AI ഊർജ്ജ ഉപഭോഗം 1,000 മടങ്ങ് കുറയ്ക്കാൻ Unconventional AI ലക്ഷ്യമിടുന്നു

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനായുള്ള ആഗോള ആവശ്യം ലഭ്യമായ ഊർജ്ജ വിതരണത്തേക്കാൾ വർദ്ധിക്കാൻ സാധ്യതയുള്ള സാഹചര്യത്തിൽ, ഹാർഡ്‌വെയർ ആർക്കിടെക്ചറിന്റെ നിയമങ്ങൾ പുനർനിർമ്മിക്കാൻ ഒരു പുതിയ സ്റ്റാർട്ടപ്പ് ശ്രമിക്കുന്നു. മുൻ Databricks AI മേധാവി നവീൻ റാവുവിന്റെ നേതൃത്വത്തിലുള്ള Unconventional AI, വ്യവസായം നേരിടുന്ന ഊർജ്ജ പ്രതിസന്ധി പരിഹരിക്കുന്നതിനായി വിപ്ലവകരമായ ഒരു പുതിയ കമ്പ്യൂട്ടിംഗ് രീതിയിലാണ് പന്തയം വെക്കുന്നത്.

പരമ്പരാഗത സിലിക്കൺ ആർക്കിടെക്ചറുകൾക്ക് അപ്പുറത്തേക്ക്

നിലവിൽ Large Language Models (LLMs), ഡിഫ്യൂഷൻ മോഡലുകൾ എന്നിവ പ്രവർത്തിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന പരമ്പരാഗത ചിപ്പുകളിൽ നിന്നുള്ള മാറ്റമാണ് Unconventional AI-യുടെ ദൗത്യത്തിന്റെ കാതൽ. നിലവിലുള്ള GPU, TPU ആർക്കിടെക്ചറുകൾ മെച്ചപ്പെടുത്തുന്നതിലാണ് വ്യവസായം പ്രധാനമായും ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നതെങ്കിൽ, റാവുവും അദ്ദേഹത്തിന്റെ ടീമും ഒരു ഓസിലേറ്റർ അധിഷ്ഠിത (oscillator-based) കമ്പ്യൂട്ടർ ആർക്കിടെക്ചർ ഉപയോഗിച്ച് അടിസ്ഥാനപരമായി പുതിയൊരു സംവിധാനം നിർമ്മിക്കുകയാണ്.

സാധാരണ ഡിജിറ്റൽ കമ്പ്യൂട്ടിംഗിൽ ഉപയോഗിക്കുന്ന ട്രാൻസിസ്റ്ററുകളിൽ നിന്ന് ഈ സമീപനം അടിസ്ഥാനപരമായി വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ഓസിലേറ്ററുകൾ പ്രയോജനപ്പെടുത്തുന്നതിലൂടെ, അഭൂതപൂർവമായ കാര്യക്ഷമതയോടെ ഇൻഫറൻസ് പ്രോസസ്സിംഗ് (inference processing) നടത്താൻ കമ്പനി ലക്ഷ്യമിടുന്നു. ഈ മാറ്റം AI ഇൻഫറൻസിനായി ആവശ്യമായ ഊർജ്ജ ഉപഭോഗം 1,000 മടങ്ങ് വരെ കുറയ്ക്കുമെന്നും, അതുവഴി AI-യെ ഊർജ്ജം അധികം ഉപയോഗിക്കുന്ന ഒരു ഭാരത്തിൽ നിന്ന് സുസ്ഥിരമായ ഒരു സേവനമാക്കി മാറ്റുമെന്നും റാവു കരുതുന്നു.

Un0: ഓസിലേറ്റർ അധിഷ്ഠിത കമ്പ്യൂട്ടിംഗിന്റെ "Hello World"

ഈ വിപ്ലവകരമായ ഹാർഡ്‌വെയർ ആശയത്തിന്റെ പ്രായോഗികത തെളിയിക്കുന്നതിനായി കമ്പനി അടുത്തിടെ തങ്ങളുടെ ആദ്യ മോഡലായ Un0 പുറത്തിറക്കി. Un0 നിലവിൽ കമ്പനി ഉദ്ദേശിക്കുന്ന ഓസിലേറ്റർ ചിപ്പുകളുടെ സോഫ്റ്റ്‌വെയർ സിമുലേഷനിലാണ് പ്രവർത്തിക്കുന്നതെങ്കിലും, അതിന്റെ ഫലങ്ങൾ ശ്രദ്ധേയമാണ്. Stable Diffusion അല്ലെങ്കിൽ OpenAI-യുടെ GPT Image 1 പോലുള്ള അത്യാധുനിക ഡിഫ്യൂഷൻ മോഡലുകളുടെ പ്രകടനം അനുകരിക്കുന്ന ഒരു ഇമേജ് ജനറേഷൻ സിസ്റ്റമാണ് ഈ മോഡൽ.

ഈ റിലീസിനെ ഒരു പുതിയ തരം കമ്പ്യൂട്ടറിന്റെ "hello world" എന്ന് വിശേഷിപ്പിച്ച റാവു, തികച്ചും വ്യത്യസ്തമായ ഒരു ഹാർഡ്‌വെയർ ലോജിക് ഉപയോഗിച്ച് ഉയർന്ന നിലവാരമുള്ള ഔട്ട്‌പുട്ടുകൾ നൽകാൻ കഴിയുമെന്ന് തെളിയിക്കുക എന്നതായിരുന്നു ലക്ഷ്യമെന്ന് ഊന്നിപ്പറഞ്ഞു. ഈ സിമുലേറ്റഡ് ആർക്കിടെക്ചറിന് സങ്കീർണ്ണമായ ജനറേറ്റീവ് ടാസ്ക്കുകൾ എങ്ങനെ വിജയകരമായി കൈകാര്യം ചെയ്യാമെന്ന് അനുബന്ധ ഗവേഷണ പ്രബന്ധം വിശദീകരിക്കുന്നു, ഇത് ഭൗതികമായ ഹാർഡ്‌വെയർ നിർമ്മാണത്തിനുള്ള ഒരു വഴികാട്ടിയായി വർത്തിക്കുന്നു.

AI സ്കെയിലിംഗിലെ ഊർജ്ജ പ്രതിസന്ധി പരിഹരിക്കുന്നു

ഈ വികസനത്തിന്റെ സമയം വളരെ നിർണ്ണായകമാണ്. AI മോഡലുകളുടെ പാരാമീറ്ററുകളുടെ എണ്ണവും സങ്കീർണ്ണതയും വർദ്ധിക്കുന്നതിനനുസരിച്ച്, വളർച്ച നേരിടുന്ന പ്രധാന തടസ്സം ഡാറ്റയുടെ ലഭ്യതയിൽ നിന്ന് ഊർജ്ജത്തിന്റെ ലഭ്യതയിലേക്ക് മാറുകയാണ്. വരും വർഷങ്ങളിൽ AI-യുടെ "അടിസ്ഥാന പരിധി" (fundamental limit) ഊർജ്ജമായി മാറുമെന്നും, എത്രത്തോളം ബുദ്ധിശക്തി (intelligence) വിന്യസിക്കാനാകും എന്നതിന് ഇത് ഒരു പരിധിയായി മാറുമെന്നും റാവു വാദിക്കുന്നു.

ഒരു സമ്പൂർണ്ണ ഇൻഫറൻസ് സ്റ്റാക്ക് (inference stack) നിർമ്മിക്കുന്നതിലൂടെ ഇത് പരിഹരിക്കാൻ Unconventional AI പദ്ധതിയിടുന്നു. ഇതിന്റെ കർമ്മപദ്ധതിയിൽ ഉൾപ്പെടുന്നവ:

• ഭൗതികമായ ഓസിലേറ്റർ അധിഷ്ഠിത ചിപ്പുകൾ വികസിപ്പിക്കുകയും അവയുടെ സ്കീമാറ്റിക്സ് പുറത്തിറക്കുകയും ചെയ്യുക.
• ഈ പ്രൊപ്രൈറ്ററി ചിപ്പുകൾ ഉപയോഗിച്ച് സമ്പൂർണ്ണ സിസ്റ്റങ്ങൾ നിർമ്മിക്കുക.
• കമ്പ്യൂട്ട് കപ്പാസിറ്റി ഒരു സേവനമായി നൽകുക; ഇതിലൂടെ ഉപയോക്താക്കൾക്ക് ഒരു നെറ്റ്‌വർക്ക് കേബിൾ വഴി പ്രോംപ്റ്റുകൾ അയക്കാവുന്നതും നിലവിലെ ഊർജ്ജ ചെലവിന്റെ 1/1000 ഭാഗത്തിൽ ഇൻഫറൻസുകൾ ലഭിക്കുകയും ചെയ്യും.

50-ൽ താഴെ ജീവനക്കാർ മാത്രമുള്ള ഒരു ചെറിയ കമ്പനിയാണെങ്കിലും, മുഴുവൻ AI മേഖലയും നേരിടുന്ന ഏറ്റവും വലിയ സാമ്പത്തിക പ്രതിസന്ധിയായ വൈദ്യുതിയുടെ അമിത ചെലവിനെയാണ് ഇതിന്റെ ദൗത്യം അഭിമുഖീകരിക്കുന്നത്.

പ്രധാന കാര്യങ്ങൾ

• വിപ്ലവകരമായ ഹാർഡ്‌വെയർ മാറ്റം: AI ഇൻഫറൻസ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനായി Unconventional AI പരമ്പരാഗത സിലിക്കണിൽ നിന്ന് ഓസിലേറ്റർ അധിഷ്ഠിത ആർക്കിടെക്ചറിലേക്ക് മാറുന്നു.
• തെളിയിക്കപ്പെട്ട പ്രകടനം: കമ്പനിയുടെ Un0 മോഡൽ, Stable Diffusion പോലുള്ള വ്യവസായ മുൻനിരക്കാരുടെ ഇമേജ് ജനറേഷൻ ശേഷിയോട് കിടപിടിക്കാൻ ഈ പുതിയ ആർക്കിടെക്ചറിന് കഴിയുമെന്ന് തെളിയിക്കുന്നു.
• ഊർജ്ജ പ്രതിസന്ധി പരിഹരിക്കുന്നു: AI സ്കെയിലിംഗിനെ പരിമിതപ്പെടുത്താൻ സാധ്യതയുള്ള ഊർജ്ജ പ്രതിസന്ധി പരിഹരിക്കുന്നതിലൂടെ, AI ഊർജ്ജ ഉപഭോഗം 1,000 മടങ്ങ് കുറയ്ക്കുക എന്നതാണ് അന്തിമ ലക്ഷ്യം.