હવે દરેક એન્ટરપ્રાઇઝ બોર્ડ ડેકમાં AI નો આદેશ હોય તેવું લાગે છે. કંપનીઓ ગ્રાહકોના રેકોર્ડ્સ, આંતરિક વ્યૂહરચનાના દસ્તાવેજો અને પ્રોપ્રાઇટરી એનાલિટિક્સને લાર્જ લેંગ્વેજ મોડલ્સમાં એવી ઝડપે નાખી રહી છે જે માત્ર ત્રણ વર્ષ પહેલાં બેદરકાર લાગે. આમાંથી મોટાભાગનો ટ્રાફિક ક્લોઝ્ડ-સોર્સ સિસ્ટમ્સમાં જાય છે. તેઓ અનુકૂળ, શક્તિશાળી છે અને અન્ય કોઈ દ્વારા હોસ્ટ કરવામાં આવે છે. Mistral AI ના સ્થાપક આર્થર મેન્શ (Arthur Mensch) માને છે કે આ સુવિધામાં એક છુપો ટેક્સ (tax) છુપાયેલો છે જે કોઈપણ સબ્સ્ક્રિપ્શન ફી કરતા પણ વધી શકે છે.
મેન્શ એક ચોક્કસ જોખમ વિશે સ્પષ્ટપણે બોલી રહ્યા છે: જ્યારે તમે તમારા વ્યવસાયને પ્રોપ્રાઇટરી મોડલ દ્વારા ચલાવો છો, ત્યારે તમે માત્ર કમ્પ્યુટિંગ પાવર ભાડે નથી લઈ રહ્યા. તમે તેને બનાવનાર લેબને તમારા કામગીરીનો વિગતવાર નકશો સોંપી રહ્યા છો. આ પ્રદાતાઓ તેમની સિસ્ટમ્સને વધુ સચોટ બનાવવા માટે ગ્રાહકોના ઇન્ટરેક્શન ડેટાનું વિશાળ પ્રમાણ સંગ્રહિત કરે છે. સમય જતાં, તે ડેટા પેટર્ન પ્રગટ કરે છે. તેઓ જુએ છે કે તમે ઉત્પાદનોના ભાવ કેવી રીતે નક્કી કરો છો, પ્રેક્ષકોનું વર્ગીકરણ કેવી રીતે કરો છો, જોખમોને કેવી રીતે ઓળખો છો અને તકોને કેવી રીતે શોધો છો. મેન્શ ચેતવણી આપે છે કે કેટલીક લેબ્સે આ બુદ્ધિનો ઉપયોગ કરીને તેમના પોતાના ગ્રાહકોને ટાર્ગેટ કરવાની ઈચ્છા પહેલેથી જ દર્શાવી છે, અને જ્યાં નફો હોય તે બરાબર સમજાઈ જાય પછી તેઓ બજારમાં પ્રવેશ કરે છે.
તેમની સલાહ સ્પષ્ટ છે. "જો તે તમારા હાથમાં નથી, તો તે તમારી વૃદ્ધિ (growth) નહીં હોય." તેઓ જે ઉપાય આપે છે તે છે સાર્વભૌમત્વ (sovereignty): ડેટાને ઓપન સિસ્ટમ્સમાં ખસેડવો, કડક એક્સેસ નિયમો લાગુ કરવા અને પ્રોપ્રાઇટરી ટ્રેનિંગ પાઇપલાઇન્સમાં રોકાણ કરવું. આ કોઈ ભ્રામક કલ્પના નથી. તે જ્ઞાન (cognition) પર લાગુ કરવામાં આવેલી સપ્લાય-ચેઇન સુરક્ષા છે. તમે તમારા સપ્લાયરને તમારી ફેક્ટરીના બ્લુપ્રિન્ટ્સ નહીં આપો. મેન્શ દલીલ કરે છે કે તમારે તમારા AI પ્રદાતાને તમારી સંસ્થાકીય પદ્ધતિ (institutional playbook) સમાન માહિતી આપવી જોઈએ નહીં.
મોડલ વેઇટ્સ (Model Weights) શા માટે તમારી કોર્પોરેટ મેમરી છે
આ વિચાર ટેક ઇન્ડસ્ટ્રીના એક અણધાર્યા ખૂણેથી ટેકો મેળવે છે. Palantir ના CEO એલેક્સ કાર્પ (Alex Karp), આ મુદ્દાને એક એવા વાક્ય સાથે રજૂ કરે છે જે સંરક્ષણ અને નાણાકીય ક્ષેત્રોમાં પહેલેથી જ ચર્ચામાં છે: "તમારા વેઇટ્સને નિયંત્રિત કરવું એટલે તમારા ભાગ્યને નિયંત્રિત કરવું."
આ શા માટે મહત્વનું છે તે સમજવા માટે, મોડલ વેઇટ્સ ખરેખર શું દર્શાવે છે તેના વિશે વિચારવું મદદરૂપ થશે. મશીન લર્નિંગમાં, વેઇટ્સ એ અબજો ટ્યુન કરેલા પેરામીટર્સ છે જે કાચા ડેટાને ઉપયોગી અનુમાનમાં ફેરવે છે. જ્યારે તમે તમારા પોતાના ડેટા પર મોડલને ટ્રેન અથવા ફાઇન-ટ્યુન કરો છો—તમારા ગ્રાહકોના જતી રહેવાનો ઇતિહાસ (customer churn history), તમારા ડાયગ્નોસ્ટિક ઈમેજીસ, તમારા લોજિસ્ટિક્સ ઓપ્ટિમાઇઝેશન કેસો—તે જ્ઞાન વેઇટ્સમાં સંકુચિત (compress) થઈ જાય છે. તેઓ એક પ્રકારની કોર્પોરેટ મેમરી બની જાય છે, જે વર્ષોના અનુભવથી મેળવેલા નિર્ણયો અને કુશળતાને એન્કોડ કરે છે.
જો તમે કોઈ ફ્રન્ટિયર મોડલ ભાડે લો છો અને ફક્ત તમારા રહસ્યો સાથે તેને પ્રોમ્પ્ટ કરો છો, તો તમે તે નિષ્કર્ષિત જ્ઞાનના ક્યારેય માલિક બનતા નથી. વધુ ખરાબ બાબત એ છે કે, તમારો પ્રદાતા દરેક સિગ્નલને શોષી લે છે. દરેક ક્વેરી તેમની સિસ્ટમને તમારા ક્ષેત્ર (vertical) વિશે થોડું વધુ શીખવે છે. તેમનું આગામી મોડલ અપડેટ એ જ સ્પર્ધાત્મક લાભને આત્મસાત કરી શકે છે જેણે તમને સફળ બનાવ્યા છે. કાર્પ આને તમારું "આલ્ફા" (alpha) કહે છે, જે અનન્ય પ્રદર્શન લાભ છે જે તમને અન્યથી અલગ પાડે છે. તમારા વેઇટ્સ આઉટસોર્સ કરવા એટલે તમારા આલ્ફાને આઉટસોર્સ કરવા. તે સમયે, AI એક સાધન રહેવાને બદલે તમારી કુશળતાને સ્પર્ધક સુધી પહોંચાડવાનું માધ્યમ બની જાય છે.
ફાઇન-ટ્યુનિંગનો ફાયદો
Bridgewater નો પ્રયોગ દર્શાવે છે કે બીજો રસ્તો પણ છે. તે હેજ ફંડ (hedge fund) એ ઓપન-સોર્સ Qwen3-235B મોડલને ફાઇન-ટ્યુન કરવા માટે Thinking Machines Lab સાથે કામ કર્યું હતું. પ્રોપ્રાઇટરી ઇન્વેસ્ટર ઇવેલ્યુએશનને બ્લેક-બોક્સ API માં મોકલવાને બદલે, તેઓએ ડેટા ઇન-હાઉસ રાખ્યો અને મોડલને તેમની ચોક્કસ જરૂરિયાતો મુજબ અનુકૂળ બનાવ્યું. પરિણામો સ્પષ્ટ હતા. નાણાકીય દસ્તાવેજોના વિશ્લેષણમાં, તેમના ફાઇન-ટ્યુન કરેલા મોડલે 84.7 ટકા ચોકસાઈ હાંસલ કરી. શ્રેષ્ઠ ફ્રન્ટિયર ક્લોઝ્ડ મોડલ માત્ર 78.2 ટકા જ કરી શક્યું.
નાણાકીય ક્ષેત્રમાં આ તફાવત મહત્વનો છે, જ્યાં a