ವರ್ಷಗಳಿಂದ, ತಂತ್ರಜ್ಞಾನ ನೀತಿ ವಲಯಗಳಲ್ಲಿ ಒಂದು ಕಠಿಣ ಊಹೆಯಿದೆ: NVIDIA ಚಿಪ್ಗಳಿಲ್ಲದಿದ್ದರೆ, ಅತೀ ಮುಂಚೂಣಿಯ AI ಇಲ್ಲ. H100 ಮತ್ತು ಹೊಸ Blackwell ಲೈನ್ನಂತಹ ಹೈ-ಎಂಡ್ GPUಗಳ ಮೇಲಿನ ರಫ್ತು ನಿಯಂತ್ರಣಗಳನ್ನು ನಿಖರವಾಗಿ ಈ ಅಡಚಣೆಯ ಸುತ್ತ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿತ್ತು. ಅತ್ಯುತ್ತಮ ಸಿಲಿಕಾನ್ ಬಳಕೆಯನ್ನು ನಿರ್ಬಂಧಿಸಿದರೆ, ಒಂದು ದೇಶವು ಅತ್ಯಂತ ದೊಡ್ಡ ಮತ್ತು ಸಾಮರ್ಥ್ಯವುಳ್ಳ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಕುಂಠಿತಗೊಳಿಸಬಹುದು ಎಂಬುದು ಸಿದ್ಧಾಂತವಾಗಿತ್ತು. ಆದರೆ Meituan ಈಗ ಆ ವಾದವನ್ನು ಸುಳ್ಳೆಂದು ಸಾಬೀತುಪಡಿಸಿದೆ.
ಆಹಾರ ವಿತರಣೆ ಮತ್ತು ಸ್ಥಳೀಯ ಸೇವೆಗಳಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದ್ದಕ್ಕಾಗಿ ಹೆಸರುವಾಸಿಯಾದ ಚೀನಾ ತಂತ್ರಜ್ಞಾನದ ದೈತ್ಯ ಕಂಪನಿಯು LongCat 2.0 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಇದು Mixture-of-Experts architecture ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ 1.6-ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಮಾದರಿಯಾಗಿದೆ. ಇಲ್ಲಿನ ವಿಶೇಷವೇನಂದರೆ? ಈ ತಂಡವು ಇದನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಚೀನಾದ ದೇಶೀಯ ಚಿಪ್ಗಳ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಿದೆ. ಯಾವುದೇ NVIDIA H100 ಅಥವಾ Blackwell GPUಗಳನ್ನು ಬಳಸಲಾಗಿಲ್ಲ. ಮತ್ತು ಇದನ್ನು ಕೇವಲ ಒಂದು API ಹಿಂದೆ ಮರೆಮಾಚುವ ಬದಲು, Meituan ತನ್ನ weights, training code ಮತ್ತು ಸಂಪೂರ್ಣ data pipeline ಅನ್ನು ಯಾರು ಬೇಕಾದರೂ ಪರಿಶೀಲಿಸಲು GitHub ನಲ್ಲಿ ಬಿಡುಗಡೆ ಮಾಡಿದೆ.
LongCat 2.0 ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ತರುತ್ತದೆ
ಮೊದಲು ನಾವು ಹಾರ್ಡ್ವೇರ್ನಿಂದ ಸ್ವತಂತ್ರವಾದ ಸತ್ಯಗಳನ್ನು ನೋಡೋಣ. 1.6 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ಗಳೊಂದಿಗೆ, LongCat 2.0 ಇದುವರೆಗೆ ಬಿಡುಗಡೆಯಾದ ಅತಿದೊಡ್ಡ open-weight ಮಾದರಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಗುಣಮಟ್ಟದ ಏಕೈಕ ಅಳತೆಯಲ್ಲದಿದ್ದರೂ, ಇಷ್ಟು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿರುವುದು ಗಂಭೀರವಾದ ಎಂಜಿನಿಯರಿಂಗ್ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇದು Mixture-of-Experts ವಿನ್ಯಾಸವನ್ನು ಬಳಸುವುದರಿಂದ, ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕಾಗಿ ಆ ಪ್ಯಾರಾಮೀಟರ್ಗಳಲ್ಲಿ ಒಂದು ಸಣ್ಣ ಭಾಗ ಮಾತ್ರ ಸಕ್ರಿಯಗೊಳ್ಳುತ್ತದೆ. ಇದು ಮಾದರಿಯು ಅಪಾರ ಪ್ರಮಾಣದ ಜ್ಞಾನ ಮತ್ತು ತರ್ಕದ ಮಾದರಿಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತಲೇ, inference ವೆಚ್ಚಗಳು ಅತಿಯಾಗಿ ಏರದಂತೆ ತಡೆಯುತ್ತದೆ.
ಇದರ context window ಒಂದು ಮಿಲಿಯನ್ ಟೋಕನ್ಗಳವರೆಗೆ ಇರುತ್ತದೆ. ಇದು OpenAI ಮತ್ತು Anthropic ನ ಉನ್ನತ ಮಟ್ಟದ ಸೇವೆಗಳಿಗೆ ಸಮಾನವಾಗಿದೆ ಮತ್ತು ಮಾದರಿಯು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಏನು ಮಾಡಬಲ್ಲದು ಎಂಬುದನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಇಷ್ಟು ದೊಡ್ಡ ವಿಂಡೋ ಇರುವುದರಿಂದ, ನೀವು ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ನಲ್ಲಿ ಸಂಪೂರ್ಣ ಕಾನೂನು ಒಪ್ಪಂದಗಳು, ತಿಂಗಳುಗಟ್ಟಲೆ ಚಾಟ್ ಲಾಗ್ಗಳು ಅಥವಾ ಬೃಹತ್ ಕೋಡ್ ರೆಪೊಸಿಟರಿಗಳನ್ನು ನೀಡಬಹುದು. ದೀರ್ಘ ದಾಖಲೆಗಳಾದ್ಯಂತ ನೆನಪಿನ ಶಕ್ತಿ (memory) ಅಗತ್ಯವಿರುವ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಡೆವಲಪರ್ಗಳಿಗೆ, ಇದು ಕೇವಲ ಸಣ್ಣ ಸುಧಾರಣೆಯಲ್ಲ; ಇದು ಒಂದು ಕಾರ್ಯಚಟುವಟಿಕೆಯ ಅಗತ್ಯತೆಯಾಗಿದೆ.
ನಂತರ ಇದರ ಮುಕ್ತತೆಯ ಬಗ್ಗೆ ಹೇಳಬೇಕೆಂದರೆ. Meituan ಕೇವಲ ಸೀಮಿತವಾದ ડેಮೋ ಅಥವಾ ನಿರ್ಬಂಧಿತ API ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿಲ್ಲ. ಮಾದರಿಯ weights ಲಭ್ಯವಿದೆ, training code ಸಾರ್ವಜನಿಕವಾಗಿದೆ ಮತ್ತು pipeline ಕೂಡ ಹಾಗೆಯೇ ಇದೆ. ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರಾವರ್ತಿಸಲು ಬಯಸುವ ಸಂಶೋಧಕರಿಗೆ, ನಡವಳಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕಾದ ಉದ್ಯಮಗಳಿಗೆ ಮತ್ತು ಯಾವುದೇ ಡೇಟಾವನ್ನು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಸರ್ವರ್ಗೆ ಕಳುಹಿಸದೆ ಸ್ವಂತ ಡೇಟಾದ ಮೇಲೆ ಮಾದರಿಯನ್ನು fine-tune ಮಾಡಬೇಕಾದ ಎಂಜಿನಿಯರ್ಗಳಿಗೆ ಇದು ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ.
ಎಲ್ಲರೂ ಗಮನಿಸದ ಹಾರ್ಡ್ವೇರ್ ಕಥೆ
ಇಲ್ಲಿನ ಮುಖ್ಯ ವಿಷಯ ಕೇವಲ ಪ್ಯಾರಾಮೀಟರ್ ಸಂಖ್ಯೆಯಲ್ಲ, ಬದಲಾಗಿ ಅದರ ಅಡಿಯಲ್ಲಿರುವ ಸಿಲಿಕಾನ್. LongCat 2.0 ಅನ್ನು ದೇಶೀಯ ಅಕ್ಸೆಲರೇಟರ್ಗಳ ಮೇಲೆ, ವಿಶೇಷವಾಗಿ Huawei Ascend ಸರಣಿಯಂತಹ ಚಿಪ್ಗಳ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ. ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಫ್ರೇಮ್ವರ್ಕ್ ಅನ್ನು NVIDIA ಕ್ಲಸ್ಟರ್ ಮೇಲೆ ಅಳವಡಿಸಿ ರನ್ ಮಾಡುವ ವಿಧಾನಕ್ಕಿಂತ ಸಂಪೂರ್ಣವಾಗಿ ಭಿನ್ನವಾಗಿದೆ.
ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಅತ್ಯಂತ ಕಠಿಣ ಮಟ್ಟದ ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಬೇಕಾಗುತ್ತದೆ. ಮೆಮೊರಿ ಬ್ಯಾಂಡ್ವಿಡ್ತ್, ಚಿಪ್ಗಳ ನಡುವಿನ ಸಂವಹನ ಮತ್ತು ಫ್ಲೋಟಿಂಗ್-ಪಾಯಿಂಟ್ ಕಾರ್ಯಕ್ಷಮತೆ ಎಲ್ಲವನ್ನೂ ಅತ್ಯಂತ ನಿಖರವಾಗಿ ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ. NVIDIA ನ ಅನುಕೂಲವು ಕೇವಲ GPU ಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿಲ್ಲ. ಅದು CUDA ecosystem, ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿದ kernels ಮತ್ತು ಆ ತಂತ್ರಜ್ಞಾನದಿಂದ ಗರಿಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೇಗೆ ಪಡೆಯಬೇಕೆಂಬ ಸಾಮೂಹಿಕ ಜ್ಞಾನವಾಗಿದೆ. Ascend ಹಾರ್ಡ್ವೇರ್ ಮೇಲೆ ಅಂತಹ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಬೇಕೆಂದರೆ, Meituan ಎಂಜಿನಿಯರ್ಗಳು ತರಬೇತಿ ಫ್ರೇಮ್ವರ್ಕ್ಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು, ಲೋ-ಲೆವೆಲ್ ಆಪರೇಷನ್ಗಳನ್ನು ಮರುಬರೆಯುವುದು ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಭಿನ್ನವಾದ ಆರ್ಕಿಟೆಕ್ಚರ್ನಲ್ಲಿ ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಟ್ರೈನಿಂಗ್ ರನ್ಗಳನ್ನು ಡಿಬಗ್ ಮಾಡುವಂತಹ ಕಠಿಣ ಕೆಲಸಗಳನ್ನು ಮಾಡಬೇಕಿತ್ತು.
ಅವರು ಯಶಸ್ವಿಯಾಗಿದ್ದಾರೆ ಎಂದರೆ ಅದು ಕೇವಲ ಒಂದು ಮಾದರಿಯ ವಿಷಯವಲ್ಲ. ಪಶ್ಚಿಮದ ಚಿಪ್ಗಳ ಕೊರತೆಯು ಈಗ ದೊಡ್ಡ ಅಡಚಣೆಯಲ್ಲದಷ್ಟು ಚೀನಾದ ಹಾರ್ಡ್ವೇರ್-ಸಾಫ್ಟ್ವೇರ್ ಸಹ-ವಿನ್ಯಾಸವು (co-design) ಪ್ರಬುದ್ಧವಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಇದು ತೋರಿಸುತ್ತದೆ. ಇದು ಒಂದು ಸವಾಲು ಮತ್ತು ದುಬಾರಿ ಸವಾಲು, ಆದರೆ ಅಸಾಧ್ಯವಾದ ಅಡೆತಡೆಯಲ್ಲ.
ಇದು ವಾಸ್ತವವಾಗಿ ಎಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ
LongCat 2.0 ಚೀನೀ ತರ್ಕ (reasoning), ಗಣಿತ ಮತ್ತು ದೀರ್ಘ-ಸಂದರ್ಭದ ಮಾಹಿತಿ ಹುಡುಕಾಟದಲ್ಲಿ (long-context retrieval) ಉತ್ತಮ ಅಂಕಗಳನ್ನು ಗಳಿಸಿದೆ. ಇವು ನಿರ್ದಿಷ್ಟವಾದ ಮತ್ತು ಹೆಚ್ಚಿನ ಮೌಲ್ಯದ ಮಾನದಂಡಗಳಾಗಿವೆ. ಗಣಿತದ ತರ್ಕವು ತರ್ಕ ಮತ್ತು ಸಂಕೇತಗಳ ನಿರ್ವಹಣೆಯನ್ನು (symbolic manipulation) ಮಾಡುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ. Long-context retrieval ಎಂಬುದು ಒಂದು ಮಿಲಿಯನ್ ಟೋಕನ್ಗಳ ಬೃಹತ್ ಮಾಹಿತಿಯ ನಡುವೆ ಒಂದು ಸಣ್ಣ ಮಾಹಿತಿಯನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ ಹುಡುಕಬಲ್ಲದೇ ಎಂದು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಈ ಎರಡನ್ನೂ ಪಾಸು ಮಾಡುವುದು, ಕೇವಲ ಬುದ್ಧಿವಂತಂತೆ ಕೇಳಿಸುವ ಮಾದರಿ ಮತ್ತು ನಿಜವಾಗಿಯೂ ಕೆಲಸ ಮಾಡಬಲ್ಲ ಮಾದರಿ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ.
Meituan ಇದನ್ನು Llama, DeepSeek ಮತ್ತು Qwen ಗೆ ನೇರ ಪರ್ಯಾಯವಾಗಿ ಮಂಡಿಸುತ್ತಿದೆ. ಚೀನೀ ಭಾಷೆಯ ಕಾರ್ಯಗಳಿಗೆ, ಆ ಸ್ಪರ್ಧೆಯು ವಿಶೇಷವಾಗಿ ತೀವ್ರವಾಗಿದೆ. ಪ್ರಧಾನವಾಗಿ ಇಂಗ್ಲಿಷ್ ಇಂಟರ್ನೆಟ್ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು (models) ಸಾಂಪ್ರದಾಯಿಕ ಚೀನೀ ಉಲ್ಲೇಖಗಳು, ಸ್ಥಳೀಯ ನಿಯಂತ್ರಕ ಭಾಷೆ, ಮುಖ್ಯ ಭೂಭಾಗದ ಮಾರುಕಟ್ಟೆಗಳಲ್ಲಿ ಬಳಸುವ ಹಣಕಾಸಿನ ಪದಕೋಶ ಮತ್ತು ಚೀನೀ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮಗಳಲ್ಲಿ ಪ್ರಬಲವಾಗಿರುವ ಅನೌಪಚಾರಿಕ ಸಂಕ್ಷಿಪ್ತ ರೂಪಗಳ ವಿಷಯದಲ್ಲಿ ಎಡವುತ್ತವೆ. ಚೀನೀ ಗ್ರಾಹಕರ ನಡವಳಿಕೆಯ ಮೇಲೆ ತನ್ನ ಪ್ರಮುಖ ವ್ಯವಹಾರವನ್ನು ನಡೆಸುವ ಕಂಪನಿಯಿಂದ ಪೂರೈಕೆಯಾದ, ಆಳವಾದ ಚೀನೀ ಭಾಷಾ ಕೌಶಲ್ಯದೊಂದಿಗೆ ನಿರ್ಮಿಸಲಾದ ಮಾದರಿಯು ಅಂತಹ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ರಚನಾತ್ಮಕ ಅನುಕೂಲವನ್ನು ಹೊಂದಿದೆ.
ಇದು ಕೇವಲ ಚಾಟ್ಬಾಟ್ಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿಲ್ಲ. PRC ಒಪ್ಪಂದದ ಕಾನೂನನ್ನು ವಿಶ್ಲೇಷಿಸುವ लीಗಲ್ಟೆಕ್ (Legaltech) ಸಂಸ್ಥೆಗಳು, ಐತಿಹಾಸಿಕ ಪಠ್ಯಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸಂಶೋಧಕರು, ಮ್ಯಾಂಡರಿನ್ ಸಾಲದ ದಾಖಲೆಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಬ್ಯಾಂಕ್ಗಳು ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಉಪಭಾಷೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಗ್ರಾಹಕ ಸೇವಾ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗೆ ಇಂಗ್ಲಿಷ್-ಕೇಂದ್ರಿತ ದೃಷ್ಟಿಕೋನದಿಂದ ಅನುವಾದಿಸುವ ಬದಲು ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮಾದರಿಗಳ ಅಗತ್ಯವಿದೆ.
Meituan ನ ಗುಪ್ತ ಅಸ್ತ್ರ: ಪ್ರಮಾಣ ಮತ್ತು ಡೇಟಾ
Meituan ಕೇವಲ ಪಾರ್ಶ್ವದಲ್ಲಿ ಡೆಲಿವರಿ ಆಪ್ ಹೊಂದಿರುವ ಸಂಶೋಧನಾ ಪ್ರಯೋಗಾಲಯವಲ್ಲ. ಇದು ಪ್ರತಿದಿನ ಚೀನಾಾದ್ಯಂತ ಲಕ್ಷಾಂತರ ರೈಡರ್ಗಳು, ರೆಸ್ಟೋರೆಂಟ್ಗಳು ಮತ್ತು ವ್ಯಾಪಾರಿಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಕಾರ್ಯಾಚರಣೆಯ ದೈತ್ಯ ಶಕ್ತಿಯಾಗಿದೆ (operational juggernaut). ಆ ಪ್ರಮಾಣವು ನೈಜ ಪ್ರಪಂಚದ ಭಾಷಾ ಡೇಟಾದ ಪ್ರವಾಹವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಚಾಟ್ಬಾಟ್ಗಳಿಗೆ ತಲುಪುವ ಗ್ರಾಹಕರ ದೂರುಗಳು. ಪ್ರಾದೇಶಿಕ ಉಪಭಾಷೆಗಳನ್ನು ಔಪಚಾರಿಕ ವ್ಯವಹಾರ ನೋಂದಣಿ ವಿವರಗಳೊಂದಿಗೆ ಬೆರೆಸುವ ರೆಸ್ಟೋರೆಂಟ್ ವಿವರಣೆಗಳು. ವಿಳಾಸ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅನೌಪಚಾರಿಕ ಗುರುತುಗಳೊಂದಿಗೆ ಬೆರೆಸುವ ಮಾರ್ಗದರ್ಶನ ಸೂಚನೆಗಳು. ತೆರಿಗೆಗಳು, ನೈರ್ಮಲ್ಯ ನಿಯಮಗಳು ಮತ್ತು ಸ್ಥಳೀಯ ಆದೇಶಗಳ ಬಗ್ಗೆ ತಿಳಿಸುವ ವ್ಯಾಪಾರಿ ಸೇವಾ ಟಿಕೆಟ್ಗಳು.
ಈ ಡೇಟಾ ಗೊಂದಲಮಯವಾಗಿದೆ, ಸಂದರ್ಭೋಚಿತವಾಗಿದೆ ಮತ್ತು ಸಾಮಾನ್ಯ ವೆಬ್ ಕ್ರಾಲ್ ಡೇಟಾ (web crawl data) ಎಂದಿಗೂ ಅನುಕರಿಸಲಾಗದ ರೀತಿಯಲ್ಲಿ ಆಳವಾಗಿ ಸ್ಥಳೀಯವಾಗಿದೆ. ಇದನ್ನು LongCat 2.0 ಗೆ ಪೂರೈಕೆ ಮಾಡುವುದು ಮಾದರಿಗೆ ಕೇವಲ ಶೈಕ್ಷಣಿಕ ತರಬೇತಿ ಕಾರ್ಯಗಳಿಗೆ ಇಲ್ಲದ ಪ್ರಾಯೋಗಿಕ ಅಡಿಪಾಯವನ್ನು ನೀಡುತ್ತದೆ. ಪರಿಷ್ಕೃತ ವಿಕಿಪೀಡಿಯಾ ಪಠ್ಯದ ಮೇಲೆ ತರಬೇತಿ ಮಾಡುವುದು ಒಂದು ವಿಷಯವಾದರೆ, ನೈಜ ವಾಣಿಜ್ಯದ ಗೊಂದಲಮಯ, ವಹಿವಾಟಿನ ಭಾಷೆಯ ಮೇಲೆ ತರಬೇತಿ ಮಾಡುವುದು ಮತ್ತೊಂದು ವಿಷಯವಾಗಿದೆ.
ನೆಲವು ಏಕೆ ಬದಲಾಗುತ್ತಿದೆ
ಕಂಪನಿಗಳು ದೇಶೀಯ ಸಿಲಿಕಾನ್ (domestic silicon) ಮೇಲೆ ಫ್ರಾಂಟಿಯರ್-ಕ್ಲಾಸ್ (frontier-class) ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸಬಲ್ಲದಾದಲ್ಲಿ, ಚಿಪ್ ರಫ್ತು ನಿರ್ಬಂಧಗಳ ಹಿಂದಿನ ಸಂಪೂರ್ಣ ಕಾರ್ಯತಂತ್ರದ ತರ್ಕವು ಕುಸಿಯಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. NVIDIA ಪೂರೈಕೆ ಸರಪಳಿಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದರಿಂದ AI ಸಾಮರ್ಥ್ಯವನ್ನು ನಿಯಂತ್ರಿಸಬಹುದು ಎಂಬ ಊಹೆಯ ಮೇಲೆ ಈ ನಿರ್ಬಂಧಗಳನ್ನು ರೂಪಿಸಲಾಗಿತ್ತು. ಯಾವುದೇ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರ್ಯಾಯ ಪರಿಸರ ವ್ಯವಸ್ಥೆ (ecosystem) ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂದು ಆ ಊಹೆಯು ಭಾವಿಸಿತ್ತು.
LongCat 2.0 ಎಂಬುದು ಚೀನೀ ಚಿಪ್ಗಳು ಪ್ರತಿಯೊಂದು ಮಾನದಂಡದಲ್ಲಿ NVIDIA ಗೆ ಸಮನಾಗಿವೆ ಎಂದು ಘೋಷಿಸುವುದಲ್ಲ. ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅವುಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಸಮನಾಗಿರಬೇಕಾಗಿಲ್ಲ ಎಂಬುದಕ್ಕೆ ಇದು ಸಾಕ್ಷಿಯಾಗಿದೆ. ಸಾಕಷ್ಟು ಮೆಮೊರಿ, ಸಾಕಷ್ಟು ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮತ್ತು ಸಾಕಷ್ಟು ಸ್ಮಾರ್ಟ್ ಸಾಫ್ಟ್ವೇರ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸ್ಪರ್ಧಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಲು ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಇದು ಸಂಪೂರ್ಣ ಸಮಾನತೆಗಿಂತ