तकनीकी समाचार चक्र तेज़ी से चलता है, लेकिन यह हफ़्ता अलग महसूस हुआ। आर्टिफिशियल इंटेलिजेंस अब केवल एक प्रोडक्ट रिलीज़ या रिसर्च पेपर नहीं रह गया है। यह विदेश नीति में सौदेबाजी का एक हथियार बन गया है। सरकारें मॉडल वेट्स (model weights) के साथ वैसा ही व्यवहार करने लगी हैं जैसा संवर्धित यूरेनियम (enriched uranium) के साथ किया जाता है: केंद्रित, दुरुपयोग होने पर खतरनाक, और यदि कोई प्रतिद्वंद्वी इनका भंडार कर ले, तो इन्हें नज़रअंदाज़ करना असंभव। लड़ाई अब इस बारे में नहीं है कि कौन सा मॉडल बेंचमार्क पर अधिक स्कोर करता है। यह इस बारे में है कि उन्हें कौन बनाता है, उन्हें प्रशिक्षित करने के लिए आवश्यक सामग्री पर किसका नियंत्रण है, और उस डेटा का मालिक कौन है जिससे उन्होंने सीखा है।

डिस्टिलेशन का आरोप

इस सप्ताह, एक अमेरिकी अधिकारी ने Moonshot AI पर Anthropic के Fable मॉडल को चुराने का आरोप लगाया। विशिष्ट दावा यह है कि Moonshot ने अपने Kimi K3 सिस्टम को बनाने के लिए डिस्टिलेशन (distillation) का उपयोग किया। उन पाठकों के लिए जो प्रशिक्षण विधियों पर बारीकी से नज़र नहीं रखते, डिस्टिलेशन एक बड़े और सक्षम मॉडल का उपयोग करके किसी छोटे या नए मॉडल को सिखाने की प्रक्रिया है। अनुमति के साथ किए जाने पर यह कानूनी और सामान्य है। लेकिन जब कोई कंपनी बिना अनुमति के किसी प्रतिद्वंद्वी के मालिकाना (proprietary) सिस्टम से ज्ञान निकालती है, तो यह चोरी बन जाती है।

आरोप के अनुसार, सबूत व्यवहार संबंधी हैं। शोधकर्ताओं ने देखा है कि Kimi K3 बहुत बार खुद को Anthropic के असिस्टेंट, Claude के रूप में पहचानता है। अपने स्वयं के प्रशिक्षण इतिहास वाले मॉडल को अपना नाम पता होना चाहिए। जब यह बार-बार एक प्रतिद्वंद्वी उत्पाद होने का दावा करता है, तो यह संयोग कम और उस छात्र की तरह अधिक लगता है जिसने शिक्षक के परीक्षा के उत्तरों को शब्दशः रट लिया हो। यदि Moonshot ने वास्तव में Kimi K3 को प्रशिक्षित करने के लिए Anthropic के मॉडल से आउटपुट निकाला है, तो इसके बौद्धिक संपदा (intellectual property) निहितार्थ सिलिकॉन वैली के अदालतों से कहीं आगे तक जाते हैं। वे निर्यात नियंत्रण और राष्ट्रीय सुरक्षा ब्रीफिंग तक पहुँचते हैं।

सस्ते मॉडलों का उदय

जबकि डिस्टिलेशन की लड़ाई सुलग रही है, चीनी लैब ऐसे गति और कीमत पर फ्रंटियर मॉडल (frontier models) पेश कर रही हैं जो अमेरिकी प्रतिष्ठान को असहज कर रही हैं। DeepSeek V4 और Kimi K3 कुछ ही दिनों के अंतराल पर आए। दोनों ऐसे क्षमताओं का दावा करते हैं जो सार्वजनिक लीडरबोर्ड के शीर्ष के करीब हैं, फिर भी वे अपने अमेरिकी समकक्षों की तुलना में बहुत कम लागत पर चलते हैं।

यह पैटर्न नया नहीं है, लेकिन यह तेज़ हो रहा है। चीनी लैब के पिछले झटकों ने पहले ही वॉल स्ट्रीट को यह सवाल करने पर मजबूर कर दिया था कि क्या फ्रंटियर मॉडल को प्रशिक्षित करने के लिए वास्तव में दस बिलियन डॉलर की आवश्यकता होती है। DeepSeek V4 और Kimi K3 उस दबाव को फिर से बढ़ाते हैं। वे सुझाव देते हैं कि इंजीनियरिंग दक्षता, चतुर डेटा क्यूरेशन और हार्डवेयर वर्कअराउंड, भारी पूंजीगत व्यय (capital expenditure) का विकल्प बन सकते हैं। 'स्केलिंग मोट' (scaling moat) पर भरोसा करने वाली अमेरिकी लैब के लिए संदेश स्पष्ट है: उच्च प्रदर्शन सस्ता होता जा रहा है, और प्रीमियम मूल्य निर्धारण का अवसर समाप्त हो रहा है।

एंटरप्राइज एजेंट युद्ध

इस सप्ताह की हर हेडलाइन भू-राजनीति के बारे में नहीं थी। OpenAI ने Presence लॉन्च किया, जो व्यवसायों को AI एजेंट तैनात करने में मदद करने के उद्देश्य से बनाया गया एक उत्पाद है। यह कदम OpenAI को Google, Meta और NVIDIA के साथ सीधे प्रतिस्पर्धा में खड़ा करता है। इनमें से प्रत्येक कंपनी एक ही अवसर देखती है: मॉडल स्वयं एक कमोडिटी (commodity) बनता जा रहा है, लेकिन वह प्लेटफॉर्म जो वास्तविक वर्कफ़्लो को स्वचालित करता है, वह अमूल्य है।

चैटबॉट्स के बाद एजेंट अगला तार्किक कदम हैं। एक चैटबॉट सवालों के जवाब देता है। एक एजेंट उड़ानें बुक करता है, खर्च की रिपोर्ट फाइल करता है, या वेयरहाउस इन्वेंट्री को रीबैलेंस करता है। इन कार्यों को स्वचालित करने की दौड़ तेज़ हो रही है क्योंकि वहीं आवर्ती एंटरप्राइज राजस्व (recurring enterprise revenue) छिपा है। OpenAI केवल इंजन नहीं बेचना चाहता; वह पूरी कार बेचना चाहता है। Google चाहता है कि Workspace आपकी मीटिंग्स चलाए। Meta अपने सोशल ग्राफ के भीतर एजेंट चाहता है। NVIDIA इन सभी के नीचे इन्फ्रास्ट्रक्चर लेयर को शक्ति देना चाहता है। विजेता वह लैब नहीं होगी जिसके पास सबसे अच्छा मॉडल है, बल्कि वह होगी जो IT विभागों को आंतरिक प्रणालियों की चाबियाँ सौंपने के लिए मना लेगी।

जब कंक्रीट बाधा बन जाता है

ये सभी सॉफ्टवेयर महत्वाकांक्षाएं अभी भी भौतिक चीजों पर निर्भर हैं। OpenAI ने यह बात तब स्पष्ट कर दी जब उसने Project Camellia शुरू किया, जो जॉर्जिया में तीस बिलियन डॉलर का एक डेटा सेंटर कैंपस है। तीस बिलियन डॉलर कोई फैसिलिटी बजट नहीं है। यह एक बयान है कि AI के लिए मुख्य सीमाएं अब एल्गोरिदम या यहाँ तक कि GPU नहीं हैं। वे बिजली और कंक्रीट हैं।

आप एक सर्वर क्लोजेट में फ्रंटियर मॉडल को ट्रेन नहीं कर सकते। आपको हजारों एक्सेलेरेटर्स की जरूरत होगी जो एक साथ काम करें और एक मध्यम आकार के शहर से भी अधिक बिजली की खपत करें। आपको फाइबर, कूलिंग के लिए पानी, स्टील और परमिट लेने के लिए वर्षों की आवश्यकता होगी। यही कारण है कि BlackRock और MGX जैसे एसेट मैनेजर डेटा सेंटर परियोजनाओं में अरबों डॉलर लगा रहे हैं। वे किसी ऐप पर सट्टा नहीं लगा रहे हैं। वे AI युग की रेलवे और कोयला खदानें खरीद रहे हैं। यदि बिजली उत्पादन और निर्माण की सप्लाई चेन तालमेल नहीं बिठा पाती है, तो बड़े मॉडलों का पूरा रोडमैप फिसल जाएगा, चाहे गणित कितना भी शानदार क्यों न हो जाए।

अदालतें, कॉपीराइट और पूंजी

कानूनी प्रणाली भी इस सप्ताह सुर्खियों में रही। एक न्यायाधीश ने Anthropic के उन लेखकों के साथ $1.5 बिलियन के समझौते को मंजूरी दे दी, जिन्होंने कंपनी पर बिना अनुमति के अपनी किताबों का उपयोग Claude को प्रशिक्षित करने के लिए करने का आरोप लगाया था। यह समझौता AI इतिहास के सबसे बड़े कॉपीराइट दावों में से एक को सुलझाता है।

चेक का आकार फैसले जितना ही महत्वपूर्ण है। यह अन्य सभी लैब्स को बताता है कि ट्रेनिंग डेटा ओपन वेब से स्क्रैप किया गया कोई मुफ्त संसाधन नहीं है। यह एक आकस्मिक देनदारी (contingent liability) है जो अंततः बैलेंस शीट में दिखाई दे सकती है। $1.5 बिलियन का एक आइटम फाइनेंस टीमों के प्री-ट्रेनिंग बजट के बारे में सोचने के तरीके को बदल देता है। यह लेखकों और प्रकाशकों को भविष्य के मुकदमों के लिए एक स्पष्ट मिसाल भी देता है। यदि आप आज एक मॉडल बना रहे हैं, तो आप अब यह मानकर नहीं चल सकते कि आपका ट्रेनिंग कॉर्पस ऑडिट से बच जाएगा।

स्क्रीन से परे AI

अंत में, इस सप्ताह फंडिंग के दो आंकड़ों ने सभी को याद दिलाया कि AI केवल चैट विंडो तक सीमित नहीं है। डिफेंस AI फंडिंग इस महीने $3 बिलियन तक पहुंच गई, जबकि AI-संचालित ड्रग डिस्कवरी में निवेश $2 बिलियन तक पहुंच गया।

डिफेंस में, पैसा उन प्रणालियों में जा रहा है जो सैटेलाइट इमेजरी का विश्लेषण कर सकती हैं, ड्रोन स्वार्म्स को समन्वित कर सकती हैं और युद्धक्षेत्र के निर्णय चक्रों को छोटा कर सकती हैं। फार्मा में, नए AI टूल दवा विकास की समयसीमा को वर्षों से घटाकर महीनों में कर रहे हैं। शोधकर्ता अब किसी भी वेट लैब (wet lab) में जाने से पहले सिलिकॉन में संभावित अणुओं (molecules) को जेनरेट और स्क्रीन कर सकते हैं। इस तकनीक की दोहरे उपयोग की प्रकृति पूरी तरह से प्रदर्शित हो रही है। वही बुनियादी तरीके जो एक कस्टमर सर्विस बॉट में सुधार करते हैं, वे मिसाइल टारगेटिंग और एंटीबॉडी डिज़ाइन को भी तेज करते हैं। जैसे-जैसे पैसा आ रहा है, वाणिज्यिक और रणनीतिक AI के बीच नैतिक और नियामक रेखाएं धुंधली होती जा रही हैं।

सितंबर की वार्ता और नया स्कोरबोर्ड

ये सभी सूत्र एक नियुक्ति में मिलते हैं: संयुक्त राज्य अमेरिका और चीन सितंबर में औपचारिक AI वार्ता करेंगे। वे सैन्य AI और चिप एक्सेस पर चर्चा करने की योजना बना रहे हैं। ये दो एजेंडा आइटम ही आपको बता देते हैं कि हम खुले अनुसंधान (open research) के युग से कितनी दूर निकल आए हैं।

पुरानी प्रतिस्पर्धा सरल थी। आपने एक मॉडल जारी किया, मैंने एक मॉडल जारी किया, और MMLU या HumanEval पर बेहतर स्कोर वाला जीत गया। वह खेल अब खत्म हो रहा है। नए प्रश्न मात्रात्मक रूप से कठिन हैं और सॉफ्टवेयर अपडेट से ठीक नहीं किए जा सकते:

  • किसने किस डेटा पर ट्रेनिंग की, और क्या उन्होंने इसके लिए भुगतान किया?
  • कौन कौन से चिप्स खरीद सकता है, और किसे सप्लाई चेन से बाहर रखा गया है?
  • डेटा सेंटरों को चलाने वाली बिजली आपूर्ति पर किसका नियंत्रण है?

बेंचमार्क मिल रहे हैं। क्षमताएं एक समान हो रही हैं। लेकिन राजनीति विभाजित हो रही है। दो समानांतर पारिस्थितिकी तंत्र (ecosystems) बन रहे हैं, जो निर्यात लाइसेंस, ऊर्जा ग्रिड और कानूनी व्यवस्थाओं द्वारा अलग किए गए हैं।

असली निष्कर्ष

यदि आप एक डेवलपर, एक संस्थापक, या एक एंटरप्राइज खरीदार हैं, तो AI का मूल्यांकन केवल लीडरबोर्ड स्कोर के आधार पर करना बंद करें। सप्लाई चेन और राजनीतिक जोखिम को इंजीनियरिंग बाधाओं (engineering constraints) के रूप में मानना शुरू करें। आज आप जिस मॉडल को एकीकृत करते हैं, वह कल निर्यात प्रतिबंधों में फंस सकता है। इसके पीछे का ट्रेनिंग डेटा अरबों डॉलर का कानूनी बिल ला सकता है। इसे चलाने वाला डेटा सेंटर स्थानीय यूटिलिटी ग्रिड द्वारा सीमित हो सकता है, न कि इसे बनाने वाले शोधकर्ताओं की प्रतिभा द्वारा। अपने आर्किटेक्चर का निर्माण इस तरह करें जैसे कि जिन उपकरणों पर आप भरोसा करते हैं, उन पर प्रतिबंध लगाया जा सकता है, उन पर मुकदमा चलाया जा सकता है, या उनकी बिजली की आपूर्ति रोकी जा सकती है—क्योंकि इस सप्ताह ने स्पष्ट कर दिया है कि ये तीनों अब वास्तविक संभावनाएं हैं।