Nvidia-ს GTC-ის ბოლო კონფერენციაზე კომპანიამ წარმოადგინა ის, რაც აღწერა, როგორც პირველი ერთ თაროიანი სერვერული სისტემა, რომელსაც შეუძლია ერთი ეგზაფლოპი - ერთი კვინტილიონი ოპერაცია წამში მცურავი მძიმით (FLOPS). ეს გარღვევა დაფუძნებულია უახლეს GB200 NVL72 სისტემაზე, რომელიც აერთიანებს Nvidia-ს უახლეს Blackwell-ის გრაფიკულ პროცესორებს (GPU).
ეგზაფლოპის შემცირება: Frontier-დან Blackwell-ამდე
რამდენიმე რამ იყო ამ განცხადებაში, რაც ყურადღებას იქცევდა. პირველი, მსოფლიოში პირველი ეგზაფლოპის სიმძლავრის კომპიუტერი სულ რამდენიმე წლის წინ, 2022 წელს, ოუკ-რიჯის ეროვნულ ლაბორატორიაში დამონტაჟდა. შედარებისთვის, HPE-ს მიერ აგებული და AMD-ის GPU-ებითა და CPU-ებით აღჭურვილი სუპერკომპიუტერი „Frontier“ თავდაპირველად 74 თაროსგან შედგებოდა. Nvidia-ს ახალმა სისტემამ დაახლოებით 73-ჯერ დიდი წარმადობის სიმკვრივე მიაღწია სულ რაღაც სამ წელიწადში, რაც წელიწადში წარმადობის გასამმაგების ექვივალენტია. ეს წინსვლა ასახავს მნიშვნელოვან პროგრესს გამოთვლით სიმკვრივეში, ენერგოეფექტურობასა და არქიტექტურულ დიზაინში.
მეორეც, უნდა ითქვას, რომ მიუხედავად იმისა, რომ ორივე სისტემამ მიაღწია ეგზამასშტაბურ ეტაპს, ისინი აგებულია სხვადასხვა ამოცანებისთვის, ერთი ოპტიმიზირებულია სიჩქარეზე, მეორე კი სიზუსტეზე. Nvidia-ს ეგზაფლოპის სპეციფიკაცია დაფუძნებულია დაბალი სიზუსტის მათემატიკაზე - კონკრეტულად 4-ბიტიან და 8-ბიტიან მცურავი მძიმით ოპერაციებზე - რაც ოპტიმალურად ითვლება ხელოვნური ინტელექტის სამუშაო დატვირთვებისთვის, მათ შორის ისეთი ამოცანებისთვის, როგორიცაა დიდი ენობრივი მოდელების (LLM) სწავლება და გაშვება. ეს გამოთვლები სიჩქარეს ანიჭებს უპირატესობას სიზუსტეზე. განსხვავებით, Frontier-ის ეგზაფლოპის რეიტინგი მიღწეული იყო 64-ბიტიანი ორმაგი სიზუსტის მათემატიკის გამოყენებით, რაც ოქროს სტანდარტია სამეცნიერო სიმულაციებისთვის, სადაც სიზუსტე კრიტიკულია.
ჩვენ დიდი გზა გავიარეთ (ძალიან სწრაფად)
პროგრესის ეს დონე თითქმის წარმოუდგენლად გამოიყურება, განსაკუთრებით მაშინ, როდესაც ვიხსენებ უახლესი ტექნოლოგიების მდგომარეობას, როდესაც კომპიუტერულ ინდუსტრიაში კარიერა დავიწყე. ჩემი პირველი პროფესიული სამსახური იყო პროგრამისტი DEC KL 1090-ზე. ამ მანქანას, რომელიც DEC-ის PDP-10 სერიის დროში გაზიარების მეინფრეიმების ნაწილი იყო, წამში 1.8 მილიონი ინსტრუქცია (MIPS) შესთავაზა. CPU-ს წარმადობის გარდა, მანქანა უკავშირდებოდა კათოდური სხივების მილის (CRT) დისპლეებს მყარი სადენებით. არ იყო გრაფიკული შესაძლებლობები, მხოლოდ ღია ტექსტი მუქ ფონზე. და, რა თქმა უნდა, ინტერნეტიც არა. დისტანციური მომხმარებლები ტელეფონის ხაზებით უკავშირდებოდნენ მოდემების გამოყენებით, რომლებიც მუშაობდნენ 1200 ბიტი წამში სიჩქარით.
500 მილიარდჯერ მეტი გამოთვლა
მიუხედავად იმისა, რომ MIPS-ების FLOPS-ებთან შედარება პროგრესის ზოგად შეგრძნებას იძლევა, მნიშვნელოვანია გვახსოვდეს, რომ ეს მეტრიკა ზომავს სხვადასხვა გამოთვლით სამუშაო დატვირთვას. MIPS ასახავს მთელი რიცხვის დამუშავების სიჩქარეს, რაც სასარგებლოა ზოგადი დანიშნულების გამოთვლებისთვის, განსაკუთრებით ბიზნეს აპლიკაციებში. FLOPS ზომავს მცურავი მძიმით წარმადობას, რაც გადამწყვეტია სამეცნიერო სამუშაო დატვირთვებისთვის და თანამედროვე ხელოვნური ინტელექტის უკან მდგომი რიცხვების ინტენსიური დამუშავებისთვის, როგორიცაა მატრიცული მათემატიკა და წრფივი ალგებრა, რომლებიც გამოიყენება მანქანური სწავლების (ML) მოდელების გასაწვრთნელად და გასაშვებად.
მიუხედავად იმისა, რომ ეს პირდაპირი შედარება არ არის, MIPS-ებს მაშინდელსა და FLOPS-ებს ახლანდელს შორის განსხვავების მასშტაბი მძლავრ ილუსტრაციას იძლევა გამოთვლითი წარმადობის სწრაფი ზრდის შესახებ. თუ ამას გამოვიყენებთ როგორც უხეშ ევრისტიკას შესრულებული სამუშაოს გასაზომად, Nvidia-ს ახალი სისტემა დაახლოებით 500 მილიარდჯერ უფრო მძლავრია, ვიდრე DEC-ის მანქანა. ამ სახის ნახტომი ასახავს გამოთვლითი სიმძლავრის ექსპონენციალურ ზრდას ერთი პროფესიული კარიერის განმავლობაში და ბადებს კითხვას: თუ ამდენი პროგრესი შესაძლებელია 40 წელიწადში, რა შეიძლება მოიტანოს მომდევნო 5-მა წელმა?
Nvidia-მ, თავის მხრივ, გარკვეული მინიშნებები შესთავაზა. GTC-ზე კომპანიამ გააზიარა საგზაო რუკა, რომელიც პროგნოზირებს, რომ მისი შემდეგი თაობის სრული თაროს სისტემა, რომელიც დაფუძნებულია "Vera Rubin" Ultra არქიტექტურაზე, მიაწვდის Blackwell Ultra თაროს წარმადობას 14-ჯერ მეტს, რომელიც წელს გამოვა, და მიაღწევს სადღაც 14-დან 15 ეგზაფლოპამდე ხელოვნური ინტელექტისთვის ოპტიმიზირებულ სამუშაოში მომდევნო ერთი-ორი წლის განმავლობაში.
არანაკლებ აღსანიშნავია ეფექტიანობა. ამ დონის წარმადობის მიღწევა ერთ თაროში ნიშნავს ნაკლებ ფიზიკურ ადგილს სამუშაოს ერთეულზე, ნაკლებ მასალებს და შესაძლოა ენერგიის დაბალ მოხმარებას ოპერაციაზე, თუმცა ამ სისტემების აბსოლუტური სიმძლავრის მოთხოვნები კვლავ უზარმაზარია.
ნამდვილად სჭირდება თუ არა ხელოვნურ ინტელექტს ამხელა გამოთვლითი სიმძლავრე?
მიუხედავად იმისა, რომ ასეთი წარმადობის ზრდა მართლაც შთამბეჭდავია, ხელოვნური ინტელექტის ინდუსტრია ახლა ფუნდამენტური კითხვის წინაშე დგას: რამდენად არის ჭეშმარიტად აუცილებელი გამოთვლითი სიმძლავრე და რა ფასად? მასიური ახალი ხელოვნური ინტელექტის მონაცემთა ცენტრების აშენების რბოლა გამოწვეულია ეგზამასშტაბური გამოთვლების მზარდი მოთხოვნებით და ოდესმე უფრო ქმედითუნარიანი ხელოვნური ინტელექტის მოდელებით.
ყველაზე ამბიციური მცდელობა არის 500 მილიარდი დოლარის პროექტი Stargate, რომელიც ითვალისწინებს 20 მონაცემთა ცენტრს აშშ-ში, თითოეული ნახევარი მილიონი კვადრატული ფუტის ფართობით. ჰიპერსკალირების სხვა პროექტების ტალღა მიმდინარეობს ან იგეგმება მთელ მსოფლიოში, რადგან კომპანიები და ქვეყნები იბრძვიან, რათა უზრუნველყონ ინფრასტრუქტურა ხვალინდელი დღის ხელოვნური ინტელექტის სამუშაო დატვირთვების მხარდასაჭერად.
ზოგიერთი ანალიტიკოსი ახლა წუხს, რომ ჩვენ შესაძლოა ზედმეტად ვაშენებდეთ ხელოვნური ინტელექტის მონაცემთა ცენტრების სიმძლავრეს. შეშფოთება გამძაფრდა ჩინური DeepSeek-ის R1-ის გამოშვების შემდეგ, მსჯელობის მოდელი, რომელიც მნიშვნელოვნად ნაკლებ გამოთვლას მოითხოვს, ვიდრე მისი ბევრი თანატოლი. მოგვიანებით Microsoft-მა გააუქმა იჯარა მონაცემთა ცენტრების რამდენიმე პროვაიდერთან, რამაც გამოიწვია ვარაუდი, რომ შესაძლოა ის ხელახლა აკალიბრებდეს თავის მოლოდინებს მომავალი ხელოვნური ინტელექტის ინფრასტრუქტურის მოთხოვნაზე.
თუმცა, The Register-მა ვარაუდი გამოთქვა, რომ ეს უკან დახევა შესაძლოა უფრო მეტად უკავშირდებოდეს იმ ფაქტს, რომ დაგეგმილ ხელოვნური ინტელექტის მონაცემთა ცენტრების ნაწილს არ აქვს საკმარისად მძლავრი შესაძლებლობა, მხარი დაუჭიროს შემდეგი თაობის ხელოვნური ინტელექტის სისტემების სიმძლავრისა და გაგრილების საჭიროებებს. უკვე, ხელოვნური ინტელექტის მოდელები აჭარბებენ იმ ლიმიტებს, რასაც არსებული ინფრასტრუქტურა უძლებს. MIT Technology Review-მა გამოაქვეყნა ინფორმაცია, რომ ეს შესაძლოა იყოს მიზეზი იმისა, რომ ჩინეთში მონაცემთა ცენტრები იბრძვიან და მარცხდებიან, რადგან ისინი აშენდა სპეციფიკაციებით, რომლებიც არ არის ოპტიმალური დღევანდელი საჭიროებისთვის, რომ აღარაფერი ვთქვათ მომდევნო რამდენიმე წლის საჭიროებებზე.
ხელოვნური ინტელექტის დასკვნა უფრო მეტ FLOPS-ს მოითხოვს
მსჯელობის მოდელები თავიანთი სამუშაოს უმეტეს ნაწილს ასრულებენ მუშაობის დროს, პროცესის საშუალებით, რომელიც ცნობილია როგორც დასკვნა. ეს მოდელები დღეს ყველაზე მოწინავე და რესურსების ინტენსიურ აპლიკაციებს ამოძრავებს, მათ შორის ღრმა კვლევის ასისტენტებს და აგენტური ხელოვნური ინტელექტის სისტემების განვითარებად ტალღას.
მიუხედავად იმისა, რომ DeepSeek-R1-მა თავდაპირველად შეაშინა ინდუსტრია და აფიქრებინა, რომ მომავალ ხელოვნურ ინტელექტს შესაძლოა ნაკლები გამოთვლითი სიმძლავრე დასჭირდეს, Nvidia-ს აღმასრულებელმა დირექტორმა ჯენსენ ჰუანგმა მტკიცედ მოიგერია ეს მოსაზრება. CNBC-სთან საუბრისას მან ამ აღქმას კონტრარგუმენტი გაუწია: „ეს იყო ზუსტად საპირისპირო დასკვნა, რომელიც ყველას ჰქონდა“. მან დასძინა, რომ მსჯელობის ხელოვნური ინტელექტი 100-ჯერ მეტ გამოთვლას მოიხმარს, ვიდრე არამსჯელობის ხელოვნური ინტელექტი.
რადგან ხელოვნური ინტელექტი აგრძელებს განვითარებას მსჯელობის მოდელებიდან ავტონომიურ აგენტებამდე და მის ფარგლებს გარეთ, გამოთვლების მოთხოვნა სავარაუდოდ კვლავ მოიმატებს. შემდეგი გარღვევები შეიძლება მოხდეს არა მხოლოდ ენაში ან ხედვაში, არამედ ხელოვნური ინტელექტის აგენტების კოორდინაციაში, შერწყმის სიმულაციებში ან თუნდაც მასშტაბურ ციფრულ ტყუპებში, თითოეული მათგანი შესაძლებელი გახდება გამოთვლითი უნარის ნახტომის სახით, რაც ახლა ვიხილეთ.
როგორც ჩანს, ზუსტად დროულად, OpenAI-მ ახლახან გამოაცხადა 40 მილიარდი დოლარის ახალი დაფინანსება, რაც რეკორდული კერძო ტექნოლოგიური დაფინანსების რაუნდია. კომპანიამ ბლოგპოსტში განაცხადა, რომ დაფინანსება „საშუალებას გვაძლევს კიდევ უფრო წინ წავწიოთ ხელოვნური ინტელექტის კვლევის საზღვრები, გავზარდოთ ჩვენი გამოთვლითი ინფრასტრუქტურა და მივაწოდოთ სულ უფრო მძლავრი ინსტრუმენტები 500 მილიონი ადამიანისთვის, რომლებიც ყოველ კვირას იყენებენ ChatGPT-ს“.
რატომ მიედინება ამდენი კაპიტალი ხელოვნურ ინტელექტში? მიზეზები მერყეობს კონკურენტუნარიანობიდან ეროვნულ უსაფრთხოებამდე. თუმცა ერთი კონკრეტული ფაქტორი გამოირჩევა, როგორც McKinsey-ის სათაური გვიჩვენებს: „ხელოვნურ ინტელექტს შეუძლია კორპორაციულ მოგებას წელიწადში 4.4 ტრილიონი დოლარით გაზარდოს“.
რა იქნება შემდეგ? ეს ყველასთვის გამოცანაა
თავის არსში, საინფორმაციო სისტემები არის სირთულის აბსტრაგირება, იქნება ეს სასწრაფო დახმარების მანქანების მარშრუტიზაციის სისტემა, რომელიც მე ოდესღაც Fortran-ზე დავწერე, სტუდენტების მიღწევების ანგარიშგების ინსტრუმენტი, რომელიც COBOL-ზეა აგებული, თუ თანამედროვე ხელოვნური ინტელექტის სისტემები, რომლებიც აჩქარებენ წამლების აღმოჩენას. მიზანი ყოველთვის ერთი და იგივე იყო: უკეთ გავერკვეთ სამყაროში.
ახლა, როდესაც მძლავრი ხელოვნური ინტელექტი იწყებს გამოჩენას, ჩვენ ზღვარს ვკვეთთ. პირველად, შესაძლოა, გვქონდეს გამოთვლითი სიმძლავრე და ინტელექტი, რათა გადავჭრათ პრობლემები, რომლებიც ოდესღაც ადამიანის შესაძლებლობებს აღემატებოდა.
New York Times-ის მიმომხილველმა კევინ რუზმა ახლახან კარგად აღწერა ეს მომენტი: „ყოველ კვირას ვხვდები ინჟინრებსა და მეწარმეებს, რომლებიც ხელოვნურ ინტელექტზე მუშაობენ და მეუბნებიან, რომ ცვლილება - დიდი ცვლილება, მსოფლიოს შემძვრელი ცვლილება, ისეთი ტრანსფორმაცია, როგორიც აქამდე არ გვინახავს - ახლოსაა“. და ეს არც კი ითვლის იმ გარღვევებს, რომლებიც ყოველ კვირას ხდება.
სულ რაღაც ბოლო რამდენიმე დღის განმავლობაში, ჩვენ ვნახეთ, რომ OpenAI-ის GPT-4o ტექსტიდან თითქმის სრულყოფილი სურათები შექმნა, Google-მა გამოუშვა ის, რაც შესაძლოა ყველაზე მოწინავე მსჯელობის მოდელი იყოს ჯერჯერობით Gemini 2.5 Pro-ში, ხოლო Runway-მ წარმოადგინა ვიდეო მოდელი კადრიდან კადრში პერსონაჟისა და სცენის თანმიმდევრულობით, რასაც VentureBeat აღნიშნავს, რომ აქამდე ხელოვნური ინტელექტის ვიდეო გენერატორების უმეტესობისთვის მიუღწეველი იყო.
რა იქნება შემდეგ, მართლაც გამოცანაა. ჩვენ არ ვიცით, მძლავრი ხელოვნური ინტელექტი გარღვევა იქნება თუ კრახი, დაგვეხმარება თუ არა შერწყმის ენერგიის ამოხსნაში თუ ახალ ბიოლოგიურ რისკებს გააჩენს. მაგრამ იმის გათვალისწინებით, რომ მომდევნო ხუთი წლის განმავლობაში სულ უფრო მეტი FLOPS გამოჩნდება ონლაინში, ერთი რამ ცხადია: ინოვაცია სწრაფად და ძალით მოვა. ასევე ცხადია, რომ FLOPS-ების ზრდასთან ერთად უნდა გაიზარდოს ჩვენი საუბრები პასუხისმგებლობაზე, რეგულირებასა და თავშეკავებაზე.
გარი გროსმანი არის Edelman-ის ტექნოლოგიური პრაქტიკის EVP და Edelman AI-ის ბრწყინვალების გლობალური ცენტრის ხელმძღვანელი.
ასინეთა AI მიერ არის დამუსავებული.
გსურთ კომენტარის დატოვება?
კომენტარის დასატოვებლად საჭიროა ავტორიზაცია
შესვლა რეგისტრაციაკომენტარები არ არის
იყავით პირველი, ვინც დატოვებს კომენტარს