يهدف exafunction إلى تقليل تكاليف DEV من الذكاء الاصطناعي عن طريق استخلاص الأجهزة بعيدًا

يهدف exafunction إلى تقليل تكاليف DEV من الذكاء الاصطناعي عن طريق استخلاص الأجهزة بعيدًا


أنظمة الذكاء الاصطناعى الأكثر تطوراً اليوم قادرة على المآسي المثيرة للإعجاب ، من توجيه السيارات عبر شوارع المدينة إلى كتابة النثر الشبيهة بالإنسان. لكنهم يشاركون عنق الزجاجة المشترك: الأجهزة. غالبًا ما يتطلب تطوير الأنظمة على حافة النزف كمية كبيرة من قوة الحوسبة. على سبيل المثال ، استغرق إنشاء بنية بروتين DeepMind التي تنص على ألفافولد مجموعة من مئات وحدات معالجة الرسومات. مما يؤكد على التحدي ، ويقدر أحد المصادر أن تطوير نظام GPT-3 لبدء بدء تشغيل اللغة من AI Openai باستخدام وحدة معالجة الرسومات الواحدة قد استغرق 355 عامًا.

تقنيات ورقائق جديدة مصممة لتسريع جوانب معينة من تطوير نظام الذكاء الاصطناعي وعد (وفي الواقع ، لديك بالفعل) قطع متطلبات الأجهزة. لكن التطور مع هذه التقنيات يدعو إلى الخبرة التي قد يكون من الصعب على الشركات الأصغر حصولها. على الأقل ، هذا هو تأكيد فارون موهان ودوغلاس تشن ، المؤسسين المشاركين لبدء تشغيل البنية التحتية. بعد الخروج من الشبح اليوم ، تقوم exafunction بتطوير منصة لتجريد تعقيد استخدام الأجهزة لتدريب أنظمة الذكاء الاصطناعى.

التحسينات [في AI] غالبًا ما يتم دعمها بزيادة كبيرة في ... التعقيد الحسابي. نتيجة لذلك ، تضطر الشركات إلى إجراء استثمارات كبيرة في الأجهزة لتحقيق فوائد التعلم العميق. هذا أمر صعب للغاية لأن التكنولوجيا تتحسن بسرعة كبيرة ، ويزداد حجم عبء العمل بسرعة حيث يثبت التعلم العميق قيمة داخل شركة ، كما أخبر تشن TechCrunch في مقابلة عبر البريد الإلكتروني. رقائق التسريع المتخصصة اللازمة لتشغيل حسابات التعلم العميق على نطاق واسع نادرة. يتطلب استخدام هذه الرقائق بشكل فعال أيضًا المعرفة الباطنية غير شائعة بين ممارسي التعلم العميق. ما يعتبره أعراض نقص الخبرة في AI: الأجهزة الخاملة. إن GPUs والرقائق المتخصصة المذكورة أعلاه المستخدمة لتدريب أنظمة الذكاء الاصطناعى - أي إطعام البيانات التي يمكن أن تستخدمها الأنظمة لإجراء التنبؤات - غير مستغلة بشكل متكرر. نظرًا لأنهم يكملون بعض أعباء العمل AI بهذه السرعة ، فإنهم يجلسون في وضع الخمول بينما ينتظرون مكونات أخرى من مكدس الأجهزة ، مثل المعالجات والذاكرة ، للحاق.
، تقارير أن ما يقرب من ثلث عملاء شركته في متوسط ​​استخدام GPU أقل من 15 ٪. وفي الوقت نفسه ، في دراسة استقصائية عام 2021 بتكليف من Run: AI ، والتي تتنافس مع الوظيفية ، قال 17 ٪ فقط من الشركات إنها تمكنت من تحقيق الاستخدام العالي لموارد الذكاء الاصطناعي بينما قال 22 ٪ أن بنيتها التحتية تقع في الغالب. br> التكاليف إضافة. وفقًا لـ RUN: AI ، كان لدى 38 ٪ من الشركات ميزانية سنوية للبنية التحتية لمنظمة العفو الدولية-بما في ذلك الأجهزة والبرامج والرسوم السحابية-التي تتجاوز مليون دولار اعتبارًا من أكتوبر 2021. يقدر أن يكون Openai قد أنفق 4.6 مليون دولار على GPT-3.
قال موهان عبر البريد الإلكتروني إن معظم الشركات التي تعمل في التعلم العميق تدخل في العمل حتى يتمكنوا من التركيز على التكنولوجيا الأساسية ، وليس قضاء وقتها وعرض النطاق الترددي في القلق بشأن تحسين الموارد. نعتقد أنه لا يوجد منافس ذي معنى يعالج المشكلة التي نركز عليها ، أي استخلاص تحديات إدارة الأجهزة المتسارعة مثل وحدات معالجة الرسومات مع تقديم أداء فائق للعملاء.
بذرة فكرة


قبل المشاركة في التأسيس ، كان تشن مهندس برمجيات في Facebook ، حيث ساعد في بناء الأدوات لأجهزة مثل Oculus Quest. كان موهان قيادة تقنية في شركة نورو في مجال التوصيل المستقل المسؤول عن إدارة فرق البنية التحتية للاستقلال الذاتي للشركة. قم بتوسيع نطاق أجهزتنا وفقًا لذلك ، قال موهان. المحاكاة مشكلة غريبة. ربما من المفارقات ، مع تحسن برنامجك ، تحتاج إلى محاكاة المزيد من التكرارات في

اخلاء مسؤولية! هذا المقال لا يعبر بالضرورة عن رأي جامعة الرازي