The tech news cycle moves fast, but this week felt different. Artificial intelligence is no longer just a product releas

സാങ്കേതിക വാർത്താ ലോകം വളരെ വേഗത്തിലാണ് മാറുന്നത്, എന്നാൽ ഈ ആഴ്ച വ്യത്യസ്തമായിരുന്നു. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) എന്നത് ഇനി വെറുമൊരു ഉൽപ്പന്നമോ ഗവേഷണ പ്രബന്ധമോ മാത്രമല്ല. അത് വിദേശനയത്തിലെ ഒരു വിലപേശൽ ആയുധമായി മാറിയിരിക്കുന്നു. ഗവൺമെന്റുകൾ മോഡൽ വെയ്റ്റുകളെ (model weights) സമ്പന്നമായ യുറേനിയം പോലെയാണ് കാണാൻ തുടങ്ങുന്നത്: അവ കേന്ദ്രീകൃതമാണ്, ദുരുപയോഗം ചെയ്താൽ അപകടകരമാണ്, കൂടാതെ ഒരു എതിരാളി അവ ശേഖരിച്ചുവെച്ചാൽ അവഗണിക്കാൻ കഴിയില്ല. പോരാട്ടം ഇനി ഏത് മോഡലാണ് ബെഞ്ച്മാർക്കിൽ ഉയർന്ന സ്കോർ നേടുന്നത് എന്നതിനെക്കുറിച്ചല്ല. അത് ആരാണ് അവ നിർമ്മിക്കുന്നത്, അവ പരിശീലിപ്പിക്കാൻ ആവശ്യമായ സാമഗ്രികൾ ആരുടെ നിയന്ത്രണത്തിലാണ്, അവ പഠിച്ച ഡാറ്റ ആരുടേതാണ് എന്നതിനെക്കുറിച്ചാണ്.

ഡിസ്റ്റിലേഷൻ ആരോപണം

ഈ ആഴ്ച, Moonshot AI, Anthropic-ന്റെ Fable മോഡൽ മോഷ്ടിച്ചു എന്ന് ഒരു യുഎസ് ഉദ്യോഗസ്ഥൻ ആരോപിച്ചു. Moonshot തങ്ങളുടെ Kimi K3 സിസ്റ്റം നിർമ്മിക്കാൻ ഡിസ്റ്റിലേഷൻ (distillation) ഉപയോഗിച്ചു എന്നതാണ് ഇതിലെ പ്രധാന ആരോപണം. പരിശീലന രീതികളെക്കുറിച്ച് സൂക്ഷ്മമായി ശ്രദ്ധിക്കാത്ത വായനക്കാർക്കായി പറയുകയാണെങ്കിൽ, ഒരു വലിയതും കഴിവുള്ളതുമായ മോഡലിനെ ഉപയോഗിച്ച് ഒരു ചെറിയതോ പുതിയതോ ആയ മോഡലിനെ പരിശീലിപ്പിക്കുന്ന രീതിയാണ് ഡിസ്റ്റിലേഷൻ. അനുവാദത്തോടെ ചെയ്യുമ്പോൾ ഇത് നിയമപരവും സാധാരണവുമാണ്. എന്നാൽ ഒരു കമ്പനി അനുമതിയില്ലാതെ ഒരു എതിരാളിയുടെ ഉടമസ്ഥാവകാശമുള്ള സിസ്റ്റത്തിൽ നിന്ന് അറിവ് വേർതിരിച്ചെടുക്കുമ്പോൾ അത് മോഷണമായി മാറുന്നു.

ആരോപണമനുസരിച്ച്, ഇതിന്റെ തെളിവുകൾ പെരുമാറ്റപരമാണ്. Kimi K3 പലപ്പോഴും തന്നെ Anthropic-ന്റെ അസിസ്റ്റന്റായ Claude ആണെന്ന് അവകാശപ്പെടുന്നത് ഗവേഷകർ ശ്രദ്ധിച്ചിട്ടുണ്ട്. സ്വന്തമായി പരിശീലന പാരമ്പര്യമുള്ള ഒരു മോഡലിന് അതിന്റെ പേര് അറിയാമായിരിക്കണം. അത് ആവർത്തിച്ച് ഒരു എതിരാളിയുടെ ഉൽപ്പന്നമാണെന്ന് അവകാശപ്പെടുമ്പോൾ, അത് വെറുമൊരു യാദൃശ്ചികതയല്ല, മറിച്ച് അധ്യാപകന്റെ പരീക്ഷാ ഉത്തരങ്ങൾ അതേപടി മനഃപാഠമാക്കിയ ഒരു വിദ്യാർത്ഥിയെപ്പോലെയാണ് തോന്നുന്നത്. Moonshot യഥാർത്ഥത്തിൽ Kimi K3-നെ പരിശീലിപ്പിക്കാൻ Anthropic-ന്റെ മോഡലിൽ നിന്നുള്ള ഔട്ട്പുട്ടുകൾ ചോർത്തിയിട്ടുണ്ടെങ്കിൽ, അതിന്റെ ബൗദ്ധിക സ്വത്തവകാശ പ്രശ്നങ്ങൾ സിലിക്കൺ വാലി കോടതികൾക്കും അപ്പുറം വ്യാപിച്ചു കിടക്കുന്നു. അത് കയറ്റുമതി നിയന്ത്രണങ്ങളിലേക്കും ദേശീയ സുരക്ഷാ ബ്രീഫിംഗുകളിലേക്കും എത്തുന്നു.

വില കുറഞ്ഞ മോഡലുകളുടെ വളർച്ച

ഡിസ്റ്റിലേഷൻ തർക്കം നടക്കുമ്പോഴും, ചൈനീസ് ലാബുകൾ അമേരിക്കൻ വ്യവസ്ഥിതിയെ അസ്വസ്ഥമാക്കുന്ന വേഗതയിലും വിലയിലും അത്യാധുനിക (frontier) മോഡലുകൾ പുറത്തിറക്കുന്നുണ്ട്. DeepSeek V4-ഉം Kimi K3-ഉം ഏതാനും ദിവസങ്ങൾക്കുള്ളിൽ തന്നെ പുറത്തിറങ്ങി. ഇവ രണ്ടും പബ്ലിക് ലീഡർബോർഡുകളിൽ മുൻനിരയിൽ നിൽക്കുന്ന കഴിവുകൾ അവകാശപ്പെടുന്നുണ്ടെങ്കിലും, അവയുടെ പ്രവർത്തനച്ചെലവ് അമേരിക്കൻ മോഡലുകളെ അപേക്ഷിച്ച് വളരെ കുറവാണ്.

ഈ രീതി പുതിയതല്ല, പക്ഷേ അതിന്റെ വേഗത വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്. ചൈനീസ് ലാബുകളിൽ നിന്നുള്ള മുൻപത്തെ ഞെട്ടലുകൾ, ഒരു ഫ്രോണ്ടിയർ മോഡൽ പരിശീലിപ്പിക്കാൻ ശരിക്കും പത്ത് ബില്യൺ ഡോളർ ആവശ്യമാണോ എന്ന് വോൾ സ്ട്രീറ്റിനെ സംശയിപ്പിച്ചു കഴിഞ്ഞു. DeepSeek V4-ഉം Kimi K3-ഉം ആ സമ്മർദ്ദം വീണ്ടും വർദ്ധിപ്പിക്കുന്നു. എഞ്ചിനീയറിംഗ് കാര്യക്ഷമതയും, മികച്ച രീതിയിലുള്ള ഡാറ്റാ ക്യൂറേഷനും, ഹാർഡ്‌വെയർ പരിഹാരങ്ങളും ഉപയോഗിച്ച് വലിയ മൂലധന ചെലവുകൾ ഒഴിവാക്കാമെന്ന് ഇവ സൂചിപ്പിക്കുന്നു. വലിയ മൂലധനത്തിന്റെ കരുത്തിൽ പ്രതീക്ഷയർപ്പിക്കുന്ന അമേരിക്കൻ ലാബുകൾക്ക് സന്ദേശം വ്യക്തമാണ്: ഉയർന്ന പ്രകടനം കുറഞ്ഞ ചിലവിൽ ലഭ്യമാവുകയാണ്, കൂടാതെ ഉയർന്ന വില ഈടാക്കാനുള്ള അവസരവും ഇല്ലാതാവുകയാണ്.

എന്റർപ്രൈസ് ഏജന്റ് യുദ്ധം

ഈ ആഴ്ചയിലെ എല്ലാ വാർത്തകളും ഭൗമരാഷ്ട്രീയത്തെക്കുറിച്ചായിരുന്നില്ല. ബിസിനസ്സുകളെ AI ഏജന്റുകളെ വിന്യസിക്കാൻ സഹായിക്കുന്നതിനായി OpenAI 'Presence' എന്ന ഉൽപ്പന്നം പുറത്തിറക്കി. ഈ നീക്കം OpenAI-യെ Google, Meta, NVIDIA എന്നിവരുമായി നേരിട്ട് മത്സരിപ്പിക്കുന്നു. ഈ കമ്പനികളിലെല്ലാം ഒരേ അവസരമാണ് കാണുന്നത്: മോഡൽ തന്നെ ഒരു സാധാരണ ഉൽപ്പന്നമായി മാറിക്കൊണ്ടിരിക്കുകയാണ്, എന്നാൽ യഥാർത്ഥ പ്രവർത്തനങ്ങളെ (workflows) ഓട്ടോമേറ്റ് ചെയ്യുന്ന പ്ലാറ്റ്‌ഫോമുകൾക്ക് വലിയ മൂല്യമുണ്ട്.

ചാറ്റ്ബോട്ടുകൾക്ക് ശേഷമുള്ള സ്വാഭാവികമായ അടുത്ത ഘട്ടമാണ് ഏജന്റുകൾ. ഒരു ചാറ്റ്ബോട്ട് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു. എന്നാൽ ഒരു ഏജന്റ് വിമാന ടിക്കറ്റുകൾ ബുക്ക് ചെയ്യുകയോ, ചെലവ് റിപ്പോർട്ടുകൾ ഫയൽ ചെയ്യുകയോ, അല്ലെങ്കിൽ വെയർഹൗസ് ഇൻവെന്ററി ക്രമീകരിക്കുകയോ ചെയ്യുന്നു. ഈ ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യാനുള്ള മത്സരം മുറുകുകയാണ്, കാരണം അവിടെയാണ് ബിസിനസ്സുകളിൽ നിന്ന് ആവർത്തിച്ചുള്ള വരുമാനം ലഭിക്കുന്നത്. OpenAI-ക്ക് വെറുമൊരു എഞ്ചിൻ മാത്രം വിൽക്കാനല്ല; മറിച്ച് ഒരു കാർ മുഴുവനായി വിൽക്കാനാണ് താൽപ്പര്യം. നിങ്ങളുടെ മീറ്റിംഗുകൾ നിയന്ത്രിക്കാൻ Google 'Workspace' ആഗ്രഹിക്കുന്നു. Meta അതിന്റെ സോഷ്യൽ ഗ്രാഫിനുള്ളിൽ ഏജന്റുകളെ കൊണ്ടുവരാൻ ആഗ്രഹിക്കുന്നു. NVIDIA ഇവയ്‌ക്കെല്ലാം അടിത്തറയായി പ്രവർത്തിക്കുന്ന ഇൻഫ്രാസ്ട്രക്ചർ ലെയറിന് കരുത്ത് പകരാൻ ആഗ്രഹിക്കുന്നു. മികച്ച മോഡലുള്ള ലാബല്ല വിജയിക്കുകയെന്ന് നിർബന്ധമില്ല, മറിച്ച് ഐടി വിഭാഗങ്ങളെ അവരുടെ ആഭ്യന്തര സിസ്റ്റങ്ങളുടെ താക്കോൽ കൈമാറാൻ പ്രേരിപ്പിക്കുന്നവരായിരിക്കും വിജയിക്കുക.

കോൺക്രീറ്റ് ഒരു തടസ്സമായി മാറുമ്പോൾ

ഈ സോഫ്റ്റ്‌വെയർ ലക്ഷ്യങ്ങളെല്ലാം ഇപ്പോഴും ഭൗതികമായ കാര്യങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. ജോർജിയയിൽ മുപ്പത് ബില്യൺ ഡോളർ ചെലവിൽ ഒരു ഡാറ്റാ സെന്റർ ക്യാമ്പസ് നിർമ്മിക്കുന്ന 'Project Camellia' ആരംഭിച്ചപ്പോൾ OpenAI അത് വ്യക്തമാക്കിയതാണ്. മുപ്പത് ബില്യൺ ഡോളർ എന്നത് വെറുമൊരു സൗകര്യങ്ങൾക്കുള്ള ബജറ്റല്ല. AI-യുടെ പ്രധാന പരിമിതികൾ ഇനി അൽഗോരിതങ്ങളോ അല്ലെങ്കിൽ GPU-കളോ അല്ല, മറിച്ച് വൈദ്യുതിയും കോൺക്രീറ്റും ആണെന്നുള്ള പ്രഖ്യാപനമാണത്.

ഒരു സെർവർ ക്ലോസറ്റിൽ നിങ്ങൾക്ക് ഒരു ഫ്രോണ്ടിയർ മോഡൽ (frontier model) പരിശീലിപ്പിക്കാൻ കഴിയില്ല. ഒരു ഇടത്തരം നഗരത്തേക്കാൾ കൂടുതൽ വൈദ്യുതി ഉപയോഗിച്ച്, ആയിരക്കണക്കിന് ആക്സിലറേറ്ററുകൾ ഒരേസമയം പ്രവർത്തിപ്പിക്കേണ്ടതുണ്ട്. നിങ്ങൾക്ക് ഫൈബർ, തണുപ്പിക്കാനാവശ്യമായ വെള്ളം, സ്റ്റീൽ, വർഷങ്ങളോളം നീണ്ടുനിൽക്കുന്ന അനുമതികൾ എന്നിവ ആവശ്യമാണ്. അതുകൊണ്ടാണ് BlackRock, MGX തുടങ്ങിയ അസറ്റ് മാനേജർമാർ ഡാറ്റാ സെന്റർ പ്രോജക്റ്റുകളിൽ കോടിക്കണക്കിന് ഡോളർ നിക്ഷേപിക്കുന്നത്. അവർ ഒരു ആപ്പിനെക്കുറിച്ചല്ല ഊഹക്കച്ചവടം നടത്തുന്നത്. അവർ AI യുഗത്തിലെ റെയിൽവേ പാതകളും കൽക്കരി ഖനികളും വാങ്ങുകയാണ്. ഗണിതശാസ്ത്രം എത്രത്തോളം മികച്ചതായാലും, വൈദ്യുതി ഉൽപ്പാദനത്തിനും നിർമ്മാണത്തിനുമുള്ള സപ്ലൈ ചെയിൻ അതിനനുസരിച്ച് മാറുന്നില്ലെങ്കിൽ, വലിയ മോഡലുകളുടെ മുഴുവൻ റോഡ്മാപ്പും തകിടംമറിയും.

കോടതികൾ, പകർപ്പവകാശം, മൂലധനം

ഈ ആഴ്ച നിയമവ്യവസ്ഥയും ശ്രദ്ധാകേന്ദ്രമായി. അനുമതിയില്ലാതെ തങ്ങളുടെ പുസ്തകങ്ങൾ Claude പരിശീലിപ്പിക്കാൻ ഉപയോഗിച്ചു എന്ന് ആരോപിച്ച എഴുത്തുകാരുമായി Anthropic നടത്തിയ 1.5 ബില്യൺ ഡോളറിന്റെ ഒത്തുതീർപ്പിന് ഒരു ജഡ്ജി അംഗീകാരം നൽകി. ഈ ഒത്തുതീർപ്പ് AI ചരിത്രത്തിലെ ഏറ്റവും വലിയ പകർപ്പവകാശ അവകാശവാദങ്ങളിൽ ഒന്നിൽ പരിഹാരം കാണുന്നു.

വിധി പോലെ തന്നെ പ്രധാനമാണ് നൽകുന്ന തുകയും. ഓപ്പൺ വെബിൽ നിന്ന് ശേഖരിക്കുന്ന സൗജന്യ വിഭവമല്ല ട്രെയിനിംഗ് ഡാറ്റ എന്ന് ഇത് മറ്റ് ലാബുകളെ ഓർമ്മിപ്പിക്കുന്നു. ഇത് ബാലൻസ് ഷീറ്റിൽ പ്രത്യക്ഷപ്പെടാൻ സാധ്യതയുള്ള ഒരു ബാധ്യതയാണ് (contingent liability). 1.5 ബില്യൺ ഡോളറിന്റെ ഈ തുക ഫിനാൻസ് ടീമുകൾ പ്രീ-ട്രെയിനിംഗ് ബജറ്റുകളെക്കുറിച്ച് ചിന്തിക്കുന്ന രീതി മാറ്റുന്നു. ഭാവിയിലെ നിയമനടപടികൾക്കായി ഇത് എഴുത്തുകാർക്കും പ്രസാധകർക്കും വ്യക്തമായ ഒരു കീഴ്വഴക്കം നൽകുന്നു. നിങ്ങൾ ഇന്ന് ഒരു മോഡൽ നിർമ്മിക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ ട്രെയിനിംഗ് കോർപ്പസ് (training corpus) ഒരു ഓഡിറ്റിൽ നിന്ന് രക്ഷപ്പെടുമെന്ന് ഇനി കരുതാനാവില്ല.

സ്ക്രീനിന് അപ്പുറമുള്ള AI

ഒടുവിൽ, ഈ ആഴ്ചയിലെ ചില ഫണ്ടിംഗ് കണക്കുകൾ AI എന്നത് ചാറ്റ് വിൻഡോകളിൽ മാത്രം ഒതുങ്ങുന്ന ഒന്നല്ലെന്ന് എല്ലാവരെയും ഓർമ്മിപ്പിച്ചു. ഈ മാസം പ്രതിരോധ AI ഫണ്ടിംഗ് 3 ബില്യൺ ഡോളറിലെത്തി, അതേസമയം AI അധിഷ്ഠിത മരുന്ന് കണ്ടുപിടുത്തത്തിനായുള്ള (drug discovery) നിക്ഷേപം 2 ബില്യൺ ഡോളറിലെത്തി.

പ്രതിരോധ മേഖലയിൽ, സാറ്റലൈറ്റ് ചിത്രങ്ങൾ വിശകലനം ചെയ്യാനും ഡ്രോൺ കൂട്ടങ്ങളെ ഏകോപിപ്പിക്കാനും യുദ്ധക്കളത്തിലെ തീരുമാനങ്ങൾ വേഗത്തിലാക്കാനും കഴിയുന്ന സംവിധാനങ്ങളിലേക്കാണ് പണം ഒഴുകുന്നത്. ഫാർമ മേഖലയിൽ, പുതിയ AI ടൂളുകൾ മരുന്ന് വികസിപ്പിക്കാനുള്ള സമയം വർഷങ്ങളിൽ നിന്ന് മാസങ്ങളായി കുറയ്ക്കുന്നു. ഗവേഷകർക്ക് ഇപ്പോൾ ഒരു വെറ്റ് ലാബിൽ (wet lab) പരീക്ഷിക്കുന്നതിന് മുമ്പ് തന്നെ സിലിക്കണിൽ (silicon) കാൻഡിഡേറ്റ് തന്മാത്രകൾ നിർമ്മിക്കാനും പരിശോധിക്കാനും കഴിയും. ഈ സാങ്കേതികവിദ്യയുടെ ഇരട്ട ഉപയോഗ സ്വഭാവം (dual-use nature) ഇവിടെ വ്യക്തമാണ്. ഒരു കസ്റ്റമർ സർവീസ് ബോട്ടിനെ മെച്ചപ്പെടുത്തുന്ന അതേ രീതികൾ തന്നെ മിസൈൽ ടാർഗെറ്റിംഗിനും ആന്റിബോഡി രൂപകൽപ്പനയ്ക്കും വേഗത കൂട്ടുന്നു. നിക്ഷേപം വർദ്ധിക്കുന്നതിനനുസരിച്ച്, വാണിജ്യപരവും തന്ത്രപരവുമായ (commercial and strategic) AI എന്നിവയ്ക്കിടയിലുള്ള ധാർമ്മികവും നിയന്ത്രണപരവുമായ അതിർവരമ്പുകൾ അവ്യക്തമായിക്കൊണ്ടിരിക്കുന്നു.

സെപ്റ്റംബറിലെ ചർച്ചകളും പുതിയ സ്കോർബോർഡും

ഈ വിഷയങ്ങളെല്ലാം ഒരൊറ്റ കാര്യത്തിൽ ഒത്തുചേരുന്നു: അമേരിക്കയും ചൈനയും സെപ്റ്റംബറിൽ ഔദ്യോഗികമായി AI ചർച്ചകൾ നടത്തും. സൈനിക AI, ചിപ്പ് ലഭ്യത എന്നിവയെക്കുറിച്ച് ചർച്ച ചെയ്യാൻ അവർ പദ്ധതിയിടുന്നു. ഈ രണ്ട് അജണ്ടകൾ മാത്രം മതി നമ്മൾ തുറന്ന ഗവേഷണ കാലഘട്ടത്തിൽ നിന്ന് എത്രത്തോളം അകലെയായി എന്ന് മനസ്സിലാക്കാൻ.

പഴയ മത്സരം ലളിതമായിരുന്നു. നിങ്ങൾ ഒരു മോഡൽ പുറത്തിറക്കുന്നു, ഞാൻ ഒരു മോഡൽ പുറത്തിറക്കുന്നു, MMLU അല്ലെങ്കിൽ HumanEval എന്നിവയിലെ മികച്ച സ്കോർ ആ ആഴ്ച വിജയിക്കുന്നു. ആ കളി അവസാനിക്കുകയാണ്. പുതിയ ചോദ്യങ്ങൾ അളന്നുതിട്ടപ്പെടുത്താൻ പ്രയാസമുള്ളതും ഒരു സോഫ്റ്റ്‌വെയർ അപ്‌ഡേറ്റ് വഴി പരിഹരിക്കാൻ കഴിയാത്തതുമാണ്:

• ആര് ഏത് ഡാറ്റ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ചു, അവർ അതിന് പണം നൽകിയോ?
• ആർക്ക് ഏത് ചിപ്പുകൾ വാങ്ങാം, ആരെയാണ് സപ്ലൈ ചെയിനിൽ നിന്ന് തടയുന്നത്?
• ഡാറ്റാ സെന്ററുകൾ പ്രവർത്തിപ്പിക്കാൻ ആവശ്യമായ വൈദ്യുതി വിതരണം ആര് നിയന്ത്രിക്കുന്നു?

ബെഞ്ച്മാർക്കുകൾ ഒത്തുചേരുന്നു. കഴിവുകൾ സമാനമായി മാറുന്നു. എന്നാൽ രാഷ്ട്രീയം വിഭജിക്കുന്നു. എക്സ്പോർട്ട് ലൈസൻസുകൾ, എനർജി ഗ്രിഡുകൾ, നിയമവ്യവസ്ഥകൾ എന്നിവയാൽ വേർതിരിക്കപ്പെട്ട രണ്ട് സമാന്തര ആവാസവ്യവസ്ഥകൾ രൂപപ്പെടുന്നു.

യഥാർത്ഥ പാഠം

നിങ്ങൾ ഒരു ഡെവലപ്പറോ, സ്ഥാപകനോ, അല്ലെങ്കിൽ ഒരു ബിസിനസ്സ് വാങ്ങുന്ന ആളോ ആണെങ്കിൽ, ലീഡർബോർഡ് സ്കോറുകൾ മാത്രം നോക്കി AI വിലയിരുത്തുന്നത് നിർത്തുക. സപ്ലൈ ചെയിനും രാഷ്ട്രീയ റിസ്കുകളും എഞ്ചിനീയറിംഗ് പരിമിതികളായി (engineering constraints) കാണാൻ തുടങ്ങുക. നിങ്ങൾ ഇന്ന് ഉപയോഗിക്കുന്ന മോഡൽ നാളെ ഒരു എക്സ്പോർട്ട് നിയന്ത്രണത്തിൽ അകപ്പെട്ടേക്കാം. അതിന് പിന്നിലെ ട്രെയിനിംഗ് ഡാറ്റ കോടിക്കണക്കിന് ഡോളറിന്റെ നിയമപരമായ ബാധ്യതയുണ്ടാക്കിയേക്കാം. അത് പ്രവർത്തിപ്പിക്കുന്ന ഡാറ്റാ സെന്റർ, അത് നിർമ്മിച്ച ഗവേഷകരുടെ ബുദ്ധിശക്തി കൊണ്ടല്ല, മറിച്ച് പ്രാദേശിക വൈദ്യുതി വിതരണ ശൃംഖലയുടെ പരിമിതികൾ കൊണ്ടായിരിക്കാം തടസ്സപ്പെടുന്നത്. നിങ്ങൾ ആശ്രയിക്കുന്ന ഉപകരണങ്ങൾ ഉപരോധിക്കപ്പെടാനോ, നിയമനടപടികൾ നേരിടാനോ, അല്ലെങ്കിൽ വൈദ്യുതി ഇല്ലാതെ തടസ്സപ്പെടാനോ സാധ്യതയുണ്ടെന്ന രീതിയിൽ നിങ്ങളുടെ ആർക്കിടെക്ചർ രൂപകൽപ്പന ചെയ്യുക—കാരണം ഈ ആഴ്ച വ്യക്തമാക്കിയത് ഇവ മൂന്നും ഇപ്പോൾ സംഭവിക്കാവുന്ന യാഥാർത്ഥ്യങ്ങളാണ് എന്നാണ്.