Apache 2.0 ಪರವಾನgetಿಯ ಅಡಿಯಲ್ಲಿ ಬಿಡುಗಡೆಯಾದ 975-ಬಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಮಾದರಿಯಾದ Inkling ಮತ್ತು Moonshot AI ನ 2.8-ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಹೊಂದಿರುವ Kimi K3 ಒಂದೇ ದಿನದಲ್ಲಿ ಮಾರುಕಟ್ಟೆಗೆ ಪ್ರವೇಶಿಸಿವೆ.

ಈ ಸಮಯದ ಮಹತ್ವವೇನು

ಈ ಎರಡು ಬಿಡುಗಡೆಗಳು ಕೇವಲ ಕಾಕತಾಳೀಯವಾಗಿ ನಡೆದವುಗಳಲ್ಲ. Thinking Machines Lab ಬೆಳಿಗ್ಗೆ Inkling ಅನ್ನು ಘೋಷಿಸಿತು, ಅದರ ಸುಲಭವಾದ fine-tuning ಮತ್ತು ನಿರ್ಬಂಧವಿಲ್ಲದ ನಿಯೋಜನೆಯನ್ನು (deployment) ಪ್ರಚಾರ ಮಾಡಿತು. ಹದಿನಾರು ಗಂಟೆಗಳ ನಂತರ Moonshot AI ತನ್ನ Kimi K3 ಅನ್ನು Frontend Code Arena ನ ಉನ್ನತ ಸ್ಥಾನಕ್ಕೆ ತಲುಪಿಸಿತು. ಇವೆರಡೂ ಒಟ್ಟಾಗಿ "open-weight frontier" ಅನ್ನು — ಅಂದರೆ ಯಾರೂ ಕೂಡ ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದಾದ ಮತ್ತು ಮಾರ್ಪಡಿಸಬಹುದಾದ ಮಾದರಿಗಳನ್ನು — ಕೇವಲ ಅಂಚಿನಿಂದ AI ಅಭಿವೃದ್ಧಿಯ ಕೇಂದ್ರಭಾಗಕ್ಕೆ ತರುತ್ತಿವೆ.

ಇಲ್ಲಿಗೆ ತಲುಪಿಸುವ ಹಾದಿ

ವರ್ಷಗಳಿಂದ, ಅತ್ಯಂತ ಸಮರ್ಥ ಭಾಷಾ ಮಾದರಿಗಳು (language models) ವಾಣಿಜ್ಯ APIಗಳ ಹಿಂದೆ ಅಡಗಿದ್ದವು. ಕಂಪನಿಗಳು ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಶುಲ್ಕ ಪಾವತಿಸಬೇಕಾಗುತ್ತಿತ್ತು, ಬಳಕೆಯ ಮಿತಿಗಳೊಂದಿಗೆ ಬದುಕಬೇಕಾಗಿತ್ತು ಮತ್ತು ತಮ್ಮ ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳ ಮೇಲಿನ ನಿಯಂತ್ರಣವನ್ನು ಬಿಟ್ಟುಕೊಡಬೇಕಾಗಿತ್ತು. Open-weight ಯೋಜನೆಗಳು ಇದ್ದವು, ಆದರೆ ಅವು ಬಹಳ ಚಿಕ್ಕದಾಗಿದ್ದವು ಅಥವಾ ತರಬೇತಿ ನೀಡಲು ಬೃಹತ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅಗತ್ಯವಿತ್ತು, ಇದು ಅವುಗಳ ನೈಜ ಪ್ರಭಾವವನ್ನು ಸೀಮಿತಗೊಳಿಸಿತ್ತು. ಬಿಡುಗಡೆಯ ವೇಗವು ಹಳೆಯ ಕಂಪನಿಗಳಿಗೆ ಅನುಕೂಲಕರವಾಗಿತ್ತು: OpenAI ನ ಪ್ರಮುಖ ಮಾದರಿಯು ತನ್ನ ಪ್ರಸ್ತುತ ಮಟ್ಟವನ್ನು ತಲುಪಲು ಐದು ವರ್ಷಗಳನ್ನು ತೆಗೆದುಕೊಂಡರೆ, Thinking Machines Lab ಕೇವಲ ಒಂಬತ್ತು ತಿಂಗಳುಗಳಲ್ಲಿ Inkling ನ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಮಿಸಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ.

ಇಲ್ಲಿ ಏನಿದೆ ಪಣ?

  • ಮಾಡೆಲ್ ಸ್ವಾತಂತ್ರ್ಯ (Model independence) – Apache 2.0 ಪರವಾನಗಿ ಯಾರೇ ಆದರೂ ಅನುಮತಿ ಕೇಳದೆ Inkling ಅನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಲು, ಬದಲಾಯಿಸಲು ಮತ್ತು ಯಾವುದೇ ಮೂಲಸೌಕರ್ಯದಲ್ಲಿ ಚಲಾಯಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಉದ್ಯಮಗಳು ತಮ್ಮ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ (on-premises) ಇಟ್ಟುಕೊಳ್ಳಬಹುದು ಮತ್ತು ವೆಂಡರ್ ಲಾಕ್-ಇನ್‌ನಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದು.
  • ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಮಾನತೆ (Performance parity) – Kimi K3 ಕೋಡಿಂಗ್ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮ ಕ್ಲೋಸ್ಡ್ ಮಾದರಿಗಳಿಗೆ (closed models) ಸಮಾನವಾಗಿದೆ.
  • ನಾವೀನ್ಯತೆಯ ವೇಗ – Thinking Machines ಕೇವಲ ಒಂಬತ್ತು ತಿಂಗಳುಗಳಲ್ಲಿ ಈ ಮಟ್ಟವನ್ನು ತಲುಪಿದೆ.
  • ಸಾರ್ವಭೌಮತ್ವ (Sovereignty) – ಬಾಹ್ಯ ನಿಯಂತ್ರಣದ ಬಗ್ಗೆ ಕಳವಳ ಹೊಂದಿರುವ ರಾಷ್ಟ್ರಗಳು ಮತ್ತು ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳಿಗೆ ಈಗ ನೇರವಾಗಿ ನಿರ್ವಹಿಸಬಹುದಾದ ಒಂದು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರ್ಯಾಯ ಮಾರ್ಗ ಲಭ್ಯವಿದೆ.

ಎರಡು ವಿಭಿನ್ನ ಕಾರ್ಯತಂತ್ರಗಳು ಹೊರಹೊಮ್ಮುತ್ತಿವೆ

  1. ಕಸ್ಟಮೈಸೇಶನ್ ಮಾರ್ಗ (The Customization Path) – Inkling ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಅತ್ಯಂತ ಬಲಿಷ್ಠ ಮಾದರಿಯಲ್ಲಿದ್ದರೂ, ಅದರ ಪರವಾನಗಿ ಮತ್ತು ಆರ್ಕಿಟೆಕ್ಚರ್ ಡೊಮೇನ್ ಜ್ಞಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು, ಸ್ವಂತ ಅಸಿಸ್ಟೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅಥವಾ ಹೊಸ ಪ್ರಾಂಪ್ಟಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಪ್ರಯತ್ನಿಸಲು ಬಯಸುವ ತಂಡಗಳಿಗೆ ಇದು ಸೂಕ್ತವಾಗಿದೆ.
  2. ಸ್ಕೇಲ್ ಮಾರ್ಗ (The Scale Path) – Kimi K3 ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸ್ಕೋರ್‌ಗಳಲ್ಲಿ ಉನ್ನತ ಕ್ಲೋಸ್ಡ್-ಸೋರ್ಸ್ ಉತ್ಪನ್ನಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸ್ಪರ್ಧಿಸುತ್ತದೆ. ಅತ್ಯುನ್ನತ ನಿಖರತೆಯನ್ನು ಬಯಸುವ ಸಂಸ್ಥೆಗಳು, ಮಲ್ಟಿ-ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೋಸ್ಟ್ ಮಾಡುವ ಹೊರೆ ಎತ್ತಿಕೊಳ್ಳಲು ಸಿದ್ಧರಿದ್ದು, ಇದರತ್ತ ವಾಲಬಹುದು.

ವಿರೋಧಾಭಿಪ್ರಾಯಗಳು ಮತ್ತು ಎಚ್ಚರಿಕೆ

Open-weight ಮಾದರಿಗಳು ಇನ್ನೂ ಕೆಲವು ವೆಚ್ಚಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. 2.8-ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ವ್ಯವಸ್ಥೆಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಅಥವಾ fine-tuning ಮಾಡಲು ಬೃಹತ್ GPU ಕ್ಲಸ್ಟರ್‌ಗಳು, ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಟ್ರೈನಿಂಗ್‌ನಲ್ಲಿ ಪರಿಣತಿ ಮತ್ತು ಬಲಿಷ್ಠ ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳು ಬೇಕು—ಇವು ಅನೇಕ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳ ಬಳಿ ಇಲ್ಲದ ಸಂಪನ್ಮೂಲಗಳು. ಮುಕ್ತತೆ ಎಂದರೆ ಗುಣಮಟ್ಟದ ಭರವಸೆಯಲ್ಲ; ಸಮುದಾಯವು ಇನ್ನೂ ಮಾದರಿಗಳನ್ನು ಪೂರ್ವಾಗ್ರಹ (bias), ಭದ್ರತಾ ದೋಷಗಳು ಮತ್ತು ನಿಯಂತ್ರಕ ಅನುಸರಣೆಗಾಗಿ ಪರಿಶೀಲಿಸಬೇಕಾಗುತ್ತದೆ. ಕೇವಲ ಒಂದು ಕೋಡಿಂಗ್ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿ ಕಂಡುಬರುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮುನ್ನಡೆ, ವೈದ್ಯಕೀಯ ರೋಗನಿರ್ಣಯ ಅಥವಾ ಕಾನೂನು ತರ್ಕದಂತಹ ಇತರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮುಂದುವರಿಯಲಿಕ್ಕಿಲ್ಲ.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

  • ಅಳವಡಿಕೆಯ ಪ್ರವೃತ್ತಿಗಳು (Adoption curves) – ಮೂಲಸೌಕರ್ಯ ವೆಚ್ಚವನ್ನು ಡೇಟಾ-ನಿಯಂತ್ರಣದ ಪ್ರಯೋಜನಗಳ ಮೂಲಕ ಉದ್ಯಮಗಳು ಸರಿದೂಗಿಸಬಲ್ಲವೇ ಎಂಬುದನ್ನು ಆರಂಭಿಕ ಬಳಕೆದಾರರು ತೋರಿಸುತ್ತಾರೆ.
  • ಇಕೋಸಿಸ್ಟಮ್ ಟೂಲಿಂಗ್ (Ecosystem tooling) – ಓಪನ್-ಸೋರ್ಸ್ ಇನ್ಫರೆನ್ಸ್ ರನ್‌ಟೈಮ್‌ಗಳು, ಕ್ವಾಂಟೈಸೇಶನ್ ಲೈಬ್ರರಿಗಳು ಮತ್ತು ಮಾದರಿ-ನಿರ್ವಹಣಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು, ಡೆವಲಪರ್‌ಗಳು ಡೌನ್‌ಲೋಡ್‌ನಿಂದ ಉತ್ಪಾದನೆಗೆ (production) ಎಷ್ಟು ವೇಗವಾಗಿ ಚಲಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ.
  • ನಿಯಂತ್ರಕ ಪ್ರತಿಕ್ರಿಯೆ – ಸರ್ಕಾರಗಳು ರಾಷ್ಟ್ರೀಯ ಗಡಿಯೊಳಗೆ ಇರುವ ಮಾದರಿಗಳಿಗೆ ಅನುಕೂಲವಾಗುವಂತೆ ನೀತಿಗಳನ್ನು ರೂಪಿಸಬಹುದು, ಇದು ಸಂಭಾವ್ಯವಾಗಿ open-weight ನಿಯೋಜನೆಗಳತ್ತ ಬದಲಾವಣೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.
  • ಸ್ಪರ್ಧಾತ್ಮಕ ಬಿಡುಗಡೆಗಳು – ಇತರ ಪ್ರಯೋಗಾಲಯಗಳು ಈ ಎರಡು-ಬಿಡುಗಡೆಗಳ ತಂತ್ರವನ್ನು ಅನುಕರಿಸಿದರೆ, ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ದೊಡ್ಡ ಮಟ್ಟದ, ಮುಕ್ತ ಪರವಾನಗಿ ಹೊಂದಿರುವ ಮಾದರಿಗಳ ಹರಿವು ಕಂಡುಬರಬಹುದು, ಇದು ಪ್ರೊಪ್ರೈಟರಿ APIಗಳ ಪ್ರಾಬಲ್ಯವನ್ನು ಮತ್ತಷ್ಟು ಕುಗ್ಗಿಸಬಹುದು.

ಪ್ರಾಯೋಗಿಕ ತೀರ್ಮಾನ

ನಾಯಕರು ತಮ್ಮ AI ಸ್ಟ್ಯಾಕ್‌ಗಳಲ್ಲಿ ಬಾಹ್ಯ APIಗಳ ಮೇಲಿನ ಏಕಪಕ್ಷೀಯ ಅವಲಂಬನೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಕನಿಷ್ಠ ಅಡಚಣೆಯೊಂದಿಗೆ ಮಾದರಿಗಳನ್ನು ಬದಲಾಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಅಬ್‌ಸ್ಟ್ರಾಕ್ಷನ್ ಲೇಯರ್‌ಗಳನ್ನು (abstraction layers) ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಬೇಕು. ಮೌಲ್ಯದ ಉದ್ದೇಶವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಮಾದರಿಯನ್ನು ಹೊಂದಿರಲಿ ಎನ್ನುವುದಕ್ಕಿಂತ, ಕೆಲಸಕ್ಕೆ ಸೂಕ್ತವಾದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು, ಕಸ್ಟಮೈಸ್ ಮಾಡಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ಇರುವ ನಮ್ಯತೆಯನ್ನು (flexibility) ಹೊಂದಿರುವುದಕ್ಕೆ ಬದಲಾಗುತ್ತಿದೆ.