The mid June 2026 numbers are in, and they paint an unmistakable picture. Chinese AI models have held the top global spo

ਜੂਨ 2026 ਦੇ ਅੱਧ ਦੀਆਂ ਅੰਕੜੇ ਸਾਹਮਣੇ ਆ ਗਏ ਹਨ, ਅਤੇ ਉਹ ਇੱਕ ਸਪੱਸ਼ਟ ਤਸਵੀਰ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਚੀਨੀ AI ਮਾਡਲਾਂ ਨੇ ਲਗਾਤਾਰ ਦਸ ਹਫ਼ਤਿਆਂ ਲਈ ਟੋਕਨ ਵਾਲੀਅਮ (token volume) ਵਿੱਚ ਵਿਸ਼ਵ ਪੱਧਰੀ ਸਿਖਰ ਦਾ ਸਥਾਨ ਬਰਕਰਾਰ ਰੱਖਿਆ ਹੈ। ਇਹ ਕਿਸੇ ਇੱਕ ਬੈਂਚਮਾਰਕ ਤੋਂ ਮਿਲਣ ਵਾਲੀ ਕੋਈ ਅਸਥਾਈ ਖ਼ਬਰ ਜਾਂ ਕਿਸੇ ਇੱਕ ਵਾਇਰਲ ਰਿਲੀਜ਼ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਅਸਥਾਈ ਉਛਾਲ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਲਗਾਤਾਰ, ਹਫ਼ਤਿਆਂ ਲੰਬਾ ਪੈਟਰਨ ਹੈ ਜੋ ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਅਸਲ ਕੰਮ ਕਿੱਥੇ ਹੋ ਰਿਹਾ ਹੈ।

46.7 ਟ੍ਰਿਲੀਅਨ ਟੋਕਨਾਂ ਦੇ ਕੁੱਲ ਵਿਸ਼ਵਵਿਆਪੀ ਹਫ਼ਤਾਵਾਰੀ ਵਾਲੀਅਮ ਵਿੱਚੋਂ, ਚੀਨੀ ਮਾਡਲਾਂ ਨੇ 18.81 ਟ੍ਰਿਲੀਅਨ ਟੋਕਨ ਪ੍ਰੋਸੈਸ ਕੀਤੇ। ਅਮਰੀਕੀ ਮਾਡਲਾਂ ਨੇ 5.76 ਟ੍ਰਿਲੀਅਨ ਟੋਕਨਾਂ ਨੂੰ ਸੰਭਾਲਿਆ। ਇਸ ਦਾ ਮਤਲਬ ਚੀਨ ਲਈ 46% ਅਤੇ ਸੰਯੁਕਤ ਰਾਜ ਲਈ 13% ਹੈ। ਟੋਕਨ ਵਾਲੀਅਮ ਸਾਡੇ ਕੋਲ AI ਨੂੰ ਅਸਲ ਵਰਤੋਂ ਵਿੱਚ ਅਪਣਾਉਣ ਦਾ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਮਾਪ ਹੈ। ਹਰ ਟੋਕਨ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੇਬਰ (computational labor) ਦੀ ਇੱਕ ਅਸਲ ਇਕਾਈ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਰਿਵਿਊ ਕੀਤੀ ਗਈ ਕੋਡ ਦੀ ਇੱਕ ਲਾਈਨ, ਜਵਾਬ ਦਿੱਤੀ ਗਈ ਗਾਹਕ ਦੀ ਪੁੱਛਗਿੱਛ, ਸੰਖੇਪ ਕੀਤਾ ਗਿਆ ਦਸਤਾਵੇਜ਼, ਵਰਣਨ ਕੀਤੀ ਗਈ ਇੱਕ ਤਸਵੀਰ, ਜਾਂ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਰੀਜ਼ਨਿੰਗ ਚੇਨ। ਜਦੋਂ ਦੁਨੀਆ ਦੀ ਲਗਭਗ ਅੱਧੀ AI ਲੇਬਰ ਚੀਨ ਵਿੱਚ ਬਣਾਏ ਗਏ ਮਾਡਲਾਂ ਰਾਹੀਂ ਚੱਲਦੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਗਲੋਬਲ AI ਅਰਥਚਾਰੇ ਦੇ ਇੱਕ ਮੂਲ ਮੁੜ-ਵੰਡ (redistribution) ਨੂੰ ਦੇਖ ਰਹੇ ਹਾਂ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ ਮਾਈਗ੍ਰੇਸ਼ਨ ਤੇਜ਼ੀ ਨਾਲ ਹੋਇਆ

ਅਮਰੀਕੀ ਕੰਪਨੀਆਂ ਦੇ ਅੰਦਰ ਇਹ ਤਬਦੀਲੀ ਬਹੁਤ ਤੇਜ਼ ਰਹੀ ਹੈ। ਚੀਨੀ ਮਾਡਲਾਂ ਦੀ US ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੋਕਨ ਖਪਤ 2025 ਵਿੱਚ 4.5% ਤੋਂ ਵਧ ਕੇ 2026 ਵਿੱਚ 46% ਹੋ ਗਈ ਹੈ। ਫਰਵਰੀ 2026 ਤੋਂ, ਇਹ ਹਿੱਸਾ 30% ਤੋਂ ਉੱਪਰ ਰਿਹਾ ਹੈ। ਇਹ ਦੋਵੇਂ ਅੰਕੜੇ ਮਿਲ ਕੇ ਇੱਕ ਸਪੱਸ਼ਟ ਕਹਾਣੀ ਦੱਸਦੇ ਹਨ। ਇਹ ਕੁਝ ਉਤਸੁਕ ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰਯੋਗਿਕ ਚੀਜ਼ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਵਿਆਪਕ, ਸੰਰਚਨਾਤਮਕ ਮਾਈਗ੍ਰੇਸ਼ਨ ਹੈ ਜਿਸ ਨੇ ਇਸ ਸਾਲ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਇੱਕ ਸੀਮਾ (threshold) ਨੂੰ ਪਾਰ ਕੀਤਾ ਅਤੇ ਫਿਰ ਕਦੇ ਪਿੱਛੇ ਮੁੜ ਕੇ ਨਹੀਂ ਦੇਖਿਆ।

ਅਮਰੀਕੀ ਕਾਰੋਬਾਰਾਂ ਨੇ ਸ਼ੁਰੂ ਵਿੱਚ ਚੀਨੀ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਬੈਕਅੱਪ ਵਿਕਲਪ ਜਾਂ ਇੱਕ ਉਤਸੁਕਤਾ ਵਜੋਂ ਲਿਆ ਸੀ। ਫਿਰ ਟੀਮਾਂ ਨੇ ਅੰਦਰੂਨੀ ਲਾਗਤ ਤੁਲਨਾਵਾਂ ਕਰਨੀਆਂ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀਆਂ। ਉਨ੍ਹਾਂ ਨੂੰ ਪਤਾ ਲੱਗਾ ਕਿ ਬਦਲਣ ਲਈ ਰੁਟੀਨ ਕੰਮਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ (accuracy) ਨਾਲ ਸਮਝੌਤਾ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਸੀ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਇਹ ਸਪੱਸ਼ਟ ਹੋ ਗਿਆ, ਤਾਂ ਖਰੀਦ (procurement) ਦੇ ਫੈਸਲੇ ਤੇਜ਼ੀ ਨਾਲ ਲਏ ਗਏ। 46% ਐਂਟਰਪ੍ਰਾਈਜ਼ ਹਿੱਸੇ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਮਰੀਕੀ ਕੰਪਨੀਆਂ ਦੇ ਅੰਦਰ ਲਗਭਗ ਅੱਧਾ AI ਕੰਪਿਊਟ ਬਜਟ ਹੁਣ ਪ੍ਰਸ਼ਾਂਤ ਮਹਾਸਾਗਰ ਦੇ ਪਾਰ ਵਿਕਸਤ ਹੋਈਆਂ ਆਰਕੀਟੈਕਚਰਾਂ ਵੱਲ ਜਾ ਰਿਹਾ ਹੈ। ਇੱਕ ਅਜਿਹੀ ਉਦਯੋਗ ਲਈ ਜਿਸ ਨੇ ਸਾਲਾਂ ਬੱਧੀ ਸੈਨ ਫਰਾਂਸਿਸਕੋ ਅਤੇ ਬੇਅ ਏਰੀਆ ਨੂੰ ਆਪਣੇ ਕੇਂਦਰ ਵਜੋਂ ਮੰਨਿਆ ਹੈ, ਇਹ ਇੱਕ ਸ਼ਾਨਦਾਰ ਮੁੜ-ਸੁਰਜੀਤੀ (realignment) ਹੈ।

ਅਸਲ ਕੰਪਨੀਆਂ, ਅਸਲ ਬਚਤ

ਪ੍ਰਮੁੱਖ ਫਰਮਾਂ ਦੇ ਸਪੱਸ਼ਟ ਫੈਸਲੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਇਹ ਕਿੰਨਾ ਡੂੰਘਾ ਹੈ। ਕ੍ਰਿਪਟੋਕਰੰਸੀ ਐਕਸਚੇਂਜ, Coinbase ਨੇ ਆਪਣੇ ਇੰਜੀਨੀਅਰਾਂ ਲਈ GLM-5.2 ਅਤੇ Kimi K2.7 ਦੀ ਚੋਣ ਕੀਤੀ। ਇਹ ਕਿਸੇ ਰਿਸਰਚ ਲੈਬ ਵਿੱਚ ਦਬਿਆ ਹੋਇਆ ਕੋਈ ਪਾਇਲਟ ਪ੍ਰੋਗਰਾਮ ਨਹੀਂ ਸੀ। ਇਹ ਮਾਡਲ ਅਸਲ ਡਿਵੈਲਪਰ ਵਰਕਫਲੋ—ਕੋਡ ਕੰਪਲੀਸ਼ਨ, ਤਕਨੀਕੀ ਦਸਤਾਵੇਜ਼ਬੰਦੀ, ਡੀਬੱਗਿੰਗ ਸਹਾਇਤਾ, ਅਤੇ ਅੰਦਰੂਨੀ ਟੂਲਿੰਗ—ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ। Coinbase ਦੀਆਂ ਸਖ਼ਤ ਅਪਟਾਈਮ (uptime) ਲੋੜਾਂ ਅਤੇ ਸੁਰੱਖਿਆ ਨੀਤੀਆਂ ਹਨ। ਇਸ ਦੀ ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮ ਨੇ ਮਾਮੂਲੀ ਫਾਇਦੇ ਲਈ ਵਿਦੇਸ਼ੀ ਮਾਡਲਾਂ ਨੂੰ ਨਹੀਂ ਅਪਣਾਇਆ। ਉਨ੍ਹਾਂ ਨੇ ਇਹਨਾਂ ਨੂੰ ਇਸ ਲਈ ਅਪਣਾਇਆ ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਬਿਹਤਰ ਆਰਥਿਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਮਾਪਦੰਡਾਂ 'ਤੇ ਖਰੇ ਉਤਰੇ।

ਫਿਰ Lindy ਹੈ, ਇੱਕ ਅਮਰੀਕੀ ਸਟਾਰਟਅੱਪ ਜਿਸ ਨੇ Anthropic Claude ਤੋਂ DeepSeek-V4 'ਤੇ ਜਾਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਇਸ ਦਾ ਨਤੀਜਾ 95% ਲਾਗਤ ਵਿੱਚ ਕਮੀ ਅਤੇ ਲੱਖਾਂ ਡਾਲਰਾਂ ਦੀ ਬਚਤ ਸੀ। ਸਟਾਰਟਅੱਪ ਬਹੁਤ ਸੀਮਤ ਫੰਡਾਂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਨਫਰੈਂਸ (inference) ਖਰਚੇ ਵਿੱਚ 95% ਦੀ ਕਮੀ ਦਾ ਮਤਲਬ ਅਠਾਰਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਨਕਦੀ ਖਤਮ ਹੋਣ ਅਤੇ ਸਾਲਾਂ ਤੱਕ ਆਰਾਮ ਨਾਲ ਵਧਣ (scaling) ਦੇ ਵਿਚਕਾਰ ਦਾ ਫਰਕ ਹੋ ਸਕਦਾ ਹੈ। ਪਰ Lindy ਦਾ ਇਹ ਕਦਮ ਕੁਝ ਵੱਡਾ ਵੀ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ: DeepSeek-V4 ਨੇ ਪ੍ਰੋਡਕਸ਼ਨ ਮਾਹੌਲ ਵਿੱਚ Claude ਦੀ ਜਗ੍ਹਾ ਲੈਣ ਲਈ ਕਾਫ਼ੀ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਇਹ ਸਿਰਫ਼ ਬਜਟ ਵਿਕਲਪ ਵੱਲ ਡਾਊਨਗ੍ਰੇਡ ਕਰਨਾ ਨਹੀਂ ਸੀ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਬਦਲਾਅ ਸੀ ਜਿਸ ਨੇ ਲਾਗਤ ਨੂੰ ਖ਼ਤਮ ਕਰਦੇ ਹੋਏ ਵਰਤੋਂਯੋਗਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਿਆ।

ਇਹ ਦੋਵਾਂ ਉਦਾਹਰਣਾਂ ਕਾਰਪੋਰੇਟ ਸਪੈਕਟ੍ਰਮ ਦੇ ਦੋ ਵੱਖਰੇ ਸਿਰਿਆਂ 'ਤੇ ਹਨ। Coinbase ਇੱਕ ਜਨਤਕ ਤੌਰ 'ਤੇ ਸੂਚੀਬੱਧ ਟੈਕ ਜੇਂਟ ਹੈ ਜਿਸ ਕੋਲ ਕੰਪਲਾਇੰਸ ਟੀਮਾਂ ਅਤੇ ਪੁਰਾਣਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਹੈ। Lindy ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦਾ ਕਾਰੋਬਾਰ ਹੈ ਜੋ ਆਪਣੀ ਹੋਂਦ ਦਾ ਦਾਅ ਸਮਾਰਟ AI ਅਰਥਚਾਰੇ 'ਤੇ ਲਗਾ ਰਿਹਾ ਹੈ। ਦੋਵੇਂ ਇੱਕੋ ਹੀ ਨਤੀਜੇ 'ਤੇ ਪਹੁੰਚੇ। ਇਹ ਸਾਨੂੰ ਕੁਝ ਦੱਸਣਾ ਚਾਹੀਦਾ ਹੈ।

ਅਸਲ ਵਿੱਚ ਕੁਸ਼ਲਤਾ (Efficiency) ਦਾ ਕੀ ਮਤਲਬ ਹੈ

ਕੁਸ਼ਲਤਾ ਇਹਨਾਂ ਚੋਣਾਂ ਦਾ ਮੁੱਖ ਕਾਰਨ ਹੈ, ਪਰ ਸਾਨੂੰ ਇਸ ਦੇ ਅਸਲ ਅਰਥ ਬਾਰੇ ਸਪੱਸ਼ਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਡੈਸ਼ਬੋਰਡ 'ਤੇ ਸਸਤੀ API ਕੀਮਤਾਂ ਦਾ ਮਾਮਲਾ ਨਹੀਂ ਹੈ। ਚੀਨੀ ਲੈਬਾਂ ਨੇ ਅਜਿਹੇ ਇਨਫਰੈਂਸ ਆਰਕੀਟੈਕਚਰ ਤਿਆਰ ਕੀਤੇ ਹਨ ਜੋ ਹਰ ਕੰਪਿਊਟ ਚੱਕਰ (compute cycle) ਤੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੱਢਦੇ ਹਨ। ਬਿਹਤਰ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ (quantization), ਅਪਟੀਮਾਈਜ਼ਡ ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ, ਡਿਸਟਿਲਡ ਮਾਡਲ ਵੇਰੀਐਂਟਸ, ਅਤੇ ਹਾਰਡਵੇਅਰ-ਅਵੇਅਰ ਸਰਵਿੰਗ ਸਟੈਕਸ ਸਭ ਮਿਲ ਕੇ ਪ੍ਰਤੀ ਟੋਕਨ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।

ਇਹ ਇੰਨਾ ਜ਼ਰੂਰੀ ਕਿਉਂ ਹੈ? ਕਿਉਂਕਿ ਟੋਕਨ ਵੌਲਯੂਮ (token volume) ਸਥਿਰ ਨਹੀਂ ਹੁੰਦਾ। ਜਦੋਂ ਕੋਈ ਕੰਪਨੀ ਇੱਕ ਸਫਲ AI ਫੀਚਰ ਬਣਾਉਂਦੀ ਹੈ, ਤਾਂ ਇਸਦੀ ਵਰਤੋਂ ਵਧਦੀ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਤੁਹਾਡੀ ਐਪਲੀਕੇਸ਼ਨ ਅਗਲੀ ਤਿਮਾਹੀ ਵਿੱਚ ਦਸ ਗੁਣਾ ਜ਼ਿਆਦਾ ਟੋਕਨ ਪੈਦਾ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਗਾਹਕ ਇਸਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਤਾਂ ਤੁਹਾਡਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਬਿੱਲ ਵੀ ਉਸੇ ਰਫਤਾਰ ਨਾਲ ਵਧੇਗਾ। ਇੱਕ ਮਾਡਲ ਜੋ ਸਿਰਫ "ਸਸਤਾ" ਹੈ, ਉਹ ਮਦਦ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਕ ਮਾਡਲ ਜੋ ਪੰਚਾਨਵੇਂ ਫੀਸਦੀ ਸਸਤਾ ਹੈ, ਉਹ ਤੁਹਾਡੀ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ (unit economics) ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਹ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਤੁਹਾਡੀ AI ਪ੍ਰੋਡਕਟ ਲਾਈਨ ਮੁਨਾਫੇ ਵਾਲੀ ਹੈ ਜਾਂ ਸਿਰਫ ਪੈਸਾ ਖਰਚ ਰਹੀ ਹੈ। ਇਹ ਸਟਾਰਟਅੱਪਸ ਨੂੰ ਮੌਜੂਦਾ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਅਤੇ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਵਧੇਰੇ AI ਸਮਰੱਥਾਵਾਂ ਲਾਂਚ ਕਰਦੇ ਹੋਏ ਆਪਣੇ ਮੁਨਾਫੇ ਨੂੰ ਬਚਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਅਮਰੀਕੀ ਫਰਮਾਂ ਇਸ ਗਣਿਤ ਨੂੰ ਸਮਝ ਰਹੀਆਂ ਹਨ। ਉਹ ਦੇਖ ਰਹੇ ਹਨ ਕਿ ਕਈ ਪ੍ਰੋਡਕਸ਼ਨ ਕੰਮਾਂ—ਜਿਵੇਂ ਕਿ ਟਿਕਟਾਂ ਨੂੰ ਰੂਟ ਕਰਨਾ, ਈਮੇਲ ਡਰਾਫਟ ਕਰਨਾ, ਲੌਗਸ ਪਾਰਸ ਕਰਨਾ, ਟੈਸਟ ਕੇਸ ਬਣਾਉਣਾ, ਮੀਟਿੰਗਾਂ ਦਾ ਸਾਰ ਕੱਢਣਾ—ਨੂੰ ਮਾਰਕੀਟ ਦੇ ਸਭ ਤੋਂ ਮਹਿੰਗੇ ਫਰੰਟੀਅਰ ਮਾਡਲ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਦੀ ਲੋੜ ਹੈ ਜੋ ਕਾਫ਼ੀ ਵਧੀਆ ਹੋਵੇ ਅਤੇ ਜਿਸਦੀ ਲਾਗਤ ਅਜਿਹੀ ਹੋਵੇ ਕਿ ਬਿਜ਼ਨਸ ਮਾਡਲ ਸਹੀ ਤਰ੍ਹਾਂ ਚੱਲ ਸਕੇ। ਚੀਨੀ ਪ੍ਰਦਾਤਾਵਾਂ ਨੇ ਇਸ ਖਾਲੀ ਥਾਂ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਭਰ ਦਿੱਤਾ ਹੈ।

ਦਸ ਹਫ਼ਤਿਆਂ ਦੀ ਲਗਾਤਾਰ ਰਫ਼ਤਾਰ ਨੂੰ ਸਮਝਣਾ

AI ਵਿੱਚ ਗਲੋਬਲ ਟੋਕਨ ਵੌਲਯੂਮ ਵਿੱਚ ਸਿਖਰ 'ਤੇ ਦਸ ਹਫ਼ਤੇ ਇੱਕ ਲੰਬਾ ਸਮਾਂ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਹਫ਼ਤਾ ਕੋਈ ਅਨੋਮਲੀ (anomaly) ਹੋ ਸਕਦੀ ਹੈ। ਪਰ ਦਸ ਹਫ਼ਤੇ ਇੱਕ ਰੁਝਾਨ (trend) ਹਨ ਜਿਸ ਵਿੱਚ ਗਤੀ ਹੈ। ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਚੀਨੀ ਮਾਡਲ ਗਲੋਬਲ ਉਦਯੋਗਾਂ ਵਿੱਚ "ਮੁਲਾਂਕਣ" (evaluation) ਦੇ ਪੜਾਅ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ "ਡਿਫੌਲਟ" (default) ਪੜਾਅ ਵਿੱਚ ਪਹੁੰਚ ਗਏ ਹਨ। ਇੰਜੀਨੀਅਰ ਸਿਰਫ ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਹੇ; ਉਹ ਉਹਨਾਂ 'ਤੇ ਅਧਾਰਤ ਚੀਜ਼ਾਂ ਬਣਾ ਰਹੇ ਹਨ। ਪ੍ਰੋਡਕਟ ਮੈਨੇਜਰ ਉਹਨਾਂ ਲਈ ਬਜਟ ਅਲਾਟ ਕਰ ਰਹੇ ਹਨ। ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਨੂੰ ਕੰਟੀਨਿਊਅਸ ਡਿਪਲਾਈਮੈਂਟ ਪਾਈਪਲਾਈਨਾਂ ਅਤੇ ਗਾਹਕਾਂ ਨਾਲ ਜੁੜੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ।

ਫਰਵਰੀ 2026 ਦਾ ਮੋੜ ਪਿੱਛੇ ਮੁੜ ਕੇ ਦੇਖਣ 'ਤੇ ਸਹੀ ਲੱਗਦਾ ਹੈ। DeepSeek-V4, GLM-5.2, ਅਤੇ Kimi K2.7 ਵਰਗੇ ਮਾਡਲ ਕੁਝ ਸਮੇਂ ਤੋਂ ਉਪਲਬਧ ਸਨ, ਪਰ 2026 ਦੀ ਸ਼ੁਰੂਆਤ ਉਹ ਸਮਾਂ ਲੱਗਦਾ ਹੈ ਜਦੋਂ ਅਮਰੀਕੀ ਟੀਮਾਂ ਨੇ ਉਹਨਾਂ 'ਤੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਪ੍ਰੋਡਕਸ਼ਨ ਅਨੁਭਵ ਹਾਸਲ ਕਰ ਲਿਆ ਸੀ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਭਰੋਸ