২০২৬ সালের জুনের মাঝামাঝি সময়ের পরিসংখ্যান প্রকাশিত হয়েছে এবং তা একটি সুস্পষ্ট চিত্র তুলে ধরছে। চীনা AI মডেলগুলো টানা দশ সপ্তাহ ধরে টোকেন ভলিউমের ক্ষেত্রে বিশ্বজুড়ে শীর্ষস্থান দখল করে রেখেছে। এটি কোনো একটি একক বেঞ্চমার্ক থেকে পাওয়া ক্ষণস্থায়ী শিরোনাম বা কোনো একটি ভাইরাল রিলিজের সাথে যুক্ত সাময়িক বৃদ্ধি নয়। এটি একটি দীর্ঘস্থায়ী, সপ্তাহব্যাপী প্যাটার্ন যা প্রকাশ করে দিচ্ছে যে কৃত্রিম বুদ্ধিমত্তার প্রকৃত কাজগুলো আসলে কোথায় সম্পন্ন হচ্ছে।
বিশ্বব্যাপী প্রতি সপ্তাহের মোট ৪৬.৭ ট্রিলিয়ন টোকেনের মধ্যে চীনা মডেলগুলো ১৮.৮১ ট্রিলিয়ন প্রসেস করেছে। আমেরিকান মডেলগুলো ৫.৭৬ ট্রিলিয়ন টোকেন হ্যান্ডেল করেছে। এর মানে হলো চীনের অংশ ৪৬% এবং মার্কিন যুক্তরাষ্ট্রের অংশ ১৩%। টোকেন ভলিউম হলো বাস্তব ক্ষেত্রে AI গ্রহণের সবচেয়ে সুনির্দিষ্ট মাপকাঠি। প্রতিটি টোকেন কম্পিউটেশনাল শ্রমের একটি বাস্তব একককে নির্দেশ করে—যেমন একটি কোড লাইন রিভিউ করা, গ্রাহকের প্রশ্নের উত্তর দেওয়া, কোনো নথির সারসংক্ষেপ তৈরি করা, কোনো ছবি বর্ণনা করা বা একটি রিজনিং চেইন (reasoning chain) কার্যকর করা। যখন বিশ্বের প্রায় অর্ধেক AI শ্রম চীনের তৈরি মডেলগুলোর মাধ্যমে পরিচালিত হচ্ছে, তখন আমরা বিশ্বব্যাপী AI অর্থনীতির একটি মৌলিক পুনর্বণ্টন দেখতে পাচ্ছি।
এন্টারপ্রাইজ মাইগ্রেশন বা প্রাতিষ্ঠানিক স্থানান্তর দ্রুত ঘটেছে
আমেরিকান কোম্পানিগুলোর অভ্যন্তরে এই পরিবর্তনটি অত্যন্ত আকস্মিক ছিল। মার্কিন এন্টারপ্রাইজগুলোর মধ্যে চীনা মডেলের টোকেন ব্যবহারের হার ২০২৫ সালের ৪.৫% থেকে বেড়ে ২০২৬ সালে ৪৬% হয়েছে। ২০২৬ সালের ফেব্রুয়ারি থেকে এই অংশটি ৩০%-এর উপরে রয়েছে। এই দুটি তথ্য একত্রে একটি স্পষ্ট গল্প বলে। এটি কেবল কয়েকজন কৌতূহলী ইঞ্জিনিয়ারের প্রাথমিক পরীক্ষা-নিরীক্ষা নয়। এটি একটি ব্যাপক ও কাঠামোগত স্থানান্তর যা এই বছরের শুরুর দিকে একটি সীমা অতিক্রম করেছে এবং এরপর আর পেছনে ফিরে তাকায়নি।
মার্কিন ব্যবসায়িক প্রতিষ্ঠানগুলো শুরুতে চীনা মডেলগুলোকে একটি ব্যাকআপ অপশন বা কৌতূহল হিসেবে বিবেচনা করত। এরপর টিমগুলো অভ্যন্তরীণ খরচ তুলনা করা শুরু করে। তারা দেখতে পেল যে, রুটিন কাজের ক্ষেত্রে নির্ভুলতা বিসর্জন না দিয়েই মডেল পরিবর্তন করা সম্ভব। যখন বিষয়টি পরিষ্কার হয়ে গেল, তখন সংগ্রহের (procurement) সিদ্ধান্তগুলো দ্রুত নেওয়া শুরু হলো। এন্টারপ্রাইজ শেয়ারের ৪৬% হওয়ার অর্থ হলো আমেরিকান কোম্পানিগুলোর AI কম্পিউট বাজেটের প্রায় অর্ধেক এখন প্রশান্ত মহাসাগরের ওপারে উন্নত করা আর্কিটেকচারগুলোর দিকে প্রবাহিত হচ্ছে। যে শিল্পটি বছরের পর বছর সান ফ্রান্সিসকো এবং বে এরিয়াকে (Bay Area) তার কেন্দ্রবিন্দু হিসেবে বিবেচনা করে আসছে, তার জন্য এটি একটি উল্লেখযোগ্য পুনর্গঠন।
প্রকৃত কোম্পানি, প্রকৃত সাশ্রয়
নামী ব্র্যান্ডের কোম্পানিগুলোর সুনির্দিষ্ট সিদ্ধান্তগুলো দেখায় যে এই পরিবর্তনটি কতটা গভীর। ক্রিপ্টোকারেন্সি এক্সচেঞ্জ Coinbase তাদের ইঞ্জিনিয়ারদের জন্য GLM-5.2 এবং Kimi K2.7 বেছে নিয়েছে। এটি কোনো গবেষণা ল্যাবে সীমাবদ্ধ থাকা পাইলট প্রোগ্রাম ছিল না। এই মডেলগুলো প্রকৃত ডেভেলপার ওয়ার্কফ্লো পরিচালনা করে—যেমন কোড কমপ্লিশন, টেকনিক্যাল ডকুমেন্টেশন, ডিবাগিং সহায়তা এবং ইন্টারনাল টুলিং। Coinbase-এর আপটাইম (uptime) এবং সিকিউরিটি সংক্রান্ত কঠোর প্রয়োজনীয়তা রয়েছে। তাদের ইঞ্জিনিয়ারিং টিম সামান্য লাভের জন্য বিদেশি মডেল গ্রহণ করেনি। তারা এগুলো গ্রহণ করেছে কারণ এই মডেলগুলো উন্নত অর্থনৈতিক সুবিধা প্রদানের পাশাপাশি এন্টারপ্রাইজ-মানের নির্ভরযোগ্যতার মানদণ্ডও পূরণ করেছে।
এরপর রয়েছে Lindy, একটি মার্কিন স্টার্টআপ যা Anthropic Claude থেকে DeepSeek-V4-এ স্থানান্তরিত হয়েছে। এর ফলে খরচ ৯৫% কমে গেছে এবং লক্ষ লক্ষ ডলার সাশ্রয় হয়েছে। স্টার্টআপগুলো খুব সীমিত বাজেটে বা 'টাইট রানওয়ে'-তে কাজ করে। ইনফারেন্স (inference) খরচে ৯৫% হ্রাস মানে হলো আঠারো মাসের মধ্যে নগদ টাকা ফুরিয়ে যাওয়া এবং বছরের পর বছর স্বাচ্ছন্দ্যে ব্যবসা সম্প্রসারণ করার মধ্যে একটি বিশাল পার্থক্য। তবে Lindy-র এই পদক্ষেপটি আরও বড় কিছু নির্দেশ করে: DeepSeek-V4 একটি প্রোডাকশন এনভায়রনমেন্টে Claude-এর বিকল্প হিসেবে কাজ করার মতো যথেষ্ট পারফরম্যান্স প্রদর্শন করেছে। এটি কোনো সস্তা বিকল্পে নামিয়ে আনা (downgrade) ছিল না। এটি ছিল এমন একটি পরিবর্তন যা কার্যকারিতা বজায় রেখে খরচকে প্রায় শূন্যের কোঠায় নামিয়ে এনেছে।
এই দুটি উদাহরণ কর্পোরেট জগতের দুটি ভিন্ন প্রান্তের প্রতিনিধিত্ব করে। Coinbase হলো কমপ্লায়েন্স টিম এবং লিগ্যাসি ইনফ্রাস্ট্রাকচার সমৃদ্ধ একটি পাবলিকলি ট্রেডেড টেক জায়ান্ট। অন্যদিকে Lindy হলো একটি প্রাথমিক পর্যায়ের স্টার্টআপ যা তাদের টিকে থাকার জন্য স্মার্ট AI ইকোনমিক্সের ওপর বাজি ধরেছে। উভয়ই একই সিদ্ধান্তে পৌঁছেছে। এটি আমাদের অনেক কিছু বুঝিয়ে দেয়।
বাস্তবে দক্ষতার প্রকৃত অর্থ কী
দক্ষতা বা এফিসিয়েন্সি এই সিদ্ধান্তগুলোকে প্রভাবিত করছে, তবে এর প্রকৃত অর্থ কী তা আমাদের সুনির্দিষ্টভাবে জানা উচিত। এটি কেবল ড্যাশবোর্ডে সস্তা API মূল্যের বিষয় নয়। চীনা ল্যাবগুলো এমন ইনফারেন্স আর্কিটেকচার তৈরি করেছে যা প্রতিটি কম্পিউট সাইকেল থেকে উল্লেখযোগ্যভাবে বেশি পারফরম্যান্স বের করে আনে। উন্নত কোয়ান্টাইজেশন (quantization), অপ্টিমাইজড অ্যাটেনশন মেকানিজম (attention mechanisms), ডিস্টিলড মডেল ভেরিয়েন্ট (distilled model variants) এবং হার্ডওয়্যার-অ্যাওয়ার সার্ভিং স্ট্যাক—সবকিছু মিলে প্রতি টোকেনের খরচ কমিয়ে আনছে।
কেন এটি এত গুরুত্বপূর্ণ? কারণ টোকেন ভলিউম স্থির নয়। যখন কোনো কোম্পানি একটি সফল AI ফিচার তৈরি করে, তখন এর ব্যবহার ক্রমাগত বাড়তে থাকে। যদি গ্রাহকরা পছন্দ করার কারণে আপনার অ্যাপ্লিকেশনটি পরবর্তী প্রান্তিকে দশ গুণ বেশি টোকেন তৈরি করে, তবে আপনার ইনফ্রাস্ট্রাকচার বিলও সেই বৃদ্ধির সাথে বাড়বে। একটি মডেল যা কেবল “সস্তা”, তা সাহায্য করে। কিন্তু একটি মডেল যা পঁচানব্বই শতাংশ সস্তা, তা আপনার ইউনিট ইকোনমিক্সকে সম্পূর্ণ বদলে দেয়। এটি নির্ধারণ করে যে আপনার AI প্রোডাক্টলাইনটি লাভজনক হবে নাকি কেবল লোকসানের কেন্দ্র হয়ে থাকবে। এটি স্টার্টআপগুলোকে প্রতিষ্ঠিত কোম্পানিগুলোর সাথে প্রতিযোগিতা করতে সাহায্য করে এবং প্রতিষ্ঠিত কোম্পানিগুলোকে আরও বেশি AI সক্ষমতা প্রদান করার পাশাপাশি তাদের মুনাফার মার্জিন রক্ষা করতে দেয়।
আমেরিকান কোম্পানিগুলো এই হিসাবটি বুঝতে শুরু করেছে। তারা আবিষ্কার করছে যে অনেক প্রোডাকশন টাস্ক—যেমন টিকিট রাউটিং, ইমেল ড্রাফট করা, লগ পার্স করা, টেস্ট কেস তৈরি করা, মিটিংয়ের সারসংক্ষেপ করা—এর জন্য বাজারের সবচেয়ে ব্যয়বহুল ফ্রন্টিয়ার মডেলের প্রয়োজন নেই। এগুলোর জন্য এমন একটি মডেল প্রয়োজন যা যথেষ্ট কার্যকর এবং যার খরচ এমন যে তা ব্যবসায়িক মডেলটিকে সফল করতে পারে। চীনা প্রোভাইডাররা অত্যন্ত আগ্রাসীভাবে সেই শূন্যস্থান পূরণ করতে এগিয়ে এসেছে।
টানা দশ সপ্তাহের ধারা বিশ্লেষণ
AI-এর ক্ষেত্রে গ্লোবাল টোকেন ভলিউমের শীর্ষে টানা দশ সপ্তাহ থাকা অনেক লম্বা সময়। একটি সপ্তাহ হয়তো কোনো ব্যতিক্রম হতে পারে। কিন্তু দশ সপ্তাহ হলো একটি গতিশীল প্রবণতা (trend)। এটি নির্দেশ করে যে চীনা মডেলগুলো গ্লোবাল এন্টারপ্রাইজগুলোর মধ্যে "মূল্যায়ন" (evaluation) পর্যায় পেরিয়ে "ডিফল্ট" (default) পর্যায়ে পৌঁছে গেছে। ইঞ্জিনিয়াররা কেবল সেগুলো পরীক্ষা করছেন না; তারা সেগুলোর ওপর ভিত্তি করে নতুন কিছু তৈরি করছেন। প্রোডাক্ট ম্যানেজাররা এগুলোর জন্য বাজেট বরাদ্দ করছেন। ইনফ্রাস্ট্রাকচারগুলোকে কন্টিনিউয়াস ডিপ্লয়মেন্ট পাইপলাইন এবং কাস্টমার-ফেসিং সিস্টেমের সাথে যুক্ত করা হচ্ছে।
পেছন ফিরে তাকালে ২০২৬ সালের ফেব্রুয়ারির সেই টার্নিং পয়েন্টটি যুক্তিযুক্ত মনে হয়। DeepSeek-V4, GLM-5.2 এবং Kimi K2.7-এর মতো মডেলগুলো বেশ কিছু সময় ধরে উপলব্ধ থাকলেও, ২০২৬ সালের শুরুর দিকে আমেরিকান টিমগুলো সম্ভবত বড় পরিসরে এগুলোর ওপর আস্থা রাখার মতো যথেষ্ট প্রোডাকশন অভিজ্ঞতা অর্জন করেছিল। একবার সেই আস্থা একটি গুরুত্বপূর্ণ সীমায় পৌঁছে গেলে, এন্টারপ্রাইজ শেয়ার ৩০%-এর উপরে লাফিয়ে ওঠে এবং ক্রমাগত বাড়তে থাকে। জুনের মাঝামাঝি নাগাদ, চীনা মডেলগুলো বিশ্বব্যাপী মার্কিন মডেলগুলোর তুলনায় প্রায় চার গুণ বেশি টোকেন ভলিউম হ্যান্ডেল করছিল।
নির্মাতাদের জন্য শিক্ষা
আপনি যদি প্রোডাক্ট তৈরি করেন বা ইঞ্জিনিয়ারিং টিম পরিচালনা করেন, তবে এর ব্যবহারিক শিক্ষাটি অত্যন্ত সহজ। মডেলের গুণমানকে ভৌগোলিক অবস্থানের (zip code) সাথে তুলনা করা বন্ধ করুন। আপনার নির্দিষ্ট কাজের চাপের (workload) জন্য সেরা আর্কিটেকচারটি হয়তো বে এরিয়া (Bay Area) প্রোভাইডারের কাছ থেকে আসবে না। বাস্তব ডেটার ওপর ভিত্তি করে আপনার নিজস্ব 'কস্ট-পার-টাস্ক' (cost-per-task) বেঞ্চমার্ক পরীক্ষা করুন। ল্যাটেন্সি (latency), নির্ভুলতা (accuracy) এবং দাম একসাথে পরিমাপ করুন। ব্যবহার ১০ গুণ বা ১০০ গুণ বৃদ্ধি পেলে আপনার বাজেটের কী অবস্থা হবে তা বিবেচনা করুন।
গ্লোবাল AI ইনফ্রাস্ট্রাকচার লেয়ার দ্রুত বিশ্বায়িত হচ্ছে। খরচ সাশ্রয় বা কস্ট এফিসিয়েন্সি এখন এন্টারপ্রাইজ গ্রহণের রূপরেখা পরিবর্তন করার প্রধান চালিকাশক্তি, এবং চীনের ল্যাবগুলো গত এক বছর ধরে ঠিক এই চাপের জন্যই অপ্টিমাইজেশন করেছে। এর ফলে এমন একটি বাজার তৈরি হয়েছে যেখানে বিশ্বের ৪৬% AI টোকেন চীনা মডেলের মাধ্যমে প্রবাহিত হয়, এবং আমেরিকান কোম্পানিগুলো এখন সেই এন্টারপ্রাইজ ব্যবহারের প্রায় অর্ধেক নিজেরাই দখল করে আছে। AI-এর মূল কাজের ভৌগোলিক অবস্থান পরিবর্তিত হয়েছে। সংখ্যা মিথ্যা বলে না।
উৎস: China Dominates Global Token Volume
ঐচ্ছিক লার্নিং কমিউনিটি: GyaanSetu AI on Telegram