LLM ક્વોડ્રેટિક બોટલનેક ઉકેલવામાં Subquadratic ના બ્રેકથ્રુના દાવા

AI ઉદ્યોગ મિયામી સ્થિત સ્ટાર્ટઅપ Subquadratic ને લઈને ચર્ચામાં છે, જેનો દાવો છે કે તેમણે એક એવી ગાણિતિક મર્યાદાને ઉકેલી છે જે લગભગ એક દાયકાથી Large Language Models (LLMs) ને મર્યાદિત કરી રહી છે. જોકે શરૂઆતમાં શંકાઓ વધુ હતી, પરંતુ તાજેતરના સ્વતંત્ર વેરિફિકેશન સૂચવે છે કે તેમનું નવું "SubQ" આર્કિટેક્ચર જનરેટિવ AI ના અભિગમમાં મૂળભૂત પરિવર્તન લાવી શકે છે.

સમસ્યા: ડેન્સ એટેન્શન (Dense Attention) ની ક્વોડ્રેટિક કિંમત

Subquadratic ના દાવાની મહત્વતા સમજવા માટે, 2017 માં Google દ્વારા રજૂ કરવામાં આવેલ "Transformer" આર્કિટેક્ચર સમજવું જરૂરી છે. મોટાભાગના આધુનિક LLMs dense attention તરીકે ઓળખાતી પદ્ધતિ પર આધારિત છે. આ પ્રક્રિયામાં, સંદર્ભ (context) સમજવા માટે સિક્વન્સમાં રહેલા દરેક ટોકન (શબ્દ અથવા શબ્દનો ભાગ) ને અન્ય દરેક ટોકન સાથે ગુણવામાં આવે છે.

આનાથી ક્વોડ્રેટિક એક્સપાન્શન (quadratic expansion) તરીકે ઓળખાતું મોટું કમ્પ્યુટેશનલ ભારણ ઊભું થાય છે. જો તમે લખાણની લંબાઈ બમણી કરો છો, તો કમ્પ્યુટેશનલ જરૂરિયાતો લગભગ ચાર ગણી વધી જાય છે. 10,000 શબ્દોના દસ્તાવેજ માટે, મોડેલે લગભગ 5 કરોડ (50 million) વ્યક્તિગત ગુણાકાર કરવા પડે છે. આ બિનકાર્યક્ષમતા એ મુખ્ય કારણ છે કે LLMs "પાવર હોગ્સ" (power hogs) તરીકે જાણીતા છે, કારણ કે લાંબા સંદર્ભોને પ્રોસેસ કરવા માટે તેમને અઢળક ઉર્જા અને મોંઘા હાર્ડવેરની જરૂર પડે છે.

ઉકેલ: સ્પાર્સ એટેન્શન (Sparse Attention) સાથે સ્કેલિંગ

Subquadratic નું SubQ મોડેલ dense attention ને બદલે sparse attention નો ઉપયોગ કરવાનો લક્ષ્ય રાખે છે. તેનો મુખ્ય સિદ્ધાંત એ છે કે દસ્તાવેજ સમજવા માટે શબ્દો વચ્ચેનો દરેક સંબંધ મહત્વપૂર્ણ હોતો નથી. દરેક ટોકનને અન્ય દરેક ટોકન સાથે ગુણવાને બદલે, sparse attention માત્ર સૌથી સુસંગત સંબંધોને જ ગણતરી માટે પસંદ કરે છે.

જોકે "sparse attention" એ કોઈ નવો ખ્યાલ નથી, પરંતુ અગાઉના પ્રયાસો dense-attention મોડેલ્સમાં જોવા મળતા ઉચ્ચ સ્તરના તર્ક (reasoning) અને સૂક્ષ્મતા (nuance) જાળવી રાખવામાં સંઘર્ષ કરી રહ્યા હતા. Subquadratic નો દાવો છે કે તેમણે આ અંતરને પૂર્યું છે, અને એક એવું મોડેલ બનાવ્યું છે જે બુદ્ધિમાં પરંપરાગત ઘટાડો કર્યા વિના sparse attention ની કાર્યક્ષમતા પૂરી પાડે છે.

દાવાઓની ચકાસણી: Appen ના પરિણામો

શરૂઆતની શંકાઓ પછી—જ્યાં કેટલાક ટીકાકારોએ વણચકાસાયેલા દાવાઓની સરખામણી "AI Theranos" સાથે કરી હતી—Subquadratic એ અગ્રણી AI મૂલ્યાંકન કંપની Appen ના તૃતીય-પક્ષ બેન્ચમાર્ક જાહેર કર્યા છે. Appen ના સ્વતંત્ર પરીક્ષણના પરિણામોએ SubQ આર્કિટેક્ચરને માન્યતા આપી છે, અને આ તારણોને "આઘાતજનક" (shocking) અને સંભવિત "ગેમ ચેન્જર" (game changer) તરીકે વર્ણવ્યા છે.

According to the startup, SubQ offers several transformative technical advantages:

• Context Window: SubQ can process up to 12 times more text at once compared to most current models, making it ideal for analyzing entire codebases or massive document libraries.
• Performance: Despite the leaner architecture, SubQ matches the performance of industry leaders like OpenAI, Google DeepMind, and Anthropic on critical tasks such as coding.
• Efficiency: The model is significantly faster, cheaper, and more energy-efficient than existing transformer-based models.

A New Era Beyond Transformers?

Subquadratic is not just looking to optimize current models; they are looking to replace the foundational architecture of the industry. CEO Justin Dangel has stated that the company believes the era of building on Transformers may be coming to an end. If SubQ can continue to prove its efficacy at scale, the transition from dense to sparse attention could represent the most significant shift in AI architecture since the invention of the Transformer itself.

Key Takeaways

• Breaking the Quadratic Barrier: SubQ uses sparse attention to avoid the exponential increase in computation required by traditional dense attention.
• Superior Context Handling: The model can process 12x more data at once, enabling deep analysis of large-scale datasets and long-form code.
• Verified Efficiency: Independent testing by Appen confirms that SubQ achieves high-tier performance (matching OpenAI and Google) at a fraction of the cost and energy.