더 큰 모델뿐만 아니라 AI 하드웨어가 AI의 미래를 정의하는 이유

Bain & Company에 따르면 2024 년에 총 AI 투자의 10% 미만 이 인프라로 갔다. Lion 's Share는 기초 모델 및 합성 컨텐츠 도구로 갔다. 구축하기 쉬운 기술, 데모 및 미디어 친화적 인 기술.

그러나 전문가들은 일방적 인 베팅이 그 한계를 보여주기 시작했다고 말합니다.

이 전문가 중 하나는 Shenzhen에 본사를 둔 심해 기술 회사 인 Xinghan Laser 의 창립자이자 회장 인 Zhou Shaofeng입니다. Shaofeng은 다음 단계의 AI가 가장 큰 모델을 가진 사람에 의해 결정되지 않을 것이라고 생각하지만, 누가 정밀, 내구성 및 실제 피드백을 통해 물리적 시스템으로 인텔리전스를 가져올 수 있다고 생각합니다. 그러나 왜 그는 이것을 믿고 무엇을 의미합니까? 우선, 그것은“우리는 모델에 너무 집착하고 있기 때문”이라고 그는 지적했다.

모델 강박 관념은 우리를 눈을 멀게합니다

지난 3 년간 AI 대화는 대부분 모델을 중심으로 궤도를 맞이했습니다. 가장 큰 훈련을 받았으며 가장 큰 데모를 발표 한 1 억 명의 사용자를 가장 빠르게 쳤습니다. 그러나 AI 모델이 아무리 정교하더라도 강화 된 센서, 내장 된 컴퓨팅 및 고 충실도 인식 시스템없이 수술 로봇 또는 자율 자동차를 실행하지 않습니다.

Shaofeng은 인터뷰에서“실제 지능은 예측에 관한 것이 아닙니다. "그것은 인식, 상호 작용 및 행동에 관한 것입니다. 그리고 모든 것이 하드웨어 수준에서 시작됩니다."

이러한 종류의 지능은 예측할 수없고 고위험 환경에서 작동 해야하는 기계에 내장되어 있으므로 영리한 코드보다 훨씬 더 필요합니다. 데이터를 실시간으로 처리하고 피드백에 응답하며 가혹한 조건을 견딜 수있는 하드웨어가 필요합니다. 그러나 Shaofeng에 따르면, 그것은 오늘날의 AI 담론에서 간과되는 층이 정확히 간과되고있다.

인프라 자금 조달 격차

그러나 자금은 다른 이야기를합니다. Bain & Company의 초기 보고서에서 밝혀진 바와 같이, 하드웨어, 에지 시스템 및 임베디드 AI를 포함한 AI 인프라에 대한 투자는 2024 년 총 AI 자본 할당의 10% 미만을 차지했습니다. 한편, 기초 모델과 합성 컨텐츠 도구는 사자의 점유율을 계속 흡수했습니다.

Shaofeng에 따르면 Deep Tech는 종종 벤처 캐피탈 테스트에 실패하며 그 이유를 쉽게 알 수 있습니다. 소프트웨어가 구축하기가 더 빠르고, 데모가 쉽고, 피벗에 더 간단합니다. 반면에 Deep Tech는 인내심을 요구합니다. 긴 R & D주기, 높은 기술적 불확실성 및 단기 승리는 거의 없습니다.

이로 인해 정부와 소수의 기술 거인이 느슨해집니다. Tesla 및 Nvidia와 같은 회사는 수직으로 통합 된 AI 스택을 건설하고 있습니다. 저렴하기 때문이 아니라 필요하기 때문입니다.

실제 경제적 한계

Skittish 인 투자자만이 아닙니다. 공장, 차량, 병원 등을 포함한 물리적 환경에 AI를 배치하면 실제 비용이 제공됩니다. 그리고 Shaofeng은 이것들이 이론적 장벽이 아니지만 많은 사람들이 오늘날 해결하기 위해 노력하고있는 실제 문제를 지적합니다.

"실제 병목 현상은 기술적이지 않습니다." “그들은 경제적입니다. 센서 나 레이저 모듈과 같은 하드웨어는 저렴하지 않습니다. 통합, 테스트, 규정 준수 - 시간이 걸리지 않습니다. 질문은 더 이상 '작동 할 수 있습니까?' 그러나 ' 투자를 정당화하는 ROI 와 충분히 빠르게 작동 할 수 있습니까?'”

그의 주장은 공장 바닥에 지능을 포함시키는 비용이 종종 새로운 SaaS 제품을 운송하는 것보다 훨씬 높지만, 올바른 완료는 훨씬 더 크고 훨씬 더 방어 할 수 있다는 것입니다.

하드웨어 베팅

Shaofeng의 회사 인 Xinghan Laser는 고성능 광학 시스템에 직접 AI의 몇 안되는 건물 중 하나입니다. 반도체 레이저 칩에서 정밀 리다 플랫폼에 이르기 까지이 팀은 프로세스를 자동화 할뿐만 아니라 이에 적응하는 시스템을 설계하고 있습니다. "이것은 단지 자동화 이상의 것"이라고 그는 말했다. “프로세스 자체에서 배우고 실시간으로 조정할 수있는 시스템을 구축하는 것입니다.

Shaofeng은 하드웨어에 큰 관심을 기울이는 것에 대한 그의 생각에 혼자가 아닙니다. 최근에 로이터는 미국 상원의 청문회에서 OpenAI CEO 인 Sam Altman이 미국을 세계 AI 리더십의 최전선에두기 위해 AI 인프라, 특히 데이터 센터 및 에너지 시스템에 투자해야 할 긴급한 필요성을 강조했다고보고했다. 프린스턴 대학교 (Princeton University)의 Naveen Verma 교수는 현대적인 워크로드를 위해 설계된 새로운 AI 칩을 개발하고 에너지가 상당히 적은 에너지를 사용하여 강력한 AI 시스템을 실행하기위한 새로운 AI 칩을 개발하기위한 프로젝트를 이끌고 있으며, 현재 AI 칩은 크기, 효율 및 확장 성과 관련된 장벽에 직면하고 있다고 언급했습니다.

의심 할 여지없이, 큰 베팅은 이제 AI 인프라 및 하드웨어에 있습니다. McKinsey의 AI 보고서 로서, AI에서 가장 큰 재무 ROI를보고있는 산업은 창의적인 콘텐츠 나 챗봇에 있지 않으며 제조, 물류 및 공급망에 있습니다. 다시 말해 : 실제 시스템. 하드웨어가 필요한 시스템.

더 똑똑한 미래

이것은 Deep Tech가 모델 중심 AI의 경쟁자가 아니라 인 에이 블러로 맞는 곳입니다. Shaofeng은“대규모 모델과 하드웨어 혁신은 반대하는 힘이 아닙니다. "그들은 상호 강화하고 있습니다. 하나는 지능의 경계를 밀어냅니다. 다른 하나는 그 지능을 생명에 가져옵니다." 하나와 전체 시스템 균열을 무시하십시오.

시뮬레이션에서 완벽하게 작동하지만 현장에서 실패하는 로봇은 비효율적 일뿐 만 아니라 위험합니다. 깊이를 잘못 판단하는 수술 도구이든 바람 전단을 탐색 할 수없는 드론이든, 결과는 이론적이지 않습니다. 그들은 실제적이고 비용이 많이 듭니다.

덜 과대 광고, 더 많은 하드웨어

그러한 미래를 만들기 위해 Shaofeng은 방정식을 재조정해야한다고 말했다. 그는 AI의 미래는 파이썬 코드로 작성되지 않을 것이라고 지적했다. 오히려 회로로 납땜되어 광학적으로 조정되고 물리적 공간에서 테스트 될 것이라고 지적했다.

"AI 스케일링은 컴퓨팅과 데이터에 관한 것이 아닙니다." “이것은 인프라, 통합 및 실제 관련성에 관한 것입니다.”우리는 AI가 세계를 분석하지 않는 미래를 봅니다. 그것은 물리적으로 그것에 관여합니다.”

그 미래에 Deep Tech는 AI 이야기에 대한 각주가 아닙니다. 그것은 기초입니다.

위 내용은 더 큰 모델뿐만 아니라 AI 하드웨어가 AI의 미래를 정의하는 이유의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!