2026-இல் LLM சந்தை எப்படி இரண்டாகப் பிரிகிறது?

ஒரே மாதிரியான AI மாடல்களின் காலம் அதன் எல்லையை எட்டிவிட்டது. கடந்த சில ஆண்டுகளாக, அதிக அளவு பாராமீட்டர்கள் மற்றும் தரவுகள் இருந்தால் மட்டுமே சிறந்த முடிவுகள் கிடைக்கும் என்ற நம்பிக்கையில் தொழில்நுட்ப உலகம் இயங்கி வந்தது. இந்த நம்பிக்கை 2026-இல் உடைந்தது, ஏனெனில் சந்தை இரண்டு முற்றிலும் மாறுபட்ட திசைகளில் பிரியத் தொடங்கியது. இப்போது நாம் பெரிய லாங்குவேஜ் மாடல்களை ஒரே பாதையில் பார்க்கவில்லை. அதற்குப் பதிலாக, ஆழ்ந்த சிந்தனைக்காக வடிவமைக்கப்பட்ட பிரம்மாண்டமான கிளவுட்-அடிப்படையிலான சிஸ்டம்களுக்கும், தனிப்பட்ட ஹார்டுவேரில் இயங்கும் மிகச்சிறிய, அதிவேக மாடல்களுக்கும் இடையே ஒரு பிளவு ஏற்பட்டுள்ளது. இந்த மாற்றம் வெறும் தொழில்நுட்ப அளவீடுகளைப் பற்றியது மட்டுமல்ல; வணிகங்களும் தனிநபர்களும் தங்கள் பணத்தை எப்படிச் செலவிடுகிறார்கள் மற்றும் தங்கள் தரவை எங்கு பாதுகாப்பாக வைத்திருக்கிறார்கள் என்பதைப் பற்றியது. எந்த மாடல் புத்திசாலித்தனமானது என்பதை விட, எந்த மாடல் அந்தந்த வேலைக்கு ஏற்றது என்பதைத் தேர்ந்தெடுப்பதே இப்போது முக்கியம். சமீபத்திய AI தொழில் போக்குகளை புரிந்துகொள்ள விரும்பும் எவருக்கும் இந்த மாற்றத்தைப் புரிந்துகொள்வது அவசியம், ஏனெனில் விளையாட்டின் விதிகள் நிரந்தரமாக மாறிவிட்டன.

பொதுவான மாடல்களின் காலம் முடிவுக்கு வருகிறது

இந்த பிளவின் முதல் பகுதி ‘ஃபிரண்டியர் மாடல்களை’ (frontier models) உள்ளடக்கியது. இவை ஆரம்பகால GPT சிஸ்டம்களின் வாரிசுகள், ஆனால் இவை மிகவும் சிறப்பு வாய்ந்தவையாக பரிணமித்துள்ளன. OpenAI போன்ற நிறுவனங்கள், மையப்படுத்தப்பட்ட சிந்தனை இயந்திரங்களாகச் செயல்படும் மாடல்களை உருவாக்கி வருகின்றன. இந்த சிஸ்டம்கள் மிகப்பெரிய சர்வர் பண்ணைகளில் மட்டுமே இயங்கக்கூடியவை. இவை பல-படிநிலை அறிவியல் ஆராய்ச்சி, மேம்பட்ட கோடிங் ஆர்க்கிடெக்சர் மற்றும் உயர்மட்ட திட்டமிடல் போன்ற சிக்கலான பிரச்சினைகளைக் கையாள வடிவமைக்கப்பட்டுள்ளன. இவை தொழில்துறையின் விலை உயர்ந்த, அதிக ஆற்றல் கொண்ட மூளைகள். இருப்பினும், இந்த பிரம்மாண்டமான மாடல்கள் அனைத்து சாதாரண வேலைகளையும் கவனித்துக்கொள்ளும் என்ற பொதுவான கருத்து யதார்த்தத்திற்கு மாறாக உள்ளது. ஒரு சாதாரண குறிப்பை எழுதவோ அல்லது காலெண்டரை ஒழுங்கமைக்கவோ யாருக்கும் டிரில்லியன் பாராமீட்டர் மாடல் தேவையில்லை. இந்த உணர்தலே சந்தையின் இரண்டாம் பகுதியை உருவாக்கியுள்ளது: அதுதான் ஸ்மால் லாங்குவேஜ் மாடல் (Small Language Model).

ஸ்மால் லாங்குவேஜ் மாடல்கள் அல்லது SLM-கள், 2026-இன் சிறந்த பயன்பாட்டு கருவிகள். இந்த மாடல்கள் மிக எளிமையாக வடிவமைக்கப்பட்டுள்ளன. இவை பெரும்பாலும் பத்து பில்லியன் பாராமீட்டர்களுக்கும் குறைவாகவே கொண்டுள்ளன, இது அவற்றை ஒரு நவீன ஸ்மார்ட்போன் அல்லது லேப்டாப்பில் உள்ளூர் அளவில் இயங்க அனுமதிக்கிறது. ஒரு மாடல் பயனுள்ளதாக இருக்க உலக வரலாற்றைப் பற்றி அனைத்தும் தெரிந்திருக்க வேண்டும் என்ற கருத்திலிருந்து தொழில் துறை விலகிவிட்டது. அதற்குப் பதிலாக, லாஜிக்கல் டிடக்ஷன் (logical deduction) அல்லது தெளிவான உரைநடை போன்ற குறிப்பிட்ட திறன்களில் கவனம் செலுத்தும் உயர்தர, க்யூரேட்டட் தரவுத்தொகுப்புகளில் டெவலப்பர்கள் இந்த சிறிய சிஸ்டம்களுக்குப் பயிற்சி அளிக்கின்றனர். இதன் விளைவாக, மிகக் குறைந்த செலவில் இயங்கும் கருவியே சந்தையில் மிகவும் மதிப்புமிக்கதாக மாறியுள்ளது. இந்த பிளவு, கம்ப்யூட் செலவு மற்றும் தனியுரிமைக்கான அதிகரித்து வரும் தேவையால் தூண்டப்படுகிறது. ஒவ்வொரு கீஸ்ட்ரோக்கையும் கிளவுட் சர்வருக்கு அனுப்புவது மெதுவானது மற்றும் ஆபத்தானது என்பதை பயனர்கள் உணரத் தொடங்கியுள்ளனர்.

இறையாண்மை கொண்ட கம்ப்யூட்டிங்கின் புவிசார் அரசியல்

இந்த சந்தை பிளவு உலகளாவிய அதிகார இயக்கவியலில் ஆழமான தாக்கங்களை ஏற்படுத்துகிறது. சிலிக்கான் வேலியில் உள்ள சில நிறுவனங்களை மட்டுமே நம்பியிருக்க விரும்பாத நாடுகள், ‘இறையாண்மை கொண்ட கம்ப்யூட்டிங்’ (sovereign compute) நோக்கி நகர்கின்றன. ஐரோப்பா மற்றும் ஆசிய நாடுகள் தங்கள் சொந்த மாடல்களை ஹோஸ்ட் செய்ய சொந்த உள்கட்டமைப்புகளில் அதிக முதலீடு செய்கின்றன. முக்கியமான தேசிய தரவுகள் தங்கள் எல்லைகளை விட்டு வெளியேறக்கூடாது என்பதே இதன் நோக்கம். இது ஃபிரண்டியர் மாடல்களின் மிகப்பெரிய ஆற்றல் மற்றும் ஹார்டுவேர் தேவைகளுக்கு நேரடிப் பதிலாகும். மிகப்பெரிய சிஸ்டம்களுக்குத் தேவையான டேட்டா சென்டர்களை ஒவ்வொரு நாட்டாலும் உருவாக்க முடியாது, ஆனால் சிறிய, சிறப்பு வாய்ந்த மாடல்களின் நெட்வொர்க்கை எந்த நாடும் ஆதரிக்க முடியும். இது வெவ்வேறு பிராந்தியங்கள் தங்கள் பொருளாதாரத் தேவைகள் மற்றும் ஒழுங்குமுறை கட்டமைப்புகளுக்கு ஏற்ப வெவ்வேறு ஆர்க்கிடெக்சர்களை ஆதரிக்கும் ஒரு பன்முகத்தன்மை கொண்ட சூழலுக்கு வழிவகுத்துள்ளது.

இந்த மாடல்களுக்கான சப்ளை செயினும் மாறிவருகிறது. பிரம்மாண்டமான மாடல்களுக்கு NVIDIA-வின் சமீபத்திய மற்றும் விலையுயர்ந்த சிப்கள் தேவைப்படும் அதே வேளையில், சிறிய மாடல்கள் நுகர்வோர் தர ஹார்டுவேரில் இயங்க மேம்படுத்தப்படுகின்றன. இது AI வளர்ச்சியின் ஆரம்ப நாட்களில் இல்லாத வகையில் அறிவாற்றலுக்கான அணுகலை ஜனநாயகப்படுத்துகிறது. வளரும் பொருளாதாரத்தில் உள்ள ஒரு ஸ்டார்ட்அப், இப்போது ஒரு சிறிய, ஓப்பன் சோர்ஸ் மாடலை ஃபிரண்டியர் சிஸ்டத்தின் API சந்தாவை விட மிகக் குறைந்த செலவில் ஃபைன்-டியூன் (fine-tune) செய்ய முடியும். இந்த மாற்றம், கிளவுட் கிரெடிட்களில் பெரிய முதலீடு செய்யாமலேயே உள்ளூர் கண்டுபிடிப்புகள் செழிக்க அனுமதிப்பதன் மூலம் டிஜிட்டல் இடைவெளியைக் குறைக்கிறது. இதன் உலகளாவிய தாக்கம், மையப்படுத்தப்பட்ட AI ஏகபோகத்திலிருந்து விலகி, உள்ளூர் மொழிகள் மற்றும் கலாச்சார நுணுக்கங்களை பிரதிபலிக்கும் வகையில் பரவலாக்கப்பட்ட மற்றும் மீள்தன்மை கொண்ட இயந்திர அறிவாற்றல் நெட்வொர்க்கை நோக்கி நகர்வதாகும்.

ஹைப்ரிட் இன்டெலிஜென்ஸ் காலத்தில் ஒரு செவ்வாய்க்கிழமை

இது நடைமுறையில் எப்படிச் செயல்படுகிறது என்பதைப் பார்க்க, 2026-இல் ஒரு நிபுணரின் வழக்கமான நாளைக் கவனியுங்கள். மார்கஸைச் சந்தியுங்கள், அவர் ஒரு நடுத்தர நிறுவனத்தில் மென்பொருள் பொறியாளர். மார்கஸ் தனது நாளைத் தொடங்கும்போது, தனது கோட் எடிட்டரைத் திறக்கிறார். அவர் தனது வழக்கமான பணிகளுக்கு கிளவுட்-அடிப்படையிலான உதவியாளரைப் பயன்படுத்துவதில்லை. அதற்குப் பதிலாக, மூன்று பில்லியன் பாராமீட்டர் கொண்ட ஒரு சிறிய மாடல் அவரது ஒர்க்ஸ்டேஷனில் உள்ளூர் அளவில் இயங்குகிறது. இந்த மாடல் அவரது நிறுவனத்தின் பிரத்யேக கோட்-பேஸில் (codebase) பயிற்சி அளிக்கப்பட்டுள்ளது. இது நிகழ்நேரத்தில் எந்த தாமதமும் இன்றி பரிந்துரைகளை வழங்குகிறது மற்றும் பிழைகளைத் திருத்துகிறது. மாடல் உள்ளூர் அளவில் இருப்பதால், நிறுவனத்தின் அறிவுசார் சொத்துக்கள் மூன்றாம் தரப்பினருக்கு கசியும் என்று மார்கஸ் கவலைப்பட வேண்டியதில்லை. இது சிறிய மாடலின் செயல்திறன். இது வேகமானது, தனிப்பட்டது மற்றும் கோடிங் போன்ற மீண்டும் மீண்டும் செய்யப்படும் வேலைகளுக்கு மிகவும் பொருத்தமானது. இது இணையத்துடன் இணைக்கப்படாமலேயே அவரது வேலைப்பளுவில் எண்பது சதவீதத்தைக் கையாளுகிறது.

மதியத்திற்குப் பிறகு, மார்கஸ் ஒரு சிக்கலை எதிர்கொள்கிறார். அவர் சிக்கலான தரவு இடம்பெயர்வு மற்றும் உயர்மட்ட பாதுகாப்பு நெறிமுறைகளை உள்ளடக்கிய ஒரு புதிய சிஸ்டம் ஆர்க்கிடெக்சரை வடிவமைக்க வேண்டும். இங்குதான் சந்தை பிளவு தெளிவாகத் தெரிகிறது. அவரது உள்ளூர் மாடல் இந்த உயர்மட்ட ஆர்க்கிடெக்சர் முடிவுகளை எடுக்கும் அளவுக்கு சக்தி வாய்ந்ததாக இல்லை. மார்கஸ் ஒரு ஃபிரண்டியர் மாடலுக்கு மாறுகிறார். அவர் தனது குறிப்பிட்ட தேவைகளை ஒரு பாதுகாப்பான கிளவுட் இன்ஸ்டன்ஸில் பதிவேற்றுகிறார். ஒவ்வொரு குவரிக்கும் (query) அதிக செலவாகும் இந்த சிஸ்டம், ஆயிரக்கணக்கான தோல்வி புள்ளிகளை பகுப்பாய்வு செய்து ஒரு வலுவான திட்டத்தை பரிந்துரைக்கிறது. மார்கஸ் முப்பது நிமிட ஆழ்ந்த வேலைக்காக இந்த விலை உயர்ந்த, அதிக ஆற்றல் கொண்ட மாடலைப் பயன்படுத்துகிறார், பின்னர் செயல்படுத்தலுக்கு மீண்டும் தனது உள்ளூர் மாடலுக்கு மாறுகிறார். இந்த ஹைப்ரிட் பணிப்பாய்வு சட்ட சேவைகள் முதல் மருத்துவ ஆராய்ச்சி வரை ஒவ்வொரு துறையிலும் தரநிலையாக மாறி வருகிறது.

மருத்துவத் துறையில், ஒரு மருத்துவர் ஆலோசனை நேரத்தில் நோயாளியின் குறிப்புகளைச் சுருக்க ஒரு உள்ளூர் மாடலைப் பயன்படுத்தலாம். இது முக்கியமான சுகாதாரத் தரவு கிளினிக்கின் தனிப்பட்ட நெட்வொர்க்கிற்குள் இருப்பதை உறுதி செய்கிறது. இருப்பினும், அதே மருத்துவர் ஒரு நோயாளியின் அரிதான அறிகுறிகளை சமீபத்திய உலகளாவிய புற்றுநோய் ஆராய்ச்சியுடன் ஒப்பிட வேண்டியிருந்தால், அவர் ஒரு ஃபிரண்டியர் மாடலை அழைப்பார். இந்த பிளவு வேகம் மற்றும் ஆழத்திற்கு இடையே ஒரு சமநிலையை அனுமதிக்கிறது. மக்கள் பெரும்பாலும் அன்றாட வாழ்க்கைக்கு பிரம்மாண்டமான மாடல்கள் எவ்வளவு தேவை என்று மிகைப்படுத்திக் கூறுகிறார்கள், அதே நேரத்தில் சிறிய மாடல்கள் எவ்வளவு முன்னேறியுள்ளன என்பதை குறைவாக மதிப்பிடுகிறார்கள். உண்மை என்னவென்றால், 2026-இல் மிகச்சிறந்த முன்னேற்றங்கள் பெரிய மாடல்களைப் பெரிதாக்குவதை விட, சிறிய மாடல்களை புத்திசாலித்தனமாக்குவதிலிருந்தே வந்துள்ளன. இந்த போக்கு AI-ஐ எதிர்கால புதுமையாக இல்லாமல், மின்சாரம் அல்லது அதிவேக இணையம் போன்ற ஒரு பொதுவான பயன்பாடாக உணர வைக்கிறது.

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

செயற்கை தர்க்கத்தின் மறைமுக வரி

இந்த பிளவுபட்ட சந்தையில் நாம் மேலும் செல்லும்போது, இந்த தொழில்நுட்பத்தின் நீண்டகால செலவுகள் குறித்து கடினமான கேள்விகளைக் கேட்க வேண்டும். ஒரு முக்கிய கவலை ஃபிரண்டியர் மாடல்களின் சுற்றுச்சூழல் தாக்கம். சிறிய மாடல்கள் திறமையானவை என்றாலும், பிரம்மாண்டமான சிஸ்டம்கள் தொடர்ந்து அதிக அளவு நீர் மற்றும் மின்சாரத்தை நுகர்கின்றன. நாம் நிலையான ஒரு சிஸ்டத்தை உருவாக்குகிறோமா, அல்லது வேகமான மென்பொருளுக்காக நமது சுற்றுச்சூழல் எதிர்காலத்தை விற்கிறோமா? தரவு ஆதாரம் (data provenance) பற்றிய கேள்வியும் உள்ளது. மாடல்கள் மிகவும் சிறப்பு வாய்ந்ததாக மாறும்போது, உயர்தர தரவுகளுக்கான தேவை அதிகரிக்கிறது. இது தரவு ஒரு பொருளைப் போல வாங்கப்பட்டு விற்கப்படும் ஒரு ரகசிய சந்தைக்கு வழிவகுத்துள்ளது. இந்த சிஸ்டம்களுக்குப் பயிற்சி அளிக்கும் தகவலுக்கு உண்மையான உரிமையாளர் யார்? ஒரு மாடல் இணையத்தின் கூட்டு அறிவில் பயிற்சி அளிக்கப்பட்டால், அந்த மாடலின் நன்மைகள் ஒரே ஒரு நிறுவனத்திற்குச் சொந்தமானதா?

தர்க்க ரீதியான சைலோக்களின் (logic silos) அபாயத்தையும் நாம் கருத்தில் கொள்ள வேண்டும். ஒரு நிறுவனம் தனது சொந்த தரவுகளில் பயிற்சி அளிக்கப்பட்ட ஒரு சிறிய, உள்ளூர் மாடலை மட்டுமே நம்பியிருந்தால், அது புதுமைப்படுத்தும் திறனை இழக்கிறதா? இந்த சிறப்பு வாய்ந்த சிஸ்டம்கள், AI நிறுவனம் ஏற்கனவே அறிந்ததை மட்டுமே வலுப்படுத்தும் ஒரு எதிரொலி அறைகளை (echo chambers) உருவாக்கும் அபாயம் உள்ளது. மேலும், ஃபிரண்டியர் மாடல்களை வாங்கக்கூடியவர்களுக்கும் முடியாதவர்களுக்கும் இடையே உள்ள பிளவு, புதிய வகை தகவல் சமத்துவமின்மையை உருவாக்கலாம். MIT Technology Review-இன் படி, மிகவும் மேம்பட்ட சிஸ்டம்களுக்குப் பயிற்சி அளிப்பதற்கான செலவு ஒவ்வொரு சில மாதங்களுக்கும் இரட்டிப்பாகிறது. இது மிகவும் செல்வந்த நாடுகள் மற்றும் நிறுவனங்கள் மட்டுமே உயர்மட்ட இயந்திர அறிவாற்றலைப் பெறும் எதிர்காலத்திற்கு வழிவகுக்கும். உள்ளூர் AI-இன் வசதி உலகளாவிய அறிவின் சாத்தியமான துண்டாக்கத்திற்கு மதிப்புள்ளதா என்று நாம் கேட்க வேண்டும்.

ஹூட்டின் கீழ் உள்ள சிலிக்கான்

பவர் யூசர்களுக்கு, சந்தையில் உள்ள பிளவு தொழில்நுட்ப கட்டுப்பாடுகள் மற்றும் வரிசைப்படுத்தல் உத்திகளால் வரையறுக்கப்படுகிறது. மிக முக்கியமான மாற்றம் உள்ளூர் இன்ஃபரன்ஸ் (local inference) நோக்கிய நகர்வு ஆகும். vLLM மற்றும் llama.cpp போன்ற கருவிகள், முன்பு குறைந்த திறன் கொண்டதாகக் கருதப்பட்ட ஹார்டுவேரில் அதிநவீன மாடல்களை இயக்குவதை சாத்தியமாக்கியுள்ளன. இது குவாண்டிசேஷன் (quantization) மூலம் அடையப்படுகிறது, இது நினைவகத்தைச் சேமிக்க மாடலின் எடைகளின் துல்லியத்தைக் குறைக்கும் ஒரு செயல்முறையாகும். முதலில் 40GB VRAM தேவைப்பட்ட ஒரு மாடல், இப்போது துல்லியத்தில் குறைந்த இழப்புடன் 12GB-இல் இயங்க முடியும். இது டெவலப்பர்களுக்கான பணிப்பாய்வுகளை மாற்றியுள்ளது, அவர்கள் இப்போது தங்கள் உள்ளூர் சூழல்களுக்கு 4-பிட் அல்லது 8-பிட் குவாண்டிஸ்டு மாடல்களுக்கு முன்னுரிமை அளிக்கின்றனர். கவனம் இப்போது மூல பாராமீட்டர் எண்ணிக்கையிலிருந்து நுகர்வோர் ஹார்டுவேரில் வினாடிக்கு எத்தனை டோக்கன்கள் (tokens-per-second) செயலாக்கப்படுகிறது என்பதற்கு மாறியுள்ளது.

API வரம்புகள் மற்றும் ரேட் த்ரோட்லிங் (rate throttling) ஆகியவை நிறுவனங்கள் தங்கள் மாடல்களைத் தேர்ந்தெடுப்பதில் ஒரு முக்கிய காரணியாக மாறியுள்ளன. ஃபிரண்டியர் வழங்குநர்கள் பெருகிய முறையில் அடுக்கு அணுகலை (tiered access) நோக்கி நகர்கின்றனர், அங்கு மிகவும் திறன் கொண்ட மாடல்கள் அதிக பணம் செலுத்தும் நிறுவன வாடிக்கையாளர்களுக்காக ஒதுக்கப்படுகின்றன. இது சிறிய ஸ்டார்ட்அப்களை உள்ளூர்-முதல் (local-first) உத்தியை ஏற்கத் தள்ளியுள்ளது. அவர்கள் தங்கள் செயலாக்கத்தின் பெரும்பகுதிக்கு உள்ளூர் மாடல்களைப் பயன்படுத்துகிறார்கள் மற்றும் முற்றிலும் தேவைப்படும்போது மட்டுமே விலையுயர்ந்த API-களை அணுகுகிறார்கள். இதற்கு ப்ராம்ப்ட்டின் (prompt) சிரமத்தின் அடிப்படையில் மிகவும் திறமையான மாடலுக்கு பணிகளை அனுப்பக்கூடிய ஒரு சிக்கலான ஆர்கெஸ்ட்ரேஷன் லேயர் தேவைப்படுகிறது. உள்ளூர் சேமிப்பகமும் மீண்டும் பிரபலமாகி வருகிறது. கிளவுட்-அடிப்படையிலான வெக்டர் டேட்டாபேஸ்களை நம்புவதற்குப் பதிலாக, பல பயனர்கள் இப்போது உள்ளூர் RAG (Retrieval-Augmented Generation) சிஸ்டம்களை இயக்குகின்றனர். இது அந்தத் தரவை மூன்றாம் தரப்பினருக்கு அனுப்பாமலேயே தங்கள் சொந்த ஆவணங்களைத் தேடவும் மாடல்களுக்கு சூழலை வழங்கவும் அனுமதிக்கிறது. சந்தையின் கீக் பிரிவு இப்போது யாருக்கு மிகப்பெரிய மாடல் உள்ளது என்பதில் அல்ல, யாருக்கு மிகவும் திறமையான ஸ்டாக் (stack) உள்ளது என்பதில் தான் ஆர்வமாக உள்ளது.

தேர்வின் புதிய தர்க்கம்

LLM சந்தையில் ஏற்பட்டுள்ள இந்த பிளவு முதிர்ச்சியின் அறிகுறியாகும். ஒவ்வொரு புதிய மாடலும் விமர்சனமற்ற வியப்புடன் வரவேற்கப்பட்ட தேனிலவு காலத்தை நாம் கடந்துவிட்டோம். இன்று, பயனர்கள் அதிக சந்தேகத்துடனும் நடைமுறை ரீதியாகவும் உள்ளனர். ஒரு மாடல் தங்கள் நேரத்தைச் சேமிக்குமா மற்றும் அது அவர்களின் தனியுரிமையைப் பாதுகாக்குமா என்பதை அவர்கள் அறிய விரும்புகிறார்கள். பிரம்மாண்டமான கிளவுட் இன்ஜின்களுக்கும் எளிமையான உள்ளூர் மாடல்களுக்கும் இடையே உள்ள வேறுபாடு இந்த கோரிக்கைகளுக்கான பதிலாகும். அறிவாற்றல் என்பது ஒரே ஒரு விஷயம் அல்ல, அது சரியான சூழலுக்குப் பொருத்தப்பட வேண்டிய திறன்களின் நிறமாலை என்பதை இது அங்கீகரிக்கிறது. இந்த பிளவைச் சரியாகக் கையாளுபவர்களே வெற்றி பெறுவார்கள்; வியூகத்திற்கு பிரம்மாண்டமான மாடல்களையும், செயல்பாட்டிற்கு சிறிய மாடல்களையும் பயன்படுத்தும் நிறுவனங்களே முன்னணியில் இருக்கும். இந்த இரண்டு வகையான மாடல்களுக்கு இடையே உள்ள இடைவெளி தொடர்ந்து அதிகரிக்குமா அல்லது ஒரு புதிய தொழில்நுட்ப முன்னேற்றம் அவற்றை மீண்டும் இணைக்குமா என்பதுதான் இப்போதைய கேள்வி. இப்போதைக்கு, சந்தை தனது பக்கத்தைத் தேர்ந்தெடுத்துக் கொண்டிருக்கிறது, மேலும் சிறப்பு வாய்ந்த மாடல்களின் காலம் உண்மையிலேயே வந்துவிட்டது.

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.