दीपसीक जॉल्ट्स एआय उद्योग: पुढील एआय अधिक डेटामधून का उडी मारू शकत नाही, परंतु अनुमान काढल्यास अधिक खाते

कृत्रिम बुद्धिमत्तेचे दृश्य वेगवान वेगाने विकसित होत आहे, अलीकडील घडामोडी निश्चित मॉडेलचे प्रतिनिधित्व करतात. २०२25 च्या सुरूवातीस, चिनी कंपनी एआय लॅब दीपसेकने एक नवीन मॉडेल उघड केले ज्याने कृत्रिम बुद्धिमत्ता उद्योगाद्वारे शॉक लाटा पाठवल्या आणि कृत्रिम बुद्धिमत्ता डेटा सेंटरच्या मागणीशी संबंधित इतर शेअर्ससह एनव्हीआयडीएच्या शेअर्समध्ये 17 % घट झाली. या बाजारपेठेतील प्रतिक्रिया मोठ्या प्रमाणात नोंदविली गेली आहे की अमेरिकेतील प्रतिस्पर्धींच्या किंमतीच्या छोट्या भागामध्ये उच्च -कार्यक्षमता मॉडेल प्रदान करण्याच्या डेपिकच्या क्षमतेमुळे उद्भवली आहे, ज्यामुळे कृत्रिम बुद्धिमत्ता डेटा सेंटरच्या परिणामाबद्दल चर्चा झाली.

दीपसीक अक्षम करण्यासाठी संदर्भ देण्यासाठी, आमचा विश्वास आहे की अतिरिक्त प्रशिक्षण डेटाच्या कमतरतेमुळे कृत्रिम बुद्धिमत्तेच्या दृश्यात व्यापक बदलांचा विचार करणे उपयुक्त आहे. प्रमुख कृत्रिम बुद्धिमत्ता प्रयोगशाळांनी इंटरनेटवर उपलब्ध असलेल्या बहुतेक सामान्य डेटावर त्यांचे मॉडेल आधीच प्रशिक्षण दिले आहेत, डेटा टंचाई पूर्व -प्रशिक्षणात अधिक सुधारणा कमी करते. परिणामी, मॉडेल्स “टीटीसी कॅल्क्युलेटिंग” (टीटीसी) ची अपेक्षा करतात जिथे सामान्य मॉडेलची कार्यक्षमता सुधारित करण्यासाठी वैकल्पिक मार्ग म्हणून युक्तिवादाच्या वेळी एखाद्या प्रश्नाचे उत्तर देण्यापूर्वी “एआय कडून मॉडेलचे ओपन ओपन” मॉडेल “ओ”). सध्याची विचारसरणी अशी आहे की टीटीसी प्री -ट्रीनिंगला सूचित करणा those ्यांप्रमाणेच स्केलिंग कायद्यात सुधारणा दर्शवू शकते, ज्यामुळे परिवर्तनात्मक कृत्रिम बुद्धिमत्ता घडामोडींच्या पुढील लहरी सक्षम होऊ शकतात.

या घडामोडींमध्ये एक महत्त्वाचा हल्ला सूचित होतो: प्रथम, लहान बजेट (नोंदविलेल्या) वर काम करणार्‍या प्रयोगशाळे आता आधुनिक मॉडेल जारी करण्यास सक्षम आहेत. दुसरे परिवर्तन म्हणजे कृत्रिम बुद्धिमत्ता प्रगतीसाठी पुढील संभाव्य ड्रायव्हर म्हणून टीटीसीवर लक्ष केंद्रित करणे. खाली, आम्ही स्पर्धात्मक देखावा आणि व्यापक कृत्रिम बुद्धिमत्ता बाजारावर हे दोन्ही ट्रेंड आणि प्रभाव अंमलात आणतो.

कृत्रिम बुद्धिमत्ता उद्योगाचे परिणाम

आमचा विश्वास आहे की टीटीसीकडे जाणारी बदल आणि विचारांच्या मॉडेल्समधील वाढत्या स्पर्धेचा उपकरणे, क्लाउड प्लॅटफॉर्म, मूलभूत मॉडेल्स आणि संस्थांच्या कार्यक्रमांद्वारे कृत्रिम बुद्धिमत्तेच्या विस्तृत दृश्यावर बरेच परिणाम होऊ शकतात.

1. डिव्हाइस (ग्राफिक्स प्रोसेसिंग युनिट्स, कस्टम चिप्स आणि खात्यासाठी पायाभूत सुविधा)

• प्रचंड प्रशिक्षण गटांपासून ते “चाचणी वेळ” उत्परिवर्तनांपर्यंत: आमच्या दृष्टिकोनातून, टीटीसीकडे जाण्याच्या बदलाचा कृत्रिम बुद्धिमत्ता कंपन्यांद्वारे आवश्यक असलेल्या डिव्हाइस संसाधनांच्या प्रकार आणि त्यांचे व्यवस्थापन कसे करावे यावर परिणाम होऊ शकतो. जीपीयू गटांमध्ये गुंतवणूक करण्याऐवजी प्रशिक्षणाच्या कामाच्या ओझे वाढत्या मोठ्या प्रमाणात, कृत्रिम बुद्धिमत्ता कंपन्या टीटीसीच्या वाढत्या गरजा भागविण्यासाठी अनुमानांच्या संभाव्यतेमध्ये त्यांची गुंतवणूक वाढवू शकतात. जरी कृत्रिम बुद्धिमत्ता कंपन्यांना बहुधा अनुमानांच्या कामाच्या ओझे सोडविण्यासाठी मोठ्या संख्येने ग्राफिक्स प्रोसेसिंग युनिट्सची आवश्यकता असेल, परंतु प्रशिक्षण ओझे आणि अनुमानांच्या कामाच्या ओझे यांच्यातील फरक या चिप्स कसा तयार करावा आणि कसा वापरायचा यावर परिणाम करू शकतात. विशेषतः, अनुमान कामाचे ओझे अधिक गतिशील (आणि “स्पिकी”) असल्याचे लक्षात घेता, बॅचला निर्देशित केलेल्या प्रशिक्षण ओझ्यापेक्षा क्षमतांचे नियोजन अधिक क्लिष्ट होऊ शकते.
• तर्क करण्यासाठी सुधारित डिव्हाइसची वाढ: आमचा विश्वास आहे की टीटीसीकडे लक्ष केंद्रित करण्याच्या बदलांमुळे सामील होण्याच्या कमी अनुमानांच्या वेळेची गणना करण्यात विशेष वैकल्पिक एआय डिव्हाइसची शक्यता वाढण्याची शक्यता आहे. उदाहरणार्थ, आम्ही जीपीयू पर्यायांची अधिक मागणी करू शकतो जसे की तर्क करण्यासाठी अनुप्रयोग (एएसआयसी) च्या समाकलित अनुप्रयोग (एएसआयसी). प्रशिक्षण क्षमतेपेक्षा टीटीसीमध्ये प्रवेश अधिक महत्वाचा बनला असल्याने, सामान्य कारणांसाठी सामान्य ग्राफिक्स प्रोसेसिंग युनिट्सचे वर्चस्व, जे प्रशिक्षण आणि तर्क दोन्हीमध्ये वापरले जातात, ते कमी होऊ शकतात. या परिवर्तनामुळे विशेष अनुमान प्रदात्यास फायदा होऊ शकतो.

2.

• सेवेची गुणवत्ता (क्यूओएस) एक मोठा भेदभाव बनतो: मॉडेलच्या अचूकतेशी संबंधित चिंतेव्यतिरिक्त संस्थेमध्ये कृत्रिम बुद्धिमत्ता स्वीकारण्यास प्रतिबंधित करणारे एक मुद्दा म्हणजे तर्कांसाठी अनुप्रयोग प्रोग्रामिंगच्या दर्शनी भागाची विश्वसनीयता नसणे. अविश्वसनीय एपीआय अनुमानांशी संबंधित समस्यांमध्ये अस्थिर प्रतिसाद वेळा, एकसमान आणि एकाचवेळी विनंत्या आणि एपीआयच्या शेवटच्या बिंदू बदलांशी जुळवून घेणे कठीण आहे. टीटीसीच्या वाढीमुळे या समस्या अधिकच वाढू शकतात. अशा परिस्थितीत, क्लाऊड प्रदाता आमच्या आव्हानांना संबोधित करणार्‍या सेवेच्या गुणवत्तेचे प्रतिपादन मॉडेल प्रदान करण्यास सक्षम आहे, आमच्या मते, एक चांगला फायदा.
• कार्यक्षमतेचा फायदा असूनही ढग खर्च वाढला: कृत्रिम बुद्धिमत्ता उपकरणांची मागणी कमी करण्याऐवजी, जेव्हॉन्सपासून ग्रेट लँग्वेज मॉडेल (एलएलएम) मधील प्रशिक्षणाच्या सर्वात कार्यक्षम पद्धतींचे अनुसरण करणे शक्य आहे, जे एक ऐतिहासिक टीप आहे कारण यामुळे उच्च सामान्य वापराची कार्यक्षमता सुधारते. या प्रकरणात, प्रभावी अनुमान मॉडेल अधिक कृत्रिम बुद्धिमत्ता विकसकांना विचारांच्या मॉडेल्सचा फायदा घेण्यास प्रोत्साहित करू शकतात, ज्यामुळे खात्याची मागणी वाढते. आमचा विश्वास आहे की अलीकडील ठराविक घडामोडींमुळे मॉडेलचे स्वरूप आणि लहान विशिष्ट मॉडेल्सच्या प्रशिक्षणासाठी क्लाऊड एआयच्या खर्चावर मागणी वाढू शकते.

3. फाउंडेशन फॉर्म (ओपनई, अँथ्रोपोर, कोहेर, दीपसेक, मिस्त्राल)

• प्री -ट्रेन्ड मॉडेल्सवर प्रभाव: जर दीपसेक सारख्या नवीन खेळाडू अहवाल दिलेल्या खर्चाच्या फ्रॅक्चरसह फ्रंटियर एआय लॅबशी स्पर्धा करू शकतात तर प्रशिक्षित सेल्फ -ट्रेन्ड मॉडेल्स खंदकास कमी संवेदनशील होऊ शकतात. आम्ही ट्रान्सफॉर्मर मॉडेल्ससाठी टीटीसीमध्ये अधिक नवकल्पनांची देखील अपेक्षा करू शकतो आणि दीपसेकने सिद्ध केले आहे की, या नवकल्पना सर्वात दृढ कृत्रिम बुद्धिमत्ता प्रयोगशाळांच्या बाहेरील स्त्रोतांकडून येऊ शकतात.

4. एंटरप्राइझ एआय दत्तक आणि सास (अ‍ॅप.)

• सुरक्षा आणि गोपनीयता चिंता: चीनमधील दीपसीक मालमत्तांकडे पाहता, सुरक्षा आणि गोपनीयता दृष्टीकोनातून कंपनीच्या उत्पादनांचे सतत ऑडिट असेल. विशेषतः, एपीआय आणि चॅटबॉट शो युनायटेड स्टेट्स, कॅनडा किंवा इतर पाश्चात्य देशांमधील एआय एंटरप्राइझ ग्राहकांकडून मोठ्या प्रमाणात वापरण्याची शक्यता नाही. जे नोंदवले गेले आहे त्यानुसार, दीपसीक आणि त्यांच्या अनुप्रयोगांचा वापर रोखण्यासाठी बर्‍याच कंपन्या हस्तांतरित केल्या जातात. आम्ही अपेक्षा करतो की दीपसेक मॉडेल्सने अमेरिकेतील तृतीय पक्षाद्वारे आणि इतर पाश्चात्य डेटा सेंटरद्वारे आयोजित केले असले तरी संस्थांच्या मॉडेल्सचा अवलंब करण्यास मर्यादित करू शकतील. तुरुंगात तोडणे, पक्षपात करणे आणि हानिकारक सामग्री निर्माण करण्याच्या सुरक्षिततेच्या चिंतेची उदाहरणे संशोधकांनी आधीच दर्शविली आहेत. दिले
• अनुलंब स्पेशलायझेशन ट्रॅक्शन प्राप्त करते: पूर्वी, उभ्या अनुप्रयोग जे मुख्यत: मूलभूत मॉडेल्स वापरतात त्या विशिष्ट व्यवसायाच्या गरजा भागविण्यासाठी डिझाइन केलेले कार्य कार्ये तयार करण्यावर लक्ष केंद्रित केले आहे. या विशिष्ट मॉडेल्सची निर्मिती (आरएजी) ची पिढी, मॉडेल दिग्दर्शित करणे आणि हस्तकले आणि हँड्रेल यासारख्या तंत्राची या विशेष मॉडेल्स या विशेष वापर प्रकरणांमध्ये अनुकूलित करण्यात महत्त्वपूर्ण भूमिका आहे. या रणनीतींमुळे लक्षात येण्याजोग्या यश मिळालं, परंतु मूलभूत मॉडेल्समध्ये मोठ्या सुधारणांमुळे हे अनुप्रयोग जुने बनवू शकतात याची सतत चिंता होती. सॅम ऑल्टमॅनने असा इशारा देखील दिला, मॉडेलच्या क्षमतेत एक प्रमुख प्रवेश “अनुप्रयोग लेयर इनोव्हेशन्स” होऊ शकतो जे मूलभूत मॉडेल्सच्या आसपास फायली म्हणून डिझाइन केलेले आहे.

तथापि, जर ट्रेन टाइम अकाउंटमधील घडामोडी प्रत्यक्षात पठार असतील तर वेगवान विस्थापनाचा धोका कमी होतो. ज्या जगात टीटीसी सुधारणांमधून ठराविक कामगिरीतील नफा मिळतात, अनुप्रयोग लेयरसाठी नवीन ऑपरेटर उघडले जाऊ शकतात. प्रशिक्षणानंतरच्या अल्गोरिदममधील नवकल्पना जसे की संघटित दावा सुधारित करतात, मान्यताप्राप्त विचारांची रणनीती आणि प्रभावी नमुने-ते लक्ष्य अनुलंब कामगिरीमध्ये महत्त्वपूर्ण सुधारणा करतात.

कोणतीही कार्यक्षमता सुधारणे विशेषतः ओपनई आणि डीपसीक-आर 1 च्या जीपीटी -4 ओ सारख्या तर्क-केंद्रित मॉडेल्सच्या संदर्भात संबंधित असेल, जे बर्‍याचदा एकाधिक प्रतिसाद वेळा दर्शविते. वास्तविक वेळ अनुप्रयोगांमध्ये, ते जिरे प्रदान करू शकते आणि स्पर्धात्मक फायद्याच्या विशिष्ट क्षेत्रात अनुमानांची गुणवत्ता सुधारू शकते. परिणामी, क्षेत्रात अनुभव असलेल्या अनुप्रयोग लेयर कंपन्या तर्क आणि त्याच्या पॉलिशिंग आउटपुटची कार्यक्षमता सुधारण्यासाठी महत्त्वपूर्ण भूमिका बजावू शकतात.

मॉडेल गुणवत्तेचा एकमेव ड्रायव्हर म्हणून प्री -ट्रीनिंगच्या वाढत्या प्रमाणात लक्ष केंद्रित करण्याच्या घटनेचे दीपसेक स्पष्ट करतात. त्याऐवजी, विकास टीटीसीच्या वाढत्या महत्त्ववर जोर देते. सतत छाननीमुळे संस्थात्मक कार्यक्रम अनुप्रयोगांमध्ये दीपसीक मॉडेल्सचा थेट अवलंब करणे अद्याप निश्चित नसले तरी इतर विद्यमान मॉडेल्समधील ड्रायव्हिंग सुधारणांवर त्यांचा प्रभाव अधिक स्पष्ट झाला आहे.

आमचा विश्वास आहे की सध्याच्या उपकरणांचे फायदे पूर्ण करताना दीपसीकने अ‍ॅम्नेस्टी इंटरनॅशनलच्या प्रयोगशाळांना अभियांत्रिकी आणि संशोधन ऑपरेशन्समध्ये समान तंत्रज्ञान समाकलित करण्यास प्रवृत्त केले आहे. अपेक्षेप्रमाणे फॉर्मच्या किंमतींमुळे उद्भवणारी कपात मॉडेलचा वापर वाढविण्यात योगदान देते, कारण ते जेव्हन्स पॅराडॉक्सच्या तत्त्वांच्या अनुरुप आहे.

पशोटन वाएझिपूर ही जॉर्जियातील तांत्रिक आघाडी आहे.