Gemini Intelligence નો ભારતમાં વિસ્તાર: Pixel સિવાયના Android ઉપકરણો પર નવી AI ક્ષમતાઓ
Google એ ભારતમાં Gemini Intelligence નો વ્યાપ વધારીને સામાન્ય Android સ્માર્ટફોન પર પણ અદ્યતન ટાસ્ક ઓટોમેશન અને મલ્ટિમોડલ સહાયક પહોંચાડવાનું શરૂ કર્યું છે.
કૃત્રિમ બુદ્ધિમત્તા એટલે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ની સ્પર્ધામાં Google કંપનીએ એક મોટું પગલું ભર્યું છે. Business Standard ના અહેવાલ મુજબ, Google એ ભારતમાં તેની 'Gemini Intelligence' સેવાઓનો વ્યાપ વિસ્તારી દીધો છે. આ વિસ્તરણની સૌથી મોટી વિશેષતા એ છે કે અત્યાર સુધી માત્ર Google ના પોતાના Pixel સ્માર્ટફોન પૂરતી મર્યાદિત રહેલી સુવિધાઓ હવે અન્ય કંપનીઓના Android ઉપકરણો પર પણ ઉપલબ્ધ બની રહી છે.
આ પગલાથી ભારતના કરોડો સામાન્ય સ્માર્ટફોન વપરાશકર્તાઓને પોતાના ઉપકરણ પર જ કાર્ય સ્વચાલિત કરવાની એટલે કે ટાસ્ક ઓટોમેશન (task automation) ની સુવિધા મળશે. આ નવી ટેકનોલોજી રોજિંદા કામકાજ, માહિતી શોધવા અને એપ્લિકેશનના સંચાલનને અત્યંત સરળ બનાવી દે છે. વૈશ્વિક ટેકનોલોજી બજારમાં ભારત એક વિશાળ ગ્રાહક આધાર ધરાવતો દેશ હોવાથી આ પગલું અત્યંત વ્યૂહાત્મક માનવામાં આવે છે.
ઇતિહાસ અને પૃષ્ઠભૂમિ: સર્ચ એન્જિનથી AI ક્રાંતિ સુધી
Google ની સ્થાપના જાન્યુઆરી ૧૯૯૬ માં સ્ટેનફોર્ડ યુનિવર્સિટીના પીએચડી વિદ્યાર્થીઓ લેરી પેજ અને સર્ગેઈ બ્રિન દ્વારા એક સંશોધન પ્રોજેક્ટ તરીકે કરવામાં આવી હતી. તેમણે 'PageRank' અલ્ગોરિધમ વિકસાવ્યું, જે વેબપેજની ઉપયોગિતા નક્કી કરવા માટે અન્ય પેજના જોડાણોની ગણતરી કરતું હતું. ઓગસ્ટ ૧૯૯૮ માં Sun Microsystems ના સહ-સ્થાપક એન્ડી બેચટોલશેમ તરફથી મળેલી $૧,૦૦,૦૦૦ ની પ્રાથમિક મૂડીથી કંપનીની ઔપચારિક શરૂઆત થઈ હતી.
સમય જતાં કંપનીએ સર્ચ એન્જિન ઉપરાંત Android ઓપરેટિંગ સિસ્ટમ, Gmail, Maps અને YouTube જેવા વિશાળ પ્લેટફોર્મ વિકસાવ્યા. પરંતુ નવેમ્બર ૨૦૨૨ માં જ્યારે OpenAI એ GPT-3 આધારિત ChatGPT જાહેર જનતા માટે રજૂ કર્યું, ત્યારે Google Search ના અસ્તિત્વ સામે મોટો પડકાર ઊભો થયો. કંપનીના ઇતિહાસમાં આ અભૂતપૂર્વ પરિસ્થિતિ હતી અને મેનેજમેન્ટે સમગ્ર તંત્રને AI તરફ વાળવાનો નિર્દેશ આપ્યો.
૨૦૧૯ માં Alphabet ના પદો પરથી નિવૃત્ત થયેલા સ્થાપકો લેરી પેજ અને સર્ગેઈ બ્રિનને પણ કટોકટીની બેઠકોમાં પાછા બોલાવવામાં આવ્યા હતા. ફેબ્રુઆરી ૨૦૨૩ માં સર્ગેઈ બ્રિને વર્ષો પછી ફરીથી કંપનીના કમ્પ્યુટર કોડનો સીધો ઉપયોગ કરવાની પરવાનગી માંગી હતી. આ સમગ્ર સંઘર્ષ બાદ કંપનીએ ફેબ્રુઆરી ૨૦૨૩ માં LaMDA આધારિત Bard ચેટબોટની જાહેરાત કરી, જેનું નામ સેલ્ટિક ભાષાના વાર્તાકાર શબ્દ પરથી રાખવામાં આવ્યું હતું.
Gemini કેવી રીતે કામ કરે છે: આર્કિટેક્ચર અને મિકેનિઝમ
ડિસેમ્બર ૨૦૨૩ માં Google એ Bard નું નામ બદલીને Gemini રાખવાની જાહેરાત કરી અને તેને સાચા અર્થમાં મલ્ટિમોડલ લાર્જ લેંગ્વેજ મોડેલ (multimodal large language model) તરીકે ડિઝાઇન કર્યું. મલ્ટિમોડલનો સાદો અર્થ એ છે કે આ મોડેલ માત્ર લખાણ જ નહીં, પરંતુ કમ્પ્યુટર કોડ, ચિત્રો, ઓડિયો અને વિડિયોને એકસાથે સમજી અને પ્રક્રિયા કરી શકે છે. પરંપરાગત પ્રણાલીઓમાં દરેક માધ્યમ માટે અલગ-અલગ સોફ્ટવેરની જરૂર પડતી હતી, જ્યારે Gemini માં આ બધું એક જ ટ્રાન્સફોર્મર નેટવર્ક દ્વારા સંચાલિત થાય છે.
- મલ્ટિમોડલ ઇનપુટ સ્વીકૃતિવપરાશકર્તા પાસેથી ટેક્સ્ટ, અવાજ, ચિત્ર કે એપ્લિકેશન ડેટા એકસાથે સ્વીકારવામાં આવે છે.
- ટોકનાઇઝેશન પ્રક્રિયાતમામ પ્રકારના ઇનપુટ્સને ન્યુરલ નેટવર્ક સમજી શકે તેવા ગાણિતિક ટોકન્સમાં વિભાજિત કરવામાં આવે છે.
- ટ્રાન્સફોર્મર વિશ્લેષણમોડેલ સંદર્ભ અને વપરાશકર્તાના આદેશનો ઊંડો અર્થ સમજીને જરૂરી પ્રક્રિયા નક્કી કરે છે.
- ટાસ્ક ઓટોમેશન અમલીકરણસ્થાનિક ઉપકરણ અથવા ક્લાઉડ મોડેલ દ્વારા ઇચ્છિત કાર્ય ફોનની વિવિધ એપ્સમાં આપમેળે પૂર્ણ થાય છે.
ઉદાહરણ તરીકે, જેમ એક હોંશિયાર વ્યક્તિ એક જ સમયે પુસ્તક વાંચી શકે, સામેનું ચિત્ર જોઈ શકે અને વાર્તાલાપ સાંભળીને ત્વરિત નિર્ણય લઈ શકે છે, તે જ રીતે Gemini વિવિધ સ્વરૂપના ડેટાને નાના ગાણિતિક ટુકડાઓમાં વિભાજિત કરે છે. આ ટુકડાઓને ટોકન (token) કહેવામાં આવે છે. આ તમામ ટોકન્સ એક વિશાળ ન્યુરલ નેટવર્કમાંથી પસાર થાય છે જ્યાં સિસ્ટમ સંદર્ભ સમજીને આપોઆપ નિર્ણય લે છે.
મોબાઇલ ઉપકરણોમાં કાર્યો આપમેળે કરવા માટે Google એ મોડેલને વિવિધ કદમાં વિભાજિત કર્યું છે. આનાથી સામાન્ય પ્રોસેસર ધરાવતા ફોનમાં પણ કાર્યક્ષમતા જળવાઈ રહે છે અને મોંઘા ક્લાઉડ સર્વર પર નિર્ભર રહેવું પડતું નથી.
| મોડેલ વેરિયન્ટ | લક્ષ્ય ઉપકરણ / પ્લેટફોર્મ | મુખ્ય વિશેષતા |
|---|---|---|
| Gemini Nano | ઓન-ડિવાઇસ (મોબાઇલ / ટેબ્લેટ) | ઓછા રિસોર્સમાં ઇન્ટરનેટ વગર ઝડપી પ્રોસેસિંગ |
| Gemini Flash | હાઇ-થ્રુપુટ ક્લાઉડ સિસ્ટમ્સ | ઓછો ખર્ચ અને અત્યંત ઊંચી કાર્યક્ષમતા |
| Gemini Pro | સામાન્ય અને ડેવલપર એપ્લિકેશન્સ | સંતુલિત ક્ષમતા અને વિસ્તૃત સંશોધન સપોર્ટ |
| Gemini Ultra | હાઇ-કોમ્પ્યુટ સર્વર્સ | અતિ જટિલ કાર્યો અને ગહન વિશ્લેષણ |
આંકડા અને મોડેલ શ્રેણી: Nano થી Ultra
Google એ Gemini મોડેલને વિવિધ જરૂરિયાતો મુજબ ચાર મુખ્ય સ્તરોમાં વહેંચ્યું છે. સૌથી નાનું વેરિયન્ટ 'Nano' છે, જે સીધું મોબાઇલ ઉપકરણ પર ડેટા નેટવર્ક વગર પ્રક્રિયા કરવા માટે રચાયેલું છે. મધ્યમ સ્તરનું 'Flash' ઊંચી ઝડપ અને ઓછા ખર્ચ માટે ઉપયોગી છે, જ્યારે 'Pro' જટિલ કાર્યોનું વિશ્લેષણ કરે છે અને સૌથી વિશાળ 'Ultra' અતિ જટિલ ગણતરીઓ માટે વપરાય છે.
સર્ચ એન્જિનમાં આવા અદ્યતન ચેટબોટ ઉમેરવા એ કંપની માટે આર્થિક રીતે અત્યંત ખર્ચાળ બાબત હતી. Reuters ના નાણાકીય વિશ્લેષણ મુજબ, સર્ચમાં આવી AI સુવિધાઓ ઉમેરવાથી Google ને ૨૦૨૪ સુધીમાં $૬ અબજનો વધારાનો ખર્ચ થઈ શકે તેમ હતો. જ્યારે સેમિકન્ડક્ટર કન્સલ્ટિંગ ફર્મ SemiAnalysis ના અંદાજ મુજબ આ વધારાનો ખર્ચ વાર્ષિક $૩ અબજ જેટલો થવાની શક્યતા હતી.
$ અબજ
ફેબ્રુઆરી ૨૦૨૩ માં Bard ના પેરિસ લાઈવસ્ટ્રીમ પ્રદર્શન દરમિયાન James Webb સ્પેસ ટેલિસ્કોપ વિશે એક ખોટી માહિતી અપાઈ ગઈ હતી. આ ટેકનિકલ ભૂલને કારણે Google ની માર્કેટ વેલ્યુમાં એક જ દિવસમાં ૮ ટકાનો ઘટાડો થયો હતો, જે લગભગ $૧૦૦ અબજનું આર્થિક નુકસાન હતું. કંપનીએ ૨૦૨૫ દરમિયાન Gemini 1.5 અને Gemini 3 શ્રેણીના અદ્યતન મોડેલ્સ રજૂ કરીને આ પ્રકારની ભ્રામક માહિતી એટલે કે હેલ્યુસિનેશન (hallucination) ઘટાડવામાં સફળતા મેળવી છે.
વ્યૂહાત્મક વિસ્તરણ અને ટેકનોલોજી સંપાદન
Google ના ચીફ એક્ઝિક્યુટિવ ઓફિસર સુંદર પિચાઈના નેતૃત્વ હેઠળ કંપનીએ મોબાઈલ ક્ષેત્રે મજબૂત પગપેસારો કર્યો છે. ભૂતકાળમાં કંપનીએ ૨૦૦૭ માં DoubleClick ને $૩.૧ અબજમાં અને મે ૨૦૧૨ માં Motorola Mobility ને $૧૨.૫ અબજમાં હસ્તગત કરી હતી જેથી પેટન્ટ સુરક્ષા મેળવી શકાય અને Android ને વિશ્વભરમાં વિનામૂલ્યે આપી શકાય. ત્યારબાદ જાન્યુઆરી ૨૦૧૪ માં DeepMind નામની AI સંશોધન સંસ્થાને અંદાજે $૪૦૦ મિલિયનમાં ખરીદીને પોતાની કૃત્રિમ બુદ્ધિમત્તા ક્ષમતાઓને મજબૂત બનાવી હતી.
$ અબજ
આ તમામ રોકાણોનું અંતિમ પરિણામ એ આવ્યું કે Google પાસે પોતાની વિશાળ હાર્ડવેર અને સોફ્ટવેર ઇકોસિસ્ટમ તૈયાર થઈ ગઈ. ૨૦૨૫ માં કંપનીની આવકનો ૭૩ ટકા હિસ્સો જાહેરાતોમાંથી આવ્યો હતો, જેમાં AdMob, AdSense અને DoubleClick નો સમાવેશ થાય છે. હવે સ્માર્ટફોન પર AI સહાયકને વ્યાપક બનાવીને Google પોતાના સર્ચ અને સેવાઓના પ્લેટફોર્મને વધુ મજબૂત કરી રહ્યું છે.
ભારત અને સામાન્ય વપરાશકર્તાઓ માટે આનો અર્થ
ભારત વિશ્વમાં Android આધારિત સ્માર્ટફોનનું સૌથી મોટું બજાર છે. અગાઉ Gemini ની ઘણી આધુનિક ટાસ્ક ઓટોમેશન ક્ષમતાઓ માત્ર Google Pixel ઉપકરણો સુધી સીમિત રાખવામાં આવી હતી. પરંતુ Business Standard ના અહેવાલ મુજબ હવે આ સેવાઓ અન્ય બ્રાન્ડ્સના Android સ્માર્ટફોન સુધી પહોંચી રહી છે, જેનો અર્થ એ છે કે લાખો ભારતીય યુઝર્સ પોતાના સ્થાનિક ફોન પરથી સંદેશાઓનું સંચાલન, સમયપત્રક ગોઠવવું, એપ્સ વચ્ચે ડેટા ટ્રાન્સફર કરવો અને જટિલ સૂચનાઓ આપોઆપ અમલમાં મૂકાવી શકશે.
આ પગલાથી રોજિંદા ડિજિટલ કામકાજમાં લોકોનો ઘણો સમય બચશે. વપરાશકર્તાએ દરેક એપ જાતે ખોલીને આદેશ આપવાને બદલે માત્ર એક સરળ આદેશથી સમગ્ર પ્રક્રિયા પૂર્ણ કરી શકાશે. ભારતમાં વિવિધ ભાષાઓ અને વિષમ હાર્ડવેર સ્પેસિફિકેશન ધરાવતા ફોન મોટા પાયે વપરાતા હોવાથી, 'Nano' જેવા હળવા મોડેલનું ઑફલાઇન ઓન-ડિવાઇસ એકીકરણ ડિજિટલ વિભાજનને ઘટાડવામાં મદદરૂપ સાબિત થશે.
પડકારો અને અણઉકેલાયેલા પ્રશ્નો
આ આધુનિક વિસ્તરણ છતાં Gemini સામે નૈતિક અને ગોપનીયતા સંબંધિત પડકારો યથાવત છે. શરૂઆતના તબક્કામાં મોડેલ દ્વારા આપાતા અસંતુલિત જવાબો અને ઐતિહાસિક તથ્યોની વિસંગતતાઓને કારણે કંપનીએ માનવીય ચિત્રો બનાવવાની સુવિધા અસ્થાયી રૂપે સ્થગિત કરવી પડી હતી. યુરોપિયન યુનિયનમાં ડેટા પ્રોટેક્શન નિયમોના કારણે તેની રજૂઆતમાં અવરોધો ઊભા થયા હતા.
વપરાશકર્તાના વ્યક્તિગત ડેટા, મેસેજ અને લોકેશનને સ્માર્ટફોન પર સીધું સ્કેન કરીને ટાસ્ક ઓટોમેશન પૂરું પાડતી વખતે ડેટા સુરક્ષા કેટલી જળવાશે તે એક મહત્વપૂર્ણ સવાલ છે. Google એ સુરક્ષાના કડક ધોરણો દાખલ કર્યા હોવાનો દાવો કર્યો છે, છતાં સ્વતંત્ર સંશોધકો અને ગ્રાહક સુરક્ષા જૂથો આ નવી સ્માર્ટફોન ઓટોમેશન સિસ્ટમ્સ પર ઝીણવટભરી નજર રાખી રહ્યા છે.
