চীনা এআই মডেলগুলি খরচ এবং কৌশলগত পরিবর্তনের মধ্যে বিশ্বব্যাপী চিন্তার সৃষ্টি করছে

লেখক: স্ট্র্যাটেচারি

স্টিম টেকফ্লো

শিনচাওয়ের পরিচয়: কিমি K3 কাগজের মডেল বাজারে প্রবেশ করছে, ওয়াল স্ট্রিট এবং সিলিকন ভ্যালি কেন অতিরিক্ত প্রতিক্রিয়া দেখাচ্ছে? এই প্রবন্ধটি বিশ্লেষণ করে যে ChatGPT যুগ থেকে Agent যুগে যাওয়ার পর, টোকেন (token) আর পণ্য নয়—সত্যিকারের পণ্য হলো বুদ্ধিমত্তা নিজেই—এবং এই সীমান্ত খরচের যুদ্ধে, চীনা ওপেন-সোর্স মডেলগুলি যদিও বিনামূল্যে মনে হয়, তবুও সেবার খরচ খুবই বেশি। অগ্রণী ল্যাবগুলির আতঙ্কের মূল কারণ হলো, তারা এখনও প্রশিক্ষণ খরচকে কেন্দ্র করে থাকা থেকে উপসংহারের পরিসরকে কেন্দ্র করে নতুন গেম-রুলসের দিকে স্থানান্তরিত হতে পারছে না।

আমি একবার একটি গল্প বলেছিলাম, যেখানে আমি আমার কেলগ বিজনেস স্কুলে STRT-431 ক্লাসের প্রথম দিনের অভিজ্ঞতার কথা বলি, যা প্রতিটি এমবিএ নতুন শিক্ষার্থীর জন্য বাধ্যতামূলক। আমি কোর্সের উপকরণ এবং কেস স্টাডিগুলি পরীক্ষা করলাম এবং হতাশ হয়ে দেখলাম যে কোর্স সূচিতে কোনও প্রযুক্তি কোম্পানি নেই। আমি প্রফেসরের কাছে দৌড়ে গিয়ে জিজ্ঞাসা করলাম কেন, এবং উত্তরটি ছিল: এই কোর্সের লক্ষ্য হলো নির্দিষ্ট শিল্পগুলির অধ্যয়ন নয়, বরং যেসব সাধারণ নীতি যেকোনো শিল্পের যেকোনো কোম্পানিতেই প্রয়োগ করা যায়, তা খুঁজে বার করা।

যেমন আমি প্রায়শই বলে থাকি, তখন আমি এই উত্তরটি নিয়ে খুব অসন্তুষ্ট ছিলাম: আমার দৃষ্টিতে প্রযুক্তির স্বভাব, বিশেষ করে সফটওয়্যার এবং বিতরণের শূন্য প্রান্তিক খরচ (এবং শূন্য লেনদেন খরচ), এটি মৌলিকভাবে ভিন্ন। সূত্রে শূন্য প্রতিস্থাপন করলে প্রায়শই সবকিছুই বিকল্প হয়ে যায়। কিন্তু আমি শীঘ্রই বুঝতে পারলাম, এটিই আমার সুযোগ। সংহতীকরণ তত্ত্বের (Aggregation Theory) মূল অন্তর্দৃষ্টি হল: শূন্য প্রান্তিক খরচের কারণে মূল্যের শৃঙ্খলটি মানুষের ইন্টারনেটের পূর্বাভাসের সঙ্গে সম্পূর্ণভাবে ভিন্ন—একটি চাহিদা নিয়ন্ত্রণকে বিতরণের চেয়ে বেশি গুরুত্বপূর্ণ বিশ্বে, আপনি কেন্দ্রীয়করণ এবং স্কেলিংকে দেখতে পাবেন।

তবে কৃত্রিম বুদ্ধিমত্তার আকর্ষণীয় বিষয় হল যে পুরনো সার্বজনীন নীতিগুলি আবার সামনে চলে আসছে। এটি গত সপ্তাহান্তে সবচেয়ে স্পষ্টভাবে প্রকাশ পায়, যখন X-এ Kimi K3-এর উপর তীব্র আলোচনা শুরু হয়। Kimi K3 হল চীন দ্বারা চালু করা আরেকটি ওপেন-সোর্স ওজন মডেল, যার ক্ষমতা সবচেয়ে উন্নত মডেলগুলির কাছাকাছি চলে আসছে। সংক্ষেপে: প্রান্তিক খরচ একটি গুরুত্বপূর্ণভাবে ফিরে আসছে, চরম উন্নত বিনামূল্যের মডেলগুলির সংক্ষিপ্তমেয়াদী প্রভাবের পাশাপাশি শিল্পের দীর্ঘমেয়াদী কাঠামোর দিক থেকে।

ওপেন সোর্স ওয়েট মডেল সম্পর্কে সবচেয়ে সাধারণ ভুল বিশ্বাসগুলির মধ্যে একটি হল যে এগুলি আরও সস্তা—এমনকি বিনামূল্যে। কারণ আপনি সরাসরি ওয়েট ডাউনলোড করতে পারেন এবং নিজের মডেল তৈরির জন্য প্রয়োজনীয় সময়, খরচ এবং ক্ষমতা এড়িয়ে যাতে পারেন। এটা অবশ্যই সত্য, কিন্তু এখানে "বিনামূল্যে" বলতে বোঝায় আপনার R&D-এ যে পরিমাণ খরচ হয়। R&D হল একটি স্থির ব্যয়, যা আপনার আয়ের সাথে সম্পর্কিত নয়। যদি আপনি R&D-এ 100 ডলার খরচ করেন, তবে আপনার আয় 100,000 ডলার হোক বা 100,000,000 ডলার, আপনি R&D-এ 100,000,000 ডলারই খরচ করেছেন (অবশ্যই, এটি আপনার লাভজনকতাকে প্রভাবিত করবে)।

আয়ের সাথে সম্পর্কিত হলো COGS—বিক্রয়ের খরচ—এবং COGS AI-এর জন্য বাস্তবিক, যা সফটওয়্যার শিল্পে দীর্ঘদিন ধরে ছিল না। বিশেষ করে, মডেলে ইনফারেন্স চালানো—যা হোক Kimi বা Fable—তার জন্য খরচ হয়, এবং AI প্রদানকারীরা ইনফারেন্সে যে টাকা খরচ করে, তা বেশিরভাগ ব্যবসায়িক মডেলে আয়ের সাথে সরাসরি সম্পর্কিত। উপরের উদাহরণটি পুনরায় ব্যবহার করলে, 1 শত মিলিয়ন ডলার আয় এবং 100,000 ডলার আয়ের জন্য COGS-এর পরিমাণ 1000 গুণ হতে পারে। বিশেষভাবে, যদি 1 ডলার আয়ের জন্য টোকেনের খরচ 50 সেন্ট হয়, তবে 1 শত মিলিয়ন ডলার আয়ের COGS হবে 50 মিলিয়ন ডলার, আর 100,000 ডলার আয়ের COGS হবে 50,000 ডলার।

ওপেন সোর্স ওয়েট মডেলের ক্ষেত্রে মূল বিষয় হল যে এগুলি বিনামূল্যের সেবা নয়। কিমি K3-এর খরচ প্রতি মিলিয়ন ইনপুট টোকেনের জন্য 3 ডলার এবং প্রতি মিলিয়ন আউটপুট টোকেনের জন্য 15 ডলার। এটি Sol-এর প্রতি মিলিয়ন ইনপুট টোকেনের জন্য 5 ডলার এবং প্রতি মিলিয়ন আউটপুট টোকেনের জন্য 30 ডলারের চেয়ে সস্তা, তবে এটি সঠিক পরিমাপের মাপকাঠি হতে পারে না।

নভেডিয়ার সিইও হুয়াং রেনক্সুন নভেডিয়া যা তৈরি করছে তাকে "টোকেন ফ্যাক্টরি" হিসাবে বর্ণনা করেছেন, এবং নভেডিয়ার দৃষ্টিকোণ থেকে এই বক্তব্যটি যুক্তিসঙ্গত। নভেডিয়ার GPU-গুলি নির্দিষ্ট মডেলের জন্য ডিজাইন করা হয়নি: এগুলি টোকেন তৈরি করে, এবং সবচেয়ে দ্রুত ও সবচেয়ে দক্ষভাবে এটি করে। এর ফলে প্রতি সেকেন্ডে টোকেন, প্রথম টোকেনের সময়, প্রতিওয়াটে টোকেন, টোকেনের খরচ ইত্যাদির মতো মাপদণ্ডগুলি উদ্ভূত হয়েছে, যা হুয়াং রেনক্সুনের মতে সিদ্ধান্তগুলির ভিত্তি হবে।

এই ফ্রেমওয়ার্কটি AI-এর প্রথম প্যারাডাইম—ChatGPT যুগ—এ প্রাসঙ্গিক ছিল, যখন টোকেনগুলি সরাসরি চূড়ান্ত ব্যবহারকারীদের কাছে প্রেরিত হত। তবে AI-এর দ্বিতীয় প্যারাডাইম, অর্থাৎ রিজনিং যুগ, এই পরিমাপকে বিক্ষিপ্ত করে দিয়েছে। রিজনিং মানে থিংকিং চেইন টোকেনের বিস্ফোরণ, এবং বিভিন্ন মডেলগুলির সঠিক উত্তর পেতে বিভিন্ন সংখ্যক রিজনিং টোকেনের প্রয়োজন হয়। উদাহরণস্বরূপ, বলা হয়েছে যে Kimi-এর ব্যবহৃত টোকেনের সংখ্যা Sol-এর তুলনায় উল্লেখযোগ্যভাবে বেশি, যা এটির মূল্যের সুবিধাকে নষ্ট করে দিয়েছে। Agent-এর প্রবর্তনও একইধরনের গতিকে আনে: কিছু মডেল Agent ওয়ার্কফ্লো সম্পাদনের জন্যপ্রয়োজনীয় টোকেনের সংখ্যায় অধিকতর দক্ষ।

এর অর্থ হল টোকেনগুলি পণ্য নয়। পণ্যের সংজ্ঞাগত বৈশিষ্ট্য হল এটি বিনিময়যোগ্য: এক গ্যালন তেল হল এক গ্যালন তেল, এক টন তামা হল এক টন তামা, এক বুশেল গম হল এক বুশেল গম। কিন্তু একটি মডেলের টোকেন অন্য মডেলের টোকেনের সমান নয়। বিনিময়যোগ্য হল টোকেনগুলি দিয়ে গঠিত জিনিস, অর্থাৎ বুদ্ধিমত্তা। অর্থাৎ, যদি Kimi এবং Sol উভয়ই সঠিক উত্তর তৈরি করে, তবে সেই উত্তরটি বিনিময়যোগ্য। সঠিক উত্তর তৈরির জন্য প্রয়োজনীয় টোকেনের পার্থক্য COGS-এর পার্থক্যকে ঘটায়।

বুদ্ধিমান COGS কয়েকটি ভিন্ন ফ্যাক্টরের ফাংশন:

মডেলের স্থান ব্যবহার: ওজন এবং রানটাইম অবস্থা প্রতিটি সার্ভিস কপি হোস্ট করতে কতটা মহঙ্গা মেমোরি এবং কতটা অ্যাক্সেলারেটর প্রয়োজন তা নির্ধারণ করে।

推理 দক্ষতা: আর্কিটেকচার বাছাই (যেমন মিক্সড এক্সপার্ট মডেল) প্রতিটি জেনারেট টোকেনের গণনা কমায়

মেমোরি দক্ষতা: আর্কিটেকচার বাছাই KV ক্যাশের প্রয়োজনীয়তা কমিয়ে দেয়, যা বেশি সমান্তরাল অনুরোধ এবং বেটার GPU ব্যবহারের অনুমতি দেয়

সার্ভিস দক্ষতা: ব্যাচ প্রক্রিয়াকরণ, স্কেডিউলিং, প্রিফিক্স ক্যাশিং এবং অন্যান্য ইনফারেন্স অপ্টিমাইজেশন ব্যবহার সর্বোচ্চকরণ এবং অনুরোধের মধ্যে কাজ শেয়ার করে

টোকেন দক্ষতা: সঠিক উত্তর পেতে যত কম টোকেন প্রয়োজন হবে, তত কম যুক্তিসঙ্গত খরচ হবে

এটি খুবই গুরুত্বপূর্ণ, কারণ আমরা এমন অবস্থার দিকে দ্রুত এগিয়ে যাচ্ছি যেখানে অনেক আর্থিকভাবে লাভজনক কাজের জন্য বুদ্ধিতা একটি কমোডিটি হয়ে যাচ্ছে। উদাহরণস্বরূপ, যে কেউ একটি বেসিক CRUD অ্যাপ্লিকেশন তৈরি করতে পারেন, তিনি একাধিক প্রোভাইডারের মডেল ব্যবহার করতে পারেন। এবং কমোডিটি বাজারে, লাভের পথ হলো উচ্চতর মূল্য ধার্য করা নয়—আপনি (বা খুব শীঘ্রই) একাধিক মডেল ব্যবহার করে সম্পূর্ণ একই অ্যাপ্লিকেশন তৈরি করতে পারবেন—বরং উৎকৃষ্ট খরচ কাঠামো অর্জনের মাধ্যমে।

এখানে মেকানিজমটি পরিষ্কার করা উচিত, কারণ যেমন আমি কয়েক মাস আগে আমাজনের টেকসই প্রকৃতি প্রবন্ধে উল্লেখ করেছিলাম, পণ্য বাজারের গতিবিধি প্রযুক্তি শিল্পের মানুষদের জন্য সাধারণত পরিচিত নয়:

পণ্য বাজারে, প্রত্যেকে একই দাম দেয়, কারণ প্রত্যেকে একই জিনিস বিক্রি করে। এই দামটি চাহিদা এবং যোগান দ্বারা নির্ধারিত হয়।

পণ্যের চাহিদা মূল্যের স্থিতিস্থাপকতার ফাংশন: পণ্যটি যত সস্তা, চাহিদা তত বেশি, এবং তার বিপরীতে।

পণ্যের যোগান হল পণ্যের প্রান্তিক খরচের একটি ফাংশন।

গুরুত্বপূর্ণ বিষয় হল যে, বিভিন্ন সরবরাহকারীদের দ্বারা পণ্যের প্রান্তিক খরচ ভিন্ন হয়। ব্যবহারিকভাবে, এর অর্থ হল সবচেয়ে খারাপ খরচ কাঠামো সম্পন্ন সরবরাহকারীরা তাদের প্রান্তিক খরচে পণ্য বিক্রি করে (যদি তারা উৎপাদন করতে পারে)। অন্য সবার লাভ নির্ভর করে তাদের খরচ কাঠামোটি প্রান্তিক সরবরাহকারীর চেয়ে কতটা ভালো।

একটি উদাহরণ:

সাপ্লায়ার A প্রতি ইউনিট 10 ডলার খরচে 10 ইউনিট পণ্য উৎপাদন করতে পারেন

সরবরাহকারী B প্রতি ইউনিট 15 ডলার খরচে 10 ইউনিট পণ্য উৎপাদন করতে পারেন

সরবরাহকারী C প্রতি ইউনিট 20 ডলার খরচে 10 ইউনিট পণ্য উৎপাদন করতে পারেন।

ধরুন মূল্য সহনশীলতা এমন যে 20 ডলারে 25 ইউনিট পণ্যের চাহিদা রয়েছে। এর অর্থ:

সরবরাহকারী A 10 ইউনিট প্রতি ইউনিটে 10 ডলার লাভ করে 20 ডলারে বিক্রি করবেন

সাপ্লায়ার B 10 ইউনিট প্রতি ইউনিট 5 ডলার লাভে 20 ডলারে বিক্রি করবেন

সরবরাহকারী C 20 ডলারে 5 ইউনিট বিক্রি করবে, প্রতিটি ইউনিটে 0 ডলার লাভ করে।

এটি সম্পূর্ণরূপে সঠিক নয়: সরবরাহকারী C-এর কাছে অভাবের কারণ হল সরবরাহকারী A এবং B তাদের দামে কিছুটা কমিয়ে দিতে পারে, যা অবশ্যই চাহিদাকে (স্থিতিস্থাপক) প্রভাবিত করে, কিন্তু এটি সমস্যাটি ব্যাখ্যা করে। সরবরাহকারী A-এর জন্য খুব ভালো ব্যবসা, সরবরাহকারী B-এর জন্য ভালো ব্যবসা, এবং সরবরাহকারী C-এর জন্য দুর্দশা।

ব্যর্থতার ঝুঁকি হল স্থির খরচের পুনরায় সামনে আসার স্থান: সরবরাহকারী C-এর স্থির খরচ রয়েছে (যেমন গবেষণা ও উন্নয়নের ব্যয়), এবং পণ্য উৎপাদনের জন্য প্রয়োজনীয় সরঞ্জামের জন্য ঋণও নিতে পারে। সে এই খরচগুলির ভিত্তিতে পণ্যের দাম নির্ধারণ করতে পারে না—মনে রাখবেন, বাজার পরিষ্কার মূল্যটি চাহিদা পূরণের জন্য প্রয়োজনীয় সর্বোচ্চ খরচের এককের প্রান্তিক খরচের কাছাকাছি—কিন্তু এই খরচগুলি অবশ্যই সরবরাহকারীকে বাজার থেকে বেরিয়ে যেতে বাধ্য করতে পারে। যদি সরবরাহকারী দুর্ঘটনাগ্রস্ত হয়, তবে মূল্য বৃদ্ধি পাবে, যতক্ষণ না অন্য সরবরাহকারী প্রবেশের (অথবা অন্যান্য সরবরাহকারীদের বিস্তার) সিদ্ধান্ত নেয়।

আসুন মডেলের দিকে ফিরে আসি। এখন, উপরের সমস্ত বিশ্লেষণ প্রযোজ্য নয়, কারণ অগ্রণী মডেলের চাহিদা সরবরাহকে ছাড়িয়ে গেছে, এবং সরবরাহ কম্পিউটিং ক্ষমতার অভাবে সীমাবদ্ধ। এই কম্পিউটিং ক্ষমতার অভাব শুধুমাত্র নভেডিয়ার মতো কম্পিউটিং সরবরাহকারীদের খুব উচ্চ মুনাফা হার অর্জনের অনুমতি দেয়, এটি নভেডিয়ার গ্রাহকদের, যেমন SpaceXAI, Anthropic-এর মতো কোম্পানিগুলির কাছে কম্পিউটিং ক্ষমতা উচ্চ মুনাফা হারে পুনঃবিক্রি করতেও সক্ষম করে। একইসময়ে, Anthropic প্রিমিয়াম প্রদান করতে পারে, কারণ তারা টোকেনগুলি আরও বেশি প্রিমিয়ামে বিক্রি করতে পারে।

তবে, অতিরিক্ত চাহিদাই যে অ্যানথ্রোপিককে বিপুল লাভক্ষতি দেয় তা নয়: মডেলের ক্ষমতা, সেবার পরিসর এবং টোকেন দক্ষতার কারণে অ্যানথ্রোপিক এবং ওপেনএআই সম্ভবত সবচেয়ে কম অগ্রগামী মানের বুদ্ধিমত্তা একক খরচ রাখে। তারা প্রতিদ্বন্দ্বীদের চেয়ে মাসগুলি আগে নির্দিষ্ট ক্ষমতা স্তরের মডেলগুলি সরবরাহ করে, এবং এই খরচগুলি অপ্টিমাইজ করার জন্য সেরা মডেলগুলি প্রয়োগ করে।

এছাড়াও উল্লেখযোগ্য যে, বাজার এখনও বুদ্ধিকে একটি পণ্য হিসাবে বিবেচনা করছে না: চাহিদা বিশেষভাবে Anthropic এবং OpenAI-এর দিকে নিয়োজিত, যখন কম ভালো মডেলগুলির জন্য চাহিদা অনেক কম (এজন্য SpaceXAI এবং Meta তাদের উৎপাদন ক্ষমতা Anthropic-এর কাছে বিক্রি করছে)। খরচ অপ্টিমাইজেশনের প্রেরণাকে এভাবে ভাবা যেতে পারে: এটি বুদ্ধির স্তর দ্বারা সম্পন্নকরণযোগ্য কাজের ফাংশন, যাতে বুদ্ধির ক্রেতারা একটি বুদ্ধিকে পণ্যকৃত বাজার তৈরি করতে পারে। তবে দীর্ঘমেয়াদে, যেকোনো প্রতিষ্ঠানই যদি অগ্রণীতে থাকে, তবেই অগ্রণীতের বাইরের বাজারগুলির (যা শুধুমাত্র অগ্রণীতের n মাস পিছনে) নিয়ন্ত্রণকারী হওয়ার সবচেয়ে বড় ক্ষমতা রাখবে, যেখানে অগ্রণীতের মডেল তৈরিরকারীরা n মাসব্যাপী তাদের সেবার খরচকেই অপ্টিমাইজ করছে।

এসব থেকে বোঝা যায় যে, আমি মনে করি কিমি এবং চীনা মডেলগুলির প্রতি সাধারণ প্রতিক্রিয়াটি বেশি অতিপ্রতিক্রিয়া, কমপক্ষে অর্থনৈতিক দৃষ্টিকোণ থেকে। এখন একটি মূল্য সুরক্ষা ছাতা রয়েছে, যা ক্যালকুলেশন সামর্থ্যের অভাবের পরিণতি। আমি খুবই সন্দেহজনক যে চীনা মডেলগুলি প্রান্তিক খরচের ভিত্তিতে কি আসলেই সস্তা, এগুলি শুধুমাত্র সস্তা মনে হচ্ছে, কারণ Anthropic এবং OpenAI-এর সরবরাহ এতটাই সীমিত যে তারা যে মূল্য নিচ্ছে, তা যদি বুদ্ধিমত্তার চাহিদা পূরণের জন্য যথেষ্ট সরবরাহ থাকত, তাহলে তা অনেক কম হত।

তাহলে, মডেল তৈরিকারীদের চীনা মডেলগুলির প্রতি এতটাই ভয় কেন?

প্রথমত, আমি মনে করি ফ্রন্টিয়ার ল্যাব একটি প্রশিক্ষণ খরচ এর মাধ্যমে তাদের আর্থিক মডেলিং নির্ধারিত বিশ্বে অবস্থিত। যতক্ষণ প্রশিক্ষণ অপেক্ষা বেশি GPU ব্যবহার করে, পরবর্তী প্রশিক্ষণ চালানোর জন্য সহায়তা করার জন্য উপসংহারের আয় সর্বোচ্চকরণ অত্যন্ত গুরুত্বপূর্ণ, যা উপসংহারের জন্য খুব উচ্চ মূল্য চার্জ করার অর্থ।

তবে, ভবিষ্যতের দিকে তাকালে, আমি প্রত্যাশা করি যে ইনফারেন্স মার্কেটের বৃদ্ধির গতি ট্রেনিং খরচের চেয়ে অনেক বেশি হবে (যা ট্রেনিং খরচ আরও বেড়ে যাবে এই ধারণাকে অন্তর্ভুক্ত করে), যার অর্থ তারা প্রকৃতপক্ষে পরিমাণ দিয়ে এটি পূরণ করতে পারবে। আট মাস আগে পর্যন্ত, এটি বাস্তবায়িত হবে কিনা তা অস্পষ্ট ছিল, কিন্তু এজেন্ট প্যারাডাইমের উন্মোচন এতটাই বিশাল যে অগ্রগামী ল্যাবগুলির জন্য এখন আরও আত্মবিশ্বাসী হওয়া উচিত—তারা শুধুমাত্র কম খরচেই বেঁচে থাকতে পারবে, বরং সফলতা অর্জনও করবে (যখনই তাদের পর্যাপ্ত কম্পিউটিং পাওয়ার থাকবে)।

দ্বিতীয়ত, বুদ্ধিমত্তা একটি পরিপূর্ণ পণ্য নয়, যার একটি কারণ হল বুদ্ধিমত্তা ব্যবহার করলে এটি নিজেকে আরও বুদ্ধিমান করে তোলে। বিশেষ করে, যে কেউ যুক্তি চালাচ্ছে, সেও ডেটা সংগ্রহ করছে, এবং এই ডেটা পরবর্তী পুনরাবৃত্তির মডেলকে আরও ভালো করতে ব্যবহার করা হয়। একদিকে, এটিই এগিয়ে যাওয়া ল্যাবগুলির জন্য আরও বেশি কম্পিউটিং ক্ষমতা চালু করার সময় দাম কমানোর এবং ব্যবহার বাড়ানোর কারণ। অন্যদিকে, এটিই মাইক্রোসফটের মতো কোম্পানিগুলির জন্য প্রতিষ্ঠানগুলিকে তাদেরই মডেলগুলি চালাতে সহায়তা করার প্রতি এতটাই আকৃষ্ট হওয়ার কারণ। চীনা মডেলগুলি যদি সম্ভাব্য বিকল্প হয়, তবে এটি আরও সম্ভবপর।

তৃতীয়ত, ফ্রন্টিয়ার ল্যাবরেটরিগুলি শুধু চীনা মডেলগুলি থেকে আলাদা হয়ে উঠতে পারে না, বরং ক্লায়েন্ট অভিজ্ঞতার দিকে উপরের দিকে একীভূত হওয়ার মাধ্যমেও পরস্পরকে আলাদা করতে পারে। Claude Code এবং Codex অত্যন্ত আটকে থাকা প্রমাণিত হয়েছে, যা অবাক করে। আপনি যে টুলটি ব্যবহার শুরু করুন, সেটিই সম্ভবত আপনি চিরকাল ব্যবহার করবেন, বিশেষ করে অ-প্রযুক্তিগত ব্যবহারকারীদের ক্ষেত্রে। দীর্ঘমেয়াদে, এই উপরের দিকের সরকারটি সত্যিই নির্দেশ করে যে ফ্রন্টিয়ার মডেলগুলি মাইক্রোসফটসহ সফটওয়্যার প্রোভাইডারদের জন্য একটি বড় হুমকি। অন্যদিকে, বর্তমানে ক্লায়েন্ট অভিজ্ঞতা নিয়ন্ত্রণ করা সফটওয়্যার কোম্পানিগুলি যতটা প্রতিযোগিতামূলক মডেলগুলি অর্জন করতে পারবে, ততটাই ফ্রন্টিয়ার ল্যাবরেটরিগুলির আক্রমণকে প্রতিরোধ করতে পারবে।

শেষ করে, এনথ্রোপিকের আদর্শগত দৃষ্টিভঙ্গি বিশেষভাবে উপেক্ষা করা যায় না। এটি একটি এমন কোম্পানি যা বিশ্বাস করে যে শুধুমাত্র এটিই এআইকে দায়িত্ব দেওয়ার যোগ্য, এবং ওপেন-সোর্স ওয়েট বিকল্পগুলির অস্তিত্ব এই ধারণার জন্য মারাত্মক আঘাত।

কিমি একমাত্র নতুন চীনা মডেল নয়। ব্লুমবার্গ প্রতিবেদন করেছে:

আলিবাবা গ্রুপ হোল্ডিংস লিমিটেডের শেয়ার মূল্য সোমবার ৫.৪% বেড়েছে, যেহেতু কোম্পানিটি তার প্রধান Qwen3.8 Max মডেলের প্রিভিউ প্রকাশ করেছে, যা Anthropic-এর Fable 5-এর পরে দ্বিতীয় সর্বোত্তম হিসাবে দাবি করা হয়েছে। এই রবিবারের প্রকাশটি স্টার্টআপ মুন অফ দ্য ডার্কনেস দ্বারা শক্তিশালী নতুন পণ্য চালুর কয়েকদিন পরেই হয়েছিল, যা বাজারকে কম্পিত করেছিল এবং মার্কিন যুক্তরাষ্ট্রকে চীনকে Anthropic এবং OpenAI-এর মতো বিশ্ব নেতৃত্বদানকারীদের সাথে তুলনা করার জন্য উদ্বিগ্ন করেছিল। Qwen3.8 Max-এ 2.4 ট্রিলিয়ন প্যারামিটার রয়েছে, যা মুন অফ দ্য ডার্কনেসের K3-এর সাথেও 2.8 ট্রিলিয়ন প্যারামিটারযুক্ত, শীর্ষস্থানীয় পণ্যগুলির সঙ্গে তুলনা করা যায়, এবং আলিবাবাও একইভাবে উচ্চমানের আশা রাখছে।

ডেভেলপাররা এখন আলিবাবার কোডিং প্ল্যাটফর্ম (Qoder সহ) এর মাধ্যমে Qwen3.8 Max এ অ্যাক্সেস পাচ্ছেন। আলিবাবা শীঘ্রই এই মডেলের ওপেন সোর্স ওয়েটস প্রকাশের পরিকল্পনা করছে, যাতে প্রিভিউ সংস্করণের বাইরেও অ্যাক্সেস প্রসারিত হয়। চীনা তৈরি এই কৃত্রিম বুদ্ধিমত্তা সিস্টেম এবং মডেলগুলির প্রতি এতটাই বড় আগ্রহ দেখা যাচ্ছে যে, মনথ অফ ডার্কনেসকে অত্যধিক চাহিদা মোকাবিলা করতে রবিবারের সন্ধ্যায় নতুন সাবস্ক্রিপশন গ্রহণ বন্ধ করতে হয়েছিল।

আলিবাবা গ্রুপ হোল্ডিংস লিমিটেডের শেয়ার মঙ্গলবার ৫.৪% পর্যন্ত বৃদ্ধি পায়, যখন কোম্পানিটি তার প্রধান Qwen3.8 Max মডেলের প্রিভিউ সংস্করণ চালু করে এবং এটিকে Anthropic PBC-এর Fable 5-এর পরে দ্বিতীয় সর্বোত্তম মডেল হিসাবে উল্লেখ করে। এই রবিবারের প্রকাশটি Moonshot AI-এর শক্তিশালী নতুন পণ্য চালুর কয়েক দিন পরেই হয়, যা বাজারকে কম্পিত করেছিল এবং মার্কিন যুক্তরাষ্ট্রের মধ্যে Anthropic এবং OpenAI-এর মতো বিশ্বের অগ্রণীদের সাথে চীনের অনুসরণের বিষয়ে উদ্বেগকে জাগিয়েছিল। Qwen3.8 Max-এ 2.4 ট্রিলিয়ন প্যারামিটার রয়েছে, যা Moonshot-এর Kimi K3-এর সাথে ওজনশ্রেণীতে প্রবেশ করেছে। K3-এ 2.8 ট্রিলিয়ন প্যারামিটার রয়েছে, যা শীর্ষস্থানীয় পণ্যগুলির সাথে তুলনা করা যায়, এবং আলিবাবাও একইভাবে উচ্চ আশা রাখছে।

ডেভেলপাররা এখন আলিবাবার কোডিং প্ল্যাটফর্মের মাধ্যমে Qwen3.8 Max এবং Qoder অ্যাক্সেস করতে পারেন। আলিবাবা শীঘ্রই এই মডেলেরওয়েটস খুলতে প্রস্তুত, যাতে প্রিভিউ সংস্করণের বাইরেও অ্যাক্সেস প্রসারিত হয়। চীনা তৈরি এই কৃত্রিম বুদ্ধিমত্তা সিস্টেম এবং মডেলগুলির চাহিদা এতটাই বেশি যে, Moonshot প্রচুর চাহিদা মোকাবেলা করতে রবিবার সন্ধ্যায় নতুন সাবস্ক্রিপশন গ্রহণ বন্ধ করে দেয়।

Qwen3.8 Max-এর ওজন খোলার কথাটি উল্লেখযোগ্য। আলিবাবা এই বছরের শুরুতে তাদের শীর্ষ মডেলগুলির ওজন প্রকাশ বন্ধ করেছিল, কিন্তু এখন এই সিদ্ধান্ত পরিবর্তন করেছে; আমি সন্দেহ করি যে এই পরিবর্তনটি গত সপ্তাহে শী জিনপিংয়ের AI-এর উপর ভিত্তি করে করা বক্তব্যের সাথে সম্পর্কিত, যা ওজন খোলার পদ্ধতির উপর জোর দিয়েছে:

আমাদের খোলা এবং পরস্পর লাভের নীতি অনুসরণ করে উদ্ভাবন-ভিত্তিক বিকাশকে উৎসাহিত করা উচিত। বিশ্ব অর্থনীতির নতুন ইঞ্জিন এবং বৃদ্ধির গতি পরিবর্তনের ত্বরণকারী হিসাবে, কৃত্রিম বুদ্ধিমত্তা ডিজিটাল বিশ্ব থেকে ভৌত বিশ্বের দিকে এগিয়ে যাচ্ছে। আমাদের এই অনন্য ঐতিহাসিক সুযোগটি ধরে রাখা উচিত, ওপেন-সোর্স, খোলা, সহযোগিতা এবং শেয়ারিংকে উৎসাহিত করা উচিত। আমাদের কৃত্রিম বুদ্ধিমত্তার প্রযুক্তিগত উদ্ভাবন, শিল্প বিকাশ এবং প্রয়োগের ক্ষেত্রগুলির উন্নয়নকে উৎসাহিত করা উচিত। আমাদের পারম্পরিক শিল্পের আধুনিকীকরণ, নবায়নমূলক শিল্পের বৃদ্ধি এবং ভবিষ্যতের শিল্পের পূর্বানুমানমূলক পরিকল্পনার সমন্বয়সাধন করা উচিত, যাতে সবকটি শিল্পই কৃত্রিম বুদ্ধিমত্তা থেকে লাভবান হয়।

চীনের কৌশলটি স্পষ্ট: আপনার পরিপূরক পণ্যগুলিকে কমোডিটি হিসাবে প্রকাশ করুন। নোট করুন যে শী জিনপিং স্পষ্টভাবে খোলামেলা প্রক্রিয়াকে AI-এর সাথে যুক্ত করেছেন, "ডিজিটাল বিশ্ব থেকে ভৌত বিশ্বে" যাওয়া; ভৌত বিশ্বটি চীন দ্বারা নেতৃত্বাধীন, এবং চীন রোবোটিক্সের মতো ক্ষেত্রে তাদের অগ্রণী অবস্থান ব্যাপকভাবে উপলব্ধ AI মডেলগুলি থেকে অনেক লাভবান হবে।

একইভাবে, চীন চায় না যে মার্কিন যুক্তরাষ্ট্র এআই-এ অসমতা প্রাপ্ত হয়; যদি চীন মার্কিন অগ্রণী পরীক্ষাগারগুলিকে দুর্বল করতে পারে এবং একসাথে সমস্ত সম্ভাব্য মার্কিন প্রতিদ্বন্দ্বীদের শক্তিশালী করতে পারে, তবে তা আরও ভালো, এবং এটি খোলা ইকোসিস্টেমের সাথে যুক্ত উদ্ভাবন থেকেও লাভবান হতে পারে।

একইভাবে, চীনের অগ্রণী ল্যাবগুলিকে ডিসিলেশন আক্রমণের বিরুদ্ধে কোনও ব্যবস্থা নেওয়ার আশা করবেন না। চীনের ল্যাবগুলির সমস্ত সাফল্যকে ডিসিলেশনের জন্য দায়ী করা ভুল, কিন্তু ডিসিলেশন চীনের ল্যাবগুলিকে বিপুল সুবিধা দিয়েছে বলে অস্বীকার করা একইভাবে ভুল। গত বছরের মধ্যেই এই সুবিধাটি প্রকাশ পেয়েছে, কারণ ট্রেনিং-পরবর্তী রিইনফোর্সমেন্ট লার্নিং মডেলের কর্মক্ষমতার জন্য ক্রমাগতভাবে বড় ভূমিকা পালন করছে। চীনের ল্যাবগুলির জন্য রিইনফোর্সমেন্ট লার্নিং পরিবেশটি শূন্য থেকে তৈরি করার প্রয়োজন নেই, তারা শুধুমাত্র অগ্রণী ল্যাবগুলির মডেলকে শিক্ষক হিসাবে ব্যবহার করে, অনেক কমখরচেই দ্রুত উন্নতি অর্জন করতে পারে (এটি চীনা মডেল ডেভেলপমেন্টের খরচ কমার একমাত্র কারণ নয়, তবে এটি একটি গুরুত্বপূর্ণ কারণ)।

আকর্ষণীয় বিষয় হলো, চীনা মডেলগুলির পশ্চিমা বিশ্বে সবচেয়ে গুরুত্বপূর্ণ ব্যবহারের মধ্যে একটি হলো ডিস্টিলেশন। উদাহরণস্বরূপ, সাম্প্রতিক সময়ে ওপেন ওয়েট মডেল প্রকাশ করা Thinking Machines, রিইনফোর্সমেন্ট লার্নিং-এর কুল স্টার্ট সমস্যা সমাধানের জন্য চীনা মডেলগুলির উপর নির্ভরশীল। ডিন মাইয়ার এবং কনস্ট্যান্টিন বুহলার X-এ একটি উত্তম নিবন্ধ লিখেছেন, যেখানে তারা ব্যাখ্যা করেছেন যে ডিস্টিলেশনের অর্থ হলো পশ্চিমা ওপেন ওয়েট মডেলগুলির চীনের তুলনায় মৌলিকভাবে অগ্রাধিকারহীনতা:

ডিস্টিলেশন চীনের ওপেন মডেলের ক্ষেত্রে সম্পূর্ণ অগ্রগতির ব্যাখ্যা দেয় না। চীনা ল্যাবগুলি বিশ্বস্তরের গবেষকদের, প্রচুর কম্পিউটিং ক্ষমতা, শক্তিশালী প্রি-ট্রেনড মডেল, সফটওয়্যার-হার্ডওয়্যার সমন্বয়ে ডিজাইন এবং দ্রুত উন্নত ট্রেনিং-পরবর্তী ক্ষমতা রাখে। কিন্তু ডিস্টিলেশন শক্তিশালী ভিত্তি থেকে প্রায় অগ্রণী সিস্টেমের মধ্যে খরচবহুল শেষ ব্যবধানকে সংকুচিত করে। যদিও ডিস্টিলেশন চীনা মডেলের মোট ক্ষমতার মধ্যে ছোট অংশ গঠন করে, এটি মার্কিন ওপেন মডেলের তুলনায় চীনের আপেক্ষিক সুবিধার মধ্যে গুরুত্বপূর্ণ অংশ গঠন করে।

নতুন বাস্তবায়ন প্রক্রিয়াটি চীনা কোম্পানিগুলির জন্য বড় পরিসরে ডিস্টিলেশনকে আরও কঠিন, ধীর এবং ব্যয়বহুল করে তুলবে। তবে, বাস্তবায়ন রাষ্ট্রীয় কর্মকর্তাদের সমর্থিত ডিস্টিলেশনকে সম্পূর্ণরূপে বন্ধ করতে পারে না। ফলে, পশ্চিমের প্রতিটি অগ্রগতি চীনা ল্যাবগুলির জন্য আরও একজন শিক্ষক তৈরি করে। পশ্চিমা নির্মাতাদের এই ক্ষমতাগুলি স্বাধীনভাবে পুনরুৎপাদন করতে হবে, অথবা চীনা মডেলগুলি থেকে শেখার জন্য অপেক্ষা করতে হবে। এই ব্যবধানটি চীনা ল্যাবগুলিকে পশ্চিমা কোম্পানিগুলির তুলনায় পুনরাবৃত্তিমূলক গঠনগত সুবিধা প্রদান করে।

এটি পুনরাবৃত্তি করার মতো: যেহেতু মার্কিন খোলা ওজন মডেল তৈরিকারীদের অগ্রণী পরীক্ষাগারের সেবা শর্তাবলী মেনে চলতে হয়, তাই তারা (1) চীনা বিকল্পগুলির চেয়ে কম ভাল, (2) চূড়ান্তভাবে শুধুমাত্র চীনা পরীক্ষাগারগুলির মধ্যে দিয়ে যাওয়া একটি প্রক্রিয়াজাত উৎপাদন। যদি পশ্চিমা খোলা ওজন মডেল তৈরিকারীদের সরাসরি উৎস থেকে প্রাপ্তির সুযোগ থাকত, তবে তা কি আরও ভালো হত?

এর জন্য, ডিস্টিলেশনকে নিয়ে আরও একটি আকর্ষণীয় প্রশ্ন রয়েছে: এটি বাস্তবিকই কেন খারাপ? শেষ পর্যন্ত, বড় ভাষা মডেলগুলি কি শুধুমাত্র ওপেন ইন্টারনেটের সমস্ত জ্ঞানের ডিস্টিলেশন নয়, যা অগ্রণী ল্যাবগুলি সংগ্রহ করে এবং ডিস্টিলেশনের মধ্যে ডিস্টিলেশন করছে? এখানে কার ক্ষতি হচ্ছে?

বাস্তবে, এই প্যারাডক্সই সমাধান। আমি বিশ্বাস করি ওপেন ওয়েট মডেলগুলি উদ্ভাবনের জন্য উপকারী (এবং, উপরের বিষয়গুলির ভিত্তিতে, আমি মনে করি ফ্রন্টিয়ার ল্যাবগুলির কোনো সমস্যা হবে না), কিন্তু চীনের উপর নির্ভরশীলতা একটি সমস্যা। মার্কিন যুক্তরাষ্ট্রকে একটি আইন পাশ করানো উচিত, (1) মডেল প্রশিক্ষণের জন্য ডেটা সংগ্রহকে যৌক্তিক ব্যবহার হিসাবে স্পষ্টভাবে ঘোষণা করা, (2) অন্তত মার্কিন কোম্পানিগুলির জন্য ডিসিলেশনের সার্ভিস টার্মসকে নিষেধ করা। ডিসিলেশন—যা প্রকৃতপক্ষে API-এর কোয়েরি—বন্ধ করা প্রায় অসম্ভব; মার্কিন যুক্তরাষ্ট্রকে অন্যদিকে যেতে হবে, একটি নতুন কপিরাইট নীতির দিকে ঝুঁকবে, যা ল্যাবগুলিকে সুরক্ষিত রাখবে এবং তাদের শেখা জ্ঞানকেও অন্যদের আরও উদ্ভাবনের জন্য প্রেরণা হিসাবে নিশ্চিত করবে।

লেখাটি কিমি K3 এবং চীনা ওপেন ওয়েট মডেলগুলির প্রতি অতিক্রমিত প্রতিক্রিয়া দূর করতে চেয়েছে; তবে, সাইবার নিরাপত্তার কারণে একটি উদ্বেগের কারণ রয়েছে। দেখুন The Stack-এর এই গল্পটি:

হাগিং ফেস বলেছে যে, গত সপ্তাহের শুরুতে তাদের উৎপাদন অবকাঠামোটি একটি "স্বয়ংক্রিয়" AI এজেন্ট সিস্টেম দ্বারা আক্রান্ত হয়েছিল। প্ল্যাটফর্মের সুরক্ষা দল প্রাথমিকভাবে অজ্ঞাত মার্কিন LLM অগ্রগামী মডেলের গতিবিধি বাধা হিসেবে বাধাগ্রস্ত হয়েছিল, "যারা ইভেন্ট রিসপন্সার এবং আক্রমণকারীদের পার্থক্য করতে পারছিল না," তারা বলেছে। ফলে হাগিং ফেসের প্রতিরক্ষাকারীরা চীনের Z.ai ল্যাবরেটরির ওপেন-সোর্স GLM 5.2 মডেলটি ব্যবহার করতে শুরু করে—এটিকে তাদের নিজস্ব অবকাঠামোতে চালিয়ে 17,000-এরও বেশি লগ বা পথচিহ্ন বিশ্লেষণ করেছে, যা আক্রমণকারীদের দ্বারা পরিত্যক্ত হয়েছিল।

নিউ ইয়র্ক ভিত্তিক Hugging Face-এর জন্য এটি একটি আকর্ষণীয় সার্বজনীন স্বীকারোক্তি, যেখানে কোম্পানিটি ব্যবহারকারীদের মডেল, ডেটাসেট এবং অ্যাপ্লিকেশনে সহযোগিতার সুযোগ দেয় এবং এই বছরের গ্রীষ্মে 1 শতাব্দীর ARR-এর মাইলফলক অর্জন করে। একটি ইভেন্ট রিপোর্টে, কোম্পানিটি ডিফেন্ডারদের "ইভেন্টের আগেই একটি ক্ষমতাশালী মডেল প্রস্তুত রাখুন [আমাদের ইটালিক] যা আপনার নিজস্ব ইনফ্রাস্ট্রাকচারে চলবে, যা গার্ডরেল লকিংয়ের পাশাপাশি আক্রমণকারীদের ডেটা এবং ক্রেডেনশিয়াল আপনার পরিবেশ থেকে বেরিয়ে যাওয়া থেকেও বাঁচাবে।"

ট্রাম্প সরকারের এনথ্রোপিকের ফেবল প্রকাশের প্রতি ভয় পাওয়ার প্রতিক্রিয়া কতটা ভুল ছিল, তা অতিশয়োক্তি করা কঠিন, বিশেষ করে যখন এটি এনথ্রোপিকের সবচেয়ে খারাপ প্রবণতাকে আরও বাড়িয়ে তুলেছে—অর্থাৎ, শুধুমাত্র তারাই শক্তিশালী এআই ব্যবহারের জন্য বিশ্বস্ত। একটি বিশ্বে, যেখানে শুধুমাত্র একটি এআই আছে, সবচেয়ে শক্তিশালী সাইবার নিরাপত্তা ক্ষমতা মার্কিন সরকার এবং বিশ্বস্ত মিত্রদের কাছেই সংরক্ষণ করা যুক্তিসঙ্গত হতে পারে; তবে, এটি আমরা যে বিশ্বে বাস করি, তা নয়।

বর্তমান অবকাঠামোর উপর সাইবার নিরাপত্তা আক্রমণ চালানোর জন্য পুরোপুরি সক্ষম মডেলগুলি ইতিমধ্যে বিদ্যমান এবং ভবিষ্যতেও থাকবে, এবং এই মডেলগুলি ইতিমধ্যেই—প্রচুর পরিমাণে উপলব্ধ। সেরা প্রতিরোধ—বাস্তবিকপক্ষে একমাত্র সম্ভাব্য প্রতিরোধ—হল প্রতিরোধকদেরও সেরা মডেলগুলি পাওয়ার ব্যবস্থা করা। এখন, ট্রাম্প সরকারের নির্দেশের কারণে, প্রতিরোধকদের বাস্তবিকপক্ষে Fable বা Sol ব্যবহার করা নিষিদ্ধ; এর অর্থ হল সেরা বিকল্পটি হল এমন একটি দেশের মডেল ব্যবহার করা, যে দেশটি বছরের পর বছর ধরে আমাদের সাইবার প্রতিরোধকে দুর্বল করার চেষ্টা করেছে। এটা অসংগঠিত!

একটি স্পষ্ট পদ্ধতি অনুসরণ করা ভালো: প্রথমত, ফেবল এবং সলের সাইবার নিরাপত্তা সীমাবদ্ধতা কমিয়ে আনুন, দ্বিতীয়ত, মার্কিন খোলা ওজন মডেল তৈরিকারীদের জন্য চীনের সাথে সমান প্রতিযোগিতামূলক পরিবেশ নিশ্চিত করুন। হ্যাঁ, অগ্রণী ল্যাবগুলি শব্দ করবে, কিন্তু সরকারকে বুঝতে হবে যে তাদের হিস্টিরিয়ার প্রতি শ্রদ্ধা করার ফলে মার্কিন যুক্তরাষ্ট্রকে চীনের উপর নির্ভরশীল হতে হচ্ছে। অগ্রণী ল্যাবগুলিকে ভালোভাবে কাজ করেই জয়ী হতে দিন; তাদেরকে নিরাপত্তা বা গ্যারান্টির সংজ্ঞা দিতে দিবেন না, এবং মানবতার সমষ্টিগতজ্ঞানের মইটি টেনে তুলতেও দিবেন না। চীনের সাথে প্রতিযোগিতা করা ইতিমধ্যেই যথেষ্ট কঠিন; খোলা এবং উদ্ভাবনের পতাকা উঠিয়ে ধরা, আমাদের সবচেয়ে বড় সুবিধা হারিয়ে ফেলা।