एआई की अगली असली जंग GPU नहीं, डेटा भंडारण पर: कोरिया से उठता संकेत भारत के लिए क्यों अहम है

कोरिया के टेक मंच से आया बड़ा संकेत

दक्षिण कोरिया के आईटी उद्योग में हाल में उभरी एक बहस ने वैश्विक एआई परिदृश्य की दिशा को लेकर महत्वपूर्ण संकेत दिया है। अब तक जनरेटिव एआई की दौड़ को आम तौर पर बड़े भाषा मॉडल, तेज़ GPU, कम अनुमान लागत और अधिक शक्तिशाली चिप्स के संदर्भ में देखा जाता रहा था। लेकिन सियोल में आयोजित AI EXPO KOREA 2026 में Graid Technology नामक कंपनी ने जब अपनी AI और HPC स्टोरेज तकनीक ‘SupremeRAID’ को इस दावे के साथ पेश किया कि एआई अवसंरचना की सबसे बड़ी अड़चन अब ‘कंप्यूट’ नहीं, बल्कि ‘स्टोरेज बॉटलनेक’ है, तो यह केवल एक उत्पाद लॉन्च की खबर नहीं रही। यह उस परिपक्व होती हुई वास्तविकता का संकेत है जिसमें एआई की सफलता का निर्णय अब सिर्फ इस बात से नहीं होगा कि आपके पास कितने GPU हैं, बल्कि इससे होगा कि आपके सिस्टम में डेटा कितनी तेजी और निरंतरता से बहता है।

भारतीय पाठकों के लिए इसे आसान भाषा में समझें तो मामला कुछ वैसा है जैसे किसी महानगर में नई-नई तेज़ रफ्तार मेट्रो ट्रेनें खरीद ली जाएं, लेकिन स्टेशन के प्रवेश-द्वार, टिकट गेट और प्लेटफॉर्म कनेक्टिविटी इतने धीमे हों कि भीड़ वहीं अटक जाए। ऊपर से ट्रेनें आधुनिक और चमकदार दिखेंगी, लेकिन यात्रियों का अनुभव खराब रहेगा। एआई की दुनिया में GPU उन तेज़ ट्रेनों की तरह हैं, जबकि स्टोरेज और डेटा इनपुट-आउटपुट उस पूरी व्यवस्था की तरह है जो तय करती है कि ट्रेनें वास्तव में क्षमता से चल भी रही हैं या नहीं।

कोरिया की इस खबर का महत्व इसलिए भी बढ़ जाता है क्योंकि दक्षिण कोरिया एशिया की उन तकनीकी अर्थव्यवस्थाओं में है जहां सेमीकंडक्टर, हाई-स्पीड नेटवर्क, क्लाउड, सर्वर इंजीनियरिंग और उपभोक्ता डिजिटल सेवाओं का गहरा अनुभव मौजूद है। अगर वहां की उद्योग बहस अब मॉडल की ‘चमक’ से हटकर डेटा प्रवाह और स्टोरेज दक्षता पर केंद्रित होने लगी है, तो भारत जैसे तेजी से डिजिटाइज़ हो रहे देश के लिए यह एक समयोचित चेतावनी भी है और अवसर भी।

यह समझना जरूरी है कि कोरियाई टेक पारिस्थितिकी में ‘HPC’ यानी हाई-परफॉर्मेंस कंप्यूटिंग का अर्थ सिर्फ वैज्ञानिक प्रयोगशालाओं तक सीमित नहीं है। इसका उपयोग औद्योगिक डिजाइन, डिजिटल ट्विन, वीडियो विश्लेषण, बायोमेडिकल रिसर्च, ऑटोमेशन और बड़े पैमाने पर डेटा प्रसंस्करण में भी होता है। जब AI और HPC की जरूरतें एक-दूसरे के करीब आने लगती हैं, तब स्टोरेज की भूमिका अचानक ‘बैकएंड’ से उठकर रणनीतिक केंद्र में आ जाती है। यही इस पूरे घटनाक्रम का केंद्रीय संदेश है।

अब तक GPU की चर्चा थी, अब बारी स्टोरेज की

पिछले दो-तीन वर्षों में दुनिया भर की टेक बहस, और भारत भी इसका अपवाद नहीं रहा, मुख्यतः इस प्रश्न के इर्द-गिर्द घूमती रही कि किसके पास ज्यादा शक्तिशाली GPU हैं, कौन-सा मॉडल अधिक पैरामीटर वाला है, किस क्लाउड प्रदाता के पास अधिक एआई क्षमता है, और किस स्टार्टअप ने सबसे तेज़ चैटबॉट बना लिया। बड़े निवेश, सरकारी घोषणाएं, डेटा सेंटर योजनाएं और कॉरपोरेट प्रस्तुतियां—सभी में ‘कंप्यूट’ को ही एआई अवसंरचना का मूल माना गया।

लेकिन जैसे-जैसे एआई प्रयोगशालाओं से निकलकर वास्तविक सेवाओं का हिस्सा बनने लगा, एक दूसरी सच्चाई सामने आई। मॉडल प्रशिक्षण के दौरान विशाल डेटा सेट को लगातार पढ़ना पड़ता है, मॉडल के ‘चेकपॉइंट’ सुरक्षित रखने होते हैं, वितरित सर्वरों के बीच फाइलों की पहुंच बनाए रखनी होती है, लॉग और ऑडिट रिकॉर्ड सहेजने होते हैं, बैकअप और रिकवरी भी करनी होती है। अनुमान यानी inference के चरण में चुनौती अलग होती है: उपयोगकर्ता प्रश्न पूछता है और उसे कम विलंबता में जवाब चाहिए, जबकि सिस्टम को सुरक्षा रिकॉर्ड, उपयोग लॉग, निजीकरण संकेत और कभी-कभी मल्टीमॉडल डेटा—जैसे टेक्स्ट, इमेज, ऑडियो—भी संभालना पड़ता है।

यहीं स्टोरेज की ‘धीमी लेन’ पूरी रफ्तार बिगाड़ देती है। यदि डेटा डिस्क, कैश, कंट्रोलर, फाइल सिस्टम या नेटवर्क के किसी हिस्से में अटकता है, तो GPU खाली बैठा रह सकता है। तकनीकी भाषा में कहें तो महंगा कंप्यूट संसाधन ‘idle’ होने लगता है। व्यावसायिक भाषा में कहें तो करोड़ों रुपये की पूंजी का उपयोग आधा-अधूरा रह जाता है।

भारतीय संदर्भ में इसे ऐसे देखें: यदि कोई बैंक अत्याधुनिक एआई आधारित फ्रॉड डिटेक्शन इंजन लगा ले, लेकिन लेन-देन डेटा, लॉग रिकॉर्ड और नियामकीय ऑडिट फाइलें पर्याप्त गति से उपलब्ध न हों, तो तेज़ मॉडल भी वास्तविक समय में काम नहीं कर पाएगा। इसी तरह, यदि कोई ई-कॉमर्स कंपनी ग्राहक अनुशंसा प्रणाली के लिए एआई इस्तेमाल कर रही हो, लेकिन व्यवहार डेटा और इन्वेंटरी फीड समय पर न पहुंचे, तो उपयोगकर्ता अनुभव प्रभावित होगा। यानी बाहरी तौर पर समस्या ‘एआई मॉडल’ की दिखेगी, जबकि असली कारण स्टोरेज और डेटा मूवमेंट होगा।

कोरिया में यह मुद्दा इसलिए प्रमुख बन रहा है क्योंकि वहां अब एआई को केवल ‘डेमो’ के रूप में नहीं, बल्कि सेवा-स्तर पर तैनात करने की होड़ है। भारत में भी यही बदलाव दिख रहा है। चैटबॉट बनाना आसान हिस्सा है; उसे करोड़ों उपयोगकर्ताओं, कड़े अनुपालन, बहुभाषी डेटा, लॉगिंग, निजीकरण और कम लागत के साथ चलाना कठिन हिस्सा है। और यह कठिन हिस्सा अक्सर स्टोरेज की ओर इशारा करता है।

‘स्टोरेज बॉटलनेक’ आखिर है क्या, और यह इतना महत्वपूर्ण क्यों है?

तकनीकी शब्दावली कई बार बहस को जटिल बना देती है, इसलिए इसे सीधे ढंग से समझना उपयोगी होगा। ‘बॉटलनेक’ का अर्थ है—पूरे सिस्टम में वह बिंदु जहां गति सीमित हो जाती है, चाहे बाकी हिस्से कितने ही तेज़ क्यों न हों। यदि आपके पास चार-लेन का एक्सप्रेसवे हो और आगे जाकर सड़क एक संकरी लेन में बदल जाए, तो जाम उसी जगह लगेगा। एआई इंफ्रास्ट्रक्चर में स्टोरेज बॉटलनेक कुछ ऐसा ही है।

जब कोई एआई मॉडल प्रशिक्षण लेता है, तो उसे भारी मात्रा में डेटा लगातार चाहिए होता है। यह डेटा कहीं न कहीं संग्रहीत होता है—SSD, NVMe डिवाइस, साझा फाइल सिस्टम, नेटवर्क स्टोरेज या क्लाउड ऑब्जेक्ट स्टोरेज में। यदि डेटा पढ़ने-लिखने की गति, IOPS, थ्रूपुट, कैशिंग रणनीति या नेटवर्क समन्वय पर्याप्त नहीं है, तो प्रोसेसर और GPU को इंतजार करना पड़ता है। इस दौरान बिजली खर्च होती रहती है, सर्वर चालू रहते हैं, लेकिन उपयोग दक्षता गिर जाती है।

इसी तरह अनुमान सेवाओं में, जहां सेकंड के छोटे हिस्से में जवाब देना होता है, डेटा पहुंच में देरी सीधे उपयोगकर्ता अनुभव को प्रभावित करती है। मान लीजिए आपने किसी ग्राहक सेवा बॉट को बैंकिंग, बीमा या सरकारी सेवा पोर्टल से जोड़ा है। उसे सिर्फ भाषा नहीं समझनी, बल्कि उपयोगकर्ता इतिहास, सत्यापन, नीतिगत दस्तावेज, पुरानी शिकायतें और लेन-देन रिकॉर्ड भी देखने पड़ सकते हैं। यदि इन सबका स्टोरेज ढांचा सुगम नहीं है, तो बॉट की बुद्धिमत्ता कम नहीं हुई होती, लेकिन उसका व्यवहार धीमा और अस्थिर लगेगा।

यह केवल प्रदर्शन का मामला नहीं, भरोसे का भी मामला है। एआई सिस्टम में लॉगिंग, बैकअप, फेलओवर, रिकवरी और सुरक्षा ऑडिट महत्वपूर्ण हैं। कोरिया में जिन उद्योगों—वित्त, विनिर्माण, चिकित्सा, बायोटेक और गेमिंग—का उल्लेख हो रहा है, वहां यह और भी अहम है। भारत में भी यही लागू होता है। उदाहरण के लिए अस्पतालों में मेडिकल इमेजिंग डेटा, दवा अनुसंधान संस्थानों में जीनोमिक्स डेटा, ऑटोमोबाइल निर्माण में सेंसर और विज़न डेटा, और यूपीआई या डिजिटल भुगतान प्लेटफॉर्म में उच्च-वॉल्यूम लेन-देन लॉग—इन सबमें स्टोरेज की विश्वसनीयता उतनी ही महत्वपूर्ण है जितनी एआई मॉडल की सटीकता।

कोरियाई उद्योग बहस की सबसे दिलचस्प बात यह है कि उसने स्टोरेज को ‘सहायक उपकरण’ की तरह नहीं, बल्कि एआई युग की मूलभूत संरचना की तरह पेश किया है। यह नजरिया परिवर्तन अपने आप में बड़ी खबर है।

भारत के लिए यह खबर क्यों बेहद प्रासंगिक है

भारत अभी एआई के उस मोड़ पर है जहां उत्साह, नीति, स्टार्टअप पूंजी, डेटा सेंटर विस्तार और डिजिटल सार्वजनिक अवसंरचना—सभी एक साथ सक्रिय हैं। सरकार से लेकर निजी क्षेत्र तक, हर जगह एआई अपनाने की घोषणाएं हैं। लेकिन वास्तविक चुनौती वही है जो कोरिया में स्पष्ट दिखाई देने लगी है: क्या हमारी एआई व्यवस्था उत्पादन स्तर पर कुशल, विश्वसनीय और किफायती होगी?

भारत का डिजिटल परिदृश्य कोरिया से अलग भी है और कुछ मामलों में अधिक जटिल भी। हमारे यहां बहुभाषी उपयोगकर्ता आधार है, डेटा की मात्रा विशाल है, मोबाइल-प्रथम इंटरनेट संस्कृति है, और लागत-संवेदनशील बाजार है। भारतीय कंपनियों के लिए केवल सबसे तेज़ सिस्टम बनाना पर्याप्त नहीं; उन्हें ऐसा सिस्टम चाहिए जो लागत के हिसाब से टिकाऊ भी हो। यहीं स्टोरेज अनुकूलन निर्णायक महत्व रखता है।

मान लीजिए कोई भारतीय एडटेक कंपनी कई भारतीय भाषाओं में एआई ट्यूटर सेवा चला रही है। उसे छात्रों के प्रश्न, सीखने के पैटर्न, वीडियो सामग्री, परीक्षा विश्लेषण और बातचीत के रिकॉर्ड संभालने होंगे। या फिर कोई राज्य सरकार दस्तावेज़-आधारित नागरिक सेवा सहायक बना रही है, जिसे राजस्व रिकॉर्ड, सरकारी आदेश, आवेदन दस्तावेज और क्षेत्रीय भाषाओं के बड़े संग्रह से काम करना है। ऐसे हर उदाहरण में असली समस्या केवल मॉडल चुनने की नहीं, डेटा पहुंच के वास्तुशिल्प की है।

भारत में बैंकिंग, फिनटेक और टेलीकॉम जैसे क्षेत्र पहले ही उच्च पैमाने पर डेटा संचालन के आदी हैं। अब जब यही क्षेत्र एआई परत जोड़ रहे हैं—चाहे वह ग्राहक सेवा स्वचालन हो, धोखाधड़ी पहचान हो, जोखिम मॉडलिंग हो या नेटवर्क अनुकूलन—तो स्टोरेज की क्षमता, विलंबता और बैकअप संरचना नई केंद्रीय चिंता बनती है। यही बात स्मार्ट फैक्टरी, ड्रोन विश्लेषण, कृषि डेटा प्लेटफॉर्म और रक्षा अनुसंधान पर भी लागू होती है।

भारतीय उद्योग जगत में एक आम प्रवृत्ति यह रही है कि तकनीकी निवेश के प्रदर्शन को ‘दिखने वाले’ हिस्सों से मापा जाता है। जैसे—कितने GPU खरीदे गए, कौन-सा मॉडल लाइसेंस किया गया, कितनी जल्दी प्रूफ-ऑफ-कॉन्सेप्ट बना। लेकिन एआई की अगली अवस्था में सवाल बदलेगा: समान अवसंरचना पर कितने कार्य पूरे हुए, डाउनटाइम कितना रहा, रिकवरी कितनी तेज़ थी, डेटा मूवमेंट में कितना अपव्यय हुआ, और प्रति कार्य लागत कितनी आई। कोरिया से उठती यह बहस भारत को इसी भविष्य की तैयारी करने को कह रही है।

क्लाउड बनाम ऑन-प्रिमाइसेस नहीं, बल्कि हाइब्रिड यथार्थ

कोरियाई उद्योग में एक और महत्वपूर्ण बिंदु उभरा है—क्लाउड और ऑन-प्रिमाइसेस अवसंरचना के रिश्ते पर नया विचार। कई कंपनियों ने शुरुआत क्लाउड आधारित एआई सेवाओं से की, क्योंकि इससे तेजी से प्रयोग संभव हुआ। लेकिन जब उपयोग बढ़ता है, लागत लंबी अवधि में भारी होने लगती है, डेटा संप्रभुता के प्रश्न उठते हैं, और सुरक्षा या अनुपालन की जरूरतें कड़ी होती हैं, तो संस्थाएं मिश्रित मॉडल यानी हाइब्रिड संरचना की ओर लौटती हैं।

भारत में यह परिदृश्य और भी स्पष्ट है। वित्तीय संस्थान, स्वास्थ्य सेवा नेटवर्क, सरकारी निकाय, दूरसंचार कंपनियां और बड़े विनिर्माता अक्सर संवेदनशील डेटा को पूरी तरह सार्वजनिक क्लाउड पर नहीं रखना चाहते। वे कुछ काम क्लाउड पर, कुछ निजी डेटा सेंटर में, और कुछ एज लोकेशन पर चलाते हैं। देखने में यह लचीला समाधान लगता है, लेकिन यहीं स्टोरेज ढांचा अत्यंत जटिल हो जाता है। डेटा की प्रतियां, सिंक्रोनाइज़ेशन, एक्सेस कंट्रोल, बैकअप नीति, विलंबता और लागत—ये सब एक साथ प्रबंधन मांगते हैं।

यानी एआई अवसंरचना का प्रश्न अब केवल ‘कहां चलाएं?’ नहीं, बल्कि ‘डेटा को कैसे चलाएं?’ हो गया है। क्लाउड सेवाओं में स्टोरेज समस्याएं अक्सर प्रबंधित सेवा की परत के पीछे छिपी रहती हैं। लेकिन जैसे ही संस्था अपने परिसर या निजी क्लस्टर पर बड़े एआई वर्कलोड चलाने लगती है, उसे डिस्क, कंट्रोलर, कैश, फाइल सिस्टम, नेटवर्क फैब्रिक और बैकअप संरचना के ठोस निर्णय लेने पड़ते हैं। इसी कारण कोरिया में स्टोरेज को आर्किटेक्चर-स्तरीय मुद्दा कहा जा रहा है, न कि सिर्फ एक हार्डवेयर अपग्रेड।

भारतीय उद्योग में यह बात विशेष रूप से महत्वपूर्ण है क्योंकि यहां त्वरित परिणाम देने का दबाव बहुत अधिक रहता है। पायलट प्रोजेक्ट के तुरंत बाद स्केल-अप की अपेक्षा की जाती है। ऐसे माहौल में यदि कंपनियां केवल GPU बढ़ाने को ही समाधान समझेंगी, तो लागत तेज़ी से बढ़ेगी लेकिन प्रदर्शन अनुपातिक रूप से नहीं सुधरेगा। इसके विपरीत, यदि वे डेटा पाइपलाइन, स्टोरेज थ्रूपुट और रिकवरी डिजाइन को सुधारती हैं, तो वही संसाधन अधिक उपयोगी साबित हो सकते हैं।

सरल शब्दों में कहें तो एआई के लिए भविष्य का विजेता सिर्फ वह नहीं होगा जो ‘सबसे महंगा इंजन’ खरीद सके, बल्कि वह भी होगा जो ‘पूरी मशीन’ को कुशलता से चला सके।

लाभ, लागत और निवेश का बदलता गणित

इस पूरी चर्चा का सबसे बड़ा असर निवेशकों, सीआईओ, सीटीओ और नीतिनिर्माताओं की सोच पर पड़ेगा। अभी तक एआई निवेश का आकलन मुख्य रूप से क्षमता प्रदर्शन के आधार पर होता रहा है—नया मॉडल, बड़ा मॉडल, तेज़ मॉडल। लेकिन उत्पादन-स्तर की एआई अर्थव्यवस्था में निवेश का मूल्यांकन अलग ढंग से होता है। यहां यह देखा जाता है कि समान संसाधनों से कितनी उपयोगी सेवाएं निकलीं, सर्वर कितनी देर वास्तव में काम में लगे रहे, बिजली और शीतलन लागत कितनी रही, बैकअप और रिकवरी कितनी तेज़ थी, और अप्रत्याशित ठहराव ने व्यवसाय को कितना नुकसान पहुंचाया।

स्टोरेज अनुकूलन की यही खासियत है कि यह लागत घटाने और प्रदर्शन बढ़ाने—दोनों लक्ष्यों को एक साथ प्रभावित कर सकता है। यदि डेटा प्रवाह सुचारु हो जाए, तो GPU का निष्क्रिय समय घटता है। यदि चेकपॉइंट तेज़ी से सहेजे और बहाल किए जा सकें, तो प्रशिक्षण व्यवधान कम होता है। यदि लॉग और सुरक्षा रिकॉर्ड कुशलता से संग्रहीत हों, तो नियामकीय अनुपालन बेहतर होता है। यदि बैकअप और रिकवरी अच्छी हो, तो डाउनटाइम कम होता है। दूसरे शब्दों में, स्टोरेज केवल ‘डिस्क खरीदने’ का प्रश्न नहीं; यह संचालन अर्थशास्त्र का प्रश्न है।

भारतीय कंपनियों के लिए यह विशेष मायने रखता है क्योंकि यहां लाभप्रदता पर निरंतर दबाव रहता है। स्टार्टअप हों या स्थापित उद्यम, दोनों के लिए यह जरूरी है कि एआई प्रयोग केवल प्रस्तुति-सामग्री न बने, बल्कि सतत व्यवसाय मॉडल का हिस्सा बने। यदि महंगे GPU स्टोरेज प्रतीक्षा में समय गंवा रहे हैं, तो वित्तीय दृष्टि से वह निवेश उतना प्रभावी नहीं रहेगा जितना बोर्डरूम प्रस्तुति में दिखाई देता है।

यही कारण है कि कोरिया में सामने आई यह बहस हमें एआई पर होने वाले खर्च को नए नजरिए से देखने को मजबूर करती है। भारत में भी आने वाले वर्षों में कंपनियां शायद यह पूछेंगी कि हमारे एआई क्लस्टर का उपयोग प्रतिशत कितना है, डेटा एक्सेस पैटर्न कैसा है, कौन-से वर्कलोड में बॉटलनेक बनता है, और क्या अतिरिक्त GPU खरीदने से पहले स्टोरेज आर्किटेक्चर को सुधारना चाहिए। यह एक अधिक परिपक्व, अधिक कठोर और अधिक व्यावहारिक प्रश्नावली है।

कोरिया की खबर से भारत को क्या सीखना चाहिए

दक्षिण कोरिया की तकनीकी संस्कृति में प्रदर्शन, विश्वसनीयता और औद्योगिक अनुप्रयोग तीनों को साथ लेकर चलने की प्रवृत्ति मजबूत रही है। इसलिए वहां से आने वाला यह संकेत महज बाजार-शोर नहीं माना जाना चाहिए। यदि एआई इंफ्रास्ट्रक्चर की चर्चा अब GPU-केंद्रित दृष्टि से हटकर डेटा-केंद्रित दृष्टि की ओर बढ़ रही है, तो भारत को भी अपनी तैयारी इसी के अनुरूप करनी होगी।

पहली सीख यह है कि एआई रणनीति को केवल मॉडल रणनीति न माना जाए। किसी कंपनी, सरकारी विभाग या शोध संस्थान के लिए यह जरूरी है कि वह डेटा जीवनचक्र को शुरू से अंत तक समझे—डेटा कहां से आता है, कहां रखा जाता है, कितनी बार पढ़ा जाता है, किसे पहुंच चाहिए, कितनी जल्दी बैकअप चाहिए, और संकट की स्थिति में पुनर्प्राप्ति कैसे होगी।

दूसरी सीख यह है कि हाइब्रिड अवसंरचना के युग में स्टोरेज डिजाइन को बाद का विचार नहीं बनाया जा सकता। जिस तरह भवन निर्माण में नींव पर पर्याप्त ध्यान न दिया जाए तो ऊपरी मंजिलों का वैभव बेकार हो सकता है, उसी तरह एआई परियोजनाओं में डेटा प्रवाह की वास्तुकला कमजोर हो तो मॉडल की उत्कृष्टता भी सीमित हो जाती है।

तीसरी सीख नियामकीय और सामाजिक है। भारत में डेटा सुरक्षा, डिजिटल संप्रभुता, स्वास्थ्य रिकॉर्ड, वित्तीय अनुपालन और सरकारी डेटा प्रबंधन आने वाले वर्षों में और अधिक गंभीर विषय बनेंगे। ऐसे में स्टोरेज संरचना केवल तकनीकी दक्षता नहीं, भरोसे, जवाबदेही और सार्वजनिक हित से भी जुड़ी होगी।

और चौथी सीख शायद सबसे व्यावहारिक है: एआई का असली मूल्य तभी निकलता है जब वह लगातार, भरोसेमंद और लागत-नियंत्रित तरीके से चले। चमकदार डेमो, तेज़ जवाब और बड़े मॉडल सुर्खियां तो बना सकते हैं, लेकिन उद्योग की जीत उन प्रणालियों की होगी जो लंबे समय तक बिना बाधा काम करें। कोरिया से आई यह खबर हमें यही याद दिलाती है कि एआई क्रांति के अगले चरण में अदृश्य अवसंरचना ही दृश्य परिणाम तय करेगी।

आज भारत में भी एआई को लेकर वैसा ही उत्साह है जैसा कुछ वर्ष पहले क्लाउड, 5G या डिजिटल भुगतान के शुरुआती विस्फोट के समय था। फर्क बस इतना है कि अब दांव और बड़ा है। यह केवल सुविधा का सवाल नहीं, बल्कि प्रतिस्पर्धा, उत्पादकता, औद्योगिक दक्षता और राष्ट्रीय तकनीकी क्षमता का सवाल है। ऐसे में यदि नीति निर्माता, उद्योग और शोध संस्थान समय रहते समझ जाएं कि अगली निर्णायक लड़ाई डेटा भंडारण और प्रवाह की है, तो भारत बेहतर तैयारी के साथ एआई के अगले दौर में प्रवेश कर सकता है। और यदि यह समझ देर से आई, तो महंगे कंप्यूट संसाधनों के बावजूद अपेक्षित लाभ हाथ से निकल सकता है।

इसलिए कोरिया के एक टेक एक्सपो में प्रदर्शित स्टोरेज समाधान की खबर को केवल उत्पाद समाचार समझना भूल होगी। यह दरअसल उस बड़े बदलाव का संकेत है जिसमें एआई के ‘दिमाग’ से अधिक उसके ‘रक्तसंचार तंत्र’ पर ध्यान दिया जा रहा है। और हर वह देश, जो एआई में गंभीर दावेदारी करना चाहता है—भारत सहित—उसे यह संदेश बहुत ध्यान से सुनना चाहिए।

Source: Original Korean article - Trendy News Korea