టెక్ వార్తల చక్రం వేగంగా తిరుగుతుంది, కానీ ఈ వారం ఏదో తేడాగా అనిపించింది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది ఇప్పుడు కేవలం ఒక ప్రొడక్ట్ రిలీజ్ లేదా రీసెర్చ్ పేపర్ మాత్రమే కాదు. ఇది విదేశీ విధానంలో ఒక బేరసారాల సాధనంగా మారింది. ప్రభుత్వాలు మోడల్ వెయిట్స్‌ను ఎన్‌రిచ్డ్ యురేనియంలా చూడటం మొదలుపెట్టాయి: సాంద్రత కలిగినవి, దుర్వినియోగం చేస్తే ప్రమాదకరమైనవి, మరియు ప్రత్యర్థి వీటిని నిల్వ చేస్తే విస్మరించడం అసాధ్యం. పోరాటం ఇప్పుడు ఏ మోడల్ బెంచ్‌మార్క్‌లో ఎక్కువ స్కోరు సాధిస్తుంది అనే దాని గురించి కాదు. వాటిని ఎవరు నిర్మిస్తారు, వాటిని ట్రైన్ చేయడానికి అవసరమైన మెటీరియల్‌ను ఎవరు నియంత్రిస్తారు, మరియు అవి నేర్చుకున్న డేటాపై ఎవరికి హక్కు ఉంటుంది అనే దాని గురించి.

డిస్టిలేషన్ ఆరోపణ

ఈ వారం, ఒక అమెరికా అధికారి Moonshot AI సంస్థ Anthropic యొక్క Fable మోడల్‌ను దొంగిలించిందని ఆరోపించారు. Moonshot తన Kimi K3 సిస్టమ్‌ను నిర్మించడానికి డిస్టిలేషన్ (distillation) పద్ధతిని ఉపయోగించిందనేది ఆ నిర్దిష్ట ఆరోపణ. శిక్షణ పద్ధతులను (training methods) నిశితంగా గమనించని పాఠకుల కోసం: ఒక పెద్ద, సామర్థ్యం ఉన్న మోడల్‌ను ఉపయోగించి ఒక చిన్న లేదా కొత్త మోడల్‌కు నేర్పించే ప్రక్రియనే డిస్టిలేషన్ అంటారు. అనుమతితో చేసినప్పుడు ఇది చట్టబద్ధమైనది మరియు సాధారణమైనది. కానీ ఒక కంపెనీ ప్రత్యర్థి యొక్క ప్రాప్రైటరీ సిస్టమ్ నుండి అనుమతి లేకుండా జ్ఞానాన్ని సేకరిస్తే, అది దొంగతనం అవుతుంది.

ఆరోపణ ప్రకారం, దీనికి సాక్ష్యం ప్రవర్తనాపరంగా ఉంది. Kimi K3 తరచుగా తనను తాను Anthropic యొక్క అసిస్టెంట్ అయిన Claude గా పరిచయం చేసుకుంటుందని పరిశోధకులు గమనించారు. సొంత శిక్షణ నేపథ్యం ఉన్న మోడల్ తన పేరును తెలుసుకోవాలి. అది పదేపదే ఒక ప్రత్యర్థి ప్రొడక్ట్‌గా తనను తాను చెప్పుకుంటున్నప్పుడు, అది యాదృచ్ఛికంగా కాకుండా, ఒక విద్యార్థి టీచర్ పరీక్షా సమాధానాలను యథాతథంగా బట్టీ పట్టినట్లుగా కనిపిస్తుంది. ఒకవేళ Moonshot నిజంగానే Kimi K3ని ట్రైన్ చేయడానికి Anthropic మోడల్ నుండి అవుట్‌పుట్‌లను సేకరించి ఉంటే, దాని మేధో సంపత్తి (intellectual property) ప్రభావాలు సిలికాన్ వ్యాలీ కోర్టులకే పరిమితం కావు. అవి ఎగుమతి నియంత్రణలు మరియు జాతీయ భద్రతా బ్రీఫింగ్‌ల వరకు విస్తరిస్తాయి.

చౌకైన మోడళ్ల పెరుగుదల

డిస్టిలేషన్ పోరాటం జరుగుతున్న సమయంలోనే, చైనీస్ ల్యాబ్‌లు అమెరికన్ వ్యవస్థను కలవరపెట్టే వేగంతో మరియు ధరతో ఫ్రాంటియర్ మోడళ్లను (frontier models) విడుదల చేస్తున్నాయి. DeepSeek V4 మరియు Kimi K3 ఒకదాని తర్వాత ఒకటి కొన్ని రోజుల్లోనే వచ్చాయి. రెండూ పబ్లిక్ లీడర్‌బోర్డ్‌లలో అగ్రస్థానంలో ఉండే సామర్థ్యాలను కలిగి ఉన్నాయని పేర్కొంటున్నాయి, అయినప్పటికీ అవి అమెరికా మోడళ్ల కంటే చాలా తక్కువ ఖర్చుతో నడుస్తాయి.

ఈ ధోరణి కొత్తదేమీ కాదు, కానీ ఇది వేగవంతమవుతోంది. చైనీస్ ల్యాబ్‌ల నుండి వచ్చిన ముందస్తు షాక్‌ల వల్ల, ఒక ఫ్రాంటియర్ మోడల్‌ను ట్రైన్ చేయడానికి నిజంగా పది బిలియన్ డాలర్లు అవసరమా అని వాల్ స్ట్రీట్ ప్రశ్నించాల్సి వచ్చింది. DeepSeek V4 మరియు Kimi K3 ఆ ఒత్తిడిని మరింత పెంచుతున్నాయి. ఇంజనీరింగ్ సామర్థ్యం, తెలివైన డేటా క్యూరేషన్ మరియు హార్డ్‌వేర్ ప్రత్యామ్నాయాలు భారీ మూలధన వ్యయానికి (capital expenditure) ప్రత్యామ్నాయంగా పనిచేయగలవని ఇవి సూచిస్తున్నాయి. స్కేలింగ్ ద్వారా తమను తాము రక్షించుకోవాలని చూస్తున్న అమెరికన్ ల్యాబ్‌లకు సందేశం స్పష్టంగా ఉంది: అధిక పనితీరు (high performance) ఇప్పుడు చౌకవుతోంది, మరియు ప్రీమియం ధరల కాలం ముగిసిపోతోంది.

ఎంటర్‌ప్రైజ్ ఏజెంట్ యుద్ధం

ఈ వారం వచ్చిన ప్రతి వార్త భౌగోళిక రాజకీయాల గురించి మాత్రమే కాదు. వ్యాపార సంస్థలు AI ఏజెంట్లను ఉపయోగించుకోవడంలో సహాయపడటానికి OpenAI 'Presence' అనే ఉత్పత్తిని ప్రారంభించింది. ఈ అడుగు OpenAIని Google, Meta మరియు NVIDIAలతో ప్రత్యక్ష పోటీలోకి నెట్టింది. ఈ కంపెనీలన్నీ ఒకే అవకాశాన్ని చూస్తున్నాయి: మోడల్ అనేది ఒక వస్తువులా (commodity) మారుతోంది, కానీ వాస్తవ వర్క్‌ఫ్లోలను ఆటోమేట్ చేసే ప్లాట్‌ఫారమ్ మాత్రం అమూల్యమైనది.

చాట్‌బాట్‌ల తర్వాత ఏజెంట్లు తార్కిక తదుపరి దశ. చాట్‌బాట్ ప్రశ్నలకు సమాధానం ఇస్తుంది. ఏజెంట్ విమాన టిక్కెట్లు బుక్ చేస్తుంది, ఖర్చుల నివేదికలను (expense reports) ఫైల్ చేస్తుంది లేదా వేర్‌హౌస్ ఇన్వెంటరీని సమతుల్యం చేస్తుంది. ఈ పనులను ఆటోమేట్ చేసే పోటీ వేడెక్కుతోంది, ఎందుకంటే ఎంటర్‌ప్రైజ్ ఆదాయం అక్కడే ఉంటుంది. OpenAI కేవలం ఇంజిన్‌ను మాత్రమే అమ్మాలనుకోవడం లేదు; అది మొత్తం కారును అమ్మాలనుకుంటోంది. Google తన Workspace మీటింగ్స్‌ను నడపాలని కోరుకుంటోంది. Meta తన సోషల్ గ్రాఫ్ లోపల ఏజెంట్లను కోరుకుంటోంది. NVIDIA వీటన్నింటికీ కింద ఉన్న ఇన్‌ఫ్రాస్ట్రక్చర్ లేయర్‌కు శక్తిని అందించాలని కోరుకుంటోంది. విజేత ఖచ్చితంగా ఉత్తమ మోడల్ ఉన్న ల్యాబ్ కాకపోవచ్చు, కానీ అంతర్గత వ్యవస్థల తాళాలు (keys) తమకు అప్పగించాలని IT విభాగాలను ఒప్పించే ల్యాబ్ విజేత అవుతుంది.

కాంక్రీటు అడ్డంకిగా మారినప్పుడు

ఈ సాఫ్ట్‌వేర్ ఆశయాలన్నీ ఇప్పటికీ భౌతిక వస్తువులపై ఆధారపడి ఉన్నాయి. OpenAI జార్జియాలో ముప్పై బిలియన్ డాలర్ల డేటా సెంటర్ క్యాంపస్‌గా 'Project Camellia'ను ప్రారంభించినప్పుడు ఆ విషయాన్ని స్పష్టం చేసింది. ముప్పై బిలియన్ డాలర్లు అనేది కేవలం సౌకర్యాల బడ్జెట్ మాత్రమే కాదు. AIకి ప్రధాన పరిమితులు ఇకపై అల్గారిథమ్‌లు లేదా GPUలు మాత్రమే కాదని, అవి విద్యుత్తు మరియు కాంక్రీటు అని చెప్పే ప్రకటన అది.

మీరు ఒక సర్వర్ క్లోసెట్‌లో ఫ్రంటియర్ మోడల్‌ను (frontier model) శిక్షణ ఇవ్వలేరు. ఒక మధ్యస్థ పరిమాణ నగరానికి అవసరమైన దానికంటే ఎక్కువ విద్యుత్తును వినియోగించే, వేలాది యాక్సిలరేటర్లు ఏకకాలంలో పనిచేయాలి. మీకు ఫైబర్, కూలింగ్ కోసం నీరు, స్టీల్ మరియు అనుమతుల కోసం సంవత్సరాల సమయం అవసరం. అందుకే BlackRock మరియు MGX వంటి ఆస్తి నిర్వహణ సంస్థలు (asset managers) డేటా సెంటర్ ప్రాజెక్టులలో బిలియన్ల కొద్దీ పెట్టుబడులు పెడుతున్నాయి. వారు కేవలం ఒక యాప్‌పై పందెం వేయడం లేదు. వారు AI యుగానికి అవసరమైన రైల్వేలు మరియు బొగ్గు గనులను కొనుగోలు చేస్తున్నారు. విద్యుత్ ఉత్పత్తి మరియు నిర్మాణ రంగాల సరఫరా గొలుసు (supply chain) అందుబాటులో లేకపోతే, గణిత శాస్త్రం ఎంత అద్భుతంగా ఉన్నప్పటికీ, పెద్ద మోడళ్ల కోసం రూపొందించిన రోడ్‌మ్యాప్ మొత్తం దెబ్బతింటుంది.

కోర్టులు, కాపీరైట్ మరియు మూలధనం

ఈ వారం న్యాయ వ్యవస్థ కూడా వార్తల్లో నిలిచింది. అనుమతి లేకుండా తమ పుస్తకాలను Claude శిక్షణ కోసం ఉపయోగించారని కంపెనీని నిందించిన రచయితలతో Anthropic చేసిన $1.5 బిలియన్ల సెటిల్‌మెంట్‌ను ఒక జడ్జి ఆమోదించారు. AI చరిత్రలోనే అతిపెద్ద కాపీరైట్ క్లెయిమ్‌లలో ఒకటైన ఈ వివాదాన్ని ఈ సెటిల్‌మెంట్ పరిష్కరిస్తుంది.

తీర్పు ఎంత ముఖ్యమో, ఆ సెటిల్‌మెంట్ మొత్తం కూడా అంతే ముఖ్యం. శిక్షణ డేటా అనేది ఓపెన్ వెబ్ నుండి స్క్రాప్ చేసిన ఉచిత వనరు కాదని ఇది ఇతర ల్యాబ్‌లకు తెలియజేస్తుంది. ఇది భవిష్యత్తులో బ్యాలెన్స్ షీట్‌పై ప్రభావం చూపగల ఒక అనుబంధ బాధ్యత (contingent liability). $1.5 బిలియన్ల ఖర్చు అనేది ఫైనాన్స్ టీమ్‌లు ప్రీ-ట్రైనింగ్ బడ్జెట్‌ల గురించి ఆలోచించే విధానాన్ని మారుస్తుంది. ఇది భవిష్యత్తులో రాబోయే దావాల కోసం రచయితలకు మరియు ప్రచురణకర్తలకు ఒక స్పష్టమైన ఉదాహరణను కూడా అందిస్తుంది. మీరు ఈరోజు ఒక మోడల్‌ను నిర్మిస్తుంటే, మీ శిక్షణ డేటా (training corpus) ఆడిట్ నుండి తప్పించుకుంటుందని మీరు ఇకపై అనుకోలేరు.

స్క్రీన్‌కు మించిన AI

చివరగా, ఈ వారం వెల్లడైన రెండు నిధుల వివరాలు AI కేవలం చాట్ విండోలకు మాత్రమే పరిమితం కాదని అందరికీ గుర్తుచేశాయి. ఈ నెలలో డిఫెన్స్ AI నిధులు $3 బిలియన్లకు చేరుకోగా, AI ఆధారిత డ్రగ్ డిస్కవరీ (drug discovery) లో పెట్టుబడులు $2 బిలియన్లకు చేరుకున్నాయి.

రక్షణ రంగంలో, శాటిలైట్ చిత్రాలను విశ్లేషించగల, డ్రోన్ల సమూహాలను (drone swarms) సమన్వయం చేయగల మరియు యుద్ధరంగ నిర్ణయ చక్రాలను వేగవంతం చేయగల వ్యవస్థలలో నిధులు అందుతున్నాయి. ఫార్మా రంగంలో, కొత్త AI సాధనాలు ఔషధ అభివృద్ధి సమయాన్ని సంవత్సరాల నుండి నెలలకు తగ్గించాయి. పరిశోధకులు ఇప్పుడు ల్యాబ్‌లో ప్రయోగాలు చేసే ముందే సిలికాన్ (computer simulation) ద్వారా అభ్యర్థి అణువులను (candidate molecules) సృష్టించి, పరీక్షించగలరు. ఈ సాంకేతికత యొక్క ద్వంద్వ వినియోగ స్వభావం (dual-use nature) ఇక్కడ స్పష్టంగా కనిపిస్తుంది. కస్టమర్ సర్వీస్ బాట్‌ను మెరుగుపరిచే అదే పద్ధతులు క్షిపణి లక్ష్యాలను మరియు యాంటీబాడీ డిజైన్‌ను కూడా వేగవంతం చేస్తాయి. పెట్టుబడులు పెరుగుతున్న కొద్దీ, వాణిజ్య మరియు వ్యూహాత్మక AI మధ్య ఉన్న నైతిక మరియు నియంత్రణ సరిహద్దులు మసకబారుతున్నాయి.

సెప్టెంబర్ చర్చలు మరియు కొత్త స్కోర్‌బోర్డ్

ఈ అంశాలన్నీ ఒకే చోట కలుస్తున్నాయి: అమెరికా మరియు చైనా సెప్టెంబర్‌లో అధికారిక AI చర్చలు జరపనున్నాయి. వారు మిలిటరీ AI మరియు చిప్ లభ్యత గురించి చర్చించాలని యోచిస్తున్నారు. ఈ రెండు అంశాలే మనం ఓపెన్ రీసెర్చ్ యుగం నుండి ఎంత ముందుకు వచ్చామో తెలియజేస్తాయి.

పాత పోటీ సరళంగా ఉండేది. మీరు ఒక మోడల్‌ను విడుదల చేస్తారు, నేను ఒక మోడల్‌ను విడుదల చేస్తాను, మరియు MMLU లేదా HumanEvalలో మెరుగైన స్కోరు సాధించిన వారు విజేతలుగా నిలుస్తారు. ఆ ఆట ముగిసిపోతోంది. కొత్త ప్రశ్నలు పరిమాణీకరించడానికి కష్టంగా ఉన్నాయి మరియు సాఫ్ట్‌వేర్ అప్‌డేట్‌తో పరిష్కరించలేనంత క్లిష్టంగా ఉన్నాయి:

  • ఎవరు ఏ డేటాపై శిక్షణ పొందారు, మరియు దానికి వారు చెల్లించారా?
  • ఎవరు ఏ చిప్‌లను కొనుగోలు చేయగలరు, మరియు ఎవరిని సరఫరా గొలుసు నుండి నిరోధించారు?
  • డేటా సెంటర్లను నడిపించే విద్యుత్ సరఫరాను ఎవరు నియంత్రిస్తారు?

బెంచ్‌మార్క్‌లు కలుస్తున్నాయి. సామర్థ్యాలు ఏకమవుతున్నాయి. కానీ రాజకీయాలు విడిపోతున్నాయి. ఎగుమతి లైసెన్సులు, ఎనర్జీ గ్రిడ్‌లు మరియు చట్టపరమైన వ్యవస్థల ద్వారా వేరు చేయబడిన రెండు సమాంతర పర్యావరణ వ్యవస్థలు ఏర్పడుతున్నాయి.

అసలైన సారాంశం

మీరు డెవలపర్ అయినా, ఫౌండర్ అయినా లేదా ఎంటర్‌ప్రైజ్ కొనుగోలుదారు అయినా, AIని కేవలం లీడర్‌బోర్డ్ స్కోర్‌ల ఆధారంగా మాత్రమే అంచనా వేయడం ఆపండి. సరఫరా గొలుసు మరియు రాజకీయ రిస్క్‌లను ఇంజనీరింగ్ పరిమితులుగా (engineering constraints) పరిగణించడం ప్రారంభించండి. మీరు ఈరోజు ఇంటిగ్రేట్ చేసే మోడల్ రేపు ఎగుమతి ఆంక్షల్లో చిక్కుకోవచ్చు. దాని వెనుక ఉన్న శిక్షణ డేటా బిలియన్ డాలర్ల చట్టపరమైన ఖర్చుకు దారితీయవచ్చు. దానిని నడిపించే డేటా సెంటర్ స్థానిక విద్యుత్ గ్రిడ్ పరిమితుల వల్ల ఇబ్బంది పడవచ్చు, దానిని నిర్మించిన పరిశోధకుల మేధస్సు వల్ల కాదు. మీ ఆర్కిటెక్చర్‌ను మీరు నమ్ముతున్న సాధనాలు ఎప్పుడైనా ఎంబార్గో చేయబడవచ్చు, చట్టపరమైన వివాదాలకు గురవ్వచ్చు లేదా విద్యుత్ కొరతను ఎదుర్కోవచ్చు అనే దృక్పథంతో నిర్మించండి—ఎందుకంటే ఈ వారం జరిగిన పరిణామాలు ఈ మూడు కూడా ఇప్పుడు నిజమయ్యే అవకాశాలు ఉన్నాయని స్పష్టం చేశాయి.