AI สามารถทําให้คุณเป็นมหาเศรษฐีในปี 2025 ได้หรือไม่?

ซอฟต์แวร์เป็นกุญแจสําคัญในการขยายการเข้าถึงของ AI และส่วนใหญ่ย้อนกลับไปใช้แนวทางที่มีอายุหลายทศวรรษในเทคโนโลยีคอมไพเลอร์

"โมเดลที่ใหญ่ที่สุดต้องใช้เงินหนึ่งล้านดอลลาร์ในการฝึกอบรม เทียบเท่ากับซูเปอร์คอมพิวเตอร์" Wei Li GM ด้าน AI และการวิเคราะห์ของ Intel กล่าว "นั่นไม่ยั่งยืน จะไม่นําไปใช้กันอย่างแพร่หลายหากทุกคนต้องจ่ายเงินสิบล้านดอลลาร์เพื่อฝึกโมเดลพารามิเตอร์ล้านล้าน"

ฉันทามติได้เกิดขึ้นในแวดวงการเรียนรู้เชิงลึกของปัญญาประดิษฐ์เกี่ยวกับแนวคิด พื้นฐานสองสามประการ

แนวคิดหนึ่งคือแนวโน้มของโครงข่ายประสาทเทียมที่จะใหญ่ขึ้นเรื่อย ๆ จะดําเนินต่อไปในอนาคตอันใกล้โดยมีข้อยกเว้น บางประการ

มุมมองที่เป็นเอกฉันท์อีกประการหนึ่งคือศักยภาพของการเรียนรู้เชิงลึกขึ้นอยู่กับนวัตกรรมซอฟต์แวร์ แม้ว่าจะมีการแพร่กระจายของฮาร์ดแวร์ใหม่ก็ตาม

เมื่อรวมกันแล้วสองสิ่งนั้นหมายความว่าอย่างไร?

พวกเขาอาจหมายความว่านวัตกรรมซอฟต์แวร์เป็นสิ่งเดียวที่จะทําให้ทุกคนที่จะใช้ AI สามารถเข้าถึงการเรียนรู้เชิงลึกได้ ไม่ใช่แค่ผู้ที่เป็นเจ้าของคอมพิวเตอร์ที่ใหญ่ที่สุดและแพงที่สุดเท่านั้น 

"AI ในปัจจุบันเป็นเรื่องเกี่ยวกับซูเปอร์คอมพิวเตอร์จริงๆ เมื่อเราเจาะลึกลงไป" Wei Li รองประธานและผู้จัดการทั่วไปด้าน AI และการวิเคราะห์ของ Intel ยักษ์ใหญ่ด้านชิปกล่าว

"โมเดลที่ใหญ่ที่สุดใช้เวลาหนึ่งล้านดอลลาร์ในการฝึกอบรม เทียบเท่ากับซูเปอร์คอมพิวเตอร์"

นั่นทําให้ AI ส่วนใหญ่อยู่ไกลเกินเอื้อมของมนุษย์ทั่วไป Li กล่าวในการให้สัมภาษณ์กับ ZDNet 

"เราประสบความสําเร็จอย่างมากในการนํา AI มาใช้ในห้องปฏิบัติการวิจัยที่นักศึกษาปริญญาเอกของสแตนฟอร์ดสร้างอัลกอริทึมที่จดจําแมวและสุนัข และผู้ให้บริการระบบคลาวด์ทําหลายสิ่งหลายอย่าง" Li กล่าว

"นั่นไม่ยั่งยืน มันจะไม่นําไปใช้อย่าง กว้างขวางหากทุกคนต้องจ่ายเงินสิบล้านดอลลาร์เพื่อฝึกโมเดลพารามิเตอร์ล้านล้าน" Li กล่าว "หากคุณต้องการก้าวไปในวงกว้าง และนั่นคือโอกาสที่นี่ ที่จะมี AI ทุกที่ สะพานยังไม่ถึงจุดนั้น"

สะพานในมุมมองของ Li คือซอฟต์แวร์ ซอฟต์แวร์คือความสามารถในการนําความก้าวหน้าของห้องปฏิบัติการมาแจกจ่ายให้กับองค์กรขนาดใหญ่และขนาดเล็กบนฮาร์ดแวร์คอมพิวเตอร์ประเภทต่างๆ รวมถึงซีพียูและ GPU และชิปเร่ง ความเร็วที่แปลกใหม่ทั้งหมด

"ฉันมองว่าซอฟต์แวร์เป็นสะพานเชื่อมสู่ AI ทุกที่" Li กล่าว

สําหรับหลี่ ทางตันในปัจจุบันให้ความรู้สึกคุ้นเคยมาก เขาสําเร็จการศึกษาระดับปริญญาเอกด้านวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยคอร์เนลในช่วงทศวรรษที่ 1990 เพื่อพัฒนาเทคนิคของคอมไพเลอร์ ซึ่งเป็นซอฟต์แวร์ที่ทําให้โปรแกรมทํางานบนฮาร์ดแวร์ที่กําหนด งานของเขามุ่งเน้นไปที่วิธีเรียกใช้ปริมาณงานในทรัพยากรการประมวลผลจํานวนมากโดยเฉพาะ

"สิ่งที่น่าทึ่งคือสิ่งที่ฉันได้เรียนรู้ในตอนนั้นเป็นเรื่องเกี่ยวกับการเรียกใช้สิ่งต่าง ๆ อย่างรวดเร็วและจัดการข้อมูลจํานวนมาก" Li สะท้อนให้เห็น

หลังจาก Cornell Li ได้รับการว่าจ้างจาก Intel เมื่อยี่สิบห้าปีที่แล้ว เนื่องจากบริษัทกําลังก้าวกระโดดจากการเป็นผู้ผลิตชิปพีซีเป็นหลักไปสู่ผู้จําหน่ายชิปเซิร์ฟเวอร์ชั้นนํา ความเชี่ยวชาญของเขาถูกนําไปใช้ในการพัฒนาคอมไพเลอร์สําหรับเซิร์ฟเวอร์ "ฉันอยู่ในความล้ําสมัยของ Intel มาโดยตลอด" เขาสะท้อน "นั่นทําให้งานของฉันสนุก"

ตามปกติในเทคโนโลยี ทุกอย่างเก่ากลับมาใหม่อีกครั้ง ทันใดนั้น Li กล่าวว่าทุกอย่างในการเรียนรู้เชิงลึกกําลังกลับมาสู่นวัตกรรมของคอมไพเลอร์ในสมัยนั้น

เขากล่าวว่า "คอมไพเลอร์ไม่เกี่ยวข้อง" ในช่วงไม่กี่ปีที่ผ่านมา ซึ่งเป็นพื้นที่ของวิทยาการคอมพิวเตอร์ที่ถูกมองว่าเป็นการตั้งถิ่นฐานเป็นส่วนใหญ่ "แต่เนื่องจากการเรียนรู้เชิงลึก คอมไพเลอร์จึงกลับมา" "เราอยู่ท่ามกลางการเปลี่ยนแปลงนั้น" 

ในวิทยานิพนธ์ระดับปริญญาเอกของเขาที่ Cornell Li ได้พัฒนาเฟรมเวิร์กคอมไพเลอร์สําหรับการประมวลผลโค้ดในระบบขนาดใหญ่มากด้วยสิ่งที่เรียกว่า "การเข้าถึงหน่วยความจําที่ไม่สม่ําเสมอ" หรือ NUMA โปรแกรมของเขาปรับโฉมลูปโค้ดใหม่สําหรับการประมวลผลแบบขนานมากที่สุดเท่าที่จะเป็นไปได้ แต่มันก็ทําสิ่งอื่นที่สําคัญเป็นพิเศษ: มันตัดสินใจว่าโค้ดใดควรทํางานขึ้นอยู่กับความทรงจําที่โค้ดจําเป็นต้องเข้าถึงในเวลาใดก็ตาม 

Li กล่าวว่าวันนี้การเรียนรู้เชิงลึกกําลังเข้าใกล้จุดที่ปัญหาเดียวกันนั้นมีอิทธิพลเหนือกว่า ศักยภาพของการเรียนรู้เชิงลึกส่วนใหญ่ไม่ได้ถูกจํากัดโดยจํานวนการคูณเมทริกซ์ที่สามารถคํานวณได้ แต่ขึ้นอยู่กับประสิทธิภาพที่โปรแกรมสามารถเข้าถึงหน่วยความจําและแบนด์วิดท์ได้  

"ในช่วงแรก [ของการเรียนรู้เชิงลึก] มันเป็นเรื่องของดึกดําบรรพ์เหล่านี้ คุณสามารถเรียกใช้การคูณเมทริกซ์ได้อย่างรวดเร็ว คุณสามารถเรียกใช้การบิดเบี้ยวได้อย่างรวดเร็วได้หรือไม่" Li กล่าว

"ก้าวไปข้างหน้า ดึกดําบรรพ์เป็นเพียงก้าวแรกเท่านั้น" Li กล่าว ปัญหากลายเป็นปัญหาการตัดสินใจที่มีกลยุทธ์มากขึ้น "คุณจะเรียกใช้กราฟ [ของการดําเนินการประมวลผล] บนเครื่องที่ต่างกันทั้งหมดที่เรามีได้อย่างไร"  "คุณต้องการแจกจ่าย คุณต้องการขนานในลักษณะใดวิธีหนึ่ง คุณต้องการจัดการลําดับชั้นของหน่วยความจําในลักษณะใดวิธีหนึ่ง — สิ่งเหล่านี้ล้วนเป็นการเพิ่มประสิทธิภาพคอมไพเลอร์"

บางสิ่งยากกว่าอย่างอื่น "งานของเราคือเลือกกราฟและแบ่งออกเป็นหน่วยประมวลผลเหล่านี้ นั่นเป็นส่วนที่ง่าย" Li กล่าว โปรแกรมเมอร์คอมพิวเตอร์สามารถวาดไดอะแกรมของฮาร์ดแวร์การประมวลผลโหนดต่างๆโปรเซสเซอร์และคิดเกี่ยวกับวิธีแบ่งลูป การดําเนินการ

ยากกว่ามากและไม่ง่ายที่จะสร้างภาพคือหน่วยความจําและการสื่อสารโดยเฉพาะอย่างยิ่งกับแบบจําลองโครงข่ายประสาทเทียมที่มีขนาดใหญ่ขึ้นเรื่อยๆ

"ส่วนที่ยากคือลําดับชั้นของหน่วยความจํา มันยากกว่าการขนานแบบธรรมดามาก และนั่นคือกุญแจสําคัญ" Li กล่าว "ส่วนที่ยากคือแบนด์วิดท์เชื่อมต่อระหว่างกัน องค์กรการสื่อสาร"

"เราไม่มีวิธีที่ดีในการสร้างแบบจําลองการเคลื่อนย้ายข้อมูล" "งานส่วนใหญ่เกี่ยวกับการจัดการข้อมูล — ส่วนที่ยากของการเพิ่มประสิทธิภาพคอมไพเลอร์คือการจัดการข้อมูลอย่างมีประสิทธิภาพ" โดยเฉพาะอย่างยิ่ง "ตําแหน่งของข้อมูลมีความสําคัญอย่างยิ่ง" Li กล่าว ซึ่งหมายความว่าการดําเนินการหนึ่งทํางานกับข้อมูลที่กําหนด และ "หวังว่าข้อมูลชิ้นนั้นจะยังคงอยู่ในเลเยอร์หน่วยความจําที่ใกล้ที่สุด หรืออาจจะเป็นแคชที่ไหนสักแห่ง"

ขนาดของปัญหาเพิ่มขึ้นด้วยการเรียนรู้เชิงลึกบางประเภท เช่น โครงข่ายประสาทเทียมกราฟ ที่ใช้ในระบบแนะนําสําหรับแอปพลิเคชัน เชิงพาณิชย์

"มีความคล้ายคลึงกันในระดับแกนกลาง เรากําลังพูดถึงการคูณเมทริกซ์ การบิดเบี้ยว แต่แล้วก็มีความหลากหลายเมื่อคุณไปเหนือสิ่งนี้" Li กล่าว ในระบบคอมพิวเตอร์วิทัศน์ อาจมีภาพหลายล้านภาพที่ต้องจัดการ แต่ "เมื่อคุณไปที่กราฟ ปริมาณข้อมูลมีมากมายมหาศาล" ทุกคนที่เชื่อมต่อกับบุคคลอื่น ๆ เช่นเดียวกับในโซเชียลเน็ตเวิร์กหมายถึงความท้าทายในการประมวลผลที่แตกต่างกันในเชิงคุณภาพ

"คุณลองนึกถึง LinkedIn ผู้คนกี่พันล้านคน นั่นคือหลายพันล้านโหนด นั่นคือข้อมูลขนาดใหญ่จริงๆ"

วิธีจัดการหน่วยความจําและการเชื่อมต่อระหว่างกันสําหรับข้อมูลขนาดใหญ่จริงๆ "กลับมาที่คอมไพเลอร์แบบขนาน" Li กล่าว

"ในความเป็นจริง เราต้องการคนคอมไพเลอร์จํานวนมาก เพราะทุกอย่างกลับมาที่คอมไพเลอร์"

Intel ได้ดําเนินการเพื่อนําผู้เชี่ยวชาญด้านคอมไพเลอร์เข้ามามีส่วนร่วมมากขึ้น ในเดือนมิถุนายน บริษัทประกาศว่าจะเข้าซื้อกิจการสตาร์ทอัพ CodePlay แห่งเอดินบะระ สกอตแลนด์ ซึ่งเป็นซัพพลายเออร์ของคอมไพเลอร์แบบ ขนาน

CodePlay เป็นองค์ประกอบของความพยายามของ Intel ในการมีสแต็กซอฟต์แวร์ที่กว้างขวางสําหรับการเพิ่มประสิทธิภาพทั้งหมดที่ Li กล่าวถึง ในฐานะที่เป็นทางออกหนึ่งที่เป็นไปได้ Li เป็นแชมป์ของชุดเครื่องมือซอฟต์แวร์และแพลตฟอร์มที่ Intel ได้ช่วยพัฒนาที่เรียกว่า oneAPI ซึ่งซอร์สโค้ดถูกโพสต์บน GitHub Intel ได้จัดส่งการใช้งานข้อมูลจําเพาะโอเพ่นซอร์สของตัวเองตั้งแต่เดือนธันวาคมปี 2020

oneAPI มีไลบรารี เช่น oneDNN เพื่อเร่งความเร็วของเมทริกซ์คูณดั้งเดิม นอกจากนี้ยังมีภาษาการเขียนโปรแกรมที่ Intel ตั้งใจให้เป็นภาษาขนานข้ามแพลตฟอร์มที่เรียกว่า DPC++ ภาษานี้เป็นการดัดแปลงจากภาษา SYCL ที่พัฒนาโดย Khronos Group CodePlay มีความพยายามของตัวเองที่คล้ายคลึงกับ DPC++ ที่เรียกว่า ComputeC++

เมื่อถูกถามเกี่ยวกับความคืบหน้าของ oneAPI Li กล่าวว่า "การนําไปใช้กําลังมาถึงที่นั่น และเป็นสถานที่ที่เราได้รับการยอมรับค่อนข้างดีจากด้านการเรียนรู้เชิงลึก"

"ยังมีหนทางอีกยาวไกล" "การสร้างมาตรฐานในชุมชนและระบบนิเวศไม่ใช่เรื่องง่าย"

ข้อมูลจําเพาะ oneAPI เรียกร้องให้มีภาษาโปรแกรม DPC++ และไลบรารีต่างๆ เพื่อเพิ่มประสิทธิภาพแอปพลิเคชันการเรียนรู้เชิงลึกสําหรับฮาร์ดแวร์ ที่หลากหลาย

Intel สามารถชี้ให้เห็นถึงความสําเร็จในทางปฏิบัติได้ หนึ่งในเทคโนโลยี oneAPI OneDNN ซึ่งเป็นแนวทางในการเร่งประสิทธิภาพของโครงข่ายประสาทเทียมได้กลายเป็นการตั้งค่าเริ่มต้นใน TensorFlow และ PyTorch ไลบรารี Intel ที่เรียกว่า BigDL ซึ่งสามารถปรับโครงสร้างโครงข่ายประสาทเทียมที่พัฒนาบนโหนดเดียวโดยอัตโนมัติเพื่อปรับขนาดเป็นหลายพันโหนด

ARM ยักษ์ใหญ่ด้านการออกใบอนุญาตโปรเซสเซอร์ได้นํา oneAPI มาใช้ในการออกแบบโปรเซสเซอร์ "จริงๆ แล้ว ARM ใช้ OneAPI เดียวกัน และพวกเขาเป็นหนึ่งในผู้สนับสนุนรายใหญ่ใน OneDNN ของเรา" Li กล่าว "พวกเขามีการใช้งาน oneDNN บน ARM และนั่นคือวิธีที่พวกเขาเข้าถึงคุณค่าได้เร็วขึ้น"

"ในที่สุด เราจะเห็นประสิทธิภาพที่เพิ่มขึ้นอย่างมากจากการเพิ่มประสิทธิภาพที่เราทํา" Li กล่าว "เราเห็นขนาด 10 เท่า เราเห็นประสิทธิภาพเพิ่มขึ้น 100 เท่า" จากการใช้ oneAPI เขากล่าว

ส่วนหนึ่งของการต่อสู้สําหรับ Li คือการเน้นย้ําถึงความสําคัญของซอฟต์แวร์อย่างต่อเนื่อง ซึ่งเป็นสิ่งที่สามารถบดบังได้ในโลกที่ตัวเร่งฮาร์ดแวร์ล่าสุดจากสตาร์ทอัพ เช่น Cerebras Systems และ Graphcore และ SambaNova ดึงดูดความสนใจ ส่วนใหญ่

"แม้แต่ในอุตสาหกรรม คุณก็สามารถเรียกได้ว่าการตัดการเชื่อมต่อ" Li กล่าว "บ่อยครั้งที่ผู้คนพูดถึงว่าคุณมีข้อมูล คุณมีอัลกอริทึม คุณมีการคํานวณ แนวคิดของซอฟต์แวร์นั้นไม่ค่อยเข้าใจมากนัก แต่ในความเป็นจริง ซอฟต์แวร์มีบทบาทสําคัญในการทําให้ AI เกิดขึ้น"

การอภิปรายเกี่ยวกับการเร่งความเร็ว AI จะกลับมาที่ Intel ในฐานะผู้ผลิตโปรเซสเซอร์อิสระที่ยิ่งใหญ่ที่สุดเสมอ และการต่อสู้ระหว่าง Intel กับคู่แข่งรุ่นเยาว์ เช่น Cerebras และ Nvidia ยักษ์ใหญ่ด้านชิป AI ที่ ดํารงตําแหน่ง

Intel แข่งขันโดยตรงกับสตาร์ทอัพกับ Habana ซึ่งเป็นผู้ผลิตชิปที่ซื้อมาในปี 2019 ซึ่งยังคงให้การปรับปรุงประสิทธิภาพในการแข่งขันในรุ่นต่อๆ ไป Intel มีภาระของโค้ดเดิมที่ต้องสนับสนุนจากผู้ใช้ x86 ทั้งหมด ซึ่งเป็นสิ่งที่สตาร์ทอัพไม่มี แต่ในแง่หนึ่ง Li กล่าวว่าสตาร์ทอัพยังต้องสนับสนุนมรดก - มรดกของเฟรมเวิร์ก AI เช่น TensorFlow และ PyTorch ที่ครอบงําการสร้างโครงข่ายประสาท เทียม

"คุณจะเสียบสิ่งที่เป็นเอกลักษณ์ของคุณเข้ากับสิ่งที่มีอยู่แล้วได้อย่างไร" คือวิธีที่ Li ใช้ถ้อยคําของปัญหา "นั่นเป็นความท้าทายที่พวกเขาทุกคนมี และนั่นคือความท้าทายที่เรามีเช่นกัน

"นั่นเป็นเหตุผลที่ฉันมีทีมที่ทํางานเกี่ยวกับ Python ฉันมีทีมที่ทํางานเกี่ยวกับ TensorFlow" เขากล่าว "นั่นเป็นเหตุผลที่กลยุทธ์ของเราคือระบบนิเวศซอฟต์แวร์ในหลาย ๆ ด้าน"

Intel แยกตลาดสําหรับชิป AI ปริมาณมากด้วย Nvidia โดยมีการฝึกอบรมของ Nvidia ที่ครอบงํา ระยะเริ่มต้นคือโครงข่ายประสาทเทียมได้รับการพัฒนา และ Intel มีตลาดจํานวนมากสําหรับการอนุมานเมื่อโครงข่ายประสาทเทียมที่ผ่านการฝึกอบรมดําเนินการคาดการณ์ Intel ยังมีการแข่งขันที่ขอบจาก Qualcomm ซึ่งกําลังโปรโมตสแต็กซอฟต์แวร์ของตัวเองซึ่งอาจถูกมองว่าเป็นทางเลือกแทน oneAPI

การแพร่กระจายของโปรเซสเซอร์ในแผนงานชิปของ Intel — GPU ของศูนย์ข้อมูลที่มีชื่อรหัสว่า Ponte Vecchio, การปรับปรุงอย่างต่อเนื่องของ CPU เซิร์ฟเวอร์ Xeon พร้อมความสามารถในการคูณเมทริกซ์, อาร์เรย์เกตที่ตั้งโปรแกรมได้ภาคสนามใหม่ (FPGA) และอื่น ๆ — หมายความว่ามีไดอะแกรม Venn ขนาดใหญ่มากที่ Intel แข่งขันกับ Nvidia และ AMD และ Qualcomm และสตาร์ทอัพ  

"ใน CPU ในปัจจุบัน เรามีตลาดการอนุมานส่วนใหญ่ และนั่นคือที่ที่เราเล่น และเรากําลังเข้าสู่ตลาดการฝึกอบรมเนื่องจากตัวเร่งความเร็วอื่นๆ ที่เรากําลังทําอยู่ที่นี่" Li กล่าว

โดยทั่วไปแล้ว Nvidia ได้รับการยกย่องว่ามีการควบคุมตลาดการฝึกอบรมที่แข็งแกร่งโดยอาศัยการขนส่ง GPU ในปริมาณมากเท่านั้น แต่ยังเป็นเพราะเครื่องมือการเขียนโปรแกรม CUDA มีมานานกว่าสิ่งอื่นใด 

"คําถาม CUDA น่าสนใจเพราะมันขึ้นอยู่กับว่าผู้คนจะไปในระดับต่ําแค่ไหน" Li กล่าว มีผู้ชมเพียงไม่กี่คนเท่านั้นที่สนใจเกี่ยวกับการเขียนไปยังไลบรารี CUDA และภาษาโปรแกรม CUDA Li ยืนยัน คนส่วนใหญ่ที่ Intel พยายามเข้าถึงด้วย oneAPI คือมวลชน: นักวิทยาศาสตร์ข้อมูลที่ทํางานในระดับเฟรมเวิร์ก 

"เมื่อเราพูดถึง AI ทุกที่ คุณมีนักพัฒนาหลายล้านคน แต่นักพัฒนาเหล่านี้ส่วนใหญ่อยู่ในระดับบนสุด" "พวกเขาจะไม่อยู่ในระดับการเขียนโปรแกรม CUDA แต่จะอยู่ในระดับการเขียนโปรแกรม TensorFlow — นั่นคือคนที่จะทําให้ AI ขยายขนาดใช่ไหม"

Intel มีโอกาสที่จะทําลายความเป็นผู้นําของ Nvidia ในหมู่นักวิจัยการเรียนรู้เชิงลึกหรือไม่? หลี่ละเว้นจากการทํานายที่ยิ่งใหญ่ เขากล่าวว่า "ฉันคิดว่ามันดีสําหรับตลาดโดยรวมเพราะมันมีทางเลือกอื่น" ซึ่งหมายถึง oneAPI

"เป้าหมายของฉันคือเราพัฒนาผลิตภัณฑ์ของเราให้ดี และปล่อยให้ผลิตภัณฑ์พูดเพื่อตัวเองในตลาด" "ในมุมมองของฉัน Intel อยู่ในตําแหน่งที่ดีที่จะเป็นผู้นําการเดินทางเพื่อไปสู่ AI ทุกที่ โดยเฉพาะอย่างยิ่งในด้านซอฟต์แวร์"

มีอีกหนึ่งกลุ่มที่ Intel แข่งขันด้วย แต่ยังเป็นพันธมิตรด้วยผู้ให้บริการคลาวด์ Amazon, Alphabet และ Microsoft ทั้งสามมีโปรแกรมซิลิคอนของตัวเอง ในกรณีของ TPU ของ Google, Tensor Processing Unit ของ Alphabet ตระกูลชิปเข้าสู่รุ่นที่สี่แล้ว และได้รับการยกระดับอย่างมากในฐานะม้าทํางานเฉพาะในระบบคลาวด์ของ Google ชิป "Trainium" ของ Amazon ได้รับการพัฒนาน้อยกว่าในฐานะระบบนิเวศ ณ จุดนี้

ในขณะที่ผู้จําหน่ายระบบคลาวด์ซื้อโปรเซสเซอร์จํานวนมากจาก Intel ชิ้นส่วนที่ปลูกในบ้านของพวกเขาอาจถูกมองว่าเป็นอุปสรรคสําหรับทั้ง Intel และคู่แข่งด้านซิลิคอนเชิงพาณิชย์อย่าง Nvidia และ AMD ชิปภายในองค์กรสามารถลดภาระงานจากข้อเสนอของผู้ค้าได้

ในแง่หนึ่ง Intel ทํางานอย่างหนักเพื่อหมุน Li กล่าว เพื่อติดต่อกับสิ่งที่ยักษ์ใหญ่ด้านคลาวด์ต้องการ "มันน่าสนใจ: ในตอนแรก AI เป็นเรื่องเกี่ยวกับคอมพิวเตอร์วิทัศน์ และแมวและสุนัข" Li กล่าว "แต่เมื่อเราเริ่มทํางานกับ CSP [ผู้ให้บริการคลาวด์] เราพบว่าวงจรอันดับหนึ่งที่นั่น ซึ่งเป็นจํานวนการประมวลผลที่ใหญ่ที่สุดที่พวกเขากําลังเผาไหม้ ไม่ใช่คอมพิวเตอร์วิทัศน์ แต่จริงๆ แล้วเป็นระบบแนะนํา" 

สตาร์ทอัพไม่สามารถตามจังหวะนั้นได้ Li ยืนยัน "คุณสามารถจินตนาการได้ว่าเมื่อห้าปีที่แล้ว มีสตาร์ทอัพอยู่ทุกที่ และพวกเขาออกแบบเครื่องสําหรับ AlexNet เท่านั้น" ซึ่งเป็นโครงข่ายประสาทเทียมที่ทําการทดสอบ ImageNet ที่ใช้กันอย่างแพร่หลาย "วันนี้พวกเขาไม่ได้ทําธุรกิจอีกต่อไปเพราะพวกเขาไม่สามารถรับมือกับแนวโน้มใน CSP ได้"

ในขณะเดียวกัน "ระบบคลาวด์เป็นสิ่งสําคัญสําหรับเรา แต่ AI ทุกที่กําลังก้าวไปไกลกว่าระบบคลาวด์ไปสู่องค์กร" 

ลูกค้าองค์กรเหล่านั้น "มีกลุ่มคนที่แตกต่างกัน พวกเขามีความต้องการที่แตกต่างกัน และแอปพลิเคชันประเภทต่างกัน" องค์กรเหล่านั้นอาจรวมถึง Facebook Li สังเกต หรืออาจรวมถึงผู้ค้าปลีก

การประยุกต์ใช้ IoT และ Edge Computing อาจต้องการความอ่อนไหวที่แตกต่างจากการทํางานของ AI บนคลาวด์ Li ยืนยัน

"ฉันจะพูดคุยกับผู้ค้าปลีกรายใหญ่บางราย และแอปพลิเคชันของพวกเขาไม่ใช่แอปพลิเคชันระบบคลาวด์" Li กล่าว "พวกเขาอาจมีแมชชีนเลิร์นนิงบางอย่างเกิดขึ้นในร้านค้าซึ่งจะแตกต่างจากฝั่งคลาวด์เล็กน้อย"

"สิ่งเหล่านี้กําลังเปลี่ยนแปลงในแง่ของความหลากหลายของสิ่งที่ทํา" Li สังเกตถึงปริมาณงาน AI "และนั่นเป็นเหตุผลที่ฉันคิดว่า Intel อยู่ในตําแหน่งที่ดี เพราะ Intel มีขนาด" พอร์ตโฟลิโอของชิป ปริมาณที่ Intel จัดส่ง หมายความว่าสามารถจัดการกับความหลากหลายได้

"Intel มีขนาดใหญ่ เรามีพอร์ตโฟลิโอของฮาร์ดแวร์คุณภาพสูงที่ออกแบบและสร้างขึ้นในปัจจุบันในตลาดที่หลากหลาย" เขากล่าว "และบ่อยครั้งที่สิ่งเหล่านี้เชื่อมต่อกัน" เช่นเดียวกับในกรณีของปริมาณงาน Edge ที่เชื่อมต่อกับศูนย์ข้อมูลระบบคลาวด์

สําหรับโครงข่ายประสาทเทียมขนาดใหญ่มาก Li ยืนยันว่าเทคนิคต่างๆ เช่น การกลั่นและการเรียนรู้การถ่ายโอนจะช่วยให้ผลของโครงข่ายประสาทเทียมซูเปอร์คอมพิวเตอร์เหล่านั้นหยดลงสู่ผู้ใช้ทั่วไปได้ 

"ฉันจะบอกว่ามันจะเป็นปิรามิด ที่ปลายพีระมิดมีโมเดลทั้งหมดที่บริษัทที่ร่ํารวยเพียงไม่กี่แห่งเท่านั้นที่สามารถผลักดันสิ่งเหล่านี้ต่อไปได้" Li สังเกต "จากนั้นจะมีความกว้าง ส่วนใหญ่ และคุณจะพบโมเดลทางเศรษฐกิจเพิ่มเติม — ใช้โมเดลขนาดใหญ่และค้นหาโมเดลขนาดเล็กที่เทียบเท่ากันซึ่งทําสิ่งเดียวกัน

"แต่ที่ด้านบน ผู้คนจะไปหาสิ่งประเภทซูเปอร์คอมพิวเตอร์นั้นเสมอ"