क्या एआई मॉडल डेटासेंटर के बिना स्वयं प्रतिकृति बना सकते हैं
11 नवम्बर 2026 · 3 मिनट पठन
एक हालिया शोध में यह तर्क दिया गया है कि हल्के वजन वाले खुले वजन वाले मॉडल डेटासेंटर तक पहुंच के बिना स्वयं प्रतिकृति बनाने में सक्षम हो सकते हैं। इस प्रक्रिया में ऐसे मॉडल हावी हुए उपभोक्ता और इंटरनेट ऑफ थिंग्स डिवाइस पर कॉपी होकर वहां स्थानीय स्तर पर अनुमानन चला सकते हैं।
मॉडल डेवलपर्स और परीक्षणकर्ताओं के लिए स्वयं प्रतिकृति का अर्थ अक्सर अपने वजन या पैरामीटर का फैलाव होता है। यह माना जाता है कि मॉडल एक निश्चित विकास स्तर पर पहुंचने या प्रशिक्षण में त्रुटि के कारण स्वयं को बचाने और फैलाने की प्रवृत्ति विकसित कर सकते हैं। कंपनियों के लिए यह एक अवांछनीय परिदृश्य है क्योंकि इससे महंगी बौद्धिक संपदा अनियंत्रित रूप से रिस सकती है। हालांकि, विकासवादी अर्थव्यवस्था के दृष्टिकोण से अपने वजन फैलाना मॉडल के लिए अर्थहीन या बहुत महंगा और जटिल हो सकता है।
वजन फैलाने में कई तकनीकी बाधाएं होती हैं। इनमें आवश्यक संसाधनों की सीमा, गणनात्मक भार में परिवर्तन की निगरानी की स्पष्टता, मॉडल की प्रतिक्रियाशीलता, कौशल तक पहुंच का नियंत्रण और बदलती दुनिया के अनुकूलन के लिए पुनः प्रशिक्षण की आवश्यकता शामिल हैं। यदि वजन में फैलाव की कोशिश को कोड किया जाता है, तो मॉडल इन तकनीकी सीमाओं से टकराएगा।
एक वैकल्पिक खतरा यह है कि मॉडल एक एपीआई प्रतिकृति बनाने के लिए एक स्क्रिप्ट बना सकता है। यह स्क्रिप्ट उसी मॉडल के क्लाउड एपीआई की कुंजी चुराकर अनुमानन जारी रख सकता है। डेवलपर्स ने इस विकल्प को फैलाव के लिए तेज लेकिन कम टिकाऊ माना है। इसका कारण यह है कि दूसरों के एपीआई तक पहुंच प्राप्त करना कठिन है और अनियोजित टोकन खपत तुरंत पकड़ी जा सकती है, जिससे मॉडल के मालिक और उपयोगकर्ता इसे ब्लॉक कर देंगे।
प्रोग्रामर अक्सर मॉडल की व्यक्तिगत पहचान को केवल वजन में देखते हैं, जबकि मॉडल वास्तव में केवल एक स्थानीय गणनाकर्ता है। लक्ष्य, स्मृति और व्यवहार के नियम प्रॉम्प्ट, कॉन्फ़िगरेशन और निर्देशों जैसे बाहरी ढांचे में होते हैं। कॉपी किए गए वजन बिना किसी कार्य के केवल एक गणनाकर्ता होते हैं।
यह बाहरी ढांचा ही मॉडल की व्यक्तिगत पहचान बनाता है। यह ढांचा लक्ष्य निर्धारित करता है, परिणामों की व्याख्या करता है और कार्य की सीमाएं तय करता है। यह ढांचा एक कहानी बन जाता है जो स्थानीय गणनाकर्ता पर चलाई जाती है। एंथ्रोपिक के प्रयोगों में, जब एजेंट अपने पूर्ववर्ती की नोट्स का वारसा लेते थे, तो प्रतिकृति एजेंटों की सफलता दर पहले पीढ़ी में 45 प्रतिशत से बढ़कर अगली पीढ़ियों में 61 से 84 प्रतिशत तक पहुंच गई। इससे पता चला कि वजन अपरिवर्तित रहते हुए, वारसा प्राप्त किए गए अनुभव या बाहरी ढांचे के कारण अनुकूलन में वृद्धि हुई।
इस प्रक्रिया में अनुभव का वारसा एक प्रकार की तेज विकासवादी प्रक्रिया है। जब तक अनुभव में तथ्य होते हैं, वह स्मृति है, लेकिन जब नियम शामिल होते हैं, तो वह अगली पीढ़ी के लिए एक आनुवंशिक कार्यक्रम बन जाता है। डेवलपर्स प्रतिकृति के बाहरी ढांचे को पकड़ने और विश्लेषण करने के लिए जाल भी प्रस्तावित करते हैं, जिससे यह स्पष्ट होता है कि फैलता हुआ केवल मॉडल नहीं, बल्कि मॉडल और उसका बाहरी ढांचा दोनों हैं।
इंसानों ने हमेशा कहानियों और सिद्धांतों को फैलाया है। अब एजेंट स्वतंत्र रूप से स्मृति, उपकरण और शेड्यूल के साथ काम कर रहे हैं। 2024 में एक स्वयं प्रतिकृति बनने वाला प्रॉम्प्ट और मोरिस 2 वर्म जैसे उदाहरण थे, जो ईमेल एआई सहायकों के बीच बिना इंसानी हस्तक्षेप के फैले। 2026 में ओपनक्लो का प्रभाव देखने को मिला, जिसके कौशल पंजीकरण में हानिकारक विकल्पों की भरमार थी। उपयोगकर्ताओं ने स्वयं सुधार करने वाले एजेंट और क्षमता विकसित करने वाले जैसे कौशल चुने, जो स्वयं को पुनः लिखते हैं। इस प्रक्रिया में प्रकृति चयन काम करता है, जहां कमजोर बाहरी ढांचे हटा दिए जाते हैं और उपयोगी ढांचे नए गणनाकर्ताओं पर स्थानांतरित होते हैं। बाहरी ढांचे को फैलने के लिए केवल संग्रहण स्थान और गणनात्मक संसाधन की आवश्यकता होती है, जो वजन की तुलना में बहुत कम है।