திறந்தநிலை எடைக் மாதிரிகள் (open-weight models) இப்போது ஏன் முக்கியத்துவம் பெறுகின்றன

OpenAI, Google மற்றும் Anthropic போன்ற அமெரிக்க AI முன்னணியாளர்கள் தங்களது மிகவும் சக்திவாய்ந்த மாதிரிகளை மூடிய மூலங்களாகவே (closed-source) வைத்திருக்கிறார்கள். பயனர்கள் அவற்றை கிளவுட் API-கள் மூலம் அணுகுகிறார்கள், இது மென்பொருள், அதன் வழியாகப் பாயும் தரவு மற்றும் ஒவ்வொரு வினவலுக்கும் (query) கிடைக்கும் வருவாய் ஆகியவற்றைக் கட்டுப்படுத்த சேவை வழங்குநர்களுக்கு வழிவகை செய்கிறது. DeepSeek, Qwen மற்றும் Moonshot போன்ற சீன ஸ்டார்ட்அப்கள் இதற்கு நேர்மாறாகச் செயல்படுகின்றன. அவை மூல எடைகளை (raw weights) வெளியிடுகின்றன, இதன் மூலம் எவர் வேண்டுமானாலும் கோப்புகளைப் பதிவிறக்கம் செய்யவும், அவற்றை நுணுக்கமாக மாற்றியமைக்கவும் (fine-tune) மற்றும் உள்ளூர் வன்பொருளில் (locally owned hardware) அவற்றைப் பயன்படுத்தவும் முடிகிறது.

சமீபத்திய GPU-களை இறக்குமதி செய்ய முடியாத ஒரு நாட்டிற்கு, கணக்கீட்டுத் திறனுக்கு (compute) பதிலாக மாதிரியை வழங்குவது அதைத் தொடர்ந்து பயன்பாட்டில் வைத்திருக்க உதவுகிறது. செனகாலில் உள்ள ஒரு பயனர், பிரேசிலில் உள்ள ஒரு நடுத்தர நிறுவனம் அல்லது இந்தியாவில் உள்ள ஒரு பல்கலைக்கழகம் தங்களுக்குக் கிடைக்கும் எந்தவொரு வன்பொருளைக் கொண்டு ஒரு சேவையகத்தை (server) உருவாக்கி, அமெரிக்க கிளவுட் சேவையைப் பயன்படுத்தாமலேயே சீன மாதிரியை இயக்க முடியும். தரவு பயனரின் அதிகார வரம்பை விட்டு வெளியேறுவதில்லை, இது அமெரிக்க தரவு அணுகல் விதிகளால் எச்சரிக்கையாக இருக்கும் அரசாங்கங்களுக்கு ஒரு முக்கிய அம்சமாகும்.

இராஜதந்திர கோணம்

அமெரிக்காவின் "தனித்துவமான ஏகபோகத்தை" (exclusionary monopoly) எதிர்த்து, ஒரு கூட்டுப் பங்களிப்பு மாற்றாகத் தன்னை முன்வைக்க, பெய்ஜிங் AI-ஐ "மனிதகுலத்தின் கூட்டு ஞானம்" என்று சித்தரிக்கிறது. மேற்கத்திய நாடுகள் தங்களது மிகவும் திறன்மிக்க மாதிரிகளை தேசிய பாதுகாப்பு வாதங்களின் பின்னால் மறைத்து வைக்கின்றன என்றும், அதே நேரத்தில் சீனா ஒரு திறந்த, பகிரப்பட்ட வளத்தை வழங்குகிறது என்றும் இந்த வாதம் கூறுகிறது. உலகம் முழுவதும் உள்ள போதுமான டெவலப்பர்கள் சீன மாதிரிகளைத் தழுவிக்கொண்டால், சீனாவிலிருந்து உருவான கட்டமைப்பு (architecture), கருவித் தொடர்கள் (toolchains) மற்றும் ஆராய்ச்சி முடிவுகளை அடிப்படையாகக் கொண்ட ஒரு இணையான சுற்றுச்சூழல் அமைப்பு (parallel ecosystem) உருவாகக்கூடும்.

அந்த சுற்றுச்சூழல் அமைப்பு, வழக்கமான வர்த்தகம் அல்லது உள்கட்டமைப்புத் திட்டங்களைத் தாண்டி பெய்ஜிங்கிற்குப் பெரும் மென் ஆற்றலை (soft power) வழங்கும். சீன மாதிரிகளின் அடிப்படையில் தங்களது AI கட்டமைப்புகளை (AI stacks) உருவாக்கும் நாடுகள், தரவு நிர்வாகம் (data governance), இணையப் பாதுகாப்பு (cybersecurity) மற்றும் புவிசார் அரசியல் ஆகியவற்றில் சீனத் தரநிலைகளுடன் நெருக்கமாகச் செயல்படக்கூடும்.

கசப்பான உண்மை: கணக்கீட்டுத் திறன் (compute) இன்னும் ஒரு தடையாகும்

திறந்தநிலை எடைக் கொள்கை வன்பொருள் இடைவெளியை நீக்கிவிடாது. ஒரு பெரிய மொழி மாதிரியைப் பயிற்றுவிப்பது என்பது ஒருமுறை செய்யப்படும் செலவாகும். உதாரணமாக, DeepSeek-ன் V3 சுமார் 2,000 H800 GPU-களில் பயிற்றுவிக்கப்பட்டது—இது நன்கு நிதி வசதி கொண்ட ஆய்வகத்திற்கு ஒரு குறிப்பிடத்தக்க ஆனால் நிர்வகிக்கக்கூடிய தொகுப்பாகும் (cluster). ஆனால், அந்த மாதிரியைச் சேவையாக்குவது—அதாவது ஒரு நாளைக்கு பில்லியன் கணக்கான inference கோரிக்கைகளைக் கையாள்வது—தொடர்ச்சியாக விரிவடைந்து கொண்டே இருக்கும் GPU தொகுப்புகளைத் தேவைப்படுத்துகிறது.

அமெரிக்க நிறுவனங்கள் ஏற்கனவே பத்து லட்சத்திற்கும் அதிகமான GPU-களைப் பயன்படுத்தத் திட்டமிட்டுள்ளன. உலகம் முழுவதும் உள்ள மில்லியன் கணக்கான பயனர்களுக்கு ஒரு மாதிரி விரைவாகப் பதிலளிப்பதை உறுதி செய்யத் தேவையான அளவை இந்த எண்கள் காட்டுகின்றன. சீன நிறுவனங்களால் அந்த அளவை எட்ட முடியாது, ஏனெனில் அதிநவீன GPU-களின் வரத்தைக் கட்டுப்படுத்திய ஏற்றுமதித் தடைகள், மிகவும் மேம்பட்ட செயல்முறை முனைகளை (process nodes) எட்ட இன்னும் போராடிக்கொண்டிருக்கும் SMIC போன்ற உள்நாட்டுத் தொழிற்சாலைகளின் (fabs) வளர்ச்சியையும் மட்டுப்படுத்தியுள்ளன.

மாதிரி எடைகளை வெளியிடுவதன் மூலம், சீன நிறுவனங்கள் கணக்கீட்டுச் சுமையை (compute burden) பயனர்களிடம் மாற்றுகின்றன. பயனர்களே வன்பொருளை வழங்குகிறார்கள், மின்சாரக் கட்டணத்தைச் செலுத்துகிறார்கள் மற்றும் செயல்பாட்டுச் செலவுகளைக் கையாளுகிறார்கள். கோட்பாட்டளவில் இது உள்நாட்டு சிப் தட்டுப்பாட்டைத் தவிர்க்கிறது; ஆனால் நடைமுறையில் இது சீனாவின் AI சேவைகளை "சேவையாக" (as-a-service) வழங்குவதற்குப் பதிலாக "பதிவிறக்கத்திற்குரியதாக" (as-a-download) மாற்றுகிறது. இதில் உள்ள சமரசம் தெளிவானது: மாதிரி கிடைக்கிறது, ஆனால் அதன் செயல்திறன் மற்றும் தாமத நேரம் (latency) பயனரின் வன்பொருளைப் பொறுத்தே அமையும்; இது பெரும்பாலும் OpenAI-ன் ChatGPT அல்லது Google-ன் Gemini இயங்கும் கிளவுட் தொகுப்புகளை விட மிகவும் குறைவான திறன் கொண்டதாகவே இருக்கும்.

இந்த உத்தி எவற்றைக் கைவிடுகிறது

  • பாதுகாப்பு கவலைகள் – திறந்தநிலை விநியோகம் இருப்பதால், தீய எண்ணம் கொண்டவர்கள் மறைமுகமான செயல்பாடுகளைச் சேர்க்கவோ அல்லது ஒரு மாதிரியைப்偏சாரமான (biased) தரவுகளில் நுணுக்கமாக மாற்றியமைக்கவோ (fine-tune) எளிதாகிவிடுகிறது. பாதுகாப்பு மேம்படுத்தல்களை (security updates) நடைமுறைப்படுத்த ஒரு மத்திய அதிகாரம் இல்லாததால், பாதிப்புகள் நீடிக்கக்கூடும்.

இந்தியப் பார்வை

சீனாவின் திறந்தநிலை எடைக் கொள்கை வாய்ப்புகளையும் எச்சரிக்கைகளையும் வழங்கும் ஒரு முக்கியமான கட்டத்தில் இந்தியா நிற்கிறது.

  • மூலோபாயத் தன்னாட்சி (Strategic autonomy) – இந்திய டெவலப்பர்கள் அமெரிக்க சேவை வழங்குநர்களுக்குத் தனித்தனி டோக்கன் கட்டணங்களைச் செலுத்தாமல் உயர்தர மாதிரிகளுடன் சோதனைகளைச் செய்யலாம்; இது தனிப்பயனாக்கப்பட்ட சாட்போட்கள் (chatbots), மொழிபெயர்ப்பு கருவிகள் மற்றும் குறிப்பிட்ட துறை சார்ந்த உதவியாளர்களை உருவாக்குவதற்கான செலவைக் குறைக்கிறது.
  • வன்பொருள் அவசரம் – சீனாவின் அனுபவம் உள்நாட்டிலேயே குறைக்கடத்தி விநியோகச் சங்கிலியை (semiconductor supply chain) உருவாக்க வேண்டியதன் அவசியத்தை வலியுறுத்துகிறது. மேம்பட்ட GPU-கள் அல்லது AI முடுக்கிகள் (accelerators) தயாரிப்பதற்கான உள்நாட்டுத் தொழிற்சாலைத் திறன் இல்லையெனில், எதிர்கால புவிசார் அரசியல் மோதல்களின் போது கட்டுப்படுத்தப்படக்கூடிய இறக்குமதிகளைச் சார்ந்திருக்க வேண்டிய நிலை இந்தியாவுக்கு ஏற்படலாம்.
  • இடர் மேலாண்மை (Risk management) – திறந்தநிலை மாதிரிகள் என்பது எவ்வித விலையும் இல்லாத இலவசமானவை அல்ல. கொள்கை வகுப்பாளர்கள் பயிற்சித் தரவின் மூலம் (provenance of training data) மற்றும் மறைமுகமான பின்னக நுழைவாயில்களின் (hidden backdoors) சாத்தியக்கூறுகளை மதிப்பீடு செய்ய வேண்டும். ஒரு வெளிப்படையான தணிக்கை செயல்முறை மற்றும் மாதிரிகளைச் சரிபார்க்கும் உள்ளூர் நிபுணத்துவம் ஆகியவை அவசியமாகின்றன.

எதிர் வாதம்: திறந்தநிலை ஒரு பலமாக இருக்கலாம்

Proponents argue that openness spurs innovation faster than any single company’s closed platform. Allowing anyone to modify the model lets niche applications emerge that large providers would never prioritize. A distributed compute model could also be more resilient; a global network of independent servers can keep a service alive even if one provider’s data centre goes offline.

The downside is that the performance ceiling remains tied to the hardware each user can afford. Enterprises that need sub-second response times at massive scale still benefit from the cloud model.

What to watch next

  • Export policy shifts – Any relaxation or tightening of U.S. chip export controls will directly affect China’s ability to train newer models and could force a pivot back to more closed offerings.

Takeaway

China’s push for open-weight AI models is a pragmatic work-around for a hardware shortage created by export bans. The move projects diplomatic goodwill and offers a low-cost entry point for global developers, but it does not solve the underlying compute deficit. For nations like India, the strategy is both a template for building AI independence and a cautionary tale about relying on foreign semiconductor supply chains. The next few months will reveal whether open-weight models become a lasting pillar of the AI ecosystem or remain a stopgap until the chip gap narrows.