वास्तविक प्रश्न कभी यह नहीं है कि "AI की मांग कम हो जाएगी", बल्कि यह है कि "मूल्य अंततः आपूर्ति श्रृंखला के किस स्तर पर समाप्त होगा।"

लेखक, स्रोत: 0x9999in1, ME News

TL;DR

• मॉरगन स्टैनले के द्वारा प्रकाशित "ओपन वेट मॉडल और तीन भविष्य के परिदृश्य" में मुख्य निष्कर्ष यह है: किमी K3, क्वेन, लामा जैसे ओपन वेट मॉडल्स का उदय, एआई के प्रसार को तेज करने वाला उत्प्रेरक है, न कि नेतृत्व करने वालों के लिए खतरा।
• तर्क जेवन्स पैराडॉक्स है—जब एक बार की गणना सस्ती हो जाती है, तो व्यवसाय AI का उपयोग अधिक कार्यों में करने लगते हैं, जिससे टोकन, कैलकुलेशन क्षमता, बिजली और बुनियादी ढांचे की कुल मांग बढ़ जाती है।
• मॉरगन स्टैनले स्पष्ट रूप से चेतावनी देता है: ओपन वेट का अर्थ मुफ्त नहीं है। GPU, क्लाउड सेवाएँ, ऑपरेशन और सुरक्षा की लागत अभी भी मौजूद हैं, और वास्तविक आर्थिकता परिदृश्य पर निर्भर करती है।
• संदर्भित MIT अध्ययन दर्शाता है कि बंद स्रोत से खुले मॉडल पर स्विच करने से औसत कीमत में लगभग 70% की कमी होती है, जिससे व्यवसायों को प्रति वर्ष लगभग 250 अरब डॉलर की बचत होती है; लेकिन यह अध्ययन दिसंबर 2025 में पूरा हुआ था और इसमें लागू करने की लागत को पर्याप्त रूप से शामिल नहीं किया गया था।
• 卡内基梅隆的研究更为冷静：回收周期高度依赖规模，300亿参数以下的小规模部署可以很快回本，规模增大后差异巨大。
• तीन संभावित परिणाम: बंद स्रोत अल्पसंख्यक, मिश्रित सहअस्तित्व, और खुले वजन की जीत। वास्तविकता का आधार यह है कि 63% कंपनियाँ पहले से ही दो प्रकार के मॉडल का उपयोग कर रही हैं।
• सभी समय के लाभार्थी केवल दो लाइनें हैं: NVIDIA और वास्तविक बिजली आपूर्ति। कारण समर्थन नहीं, बल्कि यह है कि चाहे कैलकुलेशन क्षमता अत्यधिक केंद्रीकृत डेटा सेंटर में हो या किनारे पर फैली हुई हो, GPU और बिजली का मूल तर्क अपरिवर्तित रहता है।
• वास्तविक प्रश्न कभी यह नहीं है कि "AI की मांग कम हो जाएगी", बल्कि यह है कि "मूल्य अंततः आपूर्ति श्रृंखला के किस स्तर पर समाप्त होगा।"

एक, बाजार ने क्या गलत समझा

2026 के जुलाई के मध्य में, किमी K3 लॉन्च हुआ। फिलाडेल्फिया सेमीकंडक्टर इंडेक्स गिर गया, नेविडिया, माइक्रॉन, एसके हाइलिस, और यहां तक कि कैडेंस जैसी EDA कंपनियां भी प्रभावित हुईं।

क्या आप इसे जानते हैं? बहुत अच्छी तरह से जानते हैं।

एक साल से अधिक पहले डीपसीक के उतार-चढ़ाव के दौरान, बाजार की प्रतिक्रिया एक जैसी थी: ओपन सोर्स मॉडल जितने अधिक शक्तिशाली होते हैं, उतना ही कैल्कुलेशन पावर कम मूल्यवान होता है। यह तर्क सुनने में बहुत तार्किक लगता है—यदि एक ओपन वेट्स मॉडल पहली पंक्ति के साथ बराबरी कर सकता है, तो बंद स्रोत का प्रीमियम समाप्त हो जाता है; यदि कुशलता बढ़ जाती है, तो कार्ड का स्टैक करना आवश्यक नहीं रहता। इसलिए, चिप, उपकरण और बिजली की बिक्री पर एक श्रृंखला में कटौती की गई।

मॉरगन स्टैनले ने 4 अगस्त की इस रिपोर्ट में इस प्रतिक्रिया चक्र को सीधे गलत व्याख्या कहा।

गलत व्याख्या कहाँ है? बाजार ने "इकाई लागत में कमी" को सीधे "कुल व्यय में कमी" के रूप में समझ लिया।

इसके बीच एक विशाल चर है: उपयोग।

मॉरगन स्टैनले ने जेवन्स पैराडॉक्स का हवाला दिया। 19वीं सदी के अर्थशास्त्री जेवन्स ने एक अप्रत्याशित बात देखी: भाप के इंजन की दक्षता बढ़ने के बाद, जिससे एक ही मात्रा में कोयले से अधिक काम होने लगा, ब्रिटेन में कोयले की खपत में कमी नहीं आई, बल्कि वह तेजी से बढ़ गई। क्योंकि सस्ता हो गया, इसलिए इसका उपयोग किया जाने लगा; और क्योंकि इसका उपयोग किया जाने लगा, इसलिए यह सबकहीं पर उपयोग होने लगा।

AI पर रखें: एक बार के निष्कर्षण की लागत एक फीन से घटकर दसवें हिस्से तक आ गई है, और कंपनियाँ बचे पैसे अपनी जेब में नहीं रखेंगी। कंपनियाँ AI को उन ऐसे पहलूओं में शामिल करेंगी जहाँ पहले "लागत-लाभ का हिसाब नहीं बनता था"—कस्टमर टिकट की पूर्ण समीक्षा, कोडबेस की निरंतर स्कैनिंग, अनुबंधों की प्रति-पंक्ति तुलना, प्रत्येक ईमेल का स्वचालित वर्गीकरण। ये कार्य पहले नहीं किए जाते थे, क्योंकि वे करना नहीं चाहते थे, बल्कि क्योंकि वे अत्यधिक महंगे थे।

जब कीमत उस रेखा के नीचे गिर जाती है, तो मांग रैखिक रूप से नहीं, बल्कि ध्वस्त होने लगती है।

द्वितीय, "ओपन वेट" का क्या अर्थ है

यहाँ पहले अवधारणा को स्पष्ट करना आवश्यक है, क्योंकि बाजार का अराजकता आधा शब्दावली के अराजकता से आता है।

मॉरगन स्टेनली ने अपनी रिपोर्ट में एक ऐसा अंतर किया है जो नया नहीं है लेकिन आवश्यक है: ओपन वेट्स ≠ ओपन सोर्स।

सख्त परिभाषित ओपन-वेट मॉडल — Meta का Llama, Google का Gemma, और Qwen, DeepSeek, Kimi — जिनके प्रशिक्षित पैरामीटर सार्वजनिक हैं। आप इन्हें डाउनलोड कर सकते हैं, सूक्ष्म समायोजित कर सकते हैं, और अपने आप पर डिप्लॉय कर सकते हैं। लेकिन प्रशिक्षण डेटा सार्वजनिक नहीं हो सकता, और लाइसेंस समझौते में सीमाएँ हो सकती हैं।

सच्चा ओपन सोर्स इस तकनीकी स्टैक का पूरा सेट है जो मेज पर रखा गया है: कोड, प्रशिक्षण विधियाँ, डेटा विवरण। रिपोर्ट ने AI2 के OLMo का उदाहरण दिया है। यह वृत्त लोगों की कल्पना से कहीं छोटा है।

इसलिए अधिक सटीक कहना होगा: ओपन वेट और प्रोप्राइटरी के बीच मुख्य अंतर पैरामीटर साइज़ में नहीं, और न ही किसी सूची में कौन ऊपर है, बल्कि इनकी प्राप्ति और भुगतान की विधि में है।

Open weights: Usually get weights for free, support fine-tuning, and flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

प्राप्ति बंद: लाइसेंस + टोकन चार्जिंग, सभी उपयोगकर्ताओं को एक ही वजन मिलता है, आप इसे नहीं बदल सकते और न ही देख सकते।

मॉरगन स्टैनले ने एक बहुत सच्ची बात भी कही: आज के सबसे उन्नत मॉडल अभी भी बंद स्रोत हैं। कारण बहुत सरल है—प्रशिक्षण लागत अविश्वसनीय रूप से अधिक है, और अगली पीढ़ी के मॉडल आने तक, कोई भी पिछली पीढ़ी को मुफ्त में नहीं देगा।

इस वाक्य को दोबारा पढ़ने लायक है। इसका अर्थ है कि ओपन वेट की तुलना में पीछे रहना, जो मूलतः एक समय विलंब के साथ अनुसरण है। अंतर कम होगा, लेकिन संरचनात्मक समय अंतर आसानी से नहीं गायब हो सकता।

तीन: मुफ्त की सबसे बड़ी कीमत: जो दाम के टैग पर नहीं लिखा गया है

रिपोर्ट का सबसे मूल्यवान अंश, ठीक वही है जो ओपन वेट को शांत करता है।

मॉरगन स्टेनले ने MIT के अध्ययन का हवाला दिया: बंद स्रोत से खुले मॉडल पर स्विच करने से औसत कीमत में लगभग 70% की कमी आती है, जो उद्योग स्तर पर वार्षिक लगभग 250 अरब डॉलर की बचत के बराबर है।

अंक बहुत अच्छे हैं। लेकिन मॉर्गन स्टेनली ने तुरंत एक और मार लगा दी—यह अध्ययन दिसंबर 2025 में पूरा किया गया था, और इसमें लागत को पर्याप्त रूप से शामिल नहीं किया गया था।

डिप्लॉयमेंट लागत क्या है? आपको GPU खुद खरीदना होगा या खुद किराए पर लेना होगा, क्लस्टर के लिए किसी को ऑपरेशन करना होगा, मॉडल के लिए किसी को फाइन-ट्यून करना होगा, और सुरक्षा और अनुपालन के लिए किसी को जिम्मेदारी लेनी होगी। ओपन वेट्स आपको एक कार के डिज़ाइन और पार्ट्स देते हैं, न कि एक सीधे चलाने योग्य कार।

卡内基梅隆大学的研究更进一步量化了这一点：回收周期高度依赖部署规模。在300亿参数以下的小规模部署中，回收可以很快完成；但一旦规模扩大，账目就完全是另一番景象了。

यह एक बहुत कम चर्चित लेकिन अत्यंत महत्वपूर्ण वास्तविकता है: ओपन वेट की आर्थिकता एक चिकनी वक्र नहीं है, बल्कि एक टुकड़ा-टुकड़ा फ़ंक्शन है।

छोटे स्थिति, उच्च आवृत्ति, स्पष्ट कार्य—खुला वजन बहुत अच्छा है।

जटिल तर्क, दीर्घ अवधि के एजेंट, अत्यधिक विश्वसनीयता की आवश्यकता—बंद स्रोत का पैसा बेकार नहीं खर्च होता।

Kimi K3 जैसे अत्यधिक MoE आर्किटेक्चर की ओर आगे बढ़ें। यहां तक कि अगर केवल कुछ विशेषज्ञ सक्रिय हों, तो भी विशाल वजन को उच्च क्षमता वाली मेमोरी और उच्च गति वाले इंटरकनेक्ट क्लस्टर में वितरित किया जाना चाहिए। "खुलापन" का अर्थ है वजन की मालिकाना स्वीकृति, न कि हार्डवेयर की सीमाओं से मुक्ति।

दूसरे शब्दों में, ओपन वेट्स ने कैलकुलेशन की मांग को कुछ बंद स्रोत प्रयोगशालाओं से क्लाउड सर्विस प्रोवाइडर्स, सोवरेन क्लाउड और कॉर्पोरेट डेटासेंटर्स में फैला दिया है। कुल मात्रा में कमी नहीं हुई है, बस मालिक बदल गया है।

यही बाजार ने जुलाई के उस गिरावट में साफ नहीं किया।

चार: तीन अंतिम परिणाम, मूल्य कहाँ डूबता है

मॉरगन स्टैनले ने एकल निष्कर्ष पर नहीं, बल्कि तीन परिदृश्य दिए हैं। ऐसा लिखना ही एक निर्णय है: कोई भी अंतिम परिणाम नहीं जानता, लेकिन प्रत्येक अंतिम परिणाम की लाभ संरचना पहले से चित्रित की जा सकती है।

मान लीजिए कि अग्रणी मॉडल का प्रदर्शन दोहराना कठिन है। वर्कलोड अभी भी उच्च कैलकुलेशन घनत्व बनाए रखेगा और अति-विशाल बादलों की ओर बढ़ता रहेगा। टोकन की कीमतें अभी भी गिरेंगी, लेकिन धीरे-धीरे—क्योंकि अल्पसंख्यक संरचना स्वयं कीमत नियंत्रण बनाए रखती है।

लाभार्थी: क्लाउड प्रोवाइडर, सुरक्षा सॉफ्टवेयर, ऑप्टिकल नेटवर्क, सेमीकंडक्टर, बिजली सप्लाई चेन।

रिपोर्ट में एक विशिष्ट चर: गूगल को उल्लेख किया गया है। यदि Gemini 4 ब्रेकआउट करता है और पुनः अग्रणी स्थिति प्राप्त करता है, तो गूगल के अपने बुनियादी ढांचे पर मॉडल API चलाने का ROI लगभग 45% हो सकता है। यदि यह अग्रणी स्थिति प्राप्त नहीं कर पाता है, तो गूगल एक बुनियादी ढांचा प्रदाता की तरह दिखता है, जिसका संबंधित ROI लगभग 30% है।

पंद्रह प्रतिशत का अंतर, एक पीढ़ी के मॉडल पर भारी पड़ रहा है। यही अग्रणी प्रतियोगिता के अनुपात हैं।

कोई एक आर्किटेक्चर सभी को कवर नहीं करता। बंद स्रोत अग्रणी मॉडल जटिल तर्क और AI एजेंट कार्यों पर शासन करते हैं, जबकि खुले वजन उच्च आवृत्ति, लागत संवेदनशील और विशिष्ट उपयोग की मांगों को पूरा करते हैं।

कार्यभार सार्वजनिक बादल, निजी बादल, स्थानीय और किनारे तक फैला हुआ है। इसलिए—मॉडल ऑर्केस्ट्रेशन, रूटिंग, मूल्यांकन, शासन जैसे "मध्यवर्ती स्तर" सॉफ़्टवेयर, मूल्य के ऊपर की ओर जाने की कुंजी बन गए हैं। कार्यभार के विस्तार के साथ सुरक्षा सॉफ़्टवेयर की मांग बढ़ रही है।

इस परिदृश्य का एक बहुत मजबूत वास्तविक आधार है: वर्तमान में 63% कंपनियाँ खुले वजन और बंद स्रोत दोनों प्रकार के मॉडल का उपयोग कर रही हैं।

यह संख्या बहुत कुछ बताती है। व्यवसायों का चयन "किस पंथ का अनुसरण करें" नहीं, बल्कि "किस कार्य के लिए कौन सा विकल्प सस्ता और स्थिर है" है। यह खरीदारी का कार्य है, रास्ते का संघर्ष नहीं।

ओपन वेट्स की प्रदर्शन क्षमता धीरे-धीरे अग्रणी स्तर तक पहुँच रही है, और बेस मॉडल की बुद्धिमत्ता सामान्य उपलब्धता में आ गई है। मॉडल API की कीमतों में उल्लेखनीय कमी आई है, और उद्यमों में अपनाने की एक लहर आई है।

AI बुनियादी ढांचा डिसेंट्रलाइज्ड हो रहा है: निजी डेटासेंटर, सार्वजनिक बादल, स्थानीय डिप्लॉयमेंट और एज डिवाइस की मांग में भारी वृद्धि हुई है। नवाचार का केंद्र प्री-ट्रेनिंग से माइक्रो-ट्रेनिंग, इन्फरेंस अनुकूलन, एजेंट और विशिष्ट अनुप्रयोगों के कार्यान्वयन पर स्थानांतरित हो रहा है।

इस परिदृश्य में, सुरक्षा सॉफ्टवेयर एक बड़ा विजेता है। और यह समझना आसान है—जहाँ भार स्वतंत्र रूप से प्रवाहित हो सकते हैं, आक्रमण का क्षेत्र ज्यामितीय रूप से विस्तारित होता है।

व्यक्तिगत कंपनियों के स्तर पर भिन्नता दिलचस्प है: AVGO बंद स्रोत परिदृश्य में सबसे बड़ा एकल लाभार्थी हो सकता है; DELL, HPE जैसे स्थानीय बुनियादी ढांचा निर्माता, और ऐपल जैसे किनारे के उपकरण निर्माता, खुले परिदृश्य में आसानी से मूल्य जारी कर सकते हैं। क्लाउड निर्माता तब देखेंगे कि लोड अंततः कहाँ जाएगा—अगर खुला परिदृश्य सच है, तो माइक्रोसॉफ्ट को मिश्रित क्लाउड और स्थानीय स्थापना क्षमता के लाभ के कारण अधिक स्पष्ट स्थिति मिलती है, जबकि अमेज़न और गूगल को इस परिदृश्य में "अन्य लाभार्थी" के रूप में कमजोर स्थिति में रखा जाएगा।

पाँचवाँ: 24/7 लाभार्थी: क्यों निविडा और बिजली

तीनों परिदृश्यों के विश्लेषण के बाद, मॉर्गन स्टैनले ने सभी परिदृश्यों से गुजरने वाली दो रेखाएँ चुनीं।

The first one is NVIDIA.

यह तर्क जटिल नहीं है, लेकिन मजबूत है: चाहे गणना क्षमता अत्यधिक विस्तृत डेटासेंटर में केंद्रित हो या उद्योग के कमरों और किनारे पर वितरित हो, GPU की मांग का नींव का तर्क अपरिवर्तित रहता है।

एकत्रीकरण का अर्थ है कि कुछ खरीददार बड़ी मात्रा में खरीदते हैं; विकेंद्रीकरण का अर्थ है कि लाखों खरीददार छोटी मात्रा में खरीदते हैं। कुल मात्रा में कमी नहीं होती, बल्कि इसका प्रसार बढ़ने के कारण यह अधिक हो सकती है।

ध्यान देने योग्य बात यह है कि मॉरगन स्टेनले ने हाल ही में AI क्लस्टर की लागत अनुमान में वृद्धि की है—निविडा के वेरा रुबिन सिस्टम की कीमत लगभग 490 अरब डॉलर प्रति गीगावॉट रखी गई है, जो पिछले अनुमान से लगभग 20% अधिक है।

यह संख्या यहाँ थोड़ी संवेदनशील है। एक ओर मॉडल सस्ते हो रहे हैं, दूसरी ओर प्रति इकाई कैलकुलेशन की पूंजी खर्च बढ़ रही है। दोनों एक दूसरे के विरोधी नहीं हैं: निष्कर्षण की सीमांत लागत घट रही है, जबकि प्रशिक्षण और डिप्लॉयमेंट के लिए स्थायी संपत्ति निवेश बढ़ रहा है। पहला मांग के विस्तार को बढ़ावा देता है, दूसरा यह तय करता है कि कौन आपूर्ति में भाग लेने के पात्र है।

दूसरा बिंदु स्थानीय बिजली (on-site power) है।

कारण यह है कि बिजली की मांग वक्र एक साथ "केंद्रीकृत" और "वितरित" दोनों कॉन्फ़िगरेशन को कवर करता है। भार किसी भी तरह से वितरित किया जाए, AI का विस्तार बिजली की खपत और बिजली क्षमता को समान रूप से बढ़ाने का अर्थ है।

बिजली का मामला, AI के पूरे विषय में सबसे अनुग्रहहीन प्रतिबंध है। मॉडल ओपन सोर्स हो सकते हैं, वेट्स डाउनलोड किए जा सकते हैं, चिप्स को प्रतिस्थापित किया जा सकता है, लेकिन बिजली को ओपन सोर्स नहीं किया जा सकता। एक गीगावाट एक गीगावाट है, कोई भी इसे नहीं बना सकता।

यह तीनों परिदृश्यों में सबसे निश्चित लाइन हो सकती है। इतनी निश्चित कि थोड़ी बoring लगती है।

छह, इस रिपोर्ट का वास्तविक मूल्य निष्कर्ष नहीं, बल्कि ढांचा है

अपनी राय बांटें।

अगर आप मॉर्गन स्टैनले की इस रिपोर्ट को केवल उसके शीर्षक — "ओपन वेट्स ने लीडर्स को कमजोर नहीं किया, बल्कि उनकी लोकप्रियता बढ़ाई" — को देखकर पढ़ते हैं, तो यह आसानी से बाजार को शांत करने के लिए एक बयान के रूप में दिख सकता है। लेकिन वास्तविक भारी बात यह है कि इसने सवाल को ही बदल दिया है।

मूल रूप से बाजार का प्रश्न यह था: क्या AI की मांग कम हो जाएगी क्योंकि दक्षता में वृद्धि हुई है?

मॉरगन स्टनले का प्रश्न है: AI की मांग निश्चित रूप से कम नहीं होगी, सवाल यह है कि मूल्य अंततः सप्लाई चेन के किस स्तर पर समाप्त होगा—कैलकुलेशन क्षमता, क्लाउड, सॉफ्टवेयर ऑर्केस्ट्रेशन और गवर्नेंस, या स्थानीय और एज के वितरित बुनियादी ढांचे पर?

इन दोनों प्रश्नों के बीच का अंतर, बेयर मार्केट सोच और स्ट्रक्चरल सोच का अंतर है।

मुझे लगता है कि मॉर्गन स्टेनले की दिशा सही है, लेकिन दो बिंदुओं पर सावधान रहना चाहिए।

सबसे पहले, जेवन्स पैराडॉक्स स्वतः लागू नहीं होता है।

जेवन्स प्रभाव के लिए एक पूर्वशर्त है: मांग में पर्याप्त लचीलापन होना चाहिए। कोयला इतना अधिक बचाया जा रहा है क्योंकि 19वीं शताब्दी के ब्रिटेन में अभी भी कई ऐसे उद्योग थे जो अभी तक मशीनीकृत नहीं हुए थे। AI की स्थिति समान है, लेकिन पूरी तरह से समान नहीं—व्यवसायों के पास AI को शामिल करने के लिए कई स्थितियाँ हैं, लेकिन इसे शामिल करने के बाद क्या यह मापने योग्य लाभ पैदा करता है, यह एक अलग मुद्दा है।

यदि बड़ी संख्या में कंपनियाँ केवल एआई का उपयोग "दिखावटी रूप से व्यस्त लगने वाले, लेकिन लाभ को स्पष्ट नहीं कर सकने वाले" क्षेत्रों में करती हैं, तो मांग का विस्तार एक ऊपरी सीमा तक ही सीमित रहेगा, और यह सीमा किसी विशेष तिमाही में अचानक प्रकट हो सकती है। जेवन्स पैराडॉक्स ऊर्जा परिवर्तन की दक्षता का वर्णन करता है, लेकिन यह यह नहीं गारंटी करता कि परिवर्तित होने वाली चीज़ मूल्य होगी।

दूसरा, "निविडा सभी समय लाभान्वित होती है" यह निष्कर्ष बहुत आरामदायक रूप से सही लगता है।

इसमें तार्किक रूप से गलती ढूंढना मुश्किल है—GPU की मांग आर्किटेक्चर रोडमैप से प्रभावित नहीं होती। लेकिन सही निर्णय और अच्छे निवेश निर्णय के बीच की दूरी कीमत है। क्या बाजार ने इस "24/7" अपेक्षा को पूरी तरह से कीमत में शामिल कर लिया है, इसका उत्तर रिपोर्ट में नहीं दिया गया है, और इसका उत्तर रिपोर्ट देना भी नहीं चाहिए।

एक तार्किक रूप से अटूट बुलिश तर्क अक्सर भीड़ वाले ट्रेड का आधार होता है। यह विरोध नहीं है, बल्कि एक चेतावनी है: निष्कर्ष की निश्चितता, जोखिम के लाभ की आकर्षकता के समान नहीं होती।

सातवाँ, इस मामले में व्यवसाय के लिए यह वास्तव में अधिक सरल है

द्वितीयक बाजार के मूल्यांकन खेल को छोड़कर, उद्यमियों की खरीद के दृष्टिकोण से, इस रिपोर्ट का संदेश बहुत सरल है।

63% कंपनियाँ दोनों ओर का उपयोग करती हैं, यह संख्या ही जवाब दे देती है: किसी एक ओर का चयन न करें, बल्कि स्थिति का चयन करें।

उच्च आवृत्ति, भविष्यवाणीयोग्य, डेटा-संवेदनशील और कार्य सीमाएँ स्पष्ट कार्य—खुले वजन के स्वयं के निर्माण से बचाई जा सकने वाली राशि वास्तविक सोना है, विशेषकर 300 बिलियन पैरामीटर के स्तर तक, जहाँ लागत प्रतिफल का समय आकर्षक रूप से कम है।

जटिल तर्क, दीर्घ अवधि के एजेंट, और नवीनतम क्षमताओं के साथ लगातार अपडेट रहने की आवश्यकता वाले कार्य—बंद API के लिए विश्वसनीयता और अपडेट गति के लिए भुगतान करना, शर्मनाक नहीं है।

वास्तविक रूप से निवेश की आवश्यकता होती है, बीच की उस परत में: व्यवस्था, रूटिंग, मूल्यांकन, शासन। आप कैसे निर्णय लेते हैं कि एक अनुरोध किस मार्ग से जाए? आप कैसे सुनिश्चित करते हैं कि मॉडल बदलने के बाद आउटपुट की गुणवत्ता न गिरे? आप कैसे उस दुनिया में डेटा सीमाओं को नियंत्रित करते हैं, जहाँ वजन को कोई भी डाउनलोड कर सकता है?

मॉर्गन स्टैनले ने इस स्तर को मिश्रित परिदृश्य के अंतर्गत मुख्य लाभार्थी के रूप में सूचीबद्ध किया है, मुझे लगता है कि यह निर्णय किसी भी व्यक्तिगत शेयर की सिफारिश से अधिक व्यावहारिक है। क्योंकि यह स्तर उद्यम द्वारा स्वयं विकसित की जाने वाली क्षमता है, जिसे खरीदा नहीं जा सकता।

एक बात और सुरक्षा के बारे में। ओपन वेट्स के कारण मॉडल डिप्लॉयमेंट डिसेंट्रलाइज़ हो जाता है, और अटैक सरफेस भी डिसेंट्रलाइज़ हो जाता है। पहले आपको केवल कुछ API कीज़ का ध्यान रखना था, अब आपको कई स्थानीय रन हो रहे वेट्स फाइल्स, फाइन-ट्यूनिंग डेटा और इन्फरेंस एंडपॉइंट्स का ध्यान रखना होगा। सुरक्षा सॉफ्टवेयर को तीनों स्थितियों में नामित किया गया है, यह यादृच्छिक नहीं है।

आठ, समापन

किमी K3 के लॉन्च के दिन, सेमीकंडक्टर शेयरों ने सभी एक साथ गिरना शुरू कर दिया। आज पीछे मुड़कर देखें, तो यह अधिक बाजार की एक मांसपेशी स्मृति लगती है, न कि एक सोच।

ओपन वेट्स कोई मेज उलटने वाला नहीं है। यह मेज को लंबा करने वाला है।

टेबल लंबा करने के बाद, क्या मुख्य स्थान पर बैठने वाले को धकेल दिया जाएगा? हो सकता है, लेकिन यह खुले वजन के कारण नहीं, बल्कि इसलिए कि वह स्वयं अग्रणी स्थिति को नहीं बनाए रख पाया। यह दो अलग बातें हैं।

मॉर्गन स्टैनले की इस रिपोर्ट का सबसे ईमानदार पहलू यह है कि यह आपको अंतिम परिणाम क्या होगा, यह नहीं बताती, बल्कि हर अंतिम परिणाम में यह बताती है कि कौन स्थिति नहीं बदलेगी।

NVIDIA, और बिजली।

पहला सहमति है, दूसरा भौतिक है।

जिन कंपनियों का मूल्यांकन बाजार के उतार-चढ़ाव, दलबदल और पुनर्मूल्यांकन के साथ बदलता रहता है—उनकी भाग्य अवस्था पर निर्भर करती है। यह वाक्य बेकार लग सकता है, लेकिन एक ऐसे बाजार में जहां हर कोई निश्चित उत्तर चाहता है, "यह परिस्थिति पर निर्भर करता है" को स्वीकार करना सबसे महंगी सच्चाई है।

मॉडल समय के साथ सस्ते होते जाएंगे, यह एक प्रवृत्ति है, जिसे रोका नहीं जा सकता।

कैलकुलेशन पावर एक-एक करके फैल जाएगा, यह एक प्रवृत्ति है, जिसे रोका नहीं जा सकता।

लेकिन सस्ता और विविधता मिलकर कभी संकुचित नहीं होते।

जेवन्स ने 1865 में इस बात को समझ लिया था। एक सौ साठ साल बीत गए, लेकिन मनुष्य अभी भी इसी तरह की सीधी भूल के लिए शिक्षा का भुगतान कर रहे हैं।

वास्तव में दिलचस्प है।

संदर्भ स्रोत

1. मॉर्गन स्टैनले, *ओपन-वेट मॉडल्स और तीन भविष्य के परिदृश्य* (अनुसंधान रिपोर्ट), 2026 अगस्त
2. ग्रोंगहुई / सिनहुआ कैपिटल: "मॉरगन स्टैनले: ओपन वेट मॉडल एआई लागत को कम करते हैं, 'जेवन्स पैराडॉक्स' के कारण कैलकुलेशन डिमांड लगातार बढ़ सकती है", 4 अगस्त, 2026
3. BigGo Finance: *एआई अपनाने को त्वरित करने के लिए ओपन-वेट मॉडल: मॉर्गन स्टैनले तीन परिदृश्यों का उल्लेख करता है, निविडा और पावर चेन को लाभार्थी के रूप में नामित करता है*, 2026年8月4日
4. मार्स फाइनेंस: मॉर्गन स्टैनले: ओपन वेट एआई मॉडल्स के उदय से लागत कम होने से एआई का प्रसार तेज होगा, 4 अगस्त, 2026
5. ब्लॉकस्पेस मीडिया: *मॉर्गन स्टैनले कहते हैं कि ओपन-वेट AI से कंप्यूट और बिजली की मांग बढ़ सकती है*, 2026年8月
6. MIT का अध्ययन: ओपन सोर्स मॉडल और प्राइवेट मॉडल के बीच की कीमत अंतर (दिसंबर 2025 में पूरा, मॉर्गन स्टेनले रिपोर्ट द्वारा संदर्भित)
7. कार्नेगी मेलन विश्वविद्यालय का अध्ययन: खुले मॉडल डिप्लॉयमेंट के बैक-एंड समय और स्केल के बीच संबंध (मॉर्गन स्टैनले रिपोर्ट द्वारा संदर्भित)
8. मॉर्गन स्टैनले इंसाइट्स: *एआई इंफ्रास्ट्रक्चर में अवसर* (वेरा रुबिन सिस्टम की प्रति गीगावाट लागत अनुमान में वृद्धि सहित)