2025 చివరి నాంచులు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) విషయంలో స్పష్టత రావాల్సిన సమయం. కానీ, దానికి బదులుగా, ఇది సమాంతర ఏకపాత్రాభినయాల (parallel monologues) సమయంగా మారింది.
ఒకే సంవత్సరపు చివరి త్రైమాసికంలో ప్రచురితమైన, విస్తృతంగా ప్రచారంలో ఉన్న నాలుగు AI నివేదికలను చదవడానికి నేను ఒక ఉదయాన్ని కేటాయించాను. అవి ర్యాంకింగ్లు లేదా అంచనాల విషయంలో విభేదిస్తాయని నేను అనుకున్నాను. కానీ అవి అంతకంటే అయోమయపరిచే పని చేశాయి: అవి ఆ అంశాన్ని మళ్ళీ నిర్వచించాయి. ఒక నివేదిక ప్రకారం ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అంటే తన ప్రత్యర్థి కంటే వేగంగా టైప్ చేసే ఒక కోడింగ్ అసిస్టెంట్. మరొకటి ప్రకారం, అది ఒక స్టాటిక్ PDFని సింథటిక్ పాడ్కాస్ట్గా మార్చే కన్స్యూమర్ మీడియా ఫ్యాక్టరీ. మూడవది కేవలం ముడి మౌలిక సదుపాయాలను (raw infrastructure) మాత్రమే చూస్తుంది: GitHub స్టార్ చార్ట్లలో ఎదుగుతున్న వెక్టర్ స్టోర్స్, మెమరీ లేయర్లు మరియు ఇన్ఫరెన్స్ రాపర్లు. నాలుగవది విజయాన్ని ఒకే ఒక సూటిగా ఉండే కొలమానంతో కొలుస్తుంది—చైనాలోని వినియోగదారుడు ఒక లింక్ను క్లిక్ చేసి కొనుగోలును పూర్తి చేయగలడా లేదా అన్నదే అది.
ఒకే కీవర్డ్. నాలుగు వేర్వేరు భాషలు. కానీ ఎవరూ అనువదించడం లేదు.
తమ తమ కోణాల్లోనే పరిమితమైన ఆ నాలుగు నివేదికలు
మొదటి నివేదిక ఒక స్పోర్ట్స్ లీగ్ టేబుల్ లాగా రూపొందించబడింది. ఇది Cursor మరియు Claude Code వంటి కోడింగ్ టూల్స్కు వివిధ స్థాయిల (tier) ర్యాంకింగ్లను కేటాయిస్తుంది. దీని ప్రమాణాలు చాలా ఇరుకైనవి మరియు ఆచరణాత్మకమైనవి: చాట్ వేగం, టూల్-యూజ్ ఖచ్చితత్వం, ప్రాంప్ట్ మరియు అవుట్పుట్ మధ్య ఉన్న లాటెన్సీ (latency). మీరు ఒక IDE లో పనిచేస్తుంటే, ఈ జాబితా మీకు ఉపయోగకరంగా ఉంటుంది. మీరు ఒక ఫంక్షన్ను రీఫ్యాక్టరింగ్ చేస్తున్నప్పుడు లేదా టెస్ట్ సూట్ను జనరేట్ చేస్తున్నప్పుడు ఏ అసిస్టెంట్ వేగంగా పనిచేస్తుందో ఇది మీకు చెబుతుంది. కానీ ఇది AIని ఒక పూర్తిస్థాయి ఉపకరణంగా (finished appliance) పరిగణిస్తుంది, వినియోగదారుడికి కనిపించే మెరిసే ఉపరితలాన్ని బట్టి మాత్రమే దీనిని అంచనా వేస్తుంది.
రెండవ నివేదిక Google నుండి వచ్చింది. ఇది చాట్బాట్లను దాదాపుగా పూర్తిగా విస్మరిస్తుంది. దానికి బదులుగా, NotebookLM మరియు ఇమేజ్ ఎడిటింగ్ సూట్ల వంటి ఉన్నత స్థాయి కేటగిరీలను ప్రదర్శిస్తుంది. ఇక్కడ, AI అనేది కేవలం సంభాషించే ఏజెంట్ కాదు, ఒక ప్రొడక్షన్ ఇంజిన్. ఆ మోడల్ సృష్టించే అంశాలను ఈ నివేదిక కొనియాడుతుంది: ఒక రీసెర్చ్ పేపర్ యొక్క ఆడియో విశ్లేషణ, టెక్స్ట్ ప్రాంప్ట్ నుండి సృష్టించబడిన చిత్రం, లేదా గతంలో లేని ఒక నిర్మాణాత్మక సారాంశం. ఒకవేళ టైర్ లిస్ట్ టూల్ ఎలా ప్రవర్తిస్తుందనే దానిపై దృష్టి పెడితే, Google జాబితా ఆ టూల్ ఏమి అందిస్తుందనే దానిపై దృష్టి పెడుతుంది. ఇక్కడ అసిస్టెంట్ స్వయంగా ఆ సృష్టించబడిన ఫలితం (artifact) వెనుక మరుగున పడిపోతుంది.
మూడవ నివేదిక పూర్తిగా GitHub ట్రెండింగ్పై ఆధారపడి ఉంటుంది. ప్రాజెక్ట్లు ఎంత వేగంగా స్టార్స్ను పొందుతున్నాయనే దాని ఆధారంగా ఇది ర్యాంకింగ్ చేస్తుంది. ఇది ఇంజిన్ రూమ్ నుండి చూసే దృక్పథం. ఇందులో మీరు మెమరీ ఫ్రేమ్వర్క్లు, రిట్రీవల్ లేయర్లు, కాంటెక్స్ట్ విండోలు మరియు లైట్వెయిట్ మోడల్ హోస్ట్లను కనుగొంటారు. ఈ రిపోజిటరీలకు అరుదుగా మెరిసే మార్కెటింగ్ సైట్లు ఉంటాయి. కొన్నింటికి గ్రాఫికల్ ఇంటర్ఫేస్ కూడా ఉండదు. అయినప్పటికీ, టైర్-లిస్ట్ విజేతలను సాధ్యం చేసే పునాది (substrate) ఇవే. టాప్-ర్యాంక్డ్ కోడింగ్ అసిస్టెంట్, గత నెలలో మూడు వేల కొత్త స్టార్స్తో విడుదలైన ఒక GitHub ప్రాజెక్ట్ యొక్క మెమరీ ఆర్కిటెక్చర్పై ఆధారపడి ఉండవచ్చు. ట్రెండింగ్ లిస్ట్కు ఇది తెలుసు, కానీ టైర్ లిస్ట్లో దీని ప్రస్తావన ఉండదు.
నాలుగవ నివేదిక ఒక కామర్స్ డైరెక్టరీ. దీని దృష్టిలో విలువ అంటే అందుబాటులో ఉండటం మరియు లావాదేవీలు జరిపేందుకు సిద్ధంగా ఉండటం. లింక్ పనిచేస్తుందా? చైనాలోని పాఠకుల కోసం పేమెంట్ ఫ్లో ఫంక్షనల్గా ఉందా? VPN, కార్పొరేట్ ప్రొక్యూర్మెంట్ టీమ్ లేదా వెస్ట్రన్ క్రెడిట్ కార్డ్ లేకుండా ఆ టూల్ను నిజంగా కొనుగోలు చేయవచ్చా? ఈ నివేదికకు ఓపెన్-సోర్స్ ఫిలాసఫీ లేదా మోడల్ బెంచ్మార్క్ల పట్ల ఓపిక లేదు. ఇది ఒకే ప్రశ్నను అడుగుతుంది: మీరు దానిని పొందగలరా?
ఈ విభజనలు (Silos) మనల్ని ఎందుకు అంధులుగా మారుస్తున్నాయి
AIలో ఏది ముఖ్యమో చెప్పడానికి మీరు ఏదైనా ఒకే నివేదికను నమ్మినప్పుడు సమస్య మొదలవుతుంది.
ఒక టూల్ Google యొక్క కన్స్యూమర్ కేటగిరీలలో ఎప్పుడూ కనిపించకపోయినా, కోడింగ్ టైర్ లిస్ట్లో ఆధిపత్యం వహించవచ్చు. మిలియన్ల మంది వినియోగదారులు అత్యవసరమైనదిగా పరిగణించే ఒక ఉత్పత్తికి GitHub మెమరీ ప్రాజెక్ట్ శక్తిని అందించవచ్చు, కానీ వినియోగదారులు ఆ ప్రాజెక్ట్ పేరును ఎప్పటికీ తెలుసుకోలేరు. డైరెక్టరీల ద్వారా మాత్రమే షాపింగ్ చేసే వారికి అసలు GitHub రిపోజిటరీ కనిపించకపోవచ్చు, కానీ ఒక కామర్స్ సైట్ ఒక రాపర్ (wrapper) లేదా రీజినల్ క్లోన్ను జాబితా చేయవచ్చు. ప్రతి నివేదిక తన నిర్వచనం మాత్రమే సంపూర్ణమని భావిస్తుంది. ఈ ఎకోసిస్టమ్ను నిజంగా నడిపించే డిపెండెన్సీ గ్రాఫ్ను (dependency graph) వాటిలో ఏదీ అనుసంధానించదు.
ఈ స్టాక్ను గమనించండి. మీరు ఒక హై-ర్యాంక్డ్ కోడింగ్ అసిస్టెంట్ను ఉపయోగించినప్పుడు, మీరు ఒకేసారి మూడు విభిన్న పొరలను (layers) తాకుతున్నారు. మీ ప్రాంప్ట్ను స్వీకరించే ఇంటర్ఫేస్ ఒకటి ఉంది. ప్రతిస్పందనను రూపొందించే మోడల్ ఒకటి ఉంది. మరియు సుదీర్ఘమైన సెషన్ అంతటా కాంటెక్స్ట్ను నిలుపుకుంటూ, మునుపటి ఫైళ్ల నుండి సంబంధిత స్నిప్పెట్లను తీసుకువచ్చే మెమరీ లేయర్ ఒకటి ఉంది. టైర్ లిస్ట్ పైపొరను (top layer) అంచనా వేస్తుంది. GitHub కింది పొరను (bottom layer) చూపుతుంది. Google జాబితా మధ్య పొరను (middle layer) ప్రదర్శించవచ్చు, కానీ అది ఒక మెరిసే కన్స్యూమర్ ఆర్టిఫాక్ట్ను సృష్టించినప్పుడు మాత్రమే. కామర్స్ లిస్ట్ ఆ ప్యాకేజీని కొనుగోలు చేయగలిగితే తప్ప, ఈ మూడింటినీ విస్మరిస్తుంది. దీని ఫలితంగా, ప్రతి నివేదిక ఒక చిన్న రంధ్రం (peephole) ద్వారా సప్లై చైన్ను చూస్తుంది తప్ప, పూర్తి గదిని ఎప్పుడూ చూడలేదు.
ఇది ఎందుకు ముఖ్యమంటే, కొనుగోలు నిర్ణయాలు, కెరీర్ సంబంధిత ప్రయత్నాలు మరియు ఆర్కిటెక్చరల్ ఎంపికలు అన్నీ ఒకే రకమైన అసంపూర్ణ అవగాహన వల్ల నష్టపోతాయి. ఒక డెవలపర్ వేగంగా ర్యాంక్ చేయబడిన కోడింగ్ టూల్ను ఎంచుకుని, GitHubలో వేగంగా ఎదుగుతున్న ఒక ఓపెన్-సోర్స్ ప్రత్యామ్నాయం వల్ల దాని మెమరీ స్టాక్ త్వరలో నిలిపివేయబడబోతోందనే విషయాన్ని గమనించకపోవచ్చు. ఒక ప్రొడక్ట్ మేనేజర్ గూగుల్ ప్రదర్శనను చూసి చాట్బాట్లు అంతమైపోయాయని అనుకోవచ్చు, కానీ అవి కేవలం డెవలపర్ టూలింగ్లో కలిసిపోయాయని గ్రహించకపోవచ్చు. ఒక ప్రొక్యూర్మెంట్ లీడ్ ఒక కామర్స్ డైరెక్టరీ సిఫార్సులను అనుసరిస్తూ, అత్యంత నమ్మదగిన ఫీచర్లకు నిజంగా శక్తినిచ్చే ఓపెన్-కోర్ ప్రాజెక్ట్ను వదిలివేయవచ్చు.
వాటిని నాలుగు వేర్వేరు సమాధానాలుగా చదవడం
నేను మాస్టర్ రిపోర్ట్ కోసం వెతకడం ఆపివేశాను. అది అసలు లేదు. దానికి బదులుగా, ఇప్పుడు నేను ప్రతి మూలాన్ని (source) ఒక నిర్దిష్టమైన, పరిమితమైన ప్రశ్న యొక్క సమాధానంగా చదువుతున్నాను.
నా టీమ్ కోసం కోడింగ్ టూల్స్ను షార్ట్లిస్ట్ చేయాల్సి వస్తే, నేను టైర్ ర్యాంకింగ్స్ను ఉపయోగిస్తాను. నేను కేవలం ఉపరితల స్థాయి పనితీరును మాత్రమే చూస్తున్నానని నాకు తెలుసు, కానీ రోజువారీ అవసరాలకు (daily driver) నాకు సరిగ్గా అదే కావాలి.
బిగ్ టెక్ (Big Tech) సంస్థలు ఎక్కడ పెట్టుబడులు పెడుతున్నాయో చూడాలనుకుంటే, నేను గూగుల్ యొక్క కేటగిరీ లిస్ట్ను ఉపయోగిస్తాను. ఏ పూర్తిస్థాయి ఉత్పత్తులను ప్రధాన ప్లాట్ఫారమ్లు విజయాలుగా భావిస్తున్నాయో, మరియు ఏ యూజర్ ఎక్స్పీరియన్స్లను అవి ప్యాకేజీ చేసి ప్రమోట్ చేయాలనుకుంటున్నాయో ఇది తెలియజేస్తుంది. వినియోగదారుల అంచనాలు ఎటువైపు మళ్లుతున్నాయో ఇది నాకు చెబుతుంది.
ఆరు నెలల తర్వాత సాంకేతికంగా ఏమి సాధ్యమవుతుందో అర్థం చేసుకోవాలంటే, నేను GitHub ట్రెండింగ్ను ఉపయోగిస్తాను. మెమరీ టూల్స్, ఆర్కెస్ట్రేషన్ ఫ్రేమ్వర్క్లు మరియు స్మాల్-మోడల్ హోస్ట్లు ఇక్కడే ఉంటాయి. ఇక్కడ ఏదైనా ప్రాజెక్ట్ వేగంగా ప్రాచుర్యం పొందితే, టైర్ లిస్ట్లు తమ ప్రమాణాలను (criteria) అప్డేట్ చేసేలోపే అది కమర్షియల్ టూల్స్లోకి మారుతుంది.
ఫైర్వాల్లు మరియు పేమెంట్ పరిమితులను దాటి ఏది అందుబాటులో ఉందో తెలుసుకోవాలంటే, నేను కామర్స్ డైరెక్టరీని ఉపయోగిస్తాను. భౌగోళిక మరియు నియంత్రణ వాస్తవాలు (Geographic and regulatory reality) వాటికంటూ ఒక ప్రత్యేకతను కలిగి ఉంటాయి. ఒక టూల్ యొక్క ఆర్కిటెక్చర్ ఎంత వినూత్నంగా ఉన్నా, దాన్ని చేరుకోలేకపోతే లేదా బిల్ చేయలేకపోతే, అది నిజమైన ఎంపిక కాదు.
మీరు ఆ దృక్పథాన్ని మీరే నిర్మించుకోవాలి. ఎవరూ కూడా వాటిని కలిపి మీకు అందించరు.
ఒక వంతెన కోసం ఎదురుచూపు
నేను మళ్ళీ మూడు నెలల తర్వాత ఈ ఛానెల్లను తనిఖీ చేయాలని అనుకుంటున్నాను. ఏదైనా ఒక సమూహం మిగిలిన వాటిని తనలోకి విలీనం చేసుకోవడం ప్రారంభిస్తుందేమో అని నేను చూడాలనుకుంటున్నాను. బహుశా ఒక టైర్ లిస్ట్, ప్రతి ర్యాంక్ చేయబడిన టూల్కు శక్తినిచ్చే GitHub సబ్స్ట్రేట్లకు లింక్ చేయడం ప్రారంభించవచ్చు. బహుశా గూగుల్ యొక్క కన్స్యూమర్ రిపోర్ట్, తన మెరుగైన అవుట్పుట్లలో చాలా వరకు తాను ఇక చర్చించని కన్వర్సేషనల్ ఇంజన్లపై ఆధారపడి ఉన్నాయని అంగీకరించవచ్చు. బహుశా ఒక కామర్స్ డైరెక్టరీ స్థిరత్వానికి (stability) ప్రత్యామ్నాయంగా స్టార్ వెలాసిటీని (star velocity) ట్రాక్ చేయడం ప్రారంభించవచ్చు.
అన్నిటికంటే ముఖ్యంగా, AIని ఒకే ఉత్పత్తి కేటగిరీగా కాకుండా, ఒక అనుసంధానిత వ్యవస్థగా (connected system) పరిగణించే రిపోర్ట్ను నేను చూడాలనుకుంటున్నాను. ఒక ప్రాజెక్ట్ను GitHub రిపోజిటరీ నుండి వెండర్ పార్టనర్షిప్ ద్వారా కన్స్యూమర్-ఫేసింగ్ ఫీచర్ వరకు అనుసరిస్తూ, ఆ ఫీచర్ షాంఘైలో కొనుగోలు చేయడానికి అందుబాటులో ఉందో లేదో కూడా తెలియజేసే రిపోర్ట్ కావాలి. అటువంటి రిపోర్ట్ చివరికి ఆ నాలుగు నిర్వచనాల మధ్య వంతెనలా పనిచేస్తుంది.
అప్పటి వరకు, మీరే అనువాదకుడిలా వ్యవహరించాలి. నాలుగుంటినీ చదవండి. వాస్తవాలను సరిగ్గా అర్థం చేసుకోండి. మరియు ఒక పేజీలో ఉన్న AI అనే పదం, తదుపరి పేజీలో పూర్తిగా భిన్నమైన అర్థాన్ని కలిగి ఉండవచ్చని గుర్తుంచుకోండి.
Source: https://dev.to/ninghonggang/four-juejin-pieces-four-definitions-of-ai-no-shared-bridge-1fbj
Join the discussion: https://t.me/GyaanSetuAi