Token Is All You Price

तकनीकी सारांश: टोकन ही आपकी कीमत है: सूचना डिज़ाइन के माध्यम से तात्कालिकता की स्क्रीनिंग

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डायनेमिक इंफॉर्मेशन सर्विसेज (जैसे जेनरेटिव एआई, विशेषज्ञ नेटवर्क, या लीगल रिटेनर्स) के संदर्भ में एक मैकेनिज्म डिज़ाइन समस्या को संबोधित करता है। विक्रेता एक वास्तविक समय की सूचना प्रक्रिया (पोस्टीरियर विश्वासों का एक क्रम) प्रदान करता है, जिसे खरीदार एक अज्ञात अवस्था $\theta$ को जानने के लिए उपयोग करते हैं।

मुख्य तनाव दो बाधाओं से उत्पन्न होता है:

• सूचना-थ्रूपुट बाधा (Information-Throughput Constraint): विक्रेता के पास प्रति इकाई समय में कितनी सूचना (एंट्रॉपी) उत्पन्न की जा सकती है, इसकी एक भौतिक या तकनीकी सीमा ($\chi$) होती है।
• निजी तात्कालिकता (Private Urgency - विषम प्रकार): खरीदार अपने निजी डिस्काउंट रेट $r$ में भिन्न होते हैं, जो यह दर्शाता है कि वे अवस्था को कितनी तेज़ी से सीखने को कितना महत्व देते हैं। उच्च $r$ उच्च तात्कालिकता को दर्शाता है।

विक्रेता का उद्देश्य इंसेंटिव कम्पैटिबिलिटी (IC) और इंडिविजुअल रेशनैलिटी (IR) को संतुष्ट करते हुए अपेक्षित राजस्व को अधिकतम करने के लिए तंत्रों (विश्वास प्रक्रियाओं और हस्तांतरणों) का एक मेनू डिजाइन करना है।

2. कार्यप्रणाली (Methodology)

लेखक डायनेमिक इंफॉर्मेशन डिज़ाइन, बायेसियन पर्सुएशन, और नॉनलीनियर प्राइसिंग थ्योरी के उपकरणों का उपयोग करता है।

• डिज़ाइन स्पेस (The Design Space): प्रिंसिपल किसी भी कैडलैग (càdlàg) मार्टिंगेल प्रक्रिया $\langle\mu_t\rangle$ को चुन सकता है जो एक सामान्यीकृत एंट्रॉपी-आधारित थ्रूपुट बाधा को पूरा करती है। यह एक अनंत-आयामी अनुकूलन समस्या है।
• पॉइंटवाइज रिडक्शन (Pointwise Reduction): एनवेलप प्रमेय (Envelope Theorem) का उपयोग करते हुए, लेखक जटिल राजस्व अधिकतमकरण समस्या को श्रृंखलाओं की एक श्रेणीबद्ध पॉइंटवाइज मैक्सिमाज़ेशन समस्याओं में बदल देता है। लक्ष्य एक "आभासी समय वरीयता" $\rho_r(t)$ को अधिकतम करना है, जो सूचना रेंट (information rent) को ध्यान में रखने के लिए खरीदार की उपयोगिता को समायोजित करती है।
• ड्युअलिटी मशीनरी (Duality Machinery): यह शोध पत्र मार्टिंगेल बाधाओं के तहत इष्टतम स्टॉपिंग-टाइम वितरणों को स्पष्ट करने के लिए सन्निकोव और झोंग (2024) द्वारा विकसित ड्युअलिटी ढांचे का उपयोग करता है।
• ग्रीडी एक्सप्लोरेशन कंस्ट्रक्शन (Greedy Exploration Construction): लेखक विश्वास प्रक्रिया के लिए एक विशिष्ट रिकर्सिव निर्माण प्रस्तावित करता है, जहाँ विक्रेता संपूर्ण थ्रूपुट बजट को उन अवस्थाओं पर आवंटित करता है जो वर्तमान विश्वास के सबसे "निकट" हैं (ब्रेगमैन डायवर्जेंस के संदर्भ में)।

3. मुख्य परिणाम (Key Results)

शोध पत्र कई गणितीय रूप से सटीक परिणाम प्रस्तुत करता है:

• ग्रीडी एक्सप्लोरेशन प्रोसेस (प्रपोजिशन 1): किसी भी धनात्मक, घटते, और उत्तल (convex) समय वरीयता के लिए, इष्टतम विश्वास प्रक्रिया "ग्रीडी एक्सप्लोरेशन प्रोसेस" है। यह प्रक्रिया मायोपिकली (myopically) अनुकूल है: यह सबसे संभावित अवस्थाओं पर ध्यान केंद्रित करके प्रकट होने वाले संकेत की तात्कालिक आगमन दर को अधिकतम करती है।
• यूनिफॉर्म नॉन-डिस्टॉर्शन (थ्योरम 1): क्लासिकल मुसा-रोसेन स्क्रीनिंग (जहाँ एक एकाधिकारवादी कम प्रकार के लिए उत्पाद की गुणवत्ता को नीचे की ओर विकृत करता है) के विपरीत, इष्टतम तंत्र स्वयं विश्वास प्रक्रिया को विकृत नहीं करता है। सभी खरीदारों के लिए एक ही "वरीयता-संरेखित" (preference-aligned) प्रक्रिया का उपयोग किया जाता है।
• टोकन-प्राइस मेनू: स्क्रीनिंग केवल स्टॉपिंग-टाइम कैप्स $T(r)$ के एक एक-आयामी मेनू के माध्यम से प्राप्त की जाती है। विक्रेता सभी के लिए समान उच्च-गुणवत्ता वाली सूचना प्रक्रिया प्रदान करता है, लेकिन अधिक तात्कालिक/कम मूल्य वाले प्रकारों के लिए इसकी अवधि (या टोकन की संख्या) को सीमित करता है।
• रीजनिंग क्वालिटी का विस्तार: यदि मॉडल में अंतर्जात रीजनिंग क्वालिटी (जहाँ विचार की "गहराई" भिन्न हो सकती है) की अनुमति है, तो इष्टतम तंत्र में एक ट्रेडऑफ शामिल है: अधिक तात्कालिक प्रकारों को तेज़ लेकिन कम गुणवत्ता वाले उत्तर मिलते हैं, जो प्रभावी रूप से "सॉफ्ट कैप्स" बनाता है जहाँ समय सीमा के करीब पहुँचने पर आउटपुट की गुणवत्ता कम हो जाती है।

4. मुख्य योगदान (Key Contributions)

1. सैद्धांतिक नवाचार: यह स्थिर स्क्रीनिंग (Mussa–Rosen) और डायनेमिक सूचना अधिग्रहण के बीच के अंतर को पाटता है। यह सिद्ध करता है कि डायनेमिक सेटिंग्स में, उत्तल समय वरीयताओं के साथ, अनंत-आयामी डिज़ाइन समस्या एक एक-आयामी स्क्रीनिंग समस्या में सिमट जाती है।
2. AI अलाइनमेंट के लिए आर्थिक तर्क: यह LLMs के लिए "वरीयता अलाइनमेंट" (preference alignment) के लिए एक लाभ-अधिकतम करने वाले औचित्य को प्रदान करता है। वह प्रक्रिया जो उपयोगकर्ता की उपयोगिता को अधिकतम करती है ("अलाइन्ड" प्रक्रिया), वही प्रक्रिया है जो विक्रेता के राजस्व को अधिकतम करती है, बशर्ते कि विक्रेता कैप्स के माध्यम से स्क्रीनिंग करे न कि गुणवत्ता विकृति के माध्यम से।
3. "टोकनाइज्ड" प्राइसिंग का लक्षण वर्णन: यह स्पष्ट करता है कि आधुनिक AI कंपनियाँ (OpenAI, Anthropic) क्यों रोलिंग-विंडो मैसेज कोटा और टियर्ड API एक्सेस (प्रायोरिटी बनाम बैच) का उपयोग करती हैं।

5. महत्व (Significance)

यह शोध पत्र आर्थिक सिद्धांत और AI उद्योग दोनों के लिए अत्यधिक महत्वपूर्ण है।

• सिद्धांत के लिए: यह स्क्रीनिंग समस्याओं की एक अनूठी श्रेणी की पहचान करता है जहाँ "गुणवत्ता" एक विनिमय योग्य आयाम नहीं है, बल्कि "समय" है। यह प्रदर्शित करता है कि समय वरीयताओं में उत्तलता (convexity) एक एकल, गैर-विकृत उत्पाद की इष्टतमता को बनाए रखती है।
• उद्योग के लिए: यह जेन-जीएआई (GenAI) प्रदाताओं के प्रचलित बिजनेस मॉडल्स की व्याख्या करता है। यह स्पष्ट करता है कि टियर्ड प्राइसिंग (जैसे ChatGPT Plus बनाम एंटरप्राइज API) आवश्यक रूप से मॉडल की "बुद्धिमत्ता" के बारे में नहीं है, बल्कि उपयोगकर्ता को मिलने वाली लेटेंसी (latency) और थ्रूपुट के बारे में है। यह यह भी सुझाव देता है कि "बैच API" सेवाएँ (जो सस्ती लेकिन धीमी हैं) कम तात्कालिकता वाले उपयोगकर्ताओं को कैप्चर करने का गणितीय रूप से इष्टतम तरीका हैं।