A hardver határai közelednek
A mesterséges általános intelligencia (AGI) megalkotásától hangos a technológiai világ, de a hardver korlátai miatt egyre távolabb kerülünk ettől az álomtól. Tim Dettmers, az Allen Institute kutatója szerint már csak egy-két évre vagyunk attól, hogy a jelenlegi processzorok skálázhatósága végleg elérje a határait. Emellett a GPU-k fejlesztése sem gyorsul már úgy, mint korábban, hiszen az ugyanakkora teljesítménynövekedéshez szükséges erőforrások exponenciálisan nőnek, miközben a fejlődés csak lineárisan halad előre.
Nem minden az, aminek látszik
Ami a teljesítményjavulásokat illeti, az elmúlt hét évben sokkal inkább a fejlettebb adattípusok (például BF16, FP8, FP4) és a speciális tensor magok dobták meg az MI-gyorsítók számítási tempóját. Az Nvidia Ampere- és Hopper-generációk között például a BF16-os teljesítmény háromszorosára nőtt, de az energiafogyasztás is 1,7-szeresre emelkedett. Az új Blackwell-lapkák teljesítménye 2,5-szeresére nőtt, de ehhez kétszeres chipméret és 1,7-szeres energiafelvétel kellett. Más szóval a tényleges hardveres fejlődés jóval szerényebb, mint amit sokan gondolnak.
Egyre szűkebb a fejlődési út
A legtöbbet jelenleg akkor profitálhatunk, ha a GPU-kat egyre ügyesebben kötjük össze – ahogyan azt az Nvidia GB200 NVL72 rendszere is példázza (8 helyett már 72 gyorsító, 30-szoros inferenciateljesítmény és négyszeres tréningteljesítmény egyetlen rackben). Nem zárható ki annak a lehetősége, hogy az efféle optimalizációk legfeljebb még 2026–2027-ig tartanak ki.
Pragmatikusabb az MI jelenlegi kiaknázása
Dettmers szerint nem irracionális a százmilliárd dolláros MI-infrastruktúra-fejlesztés, hiszen az inferenciaigények ténylegesen nőnek. Viszont ha a modellek nem fejlődnek ilyen ütemben, ezek az eszközök könnyen pénznyelővé válhatnak. Közben Amerikában továbbra is azt gondolják, hogy aki elsőként építi meg az AGI-t, mindent visz, miközben az igazán hasznos és gazdasági értéket teremtő MI-fejlesztések háttérbe szorulnak. Kína ezzel szemben már most a gyakorlatban is működő reformokra összpontosít, ami hosszú távon is fenntarthatóbb irány lehet.
Az AGI igazi kihívásai
A mesterséges általános intelligencia csak akkor lehet teljes értékű, ha a digitális világból kilépve a fizikai világban is működni tud – vagyis robotika is kell hozzá. Viszont a valós adatok begyűjtése rendkívül drága és a fizikai világ túl komplex. Ezért az AGI-ról szóló jóslatok sokkal inkább a vonzó narratívának, semmint a valós alapoknak köszönhetők.
