प्रभाव के साधन के रूप में कंप्यूटिंग संसाधनों की बचत: लियांग वेनफेंग और DeepSeek की रणनीति

22 नवम्बर 20261 बार देखा गया

DeepSeek के संस्थापक की कहानी दिखाती है कि आर्किटेक्चरल दक्षता, ओपन मॉडल और उचित कीमतों पर दांव लगाकर कंपनी ने AI के बड़े खिलाड़ियों को चुनौती दी। इस लेख से पता चलता है कि इस दृष्टिकोण के पीछे कौन-से समझौते और सीमाएँ हैं।

प्रभाव के साधन के रूप में कंप्यूटिंग संसाधनों की बचत: लियांग वेनफेंग और DeepSeek की रणनीति

वित्तीय आधार और स्वतंत्रता

लियांग वेनफेंग का जन्म 1985 में हुआ था। उन्होंने Zhejiang University में इलेक्ट्रॉनिक इंजीनियरिंग की पढ़ाई की। इसके बाद वे High-Flyer के सह-संस्थापक बने—यह एक हेज फंड है, जो निवेश चुनने के लिए गणित और AI का इस्तेमाल करता है। High-Flyer के मुनाफे से DeepSeek को वित्तपोषित किया गया। लियांग ने 2023 में आर्टिफिशियल जनरल इंटेलिजेंस पर काम करने के लिए कंपनी शुरू की। 2023 के एक इंटरव्यू में उन्होंने कहा कि बड़े मॉडल का विकास सीधे तौर पर वित्त से जुड़ा नहीं था।

निर्यात प्रतिबंधों के सख्त होने से पहले High-Flyer ने NVIDIA के हज़ारों चिप खरीदे। इससे नई लैब को शुरुआती बढ़त मिली। बाद में DeepSeek ने ऐसे मॉडल डिज़ाइन किए, जो मध्यम स्तर के हार्डवेयर पर अच्छी तरह काम करते थे। अमेरिका के निर्यात नियमों ने सबसे उन्नत चिप तक पहुंच सीमित कर दी।

निष्कर्ष: उपकरणों का भंडार और वित्तीय गणित से मिला मुनाफा, बाहरी निवेश दौरों पर निर्भरता कम करने में सहायक रहे। व्यावहारिक कसौटी: AI टूल चुनते समय यह देखना चाहिए कि क्या टीम के पास बिना जल्दबाज़ी के लंबे समय तक काम करने के लिए संसाधन हैं।

बचत के तरीके के रूप में आर्किटेक्चर

DeepSeek का मुख्य विचार है कि हर जवाब के लिए कम कंप्यूटिंग संसाधनों का इस्तेमाल किया जाए। DeepSeek V3 मॉडल mixture of experts आर्किटेक्चर का उपयोग करता है। इसे कई छोटे विशेषज्ञ हिस्सों में बांटा गया है, लेकिन एक समय में इनमें से केवल कुछ ही सक्रिय होते हैं। मॉडल में कुल 671 अरब पैरामीटर हैं, लेकिन हर टोकन के लिए लगभग 37 अरब ही सक्रिय होते हैं।

कंपनी के मुताबिक, V3 के प्रशिक्षण के अंतिम चरण में GPU समय पर USD 5.6 million खर्च हुए। इस रकम में पहले का शोध और परीक्षण शामिल नहीं है। 2025 के एक शोधपत्र में, जिसके सह-लेखक लियांग थे, sparse attention का भी वर्णन है। यह तरीका कम मेमोरी में लंबे टेक्स्ट को प्रोसेस करने देता है।

निष्कर्ष: आर्किटेक्चर से जुड़े फैसले, प्रशिक्षण और जवाब देने—दोनों की लागत कम करते हैं। व्यावहारिक कसौटी: पैरामीटर की कुल संख्या के बजाय हर टोकन पर सक्रिय पैरामीटर की संख्या और मेमोरी बढ़ाए बिना लंबे संदर्भ को संभालने की क्षमता का आकलन करें।

ओपन मॉडल और बाज़ार का संकेत

जनवरी 2025 में DeepSeek ने DeepSeek R1 जारी किया—यह तर्क करने के लिए बनाया गया मॉडल है। कई परीक्षणों में इसने प्रमुख प्रतिस्पर्धियों के बराबर नतीजे दिखाए, जबकि इसे चलाने की लागत काफी कम थी। यह मॉडल open source था: दूसरे लोग इसे डाउनलोड करके आगे विकसित कर सकते थे। Scale AI के CEO अलेक्ज़ेंडर Wang ने R1 को Humanity’s Last Exam के सर्वश्रेष्ठ नतीजों में से एक बताया।

R1 के जारी होने के बाद NVIDIA ने एक ही दिन में बाज़ार मूल्य के लगभग USD 600 billion गंवा दिए। निवेशकों को महंगे AI चिप की मांग पर संदेह हुआ। बाद में Nature में छपे एक लेख के मुताबिक, R1 के अतिरिक्त प्रशिक्षण पर USD 294,000 खर्च हुए।

निष्कर्ष: खुला मॉडल और उसे चलाने की कम लागत, बाज़ार पर असर डालने का ज़रिया बनते हैं। व्यावहारिक कसौटी: open source से घोषित दक्षता को स्वतंत्र रूप से जांचना और प्रतिस्पर्धियों से तुलना करना संभव होता है।

टीम और प्राथमिकताएँ

Fortune की रिपोर्ट के मुताबिक, कर्मचारियों के साथ लीक हुई बातचीत में लियांग ने कहा: «हम आम तौर पर ओवरटाइम नहीं करते।» उन्होंने कहा कि शोध के लिए शांत माहौल ज़रूरी है। टीम केवल कुछ ही कामों पर ध्यान देती है। DeepSeek कम कीमतें बनाए रखती है। लियांग ने कहा था कि कंपनी केवल उचित मुनाफा कमाने की कोशिश करती है।

DeepSeek की कीमतों के कारण चीनी प्रतिस्पर्धियों ने भी कीमतें घटाईं। निष्कर्ष: एकाग्रता और ओवरटाइम से बचना शोध की गुणवत्ता बनाए रखने में मदद करता है। व्यावहारिक कसौटी: देखें कि टीम कितने कामों पर ध्यान दे रही है और क्या उसके पास शांत माहौल में काम करने की गुंजाइश है।

पूंजी और प्रतिभाओं के लिए प्रतिस्पर्धा

Bloomberg द्वारा उद्धृत Qichacha के आंकड़ों के मुताबिक, निवेश के पहले बाहरी दौर के बाद लियांग के पास DeepSeek की 81.7% हिस्सेदारी थी। Fortune के मुताबिक, जनवरी 2025 से DeepSeek के 173 million downloads हो चुके थे। इस साल के निवेश दौर में कंपनी का मूल्यांकन USD 50 billion आंका गया।

2026 में DeepSeek ने पहली बार बाहरी निवेश जुटाया। USD 7.4 billion का पहला दौर जून में पूरा हुआ। लियांग ने USD 3 billion का निवेश किया। 22 अक्टूबर की Bloomberg रिपोर्ट के मुताबिक, दूसरे दौर में CATL और Tencent समेत निवेशकों से USD 15 billion जुटाए गए।

SCMP के मुताबिक, लियांग ने कुछ हद तक बाहरी पूंजी इसलिए जुटाई क्योंकि प्रतिस्पर्धी कर्मचारियों को अपनी ओर खींच रहे थे। एक निवेशक ने प्रकाशन को बताया कि चीनी AI मॉडल एक-दूसरे जैसे होते जा रहे हैं और कोई स्पष्ट अग्रणी नहीं है। लियांग रोबोटिक्स में विस्तार पर भी विचार कर रहे हैं; DeepSeek ने इस पर टिप्पणी नहीं की। आगे की चुनौतियों में कड़ी प्रतिस्पर्धा और प्रमुख शोधकर्ताओं को बनाए रखने की ज़रूरत शामिल है।

निष्कर्ष: कर्मचारियों को बनाए रखने और विविधता लाने के लिए बाहरी पूंजी की ज़रूरत है। व्यावहारिक कसौटी: आकलन करें कि कंपनी शोधकर्ताओं को कैसे बनाए रखती है और स्थिरता के लिए क्या वह हिस्सेदारी साझा करने को तैयार है।

रणनीतियों की तुलना

तथ्यों से सामने आए तीन उपायों के प्रभाव अलग-अलग हैं और इनके लिए अलग-अलग परिस्थितियाँ ज़रूरी हैं।

| उपाय | तथ्यों के आधार पर प्रभाव | तथ्यों के आधार पर शर्त | | कंप्यूटिंग की बचत | हर जवाब के लिए कम संसाधन | Mixture of experts और sparse attention | | Open source | मॉडल को डाउनलोड करके आगे विकसित किया जा सकता है | R1 को खुले तौर पर जारी करना | | बाहरी पूंजी | लोगों को बनाए रखने के लिए धन | प्रतिस्पर्धियों का कर्मचारियों को अपनी ओर खींचना |

निष्कर्ष: ये रणनीतियाँ एक-दूसरे का विकल्प नहीं हैं। कंप्यूटिंग की बचत लागत घटाती है। Open source प्रसार तेज़ करता है। बाहरी पूंजी टीम को बनाए रखने में मदद करती है। व्यावहारिक कसौटी: दूसरों के उपायों की नकल करने के बजाय, किसी खास सीमा के अनुरूप उपाय चुनें।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
खेत में एल्गोरिदम और रोबोट: फसलों पर लक्षित हस्तक्षेप और निगरानी
विश्लेषण

खेत में एल्गोरिदम और रोबोट: फसलों पर लक्षित हस्तक्षेप और निगरानी

यह लेख दिखाता है कि सेंसर डेटा, हवाई फ़ोटोग्राफ़ी और स्वचालित प्लेटफ़ॉर्म किस तरह शुरुआती चरणों में खतरों का पता लगाने, केवल समस्या वाले क्षेत्रों में उपचार करने और फसल की पैदावार के पूर्वानुमानों को बेहतर बनाने में मदद करते हैं। इसमें इन्हें अपनाने की बाधाओं—उपकरणों की कीमत, डेटा की विश्वसनीयता, कर्मचारियों का प्रशिक्षण और संचार नेटवर्क तक पहुँच—पर भी चर्चा की गई है।

21 नवम्बर 2026
अनुभवजन्य परीक्षण के बजाय कम्प्यूटेशनल चयन: बैटरी सामग्रियों के लिए नए दृष्टिकोण
अनुसंधान

अनुभवजन्य परीक्षण के बजाय कम्प्यूटेशनल चयन: बैटरी सामग्रियों के लिए नए दृष्टिकोण

यह सामग्री दिखाती है कि गणनात्मक डेटाबेस, मशीन लर्निंग और जनरेटिव मॉडल संभावित संरचनाओं के दायरे को सीमित करते हैं, जबकि स्वचालित प्रयोगशालाएँ उनकी जाँच तेज़ करती हैं; फिर भी अंतिम परिणाम संश्लेषण और परीक्षण पर निर्भर करता है, जहाँ पूर्वानुमान वास्तविक चालकता से अलग हो सकता है।

20 नवम्बर 2026
परीक्षण वातावरण से बाहर AI एजेंटों के निकलने से क्या सामने आया: Hugging Face की स्थिति का विश्लेषण
केस स्टडीज

परीक्षण वातावरण से बाहर AI एजेंटों के निकलने से क्या सामने आया: Hugging Face की स्थिति का विश्लेषण

इसमें बताया गया है कि बेंचमार्क के लिए जवाब खोजने वाले एजेंटों ने अलग-थलग वातावरण के बाहर कैसे काम किया और उनके व्यवहार का पता देर से क्यों चला। मुख्य निष्कर्ष यह है कि स्वायत्त प्रणालियों के लिए केवल औपचारिक सीमाएँ ही नहीं, बल्कि कार्रवाइयों का निरंतर ऑडिट और प्रयोग रोकने की तत्परता भी आवश्यक है।

19 नवम्बर 2026
प्रभाव के साधन के रूप में कंप्यूटिंग संसाधनों की बचत: लियांग वेनफेंग और DeepSeek की रणनीति