\u00c0 medida que as na\u00e7\u00f5es se esfor\u00e7am para desenvolver a IA generativa (GenAI) e os modelos de linguagem ampla (LLMs), a \u00cdndia se encontra em um momento cr\u00edtico. H\u00e1 um desejo cada vez maior de criar LLMs de base nacional. Acreditamos que essas ambi\u00e7\u00f5es devem ser temperadas com realismo e pensamento estrat\u00e9gico. Em um cen\u00e1rio dominado por investimentos de bilh\u00f5es de d\u00f3lares em modelos de bilh\u00f5es de par\u00e2metros, a \u00cdndia deve avaliar cuidadosamente onde pode liderar, onde deve colaborar e onde deve simplesmente capacitar.<\/p>\n
O atual fluxo global no desenvolvimento de modelos fundamentais, os r\u00e1pidos ciclos de inova\u00e7\u00e3o e os enormes requisitos de capital sugerem que a cria\u00e7\u00e3o desses modelos a partir do zero n\u00e3o deve ser o foco do governo indiano, pelo menos n\u00e3o usando fundos p\u00fablicos. Em vez disso, a \u00eanfase deve se voltar para o aproveitamento de LLMs de c\u00f3digo aberto, permitindo o acesso ao idioma local e apoiando a inova\u00e7\u00e3o privada.<\/p>\n
Modelos b\u00e1sicos: Alto custo, retornos incertos<\/strong><\/p>\n A cria\u00e7\u00e3o de um LLM b\u00e1sico de ponta hoje em dia \u00e9 semelhante ao financiamento de um projeto de lan\u00e7amento da lua. Modelos como o GPT-4 e o Gemini requerem milhares de GPUs, conjuntos de dados enormes, talentos de elite e grandes recursos financeiros. Esses modelos evoluem rapidamente, com descobertas frequentes que tornam as vers\u00f5es mais antigas \u201ctamb\u00e9m perdedoras\u201d em quest\u00e3o de meses.<\/p>\n Para uma economia em desenvolvimento como a \u00cdndia, o investimento p\u00fablico deve priorizar resultados escalon\u00e1veis e inclusivos. A aplica\u00e7\u00e3o do dinheiro do contribuinte em modelos de funda\u00e7\u00e3o especulativos \u00e9 arriscada, sem nenhum benef\u00edcio garantido. \u00c9 mais prudente concentrar-se na inova\u00e7\u00e3o aplicada e na infraestrutura de bem p\u00fablico do que competir em uma corrida armamentista dominada por gigantes da tecnologia.<\/p>\n BharatGen e o modelo Param 1: Um passo adiante equilibrado<\/strong><\/p>\n Um esfor\u00e7o not\u00e1vel na \u00cdndia \u00e9 o cons\u00f3rcio BharatGen, uma colabora\u00e7\u00e3o de institui\u00e7\u00f5es acad\u00eamicas de primeira linha - IIT Bombay, IIT Kanpur, IIT Mandi, IIT Madras, IIT Hyderabad, IIIT Hyderabad e IIM Indore. Esse cons\u00f3rcio lan\u00e7ou recentemente o Param 1, um LLM bil\u00edngue de 2,9 bilh\u00f5es de par\u00e2metros que agora est\u00e1 dispon\u00edvel publicamente por meio da plataforma AIKosha do MeitY.<\/p>\n O que diferencia o Param 1 \u00e9 sua composi\u00e7\u00e3o de dados de 25% do idioma indiano, um salto significativo em rela\u00e7\u00e3o aos 0,01% de modelos internacionais como o LLaMA da Meta. O modelo n\u00e3o serve como um projeto inovador, mas como um facilitador - um ponto de verifica\u00e7\u00e3o fundamental que os desenvolvedores indianos podem ajustar para criar ferramentas de IA espec\u00edficas de um dom\u00ednio, como chatbots, copilotos e sistemas de conhecimento indianos.<\/p>\n \u00c9 importante ressaltar que a BharatGen tamb\u00e9m desenvolveu 20 modelos de fala em 19 idiomas indianos, incluindo os sistemas Speaker Adaptive e Voicebox TTS. Esses modelos foram criados do zero para atender \u00e0s necessidades de fala exclusivas da \u00cdndia, demonstrando que o investimento focado e intencional em uma infraestrutura de capacita\u00e7\u00e3o produz melhores resultados do que a tentativa de replicar modelos fundamentais globais.<\/p>\n Esse esfor\u00e7o reflete um modelo ideal para a participa\u00e7\u00e3o do setor p\u00fablico - n\u00e3o para competir globalmente, mas para fortalecer a capacidade local e reduzir a depend\u00eancia de conjuntos de dados e tecnologias estrangeiras.<\/p>\n Sarvam AI: Iniciativa de LLM soberano apoiada pelo governo<\/strong><\/p>\n Em uma a\u00e7\u00e3o significativa no \u00e2mbito da Miss\u00e3o IndiaAI de \u20b910.000 crore, o governo da \u00cdndia selecionou a startup Sarvam AI, sediada em Bengaluru, para desenvolver o primeiro LLM soberano do pa\u00eds. A Sarvam AI receber\u00e1 acesso a 4.096 GPUs Nvidia H100 por seis meses para treinar um modelo de 70 bilh\u00f5es de par\u00e2metros a partir do zero. Esse modelo tem como objetivo se destacar em racioc\u00ednio, tarefas baseadas em voz e flu\u00eancia em idiomas indianos, considerando o hist\u00f3rico do fundador com a AI4Bharat.<\/p>\n Exemplos globais: Use o que existe, construa o que est\u00e1 faltando<\/strong><\/p>\n Pa\u00edses como a Fran\u00e7a (Mistral), os Emirados \u00c1rabes Unidos (Falcon) e institui\u00e7\u00f5es como o Meta (LLaMA 2) oferecem um roteiro valioso. Esses LLMs de c\u00f3digo aberto de alto desempenho podem ser adaptados, localizados e combinados usando abordagens de conjunto ou de mistura de especialistas (MoE) para fornecer resultados competitivos sem o custo elevado.<\/p>\n A \u00cdndia deve adotar essa abordagem pragm\u00e1tica - usar modelos abertos, personaliz\u00e1-los com conjuntos de dados indianos e ajust\u00e1-los para governan\u00e7a local, agricultura, educa\u00e7\u00e3o e direito. Isso n\u00e3o apenas economiza recursos, mas tamb\u00e9m acelera a implementa\u00e7\u00e3o.<\/p>\n A verdadeira oportunidade da \u00cdndia: Idiomas locais e interfaces de voz<\/strong><\/p>\n A \u00cdndia deve liderar o sul global na cria\u00e7\u00e3o de uma IA que realmente ajude todos os estratos da sociedade. O foco deve ser o alcance e a equidade, e n\u00e3o o tamanho do modelo. Observamos tr\u00eas \u00e1reas principais que ter\u00e3o o maior impacto:<\/p>\n LLMs de idioma local:<\/strong> Interfaces de voz para as massas:<\/strong> Sistemas multimodais:<\/strong> O papel do governo: infraestrutura, n\u00e3o inven\u00e7\u00e3o<\/strong><\/p>\n Em vez de se tornar um construtor de modelos de bilh\u00f5es de par\u00e2metros, o governo indiano deveria se concentrar em:<\/p>\n Conjuntos de dados abertos: Liberar conjuntos de dados p\u00fablicos em grande escala para idiomas indianos, sa\u00fade, agricultura e governan\u00e7a para permitir que startups e pesquisadores ajustem os modelos existentes. A \u00cdndia deve evitar cair na armadilha do nacionalismo de IA movido pela vaidade. Nossa vantagem competitiva n\u00e3o est\u00e1 no tamanho, mas na personaliza\u00e7\u00e3o, na inclus\u00e3o e na implanta\u00e7\u00e3o em escala.<\/p>\n N\u00e3o precisamos construir o pr\u00f3ximo GPT. Precisamos garantir que os LLMs falem idiomas indianos, entendam os contextos indianos e atendam aos cidad\u00e3os indianos, de vilarejos remotos a centros urbanos.<\/p>\n Com uma pol\u00edtica favor\u00e1vel, acesso aberto a modelos globais e nativos e um foco incans\u00e1vel no valor local, a \u00cdndia pode liderar o mundo em IA aplicada. A iniciativa BharatGen, o foco Indic da Sarvam AI e os crescentes ecossistemas de c\u00f3digo aberto.<\/p>\n
\nApoiar startups que estejam criando modelos que priorizem os 22 idiomas programados da \u00cdndia. Esses esfor\u00e7os est\u00e3o mais alinhados para ajudar a alcan\u00e7ar a popula\u00e7\u00e3o linguisticamente diversificada da \u00cdndia do que os modelos que priorizam o ingl\u00eas. A compreens\u00e3o do idioma local \u00e9 a base da inclus\u00e3o digital.<\/p>\n
\nUm grande segmento de indianos permanece digitalmente exclu\u00eddo devido \u00e0 baixa alfabetiza\u00e7\u00e3o, \u00e0 baixa penetra\u00e7\u00e3o de smartphones e \u00e0 falta de conforto com teclados em ingl\u00eas. Para esses cidad\u00e3os, a voz em seu idioma local \u00e9 a interface mais natural. Os modelos de fala para texto e texto para fala de alta qualidade que suportam dialetos regionais s\u00e3o essenciais. Eles podem alimentar bots de URA, assistentes de IA e servi\u00e7os de baixa largura de banda.<\/p>\n
\nOs sistemas de IA que combinam uma variedade de entradas, incluindo texto, fala e imagens, ajudar\u00e3o com um alcance mais amplo. Por exemplo, os agricultores podem tirar fotos das planta\u00e7\u00f5es e obter respostas baseadas em voz em Telugu ou Odia; os cidad\u00e3os idosos podem falar com um sistema de consulta de pens\u00f5es em Marathi ou Tamil. Esses sistemas exigem um pensamento que priorize a implanta\u00e7\u00e3o, concentrando-se nas necessidades do usu\u00e1rio final.<\/p>\n
\nInfraestrutura de IA como um bem p\u00fablico: Fornecer acesso a computa\u00e7\u00e3o (GPUs\/TPUs), armazenamento e centros de modelos por meio de plataformas apoiadas pelo governo, como a AIKosha.
\nCapacita\u00e7\u00e3o pol\u00edtica e regulat\u00f3ria: Incentivar a experimenta\u00e7\u00e3o respons\u00e1vel, oferecer ambientes de teste e financiar implementa\u00e7\u00f5es piloto em regi\u00f5es rurais e semiurbanas.
\nCapacita\u00e7\u00e3o do setor privado: Permitir que as startups e o setor assumam riscos ousados no desenvolvimento de modelos fundamentais, enquanto o governo garante que o suporte regulat\u00f3rio e de infraestrutura esteja em vigor.
\nConclus\u00e3o: O sucesso do LLM da \u00cdndia vir\u00e1 da capacita\u00e7\u00e3o, n\u00e3o da constru\u00e7\u00e3o<\/strong><\/p>\n