AI குமிழி சண்டையின் மையத்தில் ஒரு ஒற்றைப் படம்
செயற்கை நுண்ணறிவு வெப்பமடைந்து வருகிறதா என்ற விவாதத்தில் சுற்றிவரும் அனைத்து வரைபடங்களிலும், ஒன்று ஒரு வகையான ரோர்ஷாக் சோதனையாக மாறியுள்ளது: OpenRouter-இல் வாராந்திர டோக்கன் நுகர்வு ஜனவரி 2025-இல் சுமார் 0.5 டிரில்லியனில் இருந்து 126.2 டிரில்லியனாக உயர்வதைக் காட்டும் கோடு — இது 25,000 சதவீதத்துக்கும் மேற்பட்ட அதிகரிப்பு. வளர்ச்சிக் கோட்பாட்டை ஆதரிப்பவர்கள் இந்த கிட்டத்தட்ட செங்குத்தான சாய்வை, தேவை உண்மையானது மற்றும் வேகமாக வளர்ந்து வருகிறது என்பதற்கான சான்றாக சுட்டிக்காட்டுகிறார்கள். சந்தேகம் கொள்பவர்கள் இதை ஒரு தொழில்துறை குறிகாட்டியாக வேடமணிந்த வீண் அளவீடாகப் பார்க்கிறார்கள்.
இரண்டு வாசிப்புகளும் ஆய்வுக்குரியவை. Matthias Bastian வெளியிட்டு LinkedIn-இல் எடுத்துக்காட்டிய பகுப்பாய்வின்படி, OpenRouter வளைவை மொத்த தத்தெடுப்பு அல்லது பொருளாதார மதிப்பு பற்றிய கதையாகப் புரிந்துகொள்வதை விட, அளவீடு பற்றிய கதையாகவே சிறப்பாகப் புரிந்துகொள்ள முடியும்.
OpenRouter எதை அளக்கிறது — எதை அளக்கவில்லை
OpenRouter ஒரு வழித்தட அடுக்கு: டெவலப்பர்கள் தங்கள் பயன்பாடுகளை பல வழங்குநர்களின் AI மாதிரிகளின் பட்டியலுடன் இணைக்க இதைப் பயன்படுத்துகிறார்கள், பெரும்பாலும் விலை, வேகம் அல்லது திறன் அடிப்படையில் அவற்றுக்கிடையே மாறுகிறார்கள். அதனால் அதன் பயன்பாட்டுத் தரவு உண்மையிலேயே சுவாரஸ்யமானது, ஏனெனில் அது பெஞ்ச்மார்க் மதிப்பெண்களை அல்ல, உற்பத்தி டிராஃபிக்கைப் பிடிக்கிறது. ஒரு டோக்கன் என்பது AI கணினீக்கத்தின் அடிப்படை அலகு — தோராயமாக ஒரு காருக்கு ஒரு கேலன் எரிபொருள், அல்லது ஒரு பயன்பாட்டு நிறுவனம் வசூலிக்கும் ஒரு வேலை அலகு போன்றது.
பிரச்சினை என்னவென்றால், டோக்கன்கள் பயனர்கள், அமர்வுகள் அல்லது வருவாய்க்கு பதிலீடாக இல்லை. ஒரு தளம் மிக அதிக டோக்கன்களைச் செயலாக்கும் அதே வேளையில் தோராயமாக அதே எண்ணிக்கையிலான மக்களுக்கு சேவை செய்ய முடியும், ஏனெனில் இப்போது ஒவ்வொரு கோரிக்கைக்கும் மிக அதிக கணினீக்கம் செலவாகிறது. அளவுக்கும் மதிப்புக்கும் இடையிலான இந்த இடைவெளியே குமிழி வாதத்தின் மையத்தில் அமர்ந்துள்ளது.
டோக்கன் எண்ணிக்கைகள் ஏன் இவ்வளவு விரைவாக ஊதிப் பெருகுகின்றன
பகுத்தறிவு மாதிரிகள் சத்தமாக சிந்திக்கின்றன
நவீன பகுத்தறிவு மாதிரிகள் இறுதிப் பதிலை உருவாக்குவதற்கு முன், உள் "சிந்தனை" டோக்கன்களைப் பெரிய அளவில் உருவாக்குகின்றன. அந்த டோக்கன்கள் இறுதிப் பயனருக்குத் தெரியாதவை, மேலும் வெளியீட்டின் உணரப்பட்ட தரத்துக்கு பெரும்பாலும் எதையும் சேர்க்காது, ஆனால் அவை முழுமையாகக் கணக்கிடப்படுகின்றன. நீண்ட நேரம் ஆலோசிக்கும் ஒரு மாதிரி, அதே கேள்விக்குப் பதிலளிக்கும் எளிய மாதிரியுடன் ஒப்பிடும்போது டோக்கன் நுகர்வை பல மடங்கு பெருக்கக்கூடும்.
முகவர் அமைப்புகள் டோக்கன்களை எரித்து தீர்க்கின்றன
மேம்படுத்தப்படாத முகவர் AI அமைப்புகள் இந்த விளைவை மேலும் பெருக்குகின்றன. திட்டமிடும், கருவிகளை அழைக்கும், முடிவுகளைச் சரிபார்க்கும், மீண்டும் முயற்சிக்கும் ஒரு முகவர், ஒரு பணிக்காக பல மாதிரி அழைப்புகளைச் சுற்றி வரலாம். நிஜ உலகப் பயன்பாட்டில் ஒரு சிறிய அதிகரிப்பு — இன்னும் சில முகவர்கள் இயங்குவது, சற்று நீண்ட பணிப்பாய்வு — நுகரப்படும் டோக்கன்களில் மகத்தான எழுச்சியாக மாறலாம். அந்த வகையில், OpenRouter வரைபடம் சில வரிசைப்படுத்தல்கள் இன்னும் எவ்வளவு திறனற்றவை என்பதை ஓரளவு பிரதிபலிக்கிறது.
தரவரிசைப் பொறி: GPT 5.6 Luna-வின் ஆதிக்கம்
தளத்தில் மாதிரி தரவரிசைகள் இதே போன்ற தவறான வாசிப்பைத் தூண்டுகின்றன. OpenAI-இன் GPT 5.6 Luna சமீபத்தில் OpenRouter-இல் டோக்கன் நுகர்வில் ஆதிக்கம் செலுத்தியது, இதை புகழ் அதிகரிப்பாக எளிதாகப் பொருள் கொள்ளலாம். அது இல்லாமல் இருக்கலாம். ஒரு மாதிரி ஒரு கேள்விக்கு அதிக டோக்கன்களை உருவாக்குவதன் மூலம் மட்டுமே டோக்கன் வரைபடத்தில் முதலிடம் பெற முடியும், இது உண்மையில் இருப்பதை விட அது பிஸியாக இருப்பதாகத் தோற்றமளிக்கும். நுகர்வு தரவரிசைகள் தத்தெடுப்பைப் போலவே வாய்மொழித்திறனையும் பணிச்சுமையையும் அளவிடுகின்றன.
அதற்குப் பதிலாக வருவாயைப் பின்தொடருங்கள்
டோக்கன் அளவு தெளிவற்றதாக இருக்கும் இடத்தில், செலவினத்தைப் போலியாக்குவது கடினம். வருவாய்ப் பக்கத்தில், OpenAI-இன் Astra முன்னிலை வகிக்கிறது, இது சந்தையின் உச்சியில் திறனுக்காக வாடிக்கையாளர்கள் பணம் செலுத்தத் தயாராக இருப்பதைக் குறிக்கிறது. இதற்கிடையில், Kimi, GLM, DeepSeek உள்ளிட்ட சீன மாதிரிகள் வேகமாக விரிவடைந்து வருகின்றன: அந்த மாதிரிகளுக்கான மாதாந்திர செலவு 2026-இல் பத்து மடங்கு உயர்ந்தது, இருப்பினும் மிகச் சிறிய அடித்தளத்தில் இருந்து. குறைந்த தொடக்கப் புள்ளியில் இருந்து வளர்ச்சி விகிதங்கள் அற்புதமாகத் தோன்றும், மேலும் பரந்த மாற்றத்திற்கான சான்றாக எண்கள் பயன்படுத்தப்படும்போது அந்தச் சூழல் முக்கியமானது.
தவறாக வழிநடத்தப்படாமல் டோக்கன் வரைபடத்தை எவ்வாறு படிப்பது
டோக்கன் அளவீடுகள் பயனுள்ளவை, ஆனால் சரியான கேள்விகளுடன் இணைக்கப்படும்போது மட்டுமே:
- அளவு எதிர் மதிப்பு. டோக்கன்களுக்குப் பின்னால் எவ்வளவு வருவாய் அல்லது முடிக்கப்பட்ட பணிகள் உள்ளன என்பதைக் கேளுங்கள், எத்தனை செயலாக்கப்பட்டன என்பதை மட்டும் அல்ல.
- ஒரு கோரிக்கைக்கு டோக்கன்கள். அதிகரிக்கும் நுகர்வு அதிக கோரிக்கைகளில் இருந்து அல்ல, நீண்ட பகுத்தறிவில் இருந்து வரலாம்.
- மாதிரிக் கலவை. ஒரு வாய்மொழி மாதிரி முதலிடத்துக்கு வரும்போது, அடிப்படைத் தேவையை மாற்றாமல் வளைவை வளைக்க முடியும்.
- முகவர் மேலதிக செலவு. மீண்டும் முயற்சிகள், கருவி அழைப்புகள், திட்டமிடல் சுற்றுகள் எண்ணிக்கைகளை ஊதிப் பெருக்கி திறனின்மையை மறைக்கலாம்.
- அடிப்படை விளைவுகள். பத்து மடங்கு வளர்ச்சி அசாதாரணமாகத் தோன்றும், அது எங்கிருந்து தொடங்கியது என்பதை நீங்கள் கவனிக்கும் வரை.
குமிழிக் கேள்வி இன்னும் திறந்தே உள்ளது
இதெல்லாம் அந்த எழுச்சி அர்த்தமற்றது என்று பொருள் அல்ல. வாராந்திர டோக்கன்கள் 0.5 டிரில்லியனில் இருந்து 126.2 டிரில்லியனாக உயர்ந்தது, மிக அதிக அளவிலான AI வேலை செய்யப்படுகிறது என்பதையும், டெவலப்பர்கள் உண்மையான டிராஃபிக்கை ஒரு பகிரப்பட்ட தளம் வழியாக வழிநடத்துகிறார்கள் என்பதையும் காட்டுகிறது. இது அனுமானச் செலவு அளவிடப்படுகிறது என்பதைக் காட்டுகிறது. ஆனால் ஒரு வரைபடத்தில் உள்ள ஈர்க்கக்கூடிய கோடு, திறமையான வளர்ச்சிக்கும் விலைமதிப்பற்ற விரிவாக்கத்துக்கும் இடையிலான வேறுபாட்டை, மில்லியன் கணக்கான பயனர்களுக்கும் ஒரு சில டோக்கன்-பசி முகவர்களுக்கும் இடையிலான வேறுபாட்டைப் பிரித்தறிய முடியாது.
மிக நேர்மையான முடிவு என்னவென்றால், இந்த வரைபடம் சந்தையின் நிலையை அல்ல, கணினீக்கச் செலவை விவரிக்கிறது. AI குமிழி விவாதம் வருவாய், தக்கவைப்பு, வருமானம் ஆகியவற்றால் தீர்க்கப்படும் — டோக்கன் எண்ணிக்கைகள் தோராயமாக மதிப்பிட முயலும் ஆனால் மாற்ற முடியாத அளவீடுகள்.
இந்தக் கட்டுரை The Decoder-இன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on the-decoder.com
