ஜூலை 16 அன்று, Moonshot AI நிறுவனம் Kimi K3-ஐ வெளியிட்டது. இது ஏற்கனவே நெரிசலான ஒரு排行榜 (leaderboard) பட்டியலில் வெறும் மற்றொரு பதிவாக மட்டும் இருக்கவில்லை. அதுவரை கண்ட மிகப்பெரிய open-weight அளவில், நிறுவன உரிமக் கட்டணங்கள் (enterprise licensing bills) மூலம் மட்டுமே கிடைக்கக்கூடிய தர்க்கரீதியான மற்றும் செயலாக்கத் திறனை (reasoning and processing power) இது வழங்கியது. பெரும்பாலான ஸ்டார்ட்அப்களால் (startups) அந்தத் தொகையைச் செலுத்த முடியாது. நீங்கள் அதைத் தரவிறக்கம் செய்து, மாற்றியமைத்து, உங்கள் சொந்தச் சேவையகங்களில் (servers) இயக்க முடியும். ஒவ்வொரு டாலரையும் கணக்கில் கொள்ளும் ஒரு டெவலப்பருக்கு, இதைத் தவிர்ப்பது கடினம்.
ஆனால், அதன் ஆரம்ப விலை மட்டுமே முழுமையான விலை அல்ல.
சீன open-weight மாடல்களைக் கொண்டு கட்டமைப்பதன் உண்மையான செலவு, எதிர்பாராத இடங்களில் வெளிப்பட்டு வருகிறது: நாடாளுமன்ற விசாரணைகள், ஏற்றுமதி கட்டுப்பாட்டு குறிப்புகள் மற்றும் வாஷிங்டனின் பாதுகாப்பு வட்டாரங்களில் அதிகரித்து வரும் கவலைகள் ஆகியவற்றில் இது தெரிகிறது. தனியுரிம API-களைத் (proprietary APIs) தவிர்க்க உதவும் அதே வெளிப்படைத்தன்மைதான் கொள்கை வகுப்பாளர்களைக் கவலைப்பட வைக்கிறது. எடைகள் (weights) திறந்த நிலையில் இருக்கும்போது, அந்த மாடல் வெறும் மென்பொருள் மட்டுமல்ல; அது ஒரு உள்கட்டமைப்பாக (infrastructure) மாறுகிறது. மேலும், வெளிநாடுகளில் கட்டப்பட்ட உள்கட்டமைப்பு அரசியல் தாக்கத்தைக் கொண்டுள்ளது.
ஆரம்பத்தில் இது ஒரு லாபகரமான ஒப்பந்தமாகத் தோன்றும்
இந்த மாடல்கள் ஏன் பரவி வருகின்றன என்பதைப் பற்றி நாம் உண்மையாகப் பேசுவோம். ஒரு மேற்கத்திய closed-source API, உங்கள் பயனர்களின் எண்ணிக்கை அதிகரிக்க அதிகரிக்க மிகக் கடுமையான கட்டணங்களை வசூலிக்கலாம். டோக்கன் (Token) செலவுகள் அதிகரித்துக்கொண்டே போகும். ரேட் லிமிட்கள் (Rate limits) உங்கள் தயாரிப்பின் வேகத்தைக் குறைக்கும். நீங்கள் அறிவை வாடகைக்கு எடுக்கிறீர்கள், மேலும் அந்த நில உரிமையாளர் (landlord) விதிமுறைகளை மாற்றக்கூடும்.
Kimi K3 போன்ற ஒரு open-weight மாடல் அந்த உறவை மாற்றியமைக்கிறது. நீங்கள் அளவுருக்களை (parameters) ஒருமுறை தரவிறக்கம் செய்துவிடுகிறீர்கள். அவற்றை உள்ளூர் ரீதியாகவோ அல்லது நீங்கள் கட்டுப்படுத்தும் ஒரு கிளவுட் இன்ஸ்டன்ஸ் (cloud instance) மூலமாகவோ இயக்கலாம். உங்கள் இன்ஃபரன்ஸ் (inference) செலவுகள் மின்சாரம் மற்றும் வன்பொருள் வாடகைக்கு மட்டுமே குறையும். வாடிக்கையாளர் ஆதரவு டிக்கெட்டுகளை (customer support tickets) கையாளும் ஒரு SaaS ஸ்டார்ட்அப் அல்லது உள்நாட்டு அறிவுத் தளத்தை (internal knowledge base) உருவாக்கும் ஒரு நடுத்தர நிறுவனத்திற்கு, இந்த கணக்கீடு மிகவும் ஈர்க்கக்கூடியது. நீங்கள் இனி ஒவ்வொரு வினவலுக்கும் (query) பணம் செலுத்த வேண்டியதில்லை. நீங்கள் கணினித் திறனுக்காக (compute) பணம் செலுத்துகிறீர்கள், மேலும் கணினித் திறன் விலை குறைந்து கொண்டே வருகிறது.
இதில் தனிப்பயனாக்கும் (customization) அம்சமும் உள்ளது. Closed மாடல்கள் ஒரு கருப்புப் பெட்டி (black boxes) போன்றவை. நீங்கள் ஒரு ப்ராம்ப்ட்டை (prompt) அனுப்புகிறீர்கள், பதிலைப் பெறுகிறீர்கள், மேலும் அந்த நடத்தை அனைத்து பதிப்புகளிலும் சீராக இருக்கும் என்று நம்புகிறீர்கள். Open weights மூலம், உங்கள் பொறியாளர்கள் குறிப்பிட்ட பணிகளுக்காக மாடலை ஃபைன்-டியூன் (fine-tune), பிரூன் (prune) அல்லது டிஸ்டில் (distill) செய்யலாம். ஒரு ஃபின்டெக் (fintech) நிறுவனம் மோசடி முறைகளைக் கண்டறிய அதைத் தனியாகப் பயிற்றுவிக்கலாம். ஒரு உற்பத்தியாளர், முக்கியமான தரவுகளை (sensitive telemetry) ஆயிரக்கணக்கான மைல்களுக்கு அப்பால் உள்ள மூன்றாம் தரப்பு சேவையகத்திற்கு அனுப்பாமல், நேரடியாக எட்ஜ் சாதனங்களில் (edge devices) இதை இணைக்க முடியும்.
அந்தத் தனிப்பட்ட கட்டுப்பாடு முக்கியமானது. இது வெறும் சிக்கனம் பற்றியது மட்டுமல்ல; இது தன்னாட்சி (autonomy) பற்றியது.
எடைகளுடன் நிபந்தனைகளும் வரும்போது
பிரச்சனை என்னவென்றால், தன்னாட்சி என்பது உங்கள் காலடியில் இருக்கும் தரை நிலையாக இருக்கும் என்று கருதுகிறது. இந்த மாடல்கள் நல்லவையா என்று வாஷிங்டன் இப்போது கேட்கவில்லை; மாறாக, அமெரிக்கப் பொருளாதாரத்தின் முழுத் துறைகளும் இவற்றையே சார்ந்திருந்தால் என்ன நடக்கும் என்று கேட்கிறது.
கொள்கை ரீதியான உரையாடல் இப்போது முற்றிலும் மாறிவிட்டது. செயற்கை நுண்ணறிவு குறித்த முந்தைய விவாதங்கள் சார்பு (bias), பாதுகாப்பு அல்லது இருப்பு ரீதியான ஆபத்துகள் (existential risk) ஆகியவற்றில் கவனம் செலுத்தின. இப்போது கவலை என்பது தொழில்நுட்ப இறையாண்மை (technological sovereignty) பற்றியது. ஒரு நிறுவனம் சீனாவில் உருவாக்கப்பட்ட எடைகளைத் தனது தயாரிப்புத் தொகுப்பில் (product stack) ஒருங்கிணைக்கும்போது, மாடலின் அடுத்த-டோக்கன் கணிப்புத் துல்லியத்துடன் (next-token prediction accuracy) தொடர்பில்லாத முறையான பாதிப்புகள் (systemic vulnerabilities) ஏற்படும் என்று கொள்கை வகுப்பாளர்கள் கவலைப்படுகிறார்கள்.
இதை நடைமுறையில் சிந்தித்துப் பாருங்கள். Open weights-க்கும் அப்டேட்கள் (updates), டூலிங் சூழல் (tooling ecosystems) மற்றும் சமூக ஆதரவு தேவை. ஒரு மாடல் உங்கள் தயாரிப்பிற்கு அடிப்படையாக மாறினால், நீங்கள் வெறும் குறியீட்டை (code) மட்டும் இறக்குமதி செய்யவில்லை; நீங்கள் ஒரு சார்புச் சங்கிலியை (dependency chain) இறக்குமதி செய்கிறீர்கள். அந்த ஆர்க்கிடெக்சர் (architecture) பின்னர் ஏற்றுமதி கட்டுப்பாடுகளால் இலக்கு வைக்கப்பட்டால் என்னவாகும்? சில அளவுரு கோப்புகளை (parameter files) இயக்குவதைத் தடைசெய்யும் இணக்கக் கட்டளைகளை (compliance mandates) ஹோஸ்டிங் வழங்குநர்கள் எதிர்கொண்டால் என்னவாகும்? எதிர்காலத் தடைகள் வணிகப் பயன்பாட்டிற்காக வழித்தோன்றல்களை (derivatives) ஃபைன்-டியூன் செய்வதைத் தடை செய்தால் என்னவாகும்?
இவை வெறும் தத்துவார்த்தக் கேள்விகள் அல்ல. சீனத் தொழில்நுட்ப நிறுவனங்களை 'என்டிட்டி லிஸ்ட்களில்' (entity lists) சேர்க்கவும், குறிப்பிட்ட மென்பொருள் மற்றும் வன்பொருள்களின் பயன்பாட்டைக் கட்டுப்படுத்தவும் கருவூலம் மற்றும் வர்த்தகத் துறைகள் ஏற்கனவே விருப்பம் காட்டியுள்ளன. மலிவான சீன GPU-களைச் சார்ந்து கட்டமைக்கப்பட்ட நிறுவனத் தலைவர்கள், விநியோகச் சங்கிலிகள் (supply chains) ஒரே இரவில் முடங்கியபோது இந்த பாடத்தை மிகக் கடினமாகப் புரிந்துகொண்டனர். எடைகள் வெறும் பிட்கள் (bits) மட்டுமே, ஆனால் அவற்றை நிர்வகிக்கும் சட்டக் கட்டமைப்புகள் குறைக்கப்படும் செமிகண்டக்டர் தடைகளைப் போலவே மிக வேகமாக மாறக்கூடும்.
ஒரு CTO-வைப் பொறுத்தவரை, இது Jira டிக்கெட்டுகளில் தெரியாத ஒரு வகையான தொழில்நுட்பக் கடனை (technical debt) உருவாக்குகிறது. நீங்கள் உங்கள் பொறியியல் குழுவிற்கு Kimi K3 டூல்செயினில் (toolchain) பயிற்சி அளிப்பதற்கும், அதை உங்கள் CI/CD பைப்லைனில் (pipeline) ஒருங்கிணைப்பதற்கும், வாடிக்கையாளர் சார்ந்த அம்சங்களை அறிமுகப்படுத்துவதற்கும் ஆறு மாதங்களைச் செலவிடலாம். பின்னர், ஒரு கூட்டரசுப் பதிவேடு அறிவிப்பு (federal register notice) உங்களை மாற்றத்திற்கு (migration) கட்டாயப்படுத்தலாம். ஒரு மாடல் குடும்பத்திலிருந்து மற்றொரு மாடலுக்கு மாறுவது என்பது ஒரு டேட்டாபேஸை (database) மாற்றுவது போன்றது அல்ல. அதற்கு ப்ராம்ப்ட்களை மீண்டும் சரிசெய்யவும் (re-tuning prompts), வெளியீடுகளை மீண்டும் சரிபார்க்கவும் (re-validating outputs), மற்றும் பெரும்பாலும் கீழ்நிலை வகைப்படுத்திகளை (downstream classifiers) மீண்டும் பயிற்றுவிக்கவும் தேவைப்படும். அந்த மாற்றத்திற்கான செலவு, நீங்கள் API கட்டணங்களில் சேமித்த தொகையை விடப் பல மடங்கு அதிகமாக இருக்கலாம்.
பிரிக்கப்பட்ட ஸ்டேக் (Split Stack) என்பது இரட்டிப்பு வேலையைக் குறிக்கிறது
If Washington follows through on restricting certain Chinese models or the architectures that support them, the global AI market will not just face higher prices. It will face actual fragmentation.
We have seen this movie before with telecommunications standards and social media platforms, but AI infrastructure is more fundamental. A split stack means incompatible toolchains, divergent safety frameworks, and duplicated compliance regimes. A developer in Berlin might use one set of weights and guardrails for the European market, and a completely separate stack for any U.S. deployment. That is not just annoying. It is expensive.
Enterprise procurement teams would need to conduct dual vendor reviews. Legal departments would have to track model provenance with the same rigor they currently reserve for data privacy. Open-source repositories might fork along national lines, with Chinese contributions to popular fine-tuning libraries facing scrutiny or exclusion. The collaborative fabric that has defined open-weight development starts to tear.
For smaller companies, this bifurcation is especially punishing. Giants like Microsoft or Google can