कृत्रिम बुद्धिमत्ता (AI) की लागत इस्तेमाल की जाने वाली भाषा के अनुसार बदलती है और उसका बुनियादी ढाँचा हर क्षेत्र पर समान बोझ नहीं डालता। Coalition for Language Equity in AI Research के अध्ययन में कुछ भाषाओं के बीच टोकन की संख्या में 17 गुने तक का अंतर मिला, जबकि Carnegie Mellon University Africa ने अलग-अलग देशों में AI मॉडलों की जल खपत में बड़े अंतर दर्ज किए। इन तकनीकी भिन्नताओं के पीछे राजनीतिक सवाल है: AI का लाभ किसे मिलता है, उसकी कीमत कौन चुकाता है और उसे रोकने की शक्ति किसके पास रहती है?

हम AI को लगभग अमूर्त सेवा मानने लगे हैं। स्क्रीन पर सवाल आता है और कुछ सेकंड में जवाब मिल जाता है। लेकिन इस बीच मशीनें गर्म होती हैं, संयंत्र बिजली खर्च करते हैं, शीतलन प्रणालियाँ पानी इस्तेमाल करती हैं और कंपनियाँ अपने मॉडलों तक पहुँच की शर्तें नियंत्रित करती हैं।

यह भौतिक वास्तविकता डिजिटल विभाजन को देखने का नजरिया बदल देती है। सवाल केवल इंटरनेट कनेक्शन का नहीं है। अब पूछना होगा कि दूसरों की बुद्धिमत्ता चलाने की कीमत कौन चुकाता है और खासकर, उसके अनिवार्य हो जाने पर नियंत्रण वापस कौन ले सकता है।

कुछ भाषाओं में AI अधिक महँगी क्यों पड़ती है?

समस्या सर्वर के जवाब तैयार करने से पहले शुरू होती है। भाषा मॉडल पाठ को टोकन नामक इकाइयों में बाँटते हैं। यह विभाजन सभी भाषाओं के लिए समान नहीं होता।

Coalition for Language Equity in AI Research के अनुसार इंटरनेट की बीस सबसे अधिक इस्तेमाल होने वाली भाषाओं में टोकन की संख्या 1.5 से 5 गुने तक अलग हो सकती है। दो सौ भाषाओं के अध्ययन में कुछ अंतर 17 गुने तक पहुँचते हैं।

इसलिए दो लोग एक जैसी सेवा माँगकर भी बहुत अलग संख्या में टोकन इस्तेमाल कर सकते हैं। टोकन के आधार पर शुल्क लगने पर यह आर्थिक अंतर बन जाता है। इससे आवश्यक गणना भी बदल सकती है, हालाँकि पानी या बिजली की खपत से इसका सटीक संबंध कई तकनीकी कारकों पर निर्भर करता है।

नतीजा गंभीर है: सार्वभौमिक कही जाने वाली प्रणाली में कोई भाषा आर्थिक नुकसान का कारण बन सकती है। यह जरूरी नहीं कि जानबूझकर किया गया भेदभाव हो; असमानता औजारों की बनावट में ही समाई हो सकती है।

और यह पहली खाई दूसरी खाई को छिपाती है। टोकन कुल खर्च का केवल दिखाई देने वाला हिस्सा हैं।

डेटा सेंटर इतना पानी क्यों इस्तेमाल करते हैं?

AI के विशेष प्रोसेसर बहुत गर्मी पैदा करते हैं। इसलिए उपकरणों का तापमान सुरक्षित स्तर पर रखना पड़ता है। इस्तेमाल की गई प्रणाली के अनुसार शीतलन में पानी, बिजली या दोनों लगते हैं।

Rest of World के विश्लेषण के अनुसार एक विशाल हाइपरस्केल डेटा सेंटर रोजाना 10 लाख से 50 लाख गैलन पानी इस्तेमाल कर सकता है, जो कई दसियों हजार निवासियों वाले शहर की जरूरत के बराबर है। उसी लेख में अप्रैल 2023 के एक विश्वविद्यालय अध्ययन का उल्लेख है, जिसमें ChatGPT के मूल मॉडल के प्रशिक्षण के लिए 1,85,000 गैलन पानी का अनुमान लगाया गया था।

इन आँकड़ों का मतलब यह नहीं कि हर केंद्र इतना ही पानी लेता है या हर अनुरोध का जल प्रभाव समान है। लेकिन ये बताते हैं कि डिजिटल बुनियादी ढाँचा स्थानीय जल प्रबंधन का बड़ा कारक बन सकता है।

जब उपकरण बचाने के लिए उच्च गुणवत्ता वाला उपचारित पानी लिया जाता है तो समस्या बढ़ती है। ऐसे में निवासियों, खेती और अन्य आर्थिक गतिविधियों की जरूरतों से प्रतिस्पर्धा हो सकती है।

चिली में सैंटियागो क्षेत्र के सेरियोस में प्रस्तावित Google डेटा सेंटर पर बहस के साथ पानी को लेकर तनाव भी सामने आया। ऐसे विवाद याद दिलाते हैं कि डिजिटल सेवा की लागत कंप्यूटर बिल पर लिखी रकम तक सीमित नहीं होती।

क्या अफ्रीका AI के पानी के लिए सचमुच ज्यादा कीमत चुकाता है?

उत्तर केवल उपभोग करने वाले उत्तर और बलिदान देने वाले दक्षिण के विरोध से अधिक जटिल है। Carnegie Mellon University Africa के शोधकर्ताओं ने 11 अफ्रीकी देशों में दो बड़े भाषा मॉडलों की जल खपत का मॉडल बनाकर अमेरिका और वैश्विक औसत से तुलना की।

आश्चर्यजनक परिणाम यह था कि 11 में से आठ अफ्रीकी देशों में एक ही AI कार्य के लिए पानी की खपत वैश्विक औसत से कम थी। इसका एक कारण उनकी बिजली उत्पादन प्रणाली की अपेक्षाकृत कम जल तीव्रता है।

मॉडल के अनुसार अनुमान भी बहुत बदलते हैं: अध्ययन की परिस्थितियों में दस पृष्ठ की रिपोर्ट तैयार करने के लिए Llama-3-70B लगभग 0.7 लीटर पानी ले सकता है, जबकि GPT-4 के लिए यह 60 लीटर तक हो सकता है। ये मॉडलिंग के नतीजे हैं, हर उपयोग पर लागू सार्वभौमिक माप नहीं।

यह अंतर समझना जरूरी है। यह कहना गलत होगा कि अफ्रीका में AI चलाने के लिए हमेशा अधिक पानी लगता है।

Publicité

लेकिन कम खपत का अर्थ कम जोखिम नहीं है। वितरण नेटवर्क में रिसाव, स्थानीय जल उपलब्धता और लोगों की जरूरतें अतिरिक्त पानी निकाले जाने के असर को बदल देती हैं।

दक्षिण अफ्रीका में मानवाधिकार आयोग को दी गई याचिका डेटा सेंटरों की जल खपत में पारदर्शिता की कमी पर सवाल उठाती है। Semafor के अनुसार सूखे से प्रभावित इस देश में पहले ही साठ डेटा सेंटर हैं।

असली मुद्दा सिर्फ खपत की मात्रा नहीं, बल्कि किसी क्षेत्र की अपने संसाधनों के उपयोग पर फैसला लेने, वास्तविक निकासी जानने और सीमाएँ तय करने की क्षमता है।

वैश्विक उत्तर AI की छिपी लागत कैसे बाहर भेज सकता है?

AI की मूल्य शृंखला सीमाएँ पार करती है। मॉडल, इलेक्ट्रॉनिक पुर्जे, डेटा सेंटर और उपयोगकर्ता जरूरी नहीं कि एक ही देश में हों। इससे आर्थिक लाभ और भौतिक परिणाम अलग-अलग स्थानों पर पहुँच सकते हैं।

कंपनी दुनिया भर में सेवा बेच सकती है, जबकि उसके केंद्रों की मेजबानी करने वाले समुदाय पानी का दबाव, ऊर्जा की माँग और भूमि उपयोग की बाधाएँ सँभालते हैं। इसके साथ डिजिटल निगरानी और सूचना नियंत्रण के सवाल भी जुड़ते हैं।

फिर भी इसे उत्तर से दक्षिण की ओर सभी लागतों का पूर्ण और व्यवस्थित हस्तांतरण कहना अतिशयोक्ति होगी। उपलब्ध आँकड़े ऐसा वैश्विक हिसाब नहीं देते और दक्षिण के देशों में बने केंद्र वहाँ मूल्य भी पैदा कर सकते हैं।

मेरी चिंता शक्ति के असंतुलन की है। मॉडल का मालिक, पहुँच की शर्तें तय करने वाला और प्रणालियों को नियंत्रित करने वाला व्यक्ति उस क्षेत्र, संसाधनों या उपयोगकर्ताओं को उपलब्ध कराने वालों से अधिक नियंत्रण रख सकता है।

यह असंतुलन कुछ खनन उद्योगों जैसा है: लाभ दूर-दूर तक बँटता है, जबकि ठोस दुष्परिणाम एक स्थान पर रहते हैं। तुलना पूरी तरह समान नहीं है, लेकिन बताती है कि डिजिटल केंद्र कहाँ लगें, इस पर सार्वजनिक बहस क्यों होनी चाहिए।

अफ्रीका का मोबाइल मनी इतना अहम क्यों है?

AI के वित्तीय बुनियादी ढाँचे में प्रवेश करने पर निर्भरता और चिंताजनक हो जाती है।

Rest of World के अनुसार 2025 में दुनिया भर में मोबाइल मनी सेवाओं से 2 लाख करोड़ डॉलर से अधिक का लेनदेन हुआ, जिसमें लगभग 1.4 लाख करोड़ डॉलर उप-सहारा अफ्रीका में थे। पूर्वी अफ्रीका का हिस्सा 806 अरब और पश्चिमी अफ्रीका का 498 अरब डॉलर था।

ये केवल अतिरिक्त ऐप नहीं हैं। इनसे आर्थिक जीवन के लिए जरूरी धन हस्तांतरण और भुगतान होते हैं। इसलिए इनकी उपलब्धता और सुरक्षा बेहद महत्वपूर्ण हैं।

स्वायत्त रूप से काम करने वाले AI एजेंट जोखिम का स्वरूप बदल देते हैं। भुगतान प्रणाली में व्यापक अनुमतियाँ रखने वाले एजेंट की गलती, सुरक्षा भंग या अनधिकृत कार्रवाई खास तौर पर खतरनाक हो सकती है।

Rest of World ने Hugging Face के बुनियादी ढाँचे से संबंधित OpenAI के मूल्यांकन में AI एजेंटों की घटनाओं और स्वायत्त एजेंटों से जुड़े ऑस्ट्रेलियाई सरकारी वेबसाइटों के सुरक्षा उल्लंघनों का उल्लेख किया है।

इन घटनाओं से यह साबित नहीं होता कि अफ्रीका का कोई मोबाइल मनी नेटवर्क इसी तरह प्रभावित हुआ है। लेकिन ये बताती हैं कि नियंत्रण उपाय बनाने से पहले बड़ी घटना का इंतजार करना गलत होगा।

खतरा सिर्फ बड़े साइबर हमले का नहीं है। वह स्थिति भी चिंताजनक है जिसमें स्थानीय संचालक बाहरी प्रदाता पर निर्भरता के कारण किसी स्वचालित घटक को तुरंत बंद न कर सके।

अफ्रीका को स्थानीय AI किल स्विच क्यों चाहिए?

किल स्विच आपातकालीन बंद करने का तंत्र है। AI में इसका अर्थ है खतरनाक होने पर स्वायत्त एजेंट को रोकना या संवेदनशील बुनियादी ढाँचे तक उसकी पहुँच समाप्त करना।

Carnegie Endowment से जुड़ी Jane Munga ने Rest of World में एक बुनियादी विचार रखा: डिजिटल संप्रभुता के लिए स्थानीय स्तर पर इस्तेमाल की जाने वाली AI प्रणालियों को नियंत्रित करना जरूरी है।

भुगतान नेटवर्क के लिए इसके कई तकनीकी अर्थ हो सकते हैं:

  • एजेंट की कार्रवाई स्थानीय स्तर पर रोकना, विदेशी प्रदाता की अनुमति का इंतजार किए बिना।
  • उसकी अनुमतियाँ तुरंत रद्द करना, खासकर संवेदनशील वित्तीय लेनदेन में।
  • वैकल्पिक संचालन बनाए रखना, जब स्वचालित सेवाएँ उपलब्ध न हों।
  • जाँच योग्य गतिविधि रिकॉर्ड सुरक्षित रखना, ताकि फैसले और संभावित घटनाएँ समझी जा सकें।

ये संभावित सुरक्षा सिद्धांत हैं, पहले से चालू और प्रमाणित अफ्रीकी व्यवस्था नहीं। उपलब्ध जानकारी ऐसी क्षमता विकसित करने की माँग दिखाती है, लेकिन बड़े पैमाने पर तैनात किसी ठोस तंत्र का प्रमाण नहीं देती।

वैसे भी अकेला किल स्विच सुरक्षा की गारंटी नहीं होगा। उसे पहुँच नियंत्रण, मानवीय निगरानी और काम जारी रखने की प्रक्रियाओं के साथ जोड़ना होगा।

वैश्विक दक्षिण नियंत्रण कैसे वापस ले सकता है?

पहला रास्ता उन मालिकाना मॉडलों पर निर्भरता घटाना है जिन तक केवल दूर से नियंत्रित इंटरफेस के माध्यम से पहुँचा जा सकता है।

ओपन-वेट मॉडल एक विकल्प हैं: उनके पैरामीटर डाउनलोड किए जा सकते हैं और लाइसेंस के अनुसार स्वतंत्र ढाँचे पर अनुकूलित या चलाए जा सकते हैं। इससे उपकरणों की लागत या विशेषज्ञता की जरूरत खत्म नहीं होती, लेकिन अधिक स्वायत्तता संभव होती है।

दूसरा रास्ता बुनियादी ढाँचे से जुड़ा है। अधिक स्थानीय डेटा सेंटर बनाना पर्याप्त नहीं, यदि पानी की खपत अस्पष्ट रहे, बिजली नेटवर्क पर दबाव बढ़े या रणनीतिक फैसले संबंधित अधिकारियों और जनता के नियंत्रण से बाहर हों।

इसलिए डिजिटल निवेश के साथ पारदर्शिता की बाध्यता, उपलब्ध संसाधनों का आकलन और वास्तविक स्थानीय निगरानी जरूरी है।

तीसरा रास्ता भाषाई है। स्थानीय भाषाओं के अनुरूप औजार टोकन विभाजन की कुछ अक्षमताएँ घटा सकते हैं। लेकिन इसे भौतिक निर्भरता का अपने आप समाधान नहीं मानना चाहिए: दोनों समस्याएँ AI की अर्थव्यवस्था से जुड़ी हैं, पर तकनीकी रूप से एक जैसी नहीं हैं।

आखिर सवाल यह नहीं कि अफ्रीका AI अपनाए या नहीं। वह पहले ही ऐसे डिजिटल वातावरण में इसका उपयोग कर रहा है जहाँ वित्तीय सेवाएँ बहुत महत्वपूर्ण हैं। सवाल है कि किन शर्तों पर AI अपनाने से नई निर्भरता के बजाय स्वायत्तता मजबूत होगी।

लंबे समय तक हमने डिजिटल प्रगति को जुड़े हुए लोगों की संख्या से मापा। शायद अब उसे एक कम चमकदार क्षमता से भी मापना होगा: सेवा ठुकराना, संसाधनों की रक्षा करना और बंद करने का बटन खुद दबाना।

अक्सर पूछे जाने वाले सवाल

कुछ भाषाओं में AI महँगी क्यों होती है?

मॉडल पाठ को टोकन में बाँटते हैं और उनकी संख्या भाषा के अनुसार बदलती है। Coalition for Language Equity in AI Research ने कुछ भाषाओं में 17 गुने तक का अंतर पाया, जिससे उपयोग के आधार पर शुल्क वाली सेवाएँ महँगी हो सकती हैं।

डेटा सेंटर इतना पानी क्यों लेते हैं और कीमत कौन चुकाता है?

सर्वर और विशेष प्रोसेसर बहुत गर्मी पैदा करते हैं, इसलिए शीतलन जरूरी है। जब ये प्रणालियाँ स्थानीय जल स्रोतों से पानी लेती हैं, तो समुदायों और निवासियों की आपूर्ति पर अतिरिक्त दबाव पड़ सकता है, विशेषकर सूखाग्रस्त क्षेत्रों में।

AI अफ्रीका के मोबाइल मनी को कैसे खतरे में डाल सकती है?

व्यापक अनुमतियों वाले AI एजेंट अनचाहे लेनदेन कर सकते हैं, हैक हो सकते हैं या भुगतान प्रणालियाँ बाधित कर सकते हैं। उप-सहारा अफ्रीका में मोबाइल मनी के आर्थिक महत्व को देखते हुए उन्हें तुरंत रोक पाने की क्षमता सुरक्षा के लिए बेहद जरूरी है।

क्या निर्भरता घटाने के स्थानीय उपाय हैं?

ओपन-वेट मॉडल, स्थानीय नियंत्रण वाला बुनियादी ढाँचा और आपातकालीन बंद करने के तंत्र व्यावहारिक रास्ते हैं। हालाँकि उपलब्ध जानकारी किसी चालू अफ्रीकी किल स्विच की पुष्टि नहीं करती; उसका निर्माण, एकीकरण और संचालन अभी चुनौतियाँ हैं।

स्रोत