चीनी एआई मॉडल्स लागत और रणनीतिक परिवर्तनों के बीच वैश्विक चिंता का कारण बन रहे हैं

लेखक: Stratechery

संकलन: शेनचाओ टेकफ्लो

शेनचाओ का सारांश: किमी K3 ज्ञान मॉडल बाजार पर हमला कर रहा है, वॉल स्ट्रीट और सिलिकॉन वैली क्यों अतिरंजित प्रतिक्रिया दे रहे हैं? यह लेख विश्लेषण करता है कि ChatGPT काल से एजेंट काल में जाने के बाद, टोकन (token) अब वस्तु नहीं हैं, वास्तविक वस्तु बुद्धिमत्ता है—और इस उस सीमांत लागत पर निर्भर युद्ध में, चीनी ओपन-सोर्स मॉडल दिखने में मुफ्त हैं, लेकिन सेवा लागत वास्तव में काफी अधिक है। अग्रणी प्रयोगशालाओं का डर अधिकतर इसलिए है कि वे अभी तक प्रशिक्षण लागत पर आधारित से निष्कर्षण पैमाने पर आधारित नए खेल के नियमों को समझने में सक्षम नहीं हुए हैं।

मैंने कभी एक कहानी सुनाई थी, जिसमें मैंने अपने केलोग स्कूल ऑफ मैनेजमेंट में STRT-431 की पहली क्लास के अनुभव का वर्णन किया था, जो हर एमबीए नए छात्र के लिए अनिवार्य थी। मैंने कोर्स मटीरियल और केस स्टडीज़ को देखा और निराश होकर पाया कि कोर्स सिलेबस में कोई भी टेक्नोलॉजी कंपनी शामिल नहीं थी। मैंने प्रोफेसर से पूछने के लिए उनके पास दौड़कर जाकर पूछा कि क्यों, और उनका जवाब था: इस कोर्स का उद्देश्य किसी विशिष्ट उद्योग का अध्ययन नहीं है, बल्कि ऐसे सामान्य सिद्धांतों को खोजना है जो किसी भी उद्योग और किसी भी कंपनी में लागू किए जा सकते हैं।

जैसा कि मैं अक्सर कहता हूँ, मुझे तब इस उत्तर से बहुत असंतोष था: मेरे लिए, प्रौद्योगिकी की प्रकृति, विशेष रूप से सॉफ्टवेयर और वितरण की शून्य सीमांत लागत (और शून्य लेनदेन लागत), बिल्कुल अलग है। सूत्र में शून्य भरना अक्सर सब कुछ उलट देता है। लेकिन मैंने जल्द ही अहसास किया कि यही मेरा अवसर था। समाहरण सिद्धांत (Aggregation Theory) की मुख्य खोज यह है: शून्य सीमांत लागत के कारण उत्पादन श्रृंखला, जो लोगों ने इंटरनेट के बारे में पहले कल्पना की थी, उससे पूरी तरह अलग है—एक ऐसी दुनिया में जहाँ मांग को नियंत्रित करना, आपूर्ति के वितरण से महत्वपूर्ण होता है, आप केंद्रीकरण और पैमाने को देखेंगे।

हालांकि AI की दिलचस्प बात यह है कि प्राचीन सार्वभौमिक सिद्धांत फिर से सामने आ रहे हैं। इसकी सबसे स्पष्ट उदाहरण पिछले हफ्ते के अंत में X पर Kimi K3 के बारे में तीव्र वाद-विवाद से मिलता है। Kimi K3 चीन द्वारा लॉन्च किया गया एक और ओपन-सोर्स मॉडल है, जिसकी क्षमता सबसे उन्नत स्तर के करीब पहुंच रही है। संक्षेप में: सीमांत लागत एक महत्वपूर्ण तरीके से लौट रही है, चाहे यह सबसे उन्नत मुफ्त मॉडल के अल्पकालिक प्रभाव की बात हो या उद्योग की दीर्घकालिक संरचना की।

ओपन सोर्स वेट मॉडल के बारे में सबसे आम भ्रमों में से एक यह है कि वे सस्ते होते हैं—या फिर मुफ्त। अंततः आप वेट को सीधे डाउनलोड कर सकते हैं और अपना खुद का मॉडल बनाने के लिए आवश्यक समय, लागत और क्षमता को छोड़ सकते हैं। यह निश्चित रूप से सही है, लेकिन यहाँ "मुफ्त" का मतलब है कि आपको अनुसंधान और विकास (R&D) पर कितना खर्च करना पड़ता है। R&D एक स्थिर खर्च है, जो आपकी आय से स्वतंत्र है। यदि आपने R&D पर 1 मिलियन डॉलर खर्च किए हैं, तो चाहे आपकी आय 100,000 डॉलर हो या 100 मिलियन डॉलर, आपने R&D पर 1 मिलियन डॉलर ही खर्च किए हैं (यह, निश्चित रूप से, आपकी लाभदायकता को प्रभावित करता है)।

आय से संबंधित है COGS—बिक्री लागत—और COGS AI के लिए वास्तविक है, जो सॉफ्टवेयर उद्योग के लिए लंबे समय से ऐसा नहीं था। विशेष रूप से, मॉडल पर निष्कर्ष निकालना—चाहे Kimi हो या Fable—पैसा खर्च करता है, और AI प्रदाता निष्कर्ष निकालने पर जितना पैसा खर्च करते हैं, वह अधिकांश व्यावसायिक मॉडल में आय के सीधे संबंध में होता है। ऊपर के उदाहरण का पुनः उपयोग करते हुए, 100 मिलियन डॉलर की आय और 100,000 डॉलर की आय पैदा करने के लिए संभवतः 1000 गुना COGS की आवश्यकता होगी। विशेष रूप से, यदि 1 डॉलर की आय पैदा करने की टोकन लागत 50 सेंट है, तो 100 मिलियन डॉलर की आय के लिए 50 मिलियन डॉलर COGS होगा, जबकि 100,000 डॉलर की आय के लिए केवल 50,000 डॉलर COGS होगा।

ओपन सोर्स वेट मॉडल के बारे में मुख्य बात यह है कि वे मुफ्त सेवाएं नहीं हैं। किमी K3 की लागत प्रति मिलियन इनपुट टोकन 3 डॉलर और प्रति मिलियन आउटपुट टोकन 15 डॉलर है। यह Sol की प्रति मिलियन इनपुट टोकन 5 डॉलर और प्रति मिलियन आउटपुट टोकन 30 डॉलर की तुलना में सस्ता है, लेकिन यह सही मापदंड नहीं हो सकता है।

निवेडा के सीईओ हुआंग रेन्शुन ने निवेडा द्वारा बनाए जा रहे चीजों को "टोकन फैक्ट्री" के रूप में वर्णित किया है, जो निवेडा के दृष्टिकोण से बहुत त論्य है। निवेडा के GPU विशिष्ट मॉडल के लिए नहीं हैं: वे टोकन उत्पन्न करते हैं और इसे सबसे तेज़ और सबसे कुशल तरीके से करते हैं। इससे प्रति सेकंड टोकन, पहला टोकन समय, प्रति वाट टोकन, टोकन लागत जैसे मापदंड उत्पन्न होते हैं, जिन्हें हुआंग रेन्शुन मानते हैं कि ये निर्णय के आधार बनेंगे।

यह ढांचा AI के पहले परिप्रेक्ष्य—ChatGPT युग—में वास्तव में मायने रखता है, जब टोकन सीधे अंतिम उपयोगकर्ता को प्राप्त होते हैं। हालाँकि, AI के दूसरे परिप्रेक्ष्य, अर्थात् निष्कर्षण युग, इस मापन को अव्यवस्थित कर देता है। निष्कर्षण का अर्थ है चिंतन श्रृंखला टोकन का विस्फोटक वृद्धि, और विभिन्न मॉडल को सही उत्तर प्राप्त करने के लिए अलग-अलग संख्या में निष्कर्षण टोकन की आवश्यकता होती है। उदाहरण के लिए, बताया जाता है कि Kimi द्वारा उपयोग किए जाने वाले टोकन की संख्या Sol से स्पष्ट रूप से अधिक है, जिससे इसकी कीमत की बढ़त समाप्त हो जाती है। Agent इसी प्रकार की गतिशीलता को पेश करता है: कुछ मॉडल Agent कार्यप्रवाह के लिए आवश्यक टोकन की संख्या में अधिक कुशल होते हैं।

इसका अर्थ है कि टोकन एक वस्तु नहीं है। वस्तु की परिभाषा में यह विशेषता है कि इसे आपस में बदला जा सकता है: एक गैलन तेल दूसरे गैलन तेल के बराबर होता है, एक टन तांबा दूसरे टन तांबे के बराबर होता है, और एक बुशेल गेहूं दूसरे बुशेल गेहूं के बराबर होता है। लेकिन एक मॉडल का टोकन दूसरे मॉडल के टोकन से अलग होता है। जो कुछ टोकन से बनाया जाता है, अर्थात् बुद्धिमत्ता, वही आपस में बदली जा सकती है। दूसरे शब्दों में, अगर किमी और सोल दोनों सही उत्तर प्राप्त करते हैं, तो यह उत्तर आपस में बदला जा सकता है। सही उत्तर प्राप्त करने के लिए आवश्यक टोकन के अंतर से COGS में अंतर होता है।

स्मार्ट COGS कई अलग-अलग कारकों का फलन है:

मॉडल का स्थान अधिग्रहण: वजन और रनटाइम स्थिति निर्धारित करते हैं कि प्रत्येक सेवा प्रतिय को होस्ट करने के लिए कितना महंगा मेमोरी और कितना त्वरक आवश्यक है।

Reasoning efficiency: Architecture choices (such as Mixture of Experts models) reduce computation per generated token

मेमोरी दक्षता: आर्किटेक्चर चयन KV कैश की आवश्यकता को कम कर सकता है, जिससे अधिक समानांतर अनुरोध और बेहतर GPU उपयोग संभव होता है

Service efficiency: Batch processing, scheduling, prefix caching, and other inference optimizations maximize utilization and share work across requests

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

यह बहुत महत्वपूर्ण है, क्योंकि हम एक ऐसी स्थिति की ओर तेजी से बढ़ रहे हैं जहां कई आर्थिक रूप से लाभदायक कार्यों के लिए, बुद्धिमत्ता एक वस्तु बन रही है। उदाहरण के लिए, कोई भी मूल CRUD ऐप बना सकता है, जिसमें कई प्रदाताओं के मॉडल का उपयोग किया जाता है। और वस्तु बाजार में, लाभ का मार्ग उच्चतर मूल्य लगाकर नहीं है—आप (या जल्द ही) कई मॉडल का उपयोग करके पूरी तरह समान ऐप बना सकते हैं—बल्कि उत्कृष्ट लागत संरचना के साथ है।

यहाँ मैकेनिज्म को समझना जरूरी है, क्योंकि जैसा कि मैंने कुछ महीने पहले 'अमेज़न की टिकाऊपन' में बताया था, कमोडिटी मार्केट की गतिशीलता टेक उद्योग के लोगों के लिए सामान्य नहीं है:

व्यापारिक बाजार में, हर कोई एक ही कीमत लेता है क्योंकि हर कोई एक ही चीज़ बेच रहा है। यह कीमत आपूर्ति और मांग द्वारा निर्धारित होती है।

Demand for goods is a function of price elasticity: the cheaper the good, the higher the demand, and vice versa.

Supply of a good is a function of its marginal cost of production.

महत्वपूर्ण यह समझना है कि विभिन्न आपूर्तिकर्ता द्वारा उत्पादों की सीमांत लागत अलग-अलग होती है। व्यावहारिक रूप से, इसका अर्थ है कि सबसे खराब लागत संरचना वाले आपूर्तिकर्ता अपनी सीमांत लागत पर उत्पाद बेचते हैं (यदि वे उत्पादन करने में सक्षम हैं)। अन्य सभी का लाभ उनकी लागत संरचना के आधार पर निर्भर करता है कि वे सीमांत आपूर्तिकर्ता की तुलना में कितने बेहतर हैं।

उदाहरण के लिए:

आपूर्तिकर्ता A 10 इकाइयों का उत्पादन 10 डॉलर प्रति इकाई की लागत से कर सकता है

सप्लायर B 10 यूनिट उत्पाद को प्रति यूनिट 15 डॉलर की लागत से उत्पादित कर सकता है

Supplier C can produce 10 units of the product at a cost of $20 per unit.

मान लीजिए कि कीमत लचीलापन के कारण 20 डॉलर पर 25 इकाइयों की मांग है। इसका अर्थ है:

आपूर्तिकर्ता A 10 इकाइयाँ 20 डॉलर में बेचेगा, प्रति इकाई 10 डॉलर कमाता है

सप्लायर B 10 यूनिट्स को 20 डॉलर में बेचेगा, प्रति यूनिट 5 डॉलर कमाता है

Supplier C will sell 5 units at $20 each, earning $0 per unit

यह पूरी तरह से सही नहीं है: आपूर्तिकर्ता C की कमी का कारण यह है कि आपूर्तिकर्ता A और B अपनी कीमतों में थोड़ा कम कर सकते हैं, जो निश्चित रूप से मांग (लचीली) को प्रभावित करता है, लेकिन यह समस्या को दर्शाता है। आपूर्तिकर्ता A को अच्छा व्यवसाय मिल रहा है, आपूर्तिकर्ता B को अच्छा व्यवसाय मिल रहा है, और आपूर्तिकर्ता C दिवालिया होने वाला है।

बर्बादी का जोखिम वह स्थान है जहाँ स्थिर लागत पुनः सामने आती हैं: आपूर्तिकर्ता C के पास स्थिर लागतें (जैसे संभावित अनुसंधान और विकास व्यय) हो सकती हैं, और वह उत्पादों के उत्पादन के लिए आवश्यक उपकरणों के वित्तपोषण के लिए ऋण भी ले सकता है। वह इन लागतों के आधार पर उत्पादों की कीमत नहीं तय कर सकता—याद रखें, बाजार की समतुल्य कीमत आवश्यकता को पूरा करने के लिए आवश्यक उच्चतम लागत इकाई की सीमांत लागत के करीब होती है—लेकिन ये लागतें निश्चित रूप से आपूर्तिकर्ता को बाजार से बाहर कर सकती हैं। यदि आपूर्तिकर्ता दिवालिया हो जाता है, तो कीमतें बढ़ जाएँगी, जब तक कि कोई अन्य आपूर्तिकर्ता प्रवेश करने (या अन्य आपूर्तिकर्ता विस्तार करने) का फैसला नहीं करता।

आइए मॉडल पर वापस आते हैं। अब, उपरोक्त सभी विश्लेषण लागू नहीं होते, क्योंकि अग्रणी मॉडल की मांग आपूर्ति से अधिक है, और आपूर्ति कंप्यूटिंग पावर की कमी से सीमित है। यह कंप्यूटिंग पावर की कमी न केवल इंनवेडिया जैसे कंप्यूटिंग प्रोवाइडर्स को बहुत उच्च लाभमार्जिन प्रदान करती है, बल्कि इंनवेडिया के ग्राहक, जैसे स्पेसएक्सएआई, भी एंथ्रोपिक जैसी कंपनियों को कंप्यूटिंग पावर को उच्च लाभमार्जिन के साथ पुनः बेच सकते हैं। इसी बीच, एंथ्रोपिक अतिरिक्त मूल्य दे सकता है, क्योंकि वे टोकन को अधिक अतिरिक्त मूल्य पर बेच सकते हैं।

हालांकि, केवल अतिरिक्त मांग ही एंथ्रोपिक को विशाल लाभक्षमता नहीं दे रही है: एंथ्रोपिक और ओपनएआई संभवतः मॉडल क्षमता, सेवा पैमाने और टोकन दक्षता के कारण सबसे कम अग्रणी गुणवत्ता बुद्धिमत्ता इकाई लागत रखते हैं। वे प्रतिद्वंद्वियों से कई महीने पहले विशिष्ट क्षमता स्तर के मॉडल की सेवा प्रदान करते हैं, जबकि इन लागतों को अनुकूलित करने के लिए सर्वश्रेष्ठ मॉडल का उपयोग करते हैं।

यह भी ध्यान देने योग्य है कि बाजार अभी तक बुद्धिमत्ता को एक वस्तु के रूप में नहीं मानता: मांग Anthropic और OpenAI के लिए विशिष्ट है, और कम बेहतर मॉडल्स के लिए मांग काफी कम है (इसलिए SpaceXAI और Meta अपनी क्षमता Anthropic को बेचते हैं)। लागत के अनुकूलन को प्रेरित करने का एक तरीका यह समझना है कि यह पूरा किए जाने वाले कार्य का बुद्धिमत्ता स्तर के आधार पर एक फ़ंक्शन है, जिससे बुद्धिमान खरीददार एक ऐसा बाजार बना सकते हैं जहां बुद्धिमत्ता को वस्तु के रूप में माना जाए। हालाँकि, दीर्घकालिक रूप से, चाहे कोई भी अग्रणी हो, वह सबसे अधिक क्षमता रखता है कि अग्रणी बाजार से n महीने पीछे के बाजारों पर प्रभुत्व करे, जो कि केवल अग्रणी मॉडल निर्माताओं द्वारा अपनी सेवा लागत को अनुकूलित करने के लिए पिछले कुछ महीनों का संग्रह है।

ये सब यह कहना है कि, मुझे लगता है कि किमी और चीनी मॉडल्स के प्रति सामान्य प्रतिक्रिया काफी अतिशयोक्तिपूर्ण है, कम से कम आर्थिक दृष्टि से। अब एक कीमत सुरक्षा छत है, जो कैलकुलेशन की कमी का निचला परिणाम है। मुझे गहरा संदेह है कि चीनी मॉडल्स सीमांत लागत के आधार पर अधिक सस्ते सेवा प्रदान करते हैं; वे केवल इसलिए सस्ते दिखते हैं क्योंकि Anthropic और OpenAI की आपूर्ति इतनी सीमित है कि वे ऐसी कीमतें लगाते हैं जो बुद्धिमत्ता की मांग को पूरा करने के लिए पर्याप्त आपूर्ति होने पर होतीं।

तो, क्यों मॉडल निर्माता चीनी मॉडल्स के लिए इतने डरे हुए प्रतीत हो रहे हैं?

सबसे पहले, मुझे लगता है कि फ्रंटियर लैब एक ऐसी दुनिया में स्थिर है जहाँ प्रशिक्षण लागत इसके वित्तीय मॉडलिंग को नियंत्रित करती है। जब तक प्रशिक्षण में इस्तेमाल होने वाले GPU, निष्कर्षण से अधिक होते हैं, तब तक अगले प्रशिक्षण चलाने के लिए वित्तपोषण करने के लिए निष्कर्षण आय को अधिकतम करना महत्वपूर्ण है, जिसका अर्थ है कि निष्कर्षण पर बहुत उच्च मूल्य लगाया जाए।

हालाँकि, भविष्य की ओर देखते हुए, मुझे लगता है कि निष्कर्षण बाजार की वृद्धि दर ट्रेनिंग लागत (जिसमें ट्रेनिंग लागत जारी रहेगी और तेजी से बढ़ेगी इसकी मान्यता शामिल है) की तुलना में कहीं अधिक तेज़ होगी, जिसका अर्थ है कि वे वास्तव में मात्रा से कमी को पूरा कर सकते हैं। आठ महीने पहले तक, यह स्पष्ट नहीं था कि यह कभी सच हो पाएगा, लेकिन एजेंट पैराडाइम का खुलना इतना विशाल है कि अग्रणी प्रयोगशालाओं को अब अधिक आत्मविश्वास होना चाहिए कि वे न केवल कम कीमत पर बच सकती हैं, बल्कि सफलतापूर्वक विकसित हो सकती हैं (जब तक कि उनके पास पर्याप्त कंप्यूटिंग पावर हो)।

दूसरे, बुद्धिमत्ता एक आदर्श वस्तु नहीं है, जिसका आंशिक कारण यह है कि बुद्धिमत्ता का उपयोग करने से यह अपने आप को अधिक बुद्धिमान बना लेती है। विशेष रूप से, जो भी निष्कर्ष निकाल रहा है, वह डेटा एकत्रित कर रहा है, और यह डेटा अगली पीढ़ी के मॉडल को बेहतर बनाने के लिए उपयोग किया जाता है। एक ओर, यही कारण है कि अग्रणी प्रयोगशालाएँ अधिक कैलकुलेशन पावर के साथ कीमतें कम करने और उपयोग बढ़ाने का तर्क देती हैं। दूसरी ओर, यही कारण है कि माइक्रोसॉफ्ट जैसी कंपनियाँ कंपनियों को अपने मॉडल चलाने में मदद करने में अधिक लगी हुई हैं। यदि चीनी मॉडल एक संभव विकल्प हैं, तो यह और अधिक संभव हो जाता है।

तीसरा, फ्रंटियर लैब्स के अलावा चीनी मॉडल से अलग होने का एक और तरीका ग्राहक अनुभव में ऊपर की ओर एकीकरण जारी रखना है। क्लॉड कोड और कोडेक्स की बहुत अधिक चिपकने वाली प्रकृति सामने आई है। चाहे आप किसी भी टूल का उपयोग शुरू करें, वही टूल आपके द्वारा लंबे समय तक उपयोग किया जाएगा, खासकर गैर-तकनीकी उपयोगकर्ताओं के लिए। दीर्घकालिक रूप से, इस ऊपर की ओर की गतिविधि की आवश्यकता का मतलब है कि फ्रंटियर मॉडल सॉफ्टवेयर प्रदाताओं, जिनमें माइक्रोसॉफ्ट भी शामिल है, के लिए एक सच्ची धमकी हैं। दूसरी ओर, वर्तमान में ग्राहक अनुभव के स्वामी सॉफ्टवेयर कंपनियाँ, जितनी हद तक प्रतिस्पर्धी मॉडल प्राप्त कर सकती हैं, उतनी हद तक ही फ्रंटियर लैब्स के हमले का सामना कर सकती हैं।

अंत में, एंथ्रोपिक का आदर्शवादी दृष्टिकोण विशेष रूप से नजरअंदाज नहीं किया जा सकता। यह एक ऐसी कंपनी है जो मानती है कि केवल यही AI को सौंपा जा सकता है, और ओपन सोर्स वेट्स के विकल्पों का होना इस परिकल्पना के लिए घातक है।

Kimi एकमात्र नया चीनी मॉडल नहीं है। ब्लूमबर्ग ने रिपोर्ट किया:

अलीबाबा ग्रुप होल्डिंग्स लिमिटेड के शेयर सोमवार को 5.4% बढ़े, क्योंकि कंपनी ने अपने प्रमुख Qwen3.8 Max मॉडल का प्रीव्यू लॉन्च किया, जिसे वह Anthropic के Fable 5 के बाद दूसरा सबसे बेहतरीन बता रही है। यह रविवार को हुई लॉन्च, स्टार्टअप मून ऑफ द डार्क द्वारा कुछ ही दिन पहले शक्तिशाली नया उत्पाद लॉन्च करने के बाद हुई, जिसने बाजार में हलचल मचाई और संयुक्त राज्य अमेरिका में चिंता पैदा की कि चीन Anthropic और OpenAI जैसे वैश्विक नेताओं के बीच की खाई कम करने में सफल हो सकता है। Qwen3.8 Max में 2.4 ट्रिलियन पैरामीटर हैं, और मून ऑफ द डार्क के Kimi K3 के साथ भारी श्रेणी में प्रवेश करता है। K3 में 2.8 ट्रिलियन पैरामीटर हैं, जो शीर्ष उत्पादों के साथ तुलनीय हैं, और अलीबाबा ने भी समान उच्च अपेक्षाएँ रखी हैं।

अब डेवलपर्स अलीबाबा के कोडिंग प्लेटफॉर्म (जिसमें Qoder शामिल है) के माध्यम से Qwen3.8 Max तक पहुँच प्राप्त कर सकते हैं। अलीबाबा जल्द ही इस मॉडल के ओपन सोर्स वेट्स जारी करने की योजना बना रहा है, ताकि इसकी पहुँच प्रीव्यू से आगे बढ़ाई जा सके। चीन निर्मित एआई सिस्टम और मॉडल्स के प्रति इतनी उच्च रुचि है कि मून ऑफ डार्कनेस को सप्ताह के रविवार को दबावपूर्ण मांग के कारण नए सब्सक्रिप्शन स्वीकार करना बंद करना पड़ा।

अलीबाबा ग्रुप होल्डिंग्स लिमिटेड का शुक्रवार को स्टॉक 5.4% तक बढ़ा, जिससे पहले कंपनी ने अपने प्रमुख Qwen3.8 Max मॉडल का प्रीव्यू लॉन्च किया और इसे Anthropic PBC के Fable 5 के बाद दूसरा सबसे अच्छा बताया। यह रविवार को हुई लॉन्च, Moonshot AI द्वारा कुछ ही दिन पहले शक्तिशाली नया उत्पाद लॉन्च करने के तुरंत बाद हुई, जिसने बाजार में हलचल मचाई और संयुक्त राज्य अमेरिका में Anthropic और OpenAI जैसे वैश्विक नेताओं के पीछे चीन की प्रगति के बारे में चिंताएं जगाईं। Qwen3.8 Max में 2.4 ट्रिलियन पैरामीटर हैं, जो Moonshot के Kimi K3 के साथ भारी श्रेणी में प्रवेश करते हैं। K3 में 2.8 ट्रिलियन पैरामीटर हैं, जो शीर्ष उत्पादों के साथ तुलनीय हैं, और अलीबाबा ने भी समान उच्च अपेक्षाएँ रखी हैं।

अब डेवलपर्स Qwen3.8 Max और Qoder तक अलीबाबा के कोडिंग प्लेटफॉर्म के माध्यम से एक्सेस कर सकते हैं। अलीबाबा जल्द ही इस मॉडल के वेट्स को खोलने की योजना बना रहा है, जिससे एक्सेस को प्रीव्यू संस्करण से आगे बढ़ाया जा सके। चीन द्वारा बनाए गए इन कृत्रिम बुद्धिमत्ता प्रणालियों और मॉडल्स की मांग इतनी अधिक है कि Moonshot को भी रविवार की शाम को अत्यधिक मांग के कारण नए सदस्यता अनुरोधों को स्वीकार करना बंद करना पड़ा।

Qwen3.8 Max के वजन खुले होने का तथ्य ध्यान देने योग्य है। अलीबाबा ने इस साल की शुरुआत में अपने अग्रणी मॉडल के वजन प्रकाशित करना बंद कर दिया था, लेकिन ऐसा लगता है कि उसने इस निर्णय में बदलाव किया है; मुझे संदेह है कि यह परिवर्तन पिछले हफ्ते शी जिनपिंग के AI के बारे में भाषण से संबंधित है, जिसने खुले वजन के दृष्टिकोण पर जोर दिया है:

हमें खुलापन और दोनों पक्षों के लाभ के सिद्धांत का पालन करना चाहिए और नवाचार आधारित विकास को बढ़ावा देना चाहिए। विश्व अर्थव्यवस्था के नए इंजन और वृद्धि शक्ति के स्थानांतरण के त्वरक के रूप में, कृत्रिम बुद्धिमत्ता डिजिटल दुनिया से भौतिक दुनिया की ओर बढ़ रही है। हमें इस अनमोल ऐतिहासिक अवसर का लाभ उठाना चाहिए, ओपन सोर्स, खुलापन, सहयोग और साझाकरण को प्रोत्साहित करना चाहिए। हमें कृत्रिम बुद्धिमत्ता के तकनीकी नवाचार, उद्योग विकास और स्थितिगत अनुप्रयोगों को बढ़ावा देना चाहिए। हमें पारंपरिक उद्योगों के उन्नयन, नवीन उद्योगों के विकास और भविष्य के उद्योगों की पूर्वानुमानित योजना को समन्वित ढंग से आगे बढ़ाना चाहिए, ताकि सभी क्षेत्र कृत्रिम बुद्धिमत्ता से लाभ प्राप्त कर सकें।

चीन की रणनीति स्पष्ट है: अपने पूरक वस्तुओं को व्यावसायिक बनाएं। ध्यान दें कि शी जिनपिंग ने स्पष्ट रूप से खुलापन को AI के "डिजिटल दुनिया से भौतिक दुनिया" में जाने से जोड़ा है; भौतिक दुनिया चीन द्वारा प्रभावित दुनिया है, जहां चीन की रोबोटिक्स जैसे क्षेत्रों में नेतृत्व, व्यापक रूप से उपलब्ध AI मॉडल्स से भारी लाभ प्राप्त करेगा।

इसी तरह, चीन चाहता है कि अमेरिका को AI में असमान लाभ न मिले; अगर चीन अमेरिकी अग्रणी प्रयोगशालाओं को कमजोर करते हुए किसी भी और सभी संभावित अमेरिकी प्रतिद्वंद्वियों को मजबूत कर सके, तो यह बेहतर होगा, और यह खुले पारिस्थितिकी तंत्र पर आधारित नवाचार से लाभ उठा सकता है।

इसी तरह, चीन के लिए अग्रणी प्रयोगशालाओं के विद्युत आक्रमण पर कोई कार्रवाई करने की उम्मीद न करें। मुझे लगता है कि चीनी प्रयोगशालाओं की सभी सफलताओं को विद्युत आक्रमण के लिए आरोपित करना गलत है, लेकिन यह भी गलत है कि विद्युत आक्रमण ने चीनी प्रयोगशालाओं को विशाल लाभ प्रदान नहीं किया। इस लाभ ने पिछले वर्ष में वास्तव में स्पष्ट रूप से प्रकट हुआ, क्योंकि प्रशिक्षण के बाद का मजबूती सीखना मॉडल प्रदर्शन के लिए अधिक महत्वपूर्ण होता जा रहा है। चीनी प्रयोगशालाओं को मजबूती सीखने के वातावरण को शुरू से बनाने की आवश्यकता नहीं है, बल्कि वे सरलता से अग्रणी प्रयोगशालाओं के मॉडल को शिक्षक के रूप में उपयोग कर सकती हैं, जिससे बहुत कम लागत पर तेज़ सुधार होता है (यह चीनी मॉडल विकास की लागत कम होने का एकमात्र कारण नहीं है, लेकिन यह एक महत्वपूर्ण कारण है)।

दिलचस्प बात यह है कि चीनी मॉडल का पश्चिमी दुनिया में सबसे महत्वपूर्ण उपयोग मामलों में से एक स्टूडेंट-टीचर डिस्टिलेशन है। उदाहरण के लिए, हाल ही में ओपन वेट मॉडल जारी करने वाली Thinking Machines, रिइनफोर्समेंट लर्निंग की कॉल्ड स्टार्ट समस्या को हल करने के लिए चीनी मॉडल पर निर्भर करती है। डीन मेयर और कॉन्स्टेंटाइन बुहलर ने X पर एक उत्कृष्ट लेख लिखा है, जिसमें स्पष्ट किया गया है कि डिस्टिलेशन का मतलब है कि पश्चिमी ओपन वेट मॉडल चीनी मॉडल के सापेक्ष मूलभूत रूप से पिछड़े हुए हैं:

डिस्टिलेशन केवल चीन की ओपन मॉडल में समग्र अग्रणियता की पूरी व्याख्या नहीं करता। चीनी प्रयोगशालाओं के पास विश्व स्तरीय शोधकर्ता, विशाल कैलकुलेशन क्षमता, शक्तिशाली प्री-ट्रेन्ड मॉडल, सॉफ्टवेयर-हार्डवेयर सह-डिज़ाइन और तेजी से बढ़ती ट्रेनिंग-अफ्टर क्षमताएँ हैं। लेकिन डिस्टिलेशन शक्तिशाली आधार से लगभग अग्रणी प्रणाली तक पहुँचने के लिए महंगे अंतर को संकुचित करता है। भले ही डिस्टिलेशन चीनी मॉडल की कुल क्षमता में छोटा हिस्सा हो, यह अमेरिकी ओपन मॉडल के सापेक्ष चीन के लाभ में महत्वपूर्ण हिस्सा रखता है।

नए कानूनी लागू करने के तंत्र से चीनी कंपनियों के लिए बड़े पैमाने पर आसानी से विकसित करना मुश्किल, धीमा और महंगा हो जाएगा। हालांकि, कानूनी लागू करने से राष्ट्रीय कारकों द्वारा समर्थित आसानी से विकसित करने को खत्म नहीं किया जा सकता। इसलिए, पश्चिमी प्रगति की प्रत्येक अग्रणी उपलब्धि चीनी प्रयोगशालाओं के लिए एक और शिक्षक बन जाती है। पश्चिमी निर्माताओं को इन क्षमताओं को स्वतंत्र रूप से पुनर्निर्मित करना होगा, या चीनी मॉडल से सीखने का इंतजार करना होगा। यह अंतर चीनी प्रयोगशालाओं को पश्चिमी कंपनियों के सापेक्ष बार-बार आने वाला संरचनात्मक लाभ प्रदान करता है।

यह बात दोहराने लायक है: क्योंकि अमेरिकी ओपन-वेट मॉडल निर्माताओं को फ्रंटियर लैब्स की सेवा शर्तों का पालन करना होता है, उनके (1) चीनी विकल्पों की तुलना में कमजोर होते हैं, (2) अंततः वे केवल चीनी लैब्स से होकर गुजरने वाले डिस्टिलेट्स को ही डिस्टिल करते हैं। यदि पश्चिमी ओपन-वेट मॉडल निर्माता सीधे स्रोत से प्राप्त कर सकते हैं, तो क्या यह बेहतर नहीं होगा?

इसके लिए, डिस्टिलेशन के चारों ओर एक और दिलचस्प सवाल यह है: यह वास्तव में क्यों खराब है? अंततः, बड़े भाषा मॉडल तो खुले इंटरनेट पर सभी ज्ञान का डिस्टिलेशन हैं, जिसे अग्रणी प्रयोगशालाएँ एकत्र करती हैं और डिस्टिलेशन के अधीन मॉडल में बदलती हैं? यहाँ वास्तव में किसे नुकसान हो रहा है?

वास्तव में, यह विरोधाभास ही समाधान है। मुझे विश्वास है कि खुले वजन मॉडल नवाचार के लिए लाभदायक हैं (और, उपरोक्त सामग्री के अनुसार, मुझे लगता है कि अग्रणी प्रयोगशालाएँ ठीक रहेंगी), लेकिन चीन पर निर्भरता एक समस्या है। अमेरिका को एक कानून पारित करना चाहिए, (1) मॉडल के प्रशिक्षण के लिए डेटा एकत्र करना उचित उपयोग माना जाए, (2) कम से कम अमेरिकी कंपनियों के लिए डिस्टिलेशन के लिए सेवा की शर्तों में प्रतिबंध लगाना। डिस्टिलेशन — जो वास्तव में API क्वेरी है — को रोकना लगभग असंभव है; अमेरिका को एक अलग रास्ता अपनाना चाहिए, जो एक नई कॉपीराइट नीति की ओर प्रवृत्त हो, जो प्रयोगशालाओं की सुरक्षा करे और सुनिश्चित करे कि वे जो सीखते हैं, वह दूसरों के लिए आगे के नवाचार का स्रोत बने।

पूरा लेख किमी K3 और चीनी ओपन वेट मॉडल के प्रति अतिक्रिया को दूर कर रहा है; हालाँकि, साइबर सुरक्षा का एक चिंताजनक कारण है: The Stack की इस कहानी पर विचार करें:

हगिंग फेस ने बताया कि पिछले सप्ताह के शुरू में उनके उत्पादन अवसंरचना पर "स्वायत्त" AI एजेंट सिस्टम ने हमला किया। इस प्लेटफॉर्म की सुरक्षा टीम ने शुरू में अनामित अमेरिकी LLM फ्रंटियर मॉडल के गार्डरेल्स के कारण इवेंट रिस्पॉन्स (IR) में बाधा का सामना किया, "उन्हें इवेंट रिस्पॉन्डर्स और हमलावरों में अंतर नहीं करना आया," उन्होंने कहा। इसलिए हगिंग फेस के रक्षकों ने चीन के Z.ai प्रयोगशाला से ओपन सोर्स GLM 5.2 मॉडल का उपयोग किया—उन्होंने अपनी अवसंरचना पर इसे चलाकर हमलावरों द्वारा छोड़े गए 17,000 से अधिक लॉग या निशानों का विश्लेषण किया।

न्यूयॉर्क स्थित Hugging Face के लिए यह एक आकर्षक सार्वजनिक स्वीकृति है, जिसके उपयोगकर्ता मॉडल, डेटासेट और एप्लिकेशन पर सहयोग करते हैं और इस साल गर्मियों में 100 मिलियन डॉलर के ARR के मील के पत्थर को पार किया। एक घटना रिपोर्ट में, कंपनी ने रक्षाकर्मियों को सुझाव दिया कि "घटना से पहले एक क्षमतावान मॉडल तैयार रखें जो आपके स्वयं के बुनियादी ढांचे पर चलाया जा सके [हमारी तिरछी], ताकि हार्डवेयर लॉकिंग से बचा जा सके और हमलावरों के डेटा और प्रमाणपत्र आपके परिवेश से बाहर न जा सकें।"

ट्रंप सरकार की एंथ्रोपिक द्वारा फेबल जारी करने पर जो आतंकित प्रतिक्रिया थी, उसकी गलती को अतिशयोक्ति से भी नहीं कहा जा सकता, खासकर क्योंकि यह एंथ्रोपिक की सबसे खराब प्रवृत्ति को बढ़ावा देती है, जिसमें वे मानते हैं कि केवल वे ही शक्तिशाली AI का उपयोग करने के लिए विश्वसनीय हैं। एक ऐसी दुनिया में जहां केवल एक ही AI हो, सबसे शक्तिशाली साइबर सुरक्षा क्षमताओं को संयुक्त राज्य अमेरिका सरकार और विश्वसनीय सहयोगियों के लिए आरक्षित रखना समझदारी हो सकती है; हालांकि, यह हमारी जीवन की दुनिया नहीं है।

ऐसे मॉडल पहले से मौजूद हैं और आने वाले हैं जो मौजूदा बुनियादी ढांचे पर साइबर सुरक्षा हमले करने में सक्षम हैं, और ये मॉडल — पहले से — व्यापक रूप से उपलब्ध होंगे। सबसे अच्छी रक्षा — वास्तव में एकमात्र संभव रक्षा — यह सुनिश्चित करना होगा कि रक्षाकर्ता भी सबसे अच्छे मॉडल तक पहुँच प्राप्त कर सकें। अब, ट्रम्प सरकार के निर्देश के कारण, रक्षाकर्ताओं को वास्तव में साइबर सुरक्षा के लिए Fable या Sol का उपयोग करने से प्रतिबंधित कर दिया गया है; इसका अर्थ है कि सबसे अच्छा विकल्प एक ऐसे देश के मॉडल का उपयोग करना होगा जो वर्षों से हमारी साइबर रक्षा को कमजोर करने की कोशिश कर रहा है। यह पागलपन है!

बेहतर यह होगा कि स्पष्ट रूप से: पहले, Fable और Sol के साइबर सुरक्षा प्रतिबंधों को ढीला करें, और दूसरे, सुनिश्चित करें कि संयुक्त राज्य अमेरिका के ओपन-वेट मॉडल निर्माता चीन के साथ समान प्रतिस्पर्धी परिस्थितियों में हों। हाँ, फ्रंटियर लैब्स शोर मचाएंगे, लेकिन सरकार को यह समझना चाहिए कि उनकी हिस्टीरिया पर काम करने से संयुक्त राज्य अमेरिका ऐसी स्थिति में पहुँच गया है जहाँ अमेरिकी कंपनियाँ रक्षा के लिए चीन पर निर्भर हैं। फ्रंटियर लैब्स को बेहतर काम करके जीतने दें; उन्हें सुरक्षा या सुरक्षा की परिभाषा तय करने न दें, और न ही मानवता के सामूहिक ज्ञान की सीढ़ी को हटाएँ। चीन के साथ प्रतिस्पर्धा करना पहले से ही पर्याप्त कठिन है; खुलेपन और नवाचार के मुद्दे पर हमारी सबसे बड़ी ताकत को छोड़ना सिर्फ़ हमारी सबसे बड़ी ताकत को खोना है।