2026 का आधा खत्म हो चुका है, फेंगरुई कैपिटल के निवेशक द्वारा AI सेक्टर की पहली छमाही का समीक्षा किया गया। प्रोजेक्ट की मूल्यांकन एक हफ्ते में कई बार बदल रहा है, निवेशक FOMO की चिंता का सामना कर रहे हैं, जबकि गर्मी और विभाजन एक साथ मौजूद हैं। Agent क्षेत्र में OpenClaw से Harness Engineering तक का स्थानांतरण हुआ है, मॉडल अब कार्य-निष्पादन पर केंद्रित हैं, और डेटा फ्लाइव्हील एक स्टार्टअप के लिए बाधा बन गया है। वर्ल्ड मॉडल में केंद्रित विस्फोट हुआ है, लेकिन वीडियो जनरेशन में भारतीय समुदाय की आवाज़ अधिक मजबूत है। अमेरिका और चीन के मॉडल के बीच का अंतर केवल कुछ महीनों में समाप्त हो गया है, और कैलकुलेशन बुनियादी ढांचा "बिजली प्रवेश, टोकन निकास" प्रणाली प्रतिस्पर्धा में बदल रहा है। बुलबुला के फटने के बारे में, निवेशकों का मानना है कि शोध-आधारित कंपनियों को लगातार महत्वपूर्ण मील के पत्थर प्रदान करने होंगे, और स्थापित कंपनियों को अपने व्यावसायिक मॉडल की स्थिरता की पुष्टि करनी होगी। अगली छमाही का मुख्य परिवर्तनशील तत्व वास्तविक डेटा समापन होगा।

लेखक, स्रोत: Fengrui Capital

अगर AI उद्योग में "बुलबुला फूटने" लगे, तो किस प्रकार की कंपनियों को सबसे पहले पुनर्मूल्यांकित किया जाएगा?

पिछले कुछ समय से, सेकेंडरी मार्केट में AI सेक्टर में उतार-चढ़ाव रहा है, चिप, स्टोरेज और ऑप्टिकल इंटरकनेक्ट में लगातार उतार-चढ़ाव हुआ है। मेटा ने 2026 के लिए पूंजी खर्च के अनुमान में वृद्धि की है, जिससे AI बुनियादी ढांचे पर कितने समय तक और कितनी तेजी से निवेश किया जाएगा, यह चर्चा केंद्र में वापस आ गई है।

धन अभी भी कैलकुलेशन क्षमता, स्टोरेज और डेटा सेंटर में बह रहा है, बाजार पहले से ही पूछ रहा है: क्या AI बुनियादी ढांचा एक चरणबद्ध उच्च बिंदु पर पहुंच गया है? यह लहर और कितनी देर तक चल सकती है? इसी बीच, एम्बॉडिड इंटेलिजेंस, वर्ल्ड मॉडल, एजेंट, टोकन, और क्लाउड से एज टू एंड तक के हार्डवेयर में परिवर्तन भी समानांतर रूप से हो रहे हैं।

2026 का आधा खत्म हो चुका है, फेंगरुई कैपिटल के टेक इन्वेस्टर लिउ पेंगकी और यान चियानहां ने इस छमाही की समीक्षा की: प्रोजेक्ट की मूल्यांकन क्यों हफ्ते में एक बार बदल रही है? OpenClaw की भीड़ चली जाने के बाद क्या बचा? वर्ल्ड मॉडल क्यों एक साथ विस्फोट हुए? "बिजली in, Token out" का अर्थ क्या है? अगर बुलबुला अनिवार्य रूप से फूटेगा, तो कौन सी कंपनियाँ प्लेटबोर्ड पर बनी रहेंगी?

हमने कुछ संवाद को संक्षिप्त किया है, पूर्ण संवाद के लिए कृपया Xiao Yuzhou ऐप और Apple Podcast पर 'ऊर्जावान' खोजकर इस एपिसोड को सुनें।

एक हफ्ते में एक बार मूल्यांकन बदलता है, निवेशकों को सिर्फ मिस करने का डर नहीं है

लिउ पेंगकी: 2026 के मध्य में वापस देखने पर, AI का विकास एक भी सेकंड धीमा नहीं हुआ। ओपनक्लॉ, वर्ल्ड मॉडल्स से लेकर स्टोरेज, ऑप्टिकल इंटरकनेक्शन तक, और फिर ज़हीपु का मार्केट कैप ट्रिलियन हॉंग कॉंग डॉलर पार करना—हीट्स एक के बाद एक आए। ये सब एक ही छह महीने में एक साथ घुल गए, आज हम इन सबको एक साथ चर्चा करते हैं और पता करते हैं कि पीछे क्या हुआ।

पहला प्रश्न यान बो से पूछें, आपने इस वर्ष के पहले छमाही में लगभग कितने प्रोजेक्ट्स के बारे में बात की?

यान चियानहांग: लगभग 200 से 300, जिनमें से AI से संबंधित प्रोजेक्ट्स लगभग 150 से 200 हैं।

लिउ पेंगकी: मेरा अनुभव भी लगभग ऐसा ही है। अगर आप अर्धवार्षिक प्रोजेक्ट देखने के अनुभव को कुछ कीवर्ड्स से वर्णित करें, तो आप कौन से चुनेंगे?

यान चियानहां: पहला है FOMO (Fear of Missing Out, चूकने का डर)। हॉट क्षेत्रों में अचानक बहुत सारे पहले नहीं देखे गए लोग और प्रोजेक्ट्स उभरते हैं, और मूल्यांकन तेजी से बढ़ रहा है। बहुत से लोग अपने आप को मजबूर करते हैं कि वे सभी प्रोजेक्ट्स को देखें: क्या हमने आज निवेश किया? कितना निवेश किया? क्या हमें और अधिक निवेश करना चाहिए?

दूसरा संरचनात्मक विभाजन है। कुछ लोकप्रिय क्षेत्रों में फंडिंग बहुत सक्रिय है, जबकि अधिकांश क्षेत्र अभी भी शांत हैं। द्वितीयक बाजार में भी, टेक स्टॉक्स अच्छी तरह बढ़ रहे हैं, लेकिन गर्म बिंदुओं के बाहर के स्टॉक्स संभवतः अनुत्सुक रह सकते हैं या गिर सकते हैं।

तीसरा है वैल्यूएशन प्री-सेटिंग। पिछले समय में, शुरुआती निवेश करते समय, हर माइलस्टोन के लिए कितना वैल्यूएशन होगा, इसके बारे में एक स्पष्ट मानदंड था। कंपनी के सहमति बनने और चरणबद्ध डिलीवरी पूरी करने के बाद ही वैल्यूएशन बढ़ता था। अब, हॉटनेस और FOMO ने कई अनुभवों को तोड़ दिया है, 10 अरब डॉलर का वैल्यूएशन कुछ महीनों में रॉकेट की तरह आ सकता है।

लिउ पेंगकी: कुछ प्रोजेक्ट्स का वैल्यूएशन एक हफ्ते में बदल जाता है, और कुछ मामलों में तीन फंडिंग राउंड एक साथ चल रहे होते हैं—एक डील क्लोज हो रही है, एक समझौते पर चर्चा की जा रही है, और दूसरी पहले से ही स्कीम पर तैयार हो चुकी है। ऐसे मार्केट के सामने, निवेशक को चिंता होती है?

यान चियानहां: चिंता न करने की बात असंभव है। लेकिन मुझे जो अधिक चिंता है, वह किसी प्रोजेक्ट में निवेश न कर पाने की नहीं, बल्कि AI बहुत तेजी से आगे बढ़ रहा है। हर दिन नए मॉडल, नए ट्रेंडिंग शब्द और नए विचार आ रहे हैं। अगर आप कुछ दिन पुरानी समाचार देखते हैं, तो आपको लगने लगता है: क्या मैं पीछे छूट गया हूँ?

लिउ पेंगकी: निवेश में मूल्य-आधारित और अव возможности-आधारित दोनों प्रकार के होते हैं, इसलिए इन्हें अलग-अलग देखना चाहिए, बाजार के भावनात्मक प्रभाव को आपके लिए निर्णय लेने की अनुमति नहीं देनी चाहिए। पहले मूल्यांकन और FOMO को एक तरफ रख दें, पहले छह महीनों में वास्तव में क्या नया विकसित हुआ?

यान चियानहांग: मैं पहले अनुसंधान-आधारित उद्यम के बारे में बताता हूं। हाल ही में अमेरिका में एक बहुत चर्चित अवधारणा नियोलैब है, जो व्यावसायिक कंपनियों के तरीके से लंबे समय तक के अनुसंधान समस्याओं को हल करती है। इस वर्ष के पहले छमाही में कई ऐसी कंपनियां उभरीं। अब लोग केवल यह नहीं पूछ रहे हैं कि "क्या प्रोफेसर ने उद्यम शुरू किया है?", बल्कि वे देख रहे हैं कि क्या प्रोफेसर की कंपनी बनाने के बाद, अनुसंधान पहले की संगठनात्मक प्रणाली की तुलना में तेजी से आगे बढ़ पा रहा है।

AI अनुप्रयोग और AI हार्डवेयर पर फिर से ध्यान दिया जा रहा है, और लोग अब उत्पाद पर वापस आ रहे हैं। Manus के आने के बाद, बाजार एजेंट के लिए FOMO में था; बाद में Insta360 ने AI हार्डवेयर पर ध्यान आकर्षित किया। एक बार हॉट ट्रेंड का पीछा करने के बाद, लोगों को अब वास्तविक रूप से उत्पाद को परिभाषित करने वालों की तलाश करनी होगी।

AI कोडिंग से उद्यमी अब केवल एल्गोरिदम शोधकर्ता और इंजीनियरों तक सीमित नहीं हैं। वकील, डिजाइनर, प्रोडक्ट प्रबंधक, और यहां तक कि गृहिणियां भी कोडिंग उपकरणों का उपयोग करके उत्पाद बना सकती हैं।

लिउ पेंगकी: पहले अक्सर कहा जाता था कि तकनीकी उद्यमी "हथौड़ा लेकर कील ढूंढ रहे होते हैं"। अब थोड़ा सा ऐसा लगता है जैसे कीलें खुद उद्यमी बन रही हैं, और हथौड़ा सामान्य उपकरण बन चुका है।

Agent के बुलबुले को हटाएं, नीचे मजबूत बीयर है

लिउ पेंगकी: ओपनक्लॉ का वर्ष के पहले छमाही के सबसे अधिक चर्चित घटनाओं में से एक होना चाहिए। सभी द्वारा "लॉबस्टर पालन" और Mac mini की खरीदारी से लेकर मॉडल निर्माताओं और IM प्लेटफॉर्म द्वारा अपने Agent लॉन्च किए जाने तक, इसकी लोकप्रियता अब धीरे-धीरे कम हो रही है। ओपन सोर्सिंग ने इसे तुरंत जनता के पास पहुंचा दिया, लेकिन सुरक्षा और अनुभव की समस्याएं भी सामने आईं। शोर-शराबे के बाद, इसने क्या छोड़ा?

यान चियानहां: ओपनक्लॉ ने कई साधारण लोगों को पहली बार एजेंट स्थापित करने, स्किल्स डाउनलोड करने और फिर प्राकृतिक संवाद के माध्यम से इसे अपनी आवश्यकताओं के अनुसार धीरे-धीरे समायोजित करने का अवसर दिया है। यह केवल एक कार्य पूरा करने का उपकरण नहीं है, बल्कि एक एजेंट ओएस (इंटेलिजेंट ऑपरेटिंग सिस्टम) की तरह है।

जैसे मेरे पास एक मेकअप ब्लॉगर दोस्त है जो टेक कंटेंट में घुसना चाहती है। उसने OpenClaw का उपयोग करके कुछ वर्कफ्लो सेट किए हैं, जो टेक समाचार को टारगेट करके एकत्र करते हैं और फिर उन्हें कंटेंट निर्माण की पाइपलाइन में बदल देते हैं। कोडिंग, PPT, ई-कॉमर्स और कॉर्पोरेट इंटरनल प्रोसेस टास्क्स के लिए भी कई लोग पहले से ही स्थिर रूप से इसका उपयोग कर रहे हैं। एक लहर के बाद, हालांकि बुलबुले, उतार-चढ़ाव और शोर हैं, लेकिन बीयर के बुलबुले को हटाने के बाद, नीचे मजबूत बीयर होती है।

लिउ पेंगकी: हाल ही में लोग फिर से हार्नेस इंजीनियरिंग (एजेंट रनटाइम इंजीनियरिंग) पर जोर दे रहे हैं। जब बड़े मॉडल्स चैट टूल से कार्य निष्पादक बन जाते हैं, तो क्या चीजें अधिक महत्वपूर्ण हो जाती हैं?

यान चियानहांग: एजेंट को एक वातावरण में निर्णय लेना होता है, कार्य करना होता है, और परिणाम के आधार पर समायोजित करना होता है—पूरी प्रक्रिया को चलाना होता है। मॉडल केवल उसका “मस्तिष्क” होता है। हार्नेस इंजीनियरिंग द्वारा आसपास के वातावरण और प्रतिक्रिया पथ को स्थापित किया जाता है, ताकि मॉडल स्वयं Workflow में चले, और मनुष्य पहले से हर कदम को कोड न करें।

लिउ पेंगकी: यह डेटा फ्लायव्हील से भी संबंधित है। पारंपरिक इंटरनेट का व्यक्तिगत अनुभव उपयोगकर्ता डेटा के संचय से आता है, क्या एजेंट डेटा फ्लायव्हील और व्यक्तिगत अनुभव के वाहक बन सकता है?

यान चियानहां: चैटबॉट द्वारा छोड़ा गया मुख्य रूप से भाषाई संदर्भ है, जबकि एजेंट द्वारा छोड़ा गया कार्य अनुसरण है: यह कैसे निर्णय लेता है, कैसे कार्यान्वित करता है, कौन से उपकरणों का उपयोग करता है, और क्या अंत में कार्य पूरा हो पाया। इन अनुसरणों का उपयोग एजेंट RL (एजेंट रीइनफोर्समेंट लर्निंग) के लिए किया जा सकता है। ऊर्ध्वाधर परिदृश्य के डेटा को आधार मॉडल कंपनियों तक वापस नहीं जाने दिया जाएगा, जिससे एजेंट स्टार्टअप के लिए बाधा बन सकती है।

लिउ पेंगकी: इस बात से स्पष्ट है कि जो उपयोगकर्ता के कार्य अनुसरण को प्राप्त कर सकता है, वही अधिक नियंत्रण रखता है। वर्तमान में मुख्य रूप से तीन प्रकार के खिलाड़ी हैं: मॉडल निर्माता, आईएम और ऑफिस प्लेटफॉर्म, स्थानीय हार्डवेयर। आप किसे अधिक आशावान हैं?

यान चियानहांग: उनके द्वारा किए जा रहे कार्य अलग-अलग हैं। मॉडल निर्माता सर्च, गहन अनुसंधान और कोडिंग जैसे सामान्य कार्यों के लिए उपयुक्त हैं; ऑफिस प्लेटफॉर्म के पास पहले से उपलब्ध फ़ाइलें, दस्तावेज़ और व्यवसाय प्रक्रियाएँ होती हैं; स्थानीय हार्डवेयर अधिकतर गोपनीयता से संबंधित होता है। लेकिन "लॉबस्टर मशीन" एक मान्य उत्पाद मार्ग है या नहीं, यह एक प्रश्नचिह्न है। शुरुआत में सबसे ज्यादा मांग वाला Mac mini था, और जब इसकी लोकप्रियता कम हुई, तो Xianyu पर सबसे अधिक बिकने वाला भी Mac mini ही रहा।

स्थानीय हार्डवेयर का एक और मुद्दा है—डेटा किसका है? उदाहरण के लिए, एक कंपनी के मुख्य आर्किटेक्ट द्वारा एजेंट का उपयोग किया जाता है, और वह निश्चित रूप से सर्वोत्तम मॉडल का उपयोग करना चाहता है, लेकिन यदि आर्किटेक्चर डिज़ाइन और कार्य ट्रेजेक्टरी मॉडल कंपनी द्वारा प्रशिक्षण के लिए ले ली जाती है, तो इससे उसके लिए बड़ा जोखिम होता है। कई उपयोगकर्ताओं का सामना ऐसे संघर्ष से होता है: मैं सर्वोत्तम मॉडल का उपयोग करना चाहता हूँ, लेकिन मैं अपना डेटा उसे नहीं देना चाहता। आप गोपनीयता और मॉडल क्षमता के बीच समझौते के बारे में क्या सोचते हैं?

लिउ पेंगकी: पिछले अनुभव के आधार पर, अधिकांश सी-एंड उपयोगकर्ता पहले दक्षता और अनुभव का चयन करते हैं। लेकिन प्रो सी और बी-एंड अलग हैं; तकनीकी दस्तावेज़, उत्पाद डिज़ाइन और व्यावसायिक डेटा दोनों उद्यमों के मुख्य संपत्ति हैं। अवसर यहीं पर हो सकता है: उद्यमों को सर्वश्रेष्ठ मॉडल का उपयोग करने दें, जबकि स्थानीय डेटा, अधिकार और सुरक्षा को नियंत्रित रखें।

यान चियानहां: मैं और पेंग ची ने शुरुआती दिनों में SaaS और Fintech को देखा था, और दोनों ही बड़े B क्लाइंट्स के प्रति थोड़े अलग महसूस करते थे: बजट ज्यादा होता है, लेकिन आवश्यकताएँ भी जटिल होती हैं, और सेवा प्रदान करना बहुत भारी होता है। अब FDE (फ्रंटियर डिप्लॉयमेंट इंजीनियर) भी जुड़ गए हैं, जिन्हें मॉडल और बिजनेस को समझने वाले लोगों को क्लाइंट के स्थान पर डिप्लॉयमेंट में मदद करनी होगी। AI का बड़े B क्लाइंट्स के साथ सेवा, पिछले SaaS और Fintech से कैसे अलग होगी?

लिउ पेंगकी: बड़े ग्राहकों के बजट बड़े होते हैं और उनकी आवश्यकताएँ भी अधिक होती हैं; पुरानी समस्याएँ जैसे मात्रा बढ़ाना लेकिन कीमत न बढ़ाना और कस्टमाइजेशन की उच्च लागत अभी भी मौजूद हैं। ग्राहक पूछते हैं: यदि ओपन-सोर्स मॉडल उपलब्ध हैं, तो AI सेवाओं के लिए अतिरिक्त पैसा क्यों दें? जब AI वास्तव में उद्यम के निचले स्तर में प्रवेश करेगा, तो डेटा सुरक्षा, गोपनीयता और सिस्टम इंटीग्रेशन को संभालना होगा। साथ ही, हैलूसिनेशन की समस्या है; यदि AI को रिस्क मैनेजमेंट जैसे महत्वपूर्ण कार्यों में उपयोग किया जाता है और त्रुटि से क्षति होती है, तो इसकी जिम्मेदारी किसकी होगी—मॉडल निर्माता की, उद्यम की, या कर्मचारी की? इस सीमा को अभी तक स्पष्ट नहीं किया गया है। जो इन समस्याओं को हल कर सकता है, उसके पास ही अवसर है।

बिजली इन, टोकन आउट, AI बुनियादी ढांचा प्रणाली प्रतिस्पर्धा में प्रवेश करता है

लिउ पेंगकी: पिछले छह महीनों में, बड़े मॉडल क्षमताओं में सुधार की गति तेज हो रही है या धीमी हो रही है?

यान चियानहां: यदि आप o1 निष्कर्ष आर्किटेक्चर जैसे क्रांतिकारी नवाचार को देखते हैं, तो वास्तव में कुछ समय से ऐसा कुछ नहीं देखा गया है। लेकिन मॉडल की वास्तविक कार्यों को संपन्न करने की क्षमता अभी भी बढ़ रही है। पिछले समय में हम गणित परीक्षण और ज्ञान सूची पर ध्यान देते थे, जैसे मॉडल को परीक्षा देने के लिए; अब हम SWE-bench (सॉफ्टवेयर इंजीनियरिंग बेंचमार्क), Computer Use (कंप्यूटर उपयोग) और Agent Benchmark (एजेंट बेंचमार्क) पर ध्यान देते हैं, जो यह परखते हैं कि क्या मॉडल Bug ठीक कर सकता है, उपकरणों का उपयोग कर सकता है, और एक लंबे कार्य को पूरा कर सकता है। मॉडल अब परीक्षा कक्ष से कार्यस्थल पर पहुंच चुका है।

लिउ पेंगकी: यह एक छात्र के स्कूल से स्नातक होकर समाज में प्रवेश करने जैसा है। ज्ञान का भंडार शायद अभी तक लगभग तैयार हो चुका है, वास्तविक परीक्षा यह है कि वह अपने कार्य में कितनी क्षमता का प्रदर्शन कर सकता है। इस चक्र में सबसे अधिक उल्लेखनीय प्रदर्शन करने वाली कंपनी कौन सी होगी?

यान चियानहांग: मैं एंथ्रोपिक का चयन करूंगा। यह बहुत जल्दी से कोडिंग पर ध्यान केंद्रित करने लगा, और अब देखा जा रहा है कि यह निर्णय बहुत महत्वपूर्ण था। यह दूसरों से अधिक जल्दी समझ गया कि मॉडल केवल परीक्षा के स्कोर से नहीं, बल्कि कार्यों के निष्पादन से भी मापे जाने चाहिए। Claude 3.5 के आने के बाद, AI कोडिंग टूल्स का अनुभव स्पष्ट रूप से सुधरा; Cursor जैसे उत्पाद भी अधिक उपयोगकर्ता-अनुकूल हो गए; टूल्स बेहतर होने से उपयोगकर्ता बढ़े, और प्रतिक्रिया फिर से मॉडल में वापस आई, जिससे धीरे-धीरे यह प्रक्रिया बढ़ने लगी।

एक अन्य कारण इसकी आय में तेजी से वृद्धि है। एंथ्रोपिक की इस साल कई बार सार्वजनिक रूप से घोषित वार्षिक आय तेजी से बढ़ रही है, और लोग इस बात पर चर्चा करने लगे हैं: अगर एंथ्रोपिक आईपीओ करता है, तो यह किस आकार की कंपनी होगी? निष्कर्षण लागत और लाभप्रदता में सुधार के कारण, कई लोगों ने इसका पुनर्मूल्यांकन किया है।

लिउ पेंगकी: ऐसा लगता है कि इसने एक ऊर्ध्वाधर और वास्तव में पर्याप्त बड़ा बाजार चुना है, और पहले इन उपयोगकर्ताओं को पूरी तरह से कवर किया है। इतना फैलाव बेहतर है जिसमें कोई दिशा पर्याप्त रूप से अग्रणी न हो।

यान चियानहांग: मैं कोडिंग को एक ऊर्ध्वाधर क्षेत्र नहीं कहना चाहता। कोडिंग में मूल रूप से मानवीय तर्क, निष्कर्ष निकालना और निर्णय लेना शामिल है, ताकि एक एल्गोरिथम को वास्तविक रूप से चलने योग्य एप्लिकेशन में बदला जा सके। जब मॉडल कोडिंग को गहराई से सीखता है, तो तर्क, संबंधित सोच और श्रृंखलाबद्ध निर्णय भी साथ-साथ विकसित होते हैं। इसीलिए लोग क्लॉड का उपयोग करते समय इसे कठोर और बुद्धिमान महसूस करते हैं।

कुछ मॉडल बहुत अच्छे विचार रखते हैं, लेकिन वे पर्याप्त विश्वसनीय नहीं हैं। Anthropic कोडिंग और एजेंट से शुरुआत करता है, और वास्तविक कार्य भी मॉडल को विपरीत दिशा में प्रशिक्षित कर रहे हैं। यह लगभग "ज्ञान और कर्म का एकीकरण" है: यह दूसरों से अधिक जल्दी "ज्ञान" और "कर्म" को एक ही चक्र में शामिल करता है।

इस साल Anthropic ने Fable 5 और Mythos 5 को लॉन्च किया। Fable 5 सामान्य उपयोगकर्ताओं के लिए उपलब्ध है, जबकि Mythos 5 की पहुँच सीमित है; दोनों मॉडल्स ने एक समय एक्सेस बंद कर दिया था, लेकिन बाद में फिर से शुरू कर दिया। इस प्रकार की सीमाओं के चारों ओर हो रही चर्चा के बारे में आपका क्या मत है?

लिउ पेंगकी: ऑनलाइन पर इन मॉडल्स के बारे में कई समीक्षाएँ पहले से ही उपलब्ध हैं, लेकिन जिन्होंने वास्तव में गहराई से इस्तेमाल किया है, वे अभी तक कम ही होंगे। मैंने इसे संक्षेप में देखा, और उनका संदर्भ लंबाई, अनुकूलनशील चक्रीय विचार, और एजेंट क्षमताओं के साथ एकीकरण में अनुभव वास्तव में बहुत मजबूत है। जिसे "प्रतिबंध" कहा जाता है, उसमें शायद धुएँ के बादल और भूखा मार्केटिंग का तत्व भी शामिल है। क्या वे वास्तव में इतने मजबूत हो गए हैं कि वे राष्ट्रीय प्रतिस्पर्धा के उपकरण बन सकते हैं, इसके लिए अभी और देखना होगा।

यान चियानहांग: घरेलू मॉडल पर वापस नज़र डालते हुए, आपको लगता है कि पिछले छह महीनों में सबसे बड़ा परिवर्तन क्या था?

लिउ पेंगकी: ज़ही पिंग एक बहुत ही टाइपिकल उदाहरण है। यह कोडिंग की ओर भी अपना ध्यान आकर्षित कर रहा है और आर्किटेक्चर और लंबी अवधि के कार्य प्रशिक्षण पर अपने प्रयास किए हैं। हमने सुना है कि टीम ने मॉडल क्षमता में सुधार के लिए प्रक्रिया पुरस्कार जैसी चीजें शामिल की हैं। देशी टीमें अभी भी आगे बढ़ रही हैं, आर्किटेक्चर, एल्गोरिथम, मॉडल क्षमता सभी अभी भी विकसित हो रही हैं।

इस बात की भी पूर्ति की जा रही है कि डेटा। केवल डिस्टिलेशन करने पर, ऊपरी सीमा जल्द ही दिखाई देगी। मॉडल कंपनियाँ अधिक पैसा पाने के बाद, केवल कैलकुलेशन पावर खरीदने और लोगों को भर्ती करने के अलावा, उच्च गुणवत्ता वाले डेटा पर खर्च करने के लिए भी तैयार हो रही हैं।

DeepSeek भी देखने लायक है। इसने मॉडल लॉन्च के बाद एक समय के लिए शांति बनाए रखी, लेकिन अपनी निरंतरता पर काम करता रहा। इस साल एक स्पष्ट परिवर्तन यह है कि इसने फंडिंग और घरेलू कैलकुलेशन क्षमता के सहयोग पर पिछले समय की तुलना में अधिक खुला मनोभाव अपनाया है।

मुझे समझ में आया कि इसके लिए मूल्यांकन और शेयर ऑप्शन प्रोत्साहन के माध्यम से प्रतिभा को बनाए रखने की आवश्यकता है, और घरेलू कैलकुलेशन क्षमता निर्माताओं के साथ गहरी सहयोग स्थापित करना भी चाहिए। ऐसा करने से केवल अपने मॉडल को ही नहीं, बल्कि पूरे उद्योग पारिस्थितिकी को भी बढ़ावा मिलता है।

यान चियानहां: जब डीपसीक शुरू हुआ था, तब देश के कई मॉडल कंपनियों के पास अभी भी दर्जनों अरब रुपये का निवेश था। इस स्तर पर, एक मात्र मात्रा-आधारित फंड द्वारा समर्थित रिसर्च लैब अभी भी दूसरों के साथ प्रतिस्पर्धा कर सकती थी। पिछले साल से इस साल तक, बड़ी कंपनियाँ भारी निवेश करने लगी हैं, अलीबाबा और मियाओमी दोनों पैसे खर्च कर रहे हैं, और मिनीमैक्स, ज़हीपु के आईपीओ के बाद उनके पास अब केवल दर्जनों अरब रुपये का वित्तीय स्तर नहीं है। अगर डीपसीक अपने पुराने संचालन तरीके को जारी रखता है, तो यह स्वयं के लिए स्वेच्छा से कठिनाई बढ़ा रहा है।

लेकिन डीपसीक की शैली में खासा बदलाव नहीं आया है, सभी विकल्प अभी भी एक ही बात पर केंद्रित हैं: छोटे समय के व्यावसायिकीकरण के बजाय बेहतर बड़े मॉडल बनाना।

लिउ पेंगकी: देश की कुछ मॉडल कंपनियों के बारे में बात करने के बाद, चलिए संयुक्त राज्य अमेरिका और चीन के बीच के अंतर पर नजर डालते हैं। क्या आपको लगता है कि यह अंतर बढ़ रहा है या कम हो रहा है?

यान चियानहांग: तेज़ संस्करण और सामान्य मानक संस्करण मॉडल पर, चीन और संयुक्त राज्य अमेरिका के बीच अंतर सचमुच संकुचित हो रहा है। 2022 में लोगों को लगा कि इसे पकड़ना मुश्किल है, 2023 और 2024 में लोग अभी भी कह रहे थे कि एक से दो साल का अंतर है, लेकिन इस साल अनुभव में शायद केवल कुछ महीनों का अंतर है। हाल ही में, Zhipu के सह-संस्थापक तांग जिए ने X पर मस्क के साथ एक संवाद किया। मस्क ने कहा कि चीनी बड़े मॉडल 2027 की पहली तिमाही तक अग्रणी स्तर पर पहुंचने में सक्षम होंगे; तांग जिए ने जवाब दिया, "इतना समय नहीं लगेगा।"

अभी के लिए अभिनय और कंप्यूटिंग पावर में अंतर अभी भी बड़ा है। अमेरिका में बड़े कंप्यूटिंग क्लस्टर हैं, जो एक साथ कई प्रयोग चला सकते हैं; चीन छोटे खर्च में बड़े काम करने में अधिक कुशल है, और एल्गोरिदम और इंजीनियरिंग की दक्षता के माध्यम से तेजी से पीछे नहीं रहता।

लिउ पेंगकी: हाँ। अधिक मशीनें होने से एक साथ अधिक प्रयोग चलाए जा सकते हैं, और मॉडल आर्किटेक्चर के लिए अधिक खोज का स्थान होता है। वर्तमान में भारत में डेटा पूरा करने की क्षमता पहले की तुलना में बेहतर हो गई है, और मॉडल के प्रगति में डेटा का योगदान भी बढ़ रहा है। अब एक्सट्रीम वर्जन और लाइटवेट मॉडल पर नजर डालें, हमारे पास कुशलता और लागत पर वास्तविक लाभ है।

यान चियानहां: चीनी मॉडल अब अधिक लोगों द्वारा देखे जा रहे हैं। MiniMax का मॉडल OpenClaw द्वारा समर्थित है; नवीडिया के मार्च GTC के कार्यक्रम और संबंधित सम्मेलनों में, किमी और MiniMax दोनों का उल्लेख किया गया है। हमने इन स्तरों—एक्सट्रीम, स्टैंडर्ड और जनरल—के साथ तेजी से कदम रखा है।

वीडियो जनरेशन अधिक दिलचस्प हो गया है, और देशी आवाज़ें अधिक तेज़ हैं। सीडैंस के लॉन्च के बाद, बाजार में यह अफवाह फैली कि इसकी ARR 20 बिलियन डॉलर पहुंच चुकी है, हालांकि, हुआवेई इंजीनियरिंग ने बाद में कहा कि बाहरी स्रोतों द्वारा उल्लिखित आय के आंकड़े अधिक हैं। विदेशों में, Google Veo 3.0 को अभी भी ध्यान दिया जा रहा है, लेकिन Sora की बाजार में आवाज़ पहले की तुलना में काफी कम हो गई है। वीडियो मॉडल पर, देशी क्षमताएं अधिक मजबूत लगती हैं।

लिउ पेंगकी: क्योंकि वीडियो जनरेशन के लिए बहुत सारे टोकन खपत होते हैं, इसलिए प्रति टोकन लागत और कुशलता को गुणा किया जा सकता है। भारतीय निर्माता आर्किटेक्चर डिज़ाइन और कैलकुलेशन क्षमता के अधिक कुशल उपयोग के माध्यम से लागत को उपयोगकर्ता के स्वीकार्य सीमा में घटा सकते हैं।

आगे बढ़ने के लिए AI बुनियादी ढांचे से बचा नहीं जा सकता। मॉडल निर्माता लगातार पूंजी खर्च बढ़ा रहे हैं, टोकन उपभोग भी बढ़ रहा है, और कैलकुलेशन लागत जल्द ही एक सीमा बन जाएगी। आपने बुनियादी ढांचे में क्या परिवर्तन देखे हैं?

यान चियानहांग: अब लोग सिर्फ यही नहीं पूछ रहे हैं कि "कैलकुलेशन क्षमता पर्याप्त है या नहीं", बल्कि यह भी पूछ रहे हैं कि क्या यह पूरी प्रणाली सही ढंग से काम कर पाएगी। "गणना" के अलावा, "भंडारण" और "ट्रांसमिशन" को भी देखना होगा। मान लीजिए कि एक हजार कैलकुलेशन नोड्स हैं, लेकिन परिणाम अगले नोड तक समय पर नहीं पहुँच पा रहे, तो अन्य नोड्स को बस प्रतीक्षा करनी पड़ेगी। ऐसा है जैसे आपने एक हजार उत्पादन लाइन के मजदूरों को नियुक्त किया है, लेकिन सामग्री बहुत धीमे से पहुँच रही है, जिससे हमेशा कुछ लोग बेकार बैठे रहते हैं।

इसलिए ऑप्टिकल इंटरकनेक्ट, HBM (हाई बैंडविड्थ मेमोरी), DRAM (डायनेमिक रैंडम एक्सेस मेमोरी) और SSD (सॉलिड स्टेट ड्राइव) लगातार महत्वपूर्ण होते जा रहे हैं। पूरे सिस्टम को एब्स्ट्रैक्ट करें, तो वास्तव में एक ही बात है: “बिजली इन, टोकन आउट।” बिजली और ऑपरेशन खर्च के बदले अधिक टोकन कैसे प्राप्त किए जाएँ, इसके लिए चिप, स्टोरेज, कम्युनिकेशन, लिक्विड कूलिंग और सॉफ्टवेयर सभी का साथ-साथ अनुकूलन किया जाना चाहिए।

लिउ पेंगकी: बुनियादी ढांचे को देखते समय केवल क्लाउड पर ही ध्यान नहीं देना चाहिए। एंड-साइड उन उपकरणों को सम्मिलित करता है जैसे मोबाइल, घड़ी, हेडफोन; एज साइड NAS (नेटवर्क अटैच्ड स्टोरेज), एकीकृत मशीन या उद्यमिक आंतरिक उपकरण हो सकते हैं; और क्लाउड बड़े पैमाने पर कंप्यूटिंग पावर प्रदान करता है। सरल कार्यों को एंड-साइड पर रखें, व्यक्तिगत और व्यवसायिक निजी डेटा को एज साइड पर रखें, और जटिल प्रोग्रामिंग और लंबी अवधि के अनुमान को क्लाउड पर सौंपें।

यान चियानहां: क्लाउड साइड ने अल्पकालिक रूप से बहुत सारे संसाधनों को अवशोषित कर लिया है, जबकि एंड साइड को कम गणना क्षमता और कम लागत पर कार्यों को विकसित करना होगा। उद्यमी कंपनियों के लिए, इस प्रतिबंध में अवसर भी छिपे हुए हैं।

World Model, not another large language model

लिउ पेंगकी: 2026 की पहली छमाही में, वर्ल्ड मॉडल अचानक एक ट्रेंडी शब्द बन गया। एम्बॉडीड इंटेलिजेंस, वीडियो जनरेशन, गेमिंग, फिजिकल सिमुलेशन—सभी इसकी बात कर रहे हैं। मेरी समझ में, वर्ल्ड मॉडल किसी विशिष्ट मॉडल के समान नहीं है; यह बल्कि ऐसा कुछ है: दुनिया पर एक बाहरी हस्तक्षेप करें, और अगले क्षण क्या होगा, उसका पूर्वानुमान लगाएं।

इस परिभाषा के अनुसार, क्या न्यूटन के नियम को एक विश्व मॉडल के रूप में भी समझा जा सकता है? यान बो, आप विश्व मॉडल को कैसे समझते हैं? यह VLA (दृश्य-भाषा-क्रिया मॉडल), वीडियो जनरेशन मॉडल और बड़े भाषा मॉडल से किस प्रकार संबंधित है?

यान चियानहां: वर्ल्ड मॉडल एक नया अवधारणा नहीं है, यह रिइनफोर्समेंट लर्निंग में हमेशा से मौजूद है। अब कुछ मार्ग दिखाई दे रहे हैं: वीडियो मॉडल अगला फ्रेम जनरेट करता है, 3D वर्ल्ड मॉडल इंटरएक्टिव स्पेस बनाता है, JEPA (जॉइंट एम्बेडिंग प्रेडिक्शन आर्किटेक्चर) वर्ल्ड को लेटेंट स्पेस रिप्रेजेंटेशन में अमूर्त करता है, और WAM (वर्ल्ड एक्शन मॉडल) वर्ल्ड मॉडल को एक्शन पॉलिसी से जोड़ता है।

लिउ पेंगकी: भाषा अत्यधिक अमूर्त जानकारी है, लेकिन वास्तविक दुनिया में दृश्य, स्पर्श और स्थानिक संबंध भी होते हैं। मुझे लगता है कि विश्व मॉडल मानव की जन्मजात क्षमता के अधिक समान हैं, जबकि भाषा मॉडल अधिक अर्जित अधिगम के समान हैं। दोनों की पुनरावृत्ति विधि अलग है, लेकिन वे मानव बुद्धिमत्ता को साझा रूप से आकार देते हैं। क्या आप इस निर्णय से सहमत हैं? भविष्य में विश्व मॉडल LLM (बड़े भाषा मॉडल) के साथ किस प्रकार का संबंध बनाएगा?

यान चियानहां: मैं दोनों के पूरक होने की ओर अधिक झुकाव रखता हूँ। भाषा और दृश्य, श्रव्य, स्पर्श, गंध जैसी पाँचों इंद्रियाँ, मानव और दुनिया के बीच बातचीत के तरीके हैं। बड़े भाषा मॉडल ने पहले भाषा स्तर की बुद्धिमत्ता को हल कर दिया है, हम स्वाभाविक रूप से AI के लिए भौतिक दुनिया की समझ और भविष्यवाणी की खोज जारी रखेंगे।

लिउ पेंगकी: वर्ल्ड मॉडल्स इस साल के पहले छमाही में विशेष रूप से क्यों विस्फोट हुए?

यान चियानहांग: पहले वीडियो मॉडल परिपक्व हो गए, और उत्पादित परिणाम अधिक वास्तविक लगने लगे। 3D प्रतिनिधित्व तकनीक भी आगे बढ़ी—मेश, पॉइंट क्लाउड से लेकर NeRF, 3D गॉसियन स्प्लैटिंग तक, स्टार्टअप टीमों के पास 3D दुनिया को उत्पन्न करने और संचालित करने की तकनीकी आधारशिला पहले से ही मौजूद है। इसके अलावा, ओपन-सोर्स वीडियो मॉडल के कारण, कई विचारों की जल्दी से पुष्टि की जा सकती है।

लिउ पेंगकी: लेकिन वर्ल्ड मॉडल और एम्बॉडिड इंटेलिजेंस दोनों ही भौतिक जानकारी वाले डेटा से वंचित हैं। उद्योग अक्सर डेटा पिरामिड की बात करता है, जिसका आधार इंटरनेट वीडियो और सिंथेटिक डेटा है, मध्यम स्तर पर मल्टीमॉडल जानकारी वाला पहला दृष्टिकोण डेटा है, और शीर्ष पर वास्तविक मशीन का रिमोट ऑपरेशन डेटा है। इस सीमा का समाधान कैसे किया जाए?

यान चियानहां: हमें सामान्य वीडियो डेटा की कमी नहीं है, हमें भौतिक अवस्था और नियमों को समाहित करने वाले डेटा की कमी है। पहला प्रकार वास्तविक सेंसर द्वारा एकत्रित डेटा है; दूसरा प्रकार भौतिक प्रतिरूपण और डिजिटल ट्विन है; तीसरा प्रकार वीडियो के आधार पर संपर्क और बल की अवस्था का प्रतिपादन है। वास्तविक डेटा सबसे अच्छा है, लेकिन इसकी लागत सबसे अधिक है, अंततः हमें इन तीनों प्रकार के डेटा को एक ग्रेडिएंट सिस्टम में संगठित करना होगा।

थोड़ा हल्का-फुल्का बात करते हैं। अगर विश्व मॉडल में स्पष्ट व्यावसायिक प्रगति दिखने लगे, तो आपके लिए उपभोक्ता सबसे पहले किन परिदृश्यों में इसका अनुभव करेंगे? क्या यह गेमिंग, कंटेंट उपभोग होगा, या हाल ही में चर्चा में रहे एम्बॉडीड इंटेलिजेंस?

लिउ पेंगकी: मुझे लगता है कि गेमिंग और कंटेंट उपभोग। इन स्थितियों में निरपेक्ष सटीकता की आवश्यकता नहीं होती, बस आंखों को धोखा देना पर्याप्त होता है। शरीरिक बुद्धिमत्ता को वास्तविक दुनिया में कार्रवाई करनी होती है, जिसमें डेटा, सफलता की दर और सुरक्षा की आवश्यकताएं अधिक होती हैं।

यान चियानहां: अगर वर्ल्ड मॉडल को वीडियो गेम्स में वास्तव में उपयोग किया जा सकता है, तो मुझे भविष्य में विभिन्न अजीब टेक्सचर और बग्स को देखने की उम्मीद नहीं है।

लिउ पेंगकी: सामग्री उपभोग से शरीरिक बुद्धिमत्ता की ओर जाने पर, विश्व मॉडल इस उद्योग को क्या बदलाव लाए हैं? क्या अब कुछ लोगों का मानना है कि VLA को विश्व मॉडल विस्थापित कर देगा? क्या यह सच है?

यान चियानहां: मुझे लगता है नहीं। टेनिस खेलते समय, एक व्यक्ति अपरिचित गतिविधि के सामने पहले यह कल्पना कर सकता है कि गेंद का जवाब कैसे दें; लेकिन उच्च गति से आने वाली गेंद के सामने, पेशेवर खिलाड़ी अपने शारीरिक स्वभाव के आधार पर सीधे प्रतिक्रिया करते हैं। वर्ल्ड मॉडल "पहले सोचो, फिर करो" की तरह है, जबकि VLA दृश्य इनपुट के आधार पर सीधे कार्रवाई उत्पन्न करता है, और दोनों एक-दूसरे को पूरक कर सकते हैं।

लिउ पेंगकी: एम्बॉडीड इंटेलिजेंस के व्यावहारिक अनुप्रयोग के लिए एक “असंभव त्रिकोण” भी है: दीर्घकालिक जटिल कार्य, उच्च सफलता दर और क्रॉस-सीन जनरलाइजेशन—वर्तमान में इन तीनों को एक साथ पूरा करना कठिन है। स्पर्श भी अत्यंत महत्वपूर्ण है। यदि रोबोट केवल अपने हाथों पर स्पर्श सेंसर का उपयोग करके वस्तु के लगभग 3D आकार को पुनः बना सकता है, तो इसका अर्थ है कि इसकी क्षमता काफी उच्च स्तर पर पहुंच चुकी है।

यान चियानहां: हमने एक बहुत स्पष्ट उदाहरण देखा है। केवल एक-दो सौ युआन का एक दो-उंगली ग्रैबर, जब इसमें स्पर्श संवेदक जोड़कर बल नियंत्रण बंद चक्र बनाया जाता है, तो यह टोफू को पकड़ सकता है बिना उसे चुरा दिए। लेकिन स्पर्श को मॉडल के साथ कैसे समायोजित किया जाए, यह अभी बहुत प्रारंभिक चरण में है।

बुलबुला फूटने के बाद, पैसा किस प्रकार की कंपनियों की ओर जाएगा?

लिउ पेंगकी: एजेंट, वर्ल्ड मॉडल और एम्बॉडीड इंटेलिजेंस जैसे सबसे लोकप्रिय क्षेत्रों के अलावा, आपके विचार में कौन से दिशाएँ हैं जिन पर उद्यमी विशेष रूप से ध्यान केंद्रित करने चाहिए?

यान चियानहांग: मेरी हाल की सबसे रुचि की दिशा, AI for Science (कृत्रिम बुद्धिमत्ता द्वारा वैज्ञानिक शोध को बढ़ावा देना) है। शोध प्रक्रिया को तोड़कर, समस्या उठाने से लेकर सामग्री की खोज, प्रयोग, विश्लेषण और पुष्टि तक, देखना है कि कौन से चरणों को AI को सौंपा जा सकता है, और क्या शोध की गति बढ़ाई जा सकती है। यह पिछले कुछ वर्षों में लोगों के परिचित AlphaFold से आगे एक कदम बढ़ता है।

लिउ पेंगकी: यह वैज्ञानिक शोध को एक पुनर्संगठित किए जा सकने वाली पाइपलाइन में बदलने जैसा है।

यान चियानहांग: हाँ। इस साल तक कई ऑटो रिसर्च (स्वचालित अनुसंधान) के कार्य देखने को मिले हैं, लेकिन अभी तक वे अधिकांशतः कुछ विशिष्ट क्षेत्रों तक सीमित हैं। अब देखने योग्य बात यह है कि क्या यह अधिक विषयों में प्रवेश कर पाएगा और अनुसंधान नवीनता को बहुत तेजी से बढ़ाएगा। एक और उदाहरण, जो हमने अभी विश्व मॉडल के बारे में चर्चा की थी, वह है। पारंपरिक भौतिक प्रतिरूपण, जिसके नीचे अक्सर आंशिक अवकल समीकरणों के हल की आवश्यकता होती है। पहले प्रतिरूपण करने में एक बहुत दुखद समस्या थी: अगर आप सटीकता चाहते हैं, तो यह धीमा हो जाता है; अगर आप तेज़ी से हल करना चाहते हैं, तो यह अक्सर असटीक हो जाता है। अब सभी AI, न्यूरल ऑपरेटर्स का उपयोग करके PDE (आंशिक अवकल समीकरण) हल के कुछ हिस्सों को प्रतिस्थापित करने की ओर बढ़ रहे हैं। अगर सच में यह संभव हो जाए कि सटीकता के साथ-साथ तेज़ी से हल किया जा सके, तो यह एक वास्तविक प्रगति होगी।

हाल ही में मुझे सामाजिक विज्ञान बहुत दिलचस्प लग रहा है। पहले सामाजिक विज्ञान के अध्ययन में कुशल प्रयोग और निष्कर्ष निकालने की प्रक्रिया की कमी थी: या तो वास्तविक समाज को प्रयोगात्मक वातावरण मानकर व्यापक सर्वेक्षण किए जाते थे, या फिर छोटे पैमाने पर नमूना लेकर सैंपलिंग की जाती थी। अब क्या AI सामाजिक विज्ञान के लिए नए निष्कर्ष निकालने के तरीके प्रदान कर सकता है, और कुछ प्रक्रियाओं में प्रवेश करके अध्ययन को तेज कर सकता है? इससे AI for Science की दृष्टि खुल जाती है, जो केवल AI for मटीरियल, AI for बायोटेक्नोलॉजी तक सीमित नहीं रहती।

दूसरी दिशा AI हार्डवेयर है। देश में परिपक्व हार्डवेयर सप्लाई चेन है, और कुछ बहुत चतुर युवा संस्थापक और प्रोडक्ट मैनेजर हैं, जिनके पास बेहतर होती जा रही AI बुनियादी ढांचे के साथ विचारों को जल्दी ही उत्पाद में बदलने की क्षमता है। मैं अधिक उत्सुक हूँ कि इस मिट्टी में क्या अप्रत्याशित चीजें अचानक उग सकती हैं।

लिउ पेंगकी: AI हार्डवेयर केवल उपयोगकर्ताओं को एक कार्य प्रदान करने के बारे में नहीं है, यह विश्व मॉडल के साथ भी बहुत निकट से जुड़ा हुआ है। ऑनलाइन पर बहुत सारे डिजिटल डेटा जमा हो चुके हैं, लेकिन मनुष्य और भौतिक दुनिया के बीच बातचीत, जिसमें व्यवहार डेटा, जीवन संकेत डेटा और ब्रेन वेव डेटा शामिल हैं, अभी बहुत कम है। भविष्य में, ये हार्डवेयर कैलकुलेशन क्षमता, AI सॉफ़्टवेयर और विभिन्न सेंसर के साथ हमारी उपयोग की प्रक्रिया में हमें समझने लगेंगे, और फिर प्रतिक्रिया के रूप में सेवाएँ प्रदान करेंगे।

स्टार्टअप को स्पष्ट करना चाहिए: आप एक डेटा कलेक्टर बना रहे हैं, या एक Data Hub (डेटा हब)? अगर यह अन्य स्थितियों में उपयोगकर्ता की जानकारी को भी जोड़ सकता है, तो इससे बहुत सारे काम किए जा सकते हैं।

लिउ पेंगकी: अंत में, बाजार पूंजी के बारे में बात करते हैं। इस साल, Yushu को स्केक्स पर आईपीओ रजिस्ट्रेशन की अनुमति मिल गई है और यह जारी चरण में है; Zhipu और MiniMax के शुरुआती आईपीओ के बाद, उनके शेयर मूल्य में उतार-चढ़ाव आया है और अब वे अलग-अलग होने लगे हैं। Kimi, DeepSeek, और Jieyue Xingchen ने क्रमशः बड़ी राशि में फंडिंग पूरी की है। आप इस AI कंपनियों की इस लहर के बारे में क्या सोचते हैं? यह प्राइवेट मार्केट को कैसे प्रभावित करेगा?

यान चियानहांग: एक लेवल-1 निवेशक के दृष्टिकोण से, यह अच्छी बात है कि सभी लोग पैसा कमा रहे हैं। इन बेस मॉडल कंपनियों के लिए, आईपीओ एक पूंजीकरण और निवेश वापसी का मौका है: पारिस्थितिक स्थिति का एक चरणबद्ध साबित हो चुका है, अब उन्हें लंबे समय तक लड़ना होगा और अधिक गोला-बारूद की आवश्यकता होगी।

ऐसी कंपनियों की लंबे समय तक मूल्य होता है, लेकिन छोटे समय के लिए अनुसंधान पर लगातार पैसा खर्च करना पड़ता है, और बाजार उन्हें निवेश जारी रखने की अनुमति देता है। OpenAI, Anthropic भी लगभग ऐसे ही हैं। उनका मूल्यांकन पारंपरिक कंपनियों के PE ढांचे से पूरी तरह नहीं किया जा सकता; लोग अधिक चिंतित होते हैं कि अंततः वे किस पारिस्थितिक स्थान पर कब्जा कर पाएंगे। इंटरनेट कंपनियों के प्रारंभिक समय में, लोग सिर्फ इस बात पर ही नहीं नजर डालते थे कि वे अभी कमाई कर रही हैं या नहीं।

लिउ पेंगकी: लेकिन इस AI चक्र में, सभी मानते हैं कि एक बुलबुला मौजूद है। अधिक विशालकाय कंपनियों के आईपीओ के बाद, क्या बुलबुला फूट जाएगा?

यान चियानहांग: बुलबुले के फटने का दिन भविष्यवाणी करना मुश्किल है। कोई भी कह सकता है कि बुलबुला अंततः फट जाएगा, लेकिन यह एक सही लेकिन बेकार कथन है। छोटे समय सीमा में, लिस्टिंग से प्राइमरी मार्केट में फोमो की एक और लहर आ सकती है; लेकिन सेकेंडरी मार्केट प्रतिक्रिया तेज़ होती है, अगर बिज़नेस खराब है या शोध प्रगति की उम्मीदों को पूरा नहीं कर पा रही है, तो स्टॉक की कीमत जल्द ही इसका प्रतिबिंब देगी। शीर्ष कंपनियाँ अच्छा प्रदर्शन करती हैं, तो प्राइमरी मार्केट में अभी भी स्थान है; अगर वे सहन नहीं कर पाती हैं, तो वे प्राइमरी मार्केट के मूल्यांकन को कम करने का कारण बनेंगी। उस समय सब कुछ पुनः गणना किया जाएगा: अगर सेकेंडरी मार्केट का मूल्यांकन स्थिर नहीं है, तो प्राइमरी मार्केट इतना महंगा क्यों है, यहाँ तक कि प्राइमरी-सेकेंडरी में पलटाव हो रहा है, क्या हमें थोड़ा शांत होना चाहिए? पिछले साल के पहले छमाही में तेज़ी से बढ़े मूल्यांकन, संभवतः एक शांति के समय का सामना करेंगे।

लिउ पेंगकी: कब फेल होगा, यह अनुमान लगाना मुश्किल है। चलिए सवाल बदलते हैं, मान लीजिए बुलबुला फूटना शुरू हो गया, तो क्या होगा? कौन सी कंपनियाँ अधिक संभावना से बच पाएंगी, यहाँ तक कि वास्तविक अच्छी कंपनियों में बदल जाएँगी?

यान चियानहां: बुलबुले के भीतर का मनोभाव शेयर बाजार जैसा होता है, सभी को लगता है कि उनके द्वारा खरीदा गया शेयर कल फिर से पैरामिटर पर पहुंच जाएगा। जब बाजार शीतल हो जाता है, तो पैसा बेहतर संपत्ति की ओर लौट जाता है। विश्व मॉडल, शरीरिक बुद्धिमत्ता मॉडल जैसी अनुसंधान-आधारित दिशाओं में, कंपनियों को लगातार महत्वपूर्ण मील के पत्थर प्रस्तुत करने होंगे और उद्योग में अपनी स्थिति बनाए रखनी होगी। केवल डेमो या कहानियां सुनाकर, बिना किसी परिणाम के निकास के, आगे पैसा प्राप्त करना मुश्किल हो जाएगा।

अंततः, एक कंपनी का सफल होना इस बात पर निर्भर करता है कि उसका व्यावसायिक मॉडल स्थिर है या नहीं और ऑर्डर वास्तविक हैं या नहीं। जब चुनौतियाँ आएं, तो क्या वह सहन कर सकती है, यही तय करता है कि वह बच पाएगी या नहीं।

लिउ पेंगकी: मुझे लगता है कि बुलबुले का फटना जरूरी तौर पर खराब बात नहीं है। चाहे सॉफ्टवेयर हो, बड़े मॉडल हो या शरीरिक बुद्धिमत्ता, ऊपरी स्तर की कैलकुलेशन क्षमता और बुनियादी ढांचे की लागत में कमी आ सकती है। अभी कई प्रोजेक्ट्स काम में नहीं आ पा रहे हैं, क्योंकि पूंजी खर्च और लागत पर रोक है। जब उपयोगकर्ता इसे खरीदने लगेंगे, तो इसका कार्यान्वयन तेज़ हो जाएगा।

यान चियानहां: हाँ, और प्राथमिक बाजार के लिए, सूचीबद्ध होना अंत नहीं है। जब वास्तविक रूप से निकास का समय आएगा, तो शेयर मूल्य को सही मूल्य पर वापस आना होगा, और सेकेंडरी मार्केट की प्रतिक्रिया तेज़ होती है।

लिउ पेंगकी: अंत में, यदि आपको दूसरे छमाही के एक चर पर बेट लगानी हो, तो आप क्या चुनेंगे?

यान चियानहांग: मैं वास्तविक डेटा सर्कल को देखूंगा। एम्बॉडीड इंटेलिजेंस हो या एजेंट, जब तक डेटा और उपयोगकर्ता फीडबैक को लगातार चलाया जा सके, या किसी और को इस मैकेनिज्म को बनाने में मदद की जा सके, तब तक अवसर हैं—“खुदाई के गड्ढे बेचने” वाले के लिए भी।

लिउ पेंगकी: मेरा भी यही अनुमान है। दूसरे छमाही में ऐसे अधिक प्रोजेक्ट्स दिखाई देंगे जो वास्तविक रूप से लागू होंगे और आय उत्पन्न करेंगे। बुलबुला कब फटेगा, यह अनुमान लगाना मुश्किल है, लेकिन तकनीक कभी भी चक्र को छोड़कर सीधे AGI (सामान्य कृत्रिम बुद्धिमत्ता) तक नहीं पहुँच सकती; इसके बीच अवश्य ही उतार-चढ़ाव होंगे। इस उतार-चढ़ाव में क्या प्रोजेक्ट लागू हो पाएगा, क्या आय, फंडिंग या डेटा प्राप्त कर पाएगा, यही तय करता है कि कंपनी किसी चरण का लाभ कैसे प्राप्त कर सकती है और अगली प्रतिस्पर्धा में हिस्सा लेने का मौका क्या है।