سم آلتمن: اجرای محلی هوش مصنوعی منابع محدود را هدر می‌دهد

سم آلتمن، مدیرعامل OpenAI، معتقد است اجرای مدل‌های هوش مصنوعی روی کامپیوترهای شخصی می‌تواند استفاده‌ای بسیار نامناسب از منابع محدود جهان باشد. به‌گفته‌ی او، تجمیع حافظه و توان پردازشی در فضای ابری کمک می‌کند این منابع مدت بیشتری در حال استفاده باشند؛ موضوعی که با گسترش هوش مصنوعی و افزایش نیاز به زیرساخت اهمیت بیشتری پیدا می‌کند.

#نکات کلیدی

• سم آلتمن اجرای محلی مدل‌های هوش مصنوعی را از نظر تخصیص جهانی منابع نامناسب می‌داند.
• او می‌گوید وجود مدل‌های متن‌باز، نیاز به تجهیزات مراکز داده را از بین نمی‌برد.
• از نگاه او، نگه‌داری حافظه‌ی DRAM روی رایانه‌های شخصی باعث کم‌استفاده‌ماندن منابع می‌شود.
• آلتمن استفاده‌ی حداکثری از پردازش و حافظه در فضای ابری را راه بهینه‌تری می‌داند.

#چرا اجرای محلی همیشه بهینه نیست؟

با در دسترس قرار گرفتن مدل‌های متن‌باز، خیلی‌ها تصور می‌کنند می‌توان مدل‌های هوش مصنوعی را مستقیماً روی رایانه‌ی شخصی اجرا کرد و دیگر نیازی به زیرساخت گسترده‌ی مراکز داده نداشت. آلتمن با این برداشت موافق نیست و مسئله را از زاویه‌ی تخصیص منابع در مقیاس جهانی بررسی می‌کند.

استدلال او این است که هر رایانه‌ی شخصی بخشی از ذخیره‌ی محدود حافظه‌ی DRAM را در اختیار می‌گیرد، در حالی که ممکن است این حافظه فقط در ۵ درصد مواقع استفاده شود. در چنین شرایطی، بخش بزرگی از ظرفیت موجود بدون استفاده می‌ماند و دیگر کاربران نیز نمی‌توانند از آن بهره ببرند.

#مزیت تجمیع منابع در فضای ابری

در زیرساخت ابری، توان پردازشی و حافظه میان کاربران و وظایف مختلف به اشتراک گذاشته می‌شود. از نگاه آلتمن، وقتی عرضه‌ی این منابع با محدودیت شدید روبه‌رو است، باید کاری کرد که ظرفیت موجود تا حد ممکن فعال بماند و استفاده شود.

این دیدگاه به همان بحث گسترده‌تر درباره‌ی رشد دیتاسنترها در عصر هوش مصنوعی مربوط می‌شود؛ یعنی جایی که نحوه‌ی استفاده از منابع، به‌اندازه‌ی دسترسی به خود منابع اهمیت دارد.

#این دیدگاه برای کاربران چه معنایی دارد؟

اجرای محلی مدل‌ها در نگاه نخست می‌تواند راهی مستقیم برای استفاده از هوش مصنوعی به نظر برسد، اما حرف آلتمن این است که نباید فقط از زاویه‌ی یک کاربر یا یک رایانه به موضوع نگاه کرد. اگر حافظه و پردازنده در مقیاس جهانی محدود باشند، پراکنده‌کردن آن‌ها میان دستگاه‌هایی که بیشتر زمان خود را بیکارند، می‌تواند بهره‌وری کلی را کاهش دهد.

او همچنین تأکید می‌کند که برداشت اولیه‌ی بسیاری از مردم درست در نقطه‌ی مقابل این استدلال قرار دارد؛ یعنی محلی‌بودن را به‌طور خودکار معادل حل‌شدن مشکل زیرساخت می‌دانند.

#جمع‌بندی

دیدگاه سم آلتمن یک دوگانه‌ی مهم را پیش روی شما می‌گذارد: اجرای مدل روی دستگاه شخصی یا استفاده‌ی مشترک از زیرساخت ابری. از نظر او، در دوره‌ای که منابع پردازشی و حافظه کمیاب‌اند، تجمیع و استفاده‌ی مداوم از آن‌ها انتخاب بهینه‌تری است.