Ηγέτες σκέψης
Νέοι ορίζοντες στην παραγωγική τεχνητή νοημοσύνη — μακριά από το υπολογιστικό νέφος

Βασικά σημείαΕπεξεργαστές Τεχνητής Νοημοσύνης στο Περιθώριο, όπως αυτοί της Hailo, επιτρέπουν στην…
Δείτε περισσότερα
- Επεξεργαστές Τεχνητής Νοημοσύνης στο Περιθώριο, όπως αυτοί της Hailo, επιτρέπουν στην παραγωγική ΤΝ να τρέχει τοπικά σε συσκευές, παρακάμπτοντας την εξάρτηση από το νέφος για κρίσιμες εφαρμογές.
- Η μετακίνηση της παραγωγικής ΤΝ στο περιθώριο λύνει τα προβλήματα υστέρησης, απορρήτου και εύρους ζώνης για αυτοκίνητα, συστήματα ασφαλείας και τηλεδιασκέψεις.
- Αποδοτικότερα μοντέλα ΤΝ και εξειδικευμένοι επεξεργαστές νευρωνικών δικτύων θα καταστήσουν την παραγωγική ΤΝ ένα τυπικό τοπικό χαρακτηριστικό σε φορητούς υπολογιστές και smartphones.
Στην αρχή, υπήρχε το διαδίκτυο, το οποίο άλλαξε τις ζωές μας για πάντα — τον τρόπο που επικοινωνούμε, αγοράζουμε, διεξάγουμε επιχειρήσεις. Και στη συνέχεια, για λόγους καθυστέρησης, ιδιωτικότητας και οικονομικής αποδοτικότητας, το διαδίκτυο μετακινήθηκε στο άκρο του δικτύου, δίνοντας ζωή στο «διαδίκτυο των πραγμάτων».
Τώρα υπάρχει η τεχνητή νοημοσύνη, η οποία κάνει όλα όσα κάνουμε στο διαδίκτυο πιο εύκολα, πιο προσωποποιημένα, πιο έξυπνα. Για να τη χρησιμοποιήσουμε, όμως, χρειάζονται μεγάλοι διακομιστές και υψηλή επεξεργαστική ικανότητα, οπότε περιορίζεται στο υπολογιστικό νέφος. Αλλά τα ίδια κίνητρα — καθυστέρηση, ιδιωτικότητα, οικονομική αποδοτικότητα — έχουν οδηγήσει εταιρείες όπως η Hailo να αναπτύξουν τεχνολογίες που επιτρέπουν τη νοημοσύνη στο άκρο.
Αναμφίβολα, το επόμενο μεγάλο πράγμα είναι η παραγωγική τεχνητή νοημοσύνη. Η παραγωγική τεχνητή νοημοσύνη παρουσιάζει τεράστια δυνατότητα σε διάφορους τομείς. Μπορεί να χρησιμοποιηθεί για να αυτοματοποιήσει εργασίες και να αυξήσει την αποτελεσματικότητα διαφόρων δημιουργών — δικηγόρων, συγγραφέων περιεχομένου, γραφιστών, μουσικών και πολλών άλλων. Μπορεί να βοηθήσει στην ανακάλυψη νέων θεραπευτικών φαρμάκων ή να βοηθήσει στις ιατρικές διαδικασίες. Η παραγωγική τεχνητή νοημοσύνη μπορεί να βελτιώσει την αυτοματοποίηση της βιομηχανίας, να αναπτύξει νέο κώδικα λογισμικού και να ενισχύσει την ασφάλεια των μεταφορών μέσω της αυτόματης σύνθεσης βίντεο, ήχου, εικόνων και πολλών άλλων.
Ωστόσο, η παραγωγική τεχνητή νοημοσύνη όπως υπάρχει σήμερα είναι περιορισμένη από την τεχνολογία που τη διευκολύνει. Αυτό συμβαίνει γιατί η παραγωγική τεχνητή νοημοσύνη συμβαίνει στο υπολογιστικό νέφος — μεγάλα κέντρα δεδομένων με ακριβούς, ενεργοβόρους επεξεργαστές που είναι μακριά από τους πραγματικούς χρήστες. Όταν κάποιος εκδίδει μια εντολή σε ένα εργαλείο παραγωγικής τεχνητής νοημοσύνης όπως το ChatGPT ή μια νέα λύση βιντεοσυνεδρίας με βάση τη νοημοσύνη, η αίτηση μεταδίδεται μέσω του διαδικτύου στο υπολογιστικό νέφος, όπου επεξεργάζεται από διακομιστές πριν επιστραφούν τα αποτελέσματα μέσω του δικτύου.
Όταν οι εταιρείες αναπτύσσουν νέες εφαρμογές για παραγωγική τεχνητή νοημοσύνη και τις εγκαθιστούν σε διάφορους τύπους συσκευών — βιντεοκαμερών και συστημάτων ασφαλείας, βιομηχανικών και προσωπικών ρομπότ, λάπτοπ και ακόμη και αυτοκινήτων — το υπολογιστικό νέφος αποτελεί σημείο συμφόρησης όσον αφορά το εύρος ζώνης, το κόστος και τη συνδεσιμότητα.
Και για εφαρμογές όπως η βοήθεια οδηγού, το λογισμικό προσωπικού υπολογιστή, η βιντεοσυνεδρία και η ασφάλεια, η συνεχής μετακίνηση δεδομένων μέσω του δικτύου μπορεί να είναι ένα ρίσκο για την ιδιωτικότητα.
Η λύση είναι να επιτρέψουμε σε αυτές τις συσκευές να επεξεργάζονται παραγωγική τεχνητή νοημοσύνη στο άκρο. Πράγματι, η παραγωγική τεχνητή νοημοσύνη στο άκρο μπορεί να ωφελήσει πολλές αναδυόμενες εφαρμογές.
Παραγωγική τεχνητή νοημοσύνη στην Άνοδο
Ενδεικτικά, τον Ιούνιο, η Mercedes-Benz (MBG.DE ) δήλωσε ότι θα εισαγάγει το ChatGPT στα αυτοκίνητά της. Σε ένα αυτοκίνητο με ChatGPT, για παράδειγμα, ο οδηγός θα μπορούσε να ζητήσει από το αυτοκίνητο — χωρίς χέρια — μια συνταγή για δείπνο με βάση τα υλικά που ήδη έχει στο σπίτι. Αυτό, αν το αυτοκίνητο είναι συνδεδεμένο στο διαδίκτυο. Σε ένα γκαράζ ή σε μια απομακρυσμένη τοποθεσία, η σύνδεση και συνεπώς η λειτουργία αυτή δεν είναι εγγυημένες.
Τα τελευταία δύο χρόνια, η βιντεοσυνεδρία έχει γίνει δεύτερη φύση για τους περισσότερους από εμάς. Ήδη, οι εταιρείες λογισμικού ενσωματώνουν μορφές νοημοσύνης στη βιντεοσυνεδρία. Ίσως είναι για να βελτιώσουν την ποιότητα ήχου και βίντεο σε πραγματικό χρόνο, ή για να «τοποθετήσουν» τους ανθρώπους στο ίδιο εικονικό χώρο. Τώρα, οι βιντεοσυνεδρίες με παραγωγική τεχνητή νοημοσύνη μπορούν να δημιουργήσουν αυτόματα πρακτικά της συνεδρίας ή να ανακαλέσουν σχετικές πληροφορίες από εταιρικές πηγές σε πραγματικό χρόνο, καθώς συζητούνται διαφορετικά θέματα.
Ωστόσο, αν ένα έξυπνο αυτοκίνητο, ένα σύστημα βιντεοσυνεδρίας ή οποιαδήποτε άλλη συσκευή άκρου δεν μπορεί να επικοινωνήσει με το υπολογιστικό νέφος, τότε η εμπειρία της παραγωγικής τεχνητής νοημοσύνης δεν μπορεί να συμβεί. Αλλά τι αν δεν χρειαζόταν; Η υλοποίηση φαίνεται ιδιαίτερα απαιτητική, λαμβάνοντας υπόψη την τεράστια επεξεργασία της νοημοσύνης στο υπολογιστικό νέφος, αλλά τώρα γίνεται δυνατή.
Παραγωγική τεχνητή νοημοσύνη στο Άκρο
Ηδη, υπάρχουν εργαλεία παραγωγικής τεχνητής νοημοσύνης, για παράδειγμα, που μπορούν να δημιουργήσουν αυτόματα πλούσιες, ελκυστικές παρουσιάσεις PowerPoint. Αλλά ο χρήστης χρειάζεται το σύστημα να λειτουργεί από οπουδήποτε, ακόμη και χωρίς σύνδεση στο διαδίκτυο.
Ομοίως, βλέπουμε μια νέα κατηγορία βοηθών «copilot» βασισμένων στην παραγωγική τεχνητή νοημοσύνη που θα αλλάξουν θεμελιωδώς τον τρόπο με τον οποίο αλληλεπιδρούμε με τις συσκευές μας, αυτοματοποιώντας πολλές εργασίες ρουτίνας, όπως η δημιουργία αναφορών ή η οπτικοποίηση δεδομένων. Φανταστείτε να ανοίγετε το λάπτοπ, το λάπτοπ να σας αναγνωρίζει μέσω της κάμερας και στη συνέχεια να δημιουργεί αυτόματα μια πορεία δράσης για την ημέρα/εβδομάδα/μήνα με βάση τα πιο χρησιμοποιημένα εργαλεία σας, όπως το Outlook, Teams, Slack, Trello, κ.λπ. Αλλά για να διατηρηθεί η ιδιωτικότητα των δεδομένων και μια καλή εμπειρία χρήστη, πρέπει να έχετε την επιλογή να εκτελέσετε τη παραγωγική τεχνητή νοημοσύνη τοπικά.
Εκτός από την αντιμετώπιση των προκλήσεων των ασταθών συνδέσεων και της ιδιωτικότητας των δεδομένων, η νοημοσύνη στο άκρο μπορεί να βοηθήσει στη μείωση των απαιτήσεων εύρους ζώνης και τη βελτίωση της απόδοσης των εφαρμογών. Για παράδειγμα, αν μια εφαρμογή παραγωγικής τεχνητής νοημοσύνης δημιουργεί πλούσιο περιεχόμενο, όπως ένα εικονικό χώρο συνεδρίας, μέσω του υπολογιστικού νέφους, η διαδικασία θα μπορούσε να καθυστερήσει ανάλογα με το διαθέσιμο (και ακριβό) εύρος ζώνης. Και ορισμένοι τύποι εφαρμογών παραγωγικής τεχνητής νοημοσύνης, όπως η ασφάλεια, η ρομποτική ή η ιατρική, απαιτούν υψηλής απόδοσης, χαμηλής καθυστέρησης απαντήσεις που οι συνδέσεις στο υπολογιστικό νέφος δεν μπορούν να χειριστούν.
Στην ασφάλεια βίντεο, η ικανότητα να αναγνωρίσετε ξανά άτομα καθώς κινούνται μεταξύ πολλών καμερών — ορισμένων τοποθετημένων σε σημεία όπου δεν υπάρχουν δίκτυα — απαιτεί μοντέλα δεδομένων και επεξεργασία νοημοσύνης στις ίδιες τις κάμερες. Σε αυτήν την περίπτωση, η παραγωγική τεχνητή νοημοσύνη μπορεί να εφαρμοστεί σε αυτόματες περιγραφές του τι βλέπουν οι κάμερες μέσω απλών ερωτημάτων, όπως «Βρείτε το 8χρονο παιδί με την κόκκινη φανέλα και το καπέλλο του μπέιζμπολ».
Αυτό είναι η παραγωγική τεχνητή νοημοσύνη στο άκρο.
Αναπτύξεις στη Νοημοσύνη στο Άκρο
Μέσω της υιοθέτησης μιας νέας κατηγορίας επεξεργαστών νοημοσύνης και της ανάπτυξης λεπτότερων, πιο αποτελεσματικών, αν και εξίσου ισχυρών μοντέλων παραγωγικής τεχνητής νοημοσύνης, οι συσκευές άκρου μπορούν να σχεδιαστούν για να λειτουργούν με νοημοσύνη όπου η σύνδεση στο υπολογιστικό νέφος είναι αδύνατη ή μη επιθυμητή.
Φυσικά, η επεξεργασία στο υπολογιστικό νέφος θα παραμείνει ένα κρίσιμο στοιχείο της παραγωγικής τεχνητής νοημοσύνης. Για παράδειγμα, η εκπαίδευση των μοντέλων νοημοσύνης θα παραμείνει στο υπολογιστικό νέφος. Αλλά η εφαρμογή των εισροών του χρήστη σε αυτά τα μοντέλα, που ονομάζεται εξαγωγή συμπερασμάτων (inference), μπορεί — και σε πολλές περιπτώσεις πρέπει — να συμβεί στο άκρο.
Η βιομηχανία αναπτύσσει ήδη πιο συμπαγή, μικρότερα και αποδοτικότερα μοντέλα νοημοσύνης που μπορούν να φορτωθούν σε συσκευές άκρου. Εταιρείες όπως η Hailo κατασκευάζουν επεξεργαστές νοημοσύνης που έχουν σχεδιαστεί ειδικά για να εκτελούν επεξεργασία νευρωνικών δικτύων. Τέτοιοι επεξεργαστές νευρωνικών δικτύων όχι μόνο χειρίζονται τα μοντέλα νοημοσύνης με απίστευτη ταχύτητα, αλλά το κάνουν επίσης με λιγότερη ενέργεια, καθιστώντας τους ενεργειακά αποδοτικούς και κατάλληλους για μια ποικιλία συσκευών στην παρυφή του δικτύου, από smartphones μέχρι κάμερες.
Η επεξεργασία της παραγωγικής τεχνητής νοημοσύνης στο άκρο μπορεί επίσης να εξισορροπήσει αποτελεσματικά τον αυξανόμενο φόρτο εργασίας, να επιτρέψει στις εφαρμογές να κλιμακωθούν πιο σταθερά, να ανακουφίσει τα κέντρα δεδομένων του υπολογιστικού νέφους από την ακριβή υπολογιστική επεξεργασία και να βοηθήσει στην μείωση του αποτυπώματος άνθρακα.
Η παραγωγική τεχνητή νοημοσύνη είναι έτοιμη να αλλάξει ξανά τον κόσμο της υπολογιστικής. Στο μέλλον, το LLM στο λάπτοπ σας μπορεί να ενημερώνεται αυτόματα με τον ίδιο τρόπο που το κάνει το λειτουργικό σας σύστημα σήμερα — και να λειτουργήσει με τον ίδιο τρόπο. Αλλά για να φτάσουμε εκεί, θα πρέπει να ενεργοποιήσουμε την επεξεργασία της παραγωγικής τεχνητής νοημοσύνης στο άκρο του δικτύου. Το αποτέλεσμα υπόσχεται να είναι μεγαλύτερη απόδοση, ενεργειακή αποδοτικότητα και ιδιωτικότητα και ασφάλεια. Όλα αυτά οδηγούν σε εφαρμογές νοημοσύνης που αλλάζουν τον κόσμο τόσο όσο η παραγωγική τεχνητή νοημοσύνη η ίδια.












