चीनच्या 'लिटल टायगर्स' चा एआय प्रवास: एक दृष्टीक्षेप

चीनमध्ये एआय तंत्रज्ञानाचा झपाट्याने होणारा विकास अनेक स्टार्टअप्ससाठी उत्साह आणि अनिश्चितता घेऊन आला आहे. एकेकाळी महत्त्वाकांक्षी उद्दिष्टांनी परिपूर्ण असलेल्या काही कंपन्या आता त्यांच्या धोरणांचे पुनर्मूल्यांकन करत आहेत, कारण त्यांना स्पर्धात्मक आणि संसाधन-आधारित बाजाराच्या कठोर वास्तवाचा सामना करावा लागत आहे.

भव्य दृष्टिकोन ते धोरणात्मक बदल

चीनच्या ‘एआय लिटल टायगर्स’पैकी एक असलेल्या बैचुआन इंटेलिजंटच्या सीईओंच्या एका अलीकडील अंतर्गत पत्रात कंपनीच्या दुसऱ्या वर्धापन दिनानिमित्त धोरणात्मक बदलांवर प्रकाश टाकला गेला. कंपनी आता वैद्यकीय ॲप्लिकेशन्सला प्राधान्य देणार आहे. हे तिच्या सुरुवातीच्या ‘ओपनएआय’ (OpenAI) प्रमाणे एक नवीन पायाभूत मॉडेल तयार करण्याच्या ध्येयाच्या अगदी विरुद्ध आहे.

त्याचप्रमाणे, ‘लिटल टायगर’ 01.एआयचे (01.AI) संस्थापक ली कैफू यांनी जानेवारीमध्ये घोषणा केली की त्यांची कंपनी “लहान पण सुंदर” दृष्टिकोन स्वीकारेल. एजीआय (AGI) च्या आगमनाला गती देण्यासाठी एआय 2.0 प्लॅटफॉर्म (AI 2.0 platform) तयार करण्याच्या भव्य दृष्टिकोन मागे टाकण्याचा हा एक महत्त्वाचा निर्णय होता.

या धोरणात्मक बदलांमुळे अनेक तर्कवितर्क निर्माण झाले आहेत. काही निरीक्षकांचे म्हणणे आहे की हे ‘लिटल टायगर्स’ आता ‘आजारी मांजरी’ बनत चालले आहेत. सतत बदलणाऱ्या वातावरणात या कंपन्या त्यांचे भविष्य कसे सुरक्षित करू शकतात?

या प्रश्नाचे उत्तर देण्यासाठी, झिवेई (Zhiwei) येथील संपादकीय टीमने मोठे मॉडेल तंत्रज्ञान विशेषज्ञ, वित्त आणि आरोग्य सेवा क्षेत्रातील एआय तज्ञ आणि आघाडीच्या कंपन्यांमधील एआय तंत्रज्ञान तज्ञांसह विविध तज्ञांकडून माहिती मिळवली.

डीपसीकचा प्रभाव आणि बदलती रणनीती

डीपसीकच्या (DeepSeek) प्रचंड लोकप्रियतेनंतर एआय परिदृश्यात नाट्यमय बदल झाला, ज्यामुळे बाजारपेठ हादरली. एका शक्तिशाली योद्ध्याप्रमाणे, डीपसीकने परिदृश्यात व्यत्यय आणला, ज्यामुळे अनेक एआय कंपन्यांना त्यांच्या स्थानांचे पुनर्मूल्यांकन करण्यास आणि भिन्न मार्ग शोधण्यास भाग पाडले.

तथापि, हा बदल अनेकांच्या अपेक्षेपेक्षा खूप आधी सुरू झाला होता. मोठे मॉडेल तंत्रज्ञान तज्ञ वांग वेनगुआंग यांच्या मते, काही चीनी एआय कंपन्यांनी डीपसीक व्ही3 (DeepSeek V3) आणि आर1 (R1) रिलीज होण्यापूर्वीच मोठे मॉडेल प्रशिक्षण घेणे सोडले होते. याचे कारण म्हणजे प्रशिक्षण खर्च खूप जास्त होता आणि डीपसीक व्ही2.5 (DeepSeek V2.5) आणि अलीबाबाचे (Alibaba) क्वेन 70बी (Qwen 70B) यांसारख्या मुक्तपणे उपलब्ध असलेल्या पर्यायांशी स्पर्धा करणे त्यांना शक्य नव्हते.

एआय तंत्रज्ञान सेवा संस्थेतील तज्ञ लियांग हे यांनी सांगितले की, 2024 च्या मध्यापर्यंत बहुतेक ‘लिटल टायगर्स’ मोठे मॉडेल प्रशिक्षित करत होते, परंतु त्यांचे गुंतवणूक प्रमाण लक्षणीयरीत्या घटले होते. जानेवारी 2025 मध्ये, डीपसीक आर1 (DeepSeek R1) च्या रिलीजमुळे अनेक लहान कंपन्यांना जाणीव झाली की त्या या स्पर्धेत टिकू शकत नाहीत.

या अचानक बदलामुळे ‘लिटल टायगर्स’ची दिशा एजीआय डेव्हलपमेंटऐवजी (AGI development) अधिक विशिष्ट दृष्टिकोनकडे वळली.

बैचुआन (Baichuan) आणि 01.एआय (01.AI) यांनी मोठे मॉडेलचे प्री-ट्रेनिंग (pre-training) करणे सोडले आहे आणि ते अनुक्रमे वैद्यकीय एआय (medical AI) आणि औद्योगिक ॲप्लिकेशन्सवर (industry application) लक्ष केंद्रित करत आहेत. मिनीमॅक्स (MiniMax) आपले बी2बी (B2B) कामकाज कमी करत आहे आणि सी-एंड (C-end) व्हिडिओ निर्मिती (video generation) आणि इतर ॲप्लिकेशन्ससह परदेशी बाजारपेठेकडे लक्ष केंद्रित करत आहे. झिपु (Zhipu), मूनशॉट एआय (Moonshot AI) आणि स्टेपअप (StepUp) अजूनही ओपन-सोर्स (open-source) समुदायात सक्रिय आहेत, परंतु त्यांनी डीपसीक आर1 (DeepSeek R1) पेक्षा सरस ठरेल असे कोणतेही नवीन मॉडेल तयार केलेले नाही. झिपुने (Zhipu) भरीव निधी आणि सरकारी-उद्यम भागीदारी सुरक्षित केली आहे, ज्यामुळे त्याचे अस्तित्व निश्चित झाले आहे. मूनशॉट एआयचे (Moonshot AI) प्राथमिक उत्पादन, किमी (Kimi), सध्या युआनबाओमुळे (Yuanbao) धोक्यात आले आहे, ज्यामुळे त्याचे स्थान अधिकच कठीण झाले आहे.

एकंदरीत, ‘लिटल टायगर्स’ अधिकाधिक बी2बी सास मार्केटमध्ये (B2B SaaS market) विलीन होत आहेत, ज्याला काहीजण “कल्पनाशून्य” मानतात.

बी2बी मार्केटचे आकर्षण आणि मर्यादा

01.एआयने (01.AI) अलीकडेच विविध उद्योगांसाठी एक-स्टॉप एंटरप्राइज लार्ज मॉडेल प्लॅटफॉर्म (one-stop enterprise large model platform) तयार करण्यासाठी डीपसीकचे (DeepSeek) पूर्णपणे एकत्रीकरण करण्याची घोषणा केली आहे. मात्र, या निर्णयावर संशय व्यक्त केला जात आहे.

वित्तीय एआय तज्ञ जियांग शाओ (Jiang Shao) यांचा असा विश्वास आहे की 01.एआयचे (01.AI) भविष्य अनिश्चित आहे, कारण त्याचे विस्तृत लक्ष, डीपसीकच्या (DeepSeek) उदयानंतर तांत्रिक स्पर्धात्मकतेचा अभाव आणि मर्यादित व्यावसायिक क्षमता आहेत.

वांग वेनगुआंग (Wang Wenguang) यांनी या मताचा पुनरुच्चार केला आणि नमूद केले की, वन-स्टॉप लार्ज मॉडेल प्लॅटफॉर्मसाठी (one-stop large model platform) तांत्रिक प्रवेशाचा अडथळा तुलनेने कमी आहे.

वांग यांनी सुमारे सहा महिन्यांत स्वतंत्रपणे असे प्लॅटफॉर्म विकसित करण्याचा आणि वैयक्तिक माध्यमांद्वारे ते विकण्याचा अनुभव सांगितला. त्यांनी असा युक्तिवाद केला की कंपनी म्हणून या उत्पादनातून नफा मिळवणे कठीण असले तरी, एकल उद्यम म्हणून ते फायदेशीर ठरू शकते.

वांग अनेक बी2बी (B2B) कंपन्यांसोबत काम करतात, ज्या मोठ्या मॉडेल सेवा देतात, परंतु त्यांच्याकडे तांत्रिक प्लॅटफॉर्म नाही. ते त्यांचे प्लॅटफॉर्म कमी किमतीत, सुमारे 40,000 ते 50,000 युआन प्रति परवाना (yuan per license) दराने पुरवतात, जे मोठ्या कंपन्यांपेक्षा खूपच कमी आहे.

त्यांचे प्लॅटफॉर्म, केएएफ (KAF - Knowledge-based Agent Factory), ज्ञान आलेख (knowledge graphs), वेक्टर डेटाबेस (vector databases) आणि सर्च इंजिन (search engines) वापरून मोठे मॉडेल (large model) आणि एजंट ॲप्लिकेशन्स (Agent applications) वितरीत करते. हे वापरकर्त्यांना प्रॉम्प्ट (prompt) आणि मॉडेल व्यवस्थापनाद्वारे कोडिंगशिवाय (coding) सानुकूल ज्ञान सहाय्यक किंवा एजंट तयार करण्यास सक्षम करते. वांग यांनी बाजारात अशाच प्लॅटफॉर्मची वाढती संख्या लक्षात आणून दिली, ज्यामुळे त्याचे अनुकरण करणे सोपे झाले आहे.

वांग यांच्या मते, बी2बी लार्ज मॉडेल ॲप्लिकेशन (B2B large model application) विकसित करू पाहणारी कंपनी कुशल व्यक्तींची एक लहान टीम (team) नियुक्त करून किंवा बाह्य एआय कंपनीसोबत भागीदारी करून त्वरीत उत्पादन तयार करू शकते. हा दृष्टिकोन मोठे मॉडेल प्रशिक्षित करण्यापेक्षा खूपच स्वस्त आहे.

प्लॅटफॉर्म मॉडेल व्यतिरिक्त, एकात्मिक सोल्यूशन्स (integrated solutions) हार्डवेअर (hardware), सॉफ्टवेअर (software) आणि एक्झिक्युशन एन्व्हायरनमेंट (execution environment) प्रदान करतात, जे आउट-ऑफ-द-बॉक्स कार्यक्षमता देतात. पिंग एन इन्शुरन्सचे (Ping An Insurance) तंत्रज्ञान प्लॅटफॉर्म ग्रुपचे प्रमुख झांग सेनसेन (Zhang Sensen) यांचा असा विश्वास आहे की एकात्मिक सोल्यूशन्ससाठी एक व्यवहार्य बाजारपेठ आहे, विशेषत: मर्यादित तांत्रिक उपयोजन क्षमता असलेल्या सरकारी आणि शैक्षणिक संस्थांमध्ये. ही सोल्यूशन्स डेटा सुरक्षा (data security), गोपनीयता (privacy compliance) आणि हार्डवेअर-सॉफ्टवेअर ऑप्टिमायझेशन (hardware-software optimization) यांसारखे फायदे देतात. ते देशात उत्पादित चिप्सचा (chips) वापर करून निर्बंध टाळू शकतात आणि कार्यक्षमता सुधारू शकतात. ज्या कंपन्या खर्च-संवेदनशील (cost-sensitive) आणि आरओआय-केंद्रित (ROI-focused) आहेत, त्यांना एकात्मिक सोल्यूशन्स त्यांच्या दीर्घ जीवनचक्रामुळे आकर्षक वाटू शकतात.

देशांतर्गत सास मार्केटला (SaaS market) ऐतिहासिकदृष्ट्या उच्च सानुकूल आवश्यकता, सामान्य आणि एकसारखी उत्पादने, तीव्र स्पर्धा, कमी किंमत धोरणे आणि अल्प-मुदतीच्या कमाईवर लक्ष केंद्रित करण्यासारख्या आव्हानांचा सामना करावा लागला आहे. या बाजारातील ग्राहकांकडे अनेकदा कमी प्रमाणात डिजिटायझेशन (digitization) असते आणि पैसे देण्याची इच्छा मर्यादित असते.

याउलट, आंतरराष्ट्रीय सास मार्केट (international SaaS market) विशेषज्ञांवर जोर देते, कंपन्या विशिष्ट क्षेत्रांवर लक्ष केंद्रित करतात आणि मोठ्या आणि मध्यम आकाराच्या क्लायंटना (clients) सखोल सेवा पुरवतात, ज्यांची पैसे देण्याची तयारी जास्त असते.

मोठ्या मॉडेल क्षेत्रात हे ट्रेंड (trends) दिसून येतात. आंतरराष्ट्रीय सास मार्केटमधील (international SaaS market) अलीकडील घटना हे दर्शवतात:

• फेब्रुवारी 2025 मध्ये, मोंगोडीबीने (MongoDB) व्हॉयेज एआय (Voyage AI) ही 17 महिन्यांची एआय स्टार्टअप कंपनी 220 दशलक्ष डॉलर्समध्ये (million dollars) विकत घेतली, जी एम्बेडिंग (embedding) आणि री-रँकिंग मॉडेलवर (re-ranking models) लक्ष केंद्रित करते.
• 2024 मध्ये, ॲमेझॉनने (Amazon) एडेप्टसोबत (Adept) तंत्रज्ञान परवाना कराराची (technology licensing agreement) घोषणा केली, ज्यात काही एडेप्टचे सदस्य ॲमेझॉनच्या एजीआय टीममध्ये (AGI team) सामील झाले.

या स्टार्टअप्सनी मोठ्या मॉडेल तंत्रज्ञानातील (large model technology) एका विशिष्ट क्षेत्रात लक्ष केंद्रित करून यश मिळवले. चीनमध्ये अशी उदाहरणे दुर्मिळ आहेत. अनेक लहान आणि मध्यम आकाराच्या उद्योगांना मोठ्या कंपन्या त्यांच्या क्षेत्रात प्रवेश करण्यापासून सतत स्वतःचा बचाव करावा लागतो.

बी2बी मार्केटमधील (B2B market) विस्तृत अनुभवाचा वापर करून वांग वेनगुआंग (Wang Wenguang) यांनी त्याच्या कठोर वास्तवाचे वर्णन केले. त्यांनी नमूद केले की वन-स्टॉप प्लॅटफॉर्मसाठी (one-stop platform) मोठी बाजारपेठ असली तरी ती विखुरलेली आहे. कमी ऑपरेटिंग खर्च असलेल्या लहान कंपन्या स्पर्धात्मक किंमती देऊ शकतात, ज्यामुळे मोठ्या कंपन्यांची किंमत कमी होते. यामुळे ॲप्लिकेशन सेवांची किंमत कमी होते. मोठ्या कंपन्यांनाही इतर स्टार्टअप्स (startups) आणि पारंपरिक इंटिग्रेटर्सकडून (integrators) स्पर्धेचा सामना करावा लागतो. मोठ्या कंपन्यांकडे स्वतःचे मोठे मॉडेल (large model) आणि ब्रँडचे (brand) फायदे असू शकतात, परंतु त्यांना बी2बी व्यवसाय धोरणांचा (B2B business strategies) सामना करावा लागतो.

वांग यांनी म्हटल्याप्रमाणे, “मी देखील डीपसीक (DeepSeek) वापरत आहे आणि इतर बऱ्याच कंपन्या डीपसीक (DeepSeek) वापरत आहेत, त्यामुळे कोणताही फरक नाही. चीनमध्ये अनेक क्लाउड व्हेंडर्स (cloud vendors) आहेत, त्यामुळे कमीतकमी तेवढे प्रतिस्पर्धी असतील. देशांतर्गत बी2बी मार्केट (B2B market) नेहमीच असेच राहिले आहे; टिकून राहण्यासाठी, तुमच्याकडे मजबूत संबंध, चांगली सेवा किंवा कमी किंमती असणे आवश्यक आहे.”

लियांग हे (Liang He) यांनी 01.एआयच्या (01.AI) सध्याच्या निवडी आणि भविष्यातील शक्यतांचे संक्षिप्त मूल्यांकन केले:

• ली कैफू (Li Kaifu) यांनी 01.एआयचा (01.AI) व्यवसाय पूर्णपणे बी2बी ॲप्लिकेशन्समध्ये (B2B applications) रूपांतरित करण्याचा आणि वन-स्टॉप एंटरप्राइज लार्ज मॉडेल प्लॅटफॉर्मला (one-stop enterprise large model platform) प्रोत्साहन देण्याचा निर्णय व्यावसायिकदृष्ट्या योग्य आहे, परंतु यामुळे तीव्र स्पर्धा होईल.
• मोठ्या कंपन्यांपेक्षा कमी किमतीची मोठी मॉडेल उत्पादने (large model products) देण्याची 01.एआयची (01.AI) गरज आहे, कारण ॲप्लिकेशन स्तरावर (application layer) त्याचे कोणतेही खास फायदे नाहीत.
• 01.एआयचा (01.AI) बी2बीकडे (B2B) जाण्याचा अर्थ कल्पनाशक्तीचा अभाव आणि कमी “आकर्षक” प्रकल्प असा आहे. 2017 मध्ये एआयच्या मागील लाटेत अनेक कॉम्प्युटर व्हिजन कंपन्यांची (computer vision companies) जी अवस्था झाली, तशीच अवस्था याची आहे.
• जर 01.एआयने (01.AI) परदेशी बाजारपेठ शोधल्यास संधी मिळू शकतात.

01.एआयच्या (01.AI) तुलनेत बैचुआनच्या (Baichuan) भविष्याबद्दल कमी निराशावादी मते आहेत.

तथापि, वैद्यकीय क्षेत्रात बैचुआनच्या (Baichuan) प्रवेशात कोणताही खास फायदा नाही, विशेषतः डेटाच्या बाबतीत.

जियांग शाओ (Jiang Shao) म्हणाले की बैचुआनचे (Baichuan) वैद्यकीय क्षेत्राकडे वळणे हे केवळ टिकून राहण्याचा एक मार्ग आहे. मात्र, 01.एआयच्या (01.AI) तुलनेत बैचुआन (Baichuan) निदान एका विशिष्ट बाजारपेठेत प्रवेश करण्याचा प्रयत्न करत आहे.

झांग सेनसेन (Zhang Sensen) यांनी सांगितले की वैद्यकीय डेटा असलेल्या कंपन्या वैद्यकीय मोठी मॉडेल (medical large model) विकसित करतील, याबद्दल त्या अधिक आशावादी आहेत, तंत्रज्ञान कंपन्यांपेक्षा. हे कोणत्याही कंपनीला लागू होते, जी उद्योग-विशिष्ट मोठी मॉडेल (industry-specific large model) तयार करण्याचा प्रयत्न करत आहे. वैद्यकीय मोठी मॉडेल (medical large model) तयार करण्यातील मुख्य आव्हान मॉडेलमध्ये नाही, तर डेटा (data) मध्ये आहे. चीनमध्ये अनेक उत्कृष्ट रुग्णालये आहेत, जी डीपसीकचा (DeepSeek) वापर करून त्यांच्या स्वतःच्या वापरासाठी मोठ्या मॉडेलला (large model) फाइन-ट्यून (fine-tune) करू शकतात.

वैद्यकीय डेटा (medical data) प्रभावीपणे कसा मिळवता येईल? जियांग शाओ (Jiang Shao) म्हणाले की एआय तंत्रज्ञान स्टार्टअप्सकडे (AI technology startups) डेटामध्ये फायदे नाहीत. वैद्यकीय मोठी मॉडेल (medical large model) तयार करण्यासाठी, त्यांना आधीपासूनच रुग्णालयांना आयटी सेवा (IT services) पुरवणाऱ्या कंपन्यांशी सहयोग करण्याची आवश्यकता भासू शकते.

अहवालानुसार, ‘लिटल टायगर्स’पैकी एकाने डॉक्टरांच्या देवाणघेवाणीतून तयार होणाऱ्या मोठ्या संख्येने केसेसचा (cases) वापर करून मॉडेल प्रशिक्षित करण्यासाठी एका मोठ्या देशांतर्गत डॉक्टर एक्सचेंज फोरमशी (doctor exchange forum) विशेष भागीदारी केली आहे.

विशिष्ट बाजारपेठेबद्दल अधिक आशावादी दृष्टिकोन असण्याव्यतिरिक्त, उद्योग तज्ञांना बैचुआनचे (Baichuan) संस्थापक वांग शियाओचुआन (Wang Xiaochuan) यांच्याकडून अपेक्षा आहेत.

लियांग हे (Liang He) यांचा असा विश्वास आहे की वांग शियाओचुआन (Wang Xiaochuan) वैद्यकीय क्षेत्रात तज्ञ म्हणून यशस्वी होतील की नाही, हे ते एखादे ध्येय साध्य करू इच्छितात की पैसे कमवू इच्छितात यावर अवलंबून आहे. त्यांचा असा विश्वास आहे की वांग (Wang) एक आदर्शवादी व्यक्ती आहेत आणि वैद्यकीय एआयमध्ये (medical AI) महत्त्वपूर्ण संशोधन (research) करू इच्छितात.

वांग वेनगुआंग (Wang Wenguang) यांनी या बाजाराच्या अप्रचलित स्वरूपावर जोर दिला. त्यांनी सांगितले की जर अल्प-मुदतीचे व्यावसायिकीकरण (commercialization) हे ध्येय असेल, तर वैद्यकीय क्षेत्रातही खूप स्पर्धा आहे, जशी एकूणच बी2बी मार्केटमध्ये (B2B market) आहे. अनेक कंपन्या ज्ञान आलेख (knowledge graphs), वेक्टर सर्च (vector search) आणि मोठ्या मॉडेलचा (large model) वापर वैद्यकीय ॲप्लिकेशन्ससाठी (medical applications) करू शकतात.

वैद्यकीय एआय तज्ञांशी झिवेईच्या (Zhiwei) झालेल्या चर्चेनुसार, वैद्यकीय संशोधनातच ज्ञानाची मोठी कमतरता आहे आणि नवीन ज्ञान झपाट्याने वाढत आहे. त्यामुळे, वैद्यकीय मूलभूत संशोधन (medical basic research) करण्यासाठी मोठ्या मॉडेलचा (large model) वापर करण्याची महत्त्वपूर्ण क्षमता आहे. उदाहरणार्थ, प्रोटीन स्ट्रक्चर प्रेडिक्शनसाठी (protein structure prediction) असलेले अल्फाफोल्ड मॉडेल (AlphaFold model) जगभरातील 1.8 दशलक्षाहून अधिक वैज्ञानिकांनी जैव-नूतनीकरणक्षम साहित्य (bio-renewable materials) विकसित करणे आणि आनुवंशिक संशोधनाला (genetic research) पुढे नेण्यासह संशोधनाला गती देण्यासाठी वापरले आहे, असे मेइस मेडिकलने (Meis Medical) म्हटले आहे.

एखादे ध्येय साध्य करणे किंवा पैसे कमवणे याव्यतिरिक्त, वैद्यकीय एआय स्टार्टअपला (medical AI startup) सामान्य वैद्यकीय मोठे मॉडेल (general medical large model) तयार करायचे आहे की नाही, हा प्रश्न देखील आहे.

झांग सेनसेन (Zhang Sensen) यांनी सांगितले की देशांतर्गत बाजारात सामान्य वैद्यकीय मोठ्या मॉडेलमध्ये (general medical large model) कोणतीही मोठी प्रगती झालेली नाही, कारण मोठ्या प्रमाणात डेटा संकलन आणि ॲप्लिकेशनसाठी (application) शक्तिशाली वैद्यकीय उपकरणांवर अवलंबून राहावे लागते. चीनमधील अनेक वैद्यकीय सुविधा अजूनही मोठ्या प्रमाणावर लोकप्रिय झालेल्या नाहीत, ज्यामुळे एआयला (AI) अचूक निदान करणे कठीण होते. तथापि, मेयो क्लिनिकसारख्या (Mayo Clinic) काही मजबूत रुग्णालयांनी स्वतःचे मोठे मॉडेल (large model) लाँच (launch) करण्यास सुरुवात केली आहे. जरी अल्प काळात नफ्याच्या संधी पाहणे कठीण असले तरी, या प्रकारच्या मोठ्या मॉडेलचा (large model) दीर्घकाळात वैद्यकीय उद्योगावर (medical industry) खूप मोठा प्रभाव पडू शकतो.

वैद्यकीय उद्योगाला (medical industry) पूर्णपणे स्वयंचलित निदानाचे (fully automated diagnosis) आव्हान देखील आहे, विशेषत: देशांतर्गत बाजारात, जिथे उपकरणे अपुरी आहेत आणि एआय (AI) पारंपारिक निदान पद्धतींची पूर्णपणे जागा घेऊ शकत नाही. विशेषत: दुर्गम भागांमध्ये वैद्यकीय उपकरणांचा (medical equipment) अभाव असल्यामुळे वैद्यकीय तंत्रज्ञानाचे (medical technology) पूर्णपणे कव्हरेज (coverage) करणे कठीण होते, त्यामुळे पूर्णपणे स्वयंचलित निदान (fully automated diagnosis) हे एक महत्त्वपूर्ण आव्हान आहे.

वैद्यकीय उद्योगात (medical industry) कठोर परवाना (licensing) आणि अनुपालन आवश्यकता (compliance requirements) आहेत आणि मोठ्या मॉडेलने (large model) वैद्यकीय क्षेत्रात प्रवेश करताना अनुपालन समस्यांचे निराकरण करणे आवश्यक आहे. भविष्यातील सी-एंड (C-end) वैद्यकीय सेवा डॉक्टरांचे तंत्र (techniques) आणि एआय (AI) एकत्र करून निदान आणि उपचारांची (diagnosis and treatment) कार्यक्षमता सुधारू शकतात, विशेषत: तरुण पिढीसाठी.

शेवटी, देशांतर्गत बी2बी मार्केटची (B2B market) वैशिष्ट्ये विचारात न घेता, मोठ्या मॉडेल ॲप्लिकेशन्समध्ये (large model applications) स्पर्धा असल्याने टू बी मार्केटमध्ये (To B market) टिकून राहणे देखील खूप कठीण आहे. वांग वेनगुआंग (Wang Wenguang) यांनी सांगितले की मोठ्या मॉडेल टू बी उत्पादनांसाठी (large model To B products) डिझाइन मॉडेल अजूनही शोधली जात आहेत, परंतु ती शेवटी एकत्र येतील. हे केवळ चीनमध्येच (China) नाही, तर सिलिकॉन व्हॅलीतील (Silicon Valley) ओपनएआय (OpenAI), अँथ्रोपिक (Anthropic) आणि गुगल (Google) यांसारख्या तंत्रज्ञान कंपन्यांमध्येही खरे आहे. जोपर्यंत मॉडेलच्या कार्यक्षमतेत (performance) लक्षणीय फरक नाही, तोपर्यंत या बाजारात पैसे कमवणे शक्य नाही आणि शेवटी प्रत्येकजण एकाच स्तरावर असेल.

यामुळेच डीपसीक आर1 (DeepSeek R1) चा सर्वाधिक परिणाम चीनमध्ये (China) नव्हे, तर परदेशात झाला आहे, विशेषत: सिलिकॉन व्हॅलीतील (Silicon Valley) तंत्रज्ञान कंपन्यांवर. आर1 (R1) रिलीज झाल्यानंतर अमेरिकन शेअर बाजारात (US stock market) मोठी अस्थिरता (volatility) आली आणि नंतर घसरण झाली. याचे मुख्य कारण सोपे आहे: सिलिकॉन व्हॅलीतील (Silicon Valley) मोठी मॉडेल (large model) चीनने (China) पकडली आहेत. जरी त्यांनी या कंपन्यांना मागे टाकले नाही, तरी त्यांच्यातील अंतर वाढवण्यात अयशस्वी झाल्यामुळे इतके उच्च मूल्यांकन (valuations) टिकवणे शक्य झाले नाही, ज्यामुळे शेअरच्या किमतीत घट झाली.

अर्थात, टू बी मार्केटमध्ये (To B market) ग्राहक आकर्षित करण्याचा आणखी एक मार्ग आहे: ओपन सोर्स (open source). ओपन-सोर्सचे (open-source) प्राथमिक नफा मॉडेलमध्ये (profit models) सशुल्क-स्तरीय फंक्शन्स (paid-level functions), क्लाउड होस्टिंग (cloud hosting) आणि ओपन-सोर्स तंत्रज्ञानावर (open-source technology) आधारित एंटरप्राइज-स्तरीय कन्सल्टिंग (enterprise-level consulting) आणि ट्रेनिंग (training) यांसारख्या व्हॅल्यू-ॲडेड (value-added) सेवांचा समावेश आहे.

ओपन-सोर्स मोठ्या मॉडेलचा (open-source large model) सर्वात थेट परिणाम तंत्रज्ञानाला प्रोत्साहन देणे हा आहे. झांग सेनसेन (Zhang Sensen) यांनी सांगितले की डीपसीकच्या (DeepSeek) ओपन सोर्समुळे (open source) कंपन्यांनी मोठ्या मॉडेलचा (large model) वापर करणे लक्षणीयरीत्या वेगवान झाले आहे. वरिष्ठ व्यवस्थापन मोठ्या मॉडेलच्या (large model) ॲप्लिकेशनला (application) खूप पाठिंबा देत आहे. मोठ्या मॉडेल (large model) व्यावहारिक ॲप्लिकेशन्समध्ये (practical applications) चांगली कामगिरी करत असल्याने, विशेषत: मानवी हस्तक्षेप कमी करणे आणि कार्यक्षमता वाढवणे, यामुळे पाठिंबा वाढतच जाईल.

ज्या उद्योगात डेटाची गुणवत्ता (data quality) सर्वोत्तम आहे, त्या वित्तीय उद्योगात (financial industry) नेहमीच एआयमध्ये (AI) तांत्रिक संचय (technical accumulation) असतो आणि तो लवकरच या स्पर्धेत टिकून राहू शकतो. डीपसीकशिवाय (DeepSeek) वित्तीय उद्योग (financial industry) एआय तंत्रज्ञानाची (AI technology) अंमलबजावणी करेल. तथापि, डीपसीकमुळे (DeepSeek) एआय (AI) केवळ वित्तीय उद्योगाच्या (financial industry) मूळ व्यवसायांनाच सक्षम करणार नाही, तर पूर्वी करणे कठीण असलेल्या दैनंदिन कार्यालयीन (office) कामांमध्ये आणि ऑपरेशन्समध्येही (operations) वापरला जाईल.

ऑपरेशन्स (Operations) पूर्वी खूप खर्चिक होते. उदाहरणार्थ, रूट कॉज ॲनालिसिससाठी (root cause analysis) पूर्वी पारंपरिक ऑपरेशन्स मॉनिटरिंग (operations monitoring) आणि एआयओपीएसची (AIOps) तसेच लहान मॉडेलला (small model) प्रशिक्षण देण्याची आवश्यकता होती. आता, डीपसीकचा (DeepSeek) वापर ज्ञान बेसच्या (knowledge base) संयोगाने ॲप्लिकेशन प्लॅन्स (application plans) तयार करण्यासाठी केला जाऊ शकतो, जे मॉनिटरिंग (monitoring), अलार्म (alarms), सेल्फ-सर्व्हिस ॲनालिसिस (self-service analysis) आणि ट्रेसेबिलिटी (traceability), ऑटोमेटेड प्रोसेसिंग (automated processing) आणि स्टॅबिलिटी इम्प्रूव्हमेंट (stability improvement) हाताळण्यासाठी अधिक लवचिक आहे.

याव्यतिरिक्त, एआयचे (AI) ऑपरेशन्सचे (operations) कव्हरेज (coverage) अधिक व्यापक झाले आहे, ज्यामध्ये इंटरॲक्टिव्हिटी (interactivity) आणि इनिशिएटिव्हला (initiative) अधिक महत्त्व दिले जात आहे. इनिशिएटिव्ह (Initiative) म्हणजे एआयला (AI) सक्रियपणे ऑपरेशन्स (operations) करण्याची परवानगी देणे. नियम, मानव किंवा वैयक्तिक अनुभवांवर अवलंबून न राहता, जेथे मानवी अनुभवाच्या पातळीने ऑपरेशन्स क्षमतांची (operations capabilities) पातळी निश्चित केली, तिथे आता लाइटर एआय मॉडेलचा (lighter AI models) वापर करून हे थेट साध्य केले जाऊ शकते.

जरी डीपसीकचा (DeepSeek) हॅल्युसिनेशन रेट (hallucination rate) अजूनही जास्त असला तरी, इतर तत्सम मॉडेलपेक्षा (similar models) लक्षणीयरीत्या वेगळा नाही, तरी त्याची रिझनिंग (reasoning) आणि व्यावहारिक ॲप्लिकेशन क्षमता (practical application capabilities) हॅल्युसिनेशनच्या (hallucination) नकारात्मक प्रभावांना कमी करू शकतात. ही समस्या हळूहळू फाइन-ट्यूनिंग (fine-tuning) आणि आरएजी (RAG) आणि इतर संबंधित तंत्रज्ञानाचा वापर करून ऑप्टिमायझेशनद्वारे (optimization) सुधारली जाईल.

अलीबाबाचे (Alibaba) मोठे मॉडेल तंत्रज्ञान तज्ञ गाओ पेंग (Gao Peng) यांचा असा विश्वास आहे की डीपसीकचा (DeepSeek) प्रभाव मोठ्या आणि लहान कंपन्यांसाठी बदलतो:

अलीबाबाद्वारे (Alibaba) अंतर्गतरित्या वापरली जाणारी मोठी मॉडेल (large model) नेहमीच उद्योगात सर्वात प्रगत राहिली आहेत, त्यामुळे डीपसीकच्या (DeepSeek) उदयानंतर त्याचा महत्त्वपूर्ण परिणाम झाला नाही. अलीबाबा (Alibaba) डीपसीकचा (DeepSeek) वापर कार्यप्रदर्शन मूल्यांकन (performance evaluation) आणि तुलना करण्यासाठी करते, जे अधिक तांत्रिक प्रेरणा देते. रिझनिंगमध्ये (Reasoning) डीपसीकची (DeepSeek) अंमलबजावणी तुलनेने जलद आहे आणि तांत्रिक तपशील अधिक सामान्य आहेत. डीपसीक (DeepSeek) क्वेननेही (Qianwen) प्रभावित झाले आहे.

याउलट, डीपसीकचा (DeepSeek) लहान आणि मध्यम आकाराच्या कंपन्यांवर अधिक प्रभाव पडतो, कारण यापूर्वी असे कोणतेही मॉडेल नव्हते, जे कमी खर्चात, खाजगीरित्या उपयोजन (private deployment) करून डीपसीकचा (DeepSeek) प्रभाव साध्य करू शकतील. डीपसीक (DeepSeek) रिलीज झाल्यानंतर, डीपसीक इंटिग्रेटेड मशीन (DeepSeek integrated machines) विकणाऱ्या अनेक कंपन्या उदयास आल्या आहेत. तथापि, डीपसीक (DeepSeek) अनेक ओपन-सोर्स मॉडेल इंटिग्रेटेड मशीनच्या (open-source model integrated machines) तुलनेत सर्वात स्वस्त नाही, हे विशिष्ट मानकांवर अवलंबून असते.

असो, देशांतर्गत ओपन-सोर्स मोठे मॉडेल (domestic open-source large model) आता वाढत आहे आणि जागतिक स्तरावर स्पर्धा करू शकते. तथापि, पिंग एन इन्शुरन्सच्या (Ping An Insurance) मोठ्या मॉडेलच्या (large model) अंमलबजावणीवर आधारित, झांग सेनसेन (Zhang Sensen) यांचा असा विश्वास आहे की ओपन-सोर्स मोठ्या मॉडेलमध्ये (open-source large model) अजूनही काही मर्यादा आहेत, ज्या दूर करणे शक्य नाही:

आमच्यासाठी, डीपसीकचा (DeepSeek) मुख्यत्वे मोठा खर्चिक फायदा आहे. क्षमतांच्या दृष्टीने, ते इतर मॉडेलपेक्षा (model) ऑपरेशन्सच्या (operations) परिस्थितीत रिझनिंग (reasoning), जनरलायझेशन ॲबिलिटी (generalization ability) आणि कॉन्टेक्स्ट्युअल अंडरस्टँडिंगमध्ये (contextual understanding) चांगले असू शकते. तथापि, डीपसीक (DeepSeek) आर्थिक जोखीम नियंत्रणासारख्या (financial risk control) अधिक जटिल परिस्थितीत चांगली कामगिरी करत नाही. याचे कारण असे आहे की अधिक तपशीलवार फाइन-ट्यूनिंग (fine-tuning) किंवा इतर मॉडेलच्या (model) संयोगाने ऑप्टिमायझेशनची (optimization) आवश्यकता आहे. त्यामुळे, मॉडेलचे (model) कार्यप्रदर्शन (performance) अधिक सुधारण्यासाठी विशिष्ट ॲप्लिकेशन परिस्थितीवर (application scenario) आधारित लक्ष्यित फाइन-ट्यूनिंग (fine-tuning) आवश्यक आहे.

पिंग एनच्या (Ping An) स्वतः विकसित केलेल्या मोठ्या मॉडेलचे (large model) दोन स्तरांमध्ये विभाजन केले आहे: अंतर्निहित फाउंडेशन लार्ज मॉडेल (foundation large model) आणि बँकिंग (banking), विमा (insurance) आणि इतर व्यवसायांसाठी जबाबदार असलेले डोमेन मॉडेल (domain model). अंतर्गतरित्या वापरली जाणारी मोठी मॉडेल (large model) व्यावसायिक ज्ञानाच्या क्षेत्रात डीपसीकपेक्षा (DeepSeek) चांगली कामगिरी करतात, विशेषत: वित्त आणि औषध यांसारख्या विशिष्ट क्षेत्रांमध्ये, जिथे मॉडेल अधिक अचूक आहेत. तथापि, डीपसीकचा (DeepSeek) रिझनिंग ॲबिलिटीमध्ये (reasoning ability) अजूनही मोठा फायदा आहे. काही परिस्थितीत, आम्ही डीपसीकचा (DeepSeek) वापर लहान-मोठ्या प्रमाणात करण्याचा प्रयत्न करू इच्छितो, जेणेकरून ते यशस्वीरित्या पार पडेल की नाही, हे पाहता येईल.

या संदर्भात अलीबाबा क्वेनवेन (Alibaba Qianwen), बायडू वेनक्सिन (Baidu Wenxin) आणि झिपु चॅटजीएलएम (Zhipu ChatGLM) आणि डीपसीक (DeepSeek) यांच्यात कोणताही लक्षणीय फरक नाही. हे मॉडेल डीपसीकपेक्षा (DeepSeek) रिझनिंग ॲबिलिटी (reasoning ability) आणि नॉलेज बेस स्ट्रक्चरमध्ये (knowledge base structure) लक्षणीयरीत्या वेगळे नसल्यामुळे हा निष्कर्ष काढण्यात आला आहे.

एकंदरीत, ओपन-सोर्स मोठ्या मॉडेलचा (open-source large model) प्रभाव सध्या मर्यादित आहे आणि त्यांच्यातील स्पर्धेचा वेग तीव्र आहे.

टू सी मार्केटचे धोके

टू बी मार्केटमध्ये (To B market) स्पर्धा तीव्र असली तरी, टू सी (To C) मार्ग अधिक आशादायक आहे, असा याचा अर्थ नाही.

मोठ्या मॉडेलसाठी (large model) टू सी मार्केटमधील (To C market) स्पर्धा देखील खूप तीव्र आहे, परंतु ती टू बी मार्केटपेक्षा (To B market) खूप वेगळी आहे.

बाजारातील परिस्थिती सतत बदलत आहे.

टू सीचे (To C) कमाई करणे कठीण आहे.

सर्वात लोकप्रिय ॲप्लिकेशन्स (applications) सर्वाधिक कमाई करतात, असे नाही. उदाहरणार्थ, चॅटजीपीटीचे (ChatGPT) उत्पन्न सर्वाधिक आहे, परंतु ओपनएआयला (OpenAI) अजूनही दरवर्षी 5 अब्ज डॉलर्सचा (billion dollars) तोटा होतो, तर चॅटजीपीटीचे (ChatGPT) अनेक “कॉपीकॅट” ॲप्लिकेशन्सनी (copycat applications) जलद नफा मिळवला असण्याची शक्यता आहे; डीपसीक (DeepSeek) लोकप्रिय झाल्यानंतर, त्याचे अनुकरण करणारे आणि बनावट (counterfeiters) मोठ्या संख्येने आले.

सी-एंड मार्केटमधील (C-end market) ‘लिटल टायगर्स’ची (Little Tigers) परिस्थिती पाहता ती देखील आशादायक नाही. उद्योग तज्ञांशी झिवेईचे (Zhiwei) झालेले संभाषण असे दर्शवते की मोठ्या उत्पादकांमुळे (manufacturers) अस्तित्वाचा मोठा दबाव निर्माण होईल.

जियांग शाओ (Jiang Shao) यांनी सांगितले की ग्राहक बाजारात ‘लिटल टायगर्स’पैकी (Little Tigers) मूनशॉट एआयचे (Moonshot AI) किमी (Kimi) सर्वात चांगले प्रदर्शन करत आहे. पण आता, टेन्सेंटचे (Tencent) युआनबाओ (Yuanbao) पहिल्या क्रमांकावर, डीपसीक (DeepSeek) दुसऱ्या क्रमांकावर आणि डोउबाओ (Doubao) तिसऱ्या क्रमांकावर आहे. या तीन मोठ्या कंपन्यांनी जवळजवळ बाजारातील बहुतेक हिस्सा व्यापला आहे. टेन्सेंटच्या (Tencent) युआनबाओने (Yuanbao) वीचॅट इकोसिस्टमच्या (WeChat ecosystem) मदतीने मोठ्या संख्येने ग्राहक मिळवले आहेत, तर डीपसीकने (DeepSeek) तांत्रिक नवकल्पना (technical innovation) आणि अनेक परिस्थितींमध्ये उत्कृष्ट कामगिरीमुळे स्वतःची ओळख निर्माण केली आहे.

लियांग हे (Liang He) यांनी सांगितले की किमीचे (Kimi) मोठे मॉडेल तंत्रज्ञान (large model technology) त्याच्या प्रतिस्पर्धकांपेक्षा खूप वेगळे नाही, त्यामुळे ते फक्त विनामूल्य असू शकते, ज्यामुळे मूनशॉटला (Moonshot) व्यावसायिकीकरण करणे खूप कठीण होते. टू सी ॲप्लिकेशन (To C application) म्हणून, ते युआनबाओ (Yuanbao) आणि डोउबाओपेक्षा (Doubao) कसे वेगळे आहे, हे स्पष्ट नाही. शिवाय, डोउबाओला (Doubao) बाइटच्या (Byte) इतर व्यवसायांकडून पाठिंबा मिळू शकतो आणि युआनबाओला (Yuanbao) टेन्सेंटच्या (Tencent) इतर व्यवसायांकडून पाठिंबा मिळू शकतो. ते या ॲप्लिकेशन्सना (applications) पाठिंबा देण्यासाठी 100 अब्ज (billion) गुंतवणूक करू शकतात.

जियांग शाओ (Jiang Shao) यांनी पुढे सांगितले की सी-एंड वापरकर्ते (C-end users) उत्पादनाच्या सुलभतेबद्दल अधिक चिंतित आहेत, ज्यामध्ये टेन्सेंट (Tencent) आणि बाइट (Byte) अधिक चांगले आहेत. अर्थात, अलीबाबाकडेही (Alibaba) संधी आहेत. अलीबाबा (Alibaba) “एआय लिसनिंग” (AI Listening) नावाचे ॲप्लिकेशन (application) तयार करत आहे, जे चॅट (chat) आणि इंटरॲक्शनसाठी (interaction) एआयचा (AI) वापर करते, ज्याचा उद्देश शॉर्ट व्हिडिओ प्लॅटफॉर्ममध्ये (short video platform) डोऊइनला (Douyin) बदलणे आहे. जरी डोऊइन (Douyin) मोठ्या संख्येने निर्मात्यांना उच्च-गुणवत्तेचे (high-quality) साहित्य (content) तयार करण्यासाठी आकर्षित करत असले, तरी एआय चॅट ॲप्लिकेशन्समध्ये (AI chat applications) अधिक वैयक्तिकृत (personalized) आणि इंटरॲक्टिव्ह अनुभव (interactive experience) देऊन वापरकर्त्यांना आकर्षित करण्याची क्षमता आहे. या दोघांमधील फरक म्हणजे साहित्य निर्मिती (content creation) आणि इंटरॲक्शन (interaction). जर अलीबाबा (Alibaba) यात यशस्वी झाला, तर त्याच्याकडे परिस्थिती बदलण्याची संधी आहे, परंतु टेन्सेंटने (Tencent) याचे अनुकरण केल्यास काय होईल, हे सांगणे कठीण आहे.

मिनीमॅक्सबद्दल (MiniMax), उद्योगाची मते थोडी वेगळी आहेत.

लियांग हे (Liang He) यांचा असा विश्वास आहे की मिनीमॅक्सचे (MiniMax) कॉंच एआय (Conch AI) सध्या चांगले उत्पन्न मिळवत आहे. त्यांनी स्वतःचा मार्ग शोधला आहे, परंतु हा मार्ग मिनीमॅक्सला (MiniMax) त्याचे मूल्यांकन पुरेसे वाढवण्यास मदत करेल की नाही, हे अद्याप माहित नाही. ॲप्लिकेशन ओरिएंटेशनमुळे (application orientation) डीपसीक (DeepSeek) बाहेर आल्यानंतर मिनीमॅक्स (MiniMax) अधिक आरामशीर आहे. जर त्यांनी डीपसीकचे (DeepSeek) मॉडेल वापरले, तर ते मॉडेलचे (model) संशोधन आणि विकास खर्च वाचवतील आणि त्यांची ॲप्लिकेशन्स (applications) अधिक पैसे कमवत राहू शकतात.

जियांग शाओ (Jiang Shao) यांचा असा विश्वास आहे की जर मिनीमॅक्स (MiniMax) नंतर एक लोकप्रिय ॲप (app) तयार करू शकला, तर त्याला संधी मिळू शकते, परंतु अलीबाबा (Alibaba) त्याहून पुढे जाऊ शकतो आणि प्रथम लोकप्रिय ॲप (app) तयार करू शकतो, त्यामुळे मिनीमॅक्सला (MiniMax) संधी मिळाली तरी, त्याची शक्यता कमी आहे.

अखेरीस, उत्पादन वेगळेपण (product differentiation) हे अजूनही सी-एंड ॲप्लिकेशन्ससाठी (C-end applications) महत्त्वाचे आहे.

ए16झेडच्या (a16z) नवीनतम अहवालानुसार “टॉप 100 जेन एआय कंझ्युमर ॲप्स” (Top 100 Gen AI Consumer Apps), अनेक कमी-वापर ॲप्लिकेशन्स (low-usage applications) प्रत्यक्षात चांगले उत्पन्न मिळवतात. रोपे ओळखणे (plant identification) आणि पोषण (nutrition) यांसारखी कमी उपयुक्तता असलेली काही उत्पादने (products) सामान्य उत्पादनांपेक्षा अधिक पैसे देणारे वापरकर्ते (paying users) आकर्षित करतात.

सामान्य एआय उत्पादनांमध्ये (general AI products) फरक करणे कठीण आहे. वापरकर्त्यांची (users) पैसे देण्याची इच्छा कमी असते, नफ्याचे चक्र (profit cycle) मोठे असते, त्यामुळे ते मोठ्या कंपन्यांमध्ये टिकू शकत नाहीत.