<\/span><\/h2>\n\n\n\n\u0160is pa\u017eangos lygis atrodo beveik ne\u012ftik\u0117tinas, ypa\u010d tod\u0117l, kad prisimenu moderniausi\u0105, kai prad\u0117jau savo karjer\u0105 skai\u010diavimo pramon\u0117je. Pirmasis mano profesionalus darbas buvo \u201eDEC KL 1090\u201c programuotojas. \u0160i ma\u0161ina, dalis DEC PDP-10 serijos \u201eTimeshare Mainframs\u201c, pasi\u016bl\u0117 1,8 milijono instrukcij\u0173 per sekund\u0119 (MIPS). Be savo CPU na\u0161umo, ma\u0161ina, sujungta su \u201eCathode Ray Tube\u201c (CRT), rodomas per kietas laidus. Nebuvo joki\u0173 grafikos galimybi\u0173, tiesiog lengvas tekstas tamsiame fone. Ir, \u017einoma, n\u0117ra interneto. Nuotoliniai vartotojai, prijungti per telefono linijas, naudojant modemus, veikian\u010dius grei\u010diu iki 1 200 bit\u0173 per sekund\u0119.<\/p>\n\n\n\nDEC System 10; \u0160altinis: Joe Mabel, CC BY-SA 3.0. <\/em><\/figcaption><\/figure>\n\n\n\n<\/span>500 milijard\u0173 kart\u0173 daugiau skai\u010diavimo<\/span><\/h2>\n\n\n\nPalyginus MIP su FLOPS suteikia bendr\u0105 pa\u017eangos jausm\u0105, svarbu atsiminti, kad \u0161ios metrikos matuoja skirtingus skai\u010diavimo darbo kr\u016bvius. MIPS atspindi sveik\u0173j\u0173 skai\u010di\u0173 apdorojimo greit\u012f, kuris yra naudingas bendrosios paskirties skai\u010diavimui, ypa\u010d verslo programose. FLOPS matuojamos kintamojo ta\u0161ko na\u0161umas, kuris yra labai svarbus moksliniams darbo kr\u016bviams ir sunkiam skai\u010diui kankinan\u010diam u\u017e \u0161iuolaikinio AI, pavyzd\u017eiui, matricos matematikos ir linijin\u0117s algebros, naudojamos ma\u0161in\u0173 mokymosi (ML) modeliams mokyti ir paleisti.<\/p>\n\n\n\n
Nors n\u0117ra tiesioginis palyginimas, jis yra skirtumas tarp MIP ir FLOPS skal\u0117 dabar yra galingas spartus skai\u010diavimo na\u0161umo augimo iliustracija. Naudojant juos kaip grubi\u0105 euristik\u0105 atliktam darbui \u012fvertinti, naujoji \u201eNvidia\u201c sistema yra ma\u017edaug 500 milijard\u0173 kart\u0173 galingesn\u0117 nei DEC aparatas. Toks \u0161uolis parodo eksponentin\u012f skai\u010diavimo galios augim\u0105 per vien\u0105 profesin\u0119 karjer\u0105 ir kelia klausim\u0105: jei per 40 met\u0173 \u012fmanoma padaryti toki\u0105 didel\u0119 pa\u017eang\u0105, k\u0105 gali atne\u0161ti kiti 5?<\/p>\n\n\n\n
Savo ruo\u017etu Nvidia pasi\u016bl\u0117 kelet\u0105 \u012fkal\u010di\u0173. \u201eGTC\u201c \u012fmon\u0117je bendrov\u0117 pasidalino planu, numatan\u010diu, kad jos naujos kartos visos kartos sistema, paremta \u201eVera Rubin\u201c ultra architekt\u016bra, pateiks 14x \u201eBlackwell Ultra Rack\u201c gabenimo rezultatus \u0161iais metais, kitais metais pasieks nuo 14 iki 15 \u201eExaflops\u201c.<\/p>\n\n\n\n
Lygiai taip pat pastebimas efektyvumas. \u0160io lygio viename stove pasiekimas rei\u0161kia ma\u017eiau fizin\u0117s erdv\u0117s vienam darbui, ma\u017eiau med\u017eiag\u0173 ir potencialiai ma\u017eesnis energijos sunaudojimas vienai operacijai, nors absoliu\u010dios \u0161i\u0173 sistem\u0173 galios poreikiai i\u0161lieka did\u017eiul\u016bs.<\/p>\n\n\n\n
<\/span>Ar AI tikrai reikia viso to, kas apskai\u010diuoja gali\u0105?<\/span><\/h2>\n\n\n\nNors toks na\u0161umo padid\u0117jimas i\u0161 ties\u0173 yra \u012fsp\u016bdingas, AI pramon\u0117 dabar kovoja su esminiu klausimu: kiek skai\u010diavimo galios yra tikrai reikalinga ir kokia kaina? Var\u017eybas kurti did\u017eiulius naujus AI duomen\u0173 centrus lemia augantys \u201eExascale\u201c skai\u010diavimo ir vis daugiau AI modeli\u0173 poreikiai.<\/p>\n\n\n\n
Ambicingiausios pastangos yra 500 milijard\u0173 doleri\u0173 vert\u0117s \u201eStargate\u201c projektas, kuris numato 20 duomen\u0173 centr\u0173 visoje JAV, kiekvienas i\u0161 j\u0173 siekia pus\u0119 milijono kvadratini\u0173 p\u0117d\u0173. Vyksta kit\u0173 \u201eHyPerscale\u201c projekt\u0173 banga arba planavimo etapuose visame pasaulyje, nes \u012fmon\u0117s ir \u0161alys siekia u\u017etikrinti, kad jos turi infrastrukt\u016br\u0105, kad paremt\u0173 rytojaus AI darbo kr\u016bvius.<\/p>\n\n\n\n
Kai kurie analitikai dabar nerimauja, kad mes galime per daug kurti AI duomen\u0173 centro talp\u0105. Nerimas sustipr\u0117jo po to, kai i\u0161leido R1, tai yra Kinijos \u201eDeepseek\u201c samprotavimo modelis, kuriam reikia \u017eymiai ma\u017eiau skai\u010diavimo nei daugelis jo bendraam\u017ei\u0173. V\u0117liau \u201eMicrosoft\u201c at\u0161auk\u0117 nuom\u0105 su keliais duomen\u0173 centr\u0173 teik\u0117jais, sukeldamas sp\u0117liones, kad ji gali pakartotinai kalibruoti jos l\u016bkes\u010dius d\u0117l ateities AI infrastrukt\u016bros poreikio.<\/p>\n\n\n\n
Ta\u010diau Registras<\/em> pasi\u016bl\u0117, kad \u0161is atsitraukimas gali b\u016bti labiau susij\u0119s su kai kuriais planuojamais AI duomen\u0173 centrais, neturin\u010diais pakankamai tvirto sugeb\u0117jimo patenkinti naujos kartos AI sistem\u0173 galios ir au\u0161inimo poreikius. Jau dabar AI modeliai per\u017eengia ribas, k\u0105 gali palaikyti dabartin\u0117 infrastrukt\u016bra. \u201eMIT Technology Review\u201c prane\u0161\u0117, kad tai gali b\u016bti prie\u017eastis, d\u0117l kurios daugelis duomen\u0173 centr\u0173 Kinijoje stengiasi ir \u017elunga, nes buvo sukurta pagal specifikacijas, kurios n\u0117ra optimalios dabartiniam poreikiui, jau nekalbant apie ateinan\u010di\u0173 keleri\u0173 met\u0173.<\/p>\n\n\n\n<\/span>AI i\u0161vados reikalauja daugiau \u0161lait\u0173<\/span><\/h2>\n\n\n\nPrie\u017ei\u016bros modeliai did\u017ei\u0105j\u0105 dal\u012f savo darbo atlieka vykdant proces\u0105, \u017einom\u0105 kaip i\u0161vada. \u0160ie modeliai \u0161iandien maitina kelet\u0105 pa\u017eangiausi\u0173 ir daugiausiai i\u0161tekli\u0173 reikalaujan\u010di\u0173 program\u0173, \u012fskaitant gilius tyrim\u0173 pad\u0117j\u0117jus ir kylan\u010dias agent\u0173 AI sistem\u0173 bangas.<\/p>\n\n\n\n
Nors \u201eDeepseeek-R1\u201c i\u0161 prad\u017ei\u0173 sp\u0117jo apie pramon\u0119 galvojant, kad ateityje gali prireikti AI ma\u017eiau<\/em> \u201eComputing Power\u201c, \u201eNVIDIA\u201c generalinis direktorius Jensenas Huangas stipriai atsitrauk\u0117. Kalb\u0117damas su CNBC, jis prie\u0161inosi \u0161iam suvokimui: \u201eTai buvo visi\u0161kai prie\u0161inga i\u0161vada, kuri\u0105 visi padar\u0117\u201c. Jis prid\u016br\u0117, kad samprotavimai AI sunaudoja 100 kart\u0173 daugiau skai\u010diavimo nei neperduodama AI.<\/p>\n\n\n\nAI ir toliau vystosi nuo samprotavimo modeli\u0173 iki autonomini\u0173 agent\u0173 ir u\u017e jo rib\u0173, tik\u0117tina, kad skai\u010diavimo poreikis dar kart\u0105 padid\u0117s. Kiti prover\u017eiai gali \u012fvykti ne tik kalboje ar reg\u0117jime, bet ir AI agento koordinavime, suliejimo modeliavime ar net didelio masto skaitmeniniais dvyniais, kuriuos kiekvienas \u012fgalino pagal tokio tipo skai\u010diavimo galimybi\u0173 \u0161uol\u012f, kok\u012f mes k\u0105 tik mat\u0117me.<\/p>\n\n\n\n
Atrodo, kad teisinga \u201eCue\u201c, \u201eOpenai\u201c k\u0105 tik paskelb\u0117 40 milijard\u0173 doleri\u0173 nauj\u0173 finansavimo, tai yra did\u017eiausias priva\u010di\u0173 technologij\u0173 finansavimo etapas. Bendrov\u0117 tinklara\u0161\u010dio \u012fra\u0161e teig\u0117, kad finansavimas \u201esuteikia mums galimyb\u0119 dar labiau pastumti AI tyrim\u0173 sienas, padidinti m\u016bs\u0173 skai\u010diavimo infrastrukt\u016br\u0105 ir pateikti vis galingesnius \u012frankius 500 milijon\u0173 \u017emoni\u0173, kurie kiekvien\u0105 savait\u0119 naudojasi\u201e ChatGPT \u201c.\u201c<\/p>\n\n\n\n
Kod\u0117l tiek kapitalas patenka \u012f AI? Prie\u017eastys svyruoja nuo konkurencingumo iki nacionalinio saugumo. Nors i\u0161siskiria vienas konkretus veiksnys, kaip parodo \u201eMcKinsey\u201c antra\u0161t\u0117: \u201eAI gali padidinti \u012fmoni\u0173 peln\u0105 4,4 trilijono USD per metus\u201c.<\/p>\n\n\n\n