Vai pieprasījums pēc mašīnmācīšanās sāk pārsniegt Mūra likumu?

Muhameds Ali bija pasaules čempions smagajā svarā tikai vienu gadu, kad Gordons Mūrs, Intel līdzdibinātājs un izpilddirektors, izteica postulāciju, kas kļuva pazīstama kā Mūra likums. Proti, tranzistoru skaits integrālajā shēmā (IC) dubultotos ik pēc diviem gadiem.

1965. gadā tas bija satriecošs: novērojums, kas izdarīts rakstā Elektronikas žurnāls, kas nozīmēja, ka mēs varētu sagaidīt, ka mūsu datori laika gaitā kļūs ātrāki un jaudīgāki par zemākām izmaksām. Gadiem un gadu desmitiem ejot, Mūra teorija ir pārbaudīta, jo tehnoloģisko pārmaiņu temps ir paātrinājies. Lielākoties tā ir taisnība. Tomēr nesenie sasniegumi plaukstošajā mašīnmācības (ML) jomā rada intriģējošu izaicinājumu, ja ne tiešus draudus likuma dzīvotspējai.

Mūra likuma ilgtspējība

Mūra likums ir bijis noderīgs tehnoloģiskā progresa virzībā jau vairāk nekā pusgadsimtu, kļūstot par kaut ko līdzīgu neaizskaramam likumam. Tomēr, tuvojoties ķēdes miniaturizācijas atomu robežām, novērojuma ilgtspējība tiek stingri pārbaudīta.

Kļūst acīmredzami saraušanās ķēžu fiziskie ierobežojumi. 2015. gadā pats Intel atzina Mūra likuma palēnināšanās, atzīmējot, ka divu gadu kadence ir samazinājusies līdz aptuveni 2,5 gadiem. Šis 25% pieaugums skaidri liecināja, ka tuvojamies mūsdienu pusvadītāju tehnoloģijas fiziskajām un praktiskajām robežām. Turklāt Intel izpilddirektors Pats Dželsingers pagājušajā gadā pārskatīja savus iepriekšējos komentārus, atzīstot, ka 2,5 gadi tagad ir kļuvuši par 3, vienlaikus apsolot darīt visu iespējamo, lai neatpaliktu no Mūra likuma.

Nekam no tā nevajadzētu būt pārsteigumam; Pats Mūrs noraidīja savu likumu, apgalvojot, ka “neviens eksponenciāls kā šis neturpinās mūžīgi”. Patiešām, inženierim būtu bijis grūti paredzēt pieaugošās prasības pēc mašīnmācības un ar to saistītām jomām, piemēram, mākslīgā intelekta (AI), mākoņdatošanas un lietiskā interneta (IoT), kas radīs tik lielu spiedienu uz silīcija mikroshēmu nozari jau agrāk. sešdesmito gadu vidus.

Mašīnmācīšanās prasības šodien pārsniedz apstrādes jaudas pieauguma tempu, jo pēdējo 18 mēnešu laikā pieprasījuma pieaugums ir 10 reizes, salīdzinot ar 3 reizes pieaugumu. Pats par sevi saprotams, ka šīs atšķirības rada būtiskus šķēršļus mašīnmācības sasniegumiem nākotnē, kas, iespējams, var radīt vājās vietas inovācijā un lietošanā.

The paplašinās bezdibenis Starp skaitļošanas prasībām, kas saistītas ar dziļu mācīšanos un apstrādes jaudas pieaugumu, iespējams, nebija viegli paredzēt, tomēr mūsdienu tehnologiem ar to ir jācīnās. Atšķirības ne tikai liecina par iespējamiem ML lietotņu mērogojamības ierobežojumiem, jo ​​īpaši tāpēc, ka modeļi kļūst sarežģītāki un datu ietilpīgāki, bet arī vispārēju tehnoloģisko izmaiņu ātruma palēnināšanos.

Daži varētu apgalvot, ka tas nav nekas slikts: tas ļaus mums visiem atjaunot saikni ar dabu un kļūt klātesošākiem šajā brīdī. Taču cilvēka attīstība šādā veidā īsti nedarbojas: džinu nav iespējams ielikt atpakaļ pudelē, kad tas ir ārā. Kad ceļš ir noiets, mums jāturpina sakārtoti – vai arī jāsaskaras ar regresiju.

Jauns risinājums Mūra likuma problēmai

Uz šī satraucošā fona tirgū nonāk jauni risinājumi. Viens no tiem, io.net, cenšas pārvarēt pieaugošo plaisu, izmantojot sviras esošo GPU skaitļošanas resursi, lai uzlabotu globālās apstrādes efektivitāti. Ja aprēķins nevar sekot līdzi ML prasībām, citiem vārdiem sakot, uzlabosim aprēķinu.

io.netNesen atklātais decentralizētās fiziskās infrastruktūras (DePIN) tīkls ir tā vērtības piedāvājuma galvenais pīlārs. Izmantojot visā pasaulē izplatīto GPU un CPU neizmantoto potenciālu, DePIN tīkls piedāvā ilgtspējīgu un mērogojamu risinājumu, lai apmierinātu ML augošās prasības. Šis modelis paredz atalgot tos, kuri tīklā iegulda/iznomā savu GPU un CPU jaudu. AI jaunizveidotie uzņēmumi un ML inženieri tikmēr pēc pieprasījuma iegūst piekļuvi nepieciešamajam GPU skaitļojumam, nemaksājot pārmērīgas izmaksas, kas parasti ir saistītas ar šādiem resursiem.

Nodrošinot bezatļautu, pēc pieprasījuma GPU/CPU piekļuvi no globālā lietotāju tīkla, io.net demokratizē piekļuvi apkopotajai apstrādes jaudai, vienlaikus nodrošinot esošo resursu efektīvu izmantošanu. Šī iespēja nozīmē ievērojamus skaitļošanas izmaksu ietaupījumus, ātru mākoņkopu izvietošanu un godīgu cenu noteikšanu.

Palielinoties plaisai starp mašīnmācības prasībām un apstrādes jaudas pieaugumu, inovatīvi risinājumi, piemēram, io.net būs būtiski.

Palielinot esošo GPU un CPU resursu efektivitāti un pieejamību, io.net piedāvā ne tikai risinājumu ierobežojumiem, ko rada Mūra likuma palēnināšanās; tas rada pamatu nepārtrauktai inovācijai un attīstībai abās jomās.

Citi faktori, protams, ir tikpat svarīgi: viens no tiem ir kapitālieguldījumi. Ja vēlaties dubultot mikroshēmu skaitļošanas jaudu, ir pašsaprotami, ka pētniecības un attīstības budžetiem ir jāpalielina vienlaikus. Svarīgas ir arī tādas lietas kā valsts dotācijas, nozaru apvienošanās un kopuzņēmumi.

Diemžēl Gordons Mūrs nomira 2023. gadā, tomēr viņa tāda paša nosaukuma likums mūsdienās ir vēl aktuālāks nekā sešdesmitajos gados.