बुद्धिमत्ता की नई भौतिकी: थर्मोडायनामिक कंप्यूटिंग और डिजिटल नियतिवाद का अंत

तकनीकी सभ्यता आज एक अस्तित्वगत विरोधाभास का सामना कर रही है। जहां एक ओर लार्ज लैंग्वेज मॉडल्स (LLM) और जनरेटिव सिस्टम के प्रसार से प्रेरित होकर आर्टिफिशियल इंटेलिजेंस (AI) की मांग तेजी से बढ़ रही है, वहीं दूसरी ओर इन प्रगतियों को सहारा देने वाला भौतिक बुनियादी ढांचा तेजी से अपनी थर्मोडायनामिक (ऊष्मप्रवैगिकीय) सीमाओं के करीब पहुंच रहा है। ‘मूर के नियम’ की प्रचलित धारणा—ट्रांजिस्टर और दक्षता का निरंतर दोगुना होना—अब टूटने लगी है। ऐसा इसलिए नहीं है कि हम उपकरणों को और छोटा नहीं कर सकते, बल्कि इसलिए कि गर्मी के उत्सर्जन और ऊर्जा की खपत की बुनियादी बाधाएं अब आड़े आ रही हैं। इसी नाजुक समय में ‘थर्मोडायनामिक कंप्यूटिंग’ का उदय हुआ है, जो न केवल ऊर्जा संकट को कम करने का वादा करता है, बल्कि सूचना प्रसंस्करण (information processing) की प्रकृति को ही फिर से परिभाषित करने की क्षमता रखता है।

जनरेटिव AI के युग में वाट की तानाशाही

वॉन न्यूमैन मॉडल और नियतिवादी (deterministic) बूलियन लॉजिक पर आधारित वर्तमान कंप्यूटर आर्किटेक्चर उस बाधा से टकरा रहा है जिसे विशेषज्ञ “ऊर्जा की दीवार” (Power Wall) कहते हैं। उन्नत AI मॉडल की ट्रेनिंग और इन्فرنس (निष्कर्ष निकालना) लगभग पूरी तरह से ग्राफिक प्रोसेसिंग यूनिट्स (GPU) पर निर्भर है, जैसे कि सर्वव्यापी NVIDIA H100। अकेले इस एक यूनिट की थर्मल डिजाइन पावर (TDP) 700 वॉट है, और जब इन्हें HGX H100 सिस्टम में क्लस्टर किया जाता है, तो प्रति रैक खपत 2,000 वॉट से अधिक हो जाती है। शक्ति का यह घनत्व आधुनिक डेटा केंद्रों को डिजिटल भट्टियों में बदल देता है, जिन्हें ठंडा रखने के लिए विशाल बुनियादी ढांचे और औद्योगिक पैमाने पर पानी और बिजली की आवश्यकता होती है।

अधिक लेख

ट्रेन ड्रीम्स: खामोशी (और नेटफ्लिक्स) के बीच खुद को कैसे बचाएं

कपूर खानदान की दावत: ‘डाइनिंग विद द कपूर्स’ के साथ बॉलीवुड के ‘फर्स्ट फैमिली’ के घर में खास एंट्री

स्थानीय विरोध प्रदर्शनों और संवाद के बीच MOWAA ने अपनी उद्घाटन प्रदर्शनी स्थगित की

मैक्रोइकॉनॉमिक डेटा इस संकट की गंभीरता की पुष्टि करते हैं। गोल्डमैन सैक्स का अनुमान है कि इस दशक के अंत तक डेटा केंद्रों से वैश्विक बिजली की मांग में 165% की वृद्धि होगी। वहीं, अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) का अनुमान है कि 2026 तक डेटा केंद्रों की बिजली खपत दोगुनी होकर 1,000 TWh तक पहुंच सकती है—जो जापान की कुल बिजली खपत के बराबर है। यह वृद्धि रैखिक नहीं है, बल्कि AI मॉडल की जटिलता के साथ तेजी से बढ़ रही है, जिससे एक ऐसी स्थिति पैदा हो रही है जहाँ 92% डेटा सेंटर अधिकारी पहले ही बिजली ग्रिड की सीमाओं को स्केलिंग में सबसे बड़ी बाधा मान रहे हैं।

नियतिवाद की अंतर्निहित अक्षमता

मूल समस्या केवल गणना की मात्रा में नहीं, बल्कि उसकी भौतिक गुणवत्ता में है। समकालीन डिजिटल कंप्यूटिंग ‘शोर दमन’ (noise suppression) के सिद्धांत पर काम करती है। यह सुनिश्चित करने के लिए कि एक बिट स्पष्ट रूप से 0 या 1 हो, ट्रांजिस्टर को उन वोल्टेज पर काम करना पड़ता है जो इलेक्ट्रॉनों के प्राकृतिक “थर्मल शोर” से कहीं अधिक होते हैं। एन्ट्रापी (अव्यवस्था) के खिलाफ यह निरंतर संघर्ष—एक अराजक भौतिक माध्यम में पूर्ण व्यवस्था बनाए रखने का प्रयास—ऊर्जा की भारी कीमत चुकाकर होता है।

एक डिजिटल प्रोसेसर में हर तार्किक ऑपरेशन में कैपेसिटर को चार्ज और डिस्चार्ज करना और प्रतिरोधों के माध्यम से इलेक्ट्रॉनों को ले जाना शामिल है, जिससे अवशिष्ट गर्मी पैदा होती है। यह गर्मी गणना में कोई योगदान नहीं देती, बल्कि यह उस “घर्षण” में बर्बाद हुई ऊर्जा है जो नियतिवाद (determinism) को लागू करने के लिए आवश्यक है। जैसा कि शोधकर्ता बताते हैं, पारंपरिक सिस्टम रैंडमनेस (stochasticity) को दबाने के लिए “ऊर्जा का भुगतान” करते हैं। इसके अलावा, मेमोरी और प्रोसेसिंग यूनिट (वॉन न्यूमैन बाधा) के बीच का भौतिक अलगाव का मतलब है कि ऊर्जा का एक बड़ा हिस्सा डेटा को संसाधित करने के बजाय केवल एक जगह से दूसरी जगह ले जाने में खर्च होता है।

थर्मोडायनामिक विकल्प

इस परिदृश्य के सामने, थर्मोडायनामिक कंप्यूटिंग परिचालन सिद्धांतों में एक आमूलचूल परिवर्तन का प्रस्ताव करती है। थर्मल शोर से लड़ने के लिए ऊर्जा खर्च करने के बजाय, यह अनुशासन इसे एक कंप्यूटिंग संसाधन के रूप में उपयोग करने का प्रयास करता है। यह इस आधार पर टिका है कि प्रकृति थर्मल संतुलन (thermal equilibrium) की ओर रिलैक्सेशन प्रक्रियाओं के माध्यम से कुशलतापूर्वक गणना करती है। कंप्यूटर आर्किटेक्चर को सूचना की अंतर्निहित भौतिकी के साथ संरेखित करके, जटिल कार्यों को—विशेष रूप से जनरेटिव AI के लिए आवश्यक प्रोबेबिलिस्टिक सैंपलिंग (संभाव्य नमूनाकरण) को—डिजिटल ट्रांजिस्टर की तुलना में कई गुना अधिक दक्षता के साथ करना संभव हो जाता है।

यह दृष्टिकोण केवल सैद्धांतिक नहीं है। Extropic और Normal Computing जैसी कंपनियों ने ऐसे हार्डवेयर का निर्माण शुरू कर दिया है जो इन सिद्धांतों को मूर्त रूप देते हैं, और जो मौजूदा तकनीकों की तुलना में 10,000 गुना अधिक दक्षता का वादा करते हैं। यह रिपोर्ट इस तकनीक की स्थिति, इसके भौतिक आधारों, प्रमुख खिलाड़ियों और भौतिकी-आधारित कंप्यूटिंग की ओर संक्रमण के भू-राजनीतिक और आर्थिक प्रभावों का व्यापक विश्लेषण करती है।

भौतिक आधार: नियतिवादी बिट से स्टोचैस्टिक पी-बिट तक

थर्मोडायनामिक कंप्यूटिंग द्वारा प्रस्तुत नवाचार की विशालता को समझने के लिए, सर्किट के संचालन के भौतिक स्तर पर उतरना अनिवार्य है। एक पारंपरिक चिप और एक थर्मोडायनामिक सैंपलिंग यूनिट (TSU) के बीच का अंतर केवल डिग्री का नहीं, बल्कि उनकी मूल प्रकृति का है।

गैर-संतुलन थर्मोडायनामिक्स और कंप्यूटिंग

इन प्रगतियों को आधार देने वाला सामान्य सिद्धांत गैर-संतुलन सांख्यिकीय भौतिकी है, जिसे अक्सर स्टोचैस्टिक थर्मोडायनामिक्स कहा जाता है। यह क्षेत्र उन प्रणालियों का विश्लेषण करने के लिए उपकरण प्रदान करता है जो थर्मल संतुलन से दूर हैं, जैसे कि कंप्यूटर। क्लासिक कंप्यूटिंग लैंडौअर के सिद्धांत का पालन करती है, जो सूचना के एक बिट को मिटाने के लिए आवश्यक ऊर्जा की सैद्धांतिक निचली सीमा निर्धारित करता है, जिससे वातावरण में गर्मी फैलती है। हालाँकि, थर्मोडायनामिक कंप्यूटिंग अलग गतिकी के तहत काम करती है।

थर्मोडायनामिक उपकरणों को लैंग्विन गतिकी (Langevin dynamics) के तहत विकसित करने के लिए डिज़ाइन किया गया है। इसका मतलब है कि भौतिक प्रणाली स्वाभाविक रूप से अपनी न्यूनतम ऊर्जा स्थिति की “तलाश” करती है। यदि किसी गणितीय समस्या को डिवाइस के ऊर्जा परिदृश्य में एनकोड किया जाता है, तो सिस्टम केवल अपने थर्मल संतुलन स्थिति की ओर ‘आराम’ (relaxing) करके समस्या को हल कर देता है। इस प्रतिमान में, गणना जबरदस्ती तार्किक चरणों की एक श्रृंखला नहीं है, बल्कि एक प्राकृतिक भौतिक प्रक्रिया है, ठीक वैसे ही जैसे पानी की बूंद पहाड़ से नीचे सबसे तेज़ रास्ता खोजती है या प्रोटीन अपने इष्टतम विन्यास में मुड़ता है।

प्रोबेबिलिस्टिक बिट (p-bit)

इस नई वास्तुकला की मूलभूत इकाई p-bit (probabilistic bit) है। एक डिजिटल बिट के विपरीत, जो आदेश मिलने तक स्थिर रहता है, एक p-bit नैनोसेकंड के समय के पैमाने पर 0 और 1 के बीच लगातार उतार-चढ़ाव करता है, जो परिवेशीय थर्मल शोर द्वारा संचालित होता है। हालाँकि, यह उतार-चढ़ाव पूरी तरह से यादृच्छिक (random) नहीं है; इसे नियंत्रण वोल्टेज के माध्यम से पक्षपाती (biased) किया जा सकता है ताकि p-bit, उदाहरण के लिए, 80% समय स्थिति 1 में और 20% समय स्थिति 0 में बिताए।

यह व्यवहार प्रायिकता वितरण (probability distributions) की नकल करता है। कई p-bits को आपस में जोड़कर, एक ऐसा सर्किट बनाया जाता है जो एक जटिल संयुक्त प्रायिकता वितरण का प्रतिनिधित्व करता है। जब किसी दिए गए क्षण में सर्किट की स्थिति को “पढ़ा” जाता है, तो हमें उस वितरण का एक वैध नमूना (sample) मिलता है। यह महत्वपूर्ण है क्योंकि आधुनिक जनरेटिव AI मूल रूप से संभावनाओं के बारे में ही है: सबसे संभावित अगले शब्द की भविष्यवाणी करना या एक छवि में सबसे संभावित पिक्सेल उत्पन्न करना।

नेटिव सैंपलिंग बनाम डिजिटल सिमुलेशन

Extropic द्वारा दावा किया गया “10,000 गुना” दक्षता लाभ इसी संरचनात्मक अंतर से आता है। एक डिजिटल (नियतिवादी) GPU में, एक जटिल वितरण से एक यादृच्छिक नमूना उत्पन्न करने के लिए स्यूडो-रैंडम नंबर जनरेटर (PRNG) एल्गोरिदम चलाने की आवश्यकता होती है जो हजारों क्लॉक साइकल और लाखों ट्रांजिस्टर ट्रांजिशन की खपत करते हैं। GPU को जटिल नियतिवादी अंकगणित के माध्यम से संयोग का अनुकरण (simulate) करना पड़ता है।

इसके विपरीत, थर्मोडायनामिक चिप मूल रूप से (natively) नमूना उत्पन्न करती है। यह शोर का अनुकरण नहीं करती; शोर ही गणना का इंजन है। भौतिकी यादृच्छिकता उत्पन्न करने का भारी काम करती है, जिससे इस विशिष्ट कार्य के लिए जटिल अंकगणितीय तर्क इकाइयों (ALU) की आवश्यकता समाप्त हो जाती है। संक्षेप में, यह शोर-सहायता प्राप्त एनालॉग कंप्यूटिंग है, जहां भौतिक माध्यम गणितीय ऑपरेशन को तुरंत करता है।

तालिका: परिचालन विशेषताएँ

Extropic: वास्तुकला और अनिश्चितता की रणनीति

अमेरिका स्थित Extropic ने खुद को इस तकनीक के वाणिज्यिक अग्रदूत के रूप में स्थापित किया है। Guillaume Verdon (पूर्व Google भौतिक विज्ञानी और डिजिटल क्षेत्र में “Beff Jezos” के रूप में जाने जाने वाले, प्रभावी त्वरणवाद या e/acc आंदोलन के नेता) और Trevor McCourt द्वारा स्थापित, कंपनी सिद्धांत से ठोस सिलिकॉन निर्माण की ओर बढ़ गई है।

X0 चिप: प्रोबेबिलिस्टिक सिलिकॉन का सत्यापन

Extropic का पहला ठोस मील का पत्थर X0 चिप है। यह एक परीक्षण प्रोटोटाइप है जिसे यह सत्यापित करने के लिए डिज़ाइन किया गया है कि प्रोबेबिलिस्टिक सर्किट मानक सेमीकंडक्टर प्रक्रियाओं का उपयोग करके निर्मित किए जा सकते हैं और कमरे के तापमान पर काम कर सकते हैं। क्वांटम कंप्यूटरों के विपरीत, जिन्हें परम शून्य के करीब तापमान की आवश्यकता होती है, X0 एन्ट्रापी के स्रोत के रूप में परिवेशी गर्मी का उपयोग करता है।

X0 में सर्किट का एक परिवार है जिसे आदिम प्रायिकता वितरण से नमूने उत्पन्न करने के लिए डिज़ाइन किया गया है। इसका मुख्य कार्य Extropic के शोर मॉडल की सटीकता की पुष्टि करना था: यह प्रदर्शित करना कि एक ट्रांजिस्टर को पूर्वानुमानित और नियंत्रणीय तरीके से “शोरयुक्त” (noisy) होने के लिए डिज़ाइन किया जा सकता है। यह एक महत्वपूर्ण उपलब्धि है क्योंकि सेमीकंडक्टर उद्योग ने शोर को खत्म करने के लिए प्रक्रियाओं को अनुकूलित करने में 60 साल बिताए हैं; इसे नियंत्रित तरीके से वापस लाने के लिए सामग्री भौतिकी पर गहरी पकड़ की आवश्यकता होती है।

XTR-0 विकास प्लेटफॉर्म

शोधकर्ताओं और डेवलपर्स को इस नई भौतिकी के साथ बातचीत करने की अनुमति देने के लिए, Extropic ने XTR-0 प्लेटफॉर्म लॉन्च किया है। यह सिस्टम एक स्टैंडअलोन कंप्यूटर नहीं है, बल्कि एक हाइब्रिड आर्किटेक्चर है। भौतिक रूप से, इसमें एक ट्रेपेज़ॉइडल मदरबोर्ड होता है जिसमें एक पारंपरिक CPU और एक FPGA होता है, जो थर्मोडायनामिक X0 चिप्स वाले दो डॉटरबोर्ड से जुड़ा होता है।

XTR-0 का कार्य एक पुल के रूप में काम करना है। CPU सामान्य वर्कफ़्लो और नियतिवादी तर्क का प्रबंधन करता है, जबकि FPGA एक हाई-स्पीड अनुवादक के रूप में कार्य करता है, जो X0 चिप्स को निर्देश और पैरामीटर भेजता है और उत्पन्न प्रोबेबिलिस्टिक नमूने प्राप्त करता है। यह आर्किटेक्चर एक व्यावहारिक वास्तविकता को स्वीकार करता है: थर्मोडायनामिक कंप्यूटर ऑपरेटिंग सिस्टम चलाने या स्प्रेडशीट संसाधित करने जैसे कार्यों के लिए डिजिटल कंप्यूटर की जगह नहीं लेंगे। उनकी भूमिका विशिष्ट त्वरक (specialized accelerators) की है, ठीक वैसे ही जैसे GPU ग्राफिक्स को तेज करते हैं, लेकिन यह विशेष रूप से AI के प्रोबेबिलिस्टिक वर्कलोड के लिए समर्पित हैं।

Z1 चिप और स्केल का विजन

Extropic का अंतिम लक्ष्य X0 नहीं, बल्कि भविष्य की Z1 चिप है। यह अनुमान लगाया गया है कि यह डिवाइस लाखों इंटरकनेक्टेड p-bits को होस्ट करेगा, जिससे डीप जनरेटिव AI मॉडल को पूरी तरह से थर्मोडायनामिक सब्सट्रेट पर चलाने की अनुमति मिलेगी। कंपनी द्वारा किए गए सिमुलेशन बताते हैं कि यह चिप एक समकक्ष GPU की तुलना में 10,000 गुना कम ऊर्जा की खपत करते हुए छवि या पाठ निर्माण कार्यों को निष्पादित कर सकता है।

Z1 का आर्किटेक्चर बड़े पैमाने पर स्थानीय कनेक्टिविटी पर आधारित है। GPU के विपरीत, जहां डेटा चिप के माध्यम से लंबी दूरी तय करता है (ऊर्जा की खपत करता है), Extropic के डिजाइन में, मेमोरी और गणना आपस में जुड़े हुए हैं। P-bits केवल अपने निकटतम पड़ोसियों के साथ बातचीत करते हैं, स्थानीय इंटरैक्शन का एक नेटवर्क बनाते हैं जो सामूहिक रूप से वैश्विक समस्याओं को हल करते हैं। यह डेटा संचलन की ऊर्जा लागत के एक बड़े हिस्से को समाप्त करता है।

नेटिव एल्गोरिदम: डीनोइजिंग थर्मोडायनामिक मॉडल (DTM)

क्रांतिकारी हार्डवेयर को क्रांतिकारी सॉफ्टवेयर की आवश्यकता होती है। थर्मोडायनामिक चिप पर मानक डीप लर्निंग एल्गोरिदम (नियतिवादी मैट्रिक्स गुणन पर आधारित) को चलाने का प्रयास करना अक्षम होगा। इसलिए, Extropic ने नेटिव एल्गोरिदम का एक नया वर्ग विकसित किया है।

ऊर्जा आधारित मॉडल (EBMs)

Extropic के सॉफ़्टवेयर का सैद्धांतिक आधार ऊर्जा-आधारित मॉडल (Energy-Based Models या EBMs) हैं। मशीन लर्निंग में, एक EBM यथार्थवादी दिखने वाले डेटा (जैसे बिल्ली की छवि) को कम “ऊर्जा” और शोर या गलत डेटा को उच्च ऊर्जा के साथ जोड़ना सीखता है। EBM के साथ डेटा उत्पन्न करने में निम्न-ऊर्जा कॉन्फ़िगरेशन ढूंढना शामिल है।

EBM सैद्धांतिक रूप से दशकों से मौजूद हैं, लेकिन गहरे तंत्रिका नेटवर्क (Deep Neural Networks) के सामने वे पक्ष से बाहर हो गए क्योंकि डिजिटल कंप्यूटर पर उन्हें प्रशिक्षित करना और उपयोग करना बेहद धीमा है। उन्हें गिब्स सैंपलिंग (Gibbs Sampling) नामक एक प्रक्रिया की आवश्यकता होती है, जो CPU या GPU पर गणनात्मक रूप से निषेधात्मक है। हालांकि, Extropic की चिप गिब्स सैंपलिंग को मूल रूप से और लगभग तुरंत करती है। जो डिजिटल सिलिकॉन के लिए कमजोरी है, वह थर्मोडायनामिक सिलिकॉन की मौलिक ताकत है।

डीनोइजिंग थर्मोडायनामिक मॉडल (DTM)

Extropic का प्रमुख एल्गोरिदम डीनोइजिंग थर्मोडायनामिक मॉडल (DTM) है। यह मॉडल आधुनिक डिफ्यूजन मॉडल (जैसे कि मिडजर्नी या स्टेबल डिफ्यूजन को चलाने वाले) के समान काम करता है, जो शुद्ध शोर से शुरू होते हैं और स्पष्ट छवि प्राप्त होने तक इसे उत्तरोत्तर परिष्कृत करते हैं।

हालाँकि, जबकि GPU पर एक डिफ्यूजन मॉडल को गणितीय रूप से गणना करनी चाहिए कि शोर को कदम दर कदम कैसे हटाया जाए, DTM परिवर्तन करने के लिए चिप की भौतिकी का उपयोग करता है। थर्मोडायनामिक हार्डवेयर “शोरयुक्त” स्थिति को थर्मोडायनामिक्स के नियमों का पालन करते हुए भौतिक रूप से “व्यवस्थित” स्थिति (अंतिम छवि) में विकसित होने की अनुमति देता है। सिमुलेशन से संकेत मिलता है कि यह दृष्टिकोण न केवल तेज़ है, बल्कि इसमें कई गुना कम ऊर्जा की आवश्यकता होती है क्योंकि “शोर हटाने” की प्रक्रिया प्रणाली की संतुलन की ओर प्राकृतिक प्रवृत्ति द्वारा की जाती है, न कि खरबों फ्लोटिंग-पॉइंट गणनाओं द्वारा।

प्रतिस्पर्धी पारिस्थितिकी तंत्र: भौतिक कंप्यूटिंग में अलग-अलग दृष्टिकोण

यद्यपि Extropic ने अपने साहसिक दावों और साइबरपंक सौंदर्य के साथ मीडिया का ध्यान आकर्षित किया है, लेकिन यह इस क्षेत्र में एकमात्र खिलाड़ी नहीं है। थर्मोडायनामिक और प्रोबेबिलिस्टिक कंप्यूटिंग की दौड़ में Normal Computing जैसे अन्य परिष्कृत प्रतियोगी भी शामिल हैं, जिनमें से प्रत्येक के पास अलग-अलग तकनीकी और बाजार दर्शन हैं।

Normal Computing: स्टोचैस्टिसिटी के माध्यम से विश्वसनीयता

Normal Computing, जिसका मुख्यालय न्यूयॉर्क में है और जिसकी स्थापना Google Brain और Alphabet X के पूर्व इंजीनियरों द्वारा की गई थी, समस्या को थोड़े अलग कोण से देखती है। जबकि Extropic जनरेशन (त्वरणवाद) के लिए गति और कच्ची दक्षता पर ध्यान केंद्रित करती है, Normal महत्वपूर्ण प्रणालियों में विश्वसनीयता, सुरक्षा और अनिश्चितता के परिमाणीकरण पर महत्वपूर्ण जोर देती है।

उनकी तकनीक स्टोचैस्टिक प्रोसेसिंग यूनिट (SPU) पर आधारित है। Extropic की तरह, वे थर्मल शोर का उपयोग करते हैं, लेकिन उनका गणितीय ढांचा Ornstein-Uhlenbeck (OU) प्रक्रिया जैसी विशिष्ट स्टोचैस्टिक प्रक्रियाओं पर केंद्रित है। OU प्रक्रिया एक मीन-रिवर्टिंग (औसत की ओर लौटने वाली) स्टोचैस्टिक प्रक्रिया है, जो उन प्रणालियों को मॉडल करने के लिए उपयोगी है जो उतार-चढ़ाव करती हैं लेकिन एक स्थिर केंद्र पर वापस आती हैं।

Normal Computing ने महत्वपूर्ण मील के पत्थर हासिल किए हैं, जैसे कि उनके CN101 चिप का “टेप-आउट” (निर्माण के लिए डिज़ाइन को अंतिम रूप देना)। यह चिप वास्तविक सिलिकॉन में थर्मोडायनामिक आर्किटेक्चर की व्यवहार्यता को प्रदर्शित करने के लिए डिज़ाइन की गई है। उनके रोडमैप में भविष्य के CN201 और CN301 चिप शामिल हैं, जिनका उद्देश्य 2027-2028 तक उच्च-रिज़ॉल्यूशन डिफ्यूजन मॉडल और वीडियो को स्केल करना है।

मुख्य अंतर: Extropic कम ऊर्जा लागत पर अधिकतम एन्ट्रापी और जनरेटिव रचनात्मकता (कला, पाठ, विचार के लिए आदर्श) के लिए अनुकूलित करता प्रतीत होता है। Normal Computing “व्याख्या योग्य AI” (explainable AI) और विश्वसनीयता के लिए अनुकूलित करता प्रतीत होता है, जो प्रोबेबिलिस्टिक हार्डवेयर का उपयोग करता है ताकि AI “जाने कि वह क्या नहीं जानता” और व्यावसायिक या औद्योगिक अनुप्रयोगों में जोखिमों का प्रबंधन कर सके।

न्यूरोमॉर्फिक बनाम थर्मोडायनामिक कंप्यूटिंग

थर्मोडायनामिक कंप्यूटिंग को न्यूरोमॉर्फिक कंप्यूटिंग (IBM के TrueNorth या Intel के Loihi जैसे चिप्स द्वारा प्रतिनिधित्व) से अलग करना महत्वपूर्ण है। न्यूरोमॉर्फिक कंप्यूटिंग अक्सर नियतिवादी डिजिटल या एनालॉग सर्किट का उपयोग करके मस्तिष्क की जैविक वास्तुकला (न्यूरॉन्स, सिनैप्स, वोल्टेज स्पाइक्स) की नकल करने का प्रयास करती है।

दूसरी ओर, थर्मोडायनामिक कंप्यूटिंग मस्तिष्क की भौतिकी की नकल करती है। जैविक मस्तिष्क 37°C पर गीले और शोर वाले वातावरण में काम करता है, रासायनिक प्रतिक्रियाओं और संकेत संचरण को सुविधाजनक बनाने के लिए थर्मल शोर का उपयोग करता है। यह शोर से लड़ता नहीं है; यह इसका उपयोग करता है। Extropic और Normal Computing का तर्क है कि भौतिकी (थर्मोडायनामिक्स) की नकल करना केवल संरचना (न्यूरोमॉर्फिक) की नकल करने की तुलना में दक्षता का एक अधिक सीधा रास्ता है।

दक्षता का गहन विश्लेषण: “10,000 गुना” के दावे की पड़ताल

10,000 गुना दक्षता सुधार का दावा असाधारण है और इसके लिए कठोर तकनीकी जांच की आवश्यकता है। यह आंकड़ा वास्तव में कहां से आता है और क्या यह उत्पादन वातावरण में यथार्थवादी है?

बचत की भौतिकी

ऊर्जा की बचत तीन मुख्य स्रोतों से होती है:

1. डेटा संचलन का उन्मूलन: GPU में, VRAM मेमोरी से मॉडल वज़न (weights) पढ़ना गणना करने से अधिक ऊर्जा की खपत करता है। Extropic के TSU में, मॉडल वज़न भौतिक रूप से p-bits के बीच कनेक्शन में एनकोड किए जाते हैं। गणना वहीं होती है जहाँ डेटा होता है।
2. निष्क्रिय गणना: डिजिटल सर्किट में, घड़ी (clock) प्रति सेकंड लाखों बार स्थिति परिवर्तन को मजबूर करती है, प्रत्येक चक्र में सक्रिय ऊर्जा की खपत करती है। थर्मोडायनामिक सर्किट में, सिस्टम निष्क्रिय रूप से समाधान की ओर विकसित होता है। ऊर्जा काफी हद तक परिवेशीय गर्मी (थर्मल शोर) द्वारा आपूर्ति की जाती है, जो “मुफ़्त” है।
3. सैंपलिंग दक्षता: जैसा कि चर्चा की गई है, डिजिटल रूप से एक सांख्यिकीय नमूना उत्पन्न करने के लिए हजारों ऑपरेशन की आवश्यकता होती है। थर्मोडायनामिक्स में, यह एक एकल ऑपरेशन है। यदि किसी कार्य के लिए लाखों नमूने लेने की आवश्यकता होती है (जैसे वीडियो निर्माण में), तो यह लाभ रैखिक रूप से जमा होकर कई गुना हो जाता है।

वास्तविक खपत की तुलना

इसे परिप्रेक्ष्य में रखने के लिए, LLaMA-प्रकार के मॉडल की ट्रेनिंग और इन्فرنس पर विचार करें। मेटा ने 16,000 H100 GPU का उपयोग करके LLaMA 3 को प्रशिक्षित किया। यदि हम एक रूढ़िवादी औसत खपत मानते हैं, तो ऊर्जा लागत सैकड़ों गीगावाट-घंटे है। इन्فرنس चरण (दैनिक उपयोग) में, यदि लाखों उपयोगकर्ता मॉडल से प्रश्न पूछते हैं, तो संचयी खपत प्रशिक्षण से अधिक हो जाती है।

यदि एक थर्मोडायनामिक चिप सैकड़ों वॉट के बजाय मिलीवॉट की खपत करके वही इन्فرنس कर सकती है, तो AI की आर्थिक व्यवहार्यता मौलिक रूप से बदल जाती है। यह बैटरी को मिनटों में खत्म किए बिना स्मार्टफोन पर GPT-4 स्तर के मॉडल चलाने, या कृषि में स्मार्ट सेंसर तैनात करने की अनुमति देगा जो एक छोटी बैटरी के साथ वर्षों तक काम करते हैं।

सीमाएं और चेतावनियां

हालांकि, 10,000 गुना का आंकड़ा इस हार्डवेयर के लिए अनुकूलित विशिष्ट बेंचमार्क के सिमुलेशन से लिया गया है। मिश्रित वर्कलोड में, जहां नियतिवादी तर्क, डेटा प्री-प्रोसेसिंग और CPU के साथ संचार की आवश्यकता होती है, वैश्विक सिस्टम दक्षता (एमडाल का नियम) कम होगी। इसके अलावा, एनालॉग सटीकता स्वाभाविक रूप से सीमित है। सटीक 64-बिट सटीकता की आवश्यकता वाली वित्तीय गणनाओं के लिए, थर्मोडायनामिक कंप्यूटिंग उपयुक्त नहीं है। इसका स्थान प्रोबेबिलिस्टिक इन्فرنس है, सटीक लेखांकन नहीं।

तालिका: दक्षता का परिदृश्य

विनिर्माण और स्केलेबिलिटी चुनौतियां: हार्डवेयर की मौत की घाटी

कंप्यूटिंग का इतिहास आशाजनक तकनीकों (मेमरिस्टर्स, ऑप्टिकल कंप्यूटिंग, स्पिन्ट्रोनिक्स) से भरा पड़ा है जो स्केल करने के प्रयास में विफल रहीं। थर्मोडायनामिक कंप्यूटिंग को प्रयोगशाला से बाहर निकलने के लिए महत्वपूर्ण बाधाओं का सामना करना पड़ता है।

प्रक्रिया परिवर्तनशीलता और अंशांकन

Extropic और Normal Computing के लिए सबसे बड़ी चुनौती एकरूपता (homogeneity) है। आधुनिक चिप निर्माण (5nm या 3nm नोड्स) में, ट्रांजिस्टर के बीच सूक्ष्म अंतर मौजूद होते हैं। डिजिटल में, इसे सुरक्षा मार्जिन के साथ प्रबंधित किया जाता है। एनालॉग/थर्मोडायनामिक में, जहां “शोर” सिग्नल है, ट्रांजिस्टर के आकार में भिन्नता इसकी प्रायिकता प्रोफ़ाइल को बदल देती है।

यदि विनिर्माण दोषों के कारण प्रत्येक p-bit में थोड़ा अलग पूर्वाग्रह (bias) है, तो चिप सही प्रायिकता वितरण का प्रतिनिधित्व नहीं करेगी। इन विविधताओं की भरपाई के लिए लाखों व्यक्तिगत p-bits को कैलिब्रेट करने के लिए बड़े पैमाने पर डिजिटल नियंत्रण सर्किट की आवश्यकता हो सकती है, जो ऊर्जा और स्थान की बचत के कुछ हिस्से को खा सकता है। Extropic का दावा है कि उसने मजबूत सर्किट डिजाइनों के साथ इसे हल कर लिया है, लेकिन असली परीक्षा Z1 चिप के बड़े पैमाने पर उत्पादन के साथ आएगी।

सॉफ्टवेयर पारिस्थितिकी तंत्र में एकीकरण

पारिस्थितिकी तंत्र के बिना हार्डवेयर बेकार है। NVIDIA न केवल अपने चिप्स के कारण, बल्कि CUDA, अपनी सॉफ़्टवेयर परत के कारण AI पर हावी है। डेवलपर्स द्वारा TSU को अपनाने के लिए, भौतिक जटिलता को सरल (abstracted) किया जाना चाहिए। Extropic ने Thrml जारी किया है, जो एक पायथन लाइब्रेरी है जो डेवलपर्स को ऊर्जा मॉडल को परिभाषित करने और उन्हें बैकएंड (चाहे GPU पर सिम्युलेटेड हो या XTR-0 पर वास्तविक) पर चलाने की अनुमति देती है। सफलता इस बात पर निर्भर करेगी कि PyTorch और TensorFlow के साथ यह एकीकरण कितना पारदर्शी है। यदि ML इंजीनियरों को चिप प्रोग्राम करने के लिए सांख्यिकीय भौतिकी सीखनी पड़ी, तो इसे कोई नहीं अपनाएगा।

मूर के नियम से प्रतिस्पर्धा

डिजिटल तकनीक स्थिर नहीं है। NVIDIA, AMD और Intel AI के लिए अपने आर्किटेक्चर को अनुकूलित करना जारी रखते हैं (जैसे FP8 प्रिसिजन, ब्लैकवेल आर्किटेक्चर)। थर्मोडायनामिक कंप्यूटिंग एक चलते हुए लक्ष्य का पीछा कर रही है। जब तक Z1 चिप वाणिज्यिक बाजार में आएगी, तब तक पारंपरिक GPU अपनी दक्षता में सुधार कर चुके होंगे। “10,000 गुना” लाभ एक बड़ा कुशन है, लेकिन अवसर की खिड़की को न चूकने के लिए निष्पादन तेज होना चाहिए।

भू-राजनीतिक और आर्थिक निहितार्थ

इस तकनीक के उभरने के प्रभाव सर्वर रूम से परे, राष्ट्रीय रणनीति और वैश्विक AI अर्थव्यवस्था को प्रभावित करते हैं।

AI संप्रभुता और विकेंद्रीकरण

वर्तमान में, उन्नत AI एक कुलीनतंत्र (oligopoly) है जो उन संस्थाओं द्वारा नियंत्रित होता है जो अरबों डॉलर के डेटा केंद्रों को वित्तपोषित करने और प्रतिबंधित GPU आपूर्ति तक पहुंचने में सक्षम हैं। थर्मोडायनामिक कंप्यूटिंग, ऊर्जा और हार्डवेयर लागत को काफी कम करके (पुरानी, सस्ती सिलिकॉन निर्माण प्रक्रियाओं का उपयोग करके, क्योंकि उन्हें काम करने के लिए नवीनतम 3nm लिथोग्राफी की आवश्यकता नहीं है), “सुपरइंटेलिजेंस” तक पहुंच का लोकतंत्रीकरण कर सकती है।

यह छोटे देशों या मध्यम आकार की कंपनियों को अमेरिकी हाइपरस्केलर्स (Microsoft, Google, Amazon) के बादलों पर निर्भर हुए बिना अपने स्वयं के फाउंडेशन मॉडल संचालित करने की अनुमति देगा। यह अधिक तकनीकी संप्रभुता के लिए एक संभावित रास्ता है।

ग्रिड प्रभाव और स्थिरता

IEA और सरकारें डेटा सेंटर की खपत से चिंतित हैं। आयरलैंड या उत्तरी वर्जीनिया जैसी जगहों पर, डेटा केंद्र कुल ग्रिड का दो अंकों का प्रतिशत (10%+) उपभोग करते हैं। थर्मोडायनामिक कंप्यूटिंग इस दबाव के लिए एक “राहत वाल्व” प्रदान करती है। यदि उद्योग अपने इन्فرنس भार का एक हिस्सा थर्मोडायनामिक हार्डवेयर पर स्थानांतरित करता है, तो AI के विकास को कार्बन फुटप्रिंट के विकास से अलग किया जा सकता है, जिससे तकनीकी प्रगति को रोके बिना जलवायु लक्ष्यों को पूरा किया जा सकता है।

त्वरणवाद का दर्शन (e/acc)

वैचारिक घटक को नजरअंदाज नहीं किया जा सकता है। Extropic के CEO गुइल्यूम वर्डन e/acc आंदोलन के एक केंद्रीय व्यक्ति हैं, जो ब्रह्मांड के नैतिक और थर्मोडायनामिक अनिवार्य के रूप में अप्रतिबंधित और तीव्र तकनीकी प्रगति की वकालत करते हैं। Extropic केवल एक कंपनी नहीं है; यह इस विचारधारा की भौतिक अभिव्यक्ति है। वे ब्रह्मांड की एन्ट्रापी और बुद्धिमत्ता के उत्पादन को अधिकतम करना चाहते हैं। यह “मंदी” (Deceleration) या “AI सुरक्षा” (Safetyism) के दृष्टिकोण के विपरीत है। Extropic की सफलता सिलिकॉन वैली में त्वरणवादी खेमे के लिए एक सांस्कृतिक और तकनीकी जीत होगी।

प्राकृतिक बुद्धिमत्ता का उदय

थर्मोडायनामिक कंप्यूटिंग कृत्रिम और प्राकृतिक गणना के बीच की खाई को पाटने का अब तक का सबसे गंभीर प्रयास है। सत्तर वर्षों से, हमने ऐसे कंप्यूटर बनाए हैं जो कठोर नौकरशाही की तरह काम करते हैं: सटीक नियमों का पालन करना, सटीक स्थानों पर डेटा संग्रहीत करना और यह सुनिश्चित करने के लिए अत्यधिक ऊर्जा खर्च करना कि कुछ भी आदर्श से विचलित न हो। इस बीच, मानव मस्तिष्क—और स्वयं प्रकृति—ने एक जैज़ कलाकार की तरह काम किया है: आशुरचना (improvising) करना, धुन के हिस्से के रूप में शोर और अराजकता का उपयोग करना, और आश्चर्यजनक ऊर्जा दक्षता के साथ शानदार परिणाम प्राप्त करना।

Extropic और Normal Computing द्वारा X0 और CN101 जैसे उपकरणों के माध्यम से प्रस्तुत की गई तकनीकें बताती हैं कि हम इस दूसरे दृष्टिकोण को अपनाने के लिए तैयार हैं। 10,000 गुना ऊर्जा दक्षता का वादा केवल एक क्रमिक सुधार नहीं है; यह एक चरण परिवर्तन (phase change) है जो आर्टिफिशियल इंटेलिजेंस की सर्वव्यापकता को संभव बना सकता है।

हालाँकि, यह रास्ता तकनीकी जोखिमों से भरा है। डिजिटल नियतिवाद से थर्मोडायनामिक संभावनावाद में संक्रमण के लिए न केवल नई चिप्स की आवश्यकता होगी, बल्कि एल्गोरिदम, सटीकता और गणना की प्रकृति के बारे में हम कैसे सोचते हैं, इसके पूर्ण पुनर्शिक्षण की भी आवश्यकता होगी। यदि Extropic अपने p-bits को स्केल करने में सफल हो जाता है और Normal Computing अपनी स्टोचैस्टिक प्रक्रियाओं की सुरक्षा को प्रमाणित करने में सफल हो जाता है, तो यह संभव है कि एक दशक में हम मौजूदा GPU—वे 700-वाट सिलिकॉन ओवन—को उसी पुरानी यादों और perplexity (हैरानी) के साथ देखेंगे जिसके साथ आज हम 1940 के दशक के वैक्यूम ट्यूबों को देखते हैं। थर्मोडायनामिक्स से लड़ने का युग समाप्त हो गया है; इसके साथ गणना करने का युग शुरू हो गया है।

पोस्ट-डिजिटल कंप्यूटिंग परिदृश्य