ટેક ન્યૂઝ સાયકલ ઝડપથી ચાલે છે, પરંતુ આ અઠવાડિયું કંઈક અલગ જ લાગ્યું. આર્ટિફિશિયલ ઇન્ટેલિજન્સ હવે માત્ર એક પ્રોડક્ટ રિલીઝ અથવા રિસર્ચ પેપર નથી રહ્યું. તે વિદેશ નીતિમાં એક સોદાબાજીનું સાધન (bargaining chip) બની ગયું છે. સરકારો મોડેલ વેટ્સ (model weights) ને સમૃદ્ધ યુરેનિયમની જેમ જોવા લાગી છે: કેન્દ્રિત, જો તેનો દુરુપયોગ કરવામાં આવે તો જોખમી, અને જો કોઈ હરીફ તેનો સંગ્રહ કરે તો તેને અવગણવું અશક્ય. લડાઈ હવે એ વાત વિશે નથી કે કયું મોડેલ બેન્ચમાર્ક પર વધુ સ્કોર કરે છે. તે એ વિશે છે કે કોણ તેમને બનાવી શકે છે, તેમને તાલીમ આપવા માટે જરૂરી સામગ્રી કોણ નિયંત્રિત કરે છે, અને જે ડેટા પરથી તેઓ શીખ્યા છે તેનો માલિક કોણ છે.

ડિસ્ટિલેશનનો આરોપ

આ અઠવાડિયે, એક અમેરિકન અધિકારીએ Moonshot AI પર Anthropic ના Fable મોડેલની ચોરી કરવાનો આરોપ લગાવ્યો છે. ચોક્કસ દાવો એ છે કે Moonshot એ તેનું Kimi K3 સિસ્ટમ બનાવવા માટે ડિસ્ટિલેશનનો ઉપયોગ કર્યો છે. જે વાચકો તાલીમ પદ્ધતિઓનું ઝીણવટપૂર્વક અનુસરણ કરતા નથી, તેમના માટે ડિસ્ટિલેશન એટલે એક મોટા, સક્ષમ મોડેલનો ઉપયોગ કરીને નાના અથવા નવા મોડેલને શીખવવાની પ્રક્રિયા. જ્યારે પરવાનગી સાથે કરવામાં આવે ત્યારે તે કાયદેસર અને સામાન્ય છે. જ્યારે કોઈ કંપની અધિકૃતતા વગર હરીફની પ્રોપ્રાઇટરી સિસ્ટમમાંથી જ્ઞાન મેળવે છે, ત્યારે તે ચોરી બની જાય છે.

આરોપ મુજબ, પુરાવા વર્તણૂક આધારિત છે. સંશોધકોએ નોંધ્યું છે કે Kimi K3 ઘણીવાર પોતાને Anthropic ના આસિસ્ટન્ટ Claude તરીકે ઓળખાવે છે. પોતાના તાલીમ ઇતિહાસ ધરાવતા મોડેલે પોતાનું નામ જાણવું જોઈએ. જ્યારે તે વારંવાર હરીફ પ્રોડક્ટ હોવાનો દાવો કરે છે, ત્યારે તે સંયોગ કરતાં એવા વિદ્યાર્થી જેવું લાગે છે જેણે શિક્ષકના પરીક્ષાના જવાબો શબ્દશઃ મોઢે કરી લીધા હોય. જો Moonshot એ ખરેખર Kimi K3 ને તાલીમ આપવા માટે Anthropic ના મોડેલના આઉટપુટનો ઉપયોગ કર્યો હોય, તો બૌદ્ધિક સંપત્તિ (intellectual property) ના અસરો સિલિકોન વેલીના અદાલતોથી ઘણું આગળ સુધી વિસ્તરે છે. તે નિકાસ નિયંત્રણો અને રાષ્ટ્રીય સુરક્ષા બ્રીફિંગ્સ સુધી પહોંચે છે.

સસ્તા મોડેલ્સનો ઉદય

જ્યારે ડિસ્ટિલેશનની લડાઈ ચાલુ છે, ત્યારે ચીની લેબ્સ એવી ઝડપ અને કિંમતે ફ્રન્ટિયર મોડેલ્સ (frontier models) બહાર લાવી રહી છે જે અમેરિકન તંત્રને અસ્વસ્થ કરી રહી છે. DeepSeek V4 અને Kimi K3 એકબીજાના થોડા જ દિવસોમાં આવ્યા હતા. બંને એવી ક્ષમતાઓનો દાવો કરે છે જે પબ્લિક લીડરબોર્ડમાં ટોચ પર છે, છતાં તેઓ તેમના અમેરિકન counterparts કરતા ખૂબ જ ઓછી કિંમતે ચાલે છે.

આ પેટર્ન નવી નથી, પરંતુ તે ઝડપી બની રહી છે. ચીની લેબ્સના અગાઉના આંચકાઓએ વોલ સ્ટ્રીટને પહેલેથી જ એ પ્રશ્ન કરવા મજબૂર કરી દીધું છે કે શું ફ્રન્ટિયર મોડેલને તાલીમ આપવા માટે ખરેખર દસ અબજ ડોલરની જરૂર છે. DeepSeek V4 અને Kimi K3 તે દબાણને ફરીથી વધારી રહ્યા છે. તેઓ સૂચવે છે કે એન્જિનિયરિંગ કાર્યક્ષમતા, સ્માર્ટ ડેટા ક્યુરેશન અને હાર્ડવેર વર્કઅરાઉન્ડ્સ કાચા મૂડી ખર્ચ (capital expenditure) ના વિકલ્પ બની શકે છે. સ્કેલિંગ મોટ (scaling moat) પર આધાર રાખતી અમેરિકન લેબ્સ માટે સંદેશ સ્પષ્ટ છે: ઉચ્ચ પ્રદર્શન હવે સસ્તું થઈ રહ્યું છે, અને પ્રીમિયમ કિંમત માટેનો સમયગાળો હવે મર્યાદિત થઈ રહ્યો છે.

એન્ટરપ્રાઇઝ એજન્ટ વોર

આ અઠવાડિયે દરેક હેડલાઇન ભૂરાજનીતિ વિશે નહોતી. OpenAI એ Presence લોન્ચ કર્યું છે, જે વ્યવસાયોને AI એજન્ટ્સ તૈનાત કરવામાં મદદ કરવાના હેતુથી બનાવેલ પ્રોડક્ટ છે. આ પગલું OpenAI ને Google, Meta અને NVIDIA સાથે સીધા સ્પર્ધામાં મૂકે છે. આ દરેક કંપનીઓ એક જ તક જુએ છે: મોડેલ પોતે એક કોમોડિટી બની રહ્યું છે, પરંતુ જે પ્લેટફોર્મ વાસ્તવિક વર્કફ્લોને ઓટોમેટ કરે છે તે અમૂલ્ય છે.

ચેટબોટ્સ પછી એજન્ટ્સ એ તાર્કિક આગામી પગલું છે. ચેટબોટ પ્રશ્નોના જવાબ આપે છે. એજન્ટ ફ્લાઇટ્સ બુક કરે છે, ખર્ચના રિપોર્ટ્સ ફાઇલ કરે છે અથવા વેરહાઉસ ઇન્વેન્ટરીને ફરીથી સંતુલિત કરે છે. આ કાર્યોને ઓટોમેટ કરવાની રેસ ગરમાઈ રહી છે કારણ કે ત્યાં જ વારંવાર મળતું એન્ટરપ્રાઇઝ રેવન્યુ (recurring enterprise revenue) રહેલું છે. OpenAI માત્ર એન્જિન વેચવા નથી માંગતું; તે આખી કાર વેચવા માંગે છે. Google ઈચ્છે છે કે Workspace તમારી મીટિંગ્સ ચલાવે. Meta તેના સોશિયલ ગ્રાફની અંદર એજન્ટ્સ ઈચ્છે છે. NVIDIA આ બધાની નીચેના ઇન્ફ્રાસ્ટ્રક્ચર લેયરને પાવર આપવા માંગે છે. વિજેતા તે લેબ હોવી જરૂરી નથી જેની પાસે શ્રેષ્ઠ મોડેલ હોય, પરંતુ તે હશે જે IT વિભાગોને આંતરિક સિસ્ટમ્સની ચાવીઓ સોંપવા માટે મનાવી શકે.

જ્યારે કોંક્રિટ અવરોધ બની જાય

આ તમામ સોફ્ટવેર મહત્વાકાંક્ષાઓ હજુ પણ ભૌતિક વસ્તુઓ પર નિર્ભર છે. જ્યારે OpenAI એ જ્યોર્જિયામાં ત્રીસ અબજ ડોલરનો ડેટા સેન્ટર કેમ્પસ, Project Camellia શરૂ કર્યો, ત્યારે તેણે તે સ્પષ્ટ કરી દીધું. ત્રીસ અબજ ડોલર એ માત્ર સુવિધાઓ માટેનું બજેટ નથી. તે એક નિવેદન છે કે AI માટેની મુખ્ય મર્યાદાઓ હવે અલ્ગોરિધમ્સ અથવા GPUs નથી. તે વીજળી અને કોંક્રિટ છે.

તમે સર્વર ક્લોઝેટમાં ફ્રન્ટિયર મોડેલને ટ્રેન કરી શકતા નથી. તમારે હજારો એક્સિલરેટર્સની જરૂર પડશે જે એકસાથે કામ કરતા હોય અને મધ્યમ કદના શહેર કરતાં વધુ પાવર વાપરતા હોય. તમારે ફાઈબર, કૂલિંગ માટે પાણી, સ્ટીલ અને વર્ષોના પરમિટિંગની જરૂર પડશે. એટલા માટે જ BlackRock અને MGX જેવા એસેટ મેનેજરો ડેટા સેન્ટર પ્રોજેક્ટ્સમાં અબજો ડોલર રોકી રહ્યા છે. તેઓ કોઈ એપ પર સટ્ટો નથી લગાવી રહ્યા. તેઓ AI યુગના રેલવે અને કોલસાની ખાણો ખરીદી રહ્યા છે. જો પાવર જનરેશન અને બાંધકામ માટેની સપ્લાય ચેઈન તેની સાથે સુસંગત રહી શકશે નહીં, તો ગણિત ગમે તેટલું સચોટ કેમ ન હોય, મોટા મોડેલ્સ માટેનો આખો રોડમેપ લથડી જશે.

અદાલતો, કોપીરાઈટ અને મૂડી

આ અઠવાડિયે કાયદાકીય પ્રણાલી પણ ચર્ચાના કેન્દ્રમાં આવી છે. એક જજ દ્વારા Anthropic ના લેખકો સાથેના $1.5 બિલિયનના સમાધાનને મંજૂરી આપવામાં આવી છે, જેમણે કંપની પર પરવાનગી વગર Claude ને ટ્રેન કરવા માટે તેમના પુસ્તકોનો ઉપયોગ કરવાનો આરોપ લગાવ્યો હતો. આ સમાધાન AI ઇતિહાસના સૌથી મોટા કોપીરાઈટ દાવાઓમાંથી એકનો ઉકેલ લાવે છે.

ચકા (ચેક) ની રકમ ચુકાદા જેટલી જ મહત્વની છે. તે અન્ય દરેક લેબને જણાવે છે કે ટ્રેનિંગ ડેટા એ ઓપન વેબ પરથી સ્ક્રેપ કરવામાં આવેલ મફત સંસાધન નથી. તે એક સંભવિત જવાબદારી (contingent liability) છે જે અંતે બેલેન્સ શીટમાં દેખાઈ શકે છે. $1.5 બિલિયનનો આ ખર્ચ ફાઇનાન્સ ટીમો પ્રી-ટ્રેનિંગ બજેટ વિશે કેવી રીતે વિચારે છે તે બદલી નાખે છે. તે લેખકો અને પ્રકાશકોને ભવિષ્યના કાયદાકીય કેસો માટે એક સ્પષ્ટ પૂર્વવર્તી (precedent) પણ પૂરો પાડે છે. જો તમે આજે મોડેલ બનાવી રહ્યા હોવ, તો તમે હવે એવું માની શકતા નથી કે તમારો ટ્રેનિંગ કોર્પસ ઓડિટથી બચી જશે.

સ્ક્રીનથી પર AI

અંતે, આ અઠવાડિયે ફંડિંગના આંકડાઓએ દરેકને યાદ અપાવ્યું કે AI માત્ર ચેટ વિન્ડો પૂરતું મર્યાદિત નથી. આ મહિને ડિફેન્સ AI ફંડિંગ $3 બિલિયન સુધી પહોંચ્યું, જ્યારે AI-સંચાલિત ડ્રગ ડિસ્કવરીમાં રોકાણ $2 બિલિયન સુધી પહોંચ્યું.

સંરક્ષણ ક્ષેત્રે, નાણાં એવા સિસ્ટમ્સમાં વહી રહ્યા છે જે સેટેલાઇટ ઈમેજરીનું વિશ્લેષણ કરી શકે, ડ્રોન સ્વાર્મ્સનું સંકલન કરી શકે અને યુદ્ધના મેદાનમાં નિર્ણય લેવાના ચક્રને ઝડપી બનાવી શકે. ફાર્મા ક્ષેત્રમાં, નવા AI સાધનો દવાઓના વિકાસના સમયગાળાને વર્ષોમાંથી ઘટાડીને મહિનાઓમાં લાવી રહ્યા છે. સંશોધકો હવે વેટ લેબમાં પ્રયોગ કરતા પહેલા સિલિકોનમાં કેન્ડિડેટ મોલેક્યુલ્સ બનાવી શકે છે અને તેની તપાસ કરી શકે છે. ટેકનોલોજીનું બેવડા ઉપયોગનું (dual-use) સ્વરૂપ અહીં સ્પષ્ટ દેખાય છે. જે પાયાની પદ્ધતિઓ કસ્ટમર સર્વિસ બોટને સુધારે છે, તે જ પદ્ધતિઓ મિસાઇલ ટાર્ગેટિંગ અને એન્ટિબોડી ડિઝાઇનમાં પણ ઝડપ લાવે છે. જેમ જેમ નાણાંનો પ્રવાહ વધે છે તેમ તેમ કોમર્શિયલ અને સ્ટ્રેટેજિક AI વચ્ચેની નૈતિક અને નિયમનકારી રેખાઓ વધુ ધૂંધળી થતી જાય છે.

સપ્ટેમ્બરની ચર્ચાઓ અને નવું સ્કોરબોર્ડ

આ તમામ બાબતો એક નિમણૂક પર કેન્દ્રિત થાય છે: યુનાઇટેડ સ્ટેટ્સ અને ચીન સપ્ટેમ્બરમાં ઔપચારિક AI ચર્ચાઓ કરશે. તેઓ મિલિટરી AI અને ચિપ એક્સેસ વિશે ચર્ચા કરવાનું આયોજન કરી રહ્યા છે. આ બે એજન્ડા આઈટમ્સ જ તમને જણાવે છે કે આપણે ઓપન રિસર્ચના યુગથી કેટલા દૂર આવી ગયા છીએ.

જૂની સ્પર્ધા સરળ હતી. તમે એક મોડેલ રિલીઝ કરો, હું એક મોડેલ રિલીઝ કરું, અને MMLU અથવા HumanEval પર જેનો સ્કોર વધુ હોય તે અઠવાડિયું જીતી જાય. આ રમત હવે પૂરી થઈ રહી છે. નવા પ્રશ્નોને માપવા મુશ્કેલ છે અને સોફ્ટવેર અપડેટ દ્વારા તેને સુધારી શકાતા નથી:

  • કોણે કયા ડેટા પર ટ્રેનિંગ લીધી, અને શું તેઓએ તેના માટે ચૂકવણી કરી?
  • કોણ કઈ ચિપ્સ ખરીદી શકે છે, અને કોને સપ્લાય ચેઈનમાંથી બાકાત રાખવામાં આવ્યા છે?
  • ડેટા સેન્ટર્સને ચાલુ રાખતા પાવર સપ્લાય પર કોનું નિયંત્રણ છે?

બેન્ચમાર્ક એકબીજાને મળી રહ્યા છે. ક્ષમતાઓ એકબીજામાં ભળી રહી છે. પરંતુ રાજકારણ વિભાજિત થઈ રહ્યું છે. એક્સપોર્ટ લાયસન્સ, એનર્જી ગ્રીડ અને કાયદાકીય પ્રણાલીઓ દ્વારા અલગ પડેલા બે સમાંતર ઇકોસિસ્ટમ બની રહ્યા છે.

વાસ્તવિક નિષ્કર્ષ

જો તમે ડેવલપર, ફાઉન્ડર અથવા એન્ટરપ્રાઇઝ બાયર હોવ, તો AI નું મૂલ્યાંકન માત્ર લીડરબોર્ડ સ્કોર પર કરવાનું બંધ કરો. સપ્લાય ચેઈન અને રાજકીય જોખમને એન્જિનિયરિંગ મર્યાદાઓ (constraints) તરીકે ગણવાનું શરૂ કરો. તમે આજે જે મોડેલ ઇન્ટિગ્રેટ કરો છો તે આવતીકાલે એક્સપોર્ટ પ્રતિબંધમાં ફસાઈ શકે છે. તેની પાછળનો ટ્રેનિંગ ડેટા અબજો ડોલરનું કાયદાકીય બિલ લાવી શકે છે. તેને ચલાવતું ડેટા સેન્ટર સ્થાનિક યુટિલિટી ગ્રીડ દ્વારા મર્યાદિત હોઈ શકે છે, તેને બનાવનાર સંશોધકોની પ્રતિભા દ્વારા નહીં. તમારી આર્કિટેક્ચર એવી રીતે બનાવો જાણે કે તમે જે સાધનો પર આધાર રાખતા હોવ તેના પર પ્રતિબંધ લાદવામાં આવી શકે, કાયદાકીય વિવાદ થઈ શકે અથવા પાવરની અછત સર્જાઈ શકે—કારણ કે આ અઠવાડિયે સ્પષ્ટ કર્યું છે કે આ ત્રણેય હવે વાસ્તવિક શક્યતાઓ છે.