ਓਪਨ-ਸੋਰਸ AI ਲਹਿਰ ਨੇ ਸੱਚਮੁੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਾਡਲ ਤਿਆਰ ਕੀਤੇ ਹਨ। DeepSeek ਹੁਣ Vercel ਦੇ AI ਗੇਟਵੇ ਰਾਹੀਂ ਵਗਦੇ ਸਾਰੇ ਟੋਕਨਾਂ ਦਾ ਇੱਕ ਤਿਹਾਈ ਤੋਂ ਵੱਧ ਹਿੱਸਾ ਪ੍ਰੋਸੈਸ ਕਰ ਰਿਹਾ ਹੈ। Z.ai ਦਾ GLM-5.2 ਵਾਲੀਅਮ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਪਲੇਟਫਾਰਮ ਦੇ ਚਾਰ ਸਭ ਤੋਂ ਉੱਪਰਲੇ ਮਾਡਲਾਂ ਵਿੱਚ ਆਰਾਮ ਨਾਲ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਕੋਈ ਸ਼ੌਕੀਆ ਪ੍ਰੋਜੈਕਟ ਨਹੀਂ ਹਨ। ਇਹ ਪ੍ਰੋਡਕਸ਼ਨ-ਗ੍ਰੇਡ ਸਿਸਟਮ ਹਨ ਜੋ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਅਸਲ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵਰਕਲੋਡਸ ਨੂੰ ਸੰਭਾਲ ਰਹੇ ਹਨ। ਇਹਨਾਂ ਅੰਕੜਿਆਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਇਹ ਮੰਨਣਾ ਸੌਖਾ ਹੋਵੇਗਾ ਕਿ Anthropic ਵਰਗੇ ਫਰੰਟੀਅਰ ਲੈਬਸ ਨੂੰ ਆਪਣੀ ਮਾਰਕੀਟ ਸਥਿਤੀ ਲਈ ਹੋਂਦ ਦੇ ਖਤਰੇ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਰਿਹਾ ਹੈ।

ਇਹ ਅੰਦਾਜ਼ਾ ਉਸ ਚੀਜ਼ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਹੋ ਰਹੀ ਹੈ।

ਫਰੰਟੀਅਰ ਮਾਡਲਾਂ ਦਾ ਅਸਲ ਕੰਮ

Decagon ਦੇ CEO Jesse Zhang ਨੇ ਪ੍ਰੋਪਰਾਈਟਰੀ ਅਤੇ ਓਪਨ-ਸੋਰਸ AI ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਸਪਸ਼ਟ ਤਰੀਕਾ ਸੁਝਾਇਆ ਹੈ। ਇਹ ਮੁਕਾਬਲਾ ਇੱਕ ਦੂਜੇ ਨੂੰ ਬਦਲਣ ਦੀ ਸਧਾਰਨ ਦੌੜ ਨਹੀਂ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਦੋਵੇਂ ਸ਼੍ਰੇਣੀਆਂ ਇੱਕ ਸਿੰਗਲ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਲਾਈਫਸਾਈਕਲ ਦੇ ਵੱਖ-ਵੱਖ ਪੜਾਵਾਂ ਦੀ ਸੇਵਾ ਕਰਦੀਆਂ ਹਨ।

ਫਰੰਟੀਅਰ ਮਾਡਲ 'ਡਿਸਕਵਰੀ ਲੇਅਰ' ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਕੰਪਨੀ ਇਸ ਗੱਲ ਦੀ ਖੋਜ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੀ ਹੈ ਕਿ AI ਕਿਸ ਤਰ੍ਹਾਂ ਕਿਸੇ ਅੰਦਰੂਨੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ, ਤਾਂ ਉਹ ਕੰਮ ਲਗਭਗ ਹਮੇਸ਼ਾ ਅਸਪਸ਼ਟ ਹੁੰਦਾ ਹੈ। ਇਨਪੁੱਟਸ ਅਸਪਸ਼ਟ ਹੁੰਦੇ ਹਨ। ਲੋੜੀਂਦੇ ਆਉਟਪੁੱਟਸ ਅਨਿਸ਼ਚਿਤ ਹੁੰਦੇ ਹਨ। ਸਫਲਤਾ ਲਈ ਅਸਪਸ਼ਟਤਾ ਵਿੱਚੋਂ ਤਰਕ ਕੱਢਣ, ਅਜਿਹੇ ਐਜ ਕੇਸਾਂ ਨੂੰ ਸੰਭਾਲਣ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਟੀਮ ਨੇ ਅਜੇ ਤੱਕ ਕੈਟਾਲਾਗ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਅਤੇ ਹਰ ਘੰਟੇ ਬਦਲਦੇ ਪ੍ਰੋਂਪਟਸ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਅਤੇ ਪ੍ਰੂਫ-ਆਫ-ਕੰਸੈਪਟ ਦਾ ਕੰਮ ਹੈ। ਇਸ ਲਈ ਉਪਲਬਧ ਸਭ ਤੋਂ ਸਮਰੱਥ ਸਿਸਟਮ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਭਾਵੇਂ ਲਾਗਤ ਕਿੰਨੀ ਵੀ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਕਿਉਂਕਿ ਵਿਕਲਪ ਇੱਕ ਅਜਿਹਾ ਅਸਫਲ ਪ੍ਰਯੋਗ ਹੈ ਜੋ ਕੁਝ ਵੀ ਨਹੀਂ ਸਿਖਾਉਂਦਾ।

ਇਸ ਪੜਾਅ ਵਿੱਚ, ਇੱਕ ਮਹਿੰਗਾ ਫਰੰਟੀਅਰ ਮਾਡਲ ਕੋਈ ਵਾਧੂ ਖਰਚਾ (overhead) ਨਹੀਂ ਹੈ। ਇਹ ਕੁਝ API ਕਾਲਾਂ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕੀਤੀ ਗਈ ਮਾਰਕੀਟ ਰਿਸਰਚ ਦੀ ਲਾਗਤ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਯੂਜ਼ ਕੇਸ ਸਾਬਤ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵਰਕਫਲੋਅ ਨਕਸ਼ਾ ਤਿਆਰ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਮੱਸਿਆ ਦਾ ਸੁਭਾਅ ਬਦਲ ਜਾਂਦਾ ਹੈ। ਅਸਪਸ਼ਟਤਾ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਇਨਪੁੱਟਸ ਸਟੈਂਡਰਡਾਈਜ਼ ਹੋ ਜਾਂਦੇ ਹਨ। ਪ੍ਰੋਂਪਟ ਸਥਿਰ ਹੋ ਜਾਂਦੇ ਹਨ। ਕੰਮ ਰੁਟੀਨ ਬਣ ਜਾਂਦਾ ਹੈ। ਉਸ ਸਮੇਂ, ਬਹੁਤ ਸਾਰੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵਰਕਲੋਡ ਨੂੰ ਇੱਕ ਹਲਕੇ, ਸਸਤੇ ਮਾਡਲ 'ਤੇ ਮਾਈਗ੍ਰੇਟ ਕਰ ਦਿੰਦੇ ਹਨ। ਓਪਨ-ਸੋਰਸ ਵਿਕਲਪ ਪ੍ਰੋਡਕਸ਼ਨ ਸਟੇਜ ਵਿੱਚ ਕਾਬਜ਼ ਹੋ ਜਾਂਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਫਰੰਟੀਅਰ ਮਾਡਲ ਅਗਲੀ ਅਣਜਾਣ ਸਮੱਸਿਆਵਾਂ ਦੀ ਲਹਿਰ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਫਰੰਟੀਅਰ 'ਤੇ ਹੀ ਰਹਿੰਦੇ ਹਨ।

ਇਹ ਇਸ ਬਾਰੇ ਕੋਈ ਸਿਧਾਂਤ ਨਹੀਂ ਹੈ ਕਿ AI ਨੂੰ ਕਿਵੇਂ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਇਸ ਬਾਰੇ ਵਰਣਨ ਹੈ ਕਿ ਬਜਟ ਪਹਿਲਾਂ ਹੀ ਕਿਵੇਂ ਬਦਲ ਰਹੇ ਹਨ।

ਜਦੋਂ ਵਰਕਲੋਡਸ ਡਾਊਨਮਾਰਕੀਟ ਵੱਲ ਵਧਦੇ ਹਨ

ਓਪਨ ਸੋਰਸ ਵੱਲ ਮਾਈਗ੍ਰੇਸ਼ਨ ਅਸਲੀ ਹੈ, ਅਤੇ ਇਹ ਟ੍ਰੈਫਿਕ ਡੇਟਾ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। Vercel ਦੇ ਇਨਫਰਾਸਟ੍ਰਕਚਰ 'ਤੇ ਟੋਕਨ ਵਾਲੀਅਮ ਦੇ ਇੱਕ ਤਿਹਾਈ ਤੋਂ ਵੱਧ ਹਿੱਸੇ ਤੱਕ DeepSeek ਦੀ ਤੇਜ਼ੀ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਸਸਤੇ ਮਾਡਲਾਂ ਰਾਹੀਂ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਇਨਫਰੈਂਸ ਚਲਾ ਰਹੀਆਂ ਹਨ। Z.ai ਦੇ GLM-5.2 ਨੇ ਵੀ ਸਥਿਰ ਅਤੇ ਅਨੁਮਾਨਿਤ ਟ੍ਰੈਫਿਕ ਨੂੰ ਸੰਭਾਲ ਕੇ ਚਾਰ ਸਭ ਤੋਂ ਉੱਪਰਲੇ ਸਥਾਨਾਂ ਵਿੱਚ ਆਪਣੀ ਜਗ੍ਹਾ ਬਣਾਈ ਹੈ।

ਇਹ ਮਾਡਲ ਉਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚ ਉੱਤਮ ਹਨ ਜੋ ਹੁਣ ਕਾਬੂ ਵਿੱਚ ਹਨ। ਸਟੈਂਡਰਡਾਈਜ਼ਡ ਫਾਰਮਾਂ ਤੋਂ ਉੱਚ-ਵਾਲੀਅਮ ਡੇਟਾ ਐਕਸਟਰੈਕਸ਼ਨ, ਪਹਿਲੇ ਪੜਾਅ ਦੀ ਗਾਹਕ ਸਹਾਇਤਾ (customer support triage) ਜੋ ਸਪਸ਼ਟ ਕੀਵਰਡਸ ਦੇ ਅਧਾਰ 'ਤੇ ਟਿਕਟਾਂ ਨੂੰ ਰੂਟ ਕਰਦੀ ਹੈ, ਜਾਂ ਰੁਟੀਨ ਕੋਡ ਲਿੰਟਿੰਗ ਅਤੇ ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਜਨਰੇਸ਼ਨ ਬਾਰੇ ਸੋਚੋ। ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਡ ਹੁੰਦੇ ਹਨ। ਗਲਤੀਆਂ ਦੇ ਮੋਡਸ ਸਮਝੇ ਹੋਏ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਮਾੜੇ ਆਉਟਪੁੱਟ ਦਾ ਵਪਾਰਕ ਜੋਖਮ ਸੀਮਤ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਕੰਮ ਪਰਿਭਾਸ਼ਿਤ ਅਤੇ ਦੁਹਰਾਉਣਯੋਗ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਨਫਰੈਂਸ ਦੀ ਲਾਗਤ ਮੁੱਖ ਚਿੰਤਾ ਬਣ ਜਾਂਦੀ ਹੈ। ਉਸੇ ਵਰਕਲੋਡ ਨੂੰ ਪ੍ਰੀਮੀਅਮ ਟਾਇਰ ਦੀ ਬਜਾਏ ਛੇ ਸੈਂਟ ਵਾਲੇ ਮਾਡਲ 'ਤੇ ਚਲਾਉਣਾ ਤੁਰੰਤ ਵਿੱਤੀ ਤੌਰ 'ਤੇ ਸਹੀ ਲੱਗਦਾ ਹੈ।

ਪਰ ਵਾਲੀਅਮ ਮਾਲੀਆ (revenue) ਨਹੀਂ ਹੈ। ਇਸ ਤੱਥ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਟੋਕਨ ਗਿਣਤੀ ਵਿੱਚ ਦਬਦਬਾ ਰੱਖਦੇ ਹਨ, ਤਾਂ ਉਹ ਮੁੱਲ ਸਿਰਜਣ (value creation) ਵਿੱਚ ਵੀ ਦਬਦਬਾ ਰੱਖਣਗੇ। ਟੋਕਨ ਵਾਲੀਅਮ ਗਤੀਵਿਧੀ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਟੋਕਨ ਖਰਚਾ ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਬਦਲ ਨਾ ਹੋਣ ਯੋਗ ਸਮਰੱਥਾ ਲਈ ਕੀ ਅਦਾ ਕਰਨ ਲਈ ਤਿਆਰ ਹਨ।

ਪੈਸਾ ਅਸਲ ਵਿੱਚ ਕਿੱਥੇ ਵਹਿੰਦਾ ਹੈ

Vercel ਦੇ AI ਗੇਟਵੇ ਦਾ ਡੇਟਾ ਆਰਥਿਕ ਵੰਡ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਅਸੰਭਵ ਬਣਾ ਦਿੰਦਾ ਹੈ। ਕੱਚੇ ਟੋਕਨ ਟ੍ਰੈਫਿਕ ਵਿੱਚ DeepSeek ਦੇ ਦਬਦਬੇ ਦੇ ਬਾਵਜੂਦ, Anthropic ਪਲੇਟਫਾਰਮ 'ਤੇ ਕੁੱਲ AI ਖਰਚੇ ਦਾ ਅੱਧੇ ਤੋਂ ਵੱਧ ਹਿੱਸਾ ਕਮਾਉਣਾ ਜਾਰੀ ਰੱਖ ਰਿਹਾ ਹੈ। ਗਤੀਵਿਧੀ ਅਤੇ ਖਰਚੇ ਵਿਚਕਾਰ ਦਾ ਪਾੜਾ ਇੱਕ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਕੀਮਤ ਦੇ ਅੰਤਰ ਕਾਰਨ ਹੈ।

OpenRouter ਦੇ ਡੇਟਾ ਅਨੁਸਾਰ, Anthropic ਦੇ Opus 4.8 ਦੀ ਲਾਗਤ ਲਗਭਗ $1.37 ਪ੍ਰ ਮਿਲੀਅਨ ਟੋਕਨ ਹੈ। DeepSeek ਦਾ V4Flash ਉਸੇ ਵਾਲੀਅਮ ਲਈ ਲਗਭਗ ਛੇ ਸੈਂਟ ਹੈ। Opus ਦੀ ਕੀਮਤ ਲਗਭਗ ਤੇਈ ਗੁਣਾ ਜ਼ਿਆਦਾ ਹੈ। ਇਹ ਗੁਣਕ (multiplier) ਕੱਚੇ ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਮਹੱਤਵ ਰੱਖਦਾ

ਇਹ ਅੰਤਰ ਕੋਈ ਇਤਫ਼ਾਕ ਨਹੀਂ ਹੈ। ਇਹ ਇਸ ਹਕੀਕਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਫਰੰਟੀਅਰ ਪ੍ਰੋਵਾਈਡਰ ਕੁਝ ਵੱਖਰਾ ਵੇਚ ਰਹੇ ਹਨ। ਉਹ ਸਿਰਫ਼ ਟੋਕਨ ਨਹੀਂ ਵੇਚ ਰਹੇ। ਉਹ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸੁਲਝਾਉਣ ਦੀ ਸਮਰੱਥਾ ਵੇਚ ਰਹੇ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਕੋਈ ਪਹਿਲਾਂ ਤੋਂ ਤੈਅ ਨਿਯਮਾਵਲੀ ਨਹੀਂ ਹੈ। ਉੱਚ-ਦਰਾਂ ਅਦਾ ਕਰਨ ਵਾਲੇ ਉਦਯੋਗਿਕ ਅਦਾਰੇ ਅਣਜਾਣ ਹੋਣ ਕਰਕੇ ਅਜਿਹਾ ਨਹੀਂ ਕਰ ਰਹੇ। ਉਹ ਅਜਿਹਾ ਇਸ ਲਈ ਕਰ ਰਹੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਜੋ ਕੰਮ ਸੌਂਪਦੇ ਹਨ, ਉਹ ਜਾਂ ਤਾਂ ਬਹੁਤ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਹੁੰਦੇ ਹਨ ਜਾਂ ਬਣਤਰ ਪੱਖੋਂ ਬਹੁਤ ਗੁੰਝਲਦਾਰ। ਇੱਕ ਕਾਨੂੰਨੀ ਟੀਮ, ਜੋ ਨਵੇਂ ਰੈਗੂਲੇਟਰੀ ਜੋਖਮਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਰਹੀ ਹੈ, ਉਹ ਕਿਸੇ ਗਲਤ ਜਾਂ ਕਲਪਿਤ ਹਵਾਲੇ (hallucinated citation) ਨੂੰ ਬਰਦਾਸ਼ਤ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਇੱਕ ਪ੍ਰੋਡਕਟ ਟੀਮ, ਜੋ ਮਲਟੀ-ਸਟੈਪ ਏਜੈਂਟਿਕ ਵਰਕਫਲੋ ਡਿਜ਼ਾਈਨ ਕਰ ਰਹੀ ਹੈ, ਨੂੰ ਮਾਡਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਕਈ ਪੜਾਵਾਂ ਵਿੱਚ ਤਰਕ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਜੋੜ ਸਕੇ। ਇਹਨਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਅਸਫਲਤਾ ਦੀ ਲਾਗਤ API ਕਾਲ ਦੀ ਲਾਗਤ ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ।

ਪੂੰਜੀ ਖਰਚ (Capital expenditure) ਉਸ ਪੱਧਰ ਵੱਲ ਵਧਦਾ ਹੈ ਜਿੱਥੇ ਅਜੇ ਵੀ ਮੁੱਲ ਪੈਦਾ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ।

ਮਾਰਕੀਟ ਪਰਵਾਸ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ

ਜੇਕਰ ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਇੰਨੇ ਸਸਤੇ ਹਨ, ਅਤੇ ਉਦਯੋਗਿਕ ਅਦਾਰੇ ਸਰਗਰਮੀ ਨਾਲ ਆਪਣੇ ਮੈਚੋਰ ਵਰਕਲੋਡਾਂ ਨੂੰ ਉਹਨਾਂ ਵੱਲ ਤਬਦੀਲ ਕਰ ਰਹੇ ਹਨ, ਤਾਂ ਫਰੰਟੀਅਰ ਖਰਚਾ ਕਿਉਂ ਨਹੀਂ ਘਟਿਆ? ਇਸਦਾ ਜਵਾਬ ਇਹ ਹੈ ਕਿ AI ਕੰਮਾਂ ਦਾ ਕੁੱਲ ਮਾਰਕੀਟ ਕਿਸੇ ਵੀ ਇੱਕ ਮਾਡਲ ਦੁਆਰਾ ਇਸਨੂੰ ਆਮ ਵਸਤੂ (commoditize) ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ।

ਹਰ ਵਾਰ ਜਦੋਂ ਕੋਈ ਕੰਪਨੀ ਕਿਸੇ ਓਪਨ-ਸੋਰਸ ਵਿਕਲਪ ਨਾਲ ਕਿਸੇ ਅਨੁਮਾਨਿਤ ਵਰਕਫਲੋ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਆਟੋਮੇਟ ਕਰਦੀ ਹੈ, ਤਾਂ ਦੋ ਚੀਜ਼ਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਪਹਿਲਾਂ, ਉਹ ਟੀਮ ਕੰਮ ਦੇ ਲਾਗਤ ਵਿੱਚ ਬਚਤ ਕਰਦੀ ਹੈ। ਦੂਜਾ, ਉਹ ਸਰੋਤ ਅਤੇ ਉਹ ਪ੍ਰਤਿਭਾ ਵਧੇਰੇ ਔਖੀਆਂ ਨਾਲ ਸਬੰਧਤ ਸਮੱਸਿਆਵਾਂ ਵੱਲ ਮੁੜ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਰੁਟੀਨ ਦਾ ਕੰਮ ਹੁਣ ਮਸ਼ੀਨਾਂ ਦੁਆਰਾ ਸੰਭਾਲਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਨਸਾਨ ਅਣਮੋਲ, ਰਣਨੀਤਕ ਅਤੇ ਬੇਮਿਸਾਲ ਕੰਮਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਨਵੀਂ ਖੋਜ ਕੀਤੀ ਗਈ ਸਮੱਸਿਆ ਲਈ ਲਗਭਗ ਹਮੇਸ਼ਾ ਇੱਕ ਫਰੰਟੀਅਰ ਮਾਡਲ ਦੀ ਡੂੰਘੀ ਸੋਚ (reasoning depth) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਇਹ ਪੈਟਰਨ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਬੈਂਕ ਸਸਤੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਨੂੰ ਆਟੋਮੇਟ ਕਰਦਾ ਹੈ, ਫਿਰ ਆਪਣਾ ਧਿਆਨ ਇੱਕ ਡਾਇਨਾਮਿਕ ਰਿਸਕ ਮਾਡਲ ਬਣਾਉਣ ਵੱਲ ਲਗਾਉਂਦਾ ਹੈ ਜਿਸ ਲਈ ਬਾਰੀਕ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਮਰੱਥਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਸਾਫਟਵੇਅਰ ਫਰਮ ਟੈਸਟ ਜਨਰੇਸ਼ਨ ਨੂੰ ਆਟੋਮੇਟ ਕਰਦੀ ਹੈ, ਫਿਰ ਇੱਕ ਆਟੋਨੋਮਸ ਡੀਬੱਗਿੰਗ ਏਜੰਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀ ਹੈ ਜੋ ਡਿਸਟ੍ਰੀਬਿਊਟਡ ਸਿਸਟਮਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੋਵੇ। ਫਰੰਟੀਅਰ ਲਗਾਤਾਰ ਅੱਗੇ ਵਧ ਰਿਹਾ ਹੈ। ਜਿਵੇਂ ਹੀ ਕੋਈ ਇੱਕ ਕੰਮ ਆਮ (commodity) ਬਣ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਵਰਤੋਂ ਦਾ ਮਾਮਲਾ ਉਭਰਦਾ ਹੈ ਜੋ ਪ੍ਰੀਮੀਅਮ ਸਮਰੱਥਾ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।

ਬਹੁਤ ਸਾਰੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕੰਮ ਵੀ ਮੌਜੂਦਾ ਪੀੜ੍ਹੀ ਦੇ ਓਪਨ-ਸੋਰਸ ਵਿਕਲਪਾਂ ਨੂੰ ਸੌਂਪਣ ਲਈ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਰਹਿੰਦੇ ਹਨ। ਮੈਡੀਕਲ ਟ੍ਰਾਇਜ ਸਪੋਰਟ, ਰੈਗੂਲੇਟਰੀ ਜਾਂਚ ਦੇ ਅਧੀਨ ਵਿੱਤੀ ਭਵਿੱਖਬਾਣੀ, ਅਤੇ ਕਾਰਜਕਾਰੀ ਰਣਨੀਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਅਜਿਹੇ ਨੁਕਸਾਨ ਦੇ ਜੋਖਮ ਹੁੰਦੇ ਹਨ ਜੋ ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਸਾਹਮਣੇ ਇਨਫਰੈਂਸ ਲਾਗਤ ਨੂੰ ਅਸਾਰਾ ਬਣਾ ਦਿੰਦੇ ਹਨ। ਇਹ ਵਰਕਲੋਡ ਇੱਕ ਟਿਕਾਊ ਪ੍ਰੀਮੀਅਮ ਪੱਧਰ ਬਣਾਉਂਦੇ ਹਨ। ਨਤੀਜਾ ਇੱਕ ਸਥਿਰ ਦੋ-ਪੱਧਰੀ ਅਰਥਵਿਵਸਥਾ ਹੈ: ਗੁੰਝਲਦਾਰ ਤਰਕ ਅਤੇ ਖੋਜ ਲਈ ਇੱਕ ਉੱਚ-ਮਾਰਜਿਨ ਪੱਧਰ, ਅਤੇ ਰੁਟੀਨ ਉਤਪਾਦਨ ਕਾਰਜਾਂ ਲਈ ਇੱਕ ਉੱਚ-ਵੌਲਯਮ ਕਮੋਡਿਟੀ ਪੱਧਰ।

ਐਂਟਰਪ੍ਰਾਈਜ਼ ਖਰੀਦਦਾਰਾਂ ਲਈ ਇਸਦਾ ਕੀ ਮਤਲਬ ਹੈ

ਵਿਵਹਾਰਕ ਸਿੱਖਿਆ ਇਹ ਹੈ ਕਿ ਮਾਡਲ ਦੀ ਚੋਣ ਕੰਮ ਦੀ ਪਰਿਪੱਕਤਾ ਅਨੁਸਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਨਾ ਕਿ ਵਿਚਾਰਧਾਰਾ ਅਨੁਸਾਰ। ਨਵੇਂ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਉਹਨਾਂ ਸਭ ਤੋਂ ਸਮਰੱਥ ਫਰੰਟੀਅਰ ਮਾਡਲਾਂ 'ਤੇ ਬਣਾਓ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰੋ ਜੋ ਤੁਸੀਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। ਖੋਜ ਦੇ ਦੌਰਾਨ ਪ੍ਰੀਮੀਅਮ ਅਦਾ ਕਰੋ। ਇਹ ਇੱਕ ਸੀਮਤ ਮਾਡਲ 'ਤੇ ਬਣਾਉਣ, ਮੁੱਲ ਸਾਬਤ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਹੋਣ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਛੱਡਣ ਨਾਲੋਂ ਸਸਤਾ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਇਨਪੁੱਟ, ਆਉਟਪੁੱਟ ਅਤੇ ਅਸਫਲਤਾ ਦੇ ਤਰੀਕੇ ਜਾਣ ਲਏ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਫਿਰ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਕੂਲਿਤ (optimize) ਕਰੋ। ਸਥਿਰ ਵਰਕਲੋਡ ਨੂੰ ਓਪਨ-ਸੋਰਸ ਵਿਕਲਪ 'ਤੇ ਲਿਜਾਓ ਅਤੇ ਲਾਗਤ ਵਿੱਚ ਬਚਤ ਕਰੋ।

ਹਰ ਕੰਮ ਨੂੰ ਇੱਕੋ ਪੱਧਰ ਵਿੱਚ ਫੋਰਸ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜਾਂ ਤਾਂ ਪੂੰਜੀ ਦੀ ਬਰਬਾਦੀ ਜਾਂ ਸਮਰੱਥਾ ਗੁਆਉਣ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। ਜੋ ਕੰਪਨੀਆਂ ਇਸ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਣਗੀਆਂ, ਉਹ ਡਿਫੌਲਟ ਰੂਪ ਵਿੱਚ ਹਾਈਬ੍ਰਿਡ ਆਰਕੀਟੈਕਚਰ ਚਲਾਉਣਗੀਆਂ, ਨਾ ਕਿ ਕਿਸੇ ਸਮਝੌਤੇ ਵਜੋਂ।

ਇੱਥੇ ਕਹਾਣੀ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਓਪਨ ਸੋਰਸ ਹਾਰ ਰਿਹਾ ਹੈ, ਜਾਂ ਫਰੰਟੀਅਰ ਲੈਬਾਂ ਅਜਿੱਤ ਹਨ। ਇਹ ਇਹ ਹੈ ਕਿ ਦੋਵੇਂ ਪੱਧਰ ਵਧ ਰਹੇ ਹਨ, ਪਰ ਉਹ ਵੱਖ-ਵੱਖ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਵਧ ਰਹੇ ਹਨ। ਓਪ