Whalesbook
લેટેસ્ટ ઇકોનોમિક સર્વે (Economic Survey) 2025-26 એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) માટે એક સૂક્ષ્મ, ભારત-કેન્દ્રિત અભિગમ રજૂ કર્યો છે. આ અભિગમ AI ડોમેનમાં શરૂઆતના નેતાઓ દ્વારા અપનાવવામાં આવેલા ઊંચા-દાંવ, મૂડી-ડ્રેઇનિંગ (capital-draining) માર્ગથી તદ્દન વિપરીત છે. સર્વેક્ષણ મુજબ, જે રાષ્ટ્રો સસ્તા મૂડી અને છૂટક નિયમનના સમયગાળા દરમિયાન AI ને ઝડપથી સ્કેલ કર્યું, તેઓ હવે ઊર્જા-સઘન આર્કિટેક્ચર્સ (energy-intensive architectures) માં ફસાયેલા છે, જે અનિશ્ચિત આવક પ્રવાહો (uncertain revenue streams) અને નોંધપાત્ર નાણાકીય પ્રતિબદ્ધતાઓ સાથે આવે છે. આ મોંઘો વારસો, વિકસિત અર્થતંત્રોમાં વધતા જોખમો અને સરકારી સહાય (government backstops) અંગેની ચર્ચાઓ સાથે મળીને, ભારત માટે એક તક ઊભી કરે છે. મોડેથી પ્રવેશ કરીને, ભારતને દુરંદેશી (foresight) નો લાભ મળે છે, જે વધુ ઇરાદાપૂર્વકની નીતિ અને નવીનતાની પસંદગીઓને મંજૂરી આપે છે, આમ અન્યત્ર જોવા મળતા પ્રતિબંધિત નાણાકીય ખર્ચ અને સંસાધન નિર્ભરતાને ટાળે છે.
વૈશ્વિક સ્તરે, ફ્રન્ટિયર AI મોડલ્સ (frontier AI models) અને સંબંધિત ઇન્ફ્રાસ્ટ્રક્ચર બનાવવા માટેની દોડ ખગોળીય છે. અંદાજો સૂચવે છે કે 2030 સુધીમાં AI- સંબંધિત ડેટા સેન્ટર ક્ષમતા માટે મૂડી ખર્ચ (capital expenditure) $5.2 ટ્રિલિયન સુધી પહોંચી શકે છે, જેમાં કેટલાક વિશ્લેષકો સમાન વર્ષ સુધીમાં ડેટા સેન્ટર ઇન્ફ્રાસ્ટ્રક્ચર પર વાર્ષિક ખર્ચ $1 ટ્રિલિયન થી વધી શકે છે. IBM ના CEO અરવિંદ કૃષ્ણએ એક ચેતવણી આપી છે, ગણતરી કરીને કહ્યું કે ફક્ત એક 1 GW AI ડેટા સેન્ટરને સજ્જ કરવામાં લગભગ $80 બિલિયન નો ખર્ચ થાય છે. વૈશ્વિક યોજનાઓ 100 GW ક્ષમતાનું લક્ષ્ય રાખતી હોવાથી, કુલ મૂડી ખર્ચ $8 ટ્રિલિયન સુધી પહોંચી શકે છે. કૃષ્ણ દલીલ કરે છે કે આ અસ્થિર (unsustainable) છે કારણ કે AI હાર્ડવેરના ઝડપી 5-વર્ષીય ડેપ્રિસિયેશન (depreciation) ચક્રને જોતાં, ફક્ત વ્યાજ ચૂકવણીને આવરી લેવા માટે વાર્ષિક લગભગ $800 બિલિયન ના નફાની જરૂર પડશે. ઇકોનોમિક સર્વે સૂચવે છે કે ભારત આ નાણાકીય રીતે જોખમી માર્ગને ફ્રન્ટિયર સ્કેલ (frontier scale) પર સ્પર્ધા કરવાનો પ્રયાસ કરવાને બદલે, એપ્લિકેશન-આધારિત નવીનતા (application-led innovation) પર ધ્યાન કેન્દ્રિત કરીને, સ્થાનિક ડેટાનો ઉપયોગ કરીને અને તેના ગહન માનવ મૂડી (human capital) નો લાભ લઈને ટાળી શકે છે.
ભારતની ડિજિટલ મહત્વાકાંક્ષાઓ તેની ઝડપથી વિસ્તરતી ડેટા સેન્ટર ક્ષમતામાં પ્રતિબિંબિત થાય છે, જે મધ્ય-2025 માં લગભગ 1.4 GW થી 2030 સુધીમાં લગભગ 8 GW સુધી પહોંચવાની ધારણા છે. આ વૃદ્ધિ ડેટા વપરાશમાં વધારો, ક્લાઉડ અપનાવણી (cloud adoption) અને AI વર્કલોડ્સ દ્વારા સંચાલિત છે. નોંધપાત્ર રોકાણો ચાલી રહ્યા છે, જેમાં Google નો વિશાખાપટ્ટનમમાં $15 બિલિયન નો AI કેમ્પસ અને રિલાયન્સનો જામનગરમાં $15 બિલિયન, 1 GW AI-રેડી ડેટા સેન્ટરની યોજના શામેલ છે. જોકે, સર્વેક્ષણ નિર્ણાયક બંધનકર્તા અવરોધો (binding constraints) પર પ્રકાશ પાડે છે જે અવિચારી સ્કેલિંગને મર્યાદિત કરે છે: વીજળીની ઉપલબ્ધતા (power availability), નાણાં સુધી પહોંચ (access to finance), અને ખાસ કરીને પાણીના સંસાધનો (water resources). વૈશ્વિક અનુભવ દર્શાવે છે કે AI- સંચાલિત ડેટા સેન્ટર વિસ્તરણ ઊર્જા પ્રણાલીઓ પર તાણ લાવે છે, જેમાં 2030 સુધીમાં વૈશ્વિક ડેટા સેન્ટર વીજળીનો વપરાશ બમણો થવાની અને AI-ઓપ્ટિમાઇઝ્ડ સેન્ટર્સ તેમની માંગને ચાર ગણી કરવાની ધારણા છે. તેથી, ભારતની વ્યૂહરચના સંસાધન કાર્યક્ષમતા (resource efficiency) અને જાહેર ઉદ્દેશ્યો સાથે સંરેખણ પર ભાર મૂકે છે, નાના, કાર્ય-વિશિષ્ટ મોડલ્સ (task-specific models) ને પ્રાધાન્ય આપે છે જે મર્યાદિત હાર્ડવેર અને વિકેન્દ્રિત નેટવર્ક્સ (decentralized networks) પર કાર્ય કરી શકે છે. આ અભિગમ તેના મોડા-મુવર (late-mover) લાભ સાથે સુસંગત છે.
બજેટ 2026-27 પહેલાં, બજેટ 2025-26 માં AI માટે ₹2,200 કરોડ જેવી અગાઉની ફાળવણી, જેમાં ઇન્ડિયાAI મિશન (IndiaAI Mission) માટે ₹2,000 કરોડ શામેલ છે, તે AI ઇકોસિસ્ટમ બનાવવા માટે સરકારની પ્રતિબદ્ધતા દર્શાવે છે. સર્વેક્ષણ ખુલ્લા અને ઇન્ટરઓપરેબલ સિસ્ટમ્સ (open and interoperable systems), સેક્ટર-વિશિષ્ટ મોડલ્સ (sector-specific models) અને શેર કરેલ ઇન્ફ્રાસ્ટ્રક્ચર (shared infrastructure) પર આધારિત બોટમ-અપ (bottom-up) વ્યૂહરચનાની હિમાયત કરે છે, જે AI ને સંભવિત જાહેર હિત (public good) બનાવે છે. વ્યવહારુ, આર્થિક રીતે આધારિત અને સામાજિક રીતે પ્રતિભાવશીલ AI પર આ ધ્યાન, માત્ર એક સટ્ટાકીય ટેકનોલોજી રેસમાં વ્યસ્ત રહેવાને બદલે વાસ્તવિક દુનિયાની સમસ્યાઓ હલ કરીને મૂલ્ય બનાવવાનું લક્ષ્ય રાખે છે, જે ભારતને AI યુગમાં ટકાઉ વિકાસ (sustainable growth) માટે સ્થાન આપે છે.