LLM मधील 'क्वाड्रॅटिक बॉटलनेक' सोडवण्यात Subquadratic ने मोठी प्रगती केल्याचा दावा

मियामीस्थित स्टार्टअप Subquadratic मुळे AI क्षेत्रात मोठी चर्चा सुरू आहे. या स्टार्टअपने अशी एक गणितीय मर्यादा सोडवल्याचा दावा केला आहे, जी जवळपास एक दशकापासून Large Language Models (LLMs) ला मर्यादित करत आहे. सुरुवातीला या दाव्यावर मोठा संशय व्यक्त केला गेला असला तरी, अलीकडील स्वतंत्र पडताळणीनुसार त्यांचे नवीन "SubQ" आर्किटेक्चर जनरेटिव्ह AI (generative AI) चे स्वरूप मूलभूतपणे बदलू शकते असे दिसून येते.

समस्या: 'डेंस अटेंशन'चा (Dense Attention) 'क्वाड्रॅटिक खर्च'

Subquadratic च्या दाव्याचे महत्त्व समजून घेण्यासाठी, २०१७ मध्ये Google ने सादर केलेले "Transformer" आर्किटेक्चर समजून घेणे आवश्यक आहे. बहुतेक आधुनिक LLMs dense attention नावाच्या यंत्रणेवर अवलंबून असतात. या प्रक्रियेत, संदर्भाचा (context) अर्थ समजून घेण्यासाठी, एका क्रमाने येणाऱ्या प्रत्येक टोकनचा (शब्द किंवा शब्दाचा भाग) इतर प्रत्येक टोकनशी गुणाकार केला जातो.

यामुळे 'क्वाड्रॅटिक एक्सपान्शन' (quadratic expansion) नावाचा प्रचंड संगणकीय भार निर्माण होतो. जर मजकुराची लांबी दुप्पट केली, तर संगणकीय आवश्यकता साधारणपणे चार पटीने वाढतात. १०,००० शब्दांच्या दस्तऐवजासाठी, मॉडेलला सुमारे ५ कोटी (50 million) वैयक्तिक गुणाकार करावे लागतात. हीच अकार्यक्षमता मुख्य कारण आहे की LLMs प्रचंड ऊर्जा वापरणारे (power hogs) म्हणून ओळखले जातात, कारण त्यांना लांब संदर्भ (long contexts) प्रक्रिया करण्यासाठी प्रचंड ऊर्जा आणि महागड्या हार्डवेअरची आवश्यकता असते.

उपाय: 'स्पार्स अटेंशन'सह (Sparse Attention) स्केलिंग

Subquadratic चे SubQ मॉडेल 'डेंस अटेंशन' सोडून sparse attention वापरण्याचे उद्दिष्ट ठेवते. याचे मूळ तत्वज्ञान असे आहे की, शब्दांमधील प्रत्येक संबंध दस्तऐवज समजून घेण्यासाठी अत्यंत महत्त्वाचा असतोच असे नाही. प्रत्येक टोकनचा इतर प्रत्येक टोकनशी गुणाकार करण्याऐवजी, 'स्पार्स अटेंशन' केवळ सर्वात संबंधित संबंधांची गणना करते.

जरी "sparse attention" ही नवीन संकल्पना नसली, तरी पूर्वीच्या प्रयत्नांना 'डेंस अटेंशन' मॉडेल्समध्ये आढळणारी उच्च तर्कक्षमता (reasoning) आणि बारकावे (nuance) टिकवून ठेवण्यासाठी संघर्ष करावा लागला आहे. Subquadratic ने ही दरी भरून काढल्याचा दावा केला आहे, आणि असे मॉडेल तयार केले आहे जे बुद्धिमत्तेमध्ये पारंपारिक घट न होता 'स्पार्स अटेंशन'ची कार्यक्षमता प्रदान करते.

दाव्यांची पडताळणी: Appen कडून मिळालेले निकाल

सुरुवातीच्या संशयानंतर—काही टीकाकारांनी तर या अपुष्ट दाव्यांची तुलना "AI Theranos" शी केली होती—Subquadratic ने आघाडीची AI मूल्यांकन संस्था असलेल्या Appen कडून मिळालेले तृतीय-पक्ष बेंचमार्क (third-party benchmarks) प्रसिद्ध केले आहेत. Appen च्या स्वतंत्र चाचणीच्या निकालांनी SubQ आर्किटेक्चरची पडताळणी केली असून, या निष्कर्षांचे वर्णन "धक्कादायक" आणि संभाव्य "गेम चेंजर" (game changer) असे केले आहे.

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.