ڈیپ سیک ہمیں AI لاگت اور کارکردگی کے بارے میں کیا سکھا سکتا ہے۔

اپنے پیارے وہیل لوگو کے ساتھ، DeepSeek کی حالیہ ریلیز ایک اور ChatGPT دستک سے زیادہ کچھ نہیں ہو سکتی تھی۔ کس چیز نے اسے اتنا قابل خبر بنایا - اور جس چیز نے حریفوں کے اسٹاک کو ٹیل اسپن میں بھیج دیا - یہ تھا کہ اسے بنانے میں کتنا کم لاگت آئی۔ اس نے اعلیٰ کام کرنے والے لارج لینگویج ماڈل (LLM) کو تربیت دینے کے لیے امریکی سرمایہ کاری کے تصور کو مؤثر طریقے سے ایک بندر رنچ پھینک دیا۔

ڈیپ سیک نے مبینہ طور پر اپنے AI ماڈل کی تربیت کے لیے صرف 6 ملین ڈالر خرچ کیے۔ خلاصہ یہ کہ رپورٹ کردہ $80–$100 ملین کے ساتھ جو OpenAI نے Chat GPT-4 پر خرچ کیا یا $1 بلین جو انہوں نے GPT-5 کے لیے مختص کیے ہیں۔ ڈیپ سیک سرمایہ کاری کی اس سطح کو سوالیہ نشان بناتا ہے اور Nvidia جیسے بڑے کھلاڑیوں کو چھوڑ دیتا ہے – جن کے اسٹاک کی قیمت ایک دن میں 600 بلین ڈالر ڈوب گئی – TSMC اور Microsoft AI کی طویل مدتی مالی قابل عملیت کے بارے میں پریشان ہیں۔ اگر AI ماڈلز کو پہلے کے اندازے کے مقابلے میں نمایاں طور پر کم تربیت دینا ممکن ہے، تو یہ مجموعی طور پر AI کے اخراجات کے لیے کیا اشارہ کرتا ہے؟

اگرچہ ڈیپ سیک کی خلل نے اہم بات چیت کی ہے، لیکن کچھ اہم نکات اس تبدیلی میں گم ہوتے نظر آتے ہیں۔ تاہم، جو خبریں سامنے آتی ہیں اس پر زیادہ توجہ دی جاتی ہے کہ جدت کی کتنی لاگت آتی ہے اور AI کے ممکنہ معاشی اثرات۔ اس خبر سے پیدا ہونے والی تین اہم بصیرتیں یہ ہیں:

1. ڈیپ سیک کا $6 ملین قیمت کا ٹیگ گمراہ کن ہے۔

کمپنیوں کو اپنے بنیادی ڈھانچے کی ملکیت کی کل لاگت (TCO) کو سمجھنے کی ضرورت ہے۔ اگرچہ ڈیپ سیک کی $6 ملین قیمت کا ٹیگ بہت زیادہ پھینک دیا گیا ہے، یہ شاید اس کی پوری سرمایہ کاری کے بجائے صرف اس کی پری ٹریننگ کی لاگت ہے۔ کل لاگت - نہ صرف چلانے کی بلکہ ڈیپ سیک کی تعمیر اور تربیت کی - ممکنہ طور پر بہت زیادہ ہے۔ صنعتی تجزیہ کار فرم نیم تجزیہ۔ انکشاف کیا کہ ڈیپ سیک کے پیچھے والی کمپنی نے اپنے LLM کو حقیقت بنانے کے لیے ہارڈ ویئر پر 1.6 بلین ڈالر خرچ کیے ہیں۔ لہذا، ممکنہ لاگت درمیان میں کہیں ہے۔

حقیقی قیمت جو بھی ہو، ڈیپ سیک کی آمد نے لاگت سے موثر اختراع پر توجہ مرکوز کی ہے جو تبدیلی کا باعث بن سکتی ہے۔ جدت طرازی کو اکثر حدود کی وجہ سے فروغ دیا جاتا ہے، اور ڈیپ سیک کی کامیابی اس بات کی نشاندہی کرتی ہے کہ جب انجینئرنگ ٹیمیں حقیقی دنیا کی رکاوٹوں کا سامنا کرتے ہوئے اپنے وسائل کو بہتر بناتی ہیں تو جدت طرازی کیسے ہو سکتی ہے۔

2. اندازہ وہی ہے جو AI کو قیمتی بناتا ہے، تربیت نہیں۔

اس بات پر توجہ دینا ضروری ہے کہ AI ماڈل کی تربیت پر کتنا خرچ آتا ہے، لیکن تربیت AI ماڈل کو بنانے اور چلانے کی مجموعی لاگت کے ایک چھوٹے سے حصے کی نمائندگی کرتی ہے۔ ارادہ — AI لوگوں کے کام کرنے، بات چیت کرنے اور رہنے کے طریقے کو تبدیل کرتا ہے — وہ جگہ ہے جہاں AI واقعی قیمتی بن جاتا ہے۔

اس سے جیونز پیراڈوکس سامنے آتا ہے، ایک معاشی نظریہ جو یہ تجویز کرتا ہے کہ جیسے جیسے تکنیکی ترقی کسی وسائل کے استعمال کو زیادہ موثر بناتی ہے، اس وسائل کی مجموعی کھپت درحقیقت بڑھ سکتی ہے۔ دوسرے لفظوں میں، جیسے جیسے تربیتی اخراجات کم ہوتے جائیں گے، تخمینہ اور ایجنٹ کی کھپت میں اضافہ ہوتا جائے گا، اور مجموعی اخراجات اس کی پیروی کریں گے۔

AI کی کارکردگی، درحقیقت، AI اخراجات میں اضافے کا باعث بن سکتی ہے، جس سے تمام کشتیوں کو اٹھانا چاہیے، نہ کہ صرف چینیوں کو۔ یہ فرض کرتے ہوئے کہ وہ کارکردگی کی لہر پر سوار ہیں، OpenAI اور Nvidia جیسی کمپنیوں کو بھی فائدہ ہوگا۔

3. جو سچ باقی ہے وہ یہ ہے کہ اکنامکس سب سے زیادہ اہمیت رکھتا ہے۔

AI کو زیادہ موثر بنانا محض لاگت کم کرنے کے بارے میں نہیں ہے۔ یہ یونٹ معاشیات کو بہتر بنانے کے بارے میں بھی ہے۔ موٹلی فول نے پیشن گوئی کی ہے کہ یہ سال ہوگا۔ AI کارکردگی کا سال. اگر وہ درست ہیں تو، کمپنیوں کو اپنی AI تربیت کے اخراجات کے ساتھ ساتھ ان کے AI کے استعمال کے اخراجات کو کم کرنے پر توجہ دینی چاہیے۔

وہ تنظیمیں جو AI بناتی ہیں یا استعمال کرتی ہیں انہیں DeepSeek کی 6 ملین ڈالر کی تربیتی لاگت جیسے متاثر کن اعداد و شمار کو اکٹھا کرنے کے بجائے اپنے یونٹ کی معاشیات کو جاننے کی ضرورت ہے۔ حقیقی کارکردگی میں تمام اخراجات کو مختص کرنا، AI سے چلنے والی مانگ کو ٹریک کرنا، اور قیمت سے قیمت پر مستقل ٹیب رکھنا شامل ہے۔

کلاؤڈ یونٹ اکنامکس (CUE) کا تعلق کلاؤڈ کے ذریعے چلنے والے منافع کی پیمائش اور زیادہ سے زیادہ کرنے سے ہے۔ CUE آپ کے کلاؤڈ اخراجات کا محصول اور ڈیمانڈ میٹرکس کے ساتھ موازنہ کرتا ہے، یہ ظاہر کرتا ہے کہ آپ کا کلاؤڈ خرچ کتنا موثر ہے، وقت کے ساتھ اس میں کس طرح تبدیلی آئی ہے، اور (اگر آپ کے پاس صحیح پلیٹ فارم ہے) اس کارکردگی کو بڑھانے کے بہترین طریقے۔

CUE کو سمجھنا AI سیاق و سباق میں اور بھی زیادہ افادیت رکھتا ہے، اس لیے کہ یہ ہائپر اسکیلرز کے ذریعے فروخت کی جانے والی روایتی کلاؤڈ سروسز کے مقابلے میں استعمال کرنا فطری طور پر زیادہ مہنگا ہے۔ ایجنٹی ایپلی کیشنز بنانے والی کمپنیاں اپنی لاگت فی ٹرانزیکشن (مثلاً فی بل لاگت، فی ڈیلیوری لاگت، فی تجارت، وغیرہ) کا حساب لگا سکتی ہیں اور اسے مخصوص AI سے چلنے والی خدمات، مصنوعات اور خصوصیات کی سرمایہ کاری پر واپسی کا اندازہ لگانے کے لیے استعمال کر سکتی ہیں۔ جیسے جیسے AI اخراجات میں اضافہ ہوگا، کمپنیاں یہ کرنے پر مجبور ہوں گی۔ کوئی بھی کمپنی تجرباتی اختراع پر ہمیشہ کے لیے لامتناہی ڈالر نہیں پھینک سکتی۔ آخر کار، اسے کاروباری سمجھ میں آنا پڑتا ہے۔

زیادہ کارکردگی کی طرف

$6 ملین کا اعداد و شمار بہرحال بامعنی ہے، ڈیپ سیک نے ایک واٹرشیڈ لمحہ فراہم کیا ہو گا جو ٹیک انڈسٹری کو کارکردگی کی ناگزیر اہمیت کے بارے میں جگاتا ہے۔ آئیے امید کرتے ہیں کہ اس سے سرمایہ کاری مؤثر تربیت، تخمینہ، اور ایجنٹی ایپلی کیشنز کے لیے سیلاب کے دروازے کھل جائیں گے جو AI کی حقیقی صلاحیت اور ROI کو غیر مقفل کرتے ہیں۔