The world is likely to see many technological changes in the next few years. Some time ago, Elon Musk merged his ‘SpaceX’ and XAi companies. And, he announced that he would stop producing some old models of his electric car Tesla and build ‘Optimize robots’ there. The production of robots is now also happening at a rapid pace in various countries including South Korea and China. New robots will not be like machines but will be able to use their hands almost as well as humans. With the development of robots and drones, all jobs that require the same type of work will be in danger. For example, most of the jobs in fast food restaurants, factory ‘assembly’ line jobs, etc. are likely to be in danger. 

Due to new technology, robots will occupy a major part of the workforce needed by firms. Just two weeks ago, those who watched the dance and other performances of the ‘Unitree Robot’ there during the Chinese New Year (Chunchie) have come to believe that the robot will now start a new era for the robot industry in the world. These robots, which can be available at low prices, will be able to perform tasks such as guarding homes, cooking, washing dishes, ironing and folding clothes, and administering medicine with the development of a suitable ‘operating system’ in the future. These robots, which are cheap but can work all day, are likely to soon replace ordinary workers working at home. If the demand for such robots increases in Arab countries, the demand for low-skilled Nepali workers working there will also decrease.

Another major field like robotics is artificial intelligence, where unimaginable progress has been made in the last decade. After the ‘ImageNet Large Scale Visual Recognition’ competition held in 2012, the world became different in a sense. The speed at which the supervision team including Geoffrey Hinton recognized photos proved that machines can now read and see. From ‘Can machines learn or not?’, the question now started to be asked ‘How fast can machines learn?’ And, the world's leading minds began to turn to this area. People had long imagined machines thinking for themselves, ruling the world, in television shows and movies. Some scientists used to call the point when machines would think more than humans the 'singularity point'. Now, it gradually seemed that point was not far off. 

It didn't take long to prove that AI would have applications in many areas. Around 2012, neuroscience researchers Demis Hassabis and Sean Legg at University College London were studying how the brain works. They believed that the brain is like a 'Turing machine' and that if the 'structure' of its various parts is well understood, a similar machine could be built. Demis had two main ideas about how the brain learns. One, the brain doesn't just work by remembering, it also imagines at the same time, and therefore in some cases what the brain considers to be memory may be wrong. Secondly, the way the brain works is not ‘deep learning’ as others thought at the time, but ‘reinforcement learning’ that he developed.

Demis, San and another Suleiman Mustafa together opened a company called ‘DeepMind’ in London, where they did ‘research’ related to artificial intelligence. Demis was extremely sharp. His research on the prediction of a ‘protein structure’ in 2017 won him the Nobel Prize in Chemistry in 2024. Although his primary expertise was not in chemistry. Similarly, Geoffrey Hinton received the Nobel Prize in Physics in 2024. Although Hinton’s life was spent not in the study of physics but in artificial intelligence. Other archaeologists, economists, pharmaceutical scientists and biology researchers also began to use AI to solve problems that had not been solved for a long time in their respective fields. This expanded the scope of use of AI. The use of AI has increased so much that the six most valuable companies in the world today, Nvidia, Amazon, Apple, Meta, Alphabet, and Microsoft, are all integrally related to AI. 

With the collapse of Kodak, people have become increasingly curious about the development of digital methods and the impact they can have on traditional businesses. The current belief is that if your business can be transformed into 1s and 0s, it is in danger. Kodak used to make photos using paper and chemicals, but when the method of making photos in 1s and 0s came, Kodak's business was over. Similarly, universities are also likely to be in danger, because teaching education no longer has to be taught in the classroom. University lectures can be transformed into 1s and 0s and taught through videos on platforms like YouTube. 

The purchasing process has also changed completely. Earlier, if you had to buy a goat from someone's house, you would go to their house, negotiate the price, and give them cash to take the goat home. Now, after watching the video of the goat and agreeing on its price, you can pay online and bring it home via a digital transport service vehicle. There are even countries in the world where the money used in that purchase and sale can be used as virtual money instead of government money. In order for the digital system to replace the traditional system, it had to be easy to make the necessary digital calculations to make all these purchasing processes easier. In fact, everything we buy, read, and listen to in our lives is actually calculated with 1 and 0. The faster the calculations are done on a computer, the easier the flow of this information becomes, the digital 'place' can replace the physical world. The success of almost all digital technologies lies in 'fast calculations', i.e. the ability to calculate quickly. 

It has been centuries since humans started calculating quickly with machines. From the Chinese Xuanfan to the seventeenth-century calculators made by Pascal of France are some examples of old efforts. However, now, when it comes to calculating quickly, electronic devices are the choice of everyone. Electrical engineering is initially studied with 'logic gates'. When electricity flows through these gates, some operations are turned off (0) and some are turned on (1), which is guided by the rules of ‘Boolean algebra’. These ‘logic gates’ are made by arranging ‘transistors’ (i.e., electrical switches). Engineers design these ‘logic gates’ to make electronic devices.

The greatest miracle of the past half-century has been the development of the ability to fit billions of ‘transistors’ on tiny chips. This is like carving extraordinary art into each straw and placing a billion such straws in a small crib. Just as it was difficult to assemble billions of straws into a small crib and preserve the art inherent in each, it was extremely challenging to make these chips flawless and small. Therefore, the construction of ‘microchips’ is a major specialized knowledge in itself. This means that in the modern world, the companies that design chips and manufacture chips can generally be different. For example, the American company Qualcomm designs chips, while the Taiwanese company TSMC makes chips.

The foundation of extraordinary companies 

For a long time, electronic engineers were influenced by Moore's law, which states that the number of transistors that can fit on a given area of ​​a chip doubles every two years, and the principle that the more chips you put on a smaller area (for example, billions), the less it affects the flow of electricity (Dennard scaling). However, as transistors got smaller, Dennard scaling became inaccurate and the problem of power leakage from transistors increased. This led to a situation where the ability of calculating machines was limited. A company that could solve this problem could challenge powerful companies like Intel.

The initial attempts at AI had been around since the 1970s. However, many attempts to advance AI had failed. Sometimes, sometimes in the name of something, there was a small rumor about AI. In the 1970s, there was talk of ‘symbolic AI’, and in the 1980s, there was talk of ‘expert systems AI’. Behind the modern development of AI, the successful use of two technologies plays an important role: neural nets and parallel computing. However, for a long time, computer experts did not have much faith in neural nets. Around 1986, Geoffrey Hinton’s group developed the ‘back propagation method’, and finally, a little faith in it began to grow. In ‘back propagation’, the machine did not have to be taught everything, as new information came in, the machine stored it in its own way. Hinton believed that the future of AI would be determined by running neural nets on ‘parallel computing processors’. This vision later proved to be correct. 

Currently, the belief that training should be done first and then ‘inference’ is almost established for machine learning, but it took some time to establish that. The 1990s were the decade of the PC, the decade of the Internet. But more than that, in 1997, when IBM's Deep Blue machine defeated world chess champion Garry Kasparov, people in the world began to be interested in machine learning again. At the time of Deep Blue's formation, another IBM researcher, Gerald Tessaro, had first successfully used the 'reinforcement learning' method to play the difficult game of backgammon. 

In the 1990s, Tessaro and Frederick Dahl initially started a method of training computers and teaching them a lot of knowledge, and then making the necessary 'inferences' from that knowledge while playing the game. The first stage used a lot of energy, while the second used less. 

Up until this point, the structure of the Western economy had not contributed much to the development of AI. However, when the PC was developed, the companies that made the chips and cards needed to play the game in Silicon Valley realized that the speed of calculations was lacking. In the 2000s, Nvidia's CUDA project pioneered the use of parallel computing and temporarily solved this problem. It is unclear why a superpower like Intel did not do this in California, or why no one did it in Japan, where there is a superpower firm like Nintendo that makes games, and why Nvidia did it.

It was a risky thing for Nvidia, which was built to make money, to develop the CUDA method using parallel computing, which was new and considered a 'dead end' in terms of research. University researchers usually do not have a lot of money, while on the other hand, many users who played games using Nvidia chips had enough computing power and PCs from the 2010s. Therefore, it was not clear how very fast image recognition would translate into a lot of revenue for the company. Some of Nvidia's investors were not happy that the company was investing in such unnecessary things.

Coincidentally, in 2012, a program developed by the University of Toronto's supervision team using an Nvidia chip based on neural networks won the facial recognition competition by a huge margin at the ImageNet competition organized by Stanford University. And, it created an unprecedented hype in the information technology industry. Cloud service providers in the US began to build 'hyperscale data centers' using hundreds of thousands of Nvidia-made GPUs and rent them to corporations. Around 2015, Facebook began using AI to recognize and 'tag' photos. Algorithm technology began to understand what people like to listen to and watch and suggest similar videos.

In 2015, Nvidia again built a very powerful, FinFET-based DigiX-1 supercomputer. It could perform a huge number of calculations at once and was also relatively small and cheap. पहिले सुपरकम्प्युटरले मात्र गर्न सक्ने अप्ठेरो हिसाबहरू ‘एस्ट्रोफिजिक्स, क्लाइमेट’ परिवर्तनका गाह्रा–गाह्रा मोडलहरू अब यस्ता शक्तिशाली, तर सहज रूपमा उपलब्ध कम्प्युटर प्रयोग गरेर शोधकर्ताहरूले सहज रूपमै चलाउन सके । जसले यस्ता मेसिन आफैं किन्न सक्दैनथे, तिनीहरूका लागि पनि राम्रो ‘क्लाउड’ सर्भिसको अर्को बजार सुरु भयो । उदाहरणका लागि एमाजोनको वेब सर्भिस, माइक्रोसफ्टको याजर तथा इन्भिडियाको जिई फोर्स नाउँ । 

सन् २०१७ मा इन्भिडियाले ‘क्लाउड सर्भिस लिजिङ्ग’को अलावा रोबोटिक्ससँग सम्बन्धित ‘सिमुलेसन प्लाटफर्म आइज्याक’ ल्यायो । यसबाट विकसित ‘ओम्निभर्स’ ठ्याक्कै पृथ्वीको कपी गरेर बनाउन खोजिएको थियो । ‘ओम्निभर्स’ डिजाइन गर्दा इन्भिडियाको लक्ष्य यस्तो वैकल्पिक डिजिटल संसार बनाउनु थियो, जहाँ पृथ्वीमा जस्तै हावा चल्दा त्यसभित्र पात हल्लिन्थे, बलले छुँदा बिस्तारै हल्का रूपले टाँसिएका वस्तु झर्थे, कडा रूपले टाँसिएका झर्दैनथे । यो प्लाटफर्म धेरै उद्योगहरूलाई आफ्ना उत्पादनहरू ‘सिमुलेसन’ परीक्षण गर्न अत्यन्त उपयोगी हुन्थ्यो । यी महत्त्वपूर्ण उत्पादनहरूको बलमा इन्भिडिया संसारको सबैभन्दा मूल्यवान् कम्पनी बन्ने बाटो तय भयो । 

एआईको लोकतान्त्रीकरण, सामाजिकीकरण र असामाजिकीकरण

एआईलाई शोधकर्ता र उद्योगपतिहरूबाट साधारण प्रयोगकर्तासम्म पुर्‍याउन भने सन् २०१६ को एउटा प्रमुख विकासले काम गर्‍यो । उक्त वर्ष गुगलमा कार्यरत आशिष भास्वानी, ज्याकोब उस्कोराइट लगायतका केही वैज्ञानिकहरूले ट्रान्सफर्मरको विकास गरे । उक्त ट्रान्सफर्मर ‘सेल्फ अटेन्सन’ प्रविधि प्रयोग गरेर बनाइएको थियो र यसले आफैं कुनै शब्दपछि अर्को कुन शब्द राख्दा उपयुक्त हुन्छ, कुनै संगीतको धुनपछि अर्को कुन धुन राख्दा उपयुक्त हुन्छ जस्ता मिहिन कुराहरू करोडौं डेटाहरूको ‘इनपुट’ लिएपछि राम्रोसँग अनुमान गर्न सक्थ्यो । उनीहरूले लेखेको ‘अटेन्सन इज अल यु निड’ भन्ने लेखले एक अर्थमा भूकम्प नै ल्यायो र अत्यधिक व्यक्तिहरूले पढे । 

सन् २०१५ मा आइपुग्दा सिलिकन भ्यालीमा दुई वटा कुरामा मानिस विश्वस्त थिए ः एक, एआईले अर्थतन्त्रमा महत्त्वपूर्ण फरक पार्नेछ । दुई, यसले मानवता नै सिध्याउन सक्ने सम्भावना अत्यन्त धेरै पनि छ । दोस्रो कुराले चिन्तित भएर एआईलाई त्यत्तिकै बिना नियमन छोडिनु हुन्न भनेर मस्क, लिङ्कट इनका संस्थापक होम्यान, साम अल्टम्यान आदि मिलेर सन् २०१५ मा गैरनाफामूलक ओपेनएआई संस्था खोले । 

ट्रान्सफर्मर पद्धति र इन्भिडियाको प्रोसेसर प्रयोग गरेर ओपेनएआईबाट नोभेम्बर २०२२ मा च्याट जीपीटीको बेटा संस्करण सार्वजनिक भयो । यसले सानो निर्देशनमै कथा, कविता, कम्प्युटर कोड लेख्न सक्थ्यो, आर्ट कोर्न सक्थ्यो । यो असाधारण कल्पवृक्षले लगभग सबै काम गर्न सक्थ्यो । यसमा आधारित भएर बनाइएका कतिपय एपहरूले ठाउँको ठाउँ भिडियो बनाउन सक्थे । ट्रान्सफर्मर प्रविधिलाई इन्भिडियाको ‘हाइपरस्केल प्यारालेल कम्प्युटिङ्ग’ माथि चलाएर यी एपहरूले आर्टिफिसियल इन्टेलिजेन्सलाई जनजनमा पुर्‍याए । यसरी एआईले असीमित सम्पत्ति सिर्जना गर्ने बाटो खोल्यो । 

आज सबैभन्दा सम्पन्न व्यक्तिहरूको सूचीमा एआई जानेका व्यक्तिहरूको राम्रो प्रतिनिधित्व छ । यी व्यक्तिहरू आविष्कारक, भेन्चर क्यापिटलिस्ट तथा अन्य जोखिम लिने व्यक्तिहरूको समूह हो । नेपालमा मानिसहरूले खासै आविष्कार गरेर सम्पति कमाएका छैनन् । व्यापार–व्यवसाय नै सम्पत्तिको प्रमुख स्रोत भएको छ । आयात गरेर ल्याइएका सामानहरू नेपालमा व्यवसायका प्रमुख वस्तु हुन्, तर आयात व्यापार धेरैजसो पहुँचवालाहरूको हातमा छ । यसले मुलुकको सम्पत्तिको वितरण अन्यायपूर्ण बनेको छ । जमिनमा अधिकार पनि अन्यायपूर्ण तरिकाले निर्धारित भएको छ र अधिकांश दलितहरू भूमिहीन छन् । पुँजीको न्यायपूर्ण परिचालन यसैले एक महत्त्वपूर्ण प्रश्न पनि बनेको छ । 

अर्धसामन्तवादी संरचनाबाट भविष्यमुखी अर्थतन्त्रतिर

तर, नेपालको जग्गा, घर लगायतका देखिने सम्पत्तिमा आधारित, परिवार नियन्त्रित कम्पनीहरूमा अन्तरनिहित अर्धसामन्तवादी आर्थिक संरचनामा पनि बिस्तारै केही परिवर्तन देखिँदै छ । पुँजी तथा पुँजीपतिको परिचय पनि फेरिँदै गएको छ । नयाँ नेपालका केही पुँजीपतिहरू स्पष्ट रूपमा चिनिने पनि छैनन् । हिमालयन बैंकमा काम गर्ने कर्मचारीहरूले उनीहरूको बैंकका धेरै लगानीकर्तालाई सम्भवतः चिन्दैनन् । पाकिस्तानको हबिब बैंक केही अघिसम्म उक्त बैंकको एउटा लगानीकर्ता थियो, 

तर त्यो बैंकका मालिकहरू पनि धेरै छन्, जसलाई हिमालयन बैंकका उच्चपदस्थ अधिकारीले समेत चिन्दैनन् । चिलिमे र बीपीसीएलका प्रमुख सेयर होल्डरलाई धेरै नेपाली र अन्य सेयरधनीले पनि चिन्दैनन् । प्रमुख होटलहरू र्‍याडिसन, सोल्टी वा अन्य सिमेन्ट कम्पनीहरू पनि विभिन्न व्यक्ति, कर्मचारी सञ्चय कोष आदिले किनेका छन् । ती व्यक्ति वा संस्थाहरू कहाँ छन् भन्ने कुरा धेरै नेपालीलाई वा तिनै संस्थाका कर्मचारी वा अन्य साधारण सेयरहोल्डरलाई पनि थाहा नहुन सक्छ । यसैले वर्तमान नेपालमा साहु र ऋणी, जमिनदार र मोही, उद्योगपति र कामदारजस्तामा स्पष्ट पुँजीगत सम्बन्ध पनि छैनन् । 

एआईको विकासको प्रमुख स्टेजहरूमा कस्ता श्रम र पुँजी प्रयोग भएका थिए र नेपालले भविष्यमा यस्ता प्रविधिको विकास गर्न सक्छ कि सक्दैन भन्ने महत्त्वपूर्ण प्रश्न हेरौं । युनिभर्सिटी अफ टोरन्टोमा हुँदा ‘न्युरल नेट’को रिसर्च गरिरहँदा हिन्टन, अलेक्स, इल्या जस्ता उनका सहयोगीहरूसँग खासै ‘फन्डिङ’ थिएन । उनीहरूले अरूले धेरै महत्त्व नदिएको क्षेत्रमा आफ्नो लगावको भरमा काम गरिरहेका थिए । यो एक अर्थमा ‘पियोर जिनियस’ क्षण थियो, जहाँ तपाईं संसारको मतलब नगरी 

आफ्नो मनको कुरा सुनेर कुनै काममा लागि पर्नुहुन्छ । यी व्यक्तिहरूले आफ्नो ‘इमेज रिकग्निसन’ सम्बन्धी कामलाई स्ट्यानफोर्ड प्रोफेसर फेइ फेइ लीको लामो इमेजहरूको डेटाबेसमा परीक्षण गरेका थिए । लीको त्यो इमेज जम्मा गर्ने काम पनि त्यसबेला पैसा भन्दा लगावका लागि थियो । इन्भिडियाको कुडा आर्किटेक्चरको विकासमा ‘गेम कार्ड’ उत्पादन गर्ने इन्भिडियाको खुद आम्दानी तथा त्यसको सही उपयोग गर्नेसम्बन्धी जेन्सन हुआङको निर्णय महत्त्वपूर्ण थियो । डेमिस हासाबिसको बेलायती कम्पनी डिपमाइन्डको विकासमा एन्जेल लगानीकर्ताहरूको भूमिका थियो भने साम अल्टम्यानको च्याटजीपीटीको विकास गर्ने ओपनएआईका सुरुवाती लगानीकर्ता इलान मस्क लगायतका धनी व्यक्तिहरू थिए । के देखिन्छ भने सुरुवाती चरणमा एआईको विकास गर्न पैसाभन्दा पनि महत्त्वपूर्ण कुरा समस्या पहिचान गर्ने र त्यसका लागि उपयुक्त समाधान के हुन सक्छ भनेर एक कदम अगाडि बढेर काम गर्ने ‘जिनियस’हरूको भूमिका महत्त्वपूर्ण थियो । ती आइडियालाई आम्दानी सिर्जना गर्ने र समाज परिवर्तन गर्ने गरी ‘स्केलअप’ गर्न आविष्कारमैत्री पुँजीमाथिको पहुँच महत्त्वपूर्ण थियो । 

नेपालमा एआईजस्ता प्रविधि विकास गरेर विश्वमा त्यसको उत्पादन लैजाने कम्पनी बनाउन त्यसैले श्रम र पुँजीको पहुँचको संरचना आविष्कारमैत्री हुनुपर्छ । नेपालको भविष्य यदि डिजिटलाइजेसनमा छ भने अब नयाँ पुँजीपतिको निर्माणमा हामी त्यसैगरी लाग्नुपर्छ । अब साधारण प्रकृतिका श्रम (रिपेटिटिभ) को उत्पादनमा भूमिका गौण हुँदै जान्छ । पुँजी र उत्पादनमा प्रयोग गरिने मेसिन दुवै लिजमा लिएर आम्दानी निकाल्ने कम्पनीहरूको सुरुवात हुन्छ । यी कम्पनीहरू ‘स्पेसलाइज्ड’ हुनेछन् । उदाहरणका लागि भेन्चर क्यापिटल कम्पनीहरूले बैंकसँग ऋण लिएर लगानी गर्नेछन् । आफ्नो ज्ञान राम्रो भएसँगै यी कम्पनीहरूले जोखिमयुक्त, तर नयाँ सोच भएको परियोजनाहरूमा लगानीको हिस्सा बढाउँदै जानेछन् ।

भविष्यका उद्यमी पनि ‘स्पेसियलाइज्ड’ हुँदै जाने बनाउनुपर्नेछ । अहिले आफूलाई उद्यमी भन्नेले नेपालमा पहिले जग्गा जोड्ने चलन छ । अबको अर्थतन्त्रमा उद्यमीले विशुद्ध उत्पादनको काम गर्नेछ, उसलाई चाहिएको जमिन उसले अर्कै कुनै जमिनको मालिकसँग लिजमा लिनेछ, जसरी उसले मेसिन तथा पुँजी लिजमा लिन्छ । पुँजी लगानी गर्नेले या त भाडामा लगानी गर्छ या सेयरहोल्डरका रूपमा । विशिष्ट ज्ञान भएको ‘श्रमिक’ यसरी सिधै उत्पादक वा उद्योगपति बन्न सक्छ, उत्पादनको साधनका रूपमा ज्यालादारी श्रमिक नरहेर । 

हाल हाम्रा बैंकहरूको एक प्रमुख कमजोरी ‘ब्रान्च म्यानेजर’हरूले सही खालका व्यवसायहरू कुन हुन् भनेर छुट्याएर हेर्न सक्ने क्षमता कमजोर हुनु तथा ऋण दिएपछि तिनीहरूको सदुपयोग भएको छ कि छैन भनेर ‘पोस्ट डिस्बर्समेन्ट’ अनुगमन नहुनु हो । यसले गर्दा राम्रो गर्ने र नराम्रो गर्ने व्यवसायबीच धेरै फरक छुट्टिन नसक्ने, गलत व्यवसाय र व्यक्तिहरूलाई ऋण जाने भएको छ । यो विश्वव्यापी समस्या हो, तर यसका केही समाधान छन् । सिलिकन भ्यालीमा निस्केका अहिलेका ठूलाठूला कम्पनीहरू पहिले कुनै स्टार्टअपहरूको परीक्षा गर्ने संस्थामा जान्छन् । उदाहरणका लागि ‘वाई–कम्बिनेटर’लाई लिन सकिन्छ, जहाँबाट अहिलेका कोरा, एयरबीएनबी, स्ट्राइप, स्क्रिब्डजस्ता धेरै प्रमुख कम्पनी निस्केका छन् । 

यी कम्बिनेटरहरूबाट निस्केका कम्पनीलाई भेन्चर क्यापिटल तथा हेज फन्डहरूले लगानी गर्छन् । यस्ता फन्ड मिलाउने ‘फन्ड म्यानेजर’हरूको अमेरिकी व्यवसायहरूको विकासमा ठूलो भूमिका छ । उदाहरणका लागि एमाजन, गुगल, ट्विटर, जेनेनटेकजस्ता कम्पनीको लगानीकर्ता म्यानेजर क्लाइनर पर्किङ्स र एप्पल तथा सिस्को जस्ता कम्पनीको सुरुवाती लगानीकर्ता सेकोया क्यापिटललाई लिन सकिन्छ । यसरी सुरु भएका कम्पनीहरू आईपीओमा गएर सुरुमा केही ‘फन्ड’ उठाउँछन् । तर, कम्पनीहरू सेयर मार्केटमा जानुको प्रमुख उद्देश्य हाल पैसा उठाउनभन्दा सुरुवाती लगानीकर्तालाई उक्त कम्पनीमा गरेको लगानी उठाएर निस्कन सहज बनाउन पनि हो । यसरी नयाँ युगका कम्पनीहरूको वृद्धि हुनुमा बैंकभन्दा गैरबैंकिङ संरचनाको बढी योगदान हुन्छ । 

साधारणतया कमर्सियल बैंकहरूले ‘इक्विटी’मा लगानी गर्दैनन् । बैंकहरूले आफूले राखेको पैसालाई जुनसुकै हालतमा पनि सुरक्षित राख्नुपर्ने भएकाले बरु आफ्नो ऋणलाई ‘सिक्योरिटाइजेसन’ गर्छन् । अप्ठेरो मानिएका तल्लो ग्रेडका ऋणलाई ‘क्रेडिट डिफल्ट स्वाप’को प्रयोग गरेर बच्न खोज्छन् । हाम्रा बैंकहरू भने सुरुवाती चरणमै यी सबै खतराहरू मोल्न पुग्छन् । केहीले ‘इक्विटी इन्भेस्टमेन्ट’ समेत गर्छन् भने अन्यले सम्बन्धित उद्योगको राम्रो जानकारीबिना र ‘पोस्ट डिस्बर्समेन्ट’ अनुगमन गर्ने क्षमताबिना सिधै ऋण बाँड्छन् । अब यसमा बिस्तारै परिवर्तन ल्याएर हाम्रो आफ्नै ‘पीईभीसी’को क्षेत्र– जसले हालसम्म कुल करिब चालिस अर्ब रुपैयाँको मात्र लगानी गरेको छ र बल्ल क्षमता विस्तार गर्दै छ– को विस्तार गर्नुपर्नेछ । सेयर मार्केट पनि समयक्रमसँगै ‘प्रोमोटर’ मैत्री हुनुपर्नेछ । जोखिम उठाउन चाहने पुँजीपतिहरूलाई एकै ठाउँमा बाँधिराख्नु समाजका लागि पनि उपयोगी हुँदैन । 

आविष्कारबाट दिगो समृद्धितर्फ

अबको संसार यसरी रोबोट, आर्टिफिसियल इन्टेलिजेन्स हुँदै अगाडि बढेको छ । पहिले पनि हलो जोत्ने कामलाई ट्र्याक्टरले, तान बुन्ने कामलाई टेक्सटायल मेसिनले विस्थापित गरेका थिए । अब भने हामीले वरिपरि देखेका धेरै कामलाई मेसिनले विस्थापन गर्नेछन् । गाडी चलाउन ड्राइभर चाहिने छैन, घरको काम गर्न, रेस्टुराँ चलाउन, खेतीपाती गर्न मानिस चाहिने छैन वा अत्यन्त कम चाहिने छन् । 

तर, समग्रमा समाज समृद्ध हुँदै जानेछ । इलन मस्कले भन्दै गरेको ‘सस्टेनेबल अबनड्यान्स’ (दिगो समृद्धि) को मान्यता यही हो । गाउँघरमा गोरुहरूको अहिले काम नभए जस्तै धेरै मानिसको ‘भ्यालु अफ मार्जिनल लेबर’ शून्य हुनेछ, तर संसार विपन्न हुनेछैन । संसारमा खान, लाउन, ओखतीमूलोको समस्या न्यून हुनेछ । अहिलेसम्म मानिसलाई आर्थिक वृद्धिको सीमा छ भन्ने थियो र दिगो विकासका धारणाहरूलाई लोकप्रिय बनाइएका थिए । तर, अब दिगो समृद्धिको युग सुरु भएको छ र नेपाल त्यो युगबाट पर रहन सक्दैन । 

अहिलेसम्म विद्यार्थीहरूले पढ्ने अर्थशास्त्रमा उत्पादनका दुई साधनहरू श्रम र पुँजी हुन् भनेर मोडेलहरू बनाइने गरिन्छ । यो ‘प्रोडक्सन फङसन’को सुरुवात अर्थशास्त्री फिलिप विकस्टिडले सन् १८९४ मा गरेका थिए । बिस्तारै यसमा विभिन्न सुधार भयो तर पनि सबैजसो शोधहरूमा श्रम र पुँजीलाई दुई महत्त्वपूर्ण ‘इनपुट’को रूपमा लिने चलन फेरिएको छैन । तर, अब बिस्तारै नयाँ अर्थशास्त्रमा उत्पादनको साधनका रूपमा पुँजी मात्रै देखापर्ने र मानव श्रमको भूमिका न्यून हुनेछ । फुर्सदमा भएका मान्छे रोबोटहरूले बनाइदिएको खानेकुरा खाएर चराजस्तै यताउता डुल्दै, उड्दै, सोच्दै दिन बिताउने छन् । ती देशहरू जहाँ धेरै लिथियम छ, जहाँ ब्याट्री बनाउने क्षमता छ, जहाँ मेसिन बनाउन चाहिने मेटल र प्रविधि छन्, जहाँ गणित जानेका चिन्तन गर्न सक्ने धेरै नागरिक छन्, त्यो देश नै धनी हुनेछ ।