نظرات جنجالی سام آلتمن در مورد پردازش محلی هوش مصنوعی

مدیر عامل OpenAI در مصاحبه ای اعلام کرد که استفاده از حافظه رم در رایانه های شخصی برای هوش مصنوعی روشی اشتباه است.

به گزارش سرویس هوش مصنوعی تکناک، سام آلتمن، مدیر عامل OpenAI در مصاحبه ای استفاده از حافظه رم رایانه های شخصی برای پیاده سازی محلی مدل های هوش مصنوعی را رویکردی ناکارآمد دانست. او معتقد است که تخصیص بخشی از ظرفیت حافظه محدود جهان به سیستم های شخصی که بیشتر اوقات بلااستفاده می مانند، با منطق حاکم بر زیرساخت کلان داده سازگار نیست. این دیدگاه در شرایطی مطرح می شود که شرکت های بزرگ از حجم عظیمی از حافظه برای رفع نیازهای مراکز داده خود استفاده می کنند.

اتلاف منابع جهانی در سیستم های شخصی

طی این بحث که در کانال یوتیوب Cheeky Pint انجام شد، موضوع استنتاج محلی با استفاده از مدل های منبع باز در رایانه های شخصی مورد بررسی قرار گرفت. بر اساس تجزیه و تحلیل، سیستم‌های خانگی تنها پنج درصد از زمان خود را صرف پردازش‌های سنگین می‌کنند و نگهداری تراشه‌های حافظه در این دستگاه‌ها به جای متمرکز کردن آن‌ها در فضای ابری، منابع جهانی را هدر می‌دهد. این دیدگاه در حالی مطرح می شود که بسیاری از کاربران علاقه مند به اجرای وظایف هوش مصنوعی به صورت محلی و بدون وابستگی به سرورهای ابری در سیستم خود هستند.

همسویی چشم انداز مدیر عامل با منافع تجاری

OpenAI به شدت به مدل‌های محاسباتی ابری و منبع بسته متکی است و دفاع مدیرعامل آن از زیرساخت‌های متمرکز عمدتاً با منافع تجاری شرکت‌های بزرگ فناوری مطابقت دارد. اجرای مدل های پیشرفته بر روی سخت افزار خانگی می تواند هزینه های اشتراک کاربران را در طول زمان کاهش دهد و نیاز به خدمات ابری گران قیمت را کاهش دهد. با این حال رویکرد شرکت های بزرگ مبتنی بر توسعه مستمر مراکز داده است و این نگرانی وجود دارد که کاربران به جای خرید و داشتن سخت افزار قدرتمند مجبور به اجاره قدرت پردازش و عوامل هوش مصنوعی در فضای ابری شوند.

نقل شده از تامز هاردوراین دیدگاه چالش بین عدم تمرکز سخت افزار و کارایی زیرساخت ابری را برجسته می کند. در حالی که طرفداران اجرای محلی اپلیکیشن ها بر استقلال سخت افزار کاربران تاکید دارند، مدیران ارشد شرکت های پیشرو هوش مصنوعی معتقدند که بهینه سازی مصرف انرژی و مدیریت منابع در مقیاس بزرگ با استفاده از سرورهای ابری امکان پذیرتر است. این بحث به موضوعات دیگری مانند امنیت کدهای برنامه نویسی و استانداردهای ریاضی مدل های هوش مصنوعی نیز کشیده می شود.