DeepSeek, Perplexity மற்றும் AI உலகின் புதிய சவால்கள் 2026

விலையுயர்ந்த செயற்கை நுண்ணறிவு (AI) ஏகபோகத்தின் காலம் முடிவுக்கு வருகிறது. கடந்த இரண்டு ஆண்டுகளாக, உயர்தர செயல்பாட்டிற்கு பில்லியன் கணக்கான டாலர்கள் மதிப்புள்ள கம்ப்யூட்டிங் மற்றும் மிகப்பெரிய ஆற்றல் நுகர்வு அவசியம் என்ற நம்பிக்கையிலேயே இந்தத் துறை இயங்கி வந்தது. ஆனால், DeepSeek மற்றும் Perplexity ஆகிய நிறுவனங்கள், வெறும் அளவை விட செயல்திறனே முக்கியம் என்பதை நிரூபித்து வருகின்றன. DeepSeek, சந்தையில் உள்ள முன்னணி நிறுவனங்களுக்கு இணையான செயல்திறனை, மிகக் குறைந்த பயிற்சிச் செலவில் வழங்கி அனைவரையும் வியப்பில் ஆழ்த்தியுள்ளது. அதே நேரத்தில், Perplexity இணையத்தில் நாம் தகவல்களைத் தேடும் முறையையே மாற்றியமைக்கிறது; பாரம்பரியமான லிங்க் பட்டியல்களுக்குப் பதிலாக, நேரடியாக மேற்கோள்களுடன் கூடிய பதில்களை வழங்குகிறது. இந்த மாற்றம் வெறும் புதிய கருவிகளைப் பற்றியது மட்டுமல்ல, இது நுண்ணறிவின் பொருளாதாரத்தையே மாற்றும் ஒரு அடிப்படை மாற்றமாகும். ஒரு மாடல் எவ்வளவு பெரியதாக இருக்க முடியும் என்பதிலிருந்து, அதை இயக்குவதற்கு எவ்வளவு குறைந்த செலவாகும் என்பதில் கவனம் மாறியுள்ளது. இந்த புதிய போட்டியாளர்கள் வளர்ந்து வரும் நிலையில், சந்தையில் உள்ள ஜாம்பவான்கள் தங்கள் லாபகரமான வணிக மாதிரிகளைப் பாதுகாக்க வேண்டிய கட்டாயத்தில் உள்ளனர்.

நுண்ணறிவுச் சந்தையில் செயல்திறன் புரட்சி

DeepSeek, AI உலகின் தயாரிப்பு யதார்த்தத்தில் ஒரு மாற்றத்தைக் கொண்டுவந்துள்ளது. பல நிறுவனங்கள் மிகப்பெரிய நியூரல் நெட்வொர்க்குகளை உருவாக்குவதில் கவனம் செலுத்தும்போது, இந்த குழு அதன் கட்டமைப்பு மேம்பாட்டில் (architectural optimization) கவனம் செலுத்தியது. அவர்களின் DeepSeek-V3 மாடல், ‘Mixture of Experts’ அணுகுமுறையைப் பயன்படுத்துகிறது, இது எந்தவொரு பணிக்கும் தேவையான அளவுருக்களில் ஒரு சிறிய பகுதியை மட்டுமே செயல்படுத்துகிறது. இது, ஒவ்வொரு வார்த்தையை உருவாக்கும்போதும் தேவைப்படும் கம்ப்யூட்டிங் ஆற்றலை பெருமளவு குறைத்து, அதே சமயம் உயர் செயல்திறனைத் தக்கவைக்க உதவுகிறது. இந்த நிறுவனத்தைப் பற்றிய செய்திகள் பெரும்பாலும் அதன் குறைந்த பயிற்சி பட்ஜெட்டைச் சுற்றியே உள்ளன, இது ஆறு மில்லியன் டாலர்களுக்கும் குறைவு என்று கூறப்படுகிறது. இந்தத் தொகை, உலகின் பெரும் பணக்கார நாடுகள் மற்றும் நிறுவனங்களால் மட்டுமே சிறந்த மாடல்களை உருவாக்க முடியும் என்ற கருத்தை உடைக்கிறது. உயர்நிலை மெஷின் லேர்னிங் துறையில் நுழைவதற்கான தடையானது, நாம் நினைத்ததை விட மிகக் குறைவு என்பதையே இது காட்டுகிறது.

Perplexity, பயனர் இடைமுகத்தின் (user interface) கண்ணோட்டத்தில் இந்தப் பிரச்சினையை அணுகுகிறது. இது ஒரு பாரம்பரிய தேடுபொறி (search engine) அல்ல, இது ஒரு ‘பதில் இயந்திரம்’ (answer engine). இது ஏற்கனவே உள்ள பெரிய லாங்குவேஜ் மாடல்களைப் பயன்படுத்தி, நேரடி இணையத்தை ஸ்கேன் செய்து, தொடர்புடைய தகவல்களைப் பிரித்தெடுத்து, அடிக்குறிப்புகளுடன் கூடிய ஒரு முழுமையான பத்தியாக வழங்குகிறது. இந்த வடிவமைப்பு, சாதாரண AI மாடல்களின் பலவீனமான காலாவதியான அல்லது தவறான தகவல்களைத் தரும் சிக்கலைத் தீர்க்கிறது. ஒவ்வொரு பதிலையும் நிகழ்நேர இணையத் தரவுகளுடன் இணைப்பதன் மூலம், Perplexity ஒரு சாதாரண சாட்போட்டை விட தொழில்முறை ஆராய்ச்சிக்கு மிகவும் நம்பகமான கருவியாக மாறியுள்ளது. இதன் தயாரிப்பு என்பது வெறும் மாடல் மட்டுமல்ல, அதைச் சுற்றியுள்ள மீட்பு மற்றும் மேற்கோள் அமைப்பும் ஆகும். இந்த அணுகுமுறை, பயனர்கள் பல பக்கங்களில் கிளிக் செய்வதன் மூலம் வரும் விளம்பர வருவாயைச் சார்ந்திருக்கும் பாரம்பரிய தேடல் நிறுவனங்களுக்கு பெரும் அழுத்தத்தை அளிக்கிறது.

ஒரு பயனர் முதல் முயற்சியிலேயே பதிலைப் பெற்றுவிட்டால், அவர்கள் ஸ்பான்சர் செய்யப்பட்ட லிங்க்களையோ அல்லது குழப்பமான இணையதளங்களையோ பார்க்க வேண்டிய அவசியமில்லை. இது கருவியின் பயன்பாட்டிற்கும், இணையத்தின் தற்போதைய பொருளாதார அமைப்பிற்கும் இடையே நேரடி மோதலை உருவாக்குகிறது.

மலிவான கம்ப்யூட்டிங்கின் புவிசார் அரசியல்

இந்த போட்டியாளர்களின் உலகளாவிய தாக்கம், உயர் செயல்திறன் கொண்ட இன்ஃபரன்ஸ் (inference) ஜனநாயகப்படுத்தப்பட்டதில் உள்ளது. ஒரு மாடலை இயக்கும் செலவு தொண்ணூறு சதவீதம் குறையும் போது, அன்றாட மென்பொருளில் அதை ஒருங்கிணைப்பதற்கான வாய்ப்பு பல மடங்கு அதிகரிக்கிறது. முன்னதாக விலையுயர்ந்த API-களைப் பயன்படுத்த முடியாமல் இருந்த வளர்ந்து வரும் சந்தைகளில் உள்ள டெவலப்பர்கள், இப்போது அதிநவீன அப்ளிகேஷன்களை உருவாக்க முடியும். இது முழுத் துறையின் ஈர்ப்பு மையத்தையே மாற்றுகிறது. மிகவும் திறமையான மாடல்கள் சிலிக்கான் வேலிக்கு வெளியே இருந்து வரும்போது, மிகப்பெரிய சர்வர் பண்ணைகளின் மூலோபாய நன்மை குறையத் தொடங்குகிறது. இது மாடல் இறையாண்மை பற்றியும், நாடுகள் சில மையப்படுத்தப்பட்ட வழங்குநர்களைச் சார்ந்திருக்க வேண்டுமா அல்லது தங்கள் சொந்த திறமையான கட்டமைப்புகளில் முதலீடு செய்ய வேண்டுமா என்பது பற்றியும் விவாதிக்க வைக்கிறது. இது கவனிக்க வேண்டிய ஒரு சிக்னல், ஏனெனில் இது ‘வெற்றியாளரே அனைத்தையும் பெறுவார்’ என்ற நிலையிலிருந்து, மிகவும் துண்டிக்கப்பட்ட மற்றும் போட்டி நிறைந்த சந்தையை நோக்கித் துறையை நகர்த்துகிறது.

நிறுவனங்கள் தங்கள் லாபத்தில் இந்த மாற்றத்தை உணரத் தொடங்கியுள்ளன. குறைந்த செலவில் இன்ஃபரன்ஸ் என்ற கதை, நிறுவனங்கள் தங்கள் நீண்டகால தொழில்நுட்பத் திட்டங்களை மாற்றியமைக்கச் செய்கிறது. DeepSeek போன்ற ஒரு மாடல், விலையுயர்ந்த போட்டியாளரின் செயல்திறனில் எண்பது சதவீதத்தை, பத்தில் ஒரு பங்கு விலையில் வழங்க முடிந்தால், பெரும்பாலான வழக்கமான பணிகளுக்கு அதிக விலை கொண்ட விருப்பத்தேர்வு தேவையற்றதாகிவிடும். இது ஒரு அடுக்கு சந்தையை உருவாக்குகிறது, அங்கு மிகவும் விலையுயர்ந்த மாடல்கள் சிக்கலான காரணங்களுக்காகவும், பெரும்பாலான வேலைகள் திறமையான போட்டியாளர்களாலும் கையாளப்படுகின்றன. இந்த பொருளாதார யதார்த்தம் விளம்பர உலகையும் பாதிக்கிறது. Perplexity, விளம்பரங்கள் தேடல் செயல்முறையிலிருந்து திசைதிருப்பாமல், அதனுடன் ஒருங்கிணைக்கப்படும் ஒரு மாதிரியைப் பரிசோதிக்கிறது. மக்கள் முகப்புப் பக்கங்களுக்குச் செல்லாத அல்லது தேடல் முடிவுகளை ஸ்க்ரோல் செய்யாத காலத்தில், பிராண்டுகள் நுகர்வோரை எப்படிச் சென்றடைவது என்பதை இது மறுவரையறை செய்யலாம். ஒரு API-ஐத் தேர்ந்தெடுக்கும் மென்பொருள் பொறியாளர் முதல், உடனடி பதில்கள் நிறைந்த உலகில் பார்வையாளர்களைக் கண்டறிய முயற்சிக்கும் மார்க்கெட்டிங் நிர்வாகி வரை அனைவரும் இதன் தாக்கத்தை உணர்கின்றனர்.

பதில் இயந்திரங்களுடன் ஒரு செவ்வாய்க்கிழமை

நிஜ உலக தாக்கத்தைப் புரிந்துகொள்ள, சாரா என்ற நிதி ஆய்வாளரின் ஒரு நாளைக் கவனியுங்கள். கடந்த காலத்தில், சாரா சந்தை நகர்வுகள் மற்றும் செய்தி அறிக்கைகளைச் சரிபார்க்க பத்து வெவ்வேறு டேப்களைத் திறந்து தனது நாளைத் தொடங்குவார். அவர் தரவுகளை ஒரு காலைச் சுருக்கமாக மாற்ற மணிக்கணக்கில் செலவிடுவார். இன்று, அவர் பல ஆதாரங்களில் இருந்து குறிப்பிட்ட தரவுப் புள்ளிகளை ஒரே நேரத்தில் வினவ ஒரு பதில் இயந்திரத்தைப் பயன்படுத்துகிறார். அவர் மூன்று வெவ்வேறு காலாண்டு அறிக்கைகளை ஒப்பிட்டுப் பார்க்கச் சொல்லி, சில நொடிகளில் மேற்கோள்களுடன் கூடிய சுருக்கத்தைப் பெறுகிறார். சிஸ்டம் நேரடியாக மூல உரையிலிருந்து தகவல்களை எடுப்பதால், அவர் பெறும் தரவு துல்லியமானது. அவர் தகவல்களைத் தேடுவதில் நேரத்தைச் செலவிடுவதில்லை. அவர் அதைச் சரிபார்ப்பதிலும், அதன் அடிப்படையில் முடிவுகளை எடுப்பதிலும் நேரத்தைச் செலவிடுகிறார். இது தேடல் விநியோகக் கதையின் செயல்பாடு. இடைமுகம் ஆராய்ச்சியாளராக மாறியுள்ளது, சாரா எடிட்டராக மாறியுள்ளார். அவரது பணிப்பாய்வு வேகமானது, ஆனால் அது இயந்திரம் வழங்கும் மேற்கோள்களின் துல்லியத்தை அதிகம் சார்ந்திருக்கிறது.

நாளின் பிற்பகுதியில், சாரா தரவு உள்ளீட்டுப் பணியை தானியக்கமாக்க ஒரு கஸ்டம் ஸ்கிரிப்டை எழுத வேண்டும். பிரீமியம் கட்டணம் வசூலிக்கும் பொதுவான உதவியாளரைப் பயன்படுத்துவதற்குப் பதிலாக, DeepSeek போன்ற ஒரு போட்டியாளரின் பிரத்யேக கோடிங் மாடலைப் பயன்படுத்துகிறார். அந்த மாடல் உடனடியாக குறியீட்டை வழங்குகிறது, மேலும் இன்ஃபரன்ஸ் செலவு மிகக் குறைவாக இருப்பதால், பட்ஜெட் பற்றி கவலைப்படாமல் நாள் முழுவதும் ஆயிரக்கணக்கான சிறிய பணிகளுக்கு அதைப் பயன்படுத்த அவரது நிறுவனம் அனுமதிக்கிறது. மாடல் சந்தை இப்படித்தான் மாறுகிறது. இது ஒரு விலைமதிப்பற்ற வளமாக இல்லாமல், பின்னணி பயன்பாடாக (background utility) மாறி வருகிறது. சாரா மூன்று நாட்களாக ஒரு சாதாரண தேடல் பட்டியைப் பயன்படுத்தவில்லை என்பதை உணரும்போது, பாரம்பரிய தேடல் நடத்தையின் மீதான அழுத்தம் தெளிவாகிறது. கட்டமைக்கப்பட்ட ஆவணத்தைப் பெறும்போது அவருக்கு லிங்க் பட்டியல்கள் தேவையில்லை. பின்வரும் புள்ளிகள் அவரது அன்றாட வழக்கத்தில் ஏற்பட்ட மாற்றத்தை விளக்குகின்றன:

• சாரா கைமுறையாகச் செய்திகளைத் தொகுப்பதற்குப் பதிலாக, நிகழ்நேரத்தில் புதுப்பிக்கப்படும் தானியங்கி மேற்கோள் சுருக்கங்களைப் பயன்படுத்துகிறார்.
• முன்பு தானியக்கமாக்க அதிக செலவு தேவைப்பட்ட மீண்டும் மீண்டும் செய்யப்படும் கோடிங் பணிகளுக்கு அவர் குறைந்த விலை மாடல்களைப் பயன்படுத்துகிறார்.
• நேரடி பதில்களில் அதிக மதிப்பைக் காண்பதால், விளம்பர ஆதரவுள்ள பாரம்பரிய தேடுபொறிகளின் மீதான அவரது நம்பிக்கை கிட்டத்தட்ட பூஜ்ஜியமாகக் குறைகிறது.
• சேமிக்கப்பட்ட நேரம், தரவுகளைத் தேடுவதற்குப் பதிலாக உயர்மட்ட உத்தி மற்றும் வாடிக்கையாளர் உறவுகளில் கவனம் செலுத்த அவருக்கு உதவுகிறது.

இலவச நுண்ணறிவின் மறைமுக விலை

இந்த செயல்திறனுக்குப் பதிலாக நாம் எதை இழக்கிறோம் என்று கேட்பது சாக்ரடிக் சந்தேகம் (Socratic skepticism) நமக்குக் கற்பிக்கிறது. ஒரு மாடலை உருவாக்கவும் இயக்கவும் கணிசமாகக் குறைந்த செலவாகிறது என்றால், அந்தச் சேமிப்பு எங்கிருந்து வந்தது? அதிக விலை கொண்ட மாடல்களுக்கு இணையாக இந்தத் திறமையான மாடல்களைப் பயிற்றுவிக்கப் பயன்படுத்தப்பட்ட தரவுகள் அதே அளவிலான ஆய்வுக்கு உட்படுத்தப்பட்டதா என்று நாம் கேட்க வேண்டும். விலையைக் குறைக்கும் போட்டியில், தரவு தனியுரிமை மற்றும் அறிவுசார் சொத்துரிமைகள் பாதிக்கப்பட வாய்ப்புள்ளது. ஒரு நிறுவனம் தனது மாடலுக்கு அதிக கட்டணம் வசூலிக்கவில்லை என்றால், பயனர்கள் அதில் பதிவேற்றும் தரவுகளை அது பணமாக்குகிறதா? பதில் இயந்திர மாதிரியின் மறைமுகச் செலவையும் நாம் கருத்தில் கொள்ள வேண்டும். Perplexity ஒரு இணையதளத்தைச் சுருக்கமாகக் கூறும்போது, அந்த இணையதளம் ஒரு பார்வையாளரை இழக்கிறது. அசல் உள்ளடக்கத்தை உருவாக்கியவர்களுக்கு இழப்பீடு வழங்கப்படாவிட்டால், இந்த இயந்திரங்கள் நம்பியிருக்கும் தகவலே இறுதியில் மறைந்துவிடக்கூடும். வாசகர்கள் மூல ஆதாரத்தைப் பார்வையிடவில்லை என்றால், 2026 இன் இதழியல் மற்றும் ஆராய்ச்சிக்கான நிதியை யார் வழங்குவார்கள்?

மற்றொரு கடினமான கேள்வி இந்த மெலிந்த கட்டமைப்புகளின் நம்பகத்தன்மை பற்றியது. ‘Mixture of Experts’ அணுகுமுறை கண்டறிய கடினமான புதிய வகை பிழைகளை உருவாக்குகிறதா? வேகத்திற்காக நாம் ஆழத்தை இழக்கிறோமா என்று கேட்க வேண்டும். பயனர்கள் அசல் சூழலைச் சரிபார்க்காமல் சுருக்கப்பட்ட மேற்கோள்களை மட்டுமே அதிகம் சார்ந்திருக்கும் ஆபத்து உள்ளது. இது சிக்கலான தலைப்புகளைப் பற்றிய மேலோட்டமான புரிதலுக்கு வழிவகுக்கும், அங்கு சுருக்கமான பதிலைத் தேடும் முயற்சியில் நுணுக்கங்கள் இழக்கப்படுகின்றன. பயிற்சிச் செலவுகள் குறித்த கூற்றுகள் குறித்தும் நாம் சந்தேகிக்க வேண்டும். இந்த புள்ளிவிவரங்கள் முழுமையாக வெளிப்படையானவையா, அல்லது அவை மனித உழைப்பின் செலவையும் வன்பொருளின் சுற்றுச்சூழல் தாக்கத்தையும் தவிர்க்கின்றனவா? மலிவான நுண்ணறிவு உலகத்தை நோக்கி நாம் நகரும்போது, நம் வாழ்க்கையில் நாம் ஒருங்கிணைக்கும் அமைப்புகளின் தரம் மற்றும் நெறிமுறைகள் குறித்து விழிப்புடன் இருக்க வேண்டும். புதிய தயாரிப்பு வெளியீட்டின் இரைச்சல், அதன் நீண்டகால விளைவுகளின் சிக்னலை மறைத்துவிடக்கூடும்.

புதிய போட்டியாளர்களின் தொழில்நுட்பம்

பவர் பயனர்களுக்கு, இந்த போட்டியாளர்களின் ஈர்ப்பு அவற்றின் தொழில்நுட்ப நெகிழ்வுத்தன்மை மற்றும் ஒருங்கிணைப்பு திறன்களில் உள்ளது. DeepSeek-V3, FP8 துல்லியத்திற்காக மேம்படுத்தப்பட்ட பயிற்சி கட்டமைப்பைப் பயன்படுத்துகிறது, இது துல்லியத்தில் பெரிய இழப்பு இல்லாமல் வேகமான கணக்கீட்டை அனுமதிக்கிறது. இது அவர்களின் செலவுத் திறனை விளக்க உதவும் ஒரு முக்கிய தொழில்நுட்ப மைல்கல். அவர்களின் ‘Multi-head Latent Attention’ பொறிமுறை, இன்ஃபரன்ஸின் போது மாடலின் மெமரி பயன்பாட்டைக் குறைக்கிறது, இது இந்த மாடல்களைத் தங்கள் சொந்த வன்பொருளில் ஹோஸ்ட் செய்ய விரும்பும் டெவலப்பர்களுக்கு ஒரு முக்கியமான காரணியாகும். இந்த புதிய மாடல்களில் பல திறந்த எடைகளுடன் (open weights) வெளியிடப்படுகின்றன, அதாவது அவற்றை உள்ளூரிலோ அல்லது தனியார் கிளவுட் இன்ஸ்டன்ஸ்களிலோ இயக்கலாம். மூன்றாம் தரப்பு API-க்கு முக்கியமான தரவை அனுப்பும் அபாயத்தை எடுக்க முடியாத நிறுவனங்களுக்கு இது ஒரு முக்கிய நன்மையாகும். குறிப்பிட்ட தரவுத்தொகுப்புகளில் இந்த மாடல்களை ஃபைன்-டியூன் (fine-tune) செய்யும் திறன், சட்டம், மருத்துவம் அல்லது நிதித் துறைகளில் உள்ள சிறப்புப் பயன்பாடுகளுக்கு அவற்றின் மதிப்பை மேலும் அதிகரிக்கிறது.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

Perplexity அதன் API மூலம் ஒரு வித்தியாசமான தொழில்நுட்ப மதிப்பை வழங்குகிறது, இது டெவலப்பர்கள் தேடல் திறன்களை நேரடியாகத் தங்கள் சொந்த அப்ளிகேஷன்களில் உருவாக்க அனுமதிக்கிறது. இது தனித்த தேடல் குறியீடு மற்றும் தனித்த மொழி மாடலின் தேவையைத் தவிர்க்கிறது. சிஸ்டம் தானாகவே கிரவுண்டிங் மற்றும் மேற்கோள்களைக் கையாளுகிறது. இருப்பினும், கருத்தில் கொள்ள வேண்டிய வரம்புகள் உள்ளன. API விகித வரம்புகள் மற்றும் நிகழ்நேர இணையத் தேடலின் லேட்டன்சி (latency) ஆகியவை அதிக அளவிலான அப்ளிகேஷன்களுக்கு ஒரு தடையாக இருக்கலாம். பயனர்கள் தேடலின் வேகம் மற்றும் பகுப்பாய்வின் ஆழம் ஆகியவற்றுக்கு இடையேயான சமநிலையை நிர்வகிக்க வேண்டும். தகவல்கள் எங்கிருந்து வந்தன என்பதற்கான தணிக்கை பாதையை பராமரிக்க வேண்டிய பவர் பயனர்களுக்கு, இந்த தேடல் முடிவுகளை உள்ளூரில் சேமிப்பது மற்றொரு கருத்தாகும். பின்வரும் தொழில்நுட்ப காரணிகள் தற்போது இந்தக் கருவிகளுக்கான போட்டித்தன்மையை வரையறுக்கின்றன:

• நீண்ட சூழல் பணிகளின் போது KV கேச் மெமரி பயன்பாட்டைக் குறைக்க ‘Multi-head Latent Attention’ பயன்பாடு.
• நவீன GPU வன்பொருளின் செயல்திறனை அதிகரிக்க FP8 பயிற்சி மற்றும் இன்ஃபரன்ஸிற்கான ஆதரவு.
• ஆயிரக்கணக்கான ஒரே நேரத்தில் நடக்கும் இணைய வினவல்களைக் கையாளக்கூடிய நிகழ்நேர RAG பைப்லைன்களின் ஒருங்கிணைப்பு.
• பாதுகாப்பான சூழல்களில் உள்ளூர் பயன்பாட்டிற்காக திறந்த எடைகளின் இருப்பு.

தேர்ந்தெடுக்கப்பட்ட நுண்ணறிவின் எதிர்காலம்

DeepSeek மற்றும் Perplexity ஆகியவற்றின் எழுச்சி, மிகவும் முதிர்ச்சியடைந்த AI சந்தையின் தொடக்கத்தைக் குறிக்கிறது. பேசக்கூடிய மாடல்களின் புதுமையிலிருந்து, திறமையாக வேலை செய்யக்கூடிய மாடல்களின் பயன்பாட்டிற்கு நாம் நகர்கிறோம். உயர்தர முடிவுகளை நிலையான விலையில் வழங்கக்கூடிய வழங்குநர்களை நோக்கி ஈர்ப்பு மையம் மாறுகிறது. இது தற்போதைய 2026 க்கான ஒரு போக்கு மட்டுமல்ல, டிஜிட்டல் சேவைகளை நாம் உருவாக்கும் மற்றும் பயன்படுத்தும் முறையில் நீண்டகால மாற்றமாகும். இந்த போட்டியாளர்கள் தங்கள் தயாரிப்புகளை மேம்படுத்தும்போது, பாரம்பரிய தேடல் மற்றும் அதிக விலை கொண்ட மாடல் வழங்குநர்கள் மீதான அழுத்தம் அதிகரிக்கும். பயனரைப் பொறுத்தவரை, இது அதிக தேர்வுகள் மற்றும் சிறந்த கருவிகளைக் குறிக்கிறது. தொழில்துறையைப் பொறுத்தவரை, இது முரட்டுத்தனமான கணக்கீட்டை விட பொறியியல் சிறப்பிற்கு மீண்டும் முக்கியத்துவம் அளிப்பதைக் குறிக்கிறது. ஹைப்பின் இரைச்சலுக்கும், தொழில்நுட்பப் பொருளாதாரத்தில் உண்மையான கட்டமைப்பு மாற்றத்தின் சிக்னலுக்கும் இடையே உள்ள வித்தியாசத்தை அறியக்கூடியவர்களே உண்மையான வெற்றியாளர்களாக இருப்பார்கள்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.

ஒரு பிழையைக் கண்டறிந்தீர்களா அல்லது திருத்தப்பட வேண்டிய ஒன்று இருக்கிறதா? எங்களுக்குத் தெரியப்படுத்துங்கள்.