क्या होता है जब निजी बुनियादी ढांचे पर सार्वजनिक ज्ञान बनाया जाता है?

हेपिछले वर्ष में, मशीन लर्निंग (एमएल) के लिए बड़ी मात्रा में मान्यता बड़ी प्रौद्योगिकी फर्मों में या उनके साथ काम करने वाले शोधकर्ताओं को मिली है, यहां तक ​​​​कि कृत्रिम बुद्धिमत्ता (एआई) में हालिया प्रगति को वित्तपोषित किया गया है और कॉर्पोरेट बुनियादी ढांचे पर बनाया गया है।

2024 में नोबेल फाउंडेशन ने सम्मानित किया जॉन हॉपफील्ड और जेफ्री हिंटन को भौतिकी पुरस्कार कृत्रिम तंत्रिका नेटवर्क के साथ सीखने को सक्षम बनाने वाले योगदान के लिए, और रसायन विज्ञान पुरस्कार डेमिस हसाबिस और जॉन जम्पर प्रोटीन संरचना भविष्यवाणी के लिए (डेविड बेकर के कम्प्यूटेशनल डिजाइन के साथ)। पुरस्कार के समय श्री हस्साबिस और श्री जम्पर Google DeepMind में कार्यरत थे; श्री हिंटन ने 2023 में प्रस्थान करने से पहले Google में एक दशक बिताया था। ये संबद्धताएं पुरस्कार विजेताओं के अकादमिक इतिहास को नहीं मिटाती हैं, लेकिन वे संकेत देती हैं कि पुरस्कार-स्तरीय अनुसंधान अब कहां किया जा रहा है।

यह परिवर्तन भौतिक परिस्थितियों के साथ-साथ विचारों पर भी निर्भर करता है। अत्याधुनिक मॉडल बड़े कंप्यूटिंग क्लस्टर, क्यूरेटेड डेटा और इंजीनियरिंग टीमों पर निर्भर करते हैं। अपने डेटा केंद्रों के लिए टेंसर-प्रोसेसिंग यूनिट (टीपीयू) विकसित करने का Google का कार्यक्रम दिखाता है कि कैसे निश्चित पूंजी केवल सूचना प्रौद्योगिकी लागत के बजाय एक वैज्ञानिक इनपुट बन सकती है। Microsoft का बहुवर्षीय वित्तपोषण और OpenAI के लिए Azure सुपरकंप्यूटर एक ही राजनीतिक अर्थव्यवस्था को एक अलग कोण से दर्शाते हैं।

सार्वजनिक पहुंच का मामला

सार्वजनिक उद्गम वाला कोई भी शोध होना चाहिए सार्वजनिक डोमेन पर लौटें. इस संदर्भ में, सार्वजनिक धन ने प्रारंभिक सैद्धांतिक कार्य, अकादमिक पोस्ट, फ़ेलोशिप, साझा डेटासेट, प्रकाशन बुनियादी ढांचे और अक्सर स्वयं शोधकर्ताओं का समर्थन किया है। समानांतर में, जिन बिंदुओं पर मूल्य बहिष्कृत हो गया, वे तेजी से नीचे की ओर चले गए: कंप्यूटिंग संसाधनों (गणना के रूप में छोटा) के संबंध में, इसमें डेटा और कोड के अधिकार, पैमाने पर मॉडल को तैनात करने की क्षमता, और वजन जारी करने या रोकने के निर्णय शामिल हैं। इससे यह समझाने में मदद मिलती है कि हाल के नोबेल पुरस्कार विजेताओं को कॉर्पोरेट प्रयोगशालाओं में क्यों रखा गया है और क्यों फ्रंटियर सिस्टम को मुख्य रूप से निजी क्लाउड सिस्टम पर प्रशिक्षित किया जाता है।

20वीं सदी में, बेल लैब्स और आईबीएम जैसी कंपनियों ने पुरस्कार विजेता बुनियादी अनुसंधान की मेजबानी की। हालाँकि, अधिकांश ज्ञान प्रतिलिपि प्रस्तुत करने योग्य प्रकाशनों और खुले बेंचमार्क के माध्यम से आगे बढ़ा। उदाहरण के लिए, आज श्री जम्पर के काम को पुन: प्रस्तुत करने के लिए बड़े गणना बजट और विशेष संचालन विशेषज्ञता की आवश्यकता हो सकती है। परिणामस्वरूप चिंता केवल यह नहीं है कि निगमों को पुरस्कार मिलते हैं, बल्कि सार्वजनिक अंतर्दृष्टि से कार्य प्रणाली तक का रास्ता कुछ कंपनियों द्वारा नियंत्रित बुनियादी ढांचे और अनुबंधों से है।

इस प्रकार सार्वजनिक धन की भागीदारी से उन बिंदुओं पर ठोस दायित्वों का निर्माण होना चाहिए जहां प्रौद्योगिकी निजी नियंत्रण के लिए संलग्न हो जाती है। यदि कोई शैक्षणिक प्रयोगशाला सार्वजनिक अनुदान स्वीकार करती है, तो डिलिवरेबल्स में वे कलाकृतियाँ शामिल होनी चाहिए जो काम को उपयोगी बनाती हैं, जिसमें खुले लाइसेंस के तहत जारी किए जाने वाले एआई मॉडल में प्रशिक्षण कोड, मूल्यांकन सूट और वजन शामिल हैं। यदि कोई सार्वजनिक एजेंसी क्लाउड क्रेडिट खरीदती है या मॉडल विकास का कमीशन लेती है, तो खरीद के लिए यह आवश्यक होना चाहिए कि बेंचमार्क और सुधार किसी विक्रेता के पास बंद होने के बजाय आम लोगों तक वापस आ जाएं।

रुकावटें दूर करें

तर्क यह नहीं है कि कॉर्पोरेट प्रयोगशालाएँ मौलिक विज्ञान नहीं कर सकतीं; वे स्पष्ट रूप से कर सकते हैं. दावा यह है कि सार्वजनिक नीति के संरचनात्मक लाभों को कम करना चाहिए निजी नियंत्रण. Google डीपमाइंड के अल्फ़ाफ़ोल्ड 2 की रिलीज़ पर विचार करें, जिसने अपने कोड और भविष्यवाणियों तक सार्वजनिक पहुंच के साथ, शोधकर्ताओं को मूल प्रयोगशाला से परे सिस्टम को (यथोचित) मानक हार्डवेयर पर चलाने, बड़ी संख्या में पूर्व-गणना की गई संरचनाओं को पुनः प्राप्त करने और उनके परिणामों को नियमित वर्कफ़्लो में एकीकृत करने की अनुमति दी। यह सारा काम सार्वजनिक संस्थानों द्वारा समर्थित था जो संसाधनों की मेजबानी और रखरखाव करने के इच्छुक थे।

जहां कॉर्पोरेट स्टैक अपरिहार्य है, जैसे कि फ्रंटियर मॉडल (अरबों या खरबों मापदंडों के साथ) का प्रशिक्षण करते समय, ‘जिम्मेदार रिलीज’ के बारे में दावे अक्सर विडंबनापूर्ण रूप से एक बंद रिलीज में तब्दील हो जाते हैं। इसके बजाय, जोखिम प्रबंधन को खुलेपन के एक संरचित मॉडल से जोड़ने के लिए एक अधिक सुसंगत स्थिति होनी चाहिए – शायद एक जिसमें चरणबद्ध रिलीज, वजन तक पहुंच, खुली पैठ परीक्षण उपकरण और सुरक्षा तर्क और व्यापार मॉडल के बीच स्पष्ट अलगाव शामिल है – बजाय निजी संस्थाओं को सुरक्षा के नाम पर पूर्ण गोपनीयता का सहारा लेने की अनुमति देने के लिए।

यही तर्क गणना पर भी लागू होता है: यानी, यदि कंप्यूटिंग संसाधन एक वैज्ञानिक बाधा बन जाते हैं, तो उन्हें सार्वजनिक उपयोगिता के रूप में माना जाना चाहिए। राष्ट्रीय और क्षेत्रीय कंप्यूट कॉमन्स को शैक्षणिक समूहों, गैर-लाभकारी संस्थाओं और छोटी फर्मों को मुफ्त या लागत पर संसाधन आवंटित करना चाहिए, और उन्हें खुली डिलिवरेबल्स और सुरक्षा प्रथाओं पर योग्य बनाना चाहिए। अंतिम लक्ष्य सार्वजनिक संस्थानों की कॉर्पोरेट अनुमति के बिना अग्रणी एमएल कार्य को पुन: पेश करने, परीक्षण करने और विस्तारित करने की क्षमता को बहाल करना है। हालाँकि, इस तरह के कॉमन्स के बिना, सार्वजनिक रूप से वित्त पोषित विचार निजी क्लाउड पर कार्य प्रणालियों में परिवर्तित होते रहेंगे और महंगे सूचना उत्पादों के रूप में जनता के पास लौटते रहेंगे।

दरअसल, पुरस्कार विजेताओं और फंडिंग पाइपलाइनों को नियोजित करने वाली संस्थाओं को अलग-अलग मुद्दों के रूप में मानना ​​आकर्षक है, एक प्रतीकात्मक और दूसरा संरचनात्मक, वे कंप्यूटिंग संसाधनों से जुड़े हुए हैं। तथ्य यह है कि नोबेल पुरस्कार विजेताओं ने Google DeepMind में काम किया है, यह दर्शाता है कि एमएल वैज्ञानिक, डोमेन विशेषज्ञ, डेटा और गणना वाली टीमें अब कहां काम करती हैं। इसी तरह, यह तथ्य कि पिछले दो वर्षों की सबसे दृश्यमान प्रणालियों को एक वित्तपोषण समझौते के तहत Microsoft Azure पर प्रशिक्षित किया गया था, यह बताता है कि कौन इस तरह के प्रशिक्षण का प्रयास कर सकता है। दोनों तथ्य अंतर्निहित संसाधन सांद्रता को दर्शाते हैं।

उद्योग बनाम शिक्षा जगत से परे

सार्वजनिक एजेंसियों की प्रतिक्रिया प्रत्यक्ष होनी चाहिए – मान लीजिए, अनुदान और खरीद में खुलेपन के लिए फंडिंग को जोड़ना और अनुसंधान पत्रों में विस्तृत फंडिंग प्रकटीकरण और गणना-लागत लेखांकन की आवश्यकता होती है। जहां पूर्ण खुलापन अस्वीकार्य जोखिम पैदा करेगा, एजेंसियां ​​व्यापक पारिस्थितिकी तंत्र का समर्थन करने वाले कंप्यूट और डेटा कॉमन्स को फंड करने के लिए इक्विटी या रॉयल्टी का उपयोग कर सकती हैं। दूसरी ओर, कॉर्पोरेट प्रयोगशालाओं के लिए, उनकी विश्वसनीयता आम जनता के लिए मापने योग्य योगदान पर टिकी होनी चाहिए।

पत्रकारों और जनता को भी ‘उद्योग बनाम शिक्षा’ की रूपरेखा से आगे बढ़ना चाहिए।

प्रासंगिक प्रश्न यह हैं कि अनुसंधान एजेंडा कौन तय करता है, बुनियादी ढांचे को कौन नियंत्रित करता है, कौन परिणामों को पुन: प्रस्तुत कर सकता है, और परिणामी एआई मॉडल को तैनात करने से किसे लाभ होता है। 2024 के नोबेल पुरस्कारों की केवल उद्योग की जीत के रूप में व्याख्या करने से यह बात चूक जाएगी कि ज्ञान का आधार संचयी है और सार्वजनिक इनपुट पर निर्भर करता है, जबकि उस ज्ञान को संचालित करने की क्षमता क्लस्टर की जाती है। इस पैटर्न को स्पष्ट करने से हमें उन सुधारों की मांग करते हुए वैज्ञानिक योग्यता को पहचानने की अनुमति मिलती है जो सुनिश्चित करते हैं कि सार्वजनिक इनपुट कोड, डेटा, वजन, बेंचमार्क और गणना तक पहुंच में सार्वजनिक रिटर्न उत्पन्न करते हैं।

यह सुनिश्चित करने के लिए, केंद्रीय निष्कर्ष कॉर्पोरेट वेतन के बारे में नाराजगी नहीं है, बल्कि इस तथ्य का जवाब देना है कि सार्वजनिक ज्ञान और निजी बुनियादी ढांचे के चौराहे पर सफलताएं तेजी से हो रही हैं। नीति कार्यक्रम उन परतों को फिर से एकजुट करने वाला होना चाहिए जहां सार्वजनिक और निजी उद्यम अलग-अलग होते हैं – कलाकृतियां, डेटासेट और गणना – और इस अपेक्षा को अनुसंधान को नियंत्रित करने वाले अनुबंधों और मानदंडों में शामिल करना चाहिए।

इन स्थितियों में, भविष्य के पुरस्कारों को संबंधित सार्वजनिक लाभ के साथ मनाया जा सकता है क्योंकि विज्ञान को उपयोगी बनाने वाले आउटपुट जनता को लौटाए जाएंगे।

प्रकाशित – 11 नवंबर, 2025 06:45 पूर्वाह्न IST