အတွေးခေါင်းဆောင်များ
Generative AI ၏အနာဂတ်သည် အစွန်းဖြစ်သည်။
ChatGPT ထွန်းကားချက် Generative AI ဖြစ်သည် ယေဘူယျအားဖြင့်၊ နည်းပညာသမိုင်း၏ ရေဝေရေလဲအခိုက်အတန့်ဖြစ်ပြီး အင်တာနက်နှင့် စမတ်ဖုန်းများ၏ အရုဏ်ဦးနှင့် နှိုင်းယှဉ်ထားသည်။ Generative AI သည် ဉာဏ်ရည်ထက်မြက်သော စကားဝိုင်းများ၊ စာမေးပွဲများဖြေဆိုရန်၊ ရှုပ်ထွေးသော ပရိုဂရမ်များ/ကုဒ်များ ဖန်တီးခြင်းနှင့် မျက်စိဖမ်းစားနိုင်သော ရုပ်ပုံများနှင့် ဗီဒီယိုများကို ဖန်တီးနိုင်မှုတွင် အကန့်အသတ်မရှိသော အလားအလာကို ပြသထားသည်။ GPU များသည် Cloud တွင် Gen AI မော်ဒယ်အများစုကို - လေ့ကျင့်ရေးနှင့် ကောက်ချက်ချရန်အတွက် - ၎င်းသည် ကုန်ကျစရိတ်၊ ပါဝါ၊ တုံ့ပြန်မှု၊ လျှို့ဝှက်ရေးနှင့် လုံခြုံရေးတို့ပါဝင်သည့်အချက်များကြောင့်၊ အထူးသဖြင့် ကောက်ချက်ချနိုင်သော ရေရှည်အတိုင်းအတာအတွက် ဖြေရှင်းချက်မဟုတ်ပေ။ ဤဆောင်းပါးသည် Gen AI တွက်ချက်မှုဆိုင်ရာ အလုပ်တာဝန်များကို အနားသို့ရွှေ့ရန် လှုံ့ဆော်ပေးသည့် နမူနာများနှင့်အတူ ဤအချက်တစ်ချက်စီကို ရေးထားသည်။
အပလီကေးရှင်းအများစုသည် စွမ်းဆောင်ရည်မြင့် ပရိုဆက်ဆာများပေါ်တွင် လုပ်ဆောင်သည် - စက်ပစ္စည်း (ဥပမာ၊ စမတ်ဖုန်းများ၊ ဒက်စတော့များ၊ လက်ပ်တော့များ) သို့မဟုတ် ဒေတာစင်တာများတွင် လုပ်ဆောင်သည်။ AI ကို အသုံးပြုသည့် အပလီကေးရှင်းများ၏ ဝေစုသည် တိုးပွားလာသည်နှင့်အမျှ CPU များသာရှိသော ဤပရိုဆက်ဆာများသည် မလုံလောက်ပါ။ ထို့အပြင် Generative AI လုပ်ငန်းခွင်များတွင် လျင်မြန်စွာ ချဲ့ထွင်ခြင်းသည် စျေးကြီးပြီး ပါဝါဆာလောင်နေသော GPU များပါရှိသော AI-enabled server များအတွက် လိုအပ်ချက်ကို တွန်းအားပေးကာ အခြေခံအဆောက်အအုံကုန်ကျစရိတ်ကို မြှင့်တင်ပေးပါသည်။ ဤ AI-ဖွင့်ထားသော ဆာဗာများသည် ပုံမှန်ဆာဗာတစ်ခု၏ စျေးနှုန်းနှင့် GPU များ၏ စျေးနှုန်းသည် 7X နှင့်အထက် ကုန်ကျနိုင်ပြီး ဤထပ်လောင်းကုန်ကျစရိတ်၏ 80% ဖြစ်သည်။
ထို့အပြင်၊ cloud-based server သည် 500W မှ 2000W ကိုစားသုံးပြီး AI-enabled server သည် 2000W နှင့် 8000W အကြား - 4x ပိုမိုစားသုံးပါသည်။ ဤဆာဗာများကို ပံ့ပိုးရန်၊ ဒေတာစင်တာများသည် အပိုအအေးပေးသည့် မော်ဂျူးများနှင့် အခြေခံအဆောက်အအုံ အဆင့်မြှင့်တင်မှုများ လိုအပ်သည် - တွက်ချက်မှုထက်ပင် ပိုမိုမြင့်မားနိုင်သည်။ ဒေတာစင်တာများသည် တစ်နှစ်လျှင် TWH 300 စားသုံးနေပြီး၊ တစ်ကမ္ဘာလုံး ဓာတ်အားသုံးစွဲမှု စုစုပေါင်း၏ 1% နီးပါး. အကယ်၍ AI မွေးစားခြင်း၏ လမ်းကြောင်းများသည် ဆက်လက်ရှိနေပါက၊ ကမ္ဘာတစ်ဝှမ်းရှိ စွမ်းအား၏ 5% ကို 2030 ခုနှစ်တွင် ဒေတာစင်တာများမှ အသုံးပြုနိုင်မည်ဖြစ်သည်။ ထို့အပြင် Generative AI ဒေတာစင်တာများတွင် မကြုံစဖူးရင်းနှီးမြုပ်နှံမှုများလည်း ရှိနေပါသည်။ ဒေတာစင်တာများအထိ သုံးစွဲမည်ဟု ခန့်မှန်းထားသည်။ ၂၀၂၇ ခုနှစ်တွင် ငွေလုံးငွေရင်းအသုံးစရိတ်အတွက် ဒေါ်လာ ၅၀၀ ဘီလီယံအဓိကအားဖြင့် AI အခြေခံအဆောက်အအုံလိုအပ်ချက်များ ပါဝင်သည်။
300 TwH ရှိသော Data Center များ၏ လျှပ်စစ်ဓာတ်အားသုံးစွဲမှုသည် Generative AI ကို လက်ခံကျင့်သုံးခြင်းဖြင့် သိသိသာသာ မြင့်တက်လာမည်ဖြစ်သည်။
AI တွက်ချက်မှုကုန်ကျစရိတ်နှင့် စွမ်းအင်သုံးစွဲမှုသည် Generative AI ကို အစုလိုက်အပြုံလိုက်လက်ခံခြင်းကို ဟန့်တားမည်ဖြစ်သည်။ AI တွက်ချက်မှုကို အစွန်းသို့ရွှေ့ကာ AI အလုပ်တာဝန်များအတွက် အကောင်းဆုံးလုပ်ဆောင်ပေးသည့် ဖြေရှင်းချက်များအား အသုံးပြုခြင်းဖြင့် စိန်ခေါ်မှုများကို ချဲ့ထွင်ခြင်းဖြင့် ကျော်လွှားနိုင်သည်။ ဤချဉ်းကပ်မှုဖြင့်၊ တုံ့ပြန်ချိန်၊ ကိုယ်ရေးကိုယ်တာ၊ ယုံကြည်စိတ်ချရမှုနှင့် စွမ်းရည်တိုးမြင့်မှုတို့အပါအဝင် အခြားအကျိုးခံစားခွင့်များကိုလည်း သုံးစွဲသူထံ ရရှိစေပါသည်။
Compute သည် Edge သို့ အချက်အလက်ကို လိုက်နာသည်။
လွန်ခဲ့သည့်ဆယ်စုနှစ်တစ်ခုမှစပြီး AI သည် ပညာရေးလောကမှ ပေါ်ထွက်လာသောအခါ၊ လေ့ကျင့်မှုနှင့် AI မော်ဒယ်များ၏ ကောက်ချက်ချမှုသည် cloud/data center တွင် ဖြစ်ပေါ်ခဲ့သည်။ အစွန်းတွင် ဒေတာအများအပြားကို ထုတ်လုပ်ပြီး စားသုံးခြင်းဖြင့် - အထူးသဖြင့် ဗီဒီယို - ဒေတာ၏ ကောက်ချက်ချမှုကို အစွန်းသို့ ရွှေ့ခြင်းဖြင့် ကွန်ရက်နှင့် တွက်ချက်မှုကုန်ကျစရိတ်များ လျှော့ချခြင်းကြောင့် လုပ်ငန်းများအတွက် စုစုပေါင်းပိုင်ဆိုင်မှုကုန်ကျစရိတ် (TCO) ကို တိုးတက်ကောင်းမွန်စေပါသည်။ Cloud ပေါ်ရှိ AI အနုမာနကုန်ကျစရိတ်သည် ထပ်တလဲလဲဖြစ်နေသော်လည်း အစွန်းရှိ ကောက်ချက်ချစရိတ်သည် တစ်ကြိမ်တည်း၊ ဟာ့ဒ်ဝဲကုန်ကျစရိတ်ဖြစ်သည်။ အခြေခံအားဖြင့်၊ Edge AI ပရိုဆက်ဆာဖြင့် စနစ်ကို တိုးမြှင့်ခြင်းသည် အလုံးစုံလည်ပတ်မှုကုန်ကျစရိတ်ကို လျော့နည်းစေသည်။ သမားရိုးကျ AI အလုပ်ဝန်များကို Edge (ဥပမာ၊ စက်ကိရိယာ၊ စက်ပစ္စည်း) သို့ ရွှေ့ပြောင်းခြင်းကဲ့သို့ပင်၊ Generative AI အလုပ်တာဝန်များသည် လိုက်လျောညီထွေရှိပါမည်။ ယင်းက လုပ်ငန်းများနှင့် စားသုံးသူများအတွက် သိသာထင်ရှားသော စုဆောင်းငွေကို ယူဆောင်လာမည်ဖြစ်သည်။
အနုမာနလုပ်ဆောင်ချက်များကိုလုပ်ဆောင်ရန် ထိရောက်သော AI အရှိန်မြှင့်စက်နှင့် တွဲဖက်ပြီး အစွန်းသို့ရွှေ့ခြင်းသည် အခြားအကျိုးကျေးဇူးများကိုလည်း ပေးဆောင်သည်။ ၎င်းတို့တွင် အထင်ရှားဆုံးမှာ latency ဖြစ်သည်။ ဥပမာအားဖြင့်၊ ဂိမ်းအပလီကေးရှင်းများတွင်၊ ကစားသူမဟုတ်သောဇာတ်ကောင်များ (NPCs) များကို generative AI ဖြင့် ထိန်းချုပ်နိုင်ပြီး တိုးမြှင့်နိုင်သည်။ ဂိမ်းစက် သို့မဟုတ် PC တွင် အနားသတ် AI အရှိန်မြှင့်စက်များပေါ်တွင် လည်ပတ်နေသည့် LLM မော်ဒယ်များကို အသုံးပြုခြင်းဖြင့် ဂိမ်းကစားသူများသည် ဇာတ်လမ်းတွင် အဓိပ္ပါယ်ရှိစွာ ပါဝင်နိုင်စေရန် ဤဇာတ်ကောင်များကို တိကျသောပန်းတိုင်များပေးနိုင်ပါသည်။ ဒေသတွင်း အနားသတ် ကောက်ချက်မှ ကြာမြင့်ချိန် နည်းပါးခြင်းသည် ကစားသမားများ၏ ညွှန်ကြားချက်များနှင့် လုပ်ဆောင်ချက်များကို အချိန်နှင့်တပြေးညီ တုံ့ပြန်ရန် NPC စကားနှင့် လှုပ်ရှားမှုများကို ခွင့်ပြုပါမည်။ ၎င်းသည် ကုန်ကျစရိတ်သက်သာပြီး ပါဝါသက်သာသည့်ပုံစံဖြင့် လွန်စွာစွဲမက်ဖွယ်ကောင်းသော ဂိမ်းအတွေ့အကြုံကို ပေးဆောင်မည်ဖြစ်သည်။
ကျန်းမာရေးစောင့်ရှောက်မှု၊ ကိုယ်ရေးကိုယ်တာနှင့် ယုံကြည်စိတ်ချရမှုကဲ့သို့သော အပလီကေးရှင်းများတွင် အလွန်အရေးကြီးသည် (ဥပမာ၊ လူနာအကဲဖြတ်ခြင်း၊ ဆေးဝါးအကြံပြုချက်များ)။ ဒေတာနှင့် ဆက်စပ် Generation AI မော်ဒယ်များသည် လူနာဒေတာ (ကိုယ်ရေးကိုယ်တာ) ကို ကာကွယ်ရန် ပြင်ပတွင် ရှိရမည်ဖြစ်ပြီး၊ cloud ရှိ AI မော်ဒယ်များသို့ ဝင်ရောက်ခွင့်ကို ပိတ်ဆို့မည့် မည်သည့်ကွန်ရက် ပြတ်တောက်မှုမဆို ဘေးအန္တရာယ်ဖြစ်စေနိုင်သည်။ ဤအခြေအနေတွင် ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူတစ်ဦးစီအတွက် တည်ဆောက်ထားသော Gen AI မော်ဒယ်ရည်ရွယ်ချက်ကို လုပ်ဆောင်သည့် Edge AI စက်ပစ္စည်းသည် တုံ့ပြန်ချိန်နှင့် ကုန်ကျစရိတ်ကို လျှော့ချပေးချိန်တွင် လျှို့ဝှက်ရေးနှင့် ယုံကြည်စိတ်ချရမှုဆိုင်ရာ ပြဿနာများကို ချောမွေ့စွာဖြေရှင်းနိုင်သည်။
အနားသတ်ကိရိယာများရှိ Generative AI သည် ဂိမ်းကစားရာတွင် latency နည်းပါးစေရန်နှင့် လူနာဒေတာကို ထိန်းသိမ်းထားကာ ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးမည်ဖြစ်သည်။
Cloud ပေါ်တွင်လည်ပတ်နေသော Gen AI မော်ဒယ်အများအပြားသည် ထရီလျံကန့်သတ်ဘောင်များနှင့်နီးစပ်နိုင်သည် - ဤမော်ဒယ်များသည် ယေဘူယျရည်ရွယ်ချက်မေးခွန်းများကို ထိရောက်စွာဖြေရှင်းနိုင်ပါသည်။ သို့သော်၊ လုပ်ငန်းဆိုင်ရာ သီးခြားအသုံးချပလီကေးရှင်းများသည် အသုံးပြုမှုကိစ္စနှင့်သက်ဆိုင်သည့် ရလဒ်များကို ထုတ်ပေးရန်အတွက် မော်ဒယ်များကို လိုအပ်သည်။ အမြန်အစားအစာ စားသောက်ဆိုင်တွင် အမှာစာများမှာယူရန် တည်ဆောက်ထားသော Gen AI အခြေခံ လက်ထောက်တစ်ဦး၏ ဥပမာကို ယူကြည့်ပါ - ဤစနစ်သည် ဖောက်သည် အပြန်အလှန်ဆက်သွယ်မှုရရှိစေရန်အတွက် အခြေခံ Gen AI မော်ဒယ်ကို စားသောက်ဆိုင်၏ မီနူးပစ္စည်းများတွင် လေ့ကျင့်ထားရမည်ဖြစ်ပြီး ဓာတ်မတည့်မှုနှင့် ပါဝင်ပစ္စည်းများကို သိရှိစေမည်ဖြစ်သည်။ . အတော်လေးသေးငယ်ပြီး 10-30 ဘီလီယံ ကန့်သတ်ဘောင် LLM ကိုလေ့ကျင့်ရန် superset Large Language Model (LLM) ကိုအသုံးပြုခြင်းဖြင့် မော်ဒယ်အရွယ်အစားကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်နိုင်ပြီး ဖောက်သည်တိကျသောဒေတာဖြင့် ထပ်လောင်းချိန်ညှိခြင်းကို အသုံးပြုပါ။ ထိုသို့သော မော်ဒယ်သည် တိကျမှုနှင့် စွမ်းဆောင်ရည် တိုးမြင့်လာခြင်းဖြင့် ရလဒ်များကို ထုတ်ပေးနိုင်သည်။ မော်ဒယ်၏သေးငယ်သောအရွယ်အစားကြောင့်၎င်းကို Edge ရှိ AI အရှိန်မြှင့်စက်ပေါ်တွင် ထိထိရောက်ရောက်အသုံးချနိုင်သည်။
ဗိုလ်ချုပ် AI Edge မှာအနိုင်ရလိမ့်မယ်။
အထူးသဖြင့် ChatGPT နှင့် Claude ကဲ့သို့သော ယေဘုယျရည်ရွယ်ချက်အပလီကေးရှင်းများအတွက် Cloud တွင်လည်ပတ်နေသော Gen AI အတွက် အမြဲတမ်းလိုအပ်နေမည်ဖြစ်ပါသည်။ သို့သော် Adobe Photoshop ၏ မျိုးဆက်သစ်ဖြည့်စွက်မှု သို့မဟုတ် Github copilot ကဲ့သို့သော လုပ်ငန်းဆိုင်ရာ သီးခြားအပလီကေးရှင်းများနှင့် ပတ်သက်လာသောအခါ၊ Edge ရှိ Generative AI သည် အနာဂတ်သာမက ပစ္စုပ္ပန်လည်းဖြစ်သည်။ ရည်ရွယ်ချက်ဖြင့်တည်ဆောက်ထားသော AI အရှိန်မြှင့်စက်များသည် ၎င်းကိုဖြစ်မြောက်စေရန်အတွက် အဓိကသော့ချက်ဖြစ်သည်။
