چینی AI ماڈلز لاگت اور حکمت عملی کے تبدیلیوں کے باعث عالمی فکر مندی کا باعث بن رہے ہیں

مصنف: Stratechery

ترجمہ: شن چاؤ ٹیکفلو

شین چاؤ کا خلاصہ: کیمی K3 کا ای آئی مدلز کے مارکیٹ پر حملہ، وول سٹریٹ اور سلیکون ویلی کیوں زیادہ پریشان ہو رہی ہیں؟ یہ مضمون اس بات کو واضح کرتا ہے کہ جب ای آئی ChatGPT کے دور سے ایجنٹ کے دور میں داخل ہوئی، تو ٹوکنز (token) اب مال نہیں رہے — اصل مال ذہانت ہے۔ اور اس ایسی جنگ میں جہاں حدی تکلفوں کا تعین کرتا ہے، چین کے اوپن سورس ماڈلز نظر آتے ہیں کہ وہ مفت ہیں، لیکن ان کی سروس کی لاگت بہت زیادہ ہے۔ اگرچہ سب سے آگے کے لیبارٹریز کا خوف زیادہ تر اس لئے ہے کہ وہ اب تک تربیت کی لاگت پر منحصر قدیم قواعد سے، استدلال کے سائز پر منحصر نئے قواعد میں نہیں بدل پائے۔

میں نے کبھی ایک کہانی سنائی تھی جس میں میں نے اپنے پہلے دن کے بارے میں بات کی تھی جب میں نے کیلوگ سکول آف مینجمنٹ میں STRT-431 کلاس لی تھی، جو ہر ایم بی اے نئے طالب علم کے لیے اجباری تھی۔ میں نے کورس مٹیریل اور کیس اسٹڈیز کا جائزہ لیا اور ناامید ہو گیا کہ کورس شیڈول میں کوئی ٹیکنالوجی کمپنی نہیں تھی۔ میں پروفیسر کے پاس دوڑا اور اس سے پوچھا کہ کیوں، اور جواب ملا کہ اس کورس کا مقصد کسی خاص صنعت کا مطالعہ نہیں بلکہ ان عام اصولوں کو دریافت کرنا ہے جو کسی بھی صنعت یا کمپنی میں заастعمل ہو سکتے ہیں۔

جیسے میں اکثر کہتا ہوں، میں اس وقت اس جواب سے بہت ناراض تھا: میرے خیال میں ٹیکنالوجی کا جوہر، خاص طور پر سافٹ ویئر اور تقسیم کی صفر حدی اخراجات (اور صفر لین دین کی لاگت)، بنیادی طور پر مختلف ہے۔ فارمولے میں صفر ڈالنا اکثر سب کچھ الٹ دیتا ہے۔ لیکن میں جلد ہی سمجھ گیا کہ یہی میرا موقع تھا۔ اگریگیشن تھیوری (Aggregation Theory) کا مرکزی خیال یہ ہے کہ صفر حدی اخراجات کی وجہ سے قدرتی سلسلہ وابستگی، لوگوں کے ابتدائی انٹرنیٹ کے تصورات سے بالکل مختلف ہے — ایک ایسی دنیا میں جہاں مانگ کو کنٹرول کرنا، عرضہ کی تقسیم سے زیادہ اہم ہوتا ہے، آپ مرکزیت اور سائز میں اضافہ دیکھیں گے۔

تاہم AI کی دلچسپ بات یہ ہے کہ وہ پرانے، جامع اصول دوبارہ سامنے آ رہے ہیں۔ اس بات کا واضح ثبوت گزشتہ آخرِ ہفتہ کا تھا جب X پر Kimi K3 کے بارے میں شدید بحث ہوئی۔ Kimi K3 چین کی طرف سے جاری کیا گیا ایک اور اوپن سورس مدل ہے جس کی صلاحیتیں سب سے اگلے سطح تک پہنچ رہی ہیں۔ مختصر طور پر: حدود کی لاگت ایک بڑے طریقے سے واپس آ رہی ہے، چاہے سب سے اگلے مفت مڈلز کے مختصر مدتی اثرات کے لحاظ سے یا صنعت کی لمبی مدتی ساخت کے لحاظ سے۔

اوپن سورس وزن ماڈل کے بارے میں سب سے عام غلط فہمیوں میں سے ایک یہ ہے کہ وہ سستے ہوتے ہیں — یا بالکل مفت۔ بالکل، آپ وزن کو براہ راست ڈاؤن لوڈ کر سکتے ہیں اور اپنا اپنا ماڈل بنانے کے لیے درکار وقت، اخراجات اور صلاحیت سے بچ سکتے ہیں۔ یہ بالکل درست ہے، لیکن یہاں "مفت" کا مطلب یہ ہے کہ آپ تحقیق و ترقی (R&D) پر جو رقم خرچ کر رہے ہیں۔ تحقیق و ترقی ایک ثابت اخراج ہے جو آپ کی آمدنی سے متعلق نہیں ہے۔ اگر آپ نے تحقیق و ترقی پر ایک ملین ڈالر خرچ کیے، تو چاہے آپ کی آمدنی دس لاکھ ڈالر ہو یا ایک ارب ڈالر، آپ نے تحقیق و ترقی پر اب بھی ایک ملین ڈالر خرچ کیے ہوئے ہیں (بالکل، یہ آپ کی منافع بخشی کو متاثر کرتا ہے)۔

آمدنی سے متعلق COGS —— فروخت کی لاگت —— ہے، اور COGS AI کے لیے حقیقی ہے، جو نرم افزار صنعت کے لیے بہت عرصے سے نہیں ہوا۔ خاص طور پر، مدلز پر استدلال چلانا — چاہے Kimi ہو یا Fable — پیسہ لیتا ہے، اور AI فراہم کنندگان استدلال پر جتنے پیسے خرچ کرتے ہیں، وہ زیادہ تر کاروباری ماڈلز میں آمدنی کے ساتھ براہ راست متعلق ہوتے ہیں۔ اوپر کے مثال کو دوبارہ استعمال کرتے ہوئے، 100 ملین ڈالر آمدنی اور 100,000 ڈالر آمدنی کو پیدا کرنے کے لیے شاید 1000 گنا COGS درکار ہو۔ خاص طور پر، اگر 1 ڈالر آمدنی پیدا کرنے کے لیے ٹوکن کی لاگت 50 سینٹ ہے، تو 100 ملین ڈالر آمدنی کے لیے 50 ملین ڈالر COGS ہوں گے، جبکہ 100,000 ڈالر آمدنی کے لیے صرف 50,000 ڈالر COGS ہوں گے۔

اوپن سورس وزن ماڈل کے بارے میں اہم نکتہ یہ ہے کہ وہ مفت سروسیں نہیں ہیں۔ کیمی K3 کی لاگت ہر ملین ان پٹ ٹوکن کے لیے 3 امریکی ڈالر اور ہر ملین آؤٹ پٹ ٹوکن کے لیے 15 امریکی ڈالر ہے۔ یہ Sol کی ہر ملین ان پٹ ٹوکن کے لیے 5 امریکی ڈالر اور ہر ملین آؤٹ پٹ ٹوکن کے لیے 30 امریکی ڈالر کے مقابلے میں سستا ہے، لیکن شاید یہ صحیح پیمانہ نہیں ہے۔

نیوڈیا کے سی ای او ہوئن رینکون نے نیوڈیا کے جو کچھ بنارہے ہیں اسے "ٹوکن فیکٹری" کہا، جو نیوڈیا کے نقطہ نظر سے بہت مناسب ہے۔ نیوڈیا کے جی پی یو کسی خاص ماڈل کے لیے نہیں ہیں: وہ ٹوکنز پیدا کرتے ہیں اور اسے سب سے تیز اور سب سے زیادہ موثر طریقے سے کرتے ہیں۔ اس سے ایسے پیمانے جیسے ٹوکن فی سیکنڈ، پہلا ٹوکن وقت، ہر واٹ پر ٹوکن، اور ٹوکن کی لاگت وغیرہ وجود میں آئے، جن پر ہوئن رینکون کا خیال ہے کہ یہ فیصلوں کا بنیادی اساس بنیں گے۔

یہ فریم ورک AI کے پہلے پیرادائم — ChatGPT کے دور — میں حقیقت میں معنی رکھتا تھا، جب ٹوکن فوری طور پر آخری صارفین کو فراہم کیے جاتے تھے۔ تاہم، AI کے دوسرے پیرادائم، یعنی استدلال کے دور، نے اس طریقہ کار کو الٹ دیا۔ استدلال کا مطلب ہے کہ سوچ کے سلسلے کے ٹوکن میں دھماکہ ہوا ہے، اور مختلف ماڈلز کو صحیح جواب حاصل کرنے کے لیے مختلف مقدار میں استدلال ٹوکن درکار ہوتے ہیں۔ مثلاً، بتایا گیا ہے کہ Kimi استعمال کیے جانے والے ٹوکن کی تعداد Sol سے واضح طور پر زیادہ ہے، جس سے اس کی قیمت کی فائدہ مندی ختم ہو جاتی ہے۔ ایجنٹ نے بھی اسی قسم کا ڈائنامکس پیدا کیا: کچھ ماڈلز ایجنٹ ورک فلو کو انجام دینے کے لیے درکار ٹوکن کی تعداد میں زیادہ موثر ہوتے ہیں۔

اس کا مطلب یہ ہے کہ ٹوکن مال نہیں ہیں۔ مال کی تعریفی خصوصیت یہ ہے کہ وہ قابل تبادلہ ہوتا ہے: ایک گیلن تیل ایک گیلن تیل ہوتا ہے، ایک ٹن تانبا ایک ٹن تانبا ہوتا ہے، ایک بشرل وھیٹ ایک بشرل وھیٹ ہوتا ہے۔ لیکن ایک ماڈل کا ٹوکن دوسرے ماڈل کے ٹوکن سے مختلف ہوتا ہے۔ قابل تبادلہ چیز وہ چیز ہے جو ٹوکن سے بنائی جاتی ہے، یعنی ذہانت۔ دوسرے الفاظ میں، اگر کیمی اور سول دونوں نے صحیح جواب دیا، تو وہ جواب قابل تبادلہ ہے۔ صحیح جواب پیدا کرنے کے لیے درکار ٹوکن کے فرق سے COGS میں فرق آتا ہے۔

بہترین COGS مختلف عوامل کا فنکشن ہے:

ماڈل کی جگہ کا استعمال: وزن اور رن ٹائم اسٹیٹس ہر سروس کا نسخہ ہوسٹ کرنے کے لیے کتنی مہنگی میموری اور کتنے ایکسلریٹرز کی ضرورت ہوتی ہے، یہ طے کرتے ہیں۔

انفرادی جنریٹ کردہ ٹوکن کے لیے کمپوٹیشن کو کم کرنے کے لیے آرکیٹیکچر کا انتخاب (جیسے مکسڈ اسپرٹ ماڈل)

میموری کی کارکردگی: آرکیٹیکچر کا انتخاب KV کیش کی ضرورت کو کم کر سکتا ہے، جس سے زیادہ ایک ساتھ درخواستیں اور بہتر GPU استعمال ممکن ہوتا ہے

سروس کی کارکردگی: بیچ پردازش، شیڈولنگ، پریفکس کیش اور دیگر استنباطی بہتریاں استعمال کو زیادہ سے زیادہ کرتی ہیں اور درخواستوں کے درمیان کام کو شیئر کرتی ہیں

ٹوکن کی کارکردگی: درست جواب حاصل کرنے کے لیے جتنا کم ٹوکن استعمال ہو، اُتنا ہی کم استدلال کا خرچ ہوگا

یہ بہت اہم ہے، کیونکہ ہم ایک ایسی حالت کی طرف تیزی سے بڑھ رہے ہیں جہاں بہت سے مالی طور پر فائدہ مند کاموں کے لیے، ذہانت ایک کمودٹی بن چکی ہے۔ مثال کے طور پر، کوئی بھی بنیادی CRUD ایپلیکیشن بنانے کے لیے متعدد فراہم کنندگان کے ماڈلز استعمال کر سکتا ہے۔ اور کمودٹی مارکیٹ میں، منافع کا راستہ زیادہ قیمت لگانے سے نہیں ہے—آپ (یا جلد ہی) متعدد ماڈلز کا استعمال کرکے بالکل ایک جیسی ایپلیکیشن بناسکتے ہیں—بلکہ بہتر لاگت کے ساخت رکھنے سے ہے۔

یہاں مکانیزم کو سمجھنا ضروری ہے، کیونکہ جیسا کہ میں نے کچھ ماہ پہلے "امیزون کی استحکام" میں اشارہ کیا تھا، مال کے مارکیٹ کے ڈائنانامکس ٹیک صنعت کے لوگوں کے لیے عام طور پر جانے جانے والے نہیں ہیں:

کمرشل مارکیٹ میں، ہر کوئی ایک ہی قیمت ادا کرتا ہے کیونکہ ہر کوئی ایک جیسا سامان بیچ رہا ہوتا ہے۔ یہ قیمت مانگ اور پیشکش کے ذریعے طے ہوتی ہے۔

مصنوعات کی مانگ قیمت کی لچک کا فنکشن ہے: جتنا سستا مصنوعہ، اتنا زیادہ مانگ، اور اس کے برعکس

کمودٹی کی فراہمی، کمودٹی کے حدی اخراجات کا فنکشن ہے

یہ سمجھنا اہم ہے کہ مختلف فراہم کنندگان کے پاس مال کی حدی تکلیف مختلف ہوتی ہے۔ عملی طور پر، اس کا مطلب یہ ہے کہ سب سے بدترین لاگت ساخت والے فراہم کنندہ اپنی حدی تکلیف پر مال بیچ دیتے ہیں (اگر وہ اب بھی پیدا کر سکتے ہیں)۔ باقی تمام کے منافع ان کی لاگت ساخت اور حدی فراہم کنندہ کے درمیان فرق پر منحصر ہوتے ہیں۔

ایک مثال کے طور پر:

فراہم کنندہ A 10 اکائیاں کی پیداوار 10 امریکی ڈالر فی اکائی کی لاگت سے کر سکتا ہے

فنکشنر B 10 یونٹ مال کو ہر یونٹ 15 امریکی ڈالر کی لاگت پر پیدا کر سکتا ہے

فراہم کنندہ C 20 ڈالر فی اکائی کی لاگت سے 10 اکائیاں پیدا کر سکتا ہے

فرض کریں کہ قیمت کی لچک کی وجہ سے 20 امریکی ڈالر پر 25 اکائیوں کی مانگ ہے۔ اس کا مطلب ہے:

فراہم کنندہ A 10 اکائیاں کو 20 امریکی ڈالر میں فروخت کرے گا، جس سے ہر اکائی پر 10 امریکی ڈالر کا فائدہ ہوگا

فراہم کنندہ B 10 اکائیاں کو 20 امریکی ڈالر میں فروخت کرے گا، جس سے ہر اکائی پر 5 امریکی ڈالر کا فائدہ ہوگا

فراہم کنندہ C 5 اکائیں 20 امریکی ڈالر میں فروخت کرے گا، جس سے ہر اکائی پر 0 امریکی ڈالر کا فائدہ ہوگا

یہ بالکل درست نہیں ہے: سپلائر C کی کمی کا سبب یہ ہے کہ سپلائر A اور B اپنی قیمتیں تھوڑی سی کم کر سکتے ہیں، جو بالکل طلب (لچکدار) کو متاثر کرتا ہے، لیکن یہ مسئلہ کو ظاہر کرتا ہے۔ سپلائر A کو بہت اچھا کاروبار ہے، سپلائر B کو اچھا کاروبار ہے، اور سپلائر C کے لیے بینکروپٹسی کا خطرہ ہے۔

بے نصیبی کا خطرہ وہ جگہ ہے جہاں ثابت لاگت دوبارہ سامنے آتی ہے: فراہم کنندہ C کے پاس ثابت لاگتیں (جیسے ممکنہ ریسرچ اور ڈویلپمنٹ خرچ) ہوسکتی ہیں، اور وہ مصنوعات کی پیداوار کے لیے درکار اوزار کی فنانس کے لیے قرض بھی لے سکتا ہے۔ وہ اپنی مصنوعات کی قیمت اس لاگت پر تعین نہیں کر سکتا — یاد رکھیں، مارکیٹ کلیرنگ قیمت وہ حد تک ہوتی ہے جہاں مانگ کو پورا کرنے کے لیے ضروری اعلیٰ حد کی حدی لاگت کے برابر ہوتی ہے — لیکن یہ لاگتیں فراہم کنندہ کو مارکیٹ سے باہر دھکیل سکتی ہیں۔ اگر فراہم کنندہ غیر فعال ہو جائے، تو قیمتیں بڑھ جائیں گی، جب تک کہ کوئی دوسرا فراہم کنندہ داخل ہونے کا فیصلہ نہ کرے (یا دوسرے فراہم کنندگان کا توسیع نہ کرنا)۔

آئیے مدل پر واپس آتے ہیں۔ اب، اوپر کی تمام تجزیات لاگو نہیں ہوتیں، کیونکہ فرانت لائن مدلز کی مانگ عرضی سے زیادہ ہے، اور عرضی کمپوٹنگ پاور کی کمی کی وجہ سے محدود ہے۔ اس کمپوٹنگ پاور کی کمی نہ صرف اس بات کا مطلب ہے کہ نوڈیا جیسے کمپوٹنگ پاور فراہم کنندگان بہت اعلی منافع کی شرح حاصل کر سکتے ہیں، بلکہ یہ بھی کہ نوڈیا کے صارفین، جیسے اسپیس ایکس AI، بھی انتھروپک جیسی کمپنیوں کو کمپوٹنگ پاور کو اعلی منافع کی شرح سے دوبارہ فروخت کر سکتے ہیں۔ اس کے علاوہ، انتھروپک اضافی قیمت ادا کر سکتا ہے، کیونکہ وہ ٹوکنز کو مزید اعلی اضافی قیمت پر فروخت کر سکتا ہے۔

تاہم، زیادہ تقاضا کے علاوہ، Anthropic کو بڑی منافع کی شرح حاصل ہوئی ہے: Anthropic اور OpenAI کے پاس ماڈل کی صلاحیت، سروس کے سائز اور ٹوکن کی کارکردگی کی وجہ سے سب سے کم اگلی سطح کی ذہانت کی ایکائی لاگت ہو سکتی ہے۔ وہ اپنے مقابلہ کرنے والوں سے کئی ماہ اگے ہو کر خاص صلاحیت کے سطح کے ماڈلز کی خدمات فراہم کرتے ہیں، جبکہ بہترین ماڈلز کو ان لاگتوں کو بہتر بنانے کے لیے استعمال کرتے ہیں۔

یہ بھی قابل ذکر ہے کہ بازار اب تک "بُدھ" کو ایک مال کے طور پر نہیں سمجھ رہا: مانگ خاص طور پر Anthropic اور OpenAI کے لیے ہے، جبکہ کم بہترین ماڈلز کی مانگ کافی کم ہے (اس لیے SpaceXAI اور Meta اپنا پیداواری صلاحیت Anthropic کو بیچ رہے ہیں)۔ لاگت کو بہتر بنانے کے لیے ایک طریقہ یہ سوچنا ہے کہ یہ "بُدھ" کے سطح کے مطابق مکمل کرنے والے کام کا فنکشن ہے، جس سے بُدھ خریدار ایک�سی بازار بناسکتے ہیں جہاں بُدھ ایک مال کے طور پر تبدیل ہو جائے۔ تاہم، لمبے عرصے میں، جو بھی سب سے آگے ہوگا، وہ غیر سب سے آگے والے بازاروں پر سب سے زیادہ قابض ہوگا، جو صرف سب سے آگے والے ماڈلز کے چند ماہ پیچھے ہوتے ہیں، جن ماڈلز کے مصنوعین نے اپنی خدمات کی لاگت کو بہتر بنانے پر توجہ دی ہوئی ہے۔

یہ سب یہ کہنا ہے کہ میں سمجھتا ہوں کہ کیمی اور چینی ماڈلز کے بارے میں عام رد عمل کافی زیادہ ہے، کم از کم مالیاتی نقطہ نظر سے۔ اب ایک قیمت کا تحفظ ہے، جو کمپوٹیشنل پاور کی کمی کا نتیجہ ہے۔ میں شدید شک کے ساتھ سوچتا ہوں کہ کیا چینی ماڈلز حدی تک لائٹ فراہم کرنے میں زیادہ سستے ہیں، وہ صرف اس لیے سستے لگ رہے ہیں کہ Anthropic اور OpenAI کی فراہمی اتنی محدود ہے کہ وہ وہ قیمتیں لگا رہے ہیں جو اگر ذہانت کی مانگ کو پورا کرنے کے لیے کافی فراہمی ہوتی تو وہ نہیں لگاتے۔

تو، ماڈل کے پیداکار کیوں چینی ماڈلز کے لیے اتنے خوفزدہ لگ رہے ہیں؟

سب سے پہلے، میں سمجھتا ہوں کہ فرنتیر لیب ایک ایسی دنیا میں انکا بندھا ہوا ہے جہاں تربیت کی لاگت اس کے مالی ماڈل کا مرکزی عنصر ہے۔ جب تک تربیت کے لیے استعمال ہونے والے GPU، استنباط سے زیادہ ہوتے ہیں، تو اگلی تربیت کے عمل کو فنڈ کرنے کے لیے استنباط کی آمدنی کو زیادہ سے زیادہ کرنا اہم ہے، جس کا مطلب ہے کہ استنباط پر بہت زیادہ قیمت لگائی جائے۔

تاہم، مستقبل کے لیے، میں یہ توقع کرتا ہوں کہ استدلال مارکیٹ کی نمو، تربیت کے اخراجات (جو یہ فرض کرتے ہوئے کہ تربیت کے اخراجات جاری رہیں گے) کے مقابلے میں بہت زیادہ تیز ہوگی، جس کا مطلب ہے کہ وہ حقیقت میں مقدار سے کمی کو پورا کر سکتے ہیں۔ آٹھ ماہ پہلے تک، یہ واضح نہیں تھا کہ یہ حقیقت بنے گا، لیکن ایجنٹ پیرادائم کا انکشاف اتنی بڑی بات ہے کہ اگلے لیبز کو یقین ہونا چاہیے کہ وہ نہ صرف کم قیمت پر قائم رہ سکتے ہیں بلکہ (جب تک ان کے پاس کافی کمپوٹنگ پاور ہو) خوشحال بھی ہو سکتے ہیں۔

دوسرا، ذکاوت ایک مکمل طور پر متبادل مال نہیں ہے، جس کا ایک حصہ یہ ہے کہ ذکاوت کا استعمال خود کو زیادہ ذکاوت بنا دیتا ہے۔ خاص طور پر، جو بھی استدلال چلا رہا ہے، وہ ڈیٹا جمع کر رہا ہے، اور یہ ڈیٹا اگلے ایٹریشن کے ماڈل کو بہتر بنانے کے لیے استعمال ہوتا ہے۔ ایک طرف، یہی وجہ ہے کہ سامنے والے لیبز زیادہ کمپوٹنگ طاقت کے ساتھ قیمتیں کم کرنے اور استعمال بڑھانے کے لیے تیار ہیں۔ دوسری طرف، یہی وجہ ہے کہ مائیکروسافٹ جیسی کمپنیاں اب کمپنیوں کو اپنے اپنے ماڈل چلانے میں مدد کرنے پر زور دے رہی ہیں۔ اگر چینی ماڈل قابل عمل متبادل ہیں، تو یہ مزید قابل عمل ہو جاتا ہے۔

تیسری بات، فرانت لیب صرف چینی ماڈلز سے الگ ہونے کے بجائے، کسٹمر ایکسپیرینس میں اوپر کی طرف ادھر چڑھنے کے ذریعے ایک دوسرے سے بھی الگ ہو سکتے ہیں۔ کلوڈ کوڈ اور کوڈیک ثابت ہوئے ہیں کہ بہت زیادہ لگاوٹ والے ہیں، جو حیرت انگیز بات ہے۔ جو بھی ٹول آپ شروع کرتے ہیں، وہی اکثر آپ کا مستقل ٹول بن جائے گا، خاص طور پر غیر ٹیکنیکل صارفین کے لیے۔ لمبے مدتی طور پر، اس اوپر کی طرف حرکت کی ضرورت کا مطلب یہ ہے کہ فرانت لیب بالکل سافٹ ویئر فراہم کنندگان، بشمول مائیکروسافٹ، کے لیے خطرہ ہیں۔ دوسری طرف، جتنا زیادہ موجودہ کسٹمر ایکسپیرینس والے سافٹ ویئر کمپنیاں مقابلہ کے قابل ماڈل حاصل کر سکتی ہیں، اتنا ہی زیادہ وہ فرانت لیب کے حملے کا مقابلہ کر سکتی ہیں۔

آخر میں، Anthropic کا ایدیولوجیک نقطہ نظر خاص طور پر نظر انداز نہیں کیا جا سکتا۔ یہ ایک ایسی کمپنی ہے جو یہ مانتی ہے کہ صرف اسے ہی AI پر بھروسہ کیا جا سکتا ہے، اور اوپن سورس وزن کے متبادل کا وجود اس فرضیہ کے لیے مہلک چوٹ ہے۔

کیمی صرف نئے چینی ماڈل نہیں ہے۔ بلومبرگ کی رپورٹ کے مطابق:

الibaba گروپ ہولڈنگز لیمیٹڈ کے شیئرز کے منگل کے روز 5.4 فیصد بڑھ گئے، کیونکہ کمپنی نے اپنے فلگشپ Qwen3.8 Max ماڈل کا پیش خدمت ورژن جاری کیا، جسے اینتھرپک کے Fable 5 کے بعد دوسرا سب سے بہترین قرار دیا گیا۔ یہ اتوار کو جاری کیا گیا، جو اسٹارٹ اپ مونث آف دا سائیڈ نے صرف کچھ دن پہلے طاقتور نئی مصنوعات متعارف کرائے جانے کے بعد تھا، جس نے بازار میں ہلچل مچائی اور امریکہ میں چین کو اینتھرپک اور OpenAI جیسے عالمی لیڈرز کے درمیان فرق کم کرنے کی فکر پیدا کردی۔ Qwen3.8 Max میں 2.4 ٹریلین پیرامیٹرز ہیں، جو مونث آف دا سائیڈ کے Kimi K3 کے ساتھ وزنی شریک بن گئے۔ K3 میں 2.8 ٹریلین پیرامیٹرز ہیں، جو بہترین مصنوعات کے برابر ہیں، اور الibaba نے بھی اسی اونچے معیار کو ہدف بنایا ہے۔

اب ترقی دہندگان الی بابا کے کوڈنگ پلیٹ فارم (شامل Qoder) کے ذریعے Qwen3.8 Max تک رسائی حاصل کر سکتے ہیں۔ الی بابا جلد ہی اس ماڈل کے وزن کو اوپن سورس کرنے کا منصوبہ رکھتا ہے اور رسائی کو صرف پریویو ورژن تک محدود نہیں رکھے گا۔ چینی تخلیق کردہ ای آئی سسٹمز اور ماڈلز کے لیے اتنی زبردست دلچسپی ہے کہ مہینے کے اندھیرے نے زبردست تقاضوں کے باعث رات کو پیر کو نئے سبسکرپشنز قبول کرنا بند کر دیا۔

الی بابا گروپ ہولڈنگز لیمیٹڈ کے شیئرز کے منگل کے روز 5.4 فیصد تک بڑھ گئے، جبکہ کمپنی نے اپنے سب سے اہم Qwen3.8 Max ماڈل کا پیش خدمت ورژن جاری کیا اور اسے Anthropic PBC کے Fable 5 کے بعد دوسرا سب سے بہترین ماڈل قرار دیا۔ یہ اتوار کو جاری کیا گیا تھا، جو Moonshot AI کے طاقتور نئے مصنوعات کے کچھ دن بعد تھا، جس نے مارکیٹ کو ہلا دیا اور امریکہ میں چین کے Anthropic اور OpenAI جیسے عالمی لیڈرز کے پیچھے پہنچنے کی صلاحیت کے بارے میں فکر پیدا کردی۔ Qwen3.8 Max میں 2.4 ٹرین فیمل پیرامیٹرز ہیں، جو Moonshot کے Kimi K3 کے ساتھ وزنی شریک بن گئے ہیں۔ K3 میں 2.8 ٹرین فیمل پیرامیٹرز ہیں، جو بہترین مصنوعات کے برابر ہیں، اور الی بابا نے بھی اسی بلند مقصد کو حاصل کرنے کا عزم رکھا ہے۔

اب ترقی دہندگان Qwen3.8 Max تک رسائی رکھ سکتے ہیں، جس میں Qoder بھی شامل ہے۔ الی بابا اس ماڈل کے وزن کو جلد ہی کھولنے کا منصوبہ رکھتا ہے تاکہ رسائی صرف پیش نظارہ ورژن تک محدود نہ رہے۔ چینی تیار کردہ ای آئی سسٹمز اور ماڈلز کی اتنی زیادہ مانگ ہے کہ Moonshot نے زبردست مانگ کے پیش نظر رات کو نئے سبسکرپشنز کو قبول کرنا بند کر دیا۔

Qwen3.8 Max کے وزن کو کھولنے کا حقیقت قابل توجہ ہے۔ علی بابا نے اس سال کے شروع میں اپنے اگلے ماڈلز کے وزن جاری کرنا بند کر دیا تھا، لیکن اب یہ فیصلہ بدل دیا گیا ہے؛ میں شک کرتا ہوں کہ یہ تبدیلی گزشتہ ہفتے کے جی چی کے AI کے بارے میں تقریر سے متعلق ہے، جس نے وزن کھولنے کے طریقے پر زور دیا ہے:

ہمیں کھلے اور باہمی فائدہ کے اصول پر قائم رہنا چاہیے اور نوآوری پر مبنی ترقی کو فروغ دینا چاہیے۔ عالمی معاشی نمو کے نئے انجن اور ترقی کی گتی تبدیلی کے تیز کرنے والے کے طور پر، مصنوعی ذہانت ڈیجیٹل دنیا سے فزیکل دنیا کی طرف بڑھ رہی ہے۔ ہمیں اس نایاب تاریخی موقع کو حاصل کرنا چاہیے، اوپن سورس، کھلائی، تعاون اور شیئرنگ کو فروغ دینا چاہیے۔ ہمیں مصنوعی ذہانت کی ٹیکنالوجی کی نوآوری، صنعتی ترقی اور منظر نامہ کے مطابق استعمال کو فروغ دینا چاہیے۔ ہمیں روایتی صنعتوں کے تبدیلی اور ترقی، نئی صنعتوں کے پروان چڑھنے اور مستقبل کی صنعتوں کے لئے پہلے سے منصوبہ بندی کو مربوط طریقے سے آگے بڑھانا چاہیے، تاکہ تمام صنعتیں مصنوعی ذہانت سے فائدہ اٹھا سکیں۔

چین کی حکمت عملی واضح ہے: اپنے مکمل کرنے والے مال کو معمولی بنائیں۔ توجہ دیں کہ شی جین پنگ نے صرف اور AI کو "ڈیجیٹل دنیا سے فزیکل دنیا" تک جانے سے منسلک کیا ہے؛ فزیکل دنیا وہ ہے جس پر چین کا قبضہ ہے، اور چین کی روبوٹکس سمیت دیگر شعبوں میں قیادت، عام طور پر دستیاب AI ماڈلز سے بہت زیادہ فائدہ اٹھائے گی۔

اسی طرح، چین چاہتا ہے کہ امریکہ AI میں غیر متوازن فائدہ حاصل نہ کرے؛ اگر چین امریکہ کے سرحدی لیبز کو کمزور کرنے کے ساتھ ساتھ کسی بھی اور تمام ممکنہ امریکہ کے حریفوں کو مضبوط بنائے، تو بہتر ہوگا، اور یہ اسے کھلے生态系统 پر منحصر نوآوریوں سے فائدہ اٹھانے کا موقع ملے گا۔

اسی طرح، چین کے لیے فرانت لیبز پر ڈسٹلیشن حملوں کے خلاف کوئی اقدامات کرنے کی امید نہ کریں۔ میں چینی لیبز کی تمام کامیابیوں کو ڈسٹلیشن کا شکریہ دینا غلط سمجھتا ہوں، لیکن یہ بھی غلط ہے کہ ڈسٹلیشن نے چینی لیبز کو بہت بڑا فائدہ نہیں دیا۔ یہ فائدہ پچھلے سال سے واضح ہوا ہے، جب تربیت کے بعد تقویت سیکھنے نے ماڈل کی کارکردگی کے لیے اہمیت حاصل کر لی۔ چینی لیبز کو تقویت سیکھنے کے ماحول کو شروع سے تعمیر کرنے کی ضرورت نہیں، بلکہ وہ صرف فرانت لیبز کے ماڈلز کو استاد کے طور پر استعمال کرکے بہت کم لاگت پر تیزی سے بہتری حاصل کر سکتے ہیں (یہ چینی ماڈل ترقی کی لاگت کم ہونے کا واحد سبب نہیں ہے، لیکن اس کا ایک اہم سبب ہے)۔

د цیک، چینی ماڈلز کا مغرب میں سب سے اہم استعمال خود ڈسٹلیشن ہے۔ مثال کے طور پر، جس نے حال ہی میں اوپن ویٹس ماڈل جاری کیا ہے، Thinking Machines، ری انفورسمنٹ لرننگ کے کول اسٹارٹ مسئلے کو حل کرنے کے لیے چینی ماڈلز پر انحصار کرتا ہے۔ ڈین مائیئر اور کونسٹنٹائن بولر نے X پر ایک عالی شان مضمون لکھا ہے جس میں یہ واضح کیا گیا ہے کہ ڈسٹلیشن کا مطلب یہ ہے کہ مغربی اوپن ویٹس ماڈلز چین کے مقابلے میں بنیادی طور پر ناکام ہیں:

ڈسٹلیشن صرف چین کی کھلے ماڈلز میں اپنی مکمل قیادت کی وضاحت نہیں کرتی۔ چینی لیبز میں عالمی سطح کے تحقیقی ماہرین، بہت زیادہ کمپوٹیشنل طاقت، مضبوط پر-ٹرینڈ ماڈلز، سافٹ ویئر اور ہارڈ ویئر کا ہم آہنگ ڈیزائن، اور تیزی سے بہتر ہونے والی ٹریننگ کے بعد کی صلاحیتیں موجود ہیں۔ لیکن ڈسٹلیشن مضبوط بنیاد اور قریب ترین سامنے والے سسٹم کے درمیان مہنگے آخری فرق کو کم کرتی ہے۔ چاہے ڈسٹلیشن چینی ماڈلز کی کل صلاحیت میں چھوٹا حصہ رکھتی ہو، اس کا امریکن کھلے ماڈلز کے مقابلے میں چین کے نسبتی فرق میں اہم حصہ ہے۔

نئے انجفورسمنٹ میکنزم سے بڑے پیمانے پر ڈسٹلیشن کو چینی کمپنیوں کے لیے مشکل، سستا اور مہنگا بنائے گا۔ تاہم، انجفورسمنٹ قومی کرداروں کی حمایت کرنے والی ڈسٹلیشن کو ختم نہیں کر سکتا۔ اس لیے، مغرب کی ہر نئی ترقی چینی لیبز کے لیے ایک اور استاد بن جاتی ہے۔ مغربی بنانے والوں کو ان صلاحیتوں کو الگ سے دہرانا ہوگا، یا چینی ماڈل سے سیکھنے کا انتظار کرنا ہوگا۔ یہ فرق چینی لیبز کو مغربی کمپنیوں کے مقابلے میں دہرائے جانے والی ساختی فائدہ فراہم کرتا ہے۔

یہ بات دوبارہ کہنے کے قابل ہے: کیونکہ امریکی اوپن ویٹ ماڈل بنانے والے کو فرانتیئر لیب کے سروس کے شرائط پر عمل کرنا پڑتا ہے، وہ (1) چینی متبادل سے کم مؤثر ہیں، (2) آخرکار وہ صرف چینی لیب سے گزر کر ڈسٹلیٹڈ چیزیں ہی بناتے ہیں۔ اگر مغربی اوپن ویٹ ماڈل بنانے والے بدون واسطہ سرچشمہ سے حاصل کر سکتے تو کیا بہتر نہیں ہوگا؟

اس کے لیے، تخلیص کے اردگرد ایک اور دلچسپ سوال یہ ہے: اس کی بنیادی طور پر کیوں برا ہے؟ بالآخر، بڑے زبانی ماڈل صرف کھلے انٹرنیٹ پر موجود تمام علم کا تخلیص نہیں ہیں، جو سرحدی لیبز کی طرف سے جمع کیے جاتے ہیں اور تخلیص کیے جانے والے ماڈل میں تبدیل کیے جاتے ہیں؟ یہاں کس کو نقصان پہنچ رہا ہے؟

در حقیقت، یہ تضاد خود ہی حل ہے۔ میں ایمان رکھتا ہوں کہ کھلے وزن والے ماڈلز نوآوری کے لیے فائدہ مند ہیں (اور، اوپر کے مطابق، میں سمجھتا ہوں کہ سرحدی لیبز ٹھیک رہیں گی)، لیکن چین پر انحصار کرنا ایک مسئلہ ہے۔ امریکہ کو ایک قانون منظور کرنا چاہیے جو (1) ماڈلز کے تربیت کے لیے ڈیٹا جمع کرنے کو مناسب استعمال قرار دے، اور (2) امریکی کمپنیوں کے لیے کم از کم "ڈسٹلیشن" کے شروطِ استعمال پر پابندی لگائے۔ "ڈسٹلیشن" روکنا—جو دراصل API کو کوئری کرنا ہے—تقریباً ناممکن ہے؛ امریکہ کو ایک دوسری راہ اختیار کرنی چاہیے جو نئے کاپی رائٹ پالیسی کی طرف راغب کرے، جو لیبز کا تحفظ کرے اور یقینی بنائے کہ وہ جو سیکھتے ہیں، وہ دوسروں کی مزید نوآوری کے لیے رہنما بنے۔

پورا مضمون کیمی K3 اور چینی کھلے وزن ماڈلز کے لیے زیادہ پریشانی کو ختم کر رہا ہے؛ تاہم، ایک فکر کا سبب ہے، وہ ہے سائبر سیکیورٹی۔ دی اسٹیک کی کہانی پر غور کریں:

ہگنگ فیس نے کہا کہ اس کی پیداواری بنیادی ڈھانچہ پچھلے ہفتے کے شروع میں "خود مختار" AI ایجینٹ سسٹم کے ذریعے حملے کا شکار ہوا۔ اس پلیٹ فارم کی سیکورٹی ٹیم نے ابتدائی طور پر نامعلوم امریکی LLM ایڈوانسڈ ماڈل کے گارڈ ریلز کی وجہ سے واقعہ کے جواب (IR) میں رکاوٹ کا سامنا کیا، "انہوں نے واقعہ کے جواب دینے والوں اور حملہ آوروں میں فرق نہیں کیا،" انہوں نے کہا۔ اس لیے ہگنگ فیس کے دفاعی افراد نے چین کے Z.ai لیب سے ماخوذ اوپن سورس GLM 5.2 ماڈل کا استعمال کیا — اپنی اپنی بنیادی ڈھانچہ پر اسے چلا کر حملہ آور کے چھوڑے گئے 17,000 سے زائد لاگ یا نشانات کا تجزیہ کیا۔

نیویارک میں واقع ہگنگ فیس کے لیے یہ ایک دلچسپ علیحدہ تسلیم ہے، جس نے صارفین کو ماڈلز، ڈیٹا سیٹس اور ایپلیکیشنز پر تعاون کرنے کی اجازت دی اور اس سال گرما کے موسم میں 100 ملین ڈالر کے ARR کا علامتی نقطہ حاصل کیا۔ ایک واقعہ رپورٹ میں، کمپنی نے دفاعی فریق کو مشورہ دیا کہ وہ "واقعہ سے پہلے ایک صلاحیت مند ماڈل تیار رکھیں جو اپنے انفراسٹرکچر پر چل سکے [ہمارا اٹالک]، تاکہ گارڈ ریلز کو بچایا جا سکے اور حملہ آور کے ڈیٹا اور اعتماد کارڈوں کو آپ کے ماحول سے باہر نکلنے سے روکا جا سکے۔"

ٹرمپ حکومت کی اینتھروپک کے فیبل جاری کرنے پر جو خوف کی رد عمل تھی، اس کی غلطی کو نہیں بڑھایا جا سکتا، خاص طور پر کیونکہ یہ اینتھروپک کے بدترین رجحانات کو مزید تقویت دیتا ہے، یعنی صرف انہیں ہی طاقتور AI کے استعمال پر بھروسہ کیا جا سکتا ہے۔ ایک ایسی دنیا میں جہاں صرف ایک AI ہو، سب سے طاقتور سائبر سیکورٹی صلاحیتیں صرف امریکی حکومت اور قابل اعتماد متحدہ ممالک کے لیے محفوظ رکھنا منطقی ہو سکتا ہے؛ لیکن ہم جس دنیا میں رہ رہے ہیں، وہ ایسی دنیا نہیں ہے۔

موجودہ بنیادی ڈھانچے کے خلاف سائبر سیکیورٹی حملوں کو کرنے کے لیے مکمل طور پر صلاحیت رکھنے والے ماڈل پہلے سے موجود ہیں اور یہ ماڈل — ابھی — عام طور پر دستیاب ہوں گے۔ بہترین دفاع — حقیقت میں واحد عملی دفاع — یہ ہوگا کہ دفاعی افراد کو بھی بہترین ماڈل فراہم کیے جائیں۔ اب، ٹرمپ حکومت کے حکم کی وجہ سے، دفاعی افراد کو سائبر سیکیورٹی کے لیے Fable یا Sol استعمال کرنے سے منع کر دیا گیا ہے؛ جس کا مطلب ہے کہ بہترین متبادل اس ملک کے ماڈلز کا استعمال ہوگا جو سالوں سے ہماری نیٹ ورک دفاع کو کمزور کرنے کی کوشش کر رہا ہے۔ یہ بہت پاگلپن ہے!

بہتر یہ ہوگا کہ واضح طور پر کہا جائے: پہلے، فیبل اور سول کے سائبر سیکیورٹی پر پابندیوں کو ختم کریں، اور دوسرے، امریکی کھلے وزن ماڈل بنانے والوں کو چین کے ساتھ برابر مقابلے کا ماحول فراہم کریں۔ ہاں، فرانتیر لیبز چیخ پڑیں گے، لیکن حکومت کو اس بات کا احساس ہونا چاہیے کہ ان کی ہسٹیریا پر عمل کرنے سے امریکہ ایسی صورتحال میں پہنچ گیا ہے جہاں امریکی کمپنیاں دفاع کے لیے چین پر منحصر ہیں۔ فرانتیر لیبز کو بہتر کام کرکے جیتنا چاہیے؛ انہیں حفاظت یا تحفظ کی تعریف نہیں کرنی چاہیے، اور نہ ہی انہیں انسانی جمعی علم کی سیڑھی کو اٹھا کر گرانا چاہیے۔ چین کے ساتھ مقابلہ کرنا پہلے ہی کافی مشکل ہے؛ کھلے اور نوآورانہ پہلو کو اپنا لینا ہمارا سب سے بڑا فائدہ چھوڑ دینا ہے۔