चीनी कंपनी Zhipu AI ने GLM-5.2 हे मॉडेल ओपन-सोर्स परवान्याअंतर्गत लाँच केले आहे. अमेरिकेच्या प्रोप्रायटरी AI सिस्टम्सना आव्हान देण्याच्या उद्देशाने हे मॉडेल सादर करण्यात आले आहे. कंपनीच्या शेअरची बाजारातील किंमत HK$1 ट्रिलियनच्या विक्रमी पातळीवर पोहोचली असून, भारतीय कंपन्या या मॉडेलला महागड्या वेस्टर्न AI API साठी एक स्वस्त पर्याय म्हणून तपासत आहेत. मात्र, डेटा सुरक्षा आणि नियमांचे पालन यांसारखे धोके महत्त्वाचे आहेत.
काय घडले?
Zhipu AI, ज्याला नॉलेज अॅटलस टेक्नॉलॉजी (Knowledge Atlas Technology) म्हणूनही ओळखले जाते, त्यांनी त्यांचे नवीन लार्ज लँग्वेज मॉडेल, GLM-5.2, अधिकृतपणे लाँच केले आहे. हे मॉडेल MIT ओपन-सोर्स परवान्याअंतर्गत मोफत उपलब्ध करून देण्यात आले आहे. GLM-5.2 मध्ये 'मिक्सचर-ऑफ-एक्सपर्ट्स' (MoE) आर्किटेक्चरचा वापर केला गेला आहे, ज्यात 744 अब्ज (billion) पॅरामीटर्स आहेत. कार्यक्षमतेसाठी, प्रति टोकन सुमारे 40 अब्ज (billion) पॅरामीटर्स वापरले जातात. या मॉडेलमध्ये दहा लाख (one million) टोकनची कॉन्टेक्स्ट विंडो (context window) आहे, ज्यामुळे ते प्रचंड डेटासेट, कोडबेस आणि मोठे डॉक्युमेंट्स प्रक्रिया करू शकते. या लाँचमुळे हाँगकाँग स्टॉक एक्सचेंजमध्ये सूचीबद्ध असलेल्या कंपनीच्या शेअर्समध्ये मोठी अस्थिरता आणि वाढ दिसून आली आहे. डेव्हलपर समुदायाकडून मिळालेल्या जबरदस्त प्रतिसादांमुळे कंपनीचे मार्केट कॅपिटलायझेशन (market capitalization) तात्पुरते HK$1 ट्रिलियन पर्यंत पोहोचले.
गुंतवणूकदारांसाठी महत्त्व
GLM-5.2 चे लाँच हे जागतिक AI स्पर्धा क्षेत्रात एक मोठे बदल दर्शवते. जिथे अमेरिकेतील OpenAI आणि Anthropic सारख्या कंपन्या प्रामुख्याने प्रोप्रायटरी API मार्केटवर राज्य करत होत्या, तिथे आता ओपन-सोर्स मॉडेल्सना मागणी वाढत आहे. कंपन्या अधिक नियंत्रण आणि कमी खर्च यावर लक्ष केंद्रित करत आहेत. गुंतवणूकदारांसाठी, Zhipu AI च्या मूल्यांकनातील वाढ हे दर्शवते की ते वेस्टर्न प्लॅटफॉर्म्सना एक व्यवहार्य आणि स्वस्त पर्याय देऊ शकते. अनेक कंपन्या अमेरिकन मॉडेल्सच्या वापरासाठी लागणारा नियमित API खर्च कमी करण्याच्या मार्गांवर आहेत, ज्यामुळे GLM-5.2 डेव्हलपर्ससाठी आकर्षक ठरू शकते, जे मर्यादित परवाना अटींशिवाय AI मॉडेल तयार करू इच्छितात.
भारतीय टेक क्षेत्रासाठी आर्थिक परिणाम
भारतातील तंत्रज्ञान कंपन्या आणि स्टार्टअप्ससाठी, उच्च-कार्यक्षमतेच्या ओपन-सोर्स मॉडेल्सचे आगमन एक महत्त्वपूर्ण घडामोड आहे. अनेक भारतीय कंपन्या एकाच प्रदात्यावर अवलंबून राहणे टाळण्यासाठी आणि डेटा सार्वभौमत्व (data sovereignty) राखण्यासाठी मल्टी-क्लाउड (multi-cloud) किंवा हायब्रिड स्ट्रॅटेजी (hybrid strategy) अवलंबत आहेत. GLM-5.2 सारखी ओपन-सोर्स मॉडेल्स कंपन्यांना AI वर्कलोड्स अंतर्गत (internally) होस्ट करण्याची लवचिकता देतात. यामुळे संगणकीय खर्च (compute costs) कमी होऊ शकतो आणि भारतीय डेव्हलपर्सना आर्किटेक्चरवर अधिक नियंत्रण मिळू शकते. स्थानिक कंपन्या कार्यक्षमतेने AI चा वापर वाढवण्याचा प्रयत्न करत असताना हा एक महत्त्वाचा घटक बनत आहे.
सुरक्षा आणि नियामक धोके
जरी खर्च आणि कार्यक्षमतेचे फायदे स्पष्ट असले तरी, चीनी-उत्पन्न AI मॉडेल्स वापरण्याशी संबंधित धोक्यांबद्दल गुंतवणूकदारांनी जागरूक असले पाहिजे. काही अहवालांमध्ये डेटा प्रायव्हसी (data privacy) आणि संभाव्य सुरक्षा भेद्यतांबद्दल (security vulnerabilities) चिंता व्यक्त केली गेली आहे, विशेषतः जेव्हा अशा मॉडेल्सचा वापर अशा देशांमध्ये केला जातो जिथे कठोर डेटा गव्हर्नन्स कायदे (data governance laws) असू शकतात. भारतात, जिथे डेटा प्रायव्हसी नियम विकसित होत आहेत, कंपन्यांना या साधनांना त्यांच्या इन्फ्रास्ट्रक्चरमध्ये समाकलित करताना कायदेशीर पालनाचे (compliance) महत्त्व विचारात घ्यावे लागेल. याव्यतिरिक्त, भू-राजकीय तणावामुळे (geopolitical tensions) अचानक नियामक बदल किंवा आयात निर्बंध येऊ शकतात, ज्यामुळे महत्त्वपूर्ण व्यावसायिक अनुप्रयोगांमध्ये या मॉडेल्सच्या वापराच्या दीर्घकालीन व्यवहार्यतेवर परिणाम होऊ शकतो.
गुंतवणूकदारांनी पुढे काय पाहावे?
गुंतवणूकदारांनी GLM-5.2 चा जागतिक आणि भारतीय डेव्हलपर्सकडून होणारा स्वीकार (adoption rate) यावर लक्ष ठेवले पाहिजे, कारण यामुळे मॉडेलचा दीर्घकालीन व्यावसायिक परिणाम निश्चित होईल. चीनी-उत्पन्न AI सॉफ्टवेअरबद्दल भारतीय सरकारची कोणतीही नियामक भूमिका, कंपनीच्या आगामी तिमाही आर्थिक निकालांमधील कामगिरी आणि मॉडेल वेस्टर्न प्रतिस्पर्धकांच्या तुलनेत आपले तर्क क्षमता (reasoning capabilities) कायम राखते की नाही, यावर लक्ष ठेवणे महत्त्वाचे ठरेल. याव्यतिरिक्त, कंपनीच्या परवाना धोरणातील (licensing strategy) किंवा आंतरराष्ट्रीय प्रवेशातील (international access) कोणतेही बदल त्याच्या भविष्यातील बाजारातील हिश्श्याचे मूल्यांकन करण्यासाठी महत्त्वपूर्ण असतील.