Katika mgongano wa kuvutia wa enzi za kiteknolojia, simulizi imeibuka inayounganisha siku za mwanzo za kompyuta za nyumbani zilizoenea na makali ya akili bandia. Marc Andreessen, mtu mashuhuri katika ulimwengu wa teknolojia na mwanzilishi mwenza wa kampuni yenye ushawishi ya mtaji wa ubia Andreessen Horowitz, hivi karibuni aliangazia jambo la kushangaza: toleo dogo la modeli ya akili bandia ya Meta Llama liliendeshwa kwa mafanikio kwenye kompyuta inayotumia mfumo wa uendeshaji wa zamani wa Windows 98, ikiwa na megabytes 128 tu za RAM. Ufunuo huu unatumika kama ukumbusho wenye nguvu wa uwezo wa kiteknolojia na unazua maswali ya kuvutia kuhusu mwelekeo wa kihistoria wa kompyuta.
Wazo lenyewe la kuendesha AI ya kisasa, hata iliyopunguzwa ukubwa, kwenye maunzi ya zaidi ya robo karne iliyopita linaonekana karibu kuwa la kitendawili. AI ya kisasa ya uzalishaji, teknolojia inayoendesha zana kama ChatGPT na Copilot ya Microsoft yenyewe, kwa kawaida huhusishwa na vichakataji vyenye nguvu, mgao mkubwa wa kumbukumbu, na mara nyingi, miundombinu inayotegemea wingu. Microsoft yenyewe imewekeza pakubwa katika kuunganisha uwezo wa AI, haswa msaidizi wake wa Copilot, kwa kina katika mfumo wake wa uendeshaji wa hivi karibuni, Windows 11, na kizazi kipya cha maunzi kinachoitwa Copilot+ PCs, kilichoundwa mahsusi kwa kuzingatia mizigo ya kazi ya AI. Tofauti hii inafanya jaribio la Windows 98 kuwa la kushangaza zaidi. Inapinga mawazo yetu kuhusu rasilimali zinazohitajika kweli kwa kazi fulani za AI na inatoa mwanga katika ratiba mbadala ya kiteknolojia.
Kufufua Yaliyopita: Juhudi Kubwa Nyuma ya Jaribio
Wakati Andreessen alileta umakini mpana kwa mafanikio haya, kazi nzito ya kiufundi inaonekana kutokana na kazi ya awali, haswa na timu ya Exo Labs. Safari yao ya kushawishi AI ya kisasa kwenye mashine ya zamani kama hiyo haikuwa rahisi; ilikuwa zoezi la akiolojia ya kidijitali na utatuzi wa matatizo kwa ubunifu, ikiangazia tofauti kubwa kati ya kompyuta wakati huo na sasa.
Kikwazo cha kwanza kilihusisha logistiki za msingi na utangamano wa maunzi. Kupata maunzi yanayofanya kazi kutoka enzi ya Windows 98 ni changamoto tosha. Lakini zaidi ya kuwasha tu mashine, timu ilihitaji vifaa vya pembeni. Viunganishi vya kisasa vya USB, vilivyoenea kila mahali leo, havikuwa vya kawaida katika enzi kuu ya Windows 98. Hii ilihitaji kutafuta vifaa vya kuingiza data vinavyooana kwa kutumia viunganishi vya zamani vya PS/2 – kibodi na vipanya ambavyo wapenzi wengi wachanga wa teknolojia wanaweza kuwa hawajawahi kuviona.
Mara tu usanidi wa kimwili uliposhughulikiwa, kikwazo kikubwa kilichofuata kilikuwa uhamishaji wa data. Unawezaje kupata faili muhimu za modeli ya AI na zana za ukuzaji kwenye mashine isiyo na chaguo za kisasa za muunganisho kama vile bandari za USB za kasi ya juu au ujumuishaji wa mtandao usio na mshono? Hii pengine ilihusisha kutumia njia za zamani, za polepole zaidi, labda kuchoma faili kwenye CD au kutumia itifaki chache za mtandao za wakati huo, na kugeuza unakili rahisi wa faili kuwa mchakato unaoweza kuchukua muda mwingi.
Changamoto kuu ya kiufundi, hata hivyo, ilikuwa katika kukusanya msimbo wa kisasa kwa mazingira ya kale. Modeli ya AI, inayotegemea usanifu wa Llama wa Meta, imejengwa kwa kutumia mazoea na lugha za kisasa za upangaji programu. Kufanya msimbo huu ueleweke na utekelezwe na Windows 98 kulihitaji mkusanyaji – programu inayotafsiri msimbo chanzo kuwa lugha ya mashine – ambayo inaweza kufanya kazi kwenye mfumo wa uendeshaji wa zamani na kushughulikia ugumu wa msimbo wa AI.
Exo Labs awali waligeukia Borland C++ 5.02, yenyewe ikiwa ni kipande cha historia ya programu – mazingira jumuishi ya ukuzaji (IDE) na mchanganyiko wa mkusanyaji wa miaka 26 ambao ulifanya kazi asili kwenye Windows 98. Chaguo hili liliwakilisha daraja linalowezekana kati ya msingi wa msimbo wa kisasa na mfumo wa uendeshaji wa zamani. Hata hivyo, njia ilikuwa imejaa matatizo. Ugumu wa viwango vya kisasa vya C++ na maktaba zake ulikuwa mgumu kupatanisha na uwezo na mapungufu ya mkusanyaji wa Borland na mazingira ya Windows 98. Masuala ya utangamano yaliibuka, na kulazimisha timu kubadili mwelekeo.
Suluhisho lao lilihusisha kurudi nyuma kwa toleo la zamani la lugha ya programu ya C. Ingawa C ni lugha ya msingi na mtangulizi wa C++, kutumia kiwango cha zamani cha C kulimaanisha kuacha baadhi ya dhana za kiwango cha juu na urahisi wa C++. Hii ilihitaji mchakato wa kuandika msimbo wenye taabu zaidi, kudhibiti kwa mikono vipengele kama vile vitendaji na vigeu ambavyo C++ hushughulikia kwa umaridadi zaidi. Maendeleo bila shaka yalikuwa ya polepole, yakihitaji umakini wa kina kwa undani ili kuepuka makosa ambayo zana za zamani za ukuzaji zisingeweza kugundua kwa urahisi.
Mbinyo wa Kumbukumbu: Kufuga Llama kwa Rasilimali Chache
Labda kikwazo cha kutisha zaidi kilikuwa Kumbukumbu ya Ufikiaji Nasibu (RAM) ndogo sana. Mashine lengwa ilikuwa na megabytes 128 tu za RAM. Ili kuweka hili katika muktadha, simu mahiri za kisasa huja na gigabytes 8, 12, au hata 16 za RAM (gigabyte ikiwa takriban megabytes 1000). Kompyuta za hali ya juu zilizoundwa kwa ajili ya michezo ya kubahatisha au kazi za kitaalamu mara nyingi huwa na 32GB, 64GB, au zaidi. Kuendesha programu tata kama modeli ya AI ndani ya nafasi ndogo kama hiyo ya kumbukumbu ni sawa na kufanya upasuaji tata kwenye kabati la ufagio.
Familia ya modeli za Llama za Meta, ingawa kwa ujumla huchukuliwa kuwa na ufanisi zaidi wa rasilimali kuliko majitu kama GPT-4 ya OpenAI, bado inajumuisha matoleo yenye mabilioni ya vigezo. Usanifu wa Llama 2, kwa mfano, unajumuisha modeli zinazoongezeka hadi vigezo bilioni 70. Modeli hizi kubwa zinahitaji nguvu kubwa ya kukokotoa na, muhimu zaidi, kiasi kikubwa cha kumbukumbu kupakia uzito wa modeli na kudhibiti hesabu zinazohusika katika kuchakata habari na kutoa majibu. Modeli ya kawaida ya Llama 2 isingeweza kabisa kufanya kazi ndani ya kikwazo cha 128MB.
Kwa hivyo, mafanikio ya jaribio yalitegemea kutumia au kukuza marudio yaliyoboreshwa sana, madogo zaidi ya usanifu wa Llama. Toleo hili maalum lilibidi kubadilishwa mahsusi ili kufanya kazi chini ya mapungufu makubwa ya maunzi. Pengine ilihusisha mbinu kama vile upimaji wa modeli (kupunguza usahihi wa nambari zinazotumiwa katika hesabu za modeli) na upogoaji (kuondoa sehemu zisizo muhimu sana za mtandao wa neva) ili kupunguza kwa kiasi kikubwa kumbukumbu yake na alama ya kukokotoa. Exo Labs walifanya toleo lao lililobadilishwa lipatikane kwenye GitHub, wakionyesha marekebisho maalum yaliyohitajika.
AI hii ndogo, inayoendeshwa kwenye maunzi ya kizamani, haingekuwa na maarifa mapana au uwezo wa mazungumzo wa kina kama binamu zake wakubwa, wanaoendeshwa kwa wingu. Uwezo wake ungekuwa na mipaka. Hata hivyo, ukweli wenyewe kwamba ingeweza kufanya kazi na kutekeleza kazi za msingi za uzalishaji unawakilisha mafanikio makubwa ya kiufundi. Inaonyesha kwamba dhana za msingi za modeli kubwa za lugha zinaweza, kimsingi, kupunguzwa kwa kiasi kikubwa, hata kama matumizi ya vitendo ni madogo katika viwango hivyo vya juu.
Uchochezi wa Andreessen: Ratiba Iliyopotea ya Kompyuta ya Mazungumzo?
Marc Andreessen alitumia onyesho hili la kiufundi kutoa hoja pana zaidi, yenye uchochezi zaidi kuhusu historia na uwezekano wa baadaye wa kompyuta. Tafakari yake haikuwa tu kuhusu udadisi wa kiufundi wa kuendesha programu mpya kwenye maunzi ya zamani; ilikuwa ni tafakari juu ya historia mbadala inayowezekana ya mwingiliano wa binadamu na kompyuta.
Alielezea hili kwa kupendekeza kwamba uendeshaji wenye mafanikio wa Llama kwenye PC ya Dell ya miaka 26 iliyopita unamaanisha fursa iliyokosekana kwa miongo kadhaa. “Kompyuta zote hizo za zamani zingeweza kuwa na akili wakati huu wote,” Andreessen alidai. “Tungeweza kuwa tunazungumza na kompyuta zetu kwa miaka 30 sasa.”
Taarifa hii inatualika kufikiria ulimwengu ambapo mwelekeo wa maendeleo ya AI uliungana tofauti na kuongezeka kwa kompyuta binafsi. Badala ya PC kuwa kimsingi zana za kukokotoa, kuunda hati, na hatimaye, kupata mtandao, labda zingeweza kubadilika kuwa washirika wa mazungumzo mapema zaidi. Picha inayojitokeza ni ya watumiaji wakiingiliana na mashine zao za Windows 95, 98, au hata za awali kupitia lugha asilia, wakiuliza maswali, wakipata usaidizi, na kushiriki katika mazungumzo kwa njia ambayo ilikuja kuwa ukweli wa kawaida tu na ujio wa wasaidizi wa kisasa wa kidijitali na LLM za kisasa.
Bila shaka, huu ni mruko mkubwa wa kihistoria mbadala. AI ya uzalishaji, kama tunavyoielewa leo, pamoja na utegemezi wake kwenye hifadhidata kubwa, usanifu wa kisasa wa mitandao ya neva (kama usanifu wa Transformer unaotumiwa na modeli za Llama na GPT), na nguvu kubwa ya kukokotoa kwa mafunzo, ni jambo la hivi karibuni. Utafiti wa AI wa miaka ya 1980 na 1990, ingawa ulikuwa na matarajio makubwa, ulilenga dhana tofauti, kama vile mifumo ya wataalamu na hoja za kiishara. Maunzi ya enzi hiyo, ingawa yalikuwa na uwezo wa kuendesha Llama iliyopunguzwa iliyoonyeshwa na Exo Labs, yalikuwa na nguvu ndogo kwa maagizo ya ukubwa kuliko mifumo ya leo, na hifadhidata kubwa za kidijitali zilizohitajika kufundisha modeli zenye uwezo za uzalishaji hazikuwepo katika fomu inayoweza kufikiwa.
Andreessen alikiri muktadha huu, akibainisha matumaini ya ukuaji wa AI wa miaka ya 1980: “Watu wengi wenye akili katika miaka ya 80 walidhani yote haya yangetokea wakati huo.” Enzi hiyo iliona uwekezaji mkubwa na utafiti katika akili bandia, lakini hatimaye ilisababisha “majira ya baridi ya AI” – kipindi cha kupungua kwa ufadhili na shauku wakati teknolojia ilishindwa kutimiza ahadi zake za matarajio makubwa zaidi. Mapungufu katika nguvu ya kukokotoa, upatikanaji wa data, na mbinu za algoriti yalikuwa makubwa.
Kwa hivyo, maoni ya Andreessen labda yanaeleweka vyema si kama dai halisi kwamba AI ya kisasa, inayofanana na binadamu ilikuwa inawezekana kwenye maunzi ya miaka ya 1990 kwa njia tunayoiona sasa, lakini badala yake kama jaribio la mawazo. Inaangazia uwezekano ambao ungeweza kufunguliwa ikiwa vipaumbele vya utafiti, mafanikio ya algoriti, na maendeleo ya maunzi yangefuata mkondo tofauti. Inasisitiza wazo kwamba vizuizi vya ujenzi kwa aina fulani ya mwingiliano wenye akili vingeweza kufikiwa kitaalam, hata kama matokeo yangekuwa rahisi zaidi kuliko AI ya leo.
Kulinganisha Enzi: Kutoka Ndoto za Dial-Up hadi Ukweli Uliojazwa na AI
Jaribio la Windows 98 linatumika kama sehemu kali ya kulinganisha na mazingira ya sasa ya ujumuishaji wa AI. Leo, AI inahamia kwa kasi kutoka kuwa huduma inayozingatia wingu hadi kuingizwa kwa kina ndani ya mfumo wa uendeshaji na hata maunzi yenyewe.
Msukumo wa Microsoft na Copilot na Copilot+ PCs unaonyesha mwelekeo huu. Windows 11 ina sehemu nyingi za kuingilia kwa Copilot, ikitoa usaidizi wa AI kwa kazi kuanzia kufupisha hati na kuandika barua pepe hadi kuzalisha picha na kurekebisha mipangilio ya mfumo. Vipimo vipya vya Copilot+ PC vinahitaji ujumuishaji wa Kitengo cha Uchakataji wa Neural (NPU) – silicon maalum iliyoundwa kuharakisha hesabu za AI kwa ufanisi. Hii inaashiria mabadiliko ya kimsingi ambapo uchakataji wa AI unakuwa kazi kuu ya kompyuta binafsi, inayoshughulikiwa ndani badala ya kutegemea tu seva za mbali.
Mbinu hii ya kisasa inadhani, na inatumia, rasilimali nyingi. Copilot+ PCs zinahitaji kiwango cha chini cha 16GB ya RAM na hifadhi ya hali dhabiti ya haraka, vipimo vinavyozidi kwa kiasi kikubwa MB 128 za unyenyekevu za mashine ya Windows 98. Modeli za AI zinazotumiwa, ingawa zimeboreshwa kwa utekelezaji upande wa mteja, ni ngumu zaidi na zina uwezo mkubwa kuliko toleo dogo la Llama lililotumika katika jaribio. Zinanufaika kutokana na miongo kadhaa ya uboreshaji wa algoriti, hifadhidata kubwa za mafunzo, na maunzi yaliyoundwa mahsusi kwa mahitaji yao.
Tofauti hiyo inaangazia mambo kadhaa:
- Uboreshaji wa Programu dhidi ya Uvimbe: Jaribio la Exo Labs ni ushahidi wa uboreshaji uliokithiri, kulazimisha algoriti za kisasa katika mazingira yenye vikwazo vikali. Inakosoa kwa njia isiyo ya moja kwa moja tabia ya programu za kisasa kudhani rasilimali za maunzi zinazoongezeka kila wakati, wakati mwingine kusababisha ukosefu wa ufanisi au “uvimbe.”
- Mageuzi ya Maunzi: Tofauti kubwa katika nguvu ya kukokotoa na kumbukumbu kati ya PC ya kawaida ya 1998 na Copilot+ PC ya 2024 ni ya kushangaza, ikiwakilisha vizazi vingi vya Sheria ya Moore na uvumbuzi wa usanifu.
- Upatikanaji wa Data: Mafunzo ya LLM za kisasa yanategemea hifadhidata za kiwango cha mtandao ambazo hazikuweza kufikirika katika enzi ya Windows 98. Ulimwengu wa kidijitali ulikuwa mdogo sana na haukuunganishwa wakati huo.
- Mafanikio ya Algoriti: Ukuzaji wa usanifu kama modeli ya Transformer mnamo 2017 ulikuwa wakati muhimu, ukiwezesha kuongeza ukubwa na utendaji unaoonekana katika AI ya kisasa ya uzalishaji. Mbinu za awali za AI zilikuwa na mapungufu ya kimsingi.
Wakati Andreessen anaota ndoto za kompyuta zinazozungumza miaka 30 iliyopita, ukweli ni kwamba muunganiko wa nguvu za maunzi, upatikanaji wa data, na uvumbuzi wa algoriti unaohitajika kwa uzoefu wa AI wa leo ulitokea hivi karibuni zaidi.
Yote Haya Yanamaanisha Nini? Tafakari Zaidi ya Nostalgia
Je, uwekaji wenye mafanikio wa modeli ya Llama kwenye Windows 98 ni udukuzi wa werevu tu, mchezo wa nostalgia kwa wapenzi wa teknolojia? Au una umuhimu wa kina zaidi? Inaweza kusemwa kuwa inatimiza madhumuni kadhaa:
- Kuonyesha Uwezo Mkubwa wa Kuongeza Ukubwa: Inathibitisha kwamba kanuni za msingi nyuma ya modeli kubwa za lugha zinaweza kubadilishwa ili kufanya kazi chini ya vikwazo vikali sana vya rasilimali. Hii ina athari zinazowezekana kwa kupeleka AI kwenye mifumo iliyopachikwa yenye nguvu ndogo, vifaa vya IoT, au maunzi ya zamani ambayo bado yanatumika katika sehemu mbalimbali za dunia.
- Kuainisha Nguvu ya Vikwazo: Kufanya kazi ndani ya mapungufu makubwa mara nyingi hulazimisha uvumbuzi na ufanisi. Timu ya Exo Labs ilibidi itafute suluhisho za ubunifu na kuboresha bila huruma, ujuzi ambao ni wa thamani hata katika mazingira yenye rasilimali nyingi.
- Kupinga Mawazo: Inachochea tafakari kuhusu iwapo nguvu zote za kukokotoa na kumbukumbu zinazotumiwa na programu za kisasa ni muhimu kabisa kwa thamani wanayotoa. Je, baadhi ya programu zinaweza kuwa nyepesi na zenye ufanisi zaidi?
- Kuonyesha Uwezekano wa Njia za Kiteknolojia: Historia mara chache hufuata mstari ulionyooka. Ukweli kwamba aina fulani ya AI ya kimsingi ingeweza kuwezekana kwenye maunzi ya zamani inasisitiza jinsi chaguo tofauti, mwelekeo wa utafiti, au hata ugunduzi wa bahati mbaya ungeweza kutuongoza kwenye njia tofauti ya kiteknolojia.
Jaribio hili haliandiki upya historia, wala haimaanishi kwamba uzoefu wa kisasa wa AI wa 2024 ungeweza kufikiwa kwa namna fulani mwaka 1998. Pengo katika teknolojia wezeshi – nguvu ya uchakataji, kumbukumbu, data, algoriti – linabaki kuwa kubwa. Hata hivyo, linatoa nukta ya data ya kuvutia, ushuhuda wa ujanja wa kihandisi, na kichocheo cha kutafakari barabara yenye kona ya maendeleo ya kiteknolojia. Linatukumbusha kwamba mapungufu ya jana wakati mwingine yanaweza kushindwa na maarifa ya leo, na kutoa matokeo ya kushangaza na kutuchochea kufikiria upya kile kinachoweza kuwezekana, sasa na katika siku zijazo. Roho katika mashine ya zamani hainong’oni tu juu ya yaliyopita, lakini labda pia juu ya uwezo ambao haujatumiwa uliopo katika urahisi na ufanisi.