Whalesbook
V4 మోడల్స్ తో దూకుడు
DeepSeek AI తమ V4 Flash, V4 Pro మోడల్స్ ప్రివ్యూ వెర్షన్లను విడుదల చేసింది. ఇవి AI రంగంలో తమదైన ముద్ర వేసేలా ఉన్నాయి. ముఖ్యంగా, లాజిక్ (Reasoning) సామర్థ్యం, కోడింగ్ బెంచ్మార్క్లలో అద్భుతమైన పనితీరు కనబరుస్తాయని కంపెనీ చెబుతోంది. వీరు ప్రవేశపెట్టిన 'హైబ్రిడ్ అటెన్షన్ ఆర్కిటెక్చర్' (Hybrid Attention Architecture) తో సుదీర్ఘ సంభాషణల్లో కూడా మెరుగైన కాంటెక్స్ట్ రిటెన్షన్ ను అందిస్తాయని, ఒక మిలియన్ టోకెన్ల కాంటెక్స్ట్ లెంగ్త్ వరకు పనిచేస్తాయని తెలిపారు.
AI రేసులో వేగం పెంచుతున్న DeepSeek
గత ఏడాది DeepSeek R1 మోడల్ తో మార్కెట్ లో అలజడి సృష్టించిన సంగతి తెలిసిందే. తక్కువ ఖర్చుతో, మానవ తరహా లాజిక్ ను అనుకరించేలా ఆ మోడల్ ను రూపొందించారు. దీంతో గ్లోబల్ AI ఆధిపత్య పోరు మరింత తీవ్రమైంది. ముఖ్యంగా అమెరికా టెక్ కంపెనీలు 2026 నాటికి డేటా సెంటర్లు, AI ఇన్ఫ్రాస్ట్రక్చర్ కోసం దాదాపు 650 బిలియన్ డాలర్ల పెట్టుబడులు పెట్టనున్నట్లు అంచనాలున్నాయి. చైనాలో కూడా Alibaba, Baidu, ByteDance, Zhipu, Minimax వంటి దిగ్గజాలు తమ ఆఫర్లను వేగంగా అప్డేట్ చేసుకుంటున్నాయి.
అమెరికా పరిశీలన - కారణాలివే
ఒకవైపు టెక్నాలజీలో దూసుకుపోతున్న DeepSeek, మరోవైపు అమెరికా అధికారుల నుండి ఒత్తిడిని ఎదుర్కొంటోంది. DeepSeek తమ మోడల్స్ ను ఇతర AI మోడల్స్ అవుట్పుట్ నుండి నేర్చుకునే 'డిస్టిలేషన్' (Distillation) పద్ధతిలో ట్రైన్ చేస్తుందని ఆరోపణలు వస్తున్నాయి. OpenAI, Anthropic వంటి కంపెనీలు కూడా ఈ పద్ధతులను DeepSeek పనిలో గుర్తించినట్లు చెబుతున్నాయి. అంతేకాకుండా, AI అభివృద్ధికి కీలకమైన, అమెరికా ఎగుమతి ఆంక్షలున్న Nvidia కార్పొరేషన్ (Nvidia Corp.) హార్డ్వేర్ను DeepSeek వినియోగిస్తుందా అనే సందేహాలు కూడా వ్యక్తమవుతున్నాయి. గత సంవత్సరం నుంచే అమెరికా అధికారులు AI చిప్స్ యాక్సెస్ పై దృష్టి సారించారు.