સાયબર સુરક્ષા માટે મિસ્ટ્રલનું નવું શસ્ત્ર: ૧ ટ્રિલિયન પેરામીટર ધરાવતું 'લી ચોન્ક' મોડલ લોન્ચ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ની દુનિયામાં અત્યાર સુધી અમેરિકા અને ચીનનું વર્ચસ્વ રહ્યું છે, પરંતુ ફ્રાન્સની કંપની મિસ્ટ્રલ AI (Mistral AI) એ આ ચિત્ર બદલવા માટે એક મોટું પગલું ભર્યું છે. ૨૯ ઓક્ટોબર, ૨૦૨૬ ના રોજ કંપનીએ તેના અત્યાર સુધીના સૌથી શક્તિશાળી મોડલ 'મિસ્ટ્રલ લાર્જ ૪' (Mistral Large 4) ના વેઈટ્સ (weights) જાહેર કર્યા છે. આ મોડલને ટેક જગતમાં 'લી ચોન્ક' (Le Chonk) ના હુલામણા નામથી ઓળખવામાં આવે છે. આ મોડલની સૌથી મોટી વિશેષતા તેની ૧ ટ્રિલિયન પેરામીટર (trillion parameters) ધરાવતી વિશાળ ક્ષમતા છે, જે ખાસ કરીને સાયબર સુરક્ષાના જટિલ કાર્યો માટે તૈયાર કરવામાં આવી છે.

પેરામીટર (parameter) એટલે AI મોડલની શીખવાની અને નિર્ણય લેવાની ક્ષમતા નક્કી કરતા આંતરિક આંકડાકીય મૂલ્યો. જેટલા પેરામીટર વધારે, તેટલું મોડલ વધુ જટિલ માહિતી સમજી શકે છે. મિસ્ટ્રલ લાર્જ ૪ એ એક 'ઓપન-વેઈટ' મોડલ છે, જેનો અર્થ છે કે તેના ગાણિતિક તાલીમના આંકડા હવે જાહેર જનતા, વ્યવસાયો અને સરકારો માટે ઉપલબ્ધ છે. ટેકક્રંચ (TechCrunch) ના અહેવાલ મુજબ, આ પગલાથી કંપનીઓ હવે આ શક્તિશાળી સિસ્ટમને પોતાના સર્વર પર ડાઉનલોડ કરીને ચલાવી શકશે, જેનાથી તેમને બહારની AI કંપનીઓ પર નિર્ભર રહેવાની જરૂર નહીં પડે.

મિસ્ટ્રલ AI ની સ્થાપના એપ્રિલ ૨૦૨૩ માં આર્થર મેન્શ, ગિલેમ લેમ્પલ અને ટિમોથી લેક્રોઈક્સ દ્વારા કરવામાં આવી હતી. આ ત્રણેય નિષ્ણાતો અગાઉ ગૂગલ ડીપમાઈન્ડ અને મેટા જેવી મોટી કંપનીઓમાં કામ કરી ચૂક્યા છે. વિકિપીડિયા (Wikipedia) ના ડેટા અનુસાર, સપ્ટેમ્બર ૨૦૨૬ સુધીમાં આ કંપનીનું મૂલ્ય ૨૧ અબજ યુરો (આશરે $૨૪.૭ બિલિયન) સુધી પહોંચી ગયું છે, જે તેને યુરોપની સૌથી મૂલ્યવાન AI કંપની બનાવે છે. મિસ્ટ્રલનો મુખ્ય ઉદ્દેશ્ય 'ડિજિટલ સાર્વભૌમત્વ' (digital sovereignty) જાળવવાનો છે, એટલે કે યુરોપિયન દેશોએ પોતાની સુરક્ષા અને ડેટા માટે અમેરિકા કે ચીન પર આધાર રાખવો ન પડે.

મિક્સચર ઓફ એક્સપર્ટ્સ: કેવી રીતે કામ કરે છે આ મોડલ?

મિસ્ટ્રલ લાર્જ ૪ એ 'મિક્સચર ઓફ એક્સપર્ટ્સ' (Mixture of Experts - MoE) આર્કિટેક્ચર પર આધારિત છે. આ એક એવી પદ્ધતિ છે જેમાં મોડલ પાસે કુલ ૧ ટ્રિલિયન પેરામીટર્સ હોવા છતાં, કોઈ પણ એક પ્રશ્નનો જવાબ આપતી વખતે તે માત્ર ૫૨ બિલિયન પેરામીટર્સનો જ ઉપયોગ કરે છે. આને એક સાદા ઉદાહરણથી સમજી શકાય: ધારો કે એક મોટી હોસ્પિટલમાં ૧૦૦૦ ડોક્ટરો છે, પરંતુ જ્યારે કોઈ દર્દીને હૃદયની તકલીફ હોય, ત્યારે માત્ર કાર્ડિયોલોજિસ્ટ જ તેની સારવાર કરે છે. આનાથી આખી હોસ્પિટલના સંસાધનો વપરાતા નથી અને કામ ઝડપથી થાય છે.

આ પદ્ધતિને કારણે મિસ્ટ્રલ લાર્જ ૪ અત્યંત કાર્યક્ષમ બને છે. કંપનીના દાવા મુજબ, તે તેના ચીની હરીફ મોડલ GLM-૫.૩ ની સરખામણીમાં સમાન કાર્ય કરવા માટે ૪૭ ટકા ઓછા ટોકન (token) વાપરે છે. ટોકન (token) એટલે શબ્દનો એક નાનો ટુકડો અથવા અક્ષર જેને AI પ્રોસેસ કરે છે. ઓછા ટોકનનો અર્થ છે કે આ મોડલ ચલાવવાનો ખર્ચ ઓછો આવે છે અને તે ઝડપથી પરિણામ આપે છે. આ કાર્યક્ષમતા સાયબર સુરક્ષા જેવા ક્ષેત્રોમાં ખૂબ મહત્વની છે, જ્યાં સેકન્ડોના ભાગમાં હજારો લાઈનનો કોડ તપાસવાનો હોય છે.

સાયબર સુરક્ષામાં ક્રાંતિકારી ફેરફાર

વર્તમાન સમયમાં સાયબર હુમલાઓ વધુ આધુનિક બની રહ્યા છે. હેકર્સ હવે AI નો ઉપયોગ કરીને ફિશિંગ (phishing) ઈમેલ બનાવે છે અથવા સોફ્ટવેરમાં રહેલી ખામીઓ શોધે છે. ફિશિંગ (phishing) એટલે નકલી ઈમેલ મોકલીને લોકોની ગુપ્ત માહિતી ચોરવાની પદ્ધતિ. મિસ્ટ્રલ લાર્જ ૪ ખાસ કરીને આવા જોખમોને ઓળખવા અને તેને રોકવા માટે ડિઝાઈન કરવામાં આવ્યું છે. કંપનીના જણાવ્યા મુજબ, સરકારી સંસ્થાઓ અને ખાનગી કંપનીઓ હવે આ મોડલનો ઉપયોગ કરીને તેમના આઈટી (IT) ઈન્ફ્રાસ્ટ્રક્ચર પર થતા હુમલાઓનું રીઅલ-ટાઇમમાં વિશ્લેષણ કરી શકશે.

મિસ્ટ્રલના સાયન્સ વિભાગના વાઇસ પ્રેસિડેન્ટ પિયર સ્ટોકે ટેકક્રંચને જણાવ્યું હતું કે, આ મોડલના વેઈટ્સ જાહેર કરવાનો અર્થ એ છે કે હવે કોઈ પણ સંસ્થા પાસે પોતાની સુરક્ષા માટે 'ફ્રન્ટિયર ઇન્ટેલિજન્સ' (frontier intelligence) હશે. આ એક એવી સુવિધા છે જેને કોઈ બહારની કંપની બંધ કરી શકતી નથી કારણ કે તે સંસ્થાના પોતાના સર્વર પર ચાલે છે. આને 'ઓન-પ્રેમ' (on-prem) ડિપ્લોયમેન્ટ કહેવામાં આવે છે, જે ડેટાની ગુપ્તતા જાળવવા માટે અનિવાર્ય છે. ખાસ કરીને સંરક્ષણ અને બેંકિંગ ક્ષેત્રમાં જ્યાં ડેટા બહાર મોકલી શકાતો નથી, ત્યાં આ મોડલ આશીર્વાદરૂપ સાબિત થશે.

આંકડા અને સ્પર્ધાત્મક દેખાવ

મિસ્ટ્રલ લાર્જ ૪ માત્ર સાયબર સુરક્ષામાં જ નહીં, પણ કોડિંગમાં પણ અવ્વલ છે. 'આર્ટિફિશિયલ એનાલિસિસ કોડિંગ એજન્ટ ઇન્ડેક્સ' (Artificial Analysis’ Coding Agent Index) પર આ મોડલ તમામ ઓપન-સોર્સ મોડલ્સમાં પ્રથમ ક્રમે છે. એજન્ટિક કોડિંગ (agentic coding) એટલે AI દ્વારા સ્વાયત્ત રીતે પ્રોગ્રામિંગ કોડ લખવાની અને તેમાં રહેલી ભૂલો સુધારવાની ક્ષમતા. આ ક્ષમતાને કારણે ડેવલપર્સ સોફ્ટવેર બનાવતી વખતે જ તેમાં રહેલી સુરક્ષા ખામીઓને પકડી શકશે.

કંપનીએ આ મોડલને ૨૫૬,૦૦૦ ટોકનની કોન્ટેક્સ્ટ વિન્ડો (context window) સાથે રજૂ કર્યું છે. કોન્ટેક્સ્ટ વિન્ડો (context window) એટલે AI એકસાથે કેટલી માહિતી યાદ રાખી શકે છે તેની મર્યાદા. આટલી મોટી વિન્ડોનો અર્થ એ છે કે આ મોડલ આખેઆખા પુસ્તકો અથવા હજારો લાઈનનો પ્રોગ્રામિંગ કોડ એકસાથે વાંચીને તેનું વિશ્લેષણ કરી શકે છે. આટલી વિશાળ ક્ષમતા હોવા છતાં, મિસ્ટ્રલ દાવો કરે છે કે તેઓ ક્લોઝ્ડ લેબ્સ (જેમ કે OpenAI) ની સરખામણીમાં ખૂબ ઓછા ખર્ચમાં આ પરિણામો મેળવી શક્યા છે.

રોકાણ અને ભવિષ્યની દિશા

મિસ્ટ્રલ AI ની સફળતા પાછળ મોટા પાયે થયેલું રોકાણ પણ જવાબદાર છે. સપ્ટેમ્બર ૨૦૨૫ માં યુરોપની સૌથી મોટી ટેક કંપની ASML એ મિસ્ટ્રલમાં ૧.૩ અબજ યુરોનું રોકાણ કર્યું હતું. આ ઉપરાંત માઈક્રોસોફ્ટ (Microsoft), એનવીડિયા (NVIDIA) અને સેમસંગ (Samsung) જેવી દિગ્ગજ કંપનીઓએ પણ મિસ્ટ્રલ સાથે ભાગીદારી કરી છે. માર્ચ ૨૦૨૬ માં કંપનીએ પેરિસ અને સ્વીડનમાં નવા ડેટા સેન્ટર્સ બનાવવા માટે ૮૩૦ મિલિયન ડોલર એકત્ર કર્યા હતા, જે દર્શાવે છે કે તેઓ પોતાની ગણતરી કરવાની શક્તિ (compute power) વધારવા માટે ગંભીર છે.

મિસ્ટ્રલના સીઈઓ આર્થર મેન્શ માને છે કે AI એ સશક્તિકરણનું સાધન હોવું જોઈએ, નહીં કે કોઈ એક કંપનીના વર્ચસ્વનું. તેમણે ફ્રાન્સની નેશનલ એસેમ્બલીમાં આપેલા ભાષણમાં ચેતવણી આપી હતી કે જો યુરોપ પોતાની AI ટેકનોલોજી વિકસિત નહીં કરે, તો તે અન્ય દેશોનું 'વસલ સ્ટેટ' (vassal state) એટલે કે આશ્રિત રાજ્ય બની જશે. મિસ્ટ્રલ લાર્જ ૪ ની રજૂઆત એ આ દિશામાં એક મજબૂત કદમ છે, જે વિશ્વને બતાવે છે કે ઓપન-સોર્સ મોડલ્સ પણ ક્લોઝ્ડ મોડલ્સ જેટલા જ શક્તિશાળી અને સુરક્ષિત હોઈ શકે છે.

જોકે, AI એજન્ટ્સના વધતા ઉપયોગ સાથે જોખમો પણ જોડાયેલા છે. પિયર સ્ટોક સ્વીકારે છે કે દુષ્ટ તત્વો પણ આ ટેકનોલોજીનો ઉપયોગ કરી શકે છે, પરંતુ તેઓ માને છે કે સુરક્ષાના સાધનો દરેક માટે ઉપલબ્ધ હોવા જોઈએ જેથી આખું ઇકોસિસ્ટમ મજબૂત બની શકે. મિસ્ટ્રલ લાર્જ ૪ ના વેઈટ્સ હવે હગિંગ ફેસ (Hugging Face) પ્લેટફોર્મ પર ઉપલબ્ધ છે, જેનો ઉપયોગ કરીને વિશ્વભરના ડેવલપર્સ સાયબર સુરક્ષાના નવા શસ્ત્રો તૈયાર કરી શકશે.