Whalesbook
AI સમિટનો અરીસો: શું દેખાય છે અને શું છુપાયેલું છે?
તાજેતરમાં યોજાયેલી India AI Impact Summit 2026, જે ટેકનોલોજી ક્ષમતા પ્રદર્શિત કરવાનો મંચ હતો, તેણે દેશના નવાચાર (innovation) ક્ષેત્રે એક ગંભીર સમસ્યા પર પ્રકાશ પાડ્યો છે. દેખીતી રીતે, ભારત પ્રગતિના 'દેખાવ' પર વધુ ધ્યાન આપી રહ્યું છે, વાસ્તવિક પરિણામોને બદલે. કેટલીક શૈક્ષણિક સંસ્થાઓ દ્વારા આયાતી ટેકનોલોજીને સ્વદેશી તરીકે રજૂ કરવી અને આયાતી ડ્રોન ઉત્પાદનોનું પ્રદર્શન, આ વ્યાપક પ્રવાહનો સંકેત આપે છે. ગુણવત્તા કરતાં જથ્થા પરનો આ ભાર દેશના પ્રોત્સાહન માળખામાં ઊંડાણપૂર્વક વણાયેલો છે. આનાથી નવાચાર એક ઔપચારિક ગણતરી કવાયત બની જવાનું જોખમ છે, જે ખરા સંશોધન અને વિકાસ (R&D) ને ઢાંકી દે છે. AI માં નેતૃત્વ માટે જાહેર કરાયેલી જીત નહીં, પણ હાંસલ કરેલી સિદ્ધિઓની જરૂર છે.
પેટન્ટનો વિરોધાભાસ: જથ્થો છે, પણ ગુણવત્તાનું શું?
ભારતની પેટન્ટ સિસ્ટમ એક વિચિત્ર દબાણ હેઠળ છે. જ્યાં એક તરફ ભારત પેટન્ટ અરજીઓમાં વૈશ્વિક સ્તરે પાંચમા સ્થાને છે, ત્યાં AI સંબંધિત ફાઇલિંગ માટે પેટન્ટ ગ્રાન્ટ રેટ માત્ર 0.37% છે. શૈક્ષણિક સંસ્થાઓ માટે આ દર લગભગ 1% જેટલો નીચો જાય છે. તેની તુલનામાં, કોર્પોરેટ ગ્રાન્ટ રેટ લગભગ 40% છે. IITs અને IISc જેવી અગ્રણી સંસ્થાઓ નોંધપાત્ર રીતે ઉચ્ચ ગ્રાન્ટ રેટ ધરાવે છે, જ્યાં IITs એ 2020-2023 ના સમયગાળા માટે સામૂહિક રીતે લગભગ 64% અને IISc લગભગ 68% હાંસલ કર્યું છે. નેશનલ ઇન્સ્ટિટ્યૂટ ઓફ ટેકનોલોજી (NITs) પણ મજબૂત સફળતા દર દર્શાવે છે. જોકે, ઘણી હાઇ-વોલ્યુમ પ્રાઇવેટ યુનિવર્સિટીઓ સંઘર્ષ કરી રહી છે, કેટલીક હજારો અરજીઓ છતાં 1.87% થી 2.8% જેવા નીચા ગ્રાન્ટ રેટ નોંધાવી રહી છે. આ વિસંગતતા સૂચવે છે કે સિસ્ટમ એવી પ્રવૃત્તિને પુરસ્કૃત કરે છે જે ફક્ત ફાઇલ કરવાનું પ્રોત્સાહન આપે છે, અસરકારક અને વ્યવસાયિક રીતે સધ્ધર બૌદ્ધિક સંપદા બનાવવાને બદલે.
પ્રોત્સાહનો 'ઇનોવેશન થિયેટર'ને વેગ આપે છે
આ સમસ્યાનું મૂળ નીતિ નિર્માણમાં રહેલું છે. સરકારી રિઇમ્બર્સમેન્ટ, જે ડોમેસ્ટિક પેટન્ટ ફાઇલિંગ દીઠ ₹2 લાખ સુધી હોઈ શકે છે, શૈક્ષણિક સંસ્થાઓ માટે નોંધપાત્ર ફી કન્સેશન, અને નેશનલ ઇન્સ્ટિટ્યૂશનલ રેન્કિંગ ફ્રેમવર્ક (NIRF) જે રેન્કિંગમાં પેટન્ટ ગણતરીઓને ધ્યાનમાં લે છે, તે જથ્થા માટે એક શક્તિશાળી નાણાકીય પ્રોત્સાહન બનાવે છે. ઉચ્ચ રેન્કિંગ વધુ વિદ્યાર્થીઓ અને આવક આકર્ષે છે, પેટન્ટ ફાઇલિંગને સંસ્થાકીય પ્રતિષ્ઠા અને નાણાકીય લાભ માટે એક આકર્ષક શોર્ટકટ બનાવે છે. આ ગણતરી એક પ્રક્રિયાગત ચક્રને પ્રોત્સાહન આપે છે: ફાઇલ કરો, રિઇમ્બર્સમેન્ટનો દાવો કરો, રેન્ક સુધારો, પ્રવેશ મેળવો, પુનરાવર્તન કરો. તેની તુલના ચીન જેવા દેશો સાથે કરીએ, જેણે વૈજ્ઞાનિક નવાચારને ઔદ્યોગિક વિકાસ સાથે જોડવાની મજબૂત ક્ષમતા દર્શાવી છે, 2020 થી 2024 દરમિયાન ટેકનોલોજી કોન્ટ્રાક્ટ વોલ્યુમમાં 141.7% નો વધારો હાંસલ કર્યો છે. જાપાન, પડકારોનો સામનો કરવા છતાં, સંયુક્ત સંશોધન આવિષ્કારો માટે 60-70% પેટન્ટ ગ્રાન્ટ રેટ જાળવી રાખે છે.
વિશ્લેષણ: સિસ્ટમની નબળાઈઓ અને ચૂકી ગયેલી તકો
આ સિસ્ટમનું મુખ્ય નબળાઈ ગુણાત્મક પરિણામો પર માત્રાત્મક મેટ્રિક્સને પ્રાધાન્ય આપવાનું છે. પેટન્ટના નીચા કમર્શિયલાઇઝેશન દર - વૈશ્વિક સ્તરે લગભગ 5-10% અને ભારતમાં NIT Rourkela જેવી જગ્યાએ 10-15% - નો અર્થ એ છે કે મોટાભાગના 'નવાચારો' ફક્ત પ્રૂફ-ઓફ-કન્સેપ્ટ (proof-of-concept) રહે છે, જેમાં વ્યાપારીકરણની યોજના અથવા વિવિધ શાખાઓમાં એકીકરણનો અભાવ હોય છે. GDP ની ટકાવારી તરીકે ભારતનો ગ્રોસ એક્સપેન્ડિચર ઓન રિસર્ચ એન્ડ ડેવલપમેન્ટ (GERD) 0.6% થી 0.8% ની વચ્ચે રહે છે, જે દક્ષિણ કોરિયા (4.9%) અથવા ચીન (2.4%) જેવા વૈશ્વિક અગ્રણીઓ કરતાં નોંધપાત્ર રીતે ઓછું છે. ખાનગી ક્ષેત્ર, જે GERD માં માત્ર 36% જેટલું યોગદાન આપે છે (ચીન અને દક્ષિણ કોરિયામાં 70% થી વધુની તુલનામાં), ખાસ કરીને આ ભંડોળની અછત, breakthrough innovation માં અવરોધ ઊભો કરે છે. 'ટ્રાન્સલેશનલ રિસર્ચ' (translational research) નો પ્રચલિત અભાવ શૈક્ષણિક આઉટપુટ અને બજારની જરૂરિયાતો વચ્ચે અંતર ઊભું કરે છે, જેના કારણે એવી પરિસ્થિતિ ઊભી થાય છે જ્યાં પેટન્ટને અંતિમ ધ્યેય ગણવામાં આવે છે, માઇલસ્ટોન નહીં. નિષ્ણાતો દલીલ કરે છે કે સિસ્ટમ વધુને વધુ પ્રવૃત્તિને પુરસ્કૃત કરે છે, પરિણામોને નહીં, જેના કારણે વાસ્તવિક R&D અને રેન્કિંગ પોઇન્ટ્સ માટેની વ્યૂહરચના વચ્ચે તફાવત કરવો મુશ્કેલ બને છે.
માર્ગદર્શન: મહત્વાકાંક્ષાને સિદ્ધિ સાથે જોડવી
ભારતમાં AI ક્ષેત્રે પાવરહાઉસ બનવાની નિર્વિવાદ તાકાત છે, જેમાં વૈશ્વિક સ્તરે બીજું સ્થાન ધરાવતો ઝડપથી વિકસતો પ્રતિભાશાળી પૂલ અને $20 બિલિયન થી વધુનું નોંધપાત્ર રોકાણ શામેલ છે. ₹10,300 કરોડ ના રોકાણ સાથેના IndiaAI Mission નો ઉદ્દેશ્ય હજારો GPU જમાવટ કરવાનો અને AI ડેટા લેબ્સ સ્થાપિત કરવાનો છે. જોકે, આ પાયાના તત્વો ખામીયુક્ત પ્રોત્સાહન માળખા દ્વારા નબળા પડે છે. નીતિમાં ફેરફારો નિર્ણાયક છે: રિઇમ્બર્સમેન્ટ ફાઇલિંગથી ગ્રાન્ટ તરફ સ્થળાંતરિત થવું જોઈએ, પ્રોત્સાહનો કમર્શિયલાઇઝેશન સફળતા સાથે સુસંગત હોવા જોઈએ, અને અસામાન્ય ફાઇલિંગ-ટુ-ગ્રાન્ટ રેશિયોનું ઓડિટ થવું જોઈએ. માત્ર જથ્થા પર માપી શકાય તેવી અસરને પ્રાધાન્ય આપતી રેન્કિંગ સિસ્ટમમાં સુધારો કરવો આવશ્યક છે. ચીનની સફળતા, ઉદાહરણ તરીકે, નવાચારને ઔદ્યોગિક વિકાસ અને નીતિ સહાય સાથે સંકલિત કરવાથી આવે છે. ભારત માટે, AI માં સાચી લીડરશિપ સતત સંશોધન, કડક માન્યતા અને બજાર સફળતા દ્વારા જ પ્રાપ્ત થશે, માત્ર ઝડપી ફાઇલિંગ દ્વારા જાહેર કરવાથી નહીં.