क्षेत्रों में, अलग-अलग समय पर, विभिन्न नियामक ढांचों के तहत अलग-अलग मॉडल उपलब्ध हो जाते हैं, तो उद्यम अब एकल मॉडल प्रदाता के आसपास AI रणनीति नहीं बना सकते हैं। दर्जनों या सैकड़ों देशों में काम करने वाली वैश्विक कंपनियों को लचीलेपन की आवश्यकता होती है क्योंकि नियामक आवश्यकताएं, डेटा संप्रभुता नियम, निर्यात नियंत्रण और मॉडल उपलब्धता एक अधिकार क्षेत्र से दूसरे में काफी भिन्न हो सकती हैं। एक बहुराष्ट्रीय बैंक, फार्मास्युटिकल कंपनी, या औद्योगिक निर्माता केवल संचालन को रोक नहीं सकता क्योंकि एक फ्रंटियर मॉडल किसी विशिष्ट क्षेत्र के भीतर अस्थायी रूप से अनुपलब्ध हो जाता है। यह वास्तविकता नाटकीय रूप से ऑर्केस्ट्रेशन के मूल्य को बढ़ाती है। ऑर्केस्ट्रेशन लेयर अब केवल लागत और प्रदर्शन के लिए अनुकूलन नहीं करती है। यह तेजी से अनुपालन के लिए अनुकूलन करती है।
यूरोप, संयुक्त राज्य अमेरिका, मध्य पूर्व और एशिया में काम करने वाले एक उद्यम को अंततः न केवल कार्यभार जटिलता पर, बल्कि भूगोल, डेटा निवास, साइबर सुरक्षा आवश्यकताओं, निर्यात प्रतिबंधों, ग्राहक समझौतों और स्थानीय विनियमन पर भी निर्भर विभिन्न रूटिंग निर्णयों की आवश्यकता हो सकती है। अचानक, इष्टतम AI मॉडल चुनना एक अत्यंत जटिल अनुकूलन समस्या बन जाती है जो बेंचमार्क प्रदर्शन से कहीं आगे तक फैली हुई है।
यह ठीक वही जगह है जहां हाइपरस्केलर के पास संरचनात्मक लाभ हैं जिन्हें दोहराना तेजी से मुश्किल हो जाता है। Microsoft, Amazon और Google पहले से ही दुनिया के कुछ सबसे बड़े वैश्विक रूप से वितरित क्लाउड इन्फ्रास्ट्रक्चर संचालित करते हैं, जिनके पास वस्तुतः हर प्रमुख अधिकार क्षेत्र में पहचान प्रणाली, एन्क्रिप्शन, साइबर सुरक्षा, अनुपालन, संप्रभु क्लाउड डिप्लॉयमेंट, नियामक प्रमाणपत्र, ऑडिट आवश्यकताओं और सरकारी संबंधों के प्रबंधन का दशकों का अनुभव है। उन्होंने एंटरप्राइज़ CIO, वित्तीय नियामकों, स्वास्थ्य सेवा प्रदाताओं, रक्षा ठेकेदारों और सरकारों के साथ विश्वास बनाने में वर्षों बिताए हैं क्योंकि कृत्रिम बुद्धिमत्ता के आने से बहुत पहले क्लाउड कंप्यूटिंग को इनमें से कई शासन चुनौतियों को हल करने की आवश्यकता थी।
कई मायनों में, AI बस उन लाभों को प्राप्त करता है। एंटरप्राइज़ ग्राहक अब केवल यह नहीं पूछता कि क्या GPT एक तर्क बेंचमार्क पर Claude या Gemini से थोड़ा बेहतर प्रदर्शन करता है। एंटरप्राइज़ तेजी से प्रश्नों की एक अलग श्रृंखला पूछता है। क्या यह कार्यभार कानूनी रूप से जर्मनी में चल सकता है? क्या ग्राहक डेटा जापान के अंदर रह सकता है? क्या यह मॉडल वित्तीय नियामकों को संतुष्ट करेगा? क्या होगा यदि एक प्रदाता अस्थायी रूप से अनुपलब्ध हो जाता है? क्या कार्यभार संचालन को बाधित किए बिना स्वचालित रूप से पुन: रूट हो सकते हैं? क्या हर इन्फ्रेंस का महीनों बाद ऑडिट किया जा सकता है? क्या हम एक नियामक समीक्षा के दौरान अनुपालन प्रदर्शित कर सकते हैं? ये मशीन लर्निंग प्रश्न नहीं हैं। ये एंटरप्राइज़ इन्फ्रास्ट्रक्चर प्रश्न हैं।
इतिहास लगातार बताता है कि एंटरप्राइज़ टेक्नोलॉजी बाजार तकनीकी श्रेष्ठता के रूप में कम से कम विश्वसनीयता को पुरस्कृत करते हैं। CIO शायद ही कभी केवल बेंचमार्क रैंकिंग के आधार पर बुनियादी ढांचा खरीदते हैं क्योंकि डाउनटाइम, अनुपालन विफलताएं, या सुरक्षा उल्लंघन अक्सर तकनीकी प्रदर्शन में मामूली अंतर की तुलना में संगठनों को कहीं अधिक खर्च कराते हैं। कृत्रिम बुद्धिमत्ता के अलग व्यवहार करने की संभावना नहीं है। सबसे स्मार्ट मॉडल सुर्खियां बटोर सकता है, लेकिन सबसे विश्वसनीय प्लेटफॉर्म अक्सर खरीद निर्णय जीतता है।
इस विकसित भू-राजनीतिक वातावरण का एक और परिणाम यह है कि मॉडल प्रदाता स्वयं हाइपरस्केलर पर तेजी से निर्भर हो जाते हैं। जैसे-जैसे फ्रंटियर विकास अधिक कम्प्यूटेशनल रूप से गहन होता जाता है, नियामक जांच बढ़ती है, और वैश्विक तैनाती अधिक जटिल होती जाती है, स्वतंत्र प्रयोगशालाओं को तेजी से ऐसे भागीदारों की आवश्यकता होती है जो बुनियादी ढांचा, अनुपालन, साइबर सुरक्षा, संप्रभु क्लाउड क्षमताएं, एंटरप्राइज़ वितरण और वैश्विक ग्राहक संबंध प्रदान करने में सक्षम हों। इसलिए हाइपरस्केलर केवल बुनियादी ढांचा प्रदाताओं से अधिक बन जाते हैं। वे तेजी से रणनीतिक वितरण भागीदार बन जाते हैं जिनके माध्यम से फ्रंटियर मॉडल एंटरप्राइज़ ग्राहकों तक पहुंचते हैं।
यह एक दिलचस्प विषमता पैदा करता है। प्रत्येक अतिरिक्त मॉडल ऑर्केस्ट्रेशन प्लेटफॉर्म को मजबूत करता है। प्रत्येक अतिरिक्त फ्रंटियर प्रयोगशाला मल्टी-मॉडल रूटिंग को अधिक मूल्यवान बनाती है। प्रत्येक अतिरिक्त नियामक ढांचा एंटरप्राइज़ तैनाती की जटिलता को बढ़ाता है। इनमें से प्रत्येक प्रवृत्ति क्लाउड प्लेटफॉर्म की स्थिति को कमजोर करने के बजाय मजबूत करती है। विडंबना यह है कि मॉडल पारिस्थितिकी तंत्र जितना अधिक प्रतिस्पर्धी होता है, ऑर्केस्ट्रेशन लेयर उतनी ही अधिक मूल्यवान हो जाती है क्योंकि उद्यमों को उस जटिलता को प्रबंधित करने में सक्षम एक तटस्थ प्लेटफॉर्म की आवश्यकता होती है। यह अंततः हमें केंद्रीय निवेश प्रश्न पर वापस लाता है।
पिछले दो वर्षों में, निवेशकों ने समझदारी से यह पहचानने पर ध्यान केंद्रित किया है कि किस कंपनी के पास सबसे स्मार्ट AI मॉडल है क्योंकि बुद्धिमत्ता ने स्वयं उद्योग की प्राथमिक बाधा का प्रतिनिधित्व किया था। मेरा मानना बढ़ रहा है कि वह बाधा स्थानांतरित होने लगी है। बुद्धिमत्ता मालिकाना और ओपन-वेट दोनों मॉडलों में तेजी से सुधार जारी रखती है, इन्फ्रेंस लागत गिरती जा रही है, और एंटरप्राइज़ ग्राहक केवल बेंचमार्क नेतृत्व के बजाय अर्थशास्त्र, शासन और तैनाती पर तेजी से ध्यान केंद्रित कर रहे हैं।
प्रौद्योगिकी के पूरे इतिहास में, निवेशकों ने बार-बार आविष्कार के मूल्य को कम करके आंका है जबकि इसके व्यापक रूप से अपनाने को सक्षम करने वाले बुनियादी ढांचे के मूल्य को कम आंका है। रेलवे ने वाणिज्य को बदल दिया, फिर भी माल ढुलाई नेटवर्क ने आवर्ती आर्थिक लाभ प्राप्त किए। इंटरनेट ने संचार को बदल दिया, फिर भी क्लाउड कंप्यूटिंग अब तक के सबसे बड़े व्यवसायों में से एक बन गया। स्मार्टफोन ने दैनिक जीवन को बदल दिया, फिर भी ऑपरेटिंग सिस्टम और ऐप स्टोर अंततः ट्रिलियन-डॉलर वितरण प्लेटफॉर्म बन गए।
कृत्रिम बुद्धिमत्ता ठीक उसी पैटर्न का अनुसरण कर सकती है। बाजार बहस करना जारी रखता है कि सबसे स्मार्ट मॉडल कौन बनाता है। मेरा मानना बढ़ रहा है कि यह गलत प्रश्न बनता जा रहा है। अधिक महत्वपूर्ण प्रश्न यह है कि उस बुनियादी ढांचे का मालिक कौन है जिसके माध्यम से हर दिन अंततः खरबों AI निर्णय प्रवाहित होंगे। बुद्धिमत्ता तेजी से प्रचुर होती जा रही है। इन्फ्रेंस तेजी से सस्ता होता जा रहा है। एंटरप्राइज़ कार्यभार के बढ़ते अनुपात में मॉडल तेजी से विनिमेय होते जा रहे हैं। जो दुर्लभ रहता है वह है वैश्विक क्लाउड इन्फ्रास्ट्रक्चर, एंटरप्राइज़ विश्वास, ऑर्केस्ट्रेशन, शासन, सुरक्षा, अनुपालन, वितरण, और उन सभी क्षमताओं को एक सहज प्लेटफॉर्म में एकीकृत करने की क्षमता जो संगठनों को वैश्विक स्तर पर कृत्रिम बुद्धिमत्ता तैनात करने की अनुमति देता है। इतिहास बताता है कि दुर्लभ संपत्तियां लगातार दीर्घकालिक आर्थिक लाभ का सबसे बड़ा हिस्सा प्राप्त करती हैं।
यही कारण है कि हमारा विश्वास स्वयं बुद्धिमत्ता बनाने वाली कंपनियों से आगे बढ़कर उन कंपनियों की ओर बढ़ रहा है जो AI अर्थव्यवस्था का ऑपरेटिंग सिस्टम बना रही हैं। कृत्रिम बुद्धिमत्ता का पहला अध्याय बुद्धिमत्ता का आविष्कार करने के बारे में था। अगला अध्याय इसे हर उद्यम, हर उद्योग और अंततः वैश्विक अर्थव्यवस्था के हर कोने में कुशलतापूर्वक, सुरक्षित रूप से और आर्थिक रूप से वितरित करने के बारे में साबित हो सकता है। हमारे दृष्टिकोण में, यहीं वह जगह है जहां आने वाले दशक के सबसे बड़े निवेश अवसरों में से एक उभरने की संभावना है।
निष्कर्ष: इन नामों पर लॉन्ग जाएं: NVDA, TSMC, Sk Hynix, Micron, Samsung Electronics, Microsoft। Alphabet, Amazon, Meta।
