സാങ്കേതിക നയരൂപീകരണ മേഖലകളിൽ വർഷങ്ങളായി നിലനിൽക്കുന്ന ഒരു അനുമാനമുണ്ട്: NVIDIA ചിപ്പുകൾ ഇല്ലെങ്കിൽ, അത്യാധുനിക AI (frontier AI) ഉണ്ടാവില്ല. H100, പുതിയ Blackwell ലൈൻ തുടങ്ങിയ ഉയർന്ന നിലവാരമുള്ള GPU-കൾക്കുമേലുള്ള കയറ്റുമതി നിയന്ത്രണങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് കൃത്യമായി ഈ തടസ്സത്തെ ലക്ഷ്യം വെച്ചാണ്. മികച്ച സിലിക്കൺ ചിപ്പുകളുടെ ലഭ്യത തടഞ്ഞാൽ, ഏറ്റവും വലിയതും ശേഷിയുള്ളതുമായ മോഡലുകൾ പരിശീലിപ്പിക്കാനുള്ള ഒരു രാജ്യത്തിന്റെ കഴിവിനെ തളർത്താം എന്നതായിരുന്നു ആ സിദ്ധാന്തം. Meituan ഈ വാദത്തെ തെറ്റാണെന്ന് തെളിയിച്ചിരിക്കുകയാണ്.
ഭക്ഷണ വിതരണത്തിലും പ്രാദേശിക സേവനങ്ങളിലും ആധിപത്യം പുലർത്തുന്ന ചൈനീസ് ടെക് ഭീമനായ Meituan, LongCat 2.0 പുറത്തിറക്കി. Mixture-of-Experts ആർക്കിടെക്ചറിൽ നിർമ്മിച്ച 1.6 ട്രില്യൺ പാരാമീറ്ററുകളുള്ള ഒരു മോഡലാണിത്. ഇതിലെ പ്രധാന കാര്യം എന്തെന്നാൽ, ഈ ടീം ഇത് പൂർണ്ണമായും ചൈനീസ് ആഭ്യന്തര ചിപ്പുകൾ ഉപയോഗിച്ചാണ് പരിശീലിപ്പിച്ചത് എന്നതാണ്. NVIDIA H100-കളോ Blackwell GPU-കളോ ഇതിനായി ഉപയോഗിച്ചിട്ടില്ല. കൂടാതെ, ഒരു API-ക്ക് പിന്നിൽ ഒളിപ്പിച്ചു വെക്കുന്നതിന് പകരം, ആർക്കും പരിശോധിക്കാനായി LongCat 2.0-ന്റെ weights, training code, പൂർണ്ണമായ data pipeline എന്നിവ Meituan GitHub-ൽ ലഭ്യമാക്കിയിട്ടുണ്ട്.
LongCat 2.0 യഥാർത്ഥത്തിൽ എന്താണ് കൊണ്ടുവരുന്നത്
നമുക്ക് ആദ്യം ഹാർഡ്വെയറുമായി ബന്ധമില്ലാത്ത വസ്തുതകൾ പരിശോധിക്കാം. 1.6 ട്രില്യൺ പാരാമീറ്ററുകളുള്ള LongCat 2.0, ഇതുവരെ പുറത്തിറങ്ങിയതിൽ വച്ച് ഏറ്റവും വലിയ ഓപ്പൺ-വെയ്റ്റ് (open-weight) മോഡലുകളിൽ ഒന്നാണ്. പാരാമീറ്ററുകൾ മാത്രമാണ് ഗുണനിലവാരത്തിന്റെ അളവുകോൽ എന്നല്ല, എന്നാൽ ഇത്രയും വലിയ അളവിൽ അവ ഗൗരവകരമായ എഞ്ചിനീയറിംഗ് ലക്ഷ്യങ്ങളെ സൂചിപ്പിക്കുന്നു. ഇതിൽ Mixture-of-Experts ഡിസൈൻ ഉപയോഗിക്കുന്നതിനാൽ, ഏതൊരു പ്രത്യേക ജോലിക്കും ആ പാരാമീറ്ററുകളിൽ ഒരു ചെറിയ ഭാഗം മാത്രമേ സജീവമാകൂ. ഇത് മോഡലിന് വിപുലമായ അറിവും യുക്തിചിന്താ രീതികളും (reasoning patterns) സൂക്ഷിക്കാൻ അനുവദിക്കുന്നതോടൊപ്പം തന്നെ, ഇൻഫറൻസ് ചിലവ് (inference costs) അമിതമായി കൂടുന്നത് തടയുകയും ചെയ്യുന്നു.
ഇതിന്റെ കോൺടെക്സ്റ്റ് വിൻഡോ (context window) പത്ത് ലക്ഷം (one million) ടോക്കണുകളാണ്. ഇത് OpenAI, Anthropic എന്നിവരുടെ ഉയർന്ന നിലവാരമുള്ള സേവനങ്ങൾക്ക് തുല്യമാണ്, കൂടാതെ ഇത് മോഡലിന് പ്രായോഗികമായി ചെയ്യാൻ കഴിയുന്ന കാര്യങ്ങളെ മാറ്റിമറിക്കുന്നു. ഇത്രയും വലിയ വിൻഡോ ഉള്ളതിനാൽ, നിങ്ങൾക്ക് മുഴുവൻ നിയമ കരാറുകളോ, മാസങ്ങളായുള്ള ചാറ്റ് ലോഗുകളോ, അല്ലെങ്കിൽ വലിയ കോഡ് റിപ്പോസിറ്ററുകളോ ഒരൊറ്റ പ്രോംപ്റ്റിലൂടെ നൽകാൻ കഴിയും. ദീർഘമായ രേഖകളിൽ മെമ്മറി ആവശ്യമായ ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്ന ഡെവലപ്പർമാരെ സംബന്ധിച്ചിടത്തോളം, ഇത് വെറുമൊരു ചെറിയ പുരോഗതിയല്ല; മറിച്ച് ഒരു പ്രവർത്തനപരമായ അനിവാര്യതയാണ്.
പിന്നെ ഇതിന്റെ തുറന്ന സ്വഭാവമാണ് (openness). Meituan വെറുമൊരു ഡെമോയോ പരിമിതമായ ഒരു API-യോ അല്ല പുറത്തിറക്കിയത്. മോഡൽ വെയ്റ്റുകൾ ലഭ്യമാണ്, ട്രെയിനിംഗ് കോഡ് പൊതുവായതാണ്, അതുപോലെ തന്നെ ഡാറ്റാ പൈപ്പ്ലൈനും ലഭ്യമാണ്. ഫലങ്ങൾ വീണ്ടും പരിശോധിക്കാൻ ആഗ്രഹിക്കുന്ന ഗവേഷകർക്കും, മോഡലിന്റെ പ്രവർത്തനം ഓഡിറ്റ് ചെയ്യേണ്ട സംരംഭങ്ങൾക്കും (enterprises), മൂന്നാം കക്ഷി സെർവറുകളിലേക്ക് ഒന്നും അയക്കാതെ തന്നെ സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് മോഡൽ ഫൈൻ-ട്യൂൺ ചെയ്യേണ്ട എഞ്ചിനീയർമാർക്കും ഇത് വളരെ പ്രധാനമാണ്.
എല്ലാവരും ശ്രദ്ധിക്കാതെ പോയ ഹാർഡ്വെയർ കഥ
ഇതിലെ പ്രധാന വാർത്ത പാരാമീറ്റർ എണ്ണമല്ല, മറിച്ച് അതിന് പിന്നിലെ സിലിക്കൺ ആണ്. LongCat 2.0 പരിശീലിപ്പിച്ചത് ആഭ്യന്തര ആക്സിലറേറ്ററുകൾ ഉപയോഗിച്ചാണ്, പ്രത്യേകിച്ച് Huawei Ascend സീരീസ് പോലുള്ള ചിപ്പുകൾ. നിലവിലുള്ള ഒരു ഫ്രെയിംവർക്ക് NVIDIA ക്ലസ്റ്ററിൽ വെച്ച് പ്രവർത്തിപ്പിക്കുന്നത് എന്ന രീതിയിൽ നിന്ന് ഇത് തികച്ചും വ്യത്യസ്തമായ ഒരു സമീപനമാണ്.
ഒരു ട്രില്യൺ പാരാമീറ്ററുകളുള്ള മോഡൽ പരിശീലിപ്പിക്കണമെങ്കിൽ ഡിസ്ട്രിബ്യൂട്ടഡ് കമ്പ്യൂട്ടിംഗ് (distributed computing) പ്രശ്നങ്ങൾ അതിന്റെ അങ്ങേയറ്റത്ത് പരിഹരിക്കേണ്ടതുണ്ട്. മെമ്മറി ബാൻഡ്വിഡ്ത്ത്, ചിപ്പുകൾ തമ്മിലുള്ള ആശയവിനിമയം, ഫ്ലോട്ടിംഗ്-പോയിന്റ് പെർഫോമൻസ് എന്നിവയെല്ലാം അതീവ കൃത്യതയോടെ കൈകാര്യം ചെയ്യേണ്ടതുണ്ട്. NVIDIA-യുടെ നേട്ടം വെറും GPU-കൾ മാത്രമല്ല; അത് അവരുടെ CUDA ecosystem, ഒപ്റ്റിമൈസ് ചെയ്ത കേർണലുകൾ (optimized kernels), കൂടാതെ ആ സാങ്കേതികവിദ്യയിൽ നിന്ന് പരമാവധി പ്രകടനം എങ്ങനെ പുറത്തെടുക്കാം എന്നതിനെക്കുറിച്ചുള്ള കൂട്ടായ അറിവ് എന്നിവയാണ്. Ascend ഹാർഡ്വെയറിൽ സമാനമായ ഒരു മോഡൽ നിർമ്മിക്കുക എന്നതിനർത്ഥം, ട്രെയിനിംഗ് ഫ്രെയിംവർക്കുകൾ മാറ്റം വരുത്താനും, ലോ-ലെവൽ ഓപ്പറേഷനുകൾ വീണ്ടും എഴുതാനും, തികച്ചും വ്യത്യസ്തമായ ഒരു ആർക്കിടെക്ചറിൽ ഡിസ്ട്രിബ്യൂട്ടഡ് ട്രെയിനിംഗ് റണ്ണുകൾ ഡിബഗ് ചെയ്യാനുമുള്ള കഠിനമായ ജോലി Meituan എഞ്ചിനീയർമാർ ചെയ്യേണ്ടി വന്നു എന്നാണ്.
അവർ വിജയിച്ചു എന്നത് ഒരു മോഡലിനേക്കാൾ വലിയൊരു കാര്യത്തെ സൂചിപ്പിക്കുന്നു. പാശ്ചാത്യ ചിപ്പുകളുടെ അഭാവം ഇനി ഒരു തടസ്സമല്ല എന്ന നിലയിൽ ചൈനീസ് ഹാർഡ്വെയർ-സോഫ്റ്റ്വെയർ കോ-ഡിസൈൻ (hardware-software co-design) പക്വത പ്രാപിച്ചു എന്ന് ഇത് കാണിക്കുന്നു. അത് ഒരു പരിധിയാണ്, ചിലപ്പോൾ ചിലവുള്ളതുമായ ഒരു പരിധി, പക്ഷേ അത് അസാധ്യമായ ഒരു തടസ്സമല്ല.
ഇത് യഥാർത്ഥത്തിൽ എവിടെയാണ് മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നത്
ചൈനീസ് യുക്തിചിന്ത (reasoning), ഗണിതം, ദീർഘമായ കോൺടെക്സ്റ്റ് റിട്രീവൽ (long-context retrieval) എന്നിവയിൽ LongCat 2.0 മികച്ച സ്കോർ നേടുന്നു. ഇവയെല്ലാം ഉയർന്ന മൂല്യമുള്ള ബെഞ്ച്മാർക്കുകളാണ്. ഗണിതശാസ്ത്രപരമായ യുക്തിചിന്ത ഒരു മോഡലിന്റെ ലോജിക്കും ചിഹ്നങ്ങളും (symbolic manipulation) കൈകാര്യം ചെയ്യാനുള്ള കഴിവിനെ പരിശോധിക്കുന്നു. ദീർഘമായ കോൺടെക്സ്റ്റ് റിട്രീവൽ എന്നത് പത്ത് ലക്ഷം ടോക്കണുകളുള്ള ഒരു വലിയ ഡാറ്റാസെറ്റിൽ നിന്ന് വിവരങ്ങൾ തെറ്റാതെ കണ്ടെത്താൻ മോഡലിന് കഴിയുമോ എന്ന് പരിശോധിക്കുന്നു. ഇവ രണ്ടും വിജയിക്കുക എന്നത്, കേവലം ബുദ്ധിപരമായി സംസാരിക്കുന്ന ഒരു മോഡലിനും യഥാർത്ഥത്തിൽ ജോലി ചെയ്യാൻ കഴിയുന്ന ഒരു മോഡലിനും ഇടയിലുള്ള വ്യത്യാസമാണ്.
Meituan ഇതിനെ Llama, DeepSeek, Qwen എന്നിവയുടെ നേരിട്ടുള്ള പകരക്കാരനായി അവതരിപ്പിക്കുന്നു. ചൈനീസ് ഭാഷാപരമായ കാര്യങ്ങളിൽ ഈ മത്സരം വളരെ കഠിനമാണ്. ഇംഗ്ലീഷ് ഇന്റർനെറ്റ് ഡാറ്റയിൽ പ്രധാനമായും പരിശീലിപ്പിക്കപ്പെട്ട മോഡലുകൾ പലപ്പോഴും ക്ലാസിക്കൽ ചൈനീസ് പരാമർശങ്ങൾ, പ്രാദേശിക നിയന്ത്രണ ഭാഷ, മെയിൻലാൻഡ് മാർക്കറ്റുകളിൽ ഉപയോഗിക്കുന്ന സാമ്പത്തിക പദാവലി, ചൈനീസ് സോഷ്യൽ മീഡിയയിൽ ഉപയോഗിക്കുന്ന അനൗദ്യോഗിക ചുരുക്കരൂപങ്ങൾ എന്നിവ കൈകാര്യം ചെയ്യുന്നതിൽ പരാജയപ്പെടാറുണ്ട്. ചൈനീസ് ഉപഭോക്തൃ പെരുമാറ്റത്തെ അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കുന്ന ഒരു കമ്പനി നൽകുന്ന ഡാറ്റ ഉപയോഗിച്ച്, ആഴത്തിലുള്ള ചൈനീസ് ഭാഷാ നൈപുണ്യത്തോടെ നിർമ്മിച്ച ഒരു മോഡലിന് ഇത്തരം സാഹചര്യങ്ങളിൽ ഘടനാപരമായ മുൻതൂക്കമുണ്ട്.
ഇത് ചാറ്റ്ബോട്ടുകൾക്ക് വേണ്ടി മാത്രമല്ല പ്രസക്തം. PRC കരാർ നിയമങ്ങൾ വിശകലനം ചെയ്യുന്ന Legaltech സ്ഥാപനങ്ങൾക്കും, ചരിത്രപരമായ പാഠങ്ങൾ പരിശോധിക്കുന്ന ഗവേഷകർക്കും, മാൻഡറിൻ വായ്പാ രേഖകൾ കൈകാര്യം ചെയ്യുന്ന ബാങ്കുകൾക്കും, പ്രാദേശിക ഭാഷാഭേദങ്ങൾ കൈകാര്യം ചെയ്യുന്ന കസ്റ്റമർ സർവീസ് പ്ലാറ്റ്ഫോമുകൾക്കും ഇംഗ്ലീഷ് കേന്ദ്രീകൃതമായ ഒരു കാഴ്ചപ്പാടിലൂടെ വിവർത്തനം ചെയ്യുന്നതിന് പകരം സൂക്ഷ്മമായ വ്യത്യാസങ്ങൾ മനസ്സിലാക്കുന്ന മോഡലുകൾ ആവശ്യമാണ്.
Meituan-ന്റെ ഒളിഞ്ഞിരിക്കുന്ന ആയുധം: Scale and Data
Meituan എന്നത് ഒരു ഡെലിവറി ആപ്പ് കൂടെയുള്ള ഒരു റിസർച്ച് ലാബ് മാത്രമല്ല. ചൈനയിലുടനീളമുള്ള ദശലക്ഷക്കണക്കിന് റൈഡർമാരെയും റെസ്റ്റോറന്റുകളെയും വ്യാപാരികളെയും ദിവസവും ഏകോപിപ്പിക്കുന്ന ഒരു അതിശക്തമായ പ്രവർത്തന സംവിധാനമാണ് അത്. ആ വ്യാപ്തി യഥാർത്ഥ ലോകത്തെ ഭാഷാപരമായ ഡാറ്റകളുടെ ഒരു പ്രവാഹം സൃഷ്ടിക്കുന്നു. ചാറ്റ്ബോട്ടുകളിലേക്ക് എത്തുന്ന ഉപഭോക്തൃ പരാതികൾ, പ്രാദേശിക സ്ലാംഗും ഔദ്യോഗിക ബിസിനസ് രജിസ്ട്രേഷൻ വിവരങ്ങളും കലർന്ന റെസ്റ്റോറന്റ് വിവരണങ്ങൾ, വിലാസ സംവിധാനങ്ങളും അനൗദ്യോഗിക ലാൻഡ്മാർക്കുകളും കലർന്ന റൂട്ടിംഗ് നിർദ്ദേശങ്ങൾ, നികുതികൾ, ശുചിത്വ നിയമങ്ങൾ, പ്രാദേശിക ordinances എന്നിവ ഉൾക്കൊള്ളുന്ന വ്യാപാരി സേവന ടിക്കറ്റുകൾ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു.
ഈ ഡാറ്റ സങ്കീർണ്ണവും സന്ദർഭോചിതവും പ്രാദേശികവുമാണ്; സാധാരണ വെബ് ക്രോൾ ഡാറ്റയ്ക്ക് ഒരിക്കലും പകരം വെക്കാൻ കഴിയാത്ത രീതിയിലുള്ളതാണ് ഇത്. ഇത് LongCat 2.0-ലേക്ക് നൽകുന്നത്, കേവലം അക്കാദമിക് പരിശീലനങ്ങളിൽ ഇല്ലാത്ത പ്രായോഗികമായ അടിത്തറ മോഡലിന് നൽകുന്നു. മിനുക്കിയെടുത്ത Wikipedia ടെക്സ്റ്റുകളിൽ പരിശീലനം നടത്തുന്നതും യഥാർത്ഥ വാണിജ്യത്തിലെ സങ്കീർണ്ണമായ ഇടപാടുകൾ നടത്തുന്ന ഭാഷയിൽ പരിശീലനം നടത്തുന്നതും തമ്മിൽ വലിയ വ്യത്യാസമുണ്ട്.
എന്തുകൊണ്ടാണ് സാഹചര്യം മാറുന്നത്
കമ്പനികൾക്ക് ആഭ്യന്തര സിലിക്കൺ ഉപയോഗിച്ച് frontier-class മോഡലുകൾ പരിശീലിപ്പിക്കാൻ കഴിയുമെങ്കിൽ, ചിപ്പ് കയറ്റുമതി നിരോധനത്തിന് പിന്നിലെ മുഴുവൻ തന്ത്രപരമായ യുക്തിയും തകരാൻ തുടങ്ങും. NVIDIA സപ്ലൈ ലൈനുകൾ നിയന്ത്രിക്കുന്നതിലൂടെ AI ശേഷിയും നിയന്ത്രിക്കാം എന്ന അടിസ്ഥാനത്തിലാണ് ഈ നിരോധനങ്ങൾ നടപ്പിലാക്കിയത്. പ്രായോഗികമായ മറ്റ് ബദൽ ഇക്കോസിസ്റ്റങ്ങൾ നിലവിലില്ല എന്ന അനുമാനത്തിലായിരുന്നു അത്.
ചൈനീസ് ചിപ്പുകൾ എല്ലാ മാനദണ്ഡങ്ങളിലും NVIDIA-യെ മറികടന്നു എന്ന പ്രഖ്യാപനമല്ല LongCat 2.0. ജോലി പൂർത്തിയാക്കാൻ അവ കൃത്യമായി പൊരുത്തപ്പെടേണ്ടതില്ല എന്നതിന്റെ തെളിവാണ് ഇത്. മതിയായ മെമ്മറി, മതിയായ ബാൻഡ്വിഡ്ത്ത്, മികച്ച സോഫ്റ്റ്വെയർ ഒപ്റ്റിമൈസേഷൻ എന്നിവയിലൂടെ മത്സരക്ഷമമായ ഫലങ്ങൾ നൽകാൻ ആവശ്യമായ വിടവ് നികത്താൻ സാധിക്കും. ഇത് പൂർണ്ണമായ തുല്യതയേക്കാൾ കുറഞ്ഞ ഒരു ലക്ഷ്യമാണ്, ആ ലക്ഷ്യം കൈവരിക്കാൻ അവർക്ക് സാധിച്ചതായും കാണപ്പെടുന്നു.
ആഗോള AI സപ്ലൈ ചെയിനുകളെ സംബന്ധിച്ചിടത്തോളം ഇതിന്റെ അർത്ഥം വ്യക്തമാണ്. എല്ലാ ഗൗരവകരമായ പരിശീലനങ്ങളും NVIDIA ഹാർഡ്വെയറിലൂടെ മാത്രമേ നടപ്പിലാകാവൂ എന്ന അനുമാനം ഇപ്പോൾ അപ്രസക്തമായിരിക്കുന്നു. ഇത് AI വികസനത്തിൽ ദേശീയ പരമാധികാരത്തിലേക്ക് അധികാരം മാറ്റുന്നു. വശങ്ങളിൽ നിന്ന് നിരീക്ഷിക്കുന്ന രാജ്യങ്ങളും കമ്പനികളും ഇനി മുതൽ ഒരു നിയന്ത്രണ കേന്ദ്രമായ സപ്ലൈയറെ (single chokepoint supplier) മാത്രം frontier ശേഷിക്കായുള്ള ഏക മാർഗ്ഗമായി കാണുന്നില്ല. മറിച്ച്, പലരും പ്രവചിച്ചതിനേക്കാൾ വേഗത്തിൽ ഒരു വിഭജനവും, ഒരുപക്ഷേ ബഹുധ്രുവ ഹാർഡ്വെയർ സാഹചര്യവും രൂപപ്പെടുന്നുണ്ടെന്ന് അവർ കാണുന്നു.
യഥാർത്ഥ പാഠം
LongCat 2.0 എന്നത് വെറുമൊരു സാങ്കേതിക റിലീസ് മാത്രമല്ല. ഇതൊരു രാഷ്ട്രീയ അനുമാനത്തിന്റെ (political hypothesis) പരീക്ഷണമാണ്, ആ അനുമാനം പരാജയപ്പെട്ടിരിക്കുന്നു. ശരിയായ ഡാറ്റയും എഞ്ചിനീയറിംഗ് ടീമും ഹാർഡ്വെയറും ഉള്ള ഒരു കൺസ്യൂമർ ടെക് കമ്പനിക്ക്, നിരോധിക്കപ്പെട്ട ഒരു പാശ്ചാത്യ GPU പോലും ഉപയോഗിക്കാതെ 1.6-ട്രില്യൺ പാരാമീറ്ററുകളുള്ള ഒരു ഓപ്പൺ മോഡൽ പരിശീലിപ്പിക്കാൻ കഴിയുമെന്ന് Meituan തെളിയിച്ചു.
ഡെവലപ്പർമാരെ സംബന്ധിച്ചിടത്തോളം, ചൈനീസ് ഭാഷയിലും long-context ടാസ്ക്കുകളിലും യഥാർത്ഥമായ ആഴമുള്ള ഒരു പുതിയ open-weight ഓപ്ഷൻ എന്നാണ് ഇതിനർത്ഥം. നയരൂപകർത്താക്കളെ സംബന്ധിച്ചിടത്തോളം, ഹാർഡ്വെയർ നിഷേധിച്ചുകൊണ്ടുള്ള ഉപരോധങ്ങൾ വെറും സംഭരണത്തെ മാത്രമല്ല, പകരം അതിനോടുള്ള പൊരുത്തപ്പെടലിനെയും (adaptation) കണക്കിലെടുക്കേണ്ടതുണ്ട്. വ്യവസായത്തിലെ മറ്റുള്ളവരെ സംബന്ധിച്ചിടത്തോളം, ആർക്ക് എന്ത് നിർമ്മിക്കാം, ഏത് ഉപകരണങ്ങൾ ഉപയോഗിക്കാം എന്നതിന്റെ ഭൂപടം തത്സമയം പുനർനിർമ്മിക്കപ്പെടുകയാണ്.
കയറ്റുമതി നിരോധനങ്ങൾ സമയം ലാഭിച്ചതാകാം. എന്നാൽ അവ ഒരു ബദലും സൃഷ്ടിച്ചതായി കാണപ്പെടുന്നു.