विषय-सूची

2023 में जारी GPT-4 के बारे में अनुमान है कि इसे Microsoft Azure पर लगभग 25,000 GPU को कई महीनों तक चलाकर प्रशिक्षित किया गया था। उस एक ट्रेनिंग रन में लगाई गई गणना-शक्ति लगभग 2×10²⁵ फ्लोटिंग-पॉइंट ऑपरेशन (FLOPs) थी। अकेले पुराने GPT-3 की ट्रेनिंग ने भी लगभग 1,287 MWh बिजली जलाई — एक औसत घर के लिए एक सदी से अधिक की बिजली, सिर्फ एक मॉडल बनाने में खर्च की गई। जो हम लापरवाही से टाइप करते हैं — "अरे, इसका सारांश दो" — उसके पीछे भौतिकी की एक दुनिया और पैसों के ढेर छिपे हैं।

यह लेख "एक LLM (बड़ा भाषा मॉडल) वास्तव में कैसे काम करता है" को तीन दिशाओं से गहराई से खंगालता है: तंत्र, बिजली, और पैसा। विशेष रूप से — (1) एक LLM "वेट्स (पैरामीटर)" नामक नॉब्स के संग्रह से भाषा क्यों उत्पन्न कर सकता है, (2) एक प्रश्न या एक ट्रेनिंग रन कितनी बिजली खपत करता है, और (3) क्या यह दावा कि "फ्रंटियर LLM विकास पैसे की लड़ाई है" सच है? तीसरे का संक्षिप्त उत्तर: "बिल्कुल फ्रंटियर के लिए, यह मूलतः सच है — लेकिन एक उल्टा प्रवाह जहां 'सिर्फ पैसे से जीत नहीं होती' 2026 में मजबूत हुआ है।" यही सटीक तस्वीर है।

मेरा रुख पहले ही स्पष्ट कर दूं: एक LLM की "बुद्धिमत्ता" न तो जादू है न चेतना — यह एक विशाल संभाव्यता-पूर्वानुमान मशीन को बिजली से पीट-पीटकर आकार देने का परिणाम है। तंत्र को समझने से अत्यधिक प्रचार और अत्यधिक भय दोनों घुल जाते हैं। यह लेख मध्यवर्ती-स्तर की गहराई में जाता है। अगर आप "LLM आखिर है क्या" से शुरू कर रहे हैं, तो पहले LLM क्या है (प्राइमर) पढ़ें; कॉन्टेक्स्ट लंबाई के लिए कॉन्टेक्स्ट विंडो देखें; मूल्य निर्धारण के लिए शुरुआती लोगों के लिए AI API देखें।

LLM कैसे काम करते हैं · वेट्स × बिजली × पैसा

एक LLM का तीन दिशाओं से विश्लेषण

— बुद्धिमत्ता किससे बनी है, जो बिजली यह जलाता है, जो पैसा इसकी लागत है

तंत्र
वेट्स अगले शब्द का पूर्वानुमान लगाते हैं
सैकड़ों अरब से 1 खरब से अधिक नॉब्स बस संभाव्यताएं गिनते हुए
बिजली
एक क्वेरी ≈ 0.4–33 Wh
एक ट्रेनिंग रन = 100+ घर-वर्ष की बिजली
पैसा
फ्रंटियर पर $200–500M
2027 तक, $1–3B की ट्रेनिंग रन का अनुमान है

एक LLM की चतुराई कोई जादू नहीं है। यह एक विशाल संभाव्यता मशीन को बिजली और पैसे से पीट-पीटकर आकार देने का परिणाम है।
तंत्र को जानिए, और प्रचार व भय दोनों घुल जाते हैं।

1. एक LLM बस "अगला शब्द" अनुमान लगाता रहता है

यह चौंकाने वाला लग सकता है, लेकिन ChatGPT, Claude, और Gemini सभी मूलतः एक ही काम करते हैं। "अब तक के टेक्स्ट को देखते हुए, सबसे संभावित अगले शब्द (अधिक सटीक रूप से, 'टोकन') की निरंतरता के रूप में संभाव्यता गणना करो, एक चुनो, और उन्हें कतार में लगाओ।" बस इतना ही। इसे "the cat is on the ___" दो और यह "mat," "couch," "floor" जैसे उम्मीदवारों को संभाव्यताएं देता है और सबसे ऊंची वाली (या संभाव्यता के अनुसार चुनी गई एक) निकालता है। यह इसे एक बार में एक टोकन दोहराता है जब तक टेक्स्ट समाप्त न हो जाए।

यहां वह प्रश्न है जो कई लोगों को उलझा देता है। "एक मात्र शब्द-अनुमान वाला खेल पेपरों का सारांश कैसे बना सकता है या कोड कैसे लिख सकता है?" उत्तर: "अगले शब्द का सही-सही अनुमान लगाने के लिए, इसके पास दुनिया की संरचना को कुछ हद तक 'समझने' के अलावा कोई चारा नहीं है।" "the capital of Japan is ___" का अनुमान लगाने के लिए भूगोल चाहिए; "3 + 5 = ___" के लिए अंकगणित; "the cause of this bug is ___" के लिए आंतरिक रूप से रखा प्रोग्रामिंग ज्ञान चाहिए। विशाल टेक्स्ट पर "अगले-शब्द-अनुमान" को चरम तक प्रशिक्षित करने के उपोत्पाद के रूप में, ज्ञान और तर्क उभर आते हैं। यही LLM की विचित्र और आवश्यक प्रकृति है।

तो वह "अगले-शब्द की संभाव्यता" क्या गणना कर रहा है? जैसा संकेत दिया गया, मुख्य अभिनेता है संख्याओं का एक चौंका देने वाला ढेर जिसे "वेट्स (पैरामीटर)" कहते हैं। अगला अध्याय बताता है कि वे क्या हैं।

2. "वेट्स" क्या हैं? — एक खरब नॉब्स बुद्धिमत्ता बनाते हैं

एक LLM के भीतरी हिस्से को एक उपमा में रखें तो: "सैकड़ों अरब से एक खरब से अधिक 'नॉब्स' वाला एक विशाल गणना उपकरण।" प्रत्येक नॉब एक "वेट (पैरामीटर)" है, और जब किसी इनपुट शब्द का सिग्नल अगली परत में जाता है, तो यह तय करता है कि "किन सिग्नलों को मजबूत या कमजोर करना है, और कितना।" GPT-3 में लगभग 175 अरब थे; नवीनतम फ्रंटियर मॉडल एक खरब से अधिक कहे जाते हैं। इन विशाल नॉब्स की सेटिंग ही ठीक-ठीक वह है जो मॉडल का सीखा हुआ "ज्ञान" है।

वेट्स

"वेट्स" कैसे भाषा में बदलते हैं

① टोकनाइज़
टेक्स्ट को शब्द-खंडों (टोकन) में बांटें और संख्यात्मक वेक्टर में बदलें
② वेट्स से गुज़रें
दर्जनों Transformer परतें वेट्स से गुणा करके सिग्नल बदलती हैं
③ Attention
वेट्स तय करते हैं कि वाक्य के किन शब्दों पर ध्यान देना है
④ संभाव्यताएं निकालें
अगले टोकन की संभाव्यता वितरण की गणना करें और एक चुनें

"सीखना" है इन एक खरब नॉब्स को थोड़ा-थोड़ा सही उत्तर की ओर घुमाने का काम।
तैयार नॉब सेटिंग्स (वेट्स) = मॉडल का "ज्ञान" स्वयं।

2017 में सामने आया Transformer, आधुनिक LLM की नींव है। इसका हृदय है "Attention" तंत्र, जो वेट्स द्वारा गतिशील रूप से तय करता है कि "वाक्य में कौन-सा शब्द वर्तमान शब्द के लिए मायने रखता है।" "saw the river in front of the bank" में "bank" का अर्थ वित्तीय संस्थान है या नदी का किनारा, यह संदर्भ में अन्य शब्दों के साथ इसके संबंध को वेट देकर तय होता है — और यह "संदर्भ-निर्भर वेटिंग" ठीक वही कारण है कि एक LLM लंबे अंशों पर भी सुसंगत प्रतिक्रियाएं दे सकता है। जब लोग कहते हैं "कुछ वेटिंग के बारे में," तो उनका मतलब ठीक यही Attention और इसके पीछे की खरबों गुणाएं हैं।

महत्वपूर्ण बिंदु: ये वेट्स हाथ से सेट नहीं किए गए थे। शुरुआत में ये यादृच्छिक संख्याओं का एक ढेर होते हैं, अर्थहीन। अर्थ "सीखने" के माध्यम से डाला जाता है। तो वह सीखना कैसे होता है?

3. सीखने के दो चरण — प्री-ट्रेनिंग और पोस्ट-ट्रेनिंग (RLHF)

एक LLM का सीखना मोटे तौर पर दो चरणों में बंटता है — वह प्रक्रिया जिससे पिछले अध्याय के "यादृच्छिक नॉब्स" "बुद्धिमान नॉब्स" बन जाते हैं।

चरण 1: प्री-ट्रेनिंग। इसे इंटरनेट-स्केल का टेक्स्ट (किताबें, वेब, कोड) दें और इससे लगातार "अगले शब्द का अनुमान" लगवाएं। हर बार गलती करने पर, सभी पैरामीटर एक छोटी मात्रा में समायोजित किए जाते हैं उस दिशा में जो त्रुटि को कम करती है (यह समायोजन एल्गोरिदम प्रसिद्ध "बैकप्रोपेगेशन + ग्रेडिएंट डिसेंट" है)। इसे खरबों टोकन पर दोहराएं, और व्याकरण, ज्ञान, और तर्क की नींव नॉब्स में उकेरी जाती है। प्री-ट्रेनिंग अधिकांश गणना, अधिकांश बिजली, और अधिकांश पैसा खा जाती है। GPT-4-श्रेणी के मॉडल के खगोलीय ~2×10²⁵ FLOPs यहीं जलते हैं।

चरण 2: पोस्ट-ट्रेनिंग। केवल प्री-ट्रेन्ड मॉडल "ज्ञानवान है लेकिन बद-तमीज़।" इसलिए RLHF (मानव प्रतिक्रिया से सुदृढीकरण शिक्षण) और इस जैसे तरीके इसे "सहायक, सुरक्षित तरीके से उत्तर देना" सिखाते हैं। इसके अलावा, 2025 के बाद से, उस पोस्ट-ट्रेनिंग का वजन जो लंबे तर्क (सावधानी से सोचना), टूल उपयोग, और एजेंटिक व्यवहार में अभ्यास कराती है, बढ़ गया है, इस हद तक कि Claude, GPT, और Gemini परिवारों के लिए, पोस्ट-ट्रेनिंग अब कुल गणना का लगभग 15–25% ले लेती है। हाल के मॉडल इतना "उत्तर देने से पहले सोचते हैं" इसका कारण इस पोस्ट-ट्रेनिंग का विकास है। मल्टी-एजेंट व्यवहार भी यहीं डाला जाता है।

4. इन्फरेंस — वह क्षण जब आपका प्रश्न बिजली बन जाता है

अगर ट्रेनिंग "नॉब्स सेट करने का निर्माण कार्य" है, तो इन्फरेंस "तैयार नॉब्स का उपयोग करके वास्तव में उत्तर उत्पन्न करने का संचालन" है। हर बार जब आप ChatGPT में एक प्रश्न टाइप करते हैं, लगभग एक खरब नॉब्स से होकर खरबों गुणाएं चलती हैं, और टोकन एक-एक करके उत्पन्न होते हैं। हमने देखा है कि ट्रेनिंग कितनी भारी है — लेकिन समाज में कुल मिलाकर, यह इन्फरेंस है, ट्रेनिंग नहीं, जो बिजली खाती है।

कारण सरल है: ट्रेनिंग मूलतः प्रति मॉडल एक बार चलती है, लेकिन इन्फरेंस दुनिया भर में दिन में करोड़ों बार चलती है। कुछ अनुमानों के अनुसार, इन्फरेंस सभी AI गणना का 80–90% है, और 2030 तक, AI बिजली मांग का 75% इन्फरेंस होने का अनुमान है। "एक प्रश्न तो शायद ही कोई बिजली है" — सच, एक तो नगण्य है। लेकिन "नगण्य × करोड़ों × हर दिन" मिलकर एक राष्ट्र-स्केल बिजली समस्या बन जाता है। आगे ठोस संख्याएं देखते हैं।

5. बिजली — एक LLM कितनी बिजली खाता है?

"AI बिजली खाता है" अक्सर कहा जाता है, लेकिन वास्तव में कितनी? यहां 2026 तक प्रकाशित प्रतिनिधि आंकड़े हैं।

बिजली

संख्याओं में LLM बिजली खपत

एक क्वेरी (छोटी)
0.43Wh
GPT-4o श्रेणी
एक छोटा प्रश्न
एक भारी तर्क
33Wh+
लंबा-सोचने वाला मॉडल
हल्के संस्करण का ~70 गुना
GPT-3 की ट्रेनिंग
1,287MWh
550t+ CO2
(एक पुरानी पीढ़ी)
वैश्विक DC बिजली
415→945
TWh
2024→2030 पूर्वानुमान

एक छोटी क्वेरी (0.43Wh) भी, 700M/दिन तक बढ़ाई जाए, तो ~35,000 अमेरिकी घरों की बिजली के बराबर है।
एक डेटा-सेंटर रैक पुराने मानक का 10 गुना तक खींचता है; एक समर्पित AI DC 20MW–1GW खाता है।

जो बात उभरकर आती है वह यह है कि "बिजली दक्षता मॉडलों के बीच कई गुना अंतर से भिन्न होती है।" एक हल्के मॉडल को छोटा प्रश्न 0.5 Wh से कम है, लेकिन एक लंबे-सोचने वाले तर्क मॉडल (वह प्रकार जो उत्तर देने से पहले गहराई से सोचता है) पर भारी प्रश्न फेंकने से 33 Wh+ खपत होती है — हल्के संस्करण का लगभग 70 गुना। जैसा टोकन-खपत-को-कार्यभार-मानने का जाल में छुआ गया, "बस सब कुछ टॉप मॉडल पर करो" बिजली और लागत दोनों में एक विलासिता है। हल्के काम हल्के मॉडल को भेजना ग्रह और आपके बटुए दोनों के लिए दयालु है। वैश्विक डेटा-सेंटर बिजली 2024 में 415 TWh तक पहुंची (दुनिया के कुल का लगभग 1.5%) और 2030 तक दोगुनी होकर 945 TWh होने का अनुमान है — उस वृद्धि के मुख्य चालक के रूप में AI के साथ।

6. क्या "विकास पैसे की लड़ाई है" सच है?

यहां वह प्रश्न है जिसके बारे में आप सबसे ज्यादा उत्सुक थे। "क्या फ्रंटियर LLM विकास पैसे की लड़ाई है?" सत्यापित निष्कर्ष पहले: "फ्रंटियर की प्री-ट्रेनिंग तक सीमित रहें तो, यह मूलतः सच है।" संख्याएं इसका समर्थन करती हैं।

पैसे की लड़ाई

फ्रंटियर ट्रेनिंग-लागत प्रक्षेपवक्र

GPT-3 (2020)
~ 3×10²³ FLOPs. अपने समय के लिए असाधारण
GPT-4 (2023)
~ 2×10²⁵ FLOPs. ~25,000 GPU
2026 फ्रंटियर
10²⁶–10²⁷ FLOPs / $200–500M
2027 पूर्वानुमान
एक रन $1–3B तक पहुंच रही

फ्रंटियर ट्रेनिंग गणना लंबे समय तक प्रति वर्ष 4–10 गुना बढ़ी।
एक GPT-5 / Gemini Ultra-श्रेणी ट्रेनिंग रन = $200–500M — सचमुच पैसे की लड़ाई।

ठोस रूप से, एक GPT-5 / Gemini Ultra-श्रेणी मॉडल को एक बार प्रशिक्षित करने का अनुमान $200–500 मिलियन है, और कुछ पूर्वानुमान 2027 के अंत के फ्रंटियर को $1–3 बिलियन प्रति रन रखते हैं। और यह "एक सफल रन" है — इसके पीछे बैठते हैं असफल परीक्षण-त्रुटि, डेटा तैयारी, वेतन, और इन्फरेंस अवसंरचना। इसके ऊपर, प्रत्येक GPU की कीमत हज़ारों डॉलर है; उनमें से दसियों हज़ार को महीनों तक चलाने से बिजली का बिल बढ़ता है। पैसे की एक दीवार जिसे "एक शानदार विचार" या "एक चतुर एल्गोरिदम" अकेले कभी पार नहीं कर सकता फ्रंटियर के प्रवेश द्वार पर खड़ी है। इस अर्थ में, "पैसे की लड़ाई" कोई अतिशयोक्ति नहीं — यह तथ्य है। इसीलिए केवल मुट्ठी भर जिन्होंने विशाल पूंजी जुटाई — OpenAI, Google, Anthropic, Meta, xAI — बिल्कुल सबसे आगे लड़ सकते हैं।

7. लेकिन सिर्फ पैसे से जीत नहीं होती — दक्षता का उल्टा प्रवाह

पिछले अध्याय ने कहा "पैसे की लड़ाई असली है।" लेकिन कहानी को वहीं खत्म करना 2026 की वास्तविकता को गलत पढ़ना है। यह किसी भी तरह सच नहीं कि "पर्याप्त पैसे से आप जीत जाते हैं" — अगर कुछ है तो, एक उल्टा प्रवाह मजबूत हुआ है। एक ईमानदार उत्तर के रूप में, मुझे यह दूसरा पक्ष भी लिखने दें।

प्रतीकात्मक मामला है चालों की वह श्रृंखला जहां चीन के DeepSeek ने अपेक्षाकृत छोटे बजट पर फ्रंटियर के करीब पहुंचते मॉडल जारी किए, और कहा गया कि उसने "लागत के फर्श को रीसेट कर दिया।" समान प्रदर्शन को कई गुना सस्ते में बनाने की तकनीकें — कुशल आर्किटेक्चर, Mixture of Experts (MoE), डिस्टिलेशन (बड़े मॉडल का ज्ञान छोटे में स्थानांतरित करना), और सावधानीपूर्वक डेटा-गुणवत्ता का काम — एक के बाद एक प्रदर्शित हुई हैं, जिन्होंने "विशाल पूंजी = विजय" सूत्र में एक कील ठोक दी। वास्तव में, फ्रंटियर गणना वृद्धि का अनुमान प्रति वर्ष 10 गुना से घटकर 2026 के बाद से लगभग 3–4 गुना होने का है, और उद्योग का ध्यान "बस और बड़ा करो" से "समान प्रदर्शन सस्ते में और कम बिजली के साथ कैसे दें" की ओर खिसक रहा है।

तो सटीक तस्वीर यह है: "फ्रंटियर के 'शिखर प्रदर्शन' को अपडेट करने की दौड़ पैसे की लड़ाई है। लेकिन 'पर्याप्त-अच्छा प्रदर्शन' सस्ते में देने की दौड़ बुद्धि और दक्षता की प्रतियोगिता है।" अधिकांश मॉडल जो हम रोज़ाना उपयोग करते हैं, बाद वाले से लाभ उठाते हैं, साल-दर-साल सस्ते, तेज़, और अधिक बिजली-कुशल होते जाते हैं। जैसा मुफ्त टियर पर आप कितनी दूर जा सकते हैं में लिखा है, 2026 तक मुफ्त टियर भी एक व्यावहारिक स्तर तक पहुंच गए — दक्षता के उल्टे प्रवाह द्वारा उपयोगकर्ताओं को सौंपा गया फल।

8. आगे क्या — पैसे के बाद "बिजली और भौतिकी" की दीवार

तो क्या आप सिर्फ पैसे का ढेर लगाकर हमेशा के लिए स्केल कर सकते हैं? नहीं — और यही नई दीवार है जो 2026 में दिखाई देने लगी। लगभग 10²⁷ FLOPs से ऊपर, बाधा "GPU खरीदने का बजट" होना बंद हो जाती है। इसके बजाय, जो रास्ता रोकता है वह है —

  • बिजली: क्या आप एक स्थान पर गीगावाट-स्केल बिजली लगातार आपूर्ति कर सकते हैं? अब यह बिजली संयंत्रों और ग्रिडों की समस्या है
  • इंटरकनेक्ट: दसियों से सैकड़ों हज़ार GPU को सिंक्रनाइज़ करने की बैंडविड्थ बिना विलंब के। एक विशाल ट्रेनिंग कार्य जो संभाल सकता है उसकी एक भौतिक सीमा है
  • डेटा: उच्च-गुणवत्ता वाला ट्रेनिंग टेक्स्ट स्वयं सूख रहा है (मानवता ने कितना अच्छा लेखन उत्पन्न किया है उसकी एक सीमा है)

"पैसे की लड़ाई" के बाद जो आता है वह है "बिजली, भौतिकी, और बुद्धि की लड़ाई।" इसीलिए कंपनियां अब परमाणु ऊर्जा में निवेश, अपनी समर्पित चिप्स विकसित करने, सिंथेटिक डेटा का लाभ उठाने, और कुशल आर्किटेक्चर पर शोध की ओर खिसक रही हैं। वह युग जब आप पैसे फेंककर जीत सकते थे, विडंबना से, एक ऐसे युग में बदल रहा है जब आप अकेले पैसे से जीत नहीं सकते।

सारांश

एक LLM की असली प्रकृति है "एक विशाल पूर्वानुमान उपकरण जहां सैकड़ों अरब से एक खरब से अधिक 'वेट्स' अगले शब्द की संभाव्यता गणना करते रहते हैं।" Transformer का Attention "संदर्भ-निर्भर वेटिंग" संभालता है, और प्री-ट्रेनिंग (जो अधिकांश गणना, बिजली, और पैसा खाती है) साथ ही पोस्ट-ट्रेनिंग (RLHF, तर्क प्रशिक्षण) नॉब्स को बुद्धिमान बनाते हैं। बुद्धिमत्ता कोई जादू नहीं — यह विशाल टेक्स्ट पर "अगले-शब्द-अनुमान" को चरम तक अभ्यास कराने का उपोत्पाद है।

बिजली पर: एक छोटी क्वेरी ≈ 0.43 Wh, भारी तर्क 33 Wh+ (हल्के संस्करण का लगभग 70 गुना), और अकेले GPT-3 की ट्रेनिंग 1,287 MWh। समाज में, इन्फरेंस बिजली का 80–90% है, और वैश्विक डेटा-सेंटर बिजली 2030 तक दोगुनी होकर 945 TWh होने का अनुमान है। "सब कुछ टॉप मॉडल पर करो" बिजली और लागत दोनों में एक विलासिता है; समझदारी की चाल है कार्य के वजन के अनुसार मॉडल चुनना।

और मूल प्रश्न — "क्या LLM विकास पैसे की लड़ाई है?" उत्तर है "मूलतः सच, फ्रंटियर की प्री-ट्रेनिंग तक सीमित" (GPT-5-श्रेणी रन प्रति $200–500M; 2027 के लिए $1–3B अनुमानित)। लेकिन "सिर्फ पैसे से जीत नहीं होती" उल्टा प्रवाह भी मजबूत है (DeepSeek का फर्श रीसेट, दक्षता, डिस्टिलेशन)। शिखर प्रदर्शन अपडेट करना पैसे की लड़ाई है; व्यावहारिक प्रदर्शन सस्ते में देना बुद्धि की लड़ाई है — यह दो-परत संरचना 2026 की वास्तविकता है। और आगे आती है बिजली, इंटरकनेक्ट, और डेटा की कमी की भौतिक दीवार। एक LLM को "जादुई बक्से" के रूप में नहीं बल्कि "बिजली-चालित संभाव्यता मशीन" के रूप में समझना आपको प्रचार या भय किसी में बहने से बचाता है। अधिक जानने के लिए, देखें LLM क्या है (प्राइमर), कॉन्टेक्स्ट विंडो, और मुफ्त टियर तुलना।

अक्सर पूछे जाने वाले प्रश्न

प्रश्न. क्या अधिक पैरामीटर (वेट्स) हमेशा अधिक बुद्धिमान होते हैं?
उत्तर. "बड़ा अधिक बुद्धिमान था" कभी लगभग सार्वभौमिक रूप से सच था, लेकिन 2026 में यह इतना सरल नहीं। समान पैरामीटर संख्या पर भी, प्रदर्शन डेटा गुणवत्ता, पोस्ट-ट्रेनिंग, और आर्किटेक्चरल चतुराई के साथ बहुत भिन्न होता है। छोटे-पर-बुद्धिमान मॉडल (डिस्टिलेशन और कुशल डिज़ाइन के उत्पाद) कई गुना बढ़ गए हैं, और "पैरामीटर संख्या = बुद्धिमत्ता" अब टिकता नहीं। हम "कितने" से अधिक "कैसे प्रशिक्षित किया गया" के युग में प्रवेश कर चुके हैं।

प्रश्न. क्या एक LLM वास्तव में "समझता" है, या यह रटी हुई याददाश्त है?
उत्तर. विशेषज्ञ भी असहमत हैं — यह एक कठिन प्रश्न है। जो निश्चित है वह यह है कि "यह ऐसा सामान्यीकरण दिखाता है जिसे रटी याददाश्त समझा नहीं सकती" (यह उन समस्याओं को हल करता है जो इसकी ट्रेनिंग में नहीं थीं)। क्या वह "मनुष्यों जैसी ही अर्थ-समझ" है, यह एक अलग प्रश्न है जिसका कोई स्पष्ट उत्तर नहीं। व्यावहारिक रूप से, इसे "एक अत्यंत उन्नत पूर्वानुमान उपकरण जो ऐसे व्यवहार करता है मानो समझता हो" मानें। यही ठीक कारण है कि यह इतने आत्मविश्वास से गलती करता है (हैलुसिनेशन)।

प्रश्न. क्या मैं अपना खुद का LLM बना सकता हूं?
उत्तर. "फ्रंटियर-श्रेणी" एक व्यक्ति के लिए असंभव है (इसके लिए सैकड़ों मिलियन डॉलर और दसियों हज़ार GPU चाहिए)। लेकिन एक छोटा मॉडल प्रशिक्षित करना, या एक मौजूदा ओपन मॉडल को फाइन-ट्यून करना, व्यक्तियों के लिए भी संभव है। इसके अलावा, अधिकांश व्यावहारिक ज़रूरतें मौजूदा मॉडलों को API के माध्यम से उपयोग करके पूरी हो जाती हैं। "सब कुछ खुद बनाने" की लगभग कोई ज़रूरत नहीं है।

प्रश्न. क्या AI की बिजली खपत ग्रह के लिए एक गंभीर समस्या है?
उत्तर. यह एक तथ्य है कि पैमाना नज़रअंदाज़-न-किए-जा-सकने योग्य होता जा रहा है (डेटा-सेंटर बिजली दुनिया की लगभग 1.5% है, 2030 तक दोगुनी होने का अनुमान)। लेकिन दक्षता भी समानांतर में तीव्रता से आगे बढ़ रही है; "प्रति टोकन बिजली" साल-दर-साल गिर रही है। समस्या "एक क्वेरी की दक्षता" से कम बल्कि "कुल मात्रा × आवृत्ति की विस्फोटक वृद्धि" है। नवीकरणीय ऊर्जा, परमाणु, और समर्पित चिप्स इसे कितना भरपाई कर सकते हैं, यही भविष्य का फोकस है।

प्रश्न. आखिर में, एक उपयोगकर्ता के रूप में क्या जानना मूल्यवान है?
उत्तर. तीन बातें। (1) मॉडल एक "संभाव्यता पूर्वानुमानकर्ता" है, इसलिए यह आत्मविश्वासी लहजे में भी गलती करता है (महत्वपूर्ण जानकारी सत्यापित करें)। (2) भारी प्रश्न बिजली और पैसे में महंगे हैं, इसलिए कार्य के वजन के अनुसार मॉडल चुनें (हल्के काम हल्के मॉडल को)। (3) "शिखर प्रदर्शन" पैसे की लड़ाई है, लेकिन "व्यावहारिक प्रदर्शन" हर साल सस्ता और अधिक बिजली-कुशल होता है (मुफ्त/सस्ते मॉडलों के विकसित होने का इंतज़ार करना भी समझदारी है)। आप तंत्र को जितना अधिक जानते हैं, उतना ही सस्ते और चतुराई से AI का उपयोग कर सकते हैं।