சீன மாதிரிகளின் முன்னேற்றம் தொழில்நுட்ப வளர்ச்சியை வணிகப் பிரச்சினையாக மாற்றுகிறது
The Decoder வெளியிட்ட புதிய பகுப்பாய்வு, முன்னணி சீன AI மாதிரிகளுக்கும் சிறந்த அமெரிக்க அமைப்புகளுக்கும் இடையிலான போட்டி இடைவெளி வேகமாக குறைந்துள்ளதாக வாதிடுகிறது; இப்போது அது மேற்கத்திய ஆய்வகங்களுக்கு தொழில்நுட்ப சவாலாக மட்டுமல்ல, வணிகச் சவாலாகவும் மாறியுள்ளது. Moonshot-இன் Kimi K3, Alibaba-வின் Qwen3.8-Max, மற்றும் GLM-5.3 உள்ளிட்ட புதிய சீன open-weights மற்றும் முதன்மை மாதிரிகள் குறித்து அறிக்கை குறிப்பிடுகிறது; இவை தனித்தனி benchmark வகைகளில் மட்டும் சிறந்து விளங்காமல், பரந்த மற்றும் கடினமான மதிப்பீடுகளில் முன்னணிக்கு நெருக்கமாக உள்ளன என்று அது சொல்கிறது.
சுழற்சியின் தொடக்கத்தில் காணப்பட்ட படத்துடன் ஒப்பிடும்போது இது முக்கியமான மாற்றம். சுமார் ஒன்றரை ஆண்டுகளுக்கு முன் DeepSeek R1 ஏற்படுத்திய அதிர்ச்சியை பகுப்பாய்வு நினைவுகூருகிறது; அப்போது ஒரு சீன ஆய்வகம் OpenAI-யின் o1 reasoning model-க்கு குறைந்த செலவில் போட்டியிடும் போல் தோன்றியது. ஆனால் அப்போது செயல்திறன் குறித்த கதை முழுமையற்றதாக இருந்தது. DeepSeek-இன் சொந்த அறிக்கை சில சோதனைகளில் வெற்றிகளை காட்டியது, ஆனால் factual knowledge உட்பட பிறவற்றில் அது பின்தங்கியது; பின்னர் வந்த benchmarks கூடுதல் இடைவெளிகளை வெளிப்படுத்தின. சீன மாதிரிகள் தனிப்பட்ட துறைகளில் வலுவாக இருந்தன, ஆனால் அனைத்திலும் ஒரே மாதிரியாக இல்லை.
அறிக்கையின்படி, அந்த நிலை மாறியுள்ளது. ஜூன் இறுதிவரை GLM-5.2 இன்னும் சீரற்ற செயல்திறன் காட்டியது. அதற்குப் பிறகு, புதிய வெளியீடுகள் நீளமான அறிவுத் தலைப்புகள், பல படி coding work, மற்றும் கருவி பயன்பாடு ஆகியவற்றில் முன்னணி நிலைக்கு நெருக்கமாக வந்துள்ளன. அதாவது, இப்போது கவலை என்னவென்றால், சீன ஆய்வகங்கள் சில சமயம் கவனத்தை ஈர்க்கும் benchmark எண்களை வெளியிட முடியும் என்பதல்ல. அவை குறுகிய அல்லது தற்காலிகம் என நிராகரிக்க கடினமான அளவுக்கு பொது திறனுக்கு நெருங்கிவிட்டன என்பதே.
முதல் இடத்தை விட அருகாமை சமநிலை ஏன் அதிகம் முக்கியம்
The Decoder-இன் மைய வாதம், மேல்நிலையிலுள்ள மீதமுள்ள முன்னிலை மேற்கத்திய AI துறையின் பொருளாதாரத்தைப் பாதுகாக்க போதுமானதாக இருக்காமல் போகலாம் என்பதாகும். Anthropic-இன் எதிர்பார்க்கப்படும் IPOக்கு முன் முதலீட்டாளர்கள் சங்கடமான கேள்விகளை எழுப்புகின்றனர் என்றும், நிறுவனம் உயர்நிலையிலுள்ள தனது முன்னிலையை பாதுகாப்பின் ஒரு பகுதியாக குறிப்பிடுகிறது என்றும் அந்தக் கட்டுரை கூறுகிறது. ஆனால் அந்த உயர்நிலைக்கு கீழே, அறிக்கை கூறுவதாவது, இந்த துறை அதிகரித்து ஓபன் மற்றும் மிகக் குறைந்த செலவுடைய சீன மாதிரிகளால் நிரம்பி வருகிறது.
வணிக விளைவு நேரடியானது. ஒரு மாதிரி திறனை சில மாதங்களில் இலவசமாக பதிவிறக்கக்கூடிய மாற்று பதிப்பு மூலம் மீண்டும் உருவாக்க முடியுமானால் அல்லது அதற்கு நெருக்கமாக பெற முடியுமானால், மூல மாதிரி செயல்திறன் ஒரு பலவீனமான பாதுகாப்புக் கோட்டையாக மாறுகிறது. இதன் பொருள் முன்னணி ஆய்வகங்கள் தங்கள் எல்லா நன்மைகளையும் இழக்கின்றன என்பதல்ல. இதன் பொருள் என்னவென்றால், குறுகிய கால benchmark மேலாதிக்கம் மட்டுமே மதிப்பிடப்படும் தலைமை, துறைச்சுற்று கட்டப்பட்ட விலையிடல், உள்கட்டமைப்பு முதலீடுகள், மற்றும் விலை நிர்ணய முன்கணிப்புகளை நியாயப்படுத்த போதாது.
இதுவே ஏன் கட்டுரை இதை முதலீட்டாளர் பிரச்சினையாகக் காட்டுகிறது என்பதற்கான காரணம். செயல்திறன் இடைவெளி குறைந்தால் விலையிடும் வலிமையும் குறைகிறது. மேலும் அது வாடிக்கையாளர் கவனத்தை deployment, tooling, product integration, reliability, ecosystem fit ஆகியவற்றுக்குத் திருப்புகிறது. மாதிரியையே மாற்றுவது எளிதாகும்போது, மதிப்பு உருவாக்கத்தின் மையம் வேறெங்கோ செல்கிறது.
Open weights போட்டித் தோற்றத்தை மாற்றுகின்றன
இந்த மாற்றம் இவ்வளவு முக்கியமானதற்கான ஒரு காரணம், சமீபத்திய சீன சவால் மூடப்பட்ட, அணுக முடியாத அமைப்புகளுக்குள் மட்டுமே சுருங்கவில்லை என்பதே. அறிக்கை open models-ஐ தெளிவாக வலியுறுத்துகிறது; இது சொந்த உரிமை கொண்ட போட்டியாளர்களை விட சந்தையை வேறொரு விதத்தில் மாற்றுகிறது. நெருங்கிய போட்டியாளர் ஒரு பிரச்சினை; பதிவிறக்கம் செய்து, மாற்றி, மிகவும் குறைந்த செலவில் இயக்கக்கூடிய நெருங்கிய போட்டியாளர் இன்னொரு பிரச்சினை.
அதனால்தான், ஒரு மாதிரி முன்னிலை தனக்குத்தானே பாதுகாக்க முடியாது என்று கட்டுரை கூறுகிறது. ஒரு அமெரிக்க ஆய்வகம் சில காலத்திற்கு அளவிடக்கூடிய முன்னிலையை வைத்திருந்தாலும், வாடிக்கையாளர்கள், டெவலப்பர்கள், மற்றும் முதலீட்டாளர்கள் மற்ற சந்தை எவ்வளவு வேகமாக பின்தொடர்கிறது என்பதையே கவனிக்கலாம். அந்த சூழலில், “சிறந்தது” என்பதற்குப் பதிலாக “மாற்ற கடினமானது” என்பதே முக்கியமாகிறது. The Decoder-இன் முடிவு, துறையின் moat மாறிவிட்டது என்பதாகும்.
மேற்கத்திய ஆய்வகங்கள் distillation-ஐ குற்றம் சாட்டியுள்ளதாகவும், அந்த குற்றச்சாட்டுக்கு உண்மையான ஆதாரங்கள் இருப்பதாகவும் கட்டுரை குறிப்பிடுகிறது; ஆனால் இந்த பகுதி இறுதி தீர்ப்பை வழங்கவில்லை. இருந்தாலும், இடைவெளி குறைவதற்கான காரணம் நேரடியான engineering progress, distillation மூலம் knowledge transfer, அல்லது இரண்டுமே என எதுவாக இருந்தாலும், நடைமுறை விளைவு ஒரேதாக இருக்கும் என்று அறிக்கை வாதிடுகிறது: model layer-ஐ மட்டும் அடிப்படையாகக் கொண்ட நீடித்த முன்னிலை சிதைந்து போகிறது.
புதிய benchmark படம் என்ன சொல்கிறது
பெயரிடப்பட்ட சீன அமைப்புகளின் முக்கியத்துவம், அவற்றுக்கு அறிக்கை கூறும் திறன் பரப்பளவில் உள்ளது. Kimi K3, Qwen3.8-Max, மற்றும் GLM-5.3 ஆகியவை நீண்ட கால அறிவுச் செயல்கள், பல படி code பணிகள், மற்றும் சிறப்பாக நம்பகமான tool coordination ஆகியவற்றில் வலுவாக செயல்படுகின்றன என்று விவரிக்கப்படுகிறது. இவை சாதாரண சோதனைகள் அல்ல. ஆராய்ச்சி வேலைநடவடிக்கைகள் முதல் agentic coding மற்றும் enterprise automation வரை, உண்மையான பயன்பாட்டு வழக்குகளில் முக்கியமான நடத்தை இவை பிரதிபலிக்கின்றன.
இந்த அமைப்புகள் இப்போது இவ்வளவு பல்வகை பணிச்சுமைகளிலும் போட்டித்தன்மை காட்ட முடிந்தால், சீன AI-ஐ “பிரமிப்பூட்டும் ஆனால் சீரற்ற”தாகக் காட்டிய பழைய framing-ஐ தக்க வைத்திருப்பது கடினமாகிறது. இதனால் சீன ஆய்வகங்கள் எல்லா முக்கிய பரிமாணங்களிலும் முன்னிலையில் உள்ளன என்பதில்லை. அறிக்கை அப்படிச் சொல்லவில்லை. மாறாக, இது இன்னும் முக்கியமான ஒரு புள்ளியை முன்வைக்கிறது: தலைவர்களுடன் உள்ள தூரம் இவ்வளவு சுருங்கியுள்ளது; அந்த இடைவெளி மேற்கத்திய நிறுவனங்களுக்கு நம்பகமான மூலோபாயக் கவசமாக இருக்க முடியாத அளவுக்கு குறைந்துவிட்டது.
இந்த பகுப்பாய்வு, “இரண்டு போட்டிகளை ஒரே நேரத்தில்” ஐரோப்பா இழக்கிறது என்றும் கூறுகிறது, ஆனால் வழங்கப்பட்ட உரை அந்த கருத்தை முழுமையாக விவரிக்கவில்லை. அப்போதும், இப்போட்டித் தோற்றம் இப்போது முதன்மையாக அமெரிக்க மற்றும் சீன சூழல்களுக்கிடையே வரையப்பட்டு வருகிறது என்பதே அதன் பொருள்; இதனால் frontier-model திறனிலும், அதற்கு மேல் கட்டப்பட்ட வணிகமயமாக்கல் அடுக்குகளிலும் ஐரோப்பா அழுத்தத்தில் உள்ளது.
மாதிரியைச் சுற்றிய அனைத்தையும் பற்றியதாக அடுத்த கட்ட போட்டி இருக்கலாம்
The Decoder-இன் கட்டுரை, AI துறை ஏற்கனவே capital intensity, infrastructure spending, மற்றும் monetization குறித்த கேள்விகளை எதிர்கொண்டு வரும் நேரத்தில் வருகிறது. மாதிரி முன்னிலைகள் விரைவாக சிதைந்தால், முன்னணி ஆய்வகங்கள் தங்களின் பாதுகாப்பு product systems, enterprise trust, distribution, custom integrations, மற்றும் operational excellence ஆகியவற்றிலிருந்து வருகிறது என்பதை நிரூபிக்க வேண்டும்; benchmarks மட்டுமல்ல.
இதன் பொருள் model research முக்கியத்துவம் குறைகிறது என்பதல்ல. அது மட்டும் போதாது என்பதே. கட்டுரையின் பரந்த செய்தி என்னவென்றால், core capability-யில் தற்காலிக முன்னிலை கதைமுழுவதையும் ஆட்சி செய்த ஒரு உலகிலிருந்து AI போட்டி நகர்கிறது; இப்போது replication speed கூட அதே அளவு முக்கியமானதாகிவிட்டது. இந்த விவரிப்பில், சீன ஆய்வகங்கள் வெறும் மாதிரிகளை மேம்படுத்தவில்லை. மற்றவர்கள் தங்கள் வெற்றி திட்டத்தை எப்படி விளக்கப்போகிறார்கள் என்பதற்கான கால அட்டவணையையே வேகப்படுத்திவிட்டனர்.
இந்தக் கட்டுரை The Decoder செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on the-decoder.com