ओपन सोर्स AI अब पहले से कहीं अधिक महत्वपूर्ण है, Hugging Face के Clem Delangue के अनुसार

Anthropic ने अपनी Fable रिलीज को लॉक करने का प्रयास किया। Hugging Face के CEO ने इसे देखा — और वह इस बारे में चुप नहीं रह रहे हैं। Clem Delangue TechCrunch की Equity पॉडकास्ट पर गए ताकि यह तर्क दिया जा सके कि ओपन सोर्स AI अब पहले से कहीं अधिक महत्वपूर्ण है, और उनका तर्क एशिया में अभी काम कर रहे हर डेवलपर के लिए वास्तविक वजन रखता है।

Hugging Face चुपचाप दुनिया के AI विकास के एक महत्वपूर्ण हिस्से के तहत बुनियादी ढांचे की परत बन गया है। इसे AI के लिए GitHub के रूप में सोचें: एक मंच जहां निर्माता ओपन मॉडल, डेटासेट और बीच में सब कुछ साझा और डाउनलोड करते हैं। TechCrunch Equity पॉडकास्ट के अनुसार, Fortune 500 का लगभग आधा हिस्सा अब Hugging Face का उपयोग करता है। यह अब एक आला ओपन-सोर्स प्रोजेक्ट नहीं है — यह महत्वपूर्ण बुनियादी ढांचा है। और Delangue की चिंता सीधी है: यदि कुछ शक्तिशाली कंपनियां उन बुनियादी AI मॉडल को नियंत्रित करती हैं जिन पर सभी निर्भर हैं, तो पूरा इकोसिस्टम कुछ ऐसा खो देता है जो वह आसानी से वापस नहीं पा सकता।

क्या हुआ

Delangue के Equity पर प्रदर्शन के लिए तत्काल ट्रिगर Anthropic की रोकी गई Fable रिलीज थी। जबकि Fable स्थिति के पूर्ण विवरण सीमित रहते हैं, व्यापक पैटर्न जो Delangue वर्णन करते हैं वह AI उद्योग को बारीकी से देखने वाले किसी के लिए परिचित है: एक कंपनी एक शक्तिशाली मॉडल विकसित करती है, फिर निर्णय लेती है — ऐसे कारणों के लिए जो शायद ही कभी पूरी तरह से पारदर्शी होते हैं — इसे प्रतिबंधित या सार्वजनिक पहुंच में देरी करने के लिए। चाहे औचित्य सुरक्षा हो, प्रतिस्पर्धात्मक लाभ हो, या नियामक सावधानी हो, परिणाम समान है। डेवलपर्स जिन्होंने उस मॉडल के चारों ओर वर्कफ़्लो बनाए हैं, अचानक अपने स्वयं के स्टैक पर कम नियंत्रण रखते हैं।

Delangue का प्रति-आख्यान एक पैटर्न पर बनाया गया है जो उन्होंने Hugging Face के उपयोगकर्ता आधार में बार-बार देखा है। कंपनियां अपनी AI यात्रा को सीमांत बंद API पर शुरू करती हैं — यह एक कार्यशील प्रोटोटाइप का सबसे तेज़ मार्ग है। लेकिन जैसे-जैसे वे स्केल करते हैं, अर्थशास्त्र नाटकीय रूप से बदल जाता है। अनुमान लागत बढ़ती है, दर सीमाएं एक वास्तविक परिचालन बाधा बन जाती हैं, और मॉडल को ठीक-ट्यून या निरीक्षण करने में असमर्थता वास्तव में क्या हासिल किया जा सकता है इस पर एक सीमा बनाता है। वह क्षण है, Delangue कहते हैं, जब टीमें ओपन सोर्स मॉडल की ओर माइग्रेट करती हैं। बंद API एक बेहतरीन ऑन-रैंप है; यह एक खराब दीर्घकालिक आधार है।

बातचीत से अधिक आकर्षक डेटा बिंदुओं में से एक: चीनी लैब अब Hugging Face पर डाउनलोड किए जा रहे अधिकांश ओपन मॉडल का उत्पादन कर रहे हैं। यह तकनीकी के रूप में भू-राजनीतिक संकेत है। ओपन AI विकास में गुरुत्वाकर्षण का केंद्र स्थानांतरित हो रहा है, और यह एशिया की ओर स्थानांतरित हो रहा है।

एशिया के लिए यह क्यों महत्वपूर्ण है

दक्षिण पूर्व एशिया, पूर्वी एशिया और दक्षिण एशिया भर में डेवलपर्स और संस्थापकों के लिए, ओपन सोर्स AI आंदोलन केवल दार्शनिक रूप से आकर्षक नहीं है — यह संरचनात्मक रूप से आवश्यक है। एशिया की तकनीकी इकोसिस्टम सिलिकॉन वैली स्टार्टअप की तुलना में बाधाओं के एक अलग सेट के तहत काम करती है जिनके पास US-आधारित उद्यम पूंजी और एंटरप्राइज बिक्री पाइपलाइन तक आसान पहुंच है।

पहले अर्थशास्त्र पर विचार करें। जकार्ता या हो ची मिन्ह सिटी में एक स्टार्टअप OpenAI API क्रेडिट को बड़े पैमाने पर जला रहा है, ऐसे मार्जिन के साथ काम कर रहा है जो अच्छी तरह से वित्त पोषित US समकक्ष के लिए उसी तरह से मौजूद नहीं हैं। ओपन सोर्स मॉडल — स्थानीय बुनियादी ढांचे पर या लागत-कुशल क्लाउड क्षेत्रों पर तैनात — इस समीकरण को मौलिक रूप से बदल देते हैं। अपनी शर्तों पर एक सक्षम मॉडल चलाने की क्षमता, अपने स्वयं के डेटा के लिए ट्यून किया गया, प्रति-टोकन शुल्क के बिना अनिश्चित काल तक बढ़ता है, एक वास्तविक प्रतिस्पर्धात्मक अनलॉक है।

फिर भाषा आयाम है। प्रमुख बंद मॉडल अंग्रेजी के लिए अनुकूलित हैं। वे मंदारिन और जापानी को उचित रूप से संभालते हैं, उपलब्ध प्रशिक्षण डेटा की मात्रा को देखते हुए। लेकिन बहासा इंडोनेशिया, थाई, वियतनामी, तागालोग, बंगाली — ये भाषाएं बंद सीमांत मॉडल द्वारा इस तरह से कम सेवा प्राप्त हैं जो स्थानीय उपयोगकर्ताओं के लिए बनाए गए उत्पादों के लिए बहुत महत्वपूर्ण है। ओपन सोर्स मॉडल को स्थानीय भाषा डेटासेट पर ठीक-ट्यून किया जा सकता है। बंद API बड़े पैमाने पर नहीं कर सकते, या कम से कम उन तरीकों से नहीं जो डेवलपर्स को आउटपुट पर सार्थक नियंत्रण देते हैं।

यह तथ्य कि चीनी लैब Hugging Face पर ओपन मॉडल रिलीज का नेतृत्व कर रहे हैं, सावधानी से पढ़ने के लायक भी है। यह संकेत देता है कि AI में पश्चिमी तकनीकी प्राथमिकता की धारणा पहले से ही पुरानी है। एशियाई डेवलपर्स को एक सक्षम ओपन मॉडल जारी करने के लिए एक US लैब की प्रतीक्षा करने की आवश्यकता नहीं है — ओपन AI के लिए आपूर्ति श्रृंखला तेजी से क्षेत्रीय है। यह उन निर्माताओं के लिए एक संरचनात्मक लाभ है जो ध्यान दे रहे हैं।

AI-native विकास मंच के दृष्टिकोण से, यह बदलाव महत्वपूर्ण है क्योंकि टूलिंग परत को मॉडल परत के साथ विकसित होना चाहिए। जब डेवलपर्स बंद API से स्व-होस्ट किए गए ओपन मॉडल में जाते हैं, तो उन्हें ऐसे बुनियादी ढांचे की आवश्यकता होती है जो मॉडल चयन, तैनाती और एकीकरण की जटिलता को संभालता है, इंजीनियरिंग ओवरहेड के हफ्तों को जोड़े बिना।

डेवलपर्स के लिए इसका क्या मतलब है

Delangue का तर्क एक व्यावहारिक निहितार्थ है जो याद करना आसान है यदि आप ओपन बनाम बंद की विचारधारा पर केंद्रित हैं: डेवलपर्स जो अभी ओपन मॉडल के साथ काम करना सीखते हैं, जैसे-जैसे उद्योग परिपक्व होता है, एक टिकाऊ कौशल लाभ होगा।

ओपन मॉडल के साथ काम करना API को कॉल करने की तुलना में अधिक मांग है। आपको मॉडल क्वांटाइजेशन, अनुमान अनुकूलन, मॉडल परिवारों में संकेत प्रारूपण अंतर, और मॉडल आकार और विलंबता के बीच ट्रेडऑफ को समझने की आवश्यकता है। ये अपरिहार्य चुनौतियां नहीं हैं — ओपन मॉडल के चारों ओर टूलिंग इकोसिस्टम काफी परिपक्व हो गया है — लेकिन उन्हें वास्तविक तकनीकी निवेश की आवश्यकता है।

यह निवेश व्यवहार में कैसा दिखता है:

• मॉडल चयन: हर ओपन मॉडल हर कार्य के लिए सही नहीं है। एक 7B पैरामीटर मॉडल कोड पर ठीक-ट्यून किया गया एक 70B सामान्य मॉडल को विशिष्ट कोडिंग कार्यों पर बेहतर प्रदर्शन करेगा। अपने वास्तविक उपयोग केस के विरुद्ध मॉडल का मूल्यांकन करना सीखना — बेंचमार्क लीडरबोर्ड नहीं — एक मुख्य कौशल है।
• स्थानीय डेटा पर ठीक-ट्यूनिंग: ओपन मॉडल में वास्तविक लाभ ठीक-ट्यून करने की क्षमता है। एशियाई डेवलपर्स के लिए स्थानीय बाजारों के लिए उत्पाद बनाते हुए, इसका मतलब स्थानीय भाषा डेटा, डोमेन-विशिष्ट शब्दावली और सांस्कृतिक रूप से प्रासंगिक उदाहरणों पर प्रशिक्षण देना है। एक थाई ई-कॉमर्स चैटबॉट वास्तविक थाई ग्राहक सेवा बातचीत पर ठीक-ट्यून किया गया उस विशिष्ट कार्य पर किसी भी ऑफ-द-शेल्फ बंद मॉडल को बेहतर प्रदर्शन करेगा।
• तैनाती आर्किटेक्चर: उत्पादन पैमाने पर ओपन मॉडल चलाने के लिए क्वांटाइजेशन (GGUF, AWQ, GPTQ), सेवा फ्रेमवर्क (vLLM, Ollama, TGI) और हार्डवेयर चयन के बारे में निर्णय की आवश्यकता है। इन निर्णयों के महत्वपूर्ण लागत निहितार्थ हैं।
• एकीकरण पैटर्न: ओपन मॉडल को आपके स्टैक के बाकी हिस्से से जुड़ने की आवश्यकता है — डेटाबेस, API, फ्रंटएंड एप्लिकेशन। कनेक्टर्स और एकीकरण पैटर्न जो आप एक ओपन मॉडल के चारों ओर बनाते हैं, अक्सर वह जगह होती है जहां वास्तविक उत्पाद भेदभाव रहता है।

व्यापक बिंदु यह है कि ओपन सोर्स AI उन डेवलपर्स के लिए लाभ बनाता है जो इसे समझने में निवेश करते हैं। बंद API मॉडल परत को कमोडिटाइज करते हैं — सभी को GPT-4 या Claude तक समान पहुंच है। ओपन मॉडल ठीक-ट्यूनिंग, कस्टम तैनाती और मालिकाना डेटा के साथ गहरे एकीकरण के माध्यम से भेदभाव की अनुमति देते हैं। एशिया में संस्थापकों के लिए निर्माण करते हुए, जहां स्थानीय बाजार ज्ञान एक वास्तविक खाई है, वह भेदभाव महत्वपूर्ण है।

एक जोखिम प्रबंधन तर्क भी है। Delangue की चिंता कुछ कंपनियों द्वारा बुनियादी AI को नियंत्रित करने के बारे में काल्पनिक नहीं है — यह बंद मॉडल बाजार की वर्तमान स्थिति का विवरण है। कोई भी स्टार्टअप जिसने अपने मुख्य उत्पाद को एक एकल बंद API पर बनाया है, एक निर्भरता जोखिम है जो