@OpenGradient
كنت أعتقد في السابق أن بنية الذكاء الاصطناعي ستتحول في النهاية إلى سباق تخزين.
المزيد من النماذج. المزيد من البيانات. المزيد من السعة.
كلما تعمقت في OpenGradient، قل إيماني بذلك.
ما يهمني الآن هو سؤال مختلف:
ماذا يجب أن تتذكر الشبكة، وماذا يجب أن تنسى؟
في أنظمة الذكاء الاصطناعي، ليس كل نموذج يحتاج أن يبقى قريبًا من الحوسبة إلى الأبد. ليس كل نتيجة تحتاج أن تبقى في الطبقة الأسرع إلى الأبد. مع نمو الشبكات، تصبح الذاكرة موردًا يجب إدارته، وليس مجرد توسيعه.
لهذا السبب أرى OpenGradient أكثر من مجرد شبكة استدلال ذكاء اصطناعي.
إنها تبني الأسس للذكاء الاصطناعي القابل للتحقق، لكنها تواجه أيضًا تحديًا أعمق: اتخاذ قرارات حول كيفية تحرك المعلومات عبر النظام مع مرور الوقت.
البنية التحتية الأكثر ذكاءً ليست دائمًا تلك التي تخزن أكثر.
أحيانًا تكون تلك التي تتذكر الأشياء الصحيحة.
يمكن للذاكرة الفعالة تحسين الاستدلال، وتقليل التكاليف غير الضرورية، وتوفير الموارد حيث تخلق أكبر قيمة. مع زيادة الاستخدام، تصبح تلك القرارات أكثر أهمية.
بالنسبة لي، هذه واحدة من أكثر الأجزاء التي تم تجاهلها في OpenGradient.
الجميع يتحدث عن الذكاء.
قليل من الناس يتحدثون عن الذاكرة.
ومع ذلك، قد تكون الذاكرة هي الطبقة التي تحدد ما إذا كانت أنظمة الذكاء الاصطناعي ستظل فعالة على نطاق واسع.
على المدى الطويل، قد تعتمد القابلية للتوسع أقل على مقدار ما يمكن أن تخزنه الشبكة وأكثر على مدى ذكاءها في اتخاذ قرارات بشأن ما يجب الاحتفاظ به.
#opg $OPG #OPG $SYN $MUB