భవిష్యత్ గత ప్రతిధ్వనులు: Windows 98లో Meta AI మేల్కొలుపు

సాంకేతిక యుగాల అద్భుతమైన కలయికలో, విస్తృతమైన గృహ కంప్యూటింగ్ యొక్క ప్రారంభ రోజులను కృత్రిమ మేధస్సు యొక్క అత్యాధునికతతో కలిపే ఒక కథనం ఉద్భవించింది. టెక్ ప్రపంచంలో ప్రముఖ వ్యక్తి మరియు ప్రభావవంతమైన వెంచర్ క్యాపిటల్ సంస్థ Andreessen Horowitz సహ-వ్యవస్థాపకుడు అయిన Marc Andreessen ఇటీవల ఒక అద్భుతమైన ఘనతను హైలైట్ చేశారు: Meta యొక్క Llama కృత్రిమ మేధస్సు మోడల్ యొక్క కాంపాక్ట్ వెర్షన్, కేవలం 128 మెగాబైట్ల RAMతో అమర్చబడిన గౌరవనీయమైన Windows 98 ఆపరేటింగ్ సిస్టమ్‌ను నడుపుతున్న కంప్యూటర్‌లో విజయవంతంగా పనిచేసింది. ఈ ఆవిష్కరణ సాంకేతిక సామర్థ్యాన్ని శక్తివంతంగా గుర్తుచేస్తుంది మరియు కంప్యూటింగ్ యొక్క చారిత్రక గమనం గురించి ఆసక్తికరమైన ప్రశ్నలను లేవనెత్తుతుంది.

పావు శతాబ్దానికి పైగా నాటి హార్డ్‌వేర్‌పై అధునాతన AIని, చిన్నది అయినప్పటికీ, నడపడం అనే భావన దాదాపు విరుద్ధంగా అనిపిస్తుంది. ChatGPT మరియు Microsoft యొక్క స్వంత Copilot వంటి సాధనాలకు శక్తినిచ్చే ఆధునిక ఉత్పాదక AI, సాధారణంగా శక్తివంతమైన ప్రాసెసర్‌లు, గణనీయమైన మెమరీ కేటాయింపులు మరియు తరచుగా, క్లౌడ్-ఆధారిత మౌలిక సదుపాయాలతో ముడిపడి ఉంటుంది. Microsoft స్వయంగా AI సామర్థ్యాలను, ముఖ్యంగా దాని Copilot అసిస్టెంట్‌ను, దాని తాజా ఆపరేటింగ్ సిస్టమ్, Windows 11 మరియు AI పనిభారాలను దృష్టిలో ఉంచుకుని స్పష్టంగా రూపొందించబడిన Copilot+ PCs అని పిలువబడే కొత్త తరం హార్డ్‌వేర్‌లలో లోతుగా ఏకీకృతం చేయడంలో భారీగా పెట్టుబడి పెట్టింది. ఈ వ్యత్యాసం Windows 98 ప్రయోగాన్ని మరింత అద్భుతంగా చేస్తుంది. ఇది కొన్ని AI ఫంక్షన్‌లకు నిజంగా అవసరమైన వనరుల గురించి మన అంచనాలను సవాలు చేస్తుంది మరియు ప్రత్యామ్నాయ సాంకేతిక కాలక్రమంలోకి ఒక సంగ్రహావలోకనం అందిస్తుంది.

గతాన్ని పునరుద్ధరించడం: ప్రయోగం వెనుక ఉన్న గొప్ప ప్రయత్నం

Andreessen ఈ సాధనకు విస్తృత దృష్టిని తీసుకువచ్చినప్పటికీ, సాంకేతిక భారీ కృషి అంతకుముందు పని నుండి, ముఖ్యంగా Exo Labs బృందం నుండి వచ్చినట్లు కనిపిస్తుంది. అటువంటి పాతకాలపు యంత్రాలపై ఆధునిక AIని ఒప్పించే వారి ప్రయాణం సూటిగా లేదు; ఇది డిజిటల్ పురావస్తు శాస్త్రం మరియు సృజనాత్మక సమస్య-పరిష్కారంలో ఒక వ్యాయామం, అప్పటి మరియు ఇప్పటి కంప్యూటింగ్ మధ్య ఉన్న విస్తారమైన తేడాలను హైలైట్ చేస్తుంది.

మొదటి అడ్డంకి ప్రాథమిక లాజిస్టిక్స్ మరియు హార్డ్‌వేర్ అనుకూలతను కలిగి ఉంది. Windows 98 యుగం నుండి పనిచేసే హార్డ్‌వేర్‌ను కనుగొనడం చాలా సవాలుగా ఉంది. కానీ కేవలం యంత్రాన్ని బూట్ చేయడమే కాకుండా, బృందానికి పెరిఫెరల్స్ అవసరం. ఈ రోజు సర్వసాధారణమైన ఆధునిక USB ఇంటర్‌ఫేస్‌లు, Windows 98 యొక్క ప్రధాన సమయంలో ప్రామాణిక ఛార్జీలు కావు. దీనికి పాత PS/2 కనెక్టర్లను ఉపయోగించి అనుకూల ఇన్‌పుట్ పరికరాలను సోర్స్ చేయడం అవసరం – చాలా మంది యువ టెక్ ఔత్సాహికులు ఎన్నడూ ఎదుర్కోని కీబోర్డులు మరియు మౌస్‌లు.

భౌతిక సెటప్ పరిష్కరించబడిన తర్వాత, తదుపరి ముఖ్యమైన అడ్డంకి డేటా బదిలీ. అధిక-వేగవంతమైన USB పోర్ట్‌లు లేదా అతుకులు లేని నెట్‌వర్క్ ఇంటిగ్రేషన్ వంటి ఆధునిక కనెక్టివిటీ ఎంపికలు లేని యంత్రంలోకి అవసరమైన AI మోడల్ ఫైల్‌లు మరియు డెవలప్‌మెంట్ సాధనాలను ఎలా పొందాలి? ఇది పాత, నెమ్మదైన పద్ధతులను ఆశ్రయించడం, బహుశా ఫైల్‌లను CDలలో బర్న్ చేయడం లేదా ఆ సమయంలోని పరిమిత నెట్‌వర్క్ ప్రోటోకాల్‌లను ఉపయోగించడం వంటివి కలిగి ఉండవచ్చు, ఇది సాధారణ ఫైల్ కాపీని సమయం తీసుకునే ప్రక్రియగా మారుస్తుంది.

అయితే, ప్రధాన సాంకేతిక సవాలు పురాతన పర్యావరణం కోసం ఆధునిక కోడ్‌ను కంపైల్ చేయడంలో ఉంది. Meta యొక్క Llama ఆర్కిటెక్చర్ ఆధారంగా AI మోడల్, సమకాలీన ప్రోగ్రామింగ్ పద్ధతులు మరియు భాషలను ఉపయోగించి నిర్మించబడింది. ఈ కోడ్‌ను Windows 98 ద్వారా అర్థమయ్యేలా మరియు అమలు చేయగలిగేలా చేయడానికి, పాత ఆపరేటింగ్ సిస్టమ్‌లో అమలు చేయగల మరియు AI కోడ్ యొక్క సంక్లిష్టతలను నిర్వహించగల కంపైలర్ – సోర్స్ కోడ్‌ను మెషిన్ లాంగ్వేజ్‌లోకి అనువదించే ప్రోగ్రామ్ – అవసరం.

Exo Labs ప్రారంభంలో Borland C++ 5.02 వైపు మొగ్గు చూపింది, ఇది స్వయంగా సాఫ్ట్‌వేర్ చరిత్రలో ఒక భాగం – Windows 98లో స్థానికంగా నడిచే 26 ఏళ్ల ఇంటిగ్రేటెడ్ డెవలప్‌మెంట్ ఎన్విరాన్‌మెంట్ (IDE) మరియు కంపైలర్ కలయిక. ఈ ఎంపిక ఆధునిక కోడ్ బేస్ మరియు పాతకాలపు ఆపరేటింగ్ సిస్టమ్ మధ్య సంభావ్య వారధిని సూచించింది. అయితే, మార్గం సమస్యలతో నిండి ఉంది. ఆధునిక C++ ప్రమాణాలు మరియు లైబ్రరీల యొక్క చిక్కులు Borland కంపైలర్ మరియు Windows 98 పర్యావరణం యొక్క సామర్థ్యాలు మరియు పరిమితులతో సరిదిద్దడం కష్టమని నిరూపించబడింది. అనుకూలత సమస్యలు తలెత్తాయి, బృందాన్ని మార్చవలసి వచ్చింది.

వారి పరిష్కారం C ప్రోగ్రామింగ్ భాష యొక్క పాత వెర్షన్‌కు తిరోగమనం చేయడం. C ఒక పునాది భాష మరియు C++కు పూర్వగామి అయినప్పటికీ, పాత C ప్రమాణాన్ని ఉపయోగించడం అంటే C++ మరింత సొగసైనగా నిర్వహించే కొన్ని ఉన్నత-స్థాయి సంగ్రహణలు మరియు సౌకర్యాలను త్యాగం చేయడం. దీనికి మరింత శ్రమతో కూడిన కోడింగ్ ప్రక్రియ అవసరం, C++ మరింత సొగసైనగా నిర్వహించే ఫంక్షన్‌లు మరియు వేరియబుల్స్ వంటి అంశాలను మాన్యువల్‌గా నిర్వహించడం. పురోగతి అనివార్యంగా నెమ్మదిగా ఉంది, పాత డెవలప్‌మెంట్ సాధనాలు సులభంగా గుర్తించలేని లోపాలను నివారించడానికి సూక్ష్మమైన శ్రద్ధ అవసరం.

మెమరీ ఒత్తిడి: పరిమిత వనరుల కోసం Llamaను నియంత్రించడం

బహుశా అత్యంత భయంకరమైన పరిమితి అత్యంత పరిమితమైన రాండమ్ యాక్సెస్ మెమరీ (RAM). లక్ష్య యంత్రం కేవలం 128 మెగాబైట్ల RAMను కలిగి ఉంది. దీనిని దృక్కోణంలో ఉంచడానికి, ఆధునిక స్మార్ట్‌ఫోన్‌లు సాధారణంగా 8, 12, లేదా 16 గిగాబైట్ల RAMతో రవాణా చేయబడతాయి (ఒక గిగాబైట్ సుమారు 1000 మెగాబైట్లు). గేమింగ్ లేదా ప్రొఫెషనల్ పని కోసం రూపొందించబడిన హై-ఎండ్ PCలు తరచుగా 32GB, 64GB, లేదా అంతకంటే ఎక్కువ కలిగి ఉంటాయి. అటువంటి చిన్న మెమరీ ఫుట్‌ప్రింట్‌లో AI మోడల్ వంటి సంక్లిష్టమైన అప్లికేషన్‌ను నడపడం చీపురు గదిలో క్లిష్టమైన శస్త్రచికిత్స చేయడం లాంటిది.

Meta యొక్క Llama మోడల్స్ కుటుంబం, OpenAI యొక్క GPT-4 వంటి భారీ వాటి కంటే సాధారణంగా ఎక్కువ వనరుల-సమర్థవంతంగా పరిగణించబడుతున్నప్పటికీ, ఇప్పటికీ బిలియన్ల పారామితులతో కూడిన వెర్షన్‌లను కలిగి ఉంటుంది. Llama 2 ఆర్కిటెక్చర్, ఉదాహరణకు, 70 బిలియన్ పారామితుల వరకు స్కేలింగ్ చేసే మోడల్‌లను కలిగి ఉంటుంది. ఈ పెద్ద మోడల్‌లకు గణనీయమైన గణన శక్తి మరియు, ముఖ్యంగా, మోడల్ బరువులను లోడ్ చేయడానికి మరియు సమాచారాన్ని ప్రాసెస్ చేయడంలో మరియు ప్రతిస్పందనలను రూపొందించడంలో పాల్గొన్న గణనలను నిర్వహించడానికి విస్తారమైన మెమరీ అవసరం. ఒక ప్రామాణిక Llama 2 మోడల్ 128MB పరిమితిలో నడపడానికి పూర్తిగా అసమర్థంగా ఉంటుంది.

అందువల్ల, ప్రయోగం యొక్క విజయం Llama ఆర్కిటెక్చర్ యొక్క అత్యంత ఆప్టిమైజ్ చేయబడిన, గణనీయంగా చిన్న పునరావృతంను ఉపయోగించడం లేదా అభివృద్ధి చేయడంపై ఆధారపడి ఉంది. ఈ ప్రత్యేక వెర్షన్ తీవ్రమైన హార్డ్‌వేర్ పరిమితుల క్రింద పనిచేయడానికి ప్రత్యేకంగా రూపొందించబడాలి. ఇది మోడల్ క్వాంటైజేషన్ (మోడల్ యొక్క గణనలలో ఉపయోగించే సంఖ్యల ఖచ్చితత్వాన్ని తగ్గించడం) మరియు ప్రూనింగ్ (న్యూరల్ నెట్‌వర్క్ యొక్క తక్కువ ముఖ్యమైన భాగాలను తొలగించడం) వంటి పద్ధతులను దాని మెమరీ మరియు గణన పాదముద్రను తీవ్రంగా తగ్గించడానికి కలిగి ఉండవచ్చు. Exo Labs వారి అనుకూలీకరించిన వెర్షన్‌ను GitHubలో అందుబాటులో ఉంచింది, అవసరమైన నిర్దిష్ట మార్పులను ప్రదర్శిస్తుంది.

పురాతన హార్డ్‌వేర్‌పై నడుస్తున్న ఈ చిన్న AI, దాని పెద్ద, క్లౌడ్-రన్ బంధువుల విస్తృత జ్ఞానం లేదా సూక్ష్మ సంభాషణ సామర్థ్యాలను కలిగి ఉండదు. దాని సామర్థ్యాలు పరిమితం చేయబడతాయి. అయినప్పటికీ, అది నడపగలదు మరియు ప్రాథమిక ఉత్పాదక పనులను చేయగలదనే వాస్తవం ఒక ముఖ్యమైన సాంకేతిక విజయాన్ని సూచిస్తుంది. ఇది పెద్ద భాషా నమూనాల యొక్క ప్రధాన భావనలను, సూత్రప్రాయంగా, నాటకీయంగా తగ్గించవచ్చని ప్రదర్శిస్తుంది, అటువంటి తీవ్రతలలో ఆచరణాత్మక ప్రయోజనం పరిమితంగా ఉన్నప్పటికీ.

ఆండ్రీసెన్ యొక్క ప్రేరేపణ: సంభాషణ కంప్యూటింగ్ కోసం కోల్పోయిన కాలక్రమమా?

Marc Andreessen కంప్యూటింగ్ యొక్క చరిత్ర మరియు సంభావ్య భవిష్యత్తు గురించి విస్తృతమైన, మరింత రెచ్చగొట్టే విషయాన్ని చెప్పడానికి ఈ సాంకేతిక ప్రదర్శనను ఉపయోగించుకున్నారు. అతని ప్రతిబింబం పాత హార్డ్‌వేర్‌పై కొత్త సాఫ్ట్‌వేర్‌ను నడపడం యొక్క సాంకేతిక ఉత్సుకత గురించి మాత్రమే కాదు; ఇది మానవ-కంప్యూటర్ పరస్పర చర్య యొక్క సంభావ్య ప్రత్యామ్నాయ చరిత్రపై ఒక ఆలోచన.

26 ఏళ్ల నాటి Dell PCలో Llama యొక్క విజయవంతమైన ఆపరేషన్ దశాబ్దాలుగా విస్తరించిన ఒక తప్పిపోయిన అవకాశాన్ని సూచిస్తుందని సూచించడం ద్వారా అతను దీనిని స్పష్టం చేశాడు. “ఆ పాత PCలన్నీ అక్షరాలా ఈ సమయంలో తెలివైనవిగా ఉండగలిగాయి,” అని Andreessen ప్రతిపాదించారు. “మేము ఇప్పుడు 30 సంవత్సరాలుగా మా కంప్యూటర్లతో మాట్లాడుకుంటూ ఉండగలిగాము.”

ఈ ప్రకటన AI అభివృద్ధి యొక్క గమనం వ్యక్తిగత కంప్యూటింగ్ యొక్క పెరుగుదలతో విభిన్నంగా కలిసిన ప్రపంచాన్ని ఊహించుకోవడానికి మనలను ఆహ్వానిస్తుంది. PCలు ప్రధానంగా గణన, పత్ర సృష్టి మరియు చివరికి, ఇంటర్నెట్‌ను యాక్సెస్ చేయడానికి సాధనాలుగా ఉండటానికి బదులుగా, బహుశా అవి చాలా ముందుగానే సంభాషణ భాగస్వాములుగా పరిణామం చెంది ఉండవచ్చు. ఆధునిక డిజిటల్ అసిస్టెంట్లు మరియు అధునాతన LLMల ఆగమనంతో మాత్రమే ప్రధాన స్రవంతి వాస్తవికతగా మారిన విధంగా వినియోగదారులు వారి Windows 95, 98, లేదా అంతకు ముందు యంత్రాలతో సహజ భాష ద్వారా సంభాషించడం, ప్రశ్నలు అడగడం, సహాయం పొందడం మరియు సంభాషణలో పాల్గొనడం వంటి చిత్రాన్ని ఇది రేకెత్తిస్తుంది.

వాస్తవానికి, ఇది ఒక ముఖ్యమైన ప్రతివాస్తవ లీపు. ఉత్పాదక AI, మనం ఈ రోజు అర్థం చేసుకున్నట్లుగా, భారీ డేటాసెట్‌లు, అధునాతన న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్‌లు (Llama మరియు GPT మోడల్‌ల అంతర్లీనంగా ఉన్న Transformer ఆర్కిటెక్చర్ వంటివి), మరియు శిక్షణ కోసం అపారమైన గణన శక్తిపై ఆధారపడటం, సాపేక్షంగా ఇటీవలి దృగ్విషయం. 1980లు మరియు 1990ల AI పరిశోధన, ఆశయం ఉన్నప్పటికీ, నిపుణుల వ్యవస్థలు మరియు సింబాలిక్ రీజనింగ్ వంటి విభిన్న నమూనాలపై దృష్టి పెట్టింది. Exo Labs ప్రదర్శించిన స్ట్రిప్డ్-డౌన్ Llamaను నడపగల సామర్థ్యం ఉన్న ఆ యుగం యొక్క హార్డ్‌వేర్, నేటి సిస్టమ్‌ల కంటే పరిమాణ క్రమంలో తక్కువ శక్తివంతమైనది, మరియు సామర్థ్యం గల ఉత్పాదక మోడల్‌లకు శిక్షణ ఇవ్వడానికి అవసరమైన విస్తారమైన డిజిటల్ డేటాసెట్‌లు అందుబాటులో ఉన్న రూపంలో ఉనికిలో లేవు.

Andreessen ఈ సందర్భాన్ని అంగీకరించారు, 1980ల AI బూమ్ యొక్క ఆశావాదాన్ని పేర్కొంటూ: “80లలో చాలా మంది తెలివైన వ్యక్తులు ఇదంతా అప్పుడే జరుగుతుందని అనుకున్నారు.” ఆ యుగం కృత్రిమ మేధస్సులో గణనీయమైన పెట్టుబడి మరియు పరిశోధనను చూసింది, కానీ అది చివరికి “AI శీతాకాలం”కు దారితీసింది – సాంకేతికత దాని అత్యంత ప్రతిష్టాత్మక వాగ్దానాలను నెరవేర్చడంలో విఫలమైనప్పుడు నిధులు మరియు ఆసక్తి తగ్గిన కాలం. గణన శక్తి, డేటా లభ్యత మరియు అల్గారిథమిక్ విధానాలలో పరిమితులు లోతైనవి.

అందువల్ల, Andreessen యొక్క వ్యాఖ్య బహుశా మనం ఇప్పుడు అనుభవించే విధంగా 1990ల హార్డ్‌వేర్‌పై అధునాతన, మానవ-వంటి AI సాధ్యమని అక్షరాలా వాదనగా కాకుండా, ఒక ఆలోచనా ప్రయోగంగా ఉత్తమంగాఅర్థం చేసుకోవచ్చు. పరిశోధన ప్రాధాన్యతలు, అల్గారిథమిక్ పురోగతులు మరియు హార్డ్‌వేర్ అభివృద్ధి వేరే మార్గాన్ని అనుసరించి ఉంటే అన్‌లాక్ చేయబడే సంభావ్యతను ఇది హైలైట్ చేస్తుంది. కొన్ని రకాల తెలివైన పరస్పర చర్య కోసం బిల్డింగ్ బ్లాక్‌లు సాంకేతికంగా సాధించదగినవిగా ఉండవచ్చనే ఆలోచనను ఇది నొక్కి చెబుతుంది, ఫలితం నేటి AI కంటే చాలా సరళంగా ఉన్నప్పటికీ.

విభిన్న యుగాలు: డయల్-అప్ కలల నుండి AI-నిండిన వాస్తవికత వరకు

Windows 98 ప్రయోగం AI ఏకీకరణ యొక్క ప్రస్తుత ప్రకృతి దృశ్యానికి పూర్తి విరుద్ధమైన బిందువుగా పనిచేస్తుంది. ఈ రోజు, AI వేగంగా క్లౌడ్-సెంట్రిక్ సేవ నుండి ఆపరేటింగ్ సిస్టమ్ మరియు హార్డ్‌వేర్‌లోనే లోతుగా పొందుపరచబడుతోంది.

Microsoft యొక్క Copilot మరియు Copilot+ PCsతో ముందుకు సాగడం ఈ ధోరణిని ఉదాహరిస్తుంది. Windows 11 Copilot కోసం అనేక ఎంట్రీ పాయింట్‌లను కలిగి ఉంది, పత్రాలను సంగ్రహించడం మరియు ఇమెయిల్‌లను డ్రాఫ్ట్ చేయడం నుండి చిత్రాలను రూపొందించడం మరియు సిస్టమ్ సెట్టింగ్‌లను సర్దుబాటు చేయడం వరకు పనులకు AI సహాయాన్ని అందిస్తుంది. కొత్త Copilot+ PC స్పెసిఫికేషన్ న్యూరల్ ప్రాసెసింగ్ యూనిట్ (NPU) – AI గణనలను సమర్థవంతంగా వేగవంతం చేయడానికి రూపొందించబడిన ప్రత్యేక సిలికాన్ – చేర్చడాన్ని తప్పనిసరి చేస్తుంది. ఇది AI ప్రాసెసింగ్ వ్యక్తిగత కంప్యూటర్ యొక్క ప్రధాన విధిగా మారుతున్న ప్రాథమిక మార్పును సూచిస్తుంది, ఇది కేవలం రిమోట్ సర్వర్‌లపై ఆధారపడకుండా స్థానికంగా నిర్వహించబడుతుంది.

ఈ ఆధునిక విధానం సమృద్ధిగా వనరులను ఊహిస్తుంది మరియు ప్రభావితం చేస్తుంది. Copilot+ PCలకు కనీసం 16GB RAM మరియు వేగవంతమైన సాలిడ్-స్టేట్ స్టోరేజ్ అవసరం, ఇవి Windows 98 మెషీన్ యొక్క వినయపూర్వకమైన 128MBను బాగా మించిపోయే స్పెసిఫికేషన్‌లు. ఉపయోగించిన AI మోడల్‌లు, క్లయింట్-సైడ్ ఎగ్జిక్యూషన్ కోసం ఆప్టిమైజ్ చేయబడినప్పటికీ, ప్రయోగంలో ఉపయోగించిన చిన్న Llama వెర్షన్ కంటే చాలా క్లిష్టంగా మరియు సామర్థ్యం కలిగి ఉంటాయి. అవి దశాబ్దాల అల్గారిథమిక్ శుద్ధీకరణ, భారీ శిక్షణా డేటాసెట్‌లు మరియు వాటి అవసరాల కోసం ప్రత్యేకంగా నిర్మించబడిన హార్డ్‌వేర్ నుండి ప్రయోజనం పొందుతాయి.

ఈ వ్యత్యాసం అనేక అంశాలను ప్రకాశిస్తుంది:

1. సాఫ్ట్‌వేర్ ఆప్టిమైజేషన్ వర్సెస్ బ్లోట్: Exo Labs ప్రయోగం తీవ్రమైన ఆప్టిమైజేషన్‌కు నిదర్శనం, ఆధునిక అల్గారిథమ్‌లను అత్యంత పరిమిత వాతావరణంలోకి బలవంతం చేస్తుంది. ఇది ఆధునిక సాఫ్ట్‌వేర్ ఎప్పటికప్పుడు పెరుగుతున్న హార్డ్‌వేర్ వనరులను ఊహించే ధోరణిని పరోక్షంగా విమర్శిస్తుంది, కొన్నిసార్లు అసమర్థత లేదా “బ్లోట్”కు దారితీస్తుంది.
2. హార్డ్‌వేర్ యొక్క పరిణామం: ఒక సాధారణ 1998 PC మరియు 2024 Copilot+ PC మధ్య గణన శక్తి మరియు మెమరీలో ఉన్న పూర్తి వ్యత్యాసం అద్భుతమైనది, ఇది Moore’s Law మరియు నిర్మాణ ఆవిష్కరణల యొక్క బహుళ తరాలను సూచిస్తుంది.
3. డేటా యొక్క ప్రాప్యత: ఆధునిక LLMల శిక్షణ Windows 98 యుగంలో ఊహించలేని ఇంటర్నెట్-స్థాయి డేటాసెట్‌లపై ఆధారపడి ఉంటుంది. డిజిటల్ విశ్వం అప్పుడు చాలా చిన్నదిగా మరియు డిస్‌కనెక్ట్ చేయబడి ఉంది.
4. అల్గారిథమిక్ పురోగతులు: 2017లో Transformer మోడల్ వంటి ఆర్కిటెక్చర్‌ల అభివృద్ధి ఒక కీలకమైన క్షణం, ఇది నేటి ఉత్పాదక AIలో కనిపించే స్కేలింగ్ మరియు పనితీరును ప్రారంభించింది. మునుపటి AI విధానాలకు ప్రాథమిక పరిమితులు ఉన్నాయి.

Andreessen 30 సంవత్సరాల క్రితం మాట్లాడే కంప్యూటర్ల గురించి కలలు కంటున్నప్పటికీ, వాస్తవికత ఏమిటంటే, నేటి AI అనుభవానికి అవసరమైన హార్డ్‌వేర్ శక్తి, డేటా లభ్యత మరియు అల్గారిథమిక్ ఆవిష్కరణల సంగమం చాలా ఇటీవలే సంభవించింది.

దీని అర్థం ఏమిటి? నోస్టాల్జియాకు మించిన ప్రతిబింబాలు

Windows 98లో Llama మోడల్ యొక్క విజయవంతమైన విస్తరణ కేవలం ఒక తెలివైన హ్యాక్, టెక్ ఔత్సాహికుల కోసం ఒక నోస్టాల్జిక్ స్టంటా? లేదా దానికి లోతైన ప్రాముఖ్యత ఉందా? ఇది వాదించదగిన విధంగా అనేక ప్రయోజనాలకు ఉపయోగపడుతుంది:

• తీవ్రమైన స్కేలబిలిటీని ప్రదర్శించడం: ఇది పెద్ద భాషా నమూనాల వెనుక ఉన్న ప్రాథమిక సూత్రాలను చాలా గట్టి వనరుల పరిమితుల క్రింద పనిచేయడానికి అనుగుణంగా మార్చవచ్చని రుజువు చేస్తుంది. ఇది తక్కువ-శక్తి ఎంబెడెడ్ సిస్టమ్స్, IoT పరికరాలు లేదా ప్రపంచంలోని వివిధ ప్రాంతాలలో వాడుకలో ఉన్న పాత హార్డ్‌వేర్‌పై AIని విస్తరించడానికి సంభావ్య చిక్కులను కలిగి ఉంది.
• పరిమితుల శక్తిని హైలైట్ చేయడం: తీవ్రమైన పరిమితుల్లో పనిచేయడం తరచుగా ఆవిష్కరణ మరియు సామర్థ్యాన్ని బలవంతం చేస్తుంది. Exo Labs బృందం సృజనాత్మక పరిష్కారాలను కనుగొనవలసి వచ్చింది మరియు క్రూరంగా ఆప్టిమైజ్ చేయవలసి వచ్చింది, వనరులు అధికంగా ఉన్న వాతావరణాలలో కూడా విలువైన నైపుణ్యాలు.
• అంచనాలను సవాలు చేయడం: ఆధునిక అప్లికేషన్‌లు ఉపయోగించే అన్ని గణన శక్తి మరియు మెమరీ అవి అందించే విలువకు ఖచ్చితంగా అవసరమా అనే దానిపై ప్రతిబింబించమని ఇది ప్రేరేపిస్తుంది. కొన్ని సాఫ్ట్‌వేర్‌లు సన్నగా మరియు మరింత సమర్థవంతంగా ఉండగలవా?
• సాంకేతిక మార్గాల యొక్క ఆకస్మికతను వివరించడం: చరిత్ర అరుదుగా సరళ రేఖను అనుసరిస్తుంది. పాత హార్డ్‌వేర్‌పై కొన్ని ప్రాథమిక AI సాధ్యమై ఉండవచ్చు అనే వాస్తవం విభిన్న ఎంపికలు, పరిశోధన దిశలు లేదా యాదృచ్ఛిక ఆవిష్కరణలు కూడా మనలను వేరే సాంకేతిక మార్గంలోకి నడిపించి ఉండవచ్చని నొక్కి చెబుతుంది.

ఈ ప్రయోగం చరిత్రను తిరిగి వ్రాయదు, లేదా 2024 యొక్క అధునాతన AI అనుభవాలు 1998లో ఎలాగోలా సాధించదగినవని దీని అర్థం కాదు. ఎనేబుల్ చేసే సాంకేతికతలలో అంతరం – ప్రాసెసింగ్ శక్తి, మెమరీ, డేటా, అల్గారిథమ్‌లు – అపారంగా ఉంది. అయినప్పటికీ, ఇది ఒక ఆసక్తికరమైన డేటా పాయింట్‌ను, ఇంజనీరింగ్ చాతుర్యానికి నిదర్శనాన్ని మరియు సాంకేతిక పురోగతి యొక్క వంకర మార్గాన్ని ఆలోచించడానికి ఒక ఉత్ప్రేరకాన్ని అందిస్తుంది. నిన్నటి పరిమితులను కొన్నిసార్లు నేటి జ్ఞానంతో అధిగమించవచ్చని, ఆశ్చర్యకరమైన ఫలితాలను ఇస్తుందని మరియు ఇప్పుడు మరియు భవిష్యత్తులో ఏమి సాధ్యమవుతుందో పునఃపరిశీలించమని మనలను ప్రేరేపిస్తుందని ఇది మనకు గుర్తు చేస్తుంది. పాత యంత్రంలోని దెయ్యం ఏమి జరిగిందో దాని గురించి మాత్రమే కాకుండా, బహుశా సరళత మరియు సామర్థ్యంలో నివసించే ఉపయోగించని సంభావ్యత గురించి కూడా గుసగుసలాడుతుంది.