கணிப்பீட்டு விரிவாக்கம்: காரண மாதிரி எல்லைகள்

காரண மாதிரிகள், பெரிய மொழி மாதிரிகளின் (LLM) பரிணாம வளர்ச்சியில் அடுத்த பெரிய முன்னேற்றமாக அறிவிக்கப்பட்டுள்ளன, குறிப்பாக கணிதம் மற்றும் கணினி நிரலாக்கம் போன்ற சிக்கலான சிக்கலைத் தீர்க்கும் களங்களில் குறிப்பிடத்தக்க முன்னேற்றங்களை நிரூபித்துள்ளன. இந்த அதிநவீன அமைப்புகள், ஒரு கூடுதல் "தர்க்கப் பயிற்சி” கட்டத்தால் வேறுபடுத்தப்படுகின்றன, சிக்கலான சவால்களைச் சமாளிப்பதற்கான திறன்களைச் செம்மைப்படுத்த வலுவூட்டல் கற்றலைப் பயன்படுத்துகின்றன. OpenAI இன் o3 ஒரு முன்னோடி உதாரணமாக தனித்து நிற்கிறது, தரப்படுத்தல் மதிப்பீடுகளின்படி அதன் முன்னோடியான o1 ஐ விட குறிப்பிடத்தக்க செயல்திறன் ஆதாயங்களைக் காட்டுகிறது. இப்போது இந்த துறையில் நிலவும் மைய கேள்வி என்னவென்றால், இந்த முன்னேற்றத்தின் நிலைத்தன்மைதான். கணக்கீட்டு சக்தியை அதிகரிப்பதன் மூலம் இந்த மாதிரிகள் அதே விகிதத்தில் முன்னேற முடியுமா?

செயற்கை நுண்ணறிவின் சமூக தாக்கங்களில் கவனம் செலுத்தும் ஒரு ஆராய்ச்சி அமைப்பான Epoch AI, இந்தக் கேள்வியைத் தீர்க்கும் பணியை மேற்கொண்டுள்ளது. Epoch AI இல் தரவு ஆய்வாளரான ஜோஷ் யூ, தர்க்கரீதியான பயிற்சியில் தற்போதைய கணக்கீட்டு முதலீட்டு அளவுகளைத் தீர்மானிக்கவும், விரிவாக்கத்திற்கான மீதமுள்ள திறனை மதிப்பிடவும் ஒரு விரிவான ஆய்வை மேற்கொண்டுள்ளார்.

காரண மாதிரிகளுக்குப் பின்னால் உள்ள கணக்கீட்டு எழுச்சி

o3 ஆனது o1 உடன் ஒப்பிடும்போது தர்க்கத்திற்கு அர்ப்பணிக்கப்பட்ட கணக்கீட்டு ஆதாரங்களுடன் பத்து மடங்கு அதிகமாகப் பயிற்றுவிக்கப்பட்டது என்று OpenAI பகிரங்கமாக அறிவித்துள்ளது - இது நான்கு மாதங்களில் எட்டப்பட்ட கணிசமான அதிகரிப்பு. OpenAI தயாரித்த விளக்கப்படம் AIME கணித தரப்படுத்தலில் கணக்கீட்டு சக்திக்கும் செயல்திறனுக்கும் இடையிலான நெருங்கிய தொடர்பை தெளிவாக விளக்குகிறது. இந்த புள்ளிவிவரங்கள் முழு மாதிரி பயிற்சி செயல்முறைக்கு பதிலாக பயிற்சி, தர்க்க பயிற்சி இரண்டாவது கட்டத்திற்கு குறிப்பாக பொருத்தமானவை என்று Epoch AI கருதுகிறது.

இந்த புள்ளிவிவரங்களை கண்ணோட்டத்தில் வைக்க, Epoch AI ஒப்பிடக்கூடிய மாதிரிகளை ஆய்வு செய்தது. உதாரணமாக, டீப் சீக்-ஆர்1, சுமார் 6இ23 FLOP (வினாடிக்கு மிதக்கும் புள்ளி செயல்பாடுகள்) உடன் சுமார் 1 மில்லியன் டாலர் செலவில் பயிற்சி பெற்றது, o1 ஐப் போன்ற தரப்படுத்தல் முடிவுகளை எட்டியதாக கூறப்படுகிறது.

தொழில்நுட்ப ஜாம்பவான்களான Nvidia மற்றும் Microsoft ஆகியோரும் தர்க்கரீதியான மாதிரிகளின் வளர்ச்சிக்கு பங்களித்துள்ளனர், இது பகிரங்கமாக அணுகக்கூடிய பயிற்சி தரவை வழங்குகிறது. Nvidia இன் லாமா-நெமட்ரன் அல்ட்ரா 253B ஆனது அதன் தர்க்கரீதியான பயிற்சி கட்டத்திற்கு தோராயமாக 140,000 H100 GPU-மணிநேரங்களைப் பயன்படுத்தியது, இது தோராயமாக 1e23 FLOP க்கு சமம். Microsoft இன் Phi-4-காரணம் இன்னும் குறைவான கணக்கீட்டு சக்தியைப் பயன்படுத்தியது, 1e20 FLOP க்கும் குறைவாக. இந்த மாதிரிகளை வேறுபடுத்தும் ஒரு முக்கியமான காரணி, பிற AI அமைப்புகளால் உருவாக்கப்பட்ட செயற்கை பயிற்சி தரவை அவை பெரிதும் நம்பியிருப்பதுதான். πραγματικός தரவுக்கும் செயற்கை தரவுக்கும் இடையே உள்ள உள்ளார்ந்த வேறுபாடுகள் மற்றும் மாதிரி கற்றல் மற்றும் பொதுமைப்படுத்தலில் அதன் தாக்கம் காரணமாக o3 போன்ற மாதிரிகளுடன் நேரடி ஒப்பீடுகளை இந்த சார்பு மிகவும் கடினமாக்குகிறது என்று Epoch AI வலியுறுத்துகிறது.

"தர்க்கப் பயிற்சியை" வரையறுத்தல்: ஒரு தெளிவற்ற பகுதி

"தர்க்கப் பயிற்சி” பற்றிய உலகளவில் ஏற்றுக்கொள்ளப்பட்ட வரையறை இல்லாததால் மற்றொரு சிக்கலானது எழுகிறது. வலுவூட்டல் கற்றலுக்கு கூடுதலாக, சில மாதிரிகள் மேற்பார்வையிடப்பட்ட நேர்த்தியான ட்யூனிங் போன்ற நுட்பங்களை உள்ளடக்குகின்றன. கணக்கீட்டு மதிப்பீடுகளில் சேர்க்கப்பட்டுள்ள கூறுகளைச் சுற்றியுள்ள தெளிவின்மை முரண்பாடுகளை அறிமுகப்படுத்துகிறது, இது வெவ்வேறு மாதிரிகளில் உள்ள ஆதாரங்களை துல்லியமாக ஒப்பிடுவதை சவாலாக ஆக்குகிறது.

தற்போது, தர்க்கரீதியான மாதிரிகள் இன்னும் குரோக் 3 போன்ற விரிவான AI பயிற்சி ஓட்டங்களை விட கணிசமாக குறைவான கணக்கீட்டு சக்தியை உட்கொள்கின்றன, இது 1e26 FLOP ஐ விட அதிகமாகும். சமகால தர்க்கரீதியான பயிற்சி கட்டங்கள் பொதுவாக 1e23 மற்றும் 1e24 FLOP க்கு இடையில் செயல்படுகின்றன, இது விரிவாக்கத்திற்கான கணிசமான இடத்தை விட்டுச்செல்கிறது - அல்லது அது முதலில் தோன்றுகிறது.

ஆந்த்ரோபோக்கின் CEO டாரியோ அமோடி இதே கருத்தை பகிர்ந்து கொள்கிறார். தர்க்கரீதியான பயிற்சியில் 1 மில்லியன் டாலர் முதலீடு குறிப்பிடத்தக்க முன்னேற்றத்தைக் கொடுக்கும் என்று அவர் கூறுகிறார். இருப்பினும், நிறுவனங்கள் இந்த இரண்டாம் நிலை பயிற்சி கட்டத்திற்கான பட்ஜெட்டை நூற்றுக்கணக்கான மில்லியன் டாலர்களாகவும் அதற்கு அப்பாலும் அதிகரிக்க வழிகளை தீவிரமாக ஆராய்ந்து வருகின்றன, இது பயிற்சியின் பொருளாதாரம் வியத்தகு முறையில் மாறும் எதிர்காலத்தை உணர்த்துகிறது.

ஒவ்வொரு மூன்று முதல் ஐந்து மாதங்களுக்கும் தோராயமாக பத்து மடங்கு அதிகரிப்பு கணக்கீட்டு சக்தியின் தற்போதைய போக்கு தொடர்ந்தால், முன்னணி மாதிரிகளின் மொத்த பயிற்சி கணக்கீட்டை தர்க்கரீதியான பயிற்சி கணக்கீடு அடுத்த ஆண்டு தொடக்கத்தில் பிடிக்கக்கூடும். இருப்பினும், ஜோஷ் யூ இறுதியில் வளர்ச்சி ஆண்டுக்கு தோராயமாக 4x அதிகரிப்புக்கு குறையும் என்று எதிர்பார்க்கிறார், இது பரந்த தொழில் போக்குகளுடன் ஒத்துப்போகிறது. இந்த குறைப்பு பயிற்சி முதலீட்டில் குறையும் வருவாய், கணக்கீட்டு ஆதாரங்களின் அதிகரிக்கும் செலவு மற்றும் கிடைக்கக்கூடிய பயிற்சி தரவின் வரம்புகள் உள்ளிட்ட காரணிகளின் கலவையால் இயக்கப்படும்.

கணக்கீட்டிற்கு அப்பால்: அடிவானில் உள்ள தடைகள்

கணக்கீட்டு சக்தி மட்டுமே கட்டுப்படுத்தும் காரணி அல்ல என்று Epoch AI வலியுறுத்துகிறது. தர்க்கரீதியான பயிற்சிக்கு கணிசமான அளவு உயர்தர, சவாலான பணிகள் தேவை. அத்தகைய தரவைப் பெறுவது கடினம்; அதை செயற்கையாக உருவாக்குவது இன்னும் கடினம். செயற்கை தரவில் உள்ள பிரச்சனை நம்பகத்தன்மை மட்டுமல்ல; தரம் மோசமாக உள்ளது என்று பலர் வாதிடுகின்றனர். கூடுதலாக, கணிதம் மற்றும் கணினி நிரலாக்கம் போன்ற அதிக கட்டமைக்கப்பட்ட களங்களுக்கு வெளியே இந்த அணுகுமுறையின் செயல்திறன் நிச்சயமற்றதாக உள்ளது. ஆயினும்கூட, o3 இன் தனிப்பயனாக்கப்பட்ட பதிப்பைப் பயன்படுத்தும் ChatGPT இல் உள்ள "டீப் ரிசர்ச்” போன்ற திட்டங்கள் பரந்த பயன்பாட்டிற்கான சாத்தியத்தை பரிந்துரைக்கின்றன.

பொருத்தமான பணிகளைத் தேர்ந்தெடுப்பது, வெகுமதி செயல்பாடுகளை வடிவமைப்பது மற்றும் பயிற்சி உத்திகளை உருவாக்குவது போன்ற தொழிலாளர்-தீவிரமான திரைமறைவு பணிகளும் சவால்களை முன்வைக்கின்றன. கணக்கீட்டு மதிப்பீடுகளில் இருந்து பெரும்பாலும் விலக்கப்படும் இந்த வளர்ச்சி செலவுகள், தர்க்கரீதியான பயிற்சியின் ஒட்டுமொத்த செலவுக்கு கணிசமாக பங்களிக்கின்றன.

இந்த சவால்களை மீறி, OpenAI மற்றும் பிற உருவாக்குநர்கள் நம்பிக்கையுடன் இருக்கிறார்கள். Epoch AI குறிப்பிடுவது போல, தர்க்கரீதியான பயிற்சியின் அளவிடுதல் வளைவுகள் தற்போது முன் பயிற்சியில் காணப்பட்ட கிளாசிக் பதிவைப் போன்ற நேரியல் முன்னேற்றத்தை ஒத்திருக்கிறது. மேலும், o3 கணிதத்தில் மட்டுமல்ல, முகவர் அடிப்படையிலான மென்பொருள் பணிகளிலும் கணிசமான ஆதாயங்களைக் காட்டுகிறது, இது இந்த புதிய அணுகுமுறையின் பல்துறை திறனைக் குறிக்கிறது.

இந்த முன்னேற்றத்தின் எதிர்காலம் தர்க்கரீதியான பயிற்சியின் அளவிடுதலில் உள்ளது - தொழில்நுட்ப ரீதியாகவும், பொருளாதார ரீதியாகவும், உள்ளடக்கம் ரீதியாகவும். இந்த மாதிரிகளின் எதிர்காலத்தைத் தீர்மானிக்கும் பல முக்கிய காரணிகளை பின்வரும் புள்ளிகள் ஆராய்கின்றன:

• தொழில்நுட்ப அளவிடுதல்: அதிக எண்ணிக்கையிலான தொழில்நுட்ப தடைகளை எதிர்கொள்ளாமல் பயிற்சியில் பயன்படுத்தப்படும் கணக்கீட்டு ஆதாரங்களை அதிகரிக்கும் திறனைக் குறிக்கிறது. பெரிய தரவுத்தொகுப்புகள் மற்றும் மிகவும் சக்திவாய்ந்த கணினி உள்கட்டமைப்பை திறமையாகப் பயன்படுத்த வன்பொருள், மென்பொருள் அறிமுறை ஆகியவற்றில் முன்னேற்றங்கள் இதில் அடங்கும். மாதிரிகள் அளவு மற்றும் சிக்கலான தன்மையில் அதிகரிக்கும் போது, தொடர்ச்சியான முன்னேற்றத்திற்கு தொழில்நுட்ப அளவிடுதல் மிகவும் முக்கியமானது. மாதிரிகளின் அளவை ஈடுசெய்ய அடிப்படை கட்டமைப்பு வளர்ச்சியடைய வேண்டும்.
• பொருளாதார அளவிடுதல்: நியாயமான பட்ஜெட் வரம்புகளுக்குள் கணக்கீட்டு ஆதாரங்களை அதிகரிக்கும் சாத்தியத்தை உள்ளடக்கியது. பயிற்சியின் செலவு மாதிரி அளவுடன் நேரியலாகவோ அல்லது அதிவேகமாகவோ அளவிட்டால், மேலும் ஆதாயங்களைப் பெறுவது மிகவும் விலை உயர்ந்ததாகிவிடும். எனவே, மலிவான மற்றும் திறமையான பயிற்சி அவசியம் தேவைப்படலாம். FLOP ஒன்றுக்கான செலவைக் குறைக்கும் வன்பொருள் மற்றும் மேம்படுத்தல் நுட்பங்களில் உள்ள கண்டுபிடிப்புகள் பொருளாதார விரிவாக்கத்திற்கு முக்கியமானவை. எப்போதும் பெரிய மாதிரிகளில் கவனம் செலுத்துவதே போக்காக உள்ளது, ஆனால் ஒரு திட்டவட்டமான பட்ஜெட்டுடன், ஊக்கங்கள் மிகவும் திறமையான மாதிரிகளைப் பயிற்றுவிப்பதற்கு மாறும்.
• உள்ளடக்க அளவிடுதல்: விவாத திறனில் ஆதாயங்களைத் திறம்பட இயக்குவிக்கும் உயர்தர பயிற்சித் தரவின் கிடைக்கும் தன்மையை வெளிப்படுத்துகிறது. மாதிரிகள் மேலும் அதிநவீனமாகும்போது, இன்னும் கடினமான மற்றும் மாறுபட்ட தரவுத்தொகுப்புகள் அவர்களுக்கு சவால் விடவும் மற்றும் மிகைப்படுத்தப்பட்டதை தடுக்கவும் தே ப்படுகின்றன. அத்தகைய தரவுத்தொகுப்புகளின் கிடைக்கும் தன்மை குறைவாக உள்ளது, குறிப்பாக சிக்கலான தர்க்கரீதியான தேவைப்படும் களங்களில். செயற்கை தரவு உருவாக்கும் நுட்பங்கள் இந்த தடையை குறைக்க உதவும், ஆனால் அவை மாதிரி செயல்திறனை சிதைக்கக்கூடிய சார்புகள் அல்லது தவறுகளைத் தவிர்க்க கவனமாக வடிவமைக்கப்பட வேண்டும்.

கணிப்பீட்டின் எதிர்காலம்

நாங்கள் வரம்பற்ற கணக்கீட்டு பாதையில் இருக்கிறோம் என்று சாமானியர்கள் நினைப்பது எளிது. இருப்பினும், உண்மையில், அது வரம்புக்குட்பட்டது, எதிர்காலத்தில், அந்த வரம்பு இன்னும் தெளிவாகத் தெரியலாம். இந்த பிரிவில், எதிர்காலத்தில் கணிப்பீடு எவ்வாறு உருவாகலாம் மற்றும் அந்த மாற்றங்கள் LLM தொழிலை எவ்வாறு பாதிக்கும் என்பதற்கான சில வழிகளை ஆராய்கிறோம்.

குவாண்டம் கம்ப்யூட்டிங்

குவாண்டம் கம்ப்யூட்டிங் கணக்கீட்டில் ஒரு பாராடிம் மாற்றத்தை பிரதிபலிக்கிறது, இது குவாண்டம் இயக்கவியலின் கொள்கைகளை பயன்படுத்தி கிளாசிக்கல் கணினிகளுக்கு கடினமான சிக்கல்களை தீர்க்கிறது. ஆரம்ப கட்டங்களில் இருந்தாலும், நியாயமான மாதிரி பயிற்சி உட்பட AI வேலைப்பளுவை துரிதப்படுத்துவதற்கு குவாண்டம் கம்ப்யூட்டிங் மிகப்பெரிய ஆற்றலைக் கொண்டுள்ளது. குவாண்டம் அனீலிங் மற்றும் மாறுபட்ட குவாண்டம் ஈகென்சால்வர்ஸ் (VQEs) போன்ற குவாண்டம் அல்காரிதம்கள் கிளாசிக்கல் மேம்பாட்டு முறைகளை விட மாதிரி அளவுருக்களை இன்னும் திறமையாக மேம்படுத்தலாம், பயிற்சிக்குத் தேவையான கணக்கீட்டு ஆதாரங்களைக் குறைக்கும். எடுத்துக்காட்டாக, குவாண்டம் இயந்திர கற்றல் அல்காரிதம்கள் சிக்கலான நரம்பியல் வலையமைப்புகளின் மேம்பாட்டை மேம்படுத்தலாம், இது வேகமான பயிற்சி நேரங்களுக்கு வழிவகுக்கும் மற்றும் சாத்தியமான சிறந்த மாதிரி செயல்திறன்.

இருப்பினும், குவாண்டம் கணினிகளை அளவிடுதல் மற்றும் வலுவான குவாண்டம் அல்காரிதம்களை உருவாக்குவதில் குறிப்பிடத்தக்க சவால்கள் உள்ளன. தொழில்நுட்பம் இன்னும்largely சோதனை முறையில் உள்ளது, மேலும் போதுமான க்யூபிட்கள் (குவாண்டம் பிட்கள்) மற்றும் ஒற்றுமை நேரங்களைக் கொண்ட நடைமுறை குவாண்டம் கணினிகள் இன்னும் உடனடியாகக் கிடைக்கவில்லை. மேலும், குறிப்பிட்ட AI பணிகளுக்கு ஏற்றவாறு குவாண்டம் அல்காரிதம்களை உருவாக்குவதற்கு சிறப்பு நிபுணத்துவம் தேவைப்படுகிறது மற்றும் இது ஆராய்ச்சியின் தொடர்ச்சியான பகுதியாகும். AI இல் குவாண்டம் கம்ப்யூட்டிங்கின் பரவலான தத்தெடுப்பு இன்னும் பல ஆண்டுகள் தொலைவில் உள்ளது, மேலும் கணினிகள் கிடைக்கும்போது மட்டுமே நடைமுறைக்கு வர வாய்ப்புள்ளது.

நியூரோமார்பிக் கம்ப்யூட்டிங்

கணக்கீட்டைச் செய்வதற்கு மனித மூளையின் கட்டமைப்பு மற்றும் செயல்பாட்டை நியூரோமார்பிக் கம்ப்யூட்டிங் பிரதிபலிக்கிறது. பைனரி லாஜிக் மற்றும் தொடர்ச்சியான செயலாக்கத்தை நம்பியிருக்கும் பாரம்பரிய கணினிகளைப் போலல்லாமல், நியூரோமார்பிக் சில்லுகள் இணையான மற்றும் ஆற்றல் திறமையான முறையில் தகவலைச் செயலாக்க செயற்கை நியூரான்கள் மற்றும் சினாப்ஸ்களைப் பயன்படுத்துகின்றன. இந்த கட்டமைப்பு மாதிரி அங்கீகாரம், கற்றல் மற்றும் தழுவல் போன்ற AI பணிகளுக்கு நன்கு பொருத்தமானது, அதாவது காரண மாதிரி பயிற்சி. நியூரோமார்பிக் சில்லுகள் பெரிய AI மாடல்களைப் பயிற்றுவிப்பதோடு இணைக்கப்பட்ட ஆற்றல் நுகர்வு மற்றும் தாமதத்தைக் கணிசமாகக் குறைக்கலாம், இதனால் அது பொருளாதார ரீதியாக சாத்தியமானதாகவும் சுற்றுச்சூழல் ரீதியாக நிலையானதாகவும் இருக்கும்.

Intel இன் Loihi மற்றும் IBM இன் TrueNorth ஆகிய இரண்டும் நியூரோமார்பிக் சில்லுகளுக்கான எடுத்துக்காட்டுகள், அவை AI பயன்பாடுகளில் நம்பிக்கைக்குரிய முடிவுகளை நிரூபித்துள்ளன. இந்த சில்லுகள் பாரம்பரிய CPU மற்றும் GPU களுடன் ஒப்பிடும்போது கணிசமாகக் குறைந்த சக்தி நுகர்வுடன் சிக்கலான AI பணிகளைச் செய்ய முடியும். இருப்பினும், நியூரோமார்பிக் கம்ப்யூட்டிங் இன்னும் ஒப்பீட்டளவில் புதிய களம், மேலும் வலுவான நிரலாக்க கருவிகளை உருவாக்குவதிலும், நியூரோமார்பிக் ஆர்க்கிடெக்சர்களுக்கான அல்காரிதம்களை மேம்படுத்துவதிலும் சவால்கள் உள்ளன. மேலும், நியூரோமார்பிக் வன்பொருள் குறைவாகக் கிடைப்பதாலும், நியூரோமார்பிக் கம்ப்யூட்டிங்கில் பரவலான நிபுணத்துவம் இல்லாததாலும், இந்த தொழில்நுட்பத்தை முக்கிய AI பயன்பாடுகளில் ஏற்றுக்கொள்வது தடைபட்டுள்ளது.

அனலாக் கம்ப்யூட்டிங்

டிஸ்க்ரீட் டிஜிட்டல் சிக்னல்களுக்குப் பதிலாக தகவலை பிரதிநிதித்துவப் படுத்தவும் செயலாக்கவும் அனலாக் கம்ப்யூட்டிங் தொடர்ச்சியான உடல் அளவுகளான வோல்டேஜ் அல்லது மின்னோட்டத்தைப் பயன்படுத்துகிறது. அனலாக் கணினிகள் சில கணித செயல்பாடுகளைச் செய்ய முடியும், குறிப்பாக டிஃபரன்ஷியல் சமன்பாடுகள் மற்றும் லீனியர் அல்ஜீப்ரா போன்றவை, டிஜிட்டல் கம்ப்யூட்டர்களை விட மிக வேகமாக மற்றும் திறமையாகச் செய்ய முடியும், குறிப்பாக நியாயப்படுத்துவதற்குப் பயன்படும் பணிகளில். தேவைப்படும்போது மாதிரிகளைப் பயிற்றுவிக்க அல்லது அனுமானம் செய்ய அனலாக் கணக்கீடு பயனுள்ளதாக இருக்கும்.

இருப்பினும், துல்லியம், அளவிடுதல் மற்றும் நிரலாக்கம் ஆகியவற்றில் அனலாக் கம்ப்யூட்டிங் சவால்களை எதிர்கொள்கிறது. அனலாக் சர்க்யூட்டுகள் சத்தம் மற்றும் ட்ரிஃப்ட் ஆகியவற்றிற்கு ஆளாகின்றன, இது கணக்கீடுகளின் துல்லியத்தை குறைக்கலாம். பெரிய மற்றும் சிக்கலான AI மாதிரிகளைக் கையாள அனலாக் கம்ப்யூட்டர்களை அளவிடுதல் என்பது ஒரு தொழில்நுட்ப சவால். மேலும், அனலாக் கம்ப்யூட்டர்களை நிரலாக்கம் செய்வதற்கு பொதுவாக சிறப்பு நிபுணத்துவம் தேவைப்படுகிறது மற்றும் டிஜிட்டல் கம்ப்யூட்டர்களை நிரலாக்கம் செய்வதை விட கடினம். இந்த சவால்களை மீறி, குறிப்பிட்ட AI பயன்பாடுகளுக்கான டிஜிட்டல் கம்ப்யூட்டிங்கிற்கு சாத்தியமான மாற்றாக அனலாக் கம்ப்யூட்டிங்கிலான ஆர்வம் அதிகரித்து வருகிறது, குறிப்பாக அதிக வேகம் மற்றும் ஆற்றல் திறன் தேவைப்படும்.

விநியோகிக்கப்பட்ட கம்ப்யூட்டிங்

விநியோகிக்கப்பட்ட கம்ப்யூட்டிங் ஒரு நெட்வொர்க்கால் இணைக்கப்பட்ட பல இயந்திரங்கள் அல்லது சாதனங்களுக்கு AI வேலைப்பளுவை விநியோகிப்பதை உள்ளடக்கியது. இந்த அணுகுமுறை AI பயிற்சி மற்றும் அனுமானத்தை துரிதப்படுத்த அதிக எண்ணிக்கையிலான ஆதாரங்களின் கூட்டு கணக்கீட்டு சக்தியைப் பயன்படுத்த நிறுவனங்களை அனுமதிக்கிறது. பாரிய தரவுத்தொகுப்புகள் மற்றும் கணக்கீட்டு ஆதாரங்கள் தேவைப்படும் பெரிய மொழி மாதிரிகள் (LLM) மற்றும் பிற சிக்கலான AI மாதிரிகளைப் பயிற்றுவிப்பதற்கு விநியோகிக்கப்பட்ட கம்ப்யூட்டிங் அவசியம்.

டென்சர்ஃப்ளோ, பைடார்ச் மற்றும் அப்பாச்சி ஸ்பார்க் போன்ற கட்டமைப்புகள் இயந்திரங்களின் கிளஸ்டர்களில் AI வேலைப்பளுவை விநியோகிக்க கருவிகள் மற்றும் APIகளை வழங்குகின்றன. இந்த கட்டமைப்புகள் தேவைப்படும்போது அதிக கணக்கீட்டு ஆதாரங்களைச் சேர்ப்பதன் மூலம் AI திறன்களை அளவிட நிறுவனங்களை அனுமதிக்கின்றன. இருப்பினும், விநியோகிக்கப்பட்ட கம்ப்யூட்டிங் தரவு மேலாண்மை, தகவல் தொடர்பு மேலோட்டம் மற்றும் ஒத்திசைவு ஆகியவற்றில் சவால்களை அறிமுகப்படுத்துகிறது. பல இயந்திரங்களில் தரவை திறமையாக விநியோகித்தல் மற்றும் தகவல்தொடர்பு தாமதங்களைக் குறைத்தல் ஆகியவை விநியோகிக்கப்பட்ட AI அமைப்புகளின் செயல்திறனை அதிகரிப்பதற்கு முக்கியமானவை. கூடுதலாக, பல்வேறு இயந்திரங்கள் அல்லது சாதனங்கள் சரியாக ஒத்திசைக்கப்பட்டு ஒருங்கிணைக்கப்படுவதை உறுதி செய்வது துல்லியமான மற்றும் நம்பகமான முடிவுகளை அடைவதற்கு அவசியம்.

முடிவு

நியாயமான மாதிரிகளின் பாதை மறுக்கமுடியாத அளவிற்கு கணக்கீட்டு ஆதாரங்களின் கிடைக்கும் தன்மை மற்றும் அளவிடுதலுடன் பின்னிப்பிணைந்துள்ளது. அதிகரித்த கணக்கீட்டால் இயக்கப்படும் தற்போதைய முன்னேற்ற வேகம் ஈர்க்கக்கூடியதாக இருந்தாலும், உயர்தர பயிற்சித் தரவின் பற்றாக்குறை, கணக்கீட்டின் அதிகரிக்கும் செலவு மற்றும் மாற்று கணக்கீட்டு பாராடிம்களின் தோற்றம் உள்ளிட்ட பல காரணிகள், கட்டுக்கடங்காத கணக்கீட்டு அளவிடுதல் சகாப்தம் அதன் வரம்புகளை நெருங்கக்கூடும் என்று கூறுகின்றன. நியாயமான மாதிரிகளின் எதிர்காலம் இந்த வரம்புகளைத் தாண்டி வருவதற்கும் AI திறன்களை மேம்படுத்துவதற்கான ಹೊಸ அணுகுமுறைகளை ஆராய்வதற்கும் எங்கள் திறனைப் பொறுத்தது. இந்த அனைத்து தகவல்களுடன், விவாதிக்கப்பட்ட பல தடைகளில் ஒன்றிற்காக நியாயமான மாதிரி திறன்களின் உயர்வு விரைவில் குறையத் தொடங்கும் என்று நாம் கருதலாம்.