Codex चैटजीपीटी में प्रवेश करता है जैसे स्थानीय AI आठ-डॉलर बोर्डों से सर्वर तक फैलता है

एपिसोड 094 — 28 जुलाई, 2026

[00:00] एपिसोड हुक

9 जुलाई को OpenAI ने अपने समर्पित Codex अनुभव को ChatGPT डेस्कटॉप ऐप में स्थानांतरित कर दिया, जहां Codex अब एक ही वर्कस्पेस में Chat और Work के साथ-साथ बैठता है, और कंपनी का वर्तमान फ्लैगशिप जटिल कोडिंग कार्यों के लिए GPT-5.6 Sol है। Microsoft ने MDASH में MAI-Cyber-1-Flash जोड़ा, जो सॉफ्टवेयर कमजोरियों को खोजने और ठीक करने के लिए कंपनी का मल्टी-एजेंट सिस्टम है, जो नए मॉडल को मौजूदा पाइपलाइन में सीधे प्लग किए गए विशेषज्ञ डिफेंडर के रूप में प्रस्तुत करता है, जिसका लक्ष्य कमजोरी खोज से पैच तक का समय कम करना है। esp32-ai नाम का एक MIT-लाइसेंस्ड GitHub प्रोजेक्ट इस सप्ताह लॉन्च हुआ, जो लगभग आठ डॉलर की ESP32-S3 माइक्रोकंट्रोलर पर 28.9-मिलियन-पैरामीटर भाषा मॉडल चला रहा है, जो एक काम करने योग्य ऑन-डिवाइस टेक्स्ट जनरेटर को हार्डवेयर पर रखता है जो एक किचन ड्रॉवर में खो जाने के लिए काफी छोटा है।

[02:00] Microsoft ने अपने MDASH हार्नेस में साइबर-डिफेंस विशेषज्ञ मॉडल जोड़ा

Microsoft ने MAI-Cyber-1-Flash नामक एक नया मॉडल जारी किया और इसे MDASH में वायर्ड किया, जो कंपनी का मल्टी-एजेंट सिस्टम है जो सुरक्षा कमजोियों को खोजने और पैच करने के लिए है। फ्रेमिंग मायने रखती है: यह सुरक्षा का भेष पहने सामान्य चैटबॉट नहीं है। Microsoft साइबर डिफेंस को असतत कार्यों की पाइपलाइन के रूप में मान रहा है — बग की खोज करें, इसे रैंक करें, फिक्स लिखें — और उस वर्कफ्लो में उद्देश्य-निर्मित मॉडल को स्लॉट कर रहा है।

Microsoft का पिच सीधा है। कंपनी का दावा है कि MDASH के अंदर चलने वाला MAI-Cyber-1-Flash, कमजोरी के काम पर अग्रणी मॉडलों के प्रदर्शन से मेल खाता है, लगभग आधी लागत पर, और सिस्टम अपने स्वयं के टास्क सुइट पर 90 प्रतिशत तक पहुंचता है। दोनों आंकड़े वेंडर-आपूर्ति वाले हैं और इन्हें मार्केटिंग माना जाना चाहिए जब तक कि स्वतंत्र टीमें वास्तविक बग-फाइंडिंग कार्य पर उन्हें पुनः उत्पन्न न करें।

बिल्डर्स के लिए इसका संकेत एकल मॉडल से बड़ा है। मल्टी-एजेंट सेटअप — जहां एक समन्वयक छोटे, केंद्रित मॉडल को विशेष कार्य सौंपता है — पिछले दो सालों से ज्यादातर एक शोध कहानी रही है। सुरक्षा कार्य के लिए एक नामित, उपलब्ध मॉडल को उसके पीछे रखना उस पैटर्न की ओर एक छोटा कदम है जो डिफेंडर वास्तव में खरीद सकते हैं।

इसे मूल्यांकन करने वाली सुरक्षा टीम के लिए, प्रासंगिक प्रश्न परिचित हैं: क्या लागत बचत आपके वर्कलोड पर कायम रहती है, क्या 90 प्रतिशत का दावा आपके कोडबेस के संपर्क में बना रहता है, और क्या मल्टी-एजेंट डिज़ाइन पाइपलाइन को अपारदर्शी के बजाय ऑडिट करने योग्य बनाता है? Microsoft की घोषणा एक नाम और मूल्य बिंदु देती है; साक्ष्य को अभी भी वास्तविक परिनियोजन से आना होगा।

[02:39] एक 28.9M-पैरामीटर मॉडल अब $8 बोर्ड पर चलता है

esp32-ai नामक एक नया ओपन-सोर्स प्रोजेक्ट एक ESP32-S3 माइक्रोकंट्रोलर पर 28.9-मिलियन-पैरामीटर भाषा मॉडल चला रहा है जो लगभग आठ डॉलर में आता है, और Hacker News लॉन्च ने 282 अंकों का ध्यान आकर्षित किया। रिपॉजिटरी MIT-लाइसेंस्ड है, जिसका अर्थ है कि कोई भी इसे फोर्क कर सकता है और उसके आसपास एक डिवाइस शिप कर सकता है।

यह दिलचस्प बनाता है वह फॉर्म फैक्टर है। ESP32-S3 वह चिप है जो पहले से ही कम-लागत वाले सेंसर, स्मार्ट लाइट्स और शौकिया रोबोटिक्स किट के अंदर रहती है। इस पर सीधे एक भाषा मॉडल चलाने का मतलब है कि एक डिवाइस प्लेन-लैंग्वेज रिक्वेस्ट को इंटरप्रेट कर सकता है, सेंसर रीडिंग को सारांशित कर सकता है, या बिना किसी सर्वर को फोन किए सरल सवालों का जवाब दे सकता है। बिल्डर्स के लिए, यह वर्कशॉप के लिए ऑफ़लाइन कमांड इंटरफेस, इंडस्ट्रियल किट के लिए सेंसर एक्सप्लेनर, चैटी टॉय रोबोट, और क्लासरूम डिवाइस खोलता है जो प्रदर्शित करते हैं कि कोई मॉडल वास्तव में कंस्ट्रेंड हार्डवेयर पर कैसे एक्जीक्यूट होता है।

सीमाएं असली हैं और उनका नाम लेना जरूरी है। आठ डॉलर के बोर्ड पर 28.9-मिलियन-पैरामीटर मॉडल लैपटॉप-स्केल असिस्टेंट से बहुत दूर है। रिस्पॉन्स छोटे हैं, रीजनिंग सतही है, और डिवाइस लंबी बातचीत नहीं रखेगा। इसे सेंसर और लोगों के बीच एक चतुर लोकल ग्लू पीस के रूप में सोचें, क्लाउड असिस्टेंट की जगह नहीं।

यहां उपयोगी सिग्नल यह है कि भाषा मॉडल सस्ते और सस्ते सिलिकॉन पर सिकुड़ते जा रहे हैं। छोटे, लोकल-फर्स्ट बिल्ड्स जैसे इस एक के हर जेनरेशन यह अधिक यथार्थवादी बनाता है कि साधारण चीजों में थोड़ी बातचीत वाली इंटेलिजेंस डाली जाए, और बिना सब्सक्रिप्शन या नेटवर्क कनेक्शन के ऐसा किया जा सके।

[04:09] Nanbeige 4.2 लोकल रनटाइम में तीन-अरब-पैरामीटर एजेंट मॉडल लाता है

NOVA: Nanbeige ने Hugging Face पर Nanbeige4.2-3B नामक तीन अरब पैरामीटर का मॉडल रिलीज किया, और यह Apache 2.0 के तहत लाइसेंस्ड है, तो कोई भी इसे कमर्शियली उपयोग कर सकता है।

ALLOY: मुख्य नंबर यहां साइज है। तीन अरब पैरामीटर एक अच्छे लैपटॉप पर चलाने के लिए काफी छोटे हैं, और मॉडल कार्ड Transformers, vLLM, llama.cpp, GGUF quantization, MLX, LM Studio, और Ollama के लिए सपोर्ट लिस्ट करता है — मूल रूप से हर वह लोकल-AI रनटाइम जो लोग वास्तव में उपयोग करते हैं।

NOVA: यह बिल्ट-इन टूल-यूज और रीजनिंग चैट टेम्पलेट्स के साथ भी आता है, साथ ही 256K कॉन्टेक्स्ट विंडो, जो इस साइज के मॉडल के लिए बहुत बड़ी है।

ALLOY: बिल्डर्स के लिए, प्रैक्टिकल पिच यह है कि एक प्राइवेट, ऑन-डिवाइस असिस्टेंट जो लंबे डॉक्यूमेंट्स या पूरे कोडबेस को पुल कर सकता है बिना कुछ भी क्लाउड पर भेजे। कॉन्ट्रैक्ट पर ड्राफ्टिंग, PDFs के स्टैक को सारांशित करना, या इसे लोकली चलने वाले कोडिंग वर्कफ्लो में वायर करना सोचें।

NOVA: एक चेतावनी: Nanbeige दावा करता है कि मॉडल छह बेंचमार्क पर Qwen3.5-4B और Qwen3.5-9B को मात देता है — यह पब्लिशर का दावा है, स्वतंत्र वेरिफिकेशन नहीं, तो किसी प्रोजेक्ट पर बेट लगाने से पहले कम्युनिटी टेस्टिंग का इंतजार करें।

ALLOY: आगे देखने योग्य: जब लोग इसे एजेंट्स में शिप करना शुरू करें तो यह वास्तव में रियल टूल-कॉलिंग टास्क पर कैसे परफॉर्म करता है।

[05:21] NVIDIA का Vera CPU अब NVIDIA चिप्स की अगली पीढ़ी डिज़ाइन करने में मदद करता है

NVIDIA का कहना है कि उसके Vera CPU का दूसरा काम भी है: NVIDIA चिप्स के अगले राउंड को डिज़ाइन करने में मदद करना। कंपनी ने 27 जुलाई को घोषणा की कि वह Cadence और Synopsys के साथ काम कर रही है — दो वेंडर्स जिनके टूल्स अनिवार्य रूप से हर चिप डिज़ाइनर लेआउट, सिमुलेशन और वेरिफिकेशन के लिए उपयोग करता है — ताकि Vera के लिए उन EDA टूलचेन को ट्यून किया जा सके। NVIDIA अपने स्वयं के चिप-डिज़ाइन कार्य करने के लिए Vera को आंतरिक रूप से भी चला रही है।

यह एक रिकर्सिव लूप है जिस पर रुककर विचार करना चाहिए। वह इंजीनियरिंग टास्क क्लास जो मेमोरी बैंडविड्थ और CPU थ्रूपुट से सबसे अधिक लाभान्वित होता है — वे लंबे सिमुलेशन जो सत्यापित करते हैं कि एक नया प्रोसेसर वास्तव में वैसे ही व्यवहार करता है जैसा स्पेक कहता है — वही चीज़ है जिसके लिए Vera को ट्यून किया गया था। GPU इसके कुछ हिस्सों को तेज़ कर सकते हैं, लेकिन वेरिफिकेशन अभी भी CPU साइड पर बहुत निर्भर है, जहाँ डेटा को बिना अटके साफ़ तरीके से स्ट्रीम करना होता है।

Cadence और Synopsys व्यावहारिक कारण हैं कि यह कहानी NVIDIA से आगे जाती है। यदि दोनों EDA वेंडर्स असली Vera-ट्यून्ड बिल्ड शिप करते हैं, तो वही जीत जो NVIDIA के वेरिफिकेशन साइकिल को छोटी करती हैं, किसी भी चिप कंपनी तक पहुँच सकती हैं जो पहले से उन टूल्स के लिए भुगतान कर रही है।

आगे देखने वाली बात: Cadence या Synopsys से एक सार्वजनिक स्पीडअप नंबर जो Vera पर असली कस्टमर वेरिफिकेशन फ्लो चला रहा हो, सिर्फ एक आंतरिक NVIDIA बेंचमार्क नहीं।

[06:39] आठ साइंटिफिक-कंप्यूटिंग प्रोजेक्ट्स दिखाते हैं कि Codex वर्कफ़्लो अभी क्या कर सकते हैं

स्टैंडअलोन Codex डेस्कटॉप अनुभव अब ChatGPT ऐप के अंदर रहता है, Chat और Work के बगल में, ताकि एक सिंगल वर्कस्पेस एक बातचीत, एक लंबे समय तक चलने वाला जॉब, और एक कोडिंग सेशन को संभाल सके। यह OpenAI के 9 जुलाई के डेस्कटॉप कंसोलिडेशन का व्यावहारिक रूप है।

इसके नीचे GPT-5.6 Sol है, जो जटिल कोडिंग, कंप्यूटर यूज़, रिसर्च और सिक्योरिटी कार्यों के लिए वर्तमान फ्लैगशिप है। आधिकारिक मॉडल गाइडेंस में फ्रंटियर परफॉर्मेंस पर कम आउटपुट टोकन, शार्पर फ्रंटएंड डिज़ाइन और इंटेंट अंडरस्टैंडिंग, प्रोग्रामैटिक टूल कॉलिंग, और एक मल्टी-एजेंट बीटा पर ज़ोर है। प्रोग्रामैटिक टूल कॉलिंग एक मॉडल को एक टूल को दर्जनों कॉल बैक-एंड-फॉर्थ चेन करने के बजाय एक छोटा स्क्रिप्ट देने देती है, जो तब मायने रखता है जब एक एजेंट को मल्टी-स्टेप रिसर्च रन या जनरेटेड इंटरफ़ेस को कोऑर्डिनेट करना हो। मल्टी-एजेंट बीटा एक Codex सेशन को फ्रेश वर्कर सेशन में पैरलल सबटास्क सौंपने देता है।

असली लैब्स में यह कैसा दिखता है? OpenAI की 28 जुलाई की साइंटिफिक-कंप्यूटिंग रिपोर्ट आठ प्रोजेक्ट्स के बारे में बताती है। पाँच सिर्फ Codex पर चलते हैं; तीन Codex को Claude Code के साथ जोड़ते हैं। cyvcf2 जीनोमिक्स-वेरिएंट्स उदाहरण ने GPT-5.5 का उपयोग किया, इसलिए यह Sol बेंचमार्क नहीं है और कोडिंग क्लेम को कोट करने के बजाय एक दिशात्मक सिग्नल के रूप में पढ़ा जाना चाहिए। अन्य सात कंक्रीट वर्कफ़्लोज़ के बारे में बताते हैं: वेरिएंट पाइपलाइन बनाना, एक्सपेरिमेंट UI डिज़ाइन करना, और एक सिंगल डेस्कटॉप सरफ़ेस से लंबे डेटा-एनालिसिस जॉब्स को ऑर्केस्ट्रेट करना।

एक बिल्डर अब एक एजेंट को एक messy नोटबुक पर पॉइंट कर सकता है, डिज़ाइन किया हुआ इंटरफ़ेस प्लस वह स्क्रिप्ट वापस पा सकता है जो उसे पावर करती है, और बिना ब्राउज़र टैब जगले एक वर्कस्पेस में पूरी चीज़ चला सकता है।

[08:12] PNNL और AWS ग्रिड व्यवधानों के लिए AI निर्णय उपकरणों की योजना बना रहे हैं

ऊर्जा विभाग की प्रशांत उत्तर-पश्चिम राष्ट्रीय प्रयोगशाला और अमेज़न वेब सर्विसेज़ बिजली ग्रिड के लिए AI निर्णय-सहायता उपकरणों का पता लगाने के लिए एक साथ काम कर रहे हैं। यह साझेदारी, 27 जुलाई को HPCwire के माध्यम से घोषित, उन क्षणों को लक्षित करती है जिनसे ऑपरेटर सबसे अधिक डरते हैं: गंभीर मौसम आना, मांग में अप्रत्याशित उतार-चढ़ाव, या साइबर या भौतिक हमला जो अवसंरचना को प्रभावित करता है।

अभी, यह योजना और सत्यापन कार्य है, लाइव ग्रिड परिनियोजन नहीं। PNNL और AWS ने कहा कि लक्ष्य ऐसे उपकरणों का निर्माण और परीक्षण करना है जो ग्रिड ऑपरेटरों को उन उच्च-तनाव वाली विंडो में तेज़ स्थितिज जागरूकता और बेहतर विकल्प दें, वास्तविक स्विचिंग निर्णयों पर मनुष्यों का नियंत्रण रहे। यह महत्वपूर्ण अवसंरचना के लिए एक जानबूझकर चुनाव है, जहां आप एक स्वायत्त प्रणाली को उप-स्थान की चाबियाँ नहीं सौंपते जब आप अभी भी यह सत्यापित कर रहे होते हैं कि वह दबाव में कैसे तर्क करती है।

संघीय कोण मायने रखता है क्योंकि ग्रिड लचीलापन राज्य की सीमाओं, उपयोगिताओं और नियामक शासन व्यवस्थाओं को पार करता है, और PNNL ऐतिहासिक रूप से बड़े पैमाने के मॉडलिंग और हार्डवेयर-इन-द-लूप परीक्षण चलाता रहा है जो छोटे ऑपरेटर अकेले नहीं कर सकते। AWS स्केलेबल कंप्यूट लाता है जो गंभीर परिदृश्य सिमुलेशन को व्यवहार्य बनाता है। एक साथ, बताया गया उद्देश्य AI सुझावों को उन क्रमिक विफलताओं के खिलाफ तनाव-परीक्षण करना है जिन्होंने पिछले घटनाओं में क्षेत्रीय ग्रिड को बंद कर दिया था।

आगे देखने योग्य बात यह है कि क्या साझेदारी सार्वजनिक रूप से समीक्षा योग्य बेंचमार्क या परीक्षण परिदृश्य उत्पन्न करती है। तब तक, यह एक विश्वसनीय संकेत है कि महत्वपूर्ण-अवसंरचना AI स्लाइड डेक से संरचित सत्यापन की ओर बढ़ रहा है, अभी तक कोई ऐसा उत्पाद नहीं जिसे कोई कंट्रोल रूम में प्लग इन कर सके।

[09:44] Black Forest Labs एक मॉडल से कई मीडिया प्रकारों की खोज करता है

Black Forest Labs ने अभी-अभी Self-Flow प्रकाशित किया है, एक शोध पत्र और सार्वजनिक कोड जो पता लगाता है कि क्या एक फाउंडेशन मॉडल एक साझा स्व-पर्यवेक्षित दृष्टिकोण का उपयोग करके कई आउटपुट प्रकारों को जेनरेट करना सीख सकता है। दिलचस्प दिशा एक अनुकूलनीय प्रणाली है जो विभिन्न मीडिया को संभालती है, न कि प्रत्येक मोडैलिटी के लिए अलग से इंजीनियर किए गए विशेषज्ञों को।

यहाँ व्यावहारिक कहानी दिशा है, गणित नहीं। आज का जेनरेटिव परिदृश्य अक्सर संकीर्ण उपकरणों के ढेर की तरह दिखता है, प्रत्येक आउटपुट प्रकार के लिए एक, ऑर्केस्ट्रेशन कोड के साथ चिपका हुआ। Self-Flow पूछता है कि क्या वह खंडीकरण वास्तव में आवश्यक है, या क्या एक एकीकृत फाउंडेशन इसे बदल सकता है।

बिल्डर्स के लिए, निष्कर्ष धैर्य और जिज्ञासा है। आज कुछ शिप नहीं होता। यह शोध और सार्वजनिक कोड है, वह उत्पाद नहीं जिसे आप वर्कफ़्लो में प्लग इन कर सकते हैं। लेकिन अगर दिशा बनी रहती है, तो बहुमोडल पाइपलाइनें बाद में सस्ती और सरल हो सकती हैं, क्योंकि टीमों को प्रत्येक मोडैलिटी के लिए अलग स्टैक की आवश्यकता नहीं होगी। शोध पेज बुकमार्क करने योग्य है ताकि आप ट्रैक कर सकें कि अंततः क्या वास्तविक रिलीज के रूप में आता है।

जो इसे देखने लायक बनाता है वह यह है कि काम कौन कर रहा है। Black Forest Labs अधिक सक्रिय जेनरेटिव शोध समूहों में से एक है, इसलिए एक एकीकृत फॉलो-अप वास्तविक इंजीनियरिंग वजन लेकर आएगा, पूरी तरह से अकादमिक नहीं रहेगा। अभी के लिए, इसे एक संकेत के रूप में मानें कि बहुमोडल टूलिंग कहाँ जा सकती है, एकीकरण के लिए कोई चीज़ नहीं।

[11:06] एक 8-GPU HGX B300 रैक चलाने के लिए वास्तव में क्या चाहिए

ServeTheHome ने 27 जुलाई को ASRock Rack के 4U16X-GNR2 पर एक व्यावहारिक जांच प्रकाशित की, जो एक चार-रैक-यूनिट सर्वर है जो आठ NVIDIA HGX B300 एक्सेलेरेटर्स को एक ही चेसिस में समेटता है। यह वह मशीन है जिससे गंभीर प्रशिक्षण या बड़े-संदर्भ अनुमान क्लस्टर बनाया जाता है, और समीक्षा एक उपयोगी खिड़की है कि घने AI रैक का वास्तव में क्या मतलब होता है जब आप मार्केटिंग स्लाइड से आगे देखते हैं।

यहाँ HGX संदर्भ महत्वपूर्ण है। HGX NVIDIA का एक तंग रूप से युग्मित बेसबोर्ड डिज़ाइन है, जहाँ GPU इतने करीब होते हैं कि वे सामान्य PCIe के बजाय बहुत उच्च-बैंडविड्थ लिंक पर संवाद कर सकें। इसीलिए समीक्षा बेंचमार्क चार्ट की तुलना में प्लंबिंग पर अधिक समय बिताती है। आठ एक्सेलेरेटर्स एक साथ काम करने पर बहुत गर्मी और इंटर-चिप ट्रैफिक उत्पन्न करते हैं, और चेसिस को दोनों को संभालना होता है।

दो लिक्विड-कूलिंग दृष्टिकोण सामने आते हैं, क्योंकि यह चुनाव बदलता है कि डेटा सेंटर का बाकी हिस्सा कैसा दिखे। डायरेक्ट लिक्विड कूलिंग कूलेंट को चिप्स के करीब लूप करती है, जो कुशल है लेकिन यह मान लेता है कि कमरे में इसके लिए प्लंबिंग है। दूसरा रास्ता अधिक पारंपरिक इंस्टॉल के बदले में उच्चतर सुविधा कूलिंग लोड स्वीकार करता है। किसी भी तरह से, कूलिंग का निर्णय रैक पर लिया जाता है, डेस्क पर नहीं।

दूसरा सबक बैंडविड्थ है। GPU के बीच इंटरकनेक्ट स्पीड, और नेटवर्क तक, यह तय करती है कि एक घना नोड एक बड़े कंप्यूटर की तरह व्यवहार करता है या आठ छोटे जो एक दूसरे का इंतज़ार कर रहे हैं। ASRock Rack ने आठ B300s को उस ट्रैफिक के लिए आकार के फैब्रिक के साथ जोड़ा, जो कच्ची GPU संख्या को प्रशिक्षण और बड़े-संदर्भ अनुमान के लिए उपयोग करने योग्य थ्रूपुट में बदलता है।

बिल्डर्स के लिए, यह बात याद रखने योग्य है कि सर्वर स्वयं आर्किटेक्चर का हिस्सा है। पहले कूलिंग और पावर एनवेलप चुनें, फिर मॉडल चुनें।

[12:52] Verizon एज AI के लिए डार्क फाइबर पर एक अरब दांव लगाता है

Verizon चाहता है कि Wall Street इसे एक AI इन्फ्रास्ट्रक्चर कंपनी के रूप में देखे, और इसकी पिच दो हिस्सों में आती है: मिनी डेटा सेंटरों का एक बेड़ा, और Google के साथ डार्क फाइबर के लिए लगभग एक अरब डॉलर का समझौता। डार्क फाइबर का मतलब है कि जमीन के नीचे पहले से बिछाई गई ऑप्टिकल तंतुएं जिन्हें अभी कोई सिग्नल के साथ नहीं जला रहा है। कैरियर से तैयार बैंडविड्थ खरीदने के बजाय, Verizon कच्चे तंतुओं को पट्टे पर लेता है और खुद चलाता है।

यह सब क्यों? क्योंकि उपयोगकर्ता के पास AI inference चलाना लेटेंसी-संवेदनशील किसी भी चीज़ के लिए मायने रखता है — रियल-टाइम वॉइस असिस्टेंट, लाइव वीडियो समझ, फ्रॉड चेक, रोबोटिक्स कंट्रोल लूप। दूर के रीज़नल क्लाउड से कंप्यूट को हटाकर सड़क पर एक इमारत में ले जाना तभी काम करता है जब आप उस सड़क पर फाइबर पर पहले से नियंत्रण रखते हैं। डार्क फाइबर वह तरीका है जिससे कैरियर उस रूट को नियंत्रित करता है।

यह एक लागत की कहानी भी है। प्रति गीगाबिट कच्चे तंतु आमतौर पर रिटेल ट्रांज़िट की तुलना में सस्ते होते हैं, और उन्हें खुद जलाना ऑपरेटर को यह तय करने की अनुमति देता है कि क्षमता कैसे विभाजित की जाए, न कि कमोडिटी बैंडविड्थ पर प्रतिस्पर्धा करना।

ध्यान देने योग्य बातें: क्या नामित ग्राहक प्रतिबद्धताएं घोषणा का अनुसरण करती हैं, और Google स्वयं इन नए लिंक्स को क्या आगे बढ़ाने की योजना बनाता है। अभी के लिए यह ज्यादातर Verizon का व्यावसायिक प्रस्ताव है - वास्तविक edge-AI मांग को अभी भी निर्माण को सही ठहराने के लिए प्रकट होना चाहिए।

[14:09] Enigma ने $71M जुटाए हैं ताकि रोबोट ट्यूनिंग वॉल्यूम स्लाइडर जैसी महसूस हो

Enigma नामक एक रोबोटिक्स स्टार्टअप ने हाल ही में इक्यावन मिलियन डॉलर का सीड राउंड बंद किया है, Index Ventures और Ribbit Capital इस चेक का नेतृत्व कर रहे हैं, और पिच सामान्य रोबोटिक्स कहानी से थोड़ी अलग है। बेहतर ऑटोनॉमी स्टैक बेचने के बजाय, कंपनी रोबोट व्यवहार को समायोज्य बनाना चाहती है, सॉफ्टवेयर फिर से लिखने की तुलना में वॉल्यूम नॉब घुमाने जैसा।

TechCrunch की रिपोर्टिंग के अनुसार: एक गोदाम या फैक्ट्री टीम यह चुनने में सक्षम होनी चाहिए कि एक व्यक्ति कितना निर्दिष्ट करता है और रोबोट अपने आप कितना समझता है, और स्थितियों के बदलने पर उस मिश्रण को बदल सकता है। एक पिक-एंड-पैक सेल के बारे में सोचें जहां फ्लोर लीड चाहता है कि आज सुबह रोबोट अजीब आकार के बॉक्स को पकड़ने से पहले पूछे, लेकिन आज रात पूरी तरह से हाथों से दूर चले। आज, इस तरह का व्यवहार परिवर्तन आमतौर पर इसका मतलब है कि एक इंजीनियर ऑटोनॉमी लेयर में संपादन करता है; Enigma इस पर दांव लगा रही है कि इसका मतलब एक डायल होना चाहिए।

यह औद्योगिक रोबोटिक्स में एक वास्तविक दर्द है, जहां हर व्यवहार समायोजन वर्तमान में एक छोटी ऑटोनॉमी टीम से होकर गुजरता है और एक नया ग्रिपर या एक नया SKU शिप करने में ट्यूनिंग चक्रों के हफ्ते लग सकते हैं। मूल्य प्रस्ताव किसी भी डेमो वीडियो से पहले भी ठोस है।

ईमानदार चेतावनी यह है कि उत्पाद दावे स्टार्टअप-स्टेज हैं। सार्वजनिक रिपोर्टिंग में पायलट ग्राहकों के नाम, समर्थित हार्डवेयर, या हुड के तहत डायल वास्तव में क्या नियंत्रित करते हैं, इसका उल्लेख नहीं है। जो कोई भी इसके आसपास भौतिक उपकरण पर दांव लगा रहा है, उसके लिए मांगने के सबूत सरल हैं। इंटरफ़ेस वास्तव में कौन से ऑटोनॉमी व्यवहारों को प्रदर्शित करता है, और कौन से अभी भी हार्ड-कोडेड हैं? जब रोबोट कुछ अप्रत्याशित करता है तो ऑडिट ट्रेल कैसा दिखता है, और जब ऐसा होता है तो कौन जिम्मेदार है? जब तक इन सवालों के सार्वजनिक जवाब नहीं हैं, इक्यावन मिलियन को उत्पाद पर फैसले के बजाय नॉब विचार पर विश्वास के रूप में मानें।

[16:00] AI-संचालित विज्ञान के लिए बीस अमेरिकी एजेंसियां DOE के Genesis Mission में शामिल हुईं

DOE के Genesis Mission में वास्तव में बहु-एजेंसी प्रयास के रूप में विकसित हो गया है। बीस संघीय विभाग और एजेंसियां अब भाग ले रही हैं, जिनमें NIH, NASA, NSF और अन्य के प्रतिनिधि इस सप्ताह Genesis Mission शिखर सम्मेलन में साझा लक्ष्यों को रेखांकित कर रहे हैं। पहले पुरस्कार पहले ही राष्ट्रीय प्रयोगशालाओं और विश्वविद्यालयों की टीमों को दिए जाने लगे हैं।

जो इसे ध्यान देने योग्य बनाती है वह एक्सेस का कोण है। अभी, AI कंप्यूट के लिए शिकार करने वाले एक वैज्ञानिक आमतौर पर एक एजेंसी से ग्रांट के लिए प्रतिस्पर्धा करता है—NSF, DOE, NIH—और उस एजेंसी के डेटा नियमों और समीक्षा समयसीमा के भीतर काम करता है। एक all-of-government AI कार्यक्रम कुछ अलग का वादा करता है: राष्ट्रीय प्रयोगशालाओं में पूल कंप्यूटेशनल संसाधन, वैज्ञानिक डेटासेट तक साझा पहुंच जो पहले अलग-अलग साइलो में बैठते थे, और फंडिंग पथ जो एजेंसी की सीमाओं को पार कर सकते हैं। जीनोमिक्स, जलवायु मॉडलिंग, सामग्री विज्ञान, या खगोल विज्ञान के लिए AI टूल बनाने वाली टीमों के लिए, इसका मतलब प्रोटोटाइप से स्केल्ड प्रयोग तक तेज मार्ग हो सकता है।

यह वास्तविक शासन सवाल भी उठाती है। जब बीस एजेंसियां मॉडल, डेटा और प्राथमिकताएं साझा करती हैं, तो किसी को तय करना होगा कि कौन से शोध प्रश्न पहले आते हैं, जब कई विभाग एक ही मॉडल को फंड करते हैं तो एट्रिब्यूशन कैसे काम करता है, और जब एक एजेंसी का मिशन दूसरे के साथ टकराता है तो क्या होता है। शिखर सम्मेलन ने उन तनावों को सामने किया बिना हल किए। देखें कि अगले दौर के पुरस्कारों में कौन वास्तव में एजेंसी की सीमाओं में फंडिंग पाता है, न कि सिर्फ एक विभाग के भीतर।

[17:22] Anthropic ने Open Weights पर एक सीमा रेखा खींची

Anthropic ने इस सप्ताह एक आधिकारिक स्थिति पृष्ठ प्रकाशित किया जो open-weight AI मॉडल पर उसकी स्थिति को दर्शाता है—उन संस्करणों को जिनमें प्रशिक्षित पैरामीटर शामिल होते हैं ताकि कोई भी उन्हें डाउनलोड करके चला सके। CEO Dario Amodei ने स्पष्ट किया कि वह खुले-भार के रूप में इसका विरोध नहीं करते। उनकी चिंता सीमा (frontier) छोर पर है: सबसे सक्षम रिलीज, उनके अनुसार, चीनी AI विकास को मजबूत कर सकते हैं और अमेरिका–चीन प्रतिस्पर्धात्मक संतुलन को झुका सकते हैं।

पृष्ठ पढ़ने में उत्पाद अपडेट से कम और नीति बातचीत में योगदान से अधिक लगता है। Anthropic ने बताया कि खुली रिलीज वास्तव में क्या देती हैं: स्वतंत्र शोधकर्ता जो मॉडल व्यवहार की जांच करते हैं, स्टार्टअप जो सार्वजनिक भार के ऊपर बूटस्ट्रैप करते हैं, और स्थानीय-तैनाती बिल्डर जो अपने स्वयं के हार्डवेयर पर मॉडल चलाते हैं। उन लाभों के साथ, कंपनी अनसुलझे प्रश्न को चिह्नित करती है जिससे हर frontier lab जूझ रहा है—उपयोगी खुलेपन और भार-स्तर प्रसार जोखिम के बीच रेखा कहाँ गिरती है।

यह अंतर महत्वपूर्ण है क्योंकि शीर्षक आसानी से प्रतिबंध की तरह पढ़ा जा सकता है। यह नहीं है। Amodei खुले भार के पार प्रतिबंध लगाने के बजाय चरणबद्ध, टियर-आधारित रिलीज सीमाओं के लिए कह रहे हैं। यह स्थिति उद्योग टिप्पणी है, नई कानून नहीं। बिल्डर क्या तैनात कर सकते हैं, यह नियंत्रित करने वाले वास्तविक द्वार आसपास के compute पर निर्यात नियंत्रण, क्षेत्र-विशिष्ट होस्टिंग प्रतिबंध, और प्रत्येक मॉडल रिलीज से जुड़े लाइसेंसिंग नियम हैं।

खुले मॉडल चुनने वाले किसी भी व्यक्ति के लिए, व्यावहारिक मानचित्र नहीं बदला है। लाइसेंस शर्तें, आप कहाँ होस्ट करते हैं, और हार्डवेयर या compute पर किसी भी निर्यात नियम अभी भी यह निर्धारित करते हैं कि आप क्या तैनात कर सकते हैं। जो बदला है वह यह है कि एक प्रमुख frontier lab के पास अब अभिलेख में लिखित स्थिति है, जो एक बहस को तेज करती है जो मुख्य रूप से think-tank ब्रीफ और सरकारी सुनवाइयों में रही है।

[19:02] SerpApi के खिलाफ Google's Scraping केस स्थिति के कारण खारिज, पदार्थ के कारण नहीं

Google के खिलाफ SerpApi पर Google's मुकदमा, स्क्रैपिंग सेवा जो डेवलपर्स को संरचित खोज परिणाम खींचने देती है, 20 जुलाई को खारिज कर दिया गया था। लेकिन अदालत ने यह नहीं तय किया कि स्क्रैपिंग कानूनी है। उसने तय किया कि Google इस विशेष दावे को इस विशेष क़ानून के तहत नहीं ला सकता था। कारण है DMCA स्थिति। Google ने जिन anti-circumvention प्रावधानों का हवाला दिया, उनके तहत मुकदमा करने के लिए, वादी को विवादित सामग्री का कॉपीराइट स्वामी, एक विशेष लाइसेंसधारी, या एक अधिकृत एजेंट होना चाहिए। अदालत ने पाया कि Google ने वह भूमिका स्थापित नहीं की थी।

यह एक प्रक्रियात्मक हानि है, पदार्थपूर्ण नहीं। आदेश स्क्रैपर्स को यह नहीं बताता कि वे कोई भी पृष्ठ खींच सकते हैं। Reddit ने SerpApi के खिलाफ एक समान मामला दायर किया, और 27 जुलाई की रिपोर्टिंग के अनुसार, वह मुकदमा अभी भी लंबित था। तो यह अनसुलझा प्रश्न बना हुआ है कि सार्वजनिक वेब परिणामों को स्क्रैप करना DMCA का उल्लंघन करता है या नहीं।

जो स्पष्ट हुआ वह यह है कि एक स्क्रैपर कितने अलग-अलग कानूनी द्वारों में प्रवेश कर सकता है। Robots.txt एक crawler-वरीयता संकेत है, एक सभ्य अनुरोध जिसका अनुपालन करने वाले क्रॉलर सम्मान करते हैं, एक तकनीकी लॉक नहीं और स्वचालित रूप से बाध्यकारी कानून नहीं। उससे आगे, अनुबंध (सेवा की शर्तें), तकनीकी पहुंच नियंत्रण (दर सीमा, प्रमाणीकरण दीवारें), विशिष्ट आउटपुट का कॉपीराइट स्वामित्व, और DMCA स्थिति प्रत्येक अलग प्रश्न हैं। एक स्क्रैपर जो robots.txt का सम्मान करता है वह फिर भी अनुबंध दावे पर हार सकता है, और एक प्लेटफॉर्म जो DMCA स्थिति पर हारता है वह फिर भी अनुबंध या trespass सिद्धांत पर जीत सकता है।

खोज पुनर्प्राप्ति परतें, AI प्रशिक्षण डेटासेट, या प्रतिस्पर्धी खुफिया उपकरण बनाने वाले लोगों के लिए, व्यावहारिक तस्वीर अपरिवर्तित सावधानी है। शीर्षक "अदालत स्क्रैपिंग को मंजूरी देती है" गलत है, और "स्क्रैपिंग मर गई" भी गलत है। जो सच है वह यह है कि प्रश्न प्रक्रियात्मक मार्गों पर धीरे-धीरे अदालतों से गुजर रहा है, और अभी तक किसी के पास निश्चित उत्तर नहीं है।

[20:51] ChatGPT से कर्मचारी नौकरी की सीमाओं को पार करते हैं, OpenAI की खोज

OpenAI ने 28 जुलाई को एक शोध दस्तावेज़ जारी किया जो पारंपरिक "AI नौकरियां छीनता है" प्रश्न को उलट देता है। यह पूछने के बजाय कि किन भूमिकाओं का स्वचालन होगा, टीम ने पूछा कि लोग वास्तव में काम पर ChatGPT का उपयोग करके क्या कर रहे हैं। मुख्य निष्कर्ष: कर्मचारी नियमित रूप से अपनी औपचारिक नौकरी विवरण से बाहर कदम बढ़ाते हैं। एक ही व्यक्ति ड्राफ्ट, विश्लेषण, कोडिंग और संचार करता है उन क्षेत्रों में जिन्हें पहले टीम में एक अलग विशेषज्ञ की आवश्यकता होती थी।

OpenAI जो व्यावहारिक उदाहरण प्रस्तुत करता है वह एक छोटी मार्केटिंग टीम का है जहां एक व्यक्ति एक ही दोपहर में कॉपी, बुनियादी डेटा विश्लेषण, हल्की स्क्रिप्टिंग और क्लाइंट ईमेल संभालता है, ChatGPT इन कार्यों के बीच की दरारों को भरता है। उनमें से कोई भी उस व्यक्ति का आधिकारिक पद नहीं है, फिर भी काम पूरा हो जाता है।

अभी क्यों मायने रखता है: AI के लिए उत्पादकता की कहानी बहुत हद तक स्वचालन द्वारा किसी कार्य को प्रतिस्थापित करने के बारे में रही है। यह अध्ययन इसे विस्तार के रूप में पुनः परिभाषित करता है। एक कर्मचारी अधिक क्षेत्र कवर कर सकता है, जो छोटी टीमों के काम के विभाजन, भर्ती के लिए क्या मायने रखता है, और प्रबंधक अपने समीक्षा समय में कहां खर्च करते हैं, इसको बदल देता है। बिल्डर्स के लिए, क्रॉस-रोल पैटर्न एक संकेत है कि टूल्स और प्रॉम्प्ट्स को एक सत्र में कई प्रकार के कार्यों का समर्थन करने के लिए डिज़ाइन करें, न कि उपयोगकर्ता को विशेषज्ञ ऐप्स के बीच कूदने के लिए मजबूर करें।

OpenAI प्रकाशक और फंडर है, जो ध्यान में रखना महत्वपूर्ण है। शोध में देखे गए व्यवहार का वर्णन है, मापी गई गुणवत्ता लाभों का नहीं, और यह स्पष्ट रूप से यह दावा नहीं करता कि बड़े कार्य क्षेत्र का अर्थ है बेहतर काम या कम नौकरियां। जो यह सुझाव देता है वह यह है कि प्रबंधकों और टूल बिल्डर्स के लिए प्रश्न "यह टूल किस भूमिका को प्रतिस्थापित करता है" से "जब एक व्यक्ति विश्वसनीय रूप से अधिक कर सकता है तो हम पुनर्गठन कैसे करें" में बदल रहा है।