Nem biztos, hogy a számítási kapacitás hiányára az a jó válasz, hogy még több adatközpontot építünk. Lehet, hogy ugyanazt a problémát okosabban tervezett chipekkel érdemes megfogni.

Mi történt

A Ricursive Intelligence alapítói, Anna Goldie és Azalia Mirhoseini arról beszéltek, hogy startupjuk olyan AI-rendszert épít, amely chipeket tud tervezni, tanul az egyes iterációkból, majd a következő terveket ezek alapján javítja. Az elképzelés lényege az, hogy a chiptervezésből minél többet automatizáljanak, és ezzel jelentősen felgyorsítsák a folyamatot.

Az állításuk szerint erre nem pusztán kényelmi okból van szükség. A következő években a számítási kapacitás iránti igény nagyságrendekkel nőhet, miközben a fizikai infrastruktúra — adatközpontok, gyártókapacitás, ostyák és üzemek — nem skálázható végtelenül. A chiptervezésben az AI ráadásul nem csak gyorsabb lehet, hanem szokatlan, emberi szemmel elsőre furcsának tűnő elrendezéseket is találhat. Korábbi munkájukból ismert példa az AlphaChip, amely egy körkörös, „fánk alakú” komponenselrendezést hozott ki, és ez végül működőképesnek bizonyult.

A cég megközelítésének másik fontos eleme, hogy nem a hagyományos módszert követik, ahol a chipet sok kisebb blokkra bontva optimalizálják, hanem az egész lapkát próbálják egyben kezelni. A chip itt lényegében egy apró, rendkívül sűrűn szervezett elektronikai térkép; ha az AI ezt egészben látja, olyan mintázatokat is kialakíthat, amelyek egy részletekre bontott folyamatban könnyen elvesznének. Gondolj rá úgy, mint amikor nem külön szobánként tervezel meg egy házat, hanem egyszerre nézed az egész alaprajzot, a közlekedést, a fényt és a terhelést.

Miért fontos

Ez a megközelítés azért érdekes, mert a „compute crisis”, vagyis a számítási kapacitás körüli szűkösség nem csak a nagy AI-modellek problémája. Végső soron arról szól, mennyi energiával, mennyi idő alatt és mennyi pénzből lehet új rendszereket építeni. Ha egy új chip megtervezése hónapok vagy évek helyett akár egy hétre rövidül, akkor sokkal több egyedi célhardver készülhet. Ez különösen olyan területeken lehet fontos, mint a kiterjesztett és virtuális valóság, az űripari alkalmazások vagy a biológiai számítástechnika. A TechCrunch színpadán elhangzott érvelés lényege az volt, hogy nem feltétlenül több vas kell, hanem jobb vas: hatékonyabban kihasznált sávszélesség, gyártás és energia.

Mire figyelj

  1. Az igazi kérdés az lesz, hogy az AI által tervezett chipek nemcsak érdekesek, hanem gyárthatók és megbízhatók is-e nagy volumenben.
  2. Fontos lesz látni, mennyire rövidíthető le ténylegesen a tervezési ciklus. A laboratóriumi siker és az ipari bevezetés között itt is nagy a különbség.
  3. Érdemes követni, milyen új chipkategóriák jelennek meg, ha a tervezés olcsóbbá és gyorsabbá válik. Az igazi változás nem biztos, hogy a meglévő chipek finomhangolása lesz, hanem az, hogy végre olyan feladatokra is készülhet dedikált hardver, amelyekre eddig egyszerűen nem érte meg külön lapkát fejleszteni.