𝐀𝐈 𝐓𝐈𝐃𝐀𝐊 𝐀𝐊𝐀𝐍 𝐃𝐄𝐅𝐈𝐍𝐈𝐒 𝐃𝐄𝐍𝐆𝐀𝐍 𝐌𝐎𝐃𝐄𝐋 𝐘𝐀𝐍𝐆 𝐋𝐄𝐁𝐈𝐇 𝐁𝐄𝐒𝐀𝐑 𝐒𝐀𝐌𝐀
Terobosan besar AI berikutnya mungkin tidak datang hanya dari membangun model yang lebih besar.
Itu mungkin datang dari memikirkan ulang di mana kecerdasan dijalankan, di mana komputasi terjadi, dan siapa yang menyediakan infrastruktur di baliknya.
Saat AI semakin tertanam di aplikasi sehari-hari, infrastruktur yang mendukung sistem-sistem tersebut menjadi sama pentingnya dengan model itu sendiri.
🧠 𝐂𝐀𝐒𝐄 𝐔𝐍𝐓𝐔𝐊 𝐀𝐈 𝐘𝐀𝐍𝐆 𝐋𝐎𝐊𝐀𝐋
Menjalankan AI lebih dekat ke pengguna mengubah persamaan infrastruktur.
➞ Data dapat tetap berada lebih dekat dengan tempat data itu dihasilkan
➞ Respons dapat terjadi dengan latensi yang lebih rendah
➞ Pengguna dapat memiliki kendali yang lebih besar atas komputasi
➞ Aplikasi dapat mengurangi ketergantungannya pada satu lingkungan terpusat
Namun, membawa keunggulan ini ke skala memerlukan lebih dari sekadar model yang efisien.
Hal ini memerlukan kapasitas komputasi yang mudah diakses dan didistribusikan di seluruh jaringan.
🌐 𝐈𝐃𝐄 𝐘𝐀𝐍𝐆 𝐒𝐄𝐑𝐈𝐒 𝐃𝐈𝐄𝐌𝐎𝐍𝐒𝐓𝐑𝐀𝐒𝐈 𝐎𝐥𝐄𝐇 𝐁𝐈𝐓𝐓𝐎𝐑𝐑𝐄𝐍𝐓
Jauh sebelum komputasi terdesentralisasi menjadi pembahasan besar di bidang AI, BitTorrent telah menunjukkan apa yang terjadi ketika sebuah jaringan tidak sepenuhnya bergantung pada satu sumber pusat.
Alih-alih menempatkan seluruh tanggung jawab pada satu server, partisipasi dapat didistribusikan ke banyak rekan (peer) independen.
Setiap peserta memberikan bagian kecil.
Bersama-sama, kontribusi tersebut membentuk jaringan yang mampu menangani permintaan dengan cara yang benar-benar berbeda.
kapasitas yang dapat digunakan
➞ Kontributor dapat diberi insentif untuk menyediakan sumber daya
➞ Kapasitas infrastruktur bertumbuh melalui partisipasi, bukan hanya melalui perluasan terpusat
Itu menciptakan cara berpikir yang berbeda tentang penskalaan AI.
Tidak setiap unit komputasi harus berada di dalam fasilitas terpusat yang sangat besar.
Sebagian di antaranya bisa ada di seluruh jaringan sumber daya yang saling terhubung.
@justinsuntron #TRONEcoStar @BitTorrent_Official
Terobosan besar AI berikutnya mungkin tidak datang hanya dari membangun model yang lebih besar.
Itu mungkin datang dari memikirkan ulang di mana kecerdasan dijalankan, di mana komputasi terjadi, dan siapa yang menyediakan infrastruktur di baliknya.
Saat AI semakin tertanam di aplikasi sehari-hari, infrastruktur yang mendukung sistem-sistem tersebut menjadi sama pentingnya dengan model itu sendiri.
🧠 𝐂𝐀𝐒𝐄 𝐔𝐍𝐓𝐔𝐊 𝐀𝐈 𝐘𝐀𝐍𝐆 𝐋𝐎𝐊𝐀𝐋
Menjalankan AI lebih dekat ke pengguna mengubah persamaan infrastruktur.
➞ Data dapat tetap berada lebih dekat dengan tempat data itu dihasilkan
➞ Respons dapat terjadi dengan latensi yang lebih rendah
➞ Pengguna dapat memiliki kendali yang lebih besar atas komputasi
➞ Aplikasi dapat mengurangi ketergantungannya pada satu lingkungan terpusat
Namun, membawa keunggulan ini ke skala memerlukan lebih dari sekadar model yang efisien.
Hal ini memerlukan kapasitas komputasi yang mudah diakses dan didistribusikan di seluruh jaringan.
🌐 𝐈𝐃𝐄 𝐘𝐀𝐍𝐆 𝐒𝐄𝐑𝐈𝐒 𝐃𝐈𝐄𝐌𝐎𝐍𝐒𝐓𝐑𝐀𝐒𝐈 𝐎𝐥𝐄𝐇 𝐁𝐈𝐓𝐓𝐎𝐑𝐑𝐄𝐍𝐓
Jauh sebelum komputasi terdesentralisasi menjadi pembahasan besar di bidang AI, BitTorrent telah menunjukkan apa yang terjadi ketika sebuah jaringan tidak sepenuhnya bergantung pada satu sumber pusat.
Alih-alih menempatkan seluruh tanggung jawab pada satu server, partisipasi dapat didistribusikan ke banyak rekan (peer) independen.
Setiap peserta memberikan bagian kecil.
Bersama-sama, kontribusi tersebut membentuk jaringan yang mampu menangani permintaan dengan cara yang benar-benar berbeda.
kapasitas yang dapat digunakan
➞ Kontributor dapat diberi insentif untuk menyediakan sumber daya
➞ Kapasitas infrastruktur bertumbuh melalui partisipasi, bukan hanya melalui perluasan terpusat
Itu menciptakan cara berpikir yang berbeda tentang penskalaan AI.
Tidak setiap unit komputasi harus berada di dalam fasilitas terpusat yang sangat besar.
Sebagian di antaranya bisa ada di seluruh jaringan sumber daya yang saling terhubung.
@justinsuntron #TRONEcoStar @BitTorrent_Official