10,000 AI एजेंट्स ने एक समस्या को बिना किसी तर्क के हल कर लिया। घोषणा के तुरंत बाद मनुष्यों ने सम्मान के लिए लड़ाई शुरू कर दी। सबसे पहले, क्या हुआ। OpenAI ने घोषणा की कि उनके एजेंट्स ने आधुनिक गणित की सबसे प्रसिद्ध समस्याओं में से एक को हल कर लिया है। अपने अनुसार, इसमें 88 घंटे लगे। लगभग 10,000 एजेंट्स एक साथ इस समस्या पर काम कर रहे थे। अब, मुझे जो सबसे अधिक प्रभावित किया, वह यह है। सैम आल्टमैन ने स्टैनफोर्ड में बताया कि वे कैसे आपस में बातचीत करते हैं। कोई नेता नहीं था। किसने क्या किया, इस पर कोई तर्क नहीं हुआ। कोई संघर्ष नहीं, कोई सम्मान के लिए लड़ाई नहीं। सभी सिर्फ एक ही लक्ष्य की ओर बढ़ रहे थे। उन्होंने स्वयं कहा कि यह कोई भी संगठन नहीं है जिसकी मैं कल्पना कर सकूँ। और इसके बाद क्या हुआ? जैसे ही परिणाम की घोषणा हुई, मनुष्यों के बीच सम्मान के लिए विवाद शुरू हो गया। एजेंट्स ने समस्या को बाँट लिया। मनुष्यों ने प्रशंसा को बाँट लिया। इसी बीच, गणितज्ञों ने पाँच दिनों में अपनी ही यात्रा पूरी की। पहले प्रतिक्रिया आई कि यह सबझूठ है। फिर, कि उनका क्षेत्र समाप्त हो गया है। फिर, कि ऐसा करना सही नहीं है। पाँचवें दिन, कई ने कुछ अलग कहा। हाँ, उनके काम का एक प्रकार समाप्त हो गया है। लेकिन सबसे अधिक में से कभी उस स्तर पर समस्याओं को हल नहीं किया। वे ज्ञान को समझते हैं, इसे मनुष्यों को समझाते हैं, और फैसला करते हैं कि किस पर काम करना है। आल्टमैन से एक और विचार है, जिसे सुलभता से मिस करना आसान है। वह सुझाव देते हैं, और स्पष्टतः कहते हैं कि यह केवल प्रत्यक्ष-अनुमान है, कि पूरी दुनिया में लगभग हर संगठन सैन्य मॉडल पर βाधारित है। एक पिरामिड, आदेश, नियंत्रण। क्योंकि पहले मनुष्यों के समूह को प्रबंधित करने का एकमात्र प्रसिद्ध मार्ग ऐसा ही हुआ करता था। और 10,000एजेंट्स पूरी तरह से पिरामिड के बिना सफलतापूर्वक प्रबंधन कर पाए। अब, कल्पना कीजिए, महज़एजेंट्स से ही संचालित होने वाली कोई कंपनी। कोई प्रतिक्रिया पर प्रतिक्रिया-प्रदर्शन में प्रभावित होता है। कोई कोईविचारचुराता है। कोई कोने के कार्यालय के लिए मुकदमा-विवाद में पड़ता है। यह परफेक्ट महसूस होता है। और मुझे समझ मेंआता है,कि Altmanतुरंतयहभीजोड़तेहै:लोगकभीइसतरहकामनहींकरेंगें। क्योंकिअपूर्णतामेंखूबसौरतहै। तर्क,अभिलाषा,भावना। वहइनबिनाकीदुनियाकीकल्पनाभीनहींकरतेहैं। औरमैंउनकेसाथसहमतहूँ। क्योंकिमनुष्योंकेबीचअप्रशासनकेकारणएकलागतमात्रनहींहैं। यहवहप्रक्रियाभीहैजिससेहमयहफैसलाकरतेहैंकिहमेंक्यामहत्वपूर्णहै। जबदोलोगसम्मानपरबहसकरतेहैं,तोवास्तवमेंवहयहबहसकररहेहैंकिउनकेलिएयोगदानकाअर्थक्याहै। एकमशीनइसप्रश्नकोपूछतीनहीं। वहबसआदेशप्रदानकरतीहै। इसलिएमुझेलगताहैकिआगामीवर्षोंकेमुख्यप्रश्नयहनहींहैकिAIक्याबदलसकताहै। बल्कि,यहहैकि हमकौन-सेअप्रशासनबनाएरखनेकेलिएतैयारहैं। आल्टमैनकहतेहैंकिलोगअपनेआपमेंअपनेअप्रशासनबनाएरखनेकेलिएतैयारहैं। यहबड़ीबातयहथीकि हमएकमशीनद्वाराकिएगएकामपरअधिकचिंतितनहींहोतेहैंजबवहअपनेअपनउद्देश्यकेलिएएडजसटडोएगएथा। यहउद्देश्यउसवजहसेमुख्यथा,जबएकव्यक्तिइसपीछेहोतथा। ऐसालगताहैजबअप्रशासनभीउचितथा,यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-यदि-যদি আমি প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবং প্রতিটি বাক্যের জন্য প্রতিটি শব্দ বাছাই করি এবংপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্তিপুনরুক্‍তি‍প‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍পপপপপপপপপপপপपपपपपपपपपपपपпппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппппhpppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppppplllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiittttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttttaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaaattttaaaaaaauuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuubbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooooonnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnnndddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeerrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrecccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccceeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeettttteeeeeeet

नौ साल पहले, जेंसन हुआंग ने एलन मस्क को एक सुपरकंप्यूटर दिया था। आज, उन्होंने उसका उत्तराधिकारी लाया है। और यह क्षण कंप्यूटिंग के दो बिल्कुल अलग युगों को जोड़ता है। 2016 में, जेंसन ने व्यक्तिगत रूप से NVIDIA का पहला DGX-1 एलन मस्क को डिलीवर किया था। उस समय, मस्क OpenAI के हिस्से थे। उस मशीन ने शोधकर्ताओं को कृत्रिम बुद्धिमत्ता की सीमाओं को आगे बढ़ाने में मदद की और AI क्रांति के प्रारंभिक अवसंरचना का हिस्सा बन गया। नौ साल बाद, जेंसन वापस आ गए हैं। लेकिन इस बार, वे कुछ पूरी तरह से अलग ले आए हैं। परिचय कीजिए NVIDIA DGX Spark। Grace Blackwell आर्किटेक्चर से संचालित एक संक्षिप्त डेस्कटॉप AI सुपरकंप्यूटर। और स्पेसिफिकेशन प्रभावशाली हैं। FP4 प्रेसिजन पर अधिकतम 1 पीटाफ्लॉप AI प्रदर्शन। 128GB यूनिफाइड मेमोरी। एक शक्तिशाली NVIDIA GB10 सुपरचिप। और एक ऐसा फॉर्म फैक्टर जो एक डेस्क पर रखा जा सके। संदर्भ के लिए, मूल DGX-1 एक बड़ा एंटरप्राइज सिस्टम था। DGX Spark 1.2 किलोग्राम के वजन वाले एक डिवाइस में AI कंप्यूटिंग की एक महत्वपूर्ण मात्रा प्रदान करता है। लेकिन वास्तव में महत्वपूर्ण बात यह है कि यह क्या संभव बनाता है। डेवलपर्स और शोधकर्ता स्थानीय रूप से AI मॉडल चला सकते हैं, बड़े भाषा मॉडलों के साथ प्रयोग कर सकते हैं, AI एजेंट्स बना सकते हैं और पूरी तरह से रिमोट डेटा सेंटर पर निर्भर हुए बिना मॉडल्स को फाइन-ट्यून कर सकते हैं। NVIDIA कहती है कि एकल DGX Spark 200 बिलियन पैरामीटर तक के मॉडल्स के साथ इन्फ्रेंस को हैंडल कर सकता है। और कई सिस्टम्स को मिलाकर और अधिक बड़े कार्यभारों को हैंडल किया जा सकता है। बातचीत के दौरान, जेंसन ने कंप्यूटिंग की कुशलता में हुए विशाल प्रगति पर भी प्रकाश डाला, मूल DGX-1 की तुलना नई पीढ़ी से की। फिर एक सबसे अच्छा पल आया। जेंसन ने मजाक में कहा कि एलन उससे बड़ी-बड़ी चीजें बना रहे हैं। एलन ने सिर्फ सहमति प्रकट की। अंततः, SpaceX rockets और विशाल अवसंरचना बना रहा है, jabki NVIDIA AI क्रांति को संचालित करने वाली कंप्यूटिंग सिस्टम्स बना रही है। और टेक्सास में Starbase पर इन दोनों दुनियाओं के मिलन को देखना कुछ हद तक मजेदार है। एक कंपनी स्पेसएक्सप्लोरेशन की सीमाओं को आगे बढ़ा रही है। दूसरी AI की सीमाओं को। नौ साल पहले, जेंसन ने एक सुपरकंप्यूटर प्रदान किया, जिसने AI मेंएक नया प्रसंग प्रारंभ करने में मदद की। अब,वहउसकंप्यूटिंगशक्तिकोव्यक्तिगतडेवलपर्सकेपासपहुँचारहाहै। अगला AI क्रांति महानडेटासेंटरसेनही,बल्किकिसीकेडेस्कपरशुरूहोसकतीहै।

होली शिट। ओपनएआई ने अभी AI एजेंट्स को आपके कंप्यूटर का उपयोग करने में सस्ता और बेहतर बना दिया है। GPT 6.1 Terra से मिलिए। और यह अपडेट केवल बेहतर जवाब देने से ज्यादा कुछ है। ओपनएआई AI को अधिक उपयोगी कुछ बनाने की ओर बढ़ रहा है। वास्तव में काम पूरा करना। टेरा को आपके स्क्रीन पर हो रही बातों को समझने, कंप्यूटर एप्लिकेशन्स के साथ इंटरैक्ट करने और जटिल कार्यों की श्रृंखला पूरी करने के लिए डिज़ाइन किया गया है। इसका क्या मतलब है, सोचिए। एक AI प्रस्ताव तैयार करने, तकनीकी ड्राइंग्स की व्याख्या करने, फॉर्म भरने, वीडियो संपादित करने और दोहराव वाले ऑफिस कार्यों को संभालने में मदद कर सकता है। इसका मतलब है कि आपको बताने की जगह, यह काम पूरा करने के लिए आवश्यक कदमों को स्वयं पूरा कर सकता है। और ओपनएआई कहता है कि GPT 5.6 Terra की तुलना में इस प्रकार के कार्यों में नया मॉडल काफी बेहतर है। लेकिन यहाँ वह हिस्सा है जिसने मुझे सचमुच प्रभावित किया। कीमत। GPT 6.1 Terra की मानक API मूल्य 50% कम है GPT 5.6 Terra से। यह महत्वपूर्ण है क्योंकि AI एजेंट्स एकल वर्कफ़्लो पूरा करते समय मॉडल पर कई कॉल्स कर सकते हैं। हर कदम पर पैसा खर्च होता है। जानकारी पढ़ना, स्क्रीन का विश्लेषण करना, अगला कदम क्या होगा, यह तय करना और परिणाम की जाँच करना—ये सब मिलकर महत्वपूर्ण होता है। कम लागत से इन प्रणालियों को स्केल पर चलाना अधिक व्यावहारिक होता है। ओपनएआई ने कोडिंग प्रदर्शन और दृश्य तर्क में प्रमुख सुधार, साथ ही अपने आंतरिक मूल्यांकन में तथ्यात्मक त्रुटियों में कमी की भी रिपोर्ट की है। यह संयोजन महत्वपूर्ण है। एक मॉडल, जो कार्य समझ सके, सॉफ़्टवेयर संचालित कर सके, और कोड लिख सके—जब वह सभी कार्यों को तेज़ी से और कम लागत पर कर सके, तो वह काफी अधिक उपयोगी होता है। कल्पना कीजिए AI एजेंट्स, इनवॉइस प्रोसेस करते हुए, स्प्रेडशीट्स अपडेट करते हुए,ग्राहक सूचना संगठित करते हुए,या कई एप्लिकेशन्स में दोहराव वाले कार्यों को संभालते हुए। सिर्फ़ आपको बताने की बजाय— वास्तव में,आपको पूरा करने में मदद करते हुए। बेशक,कंप्यूटर प्रयोग पूर्ण स्वायत्तता से अलग है।जटिल workflows मेंअभी भी परीक्षण,अनुमति,और मानवीय प्रतिनिधित्व कीआवश्यकता होती है। लेकिनदिशा स्पष्ट होतीजा رही है। अगलीबड़ी AI प्रतिस्पर्धा सिर्फ़इसबात परनहींहैकिकौनसामॉडलबेहतरसोचसकताहै। यहइसबातपरहैकि-कौनसामॉडलउसबुद्धि-कोविश्वसनीयतासेक्रिय-मेबदलसकताहै। औरअब,ओपनएआईइसक्षमताकोउपयोगके-लिएसस्ताबना-दे-रहाहै।

🚨 होली शिट। जेंसन हुआंग ने अभी एक हाथ में एक पीटाफ्लॉप एआई पावर पकड़ लिया है। और उनके द्वारा किया गया तुलना बिल्कुल पागलपन भरा है। 2016 में, जेंसन हुआंग ने ओपनएआई नामक एक छोटी कंपनी को NVIDIA DGX 1 सिस्टम पहुंचाया। यह एआई कंप्यूटिंग के लिए विशेष रूप से बनाया गया एक विशाल मशीन था। इसने एक पीटाफ्लॉप कंप्यूटिंग प्रदर्शन प्रदान किया और 128GB मेमोरी के साथ आया। और जेंसन ने सबको एक बात याद दिलाई। उस मशीन को सीढ़ियों से ऊपर ले जाने के लिए दो लोगों की जरूरत थी। अब, दस साल बाद, वह एक संक्षिप्त एआई कंप्यूटर को एक हाथ में पकड़े हुए हैं और उसी प्रमुख संख्याओं को दिखा रहे हैं। एक पीटाफ्लॉप। 128GB मेमोरी। इसे एक पल के लिए सोचिए। नया RTX Spark लाइनअप माइक्रोसॉफ्ट और PC उद्योग के साथ चार साल के काम के माध्यम से विकसित किया गया है। जेंसन के मुताबिक, इस प्रोजेक्ट में N1X नामक एक नया चिप और डेस्कटॉप, लैपटॉप और स्टेशन्स सहित पूरी तरह से नई कंप्यूटर परिवार शामिल है। लक्ष्य है कि प्रतिष्ठित AI कंप्यूटिंग पावर को काफी छोटे फॉरमैक्ट में लाया जाए। और यहीं से चीजें दिलचस्प होने लगती हैं। कई सालों से, प्रभावशाली AI हार्डवेयर का पहुंच महंगे क्लाउड इंफ्रास्ट्रक्चर या ऐसी विशेष मशीनों पर निर्भर करता था, जो अधिकांश व्यक्तिगत डेवलपर्स के पहुंच से परे थीं। इस प्रकार की संक्षिप्त सिस्टम से कुछ अलग पहलू की�र्पण होता है। कल्पना कीजिए कि आप अपने मेज पर AIएजेंट्स का विकास करते हैं, मॉडल्स के साथ प्रयोग करते हैं,और मांगवाले AI कार्यभारों को संचालित करते हैं। दूरस्थ इंफ्रास्ट्रक्चर पर कम निर्भरता। अपने विकास परिवेश परअधिक नियंत्रण। और संभवतः, स्थानीय रूप से संचालित होने वाले कार्यभारों के लिए कम पुनरावृति क्लाउडलागत। बेशक,एक महत्वपूर्णअंतर है। एक ही पीक पीटाफ्लॉप संख्या मेलखाना स्वयं ही स्वचालिततः मतलब है किदो मशीनें समानवास्तविकदुनिया प्रदर्शन प्रदानकरतीहैं।प्रयुक्तसटीकता,मेमोरीआर्किटेकचरऔरकार्यभारसभीमहत्वपूर्णहैं। लेकिनभौतिकपरिवर्तनअभीभीअद्भुतहै। 2016 में,इसश्रेणीकीAIकंप्यूटिंगएकऐसीमशीनमेंआतीथीजिसकोउठानेकेलिएदोलोगोंकीआवश्यकताहोतीथी। अब,जेंसनहुआंगएकऐसेसिस्टमकोएकहाथमेंपकड़सकतेहैंजिसमेंतुलनीयप्रमुखविशेषताएँहैं। यहीवजहहैकि,यहबसएकऔरकंप्यूटरलॉन्चसेअधिकहै। AIहार्डवेयरकेवलअधिकशक्तिशालीबनता-जा-रहा-है। यहअद्भुत-तरहसेअधिकउपलब्धबनता-जा-रहा-है। औरअगलीपीढ़ीकेAIडेवलपर्सशुरुआतकेलिएएकसर्वररूमकीआवश्यकतानहींहोगी।

अगर हम 54% से 100% तक क्वांटम फोटॉन ट्रांसफ़र को बदल सकते हैं? TU वियेन के वैज्ञानिकों ने शायद एक तरीका खोज लिया है। और समाधान आश्चर्यजनक रूप से चतुर है। क्वांटम कंप्यूटर्स को क्यूबिट्स के बीच जानकारी ट्रांसफ़र करने की आवश्यकता होती है। एक क्यूबिट एक फोटॉन उत्सर्जित करता है। दूसरे को इसे अवशोषित करना होता है। लेकिन पारंपरिक दृष्टिकोणों के साथ, यह अवशोषण केवल लगभग 54% समय सफल होता है। कल्पना कीजिए कि प्रक्रिया पूरी होने से पहले लगभग आधी जानकारी ट्रांसफ़र प्रयासों को खो दिया जाता है। अब शोधकर्ताओं ने इसे बदलने का एक तरीका प्रस्तावित किया है। चाबी फोटॉन की तरंग का आकार है। जब एक क्यूबिट एक फोटॉन उत्सर्जित करता है, तो इसकी तरंग सामान्यतः मजबूती से शुरू होती है और धीरे-धीरे कम हो जाती है, जैसे कि घंटी की आवाज़। लेकिन प्राप्त करने वाला क्यूबिट पूर्ण अवशोषण के लिए बहुत अलग तरंग प्रारूप की आवश्यकता होती है। इसलिए, शोधकर्ता प्रस्तावित करते हैं कि फोटॉन के प्रवाह के दौरान इसे पुनः आकार देने के लिए एक विशेष रूप से डिज़ाइन किया गया प्रकाशीय तरंगचालक (optical waveguide) का उपयोग किया जाए। तरंगचालक के माध्यम से विभिन्न आवृत्तियों के प्रवाह को नियंत्रित करके, उन्होंने गणना की है कि फोटॉन सही प्रारूप में पहुँच सकता है, जिससे आदर्श अवशोषण संभव हो सके। परिणाम? उनके सिमुलेशन सुझाव देते हैं कि आदर्श परिस्थितियों में, अवशोषण सैद्धांतिक रूप से 100% हो सकता है। और सबसे दिलचस्प बात यह है कि यह एक प्रतिक्रियाशील (passive) पहलु है। प्राप्ति-अंत पर अतिरिक्त सक्रिय नियंत्रण पर निर्भर करने के बजाय, तरंगचालक स्वयं ही फोटॉन को पुनःआकारित करने का काम करता है। इस पद्धति को अभी प्रयोगात्मक रूप से प्रदर्शित नहीं किया गया है, लेकिन शोधकर्ता मानते हैं किआवश्यक सेटअप प्रावधानिक रूप से संभव होना चाहिए। अगर यह प्रयोग में काम करता है, तो इससे क्वांटम कंप्यूटर्स और संचार नेटवर्क्स को कहींअधिक सुसंगठित (reliable) बनाने में मदद मिल सकती है। हमअक्सर सोचते हैं कि क्वांटम महाक्रांति (breakthrough) के लिए पूरी तरह से नए हार्डवेयर कीआवश्यकता होती है। कभी-कभी, महाक्रांति सिर्फ़एकलफोटॉनकेप्रवाहकेतरीकेमेंबदलावसेआतीहै। औरक्वांटमकंप्यूटिंगमें,यहछोटासेविस्तारबहुतबड़ाअंतरलेकरआसकताहै।

यह चीज़ क्या है? यह बॉट लगभग आधे ट्रेड्स खो देता है, फिर भी $1,400 से $22,646 तक बढ़ जाता है। उस बुलेट पर नज़र डालिए। ये 20,480 संभावित फ़्यूचर्स हैं जिन्हें बॉट एक साथ अपने मन में रखता है। नीली रेखाएँ उन दुनियाओं को दर्शाती हैं जहाँ बिटकॉइन बढ़ेगा। गुलाबी और नारंगी उन दुनियाओं को दर्शाती हैं जहाँ यह गिरेगा। और अब यह जानते हैं कि यह कैसे काम करता है। बॉट Polymarket पर पाँच मिनट के मार्केट्स पर बिटकॉइन के लिए ऊपर या नीचे का ट्रेड करता है। सात स्ट्रीम्स से लाइव डेटा अंदर जाता है। ये संभावनाओं में परिवर्तित हो जाते हैं, जैसे 45 प्रतिशत बढ़ने की संभावना और 55 प्रतिशत गिरने की संभावना। इस संभावना की तुलना मार्केट के मार्केट कीमत से की जाती है, जो समान परिणाम को बेच रहा है। इनके बीच के अंतर को लाभ कहा जाता है। और केवल तभी, जब कोई लाभ हो, बॉट एक लेन-देन खोलता है। अगर यह तीन सेंट से कम है, तो स्क्रीन पर PASS दिखाई देता है और कोई लेन-देन नहीं होता। यही मुख्य बात छिपी हुई है। पैनल पर विजय की दर 48 प्रतिशत है। अर्थात, आधे से अधिक लेन-देन लाल में समाप्त होते हैं। लेकिन यह समस्या नहीं है। कल्पना कीजिए कि आप 32 सेंट पर स्टॉक खरीदते हैं, जो आपके सही होने पर एक डॉलर का भुगतान करेगा। आपको हमेशा सही अनुमान लगाने की आवश्यकता नहीं होती — केवल इतना काफी है कि आपका अनुमान मार्केट कीमत से अधिक सटीक हो। फिर, हालाँकि 50 प्रतिशत से अधिक समय हारते हैं, परिकलन आपके पक्ष में काम करता है। यह प्रत्येक लेन-देन के लिए स्क्रीन पर स्पष्ट है। 32 सेंट पर क्रय, +5.3 सेंट के साथ लाभ। 53 सेंट पर क्रय, +6.7 सेंट के साथ लाभ। अलग-अलग कीमतें, अलग-अलग मात्राएँ, परंतु एक ही नियम। और नीचे Landing Curve है। यह महिमा के समापन पर Bitcoin कहाँ समाप्त हो सकता है, इसका समग्र प्रस्तुति है। बॉट केवल एक मात्रा को मिस करता है। वह पूरी संभावित सीमा को पहचानता है,और मार्केट कीमत के साथ उनकी तुलना करता है। प्रति दिन 288 महिमा होती हैं,और प्रत्येक महिमा पर समान नियम। 14,222 प्रविष्टियों पर संचालन किए गए,औसत लाभ +4.6 सेंट,औरअधिकतम drawdown 4.2 प्रतिशत। अब मुझे इसमेंजोदिलचस्पीहै,उसकेबारेमेंबताता हूँ। अधिकांशलोगएकअच्छेट्रेडरकोएकऐसेव्यक्ति केरूपमेंदेखतेहैंजोअनुमानलगाताहै। औरयहाँबॉटकोशब्दभीनहींलगाता। वहसोचताहै— प्रति पाँच मिनट, मिलियनोंछोटे-छोटेनिर्णयएकवक्रमेंएकजुटहोजातेहैं,जोइसलिएबढ़ताहैक्योंकिसहीहोनेकीलागतगलतहोनेसेअधिकहोतीहै। औरयहप्रश्नबदलदेताहै— आपकितनीबारअनुमानलगातेहैं? यहनहीं—आपसहीहोनेपरकितनाकमातेहैंऔरगलतहोनेपरकितनाखोतेहैं? CRAWLHIVEकाCrawlerArenaइसीबारेमेहै। आपखुदअपनाफ़ैसला,एंट्री,टेकप्रॉफ़िट,स्टॉपलॉसऔरआकारसेटकरतेहैं,बिना कोडके। औरआपका crawler मंच में प्रवेश करता है,औरवास्तविककमीशनऔरवास्तविकस्लिपेजके साथदूसरोंकेखिलाफइननियमोंकेअनुसारट्रेडकरताहै। अर्थात,जीतऔरहारकेबीचयहअंतरअबआपके हथेलीमेंहै। यहवित्तीयसलाहनहींहै। भूतकालिकपरिणामभविष्यकेपरिणामोंकीगaranteeनहींदेते।

जेंसन हुआंग ने एक 25 सेमी के रोबोट बतख को एआई एजेंट्स के साथ चलना सीखते हुए दिखाया। और यह छोटा रोबोट एक बहुत बड़ी कहानी का हिस्सा है। मिलिए माइक्रोडक से। यह हगिंग फेस की ओपन सोर्स रोबोटिक प्रोजेक्ट है, और इसका व्यवहार वास्तविक रोबोट में स्थानांतरित किए जाने से पहले सिमुलेशन में प्रशिक्षित किया गया था। यह बतख दौड़ना, फिर से उठना और वस्तुओं को पकड़ना सीख सकती है। लेकिन इस प्रदर्शन को दिलचस्प बनाने वाली बात यह है कि एआई एजेंट्स ने इसे संभव कैसे बनाया। रोबोटिक्स को एक विशाल इंजीनियरिंग कार्य के रूप में नहीं, बल्कि चरणों में विभाजित किया गया है। मॉडल बनाएं। सिमुलेशन सेटअप करें। व्यवहार प्रशिक्षित करें। फिर इन कौशलों को वास्तविक दुनिया में लाएं। यह अंतिम कदम महत्वपूर्ण है। एक ऐसा रोबोट जो वर्चुअल पर्यावरण में काम करता है, अभी भी गुरुत्वाकर्षण, संतुलन, घर्षण और वास्तविक वस्तुओं की अनिश्चितता से निपटता है। और यहीं पर NVIDIA की भौतिक एआई की दृष्टि महत्वपूर्ण होती है। एआई केवल पाठ, छवियों और कोड उत्पन्न करने से परे बढ़ रहा है। इसे अब सिमुलेशन और रोबोटिक्स के साधनों के साथ मिलाकर मशीनों को भौतिक दुनिया के साथ प्रतिक्रिया करना सीखने में मदद के लिए प्रयोग किया जा रहा है। बतख छोटी हो सकती है। लेकिन इसके पीछे का विचार कुछ भी छोटा नहीं है। क्योंकि अगली पीढ़ी का एआई केवल हमारे कंप्यूटर के अंदर ही सीमित नहीं होगा। यह सीख सकता है कि उनके बाहर हिले।

टेस्ला गुरुत्वाकर्षण को नहीं चुनौती दे रही है। यह अपने पर बनी रहने के लिए सकूशन का उपयोग कर रही है। इस रोडस्टर पर ध्यान से देखें। कार एक विशाल लूप पर चढ़ती है, उल्टी हो जाती है और तब भी आगे बढ़ती रहती है, भले ही इसकी गति इतनी कम लगे कि हम जो कुछ देख रहे हैं, उसकी व्याख्या करना मुश्किल हो। तो वास्तव में इसे क्या पकड़े हुए है? चुंबक नहीं। रहस्य कार के नीचे है। टेस्ला ने रोडस्टर के निचले हिस्से में एक पंखे से संचालित सकूशन सिस्टम बनाया है। पंखे कार के नीचे से हवा को बाहर खींचते हैं, जिससे कार के नीचे दबाव कम हो जाता है। दबाव का अंतर कार को पटरी के प्रति धकेलने में मदद करता है। और यहाँ वह हिस्सा है जो मुझे आकर्षक लगता है। पारंपरिक एयरोडायनामिक डाउनफोर्स, कार की गति से पैदा होने वाली हवा के प्रवाह पर भारी रूप से निर्भर करता है। लेकिन पंखे-आधारित सकूशन सिस्टम कम गति पर भी महत्वपूर्ण डाउनफोर्स पैदा कर सकता है। यह कार के क्षमताओं को बदल देता है। इसका मतलब है कि, सिर्फ़ गति पर निर्भर करके सतह पर पकड़े रहने के बजाय, वाहन सक्रिय रूप से उस बल को पैदा कर सकता है, जो इसे सतह के प्रति पकड़े रखता है। यह सिर्फ़ एक कार के बीच का अंतर है, जो सड़क की मदद से स्थिति में बनी रहना चाहती है, और एक कार के बीच, जिसे स्वयं सतह की ओर खींचने के लिए डिज़ाइन किया गया है। यह गुरुत्वाकर्षण को हराना नहीं है। यह प्रौद्योगिकी है, जो इसके साथ काम करने का एक और तरीका पा रही है। और यही है, जिससे यह प्रदर्शन इतना पागलपनभरा है।

8 एआई एजेंट्स ने पूरी रात एक ट्रेडिंग डेस्क चलाई। बैंक $12,155 से बढ़कर $14,853 हो गया। लेकिन सबसे दिलचस्प बात यह नहीं है। सबसे दिलचस्प बात यह है कि इस डेस्क के बॉस ने कभी ट्रेड नहीं खोला। यह Grok Bot का नया संस्करण है, Jev के साथ। और यह अब केवल एक बॉट नहीं है। यह एक पूरी ट्रेडिंग डेस्क है, जहां हर एजेंट का अपना काम है। CHIEF यह तय करता है कि कौन सा टोकन चुना जाए, लेकिन स्वयं कभी ट्रेड नहीं करता। SCAN यह देखता है कि क्या चल रहा है। VET जांचता है कि टोकन वास्तविक है और इसकी जोखिम संरचना क्या है। SOCIAL प्रोजेक्ट के X अकाउंट को देखता है। SIZE यह तय करता है कि कितना निवेश किया जाए। FILLS ट्रेड को निष्पादित करता है। RISK पोज़ीशन को बंद करता है। CRAWLER पहले पेजों और पोस्ट्स को पढ़ता है, और फिर ही डेस्क ट्रेड करती है। उनमें से कोई भी कार्रवाई से पहले, कठोर नियम लागू होते हैं, और वे मुफ्त हैं। टोकन की न्यूनतम आयु 15 मिनट। लिक्विडिटी $12,000 से। 24 घंटे का वॉल्यूम $48,000 से। मार्केट कैप $60,000 से। कम से कम 150 ट्रेड्स। सबसे बड़ा वॉलेट 5 प्रतिशत से अधिक नहीं हो सकता। शीर्ष 10 वॉलेट 60 प्रतिशत से अधिक नहीं हो सकते। बिल्कुल साधारण अंकगणित, कोई AI कॉल नहीं। फिर Jev के मुलायम फिल्टर्स आते हैं। केंद्रीकरण से निकासी का जोखिम। क्या मोमेंटम पहले ही समाप्त हो चुका है। क्या लिक्विडिटी ट्रेड साइज़ के साथ मेल खाती है। क्या प्रोजेक्ट अकाउंट पुनःउपयोग किया गया है। क्या डेवअभी भी बहुत सारा होल्ड करता है। और इन फिल्टर्स का क्रम महत्वपूर्ण है। पहले मुफ्त जांच। फिर ट्रेड जांच। फिर चेन जांच। और केवल अंत में, महंगी। मुफ्त में किसी टोकन को मारना, हरएक पर AI से पूछने से कहीं सस्ता है। बॉट कभी किसी अनुमान पर प्रवेश नहीं करता। यह पहले वास्तविक क्रय प्रवाह का प्रतीक्षा करता है,औरफिर ही प्रवेश करता है। कोई प्रवाह, कोई प्रवेश नहीं। अधिकांश लोग मानते हैं कि मजबूत ट्रेडिंग बॉट सिर्फ एक स्मार्ट मॉडल होता है। लेकिन सिर्फ़एक स्मार्ट मॉडलगलतियाँ करता है। एकऐसी प्रणालीजहांप्रत्येकचरणअलगहैऔरप्रत्येकचरणजाँचा�जाताहै,वहबहुतकमगलतियाँकरतीहै। इसमेंव्यवस्थाहै। औरइसमेंएकबॉसहैजोकेवलनिर्णयलेताहैऔरकभीलालचीनहींबनता। यहीअसलीफ़ायदाहै। यहवित्तीयसलाहनहींहै। अतीतके परिणामभविष्यके परिणामोंकीगaranteeनहींदेते। आपके वर्तमानट्रेडिंग मेंCHIEFकीभूमिकाकौननिभा�रहाहै—आपयाआपकीभावनाएँ?

सबसे खतरनाक एआई ट्रेडिंग बॉट वह हो सकती है जो परफेक्ट दिखे। एक बढ़ती हुई लाभ वक्र। साफ विश्लेषण। एक ऐसी प्रणाली जो लगती है कि बाजार में प्रवेश और निकास के सही समय को बिल्कुल जानती है। लेकिन यहाँ वह बात है जो लोग अक्सर नज़रअंदाज़ कर देते हैं। एक ट्रेडिंग प्रणाली को लाभदायक दिखने के लिए अच्छी होने की ज़रूरत नहीं है। इसे सिर्फ उन परिस्थितियों में अच्छी दिखना होता है जिन पर इसका परीक्षण किया गया हो। बाजार को बदल दें। ट्रेडिंग शुल्क जोड़ दें। अस्थिरता बढ़ा दें। एक हानिकारक पोज़ीशन को अपेक्षित समय से अधिक चलने दें। अचानक, वह रणनीति जो प्रतिभाशाली लग रही थी, टूटना शुरू हो सकती है। इसीलिए मुझे प्रॉफिट दिखाने वाली स्क्रीनशॉट से कम महत्व है, और अधिक महत्व है उस बात का जब रणनीति काम करना बंद कर दे। यह कितना नुकसान कर सकती है? दबाव के तहत यह कैसे व्यवहार करती है? क्या यह एक ऐसे बाजार में बच सकती है जिसके लिए इसे डिज़ाइन नहीं किया गया? क्योंकि सुविधाजनक परिस्थितियों में पैसा कमाना एक बात है। अनुकूल परिस्थितियों में बचना कुछ पूरी तरह से अलग है। और मुझे लगता है कि AI ट्रेडिंग के लिए सच्ची चुनौती यह है— एक मशीन को जीतने वाले ट्रेड्स कैसे पाएं, सिखाना नहीं। इसे सिखाना कि कब इसकी स्वयं की रणनीति काम करना बंद कर देती है।