Jay Dawani เป็นผู้ร่วมก่อตั้งและซีอีโอของ Lemurian Labs – Interview Series

Jay Dawani เป็นผู้ร่วมก่อตั้งและซีอีโอของ Lemurian Labs ห้องแล็บลีมูเรีย อยู่ในภารกิจในการส่งมอบคอมพิวเตอร์ AI ที่ราคาไม่แพง เข้าถึงได้ และมีประสิทธิภาพ โดยได้รับแรงหนุนจากความเชื่อที่ว่า AI ไม่ควรเป็นสิ่งฟุ่มเฟือย แต่เป็นเครื่องมือที่ทุกคนสามารถเข้าถึงได้ ทีมผู้ก่อตั้งที่ Lemurian Labs ผสมผสานความเชี่ยวชาญในด้าน AI คอมไพเลอร์ อัลกอริธึมเชิงตัวเลข และสถาปัตยกรรมคอมพิวเตอร์ เข้าด้วยกันโดยมีวัตถุประสงค์เดียว นั่นคือ เพื่อพลิกโฉมการประมวลผลที่เร่งความเร็ว

คุณช่วยเล่าให้เราฟังเกี่ยวกับภูมิหลังของคุณและ wหมวกทำให้คุณเข้าสู่ AI ตั้งแต่แรกเหรอ?

อย่างแน่นอน. ฉันเขียนโปรแกรมมาตั้งแต่อายุ 12 ปี และสร้างเกมของตัวเองและอื่นๆ อีกมากมาย แต่จริงๆ แล้วฉันเข้าสู่วงการ AI เมื่ออายุ 15 ปี เพราะเพื่อนของพ่อของฉันที่ชอบใช้คอมพิวเตอร์ เขาทำให้ฉันอยากรู้อยากเห็นและมอบหนังสือให้ฉันอ่าน เช่น 'The Computer and The Brain' ของ Von Neumann, 'Perceptrons' ของ Minsky, 'AI A Modern Approach' ของ Russel และ Norvig หนังสือเหล่านี้มีอิทธิพลต่อความคิดของฉันมากและรู้สึกเกือบจะชัดเจนว่า AI จะต้องเปลี่ยนแปลงไป และฉันก็ต้องเป็นส่วนหนึ่งของสาขานี้ 

เมื่อถึงเวลาเข้ามหาวิทยาลัย ฉันอยากเรียน AI จริงๆ แต่ไม่พบมหาวิทยาลัยที่เปิดสอนเรื่องนั้นเลย ฉันจึงตัดสินใจเลือกเรียนวิชาเอกคณิตศาสตร์ประยุกต์แทน และหลังจากเข้ามหาวิทยาลัยได้สักพัก ฉันก็ได้ยินเกี่ยวกับผลลัพธ์ของ AlexNet ใน ImageNet ซึ่ง น่าตื่นเต้นจริงๆ ตอนนั้นฉันมีเรื่องแบบนี้หรือไม่เคยเกิดขึ้นในหัวเลย และทุ่มเทอย่างเต็มที่ในการอ่านบทความและหนังสือทุกเล่มที่ฉันพอจะหาได้เกี่ยวกับโครงข่ายประสาทเทียม และค้นหาผู้นำในสาขานั้นเพื่อเรียนรู้จากพวกเขา เพราะทำอย่างไร คุณมักจะไปที่นั่นตั้งแต่เกิดของอุตสาหกรรมใหม่และเรียนรู้จากผู้บุกเบิก 

ฉันตระหนักได้อย่างรวดเร็วว่าฉันไม่สนุกกับการวิจัย แต่ฉันสนุกกับการแก้ปัญหาและสร้างผลิตภัณฑ์ที่เปิดใช้งาน AI นั่นนำฉันไปสู่การทำงานเกี่ยวกับรถยนต์และหุ่นยนต์อัตโนมัติ, AI สำหรับการค้นพบวัสดุ, โมเดลกำเนิดสำหรับการจำลองแบบหลายฟิสิกส์, เครื่องจำลองที่ใช้ AI สำหรับการฝึกอบรมนักขับรถแข่งมืออาชีพ และความช่วยเหลือในการตั้งค่ารถ, หุ่นยนต์อวกาศ, การซื้อขายอัลกอริทึม และอื่นๆ อีกมากมาย 

หลังจากทำทุกอย่างแล้ว ฉันกำลังพยายามควบคุมค่าใช้จ่ายในการฝึกอบรมและการใช้งาน AI เพราะนั่นจะเป็นอุปสรรค์ที่ยิ่งใหญ่ที่สุดที่เราเผชิญบนเส้นทางของเราในการทำให้โลกที่ทุกคนและบริษัทสามารถเข้าถึงและได้รับประโยชน์จาก AI ในทางที่ประหยัดที่สุด

บริษัทหลายแห่งที่ทำงานด้านการประมวลผลแบบเร่งความเร็วมีผู้ก่อตั้งที่สร้างอาชีพในด้านเซมิคอนดักเตอร์และโครงสร้างพื้นฐาน คุณคิดว่าประสบการณ์ในอดีตในด้าน AI และคณิตศาสตร์ส่งผลต่อความสามารถในการเข้าใจตลาดและแข่งขันอย่างมีประสิทธิผลอย่างไร

จริงๆ แล้วฉันคิดว่าการไม่ได้มาจากอุตสาหกรรมทำให้ฉันได้รับประโยชน์จากการได้เปรียบจากบุคคลภายนอก ฉันพบว่าเป็นกรณีที่บ่อยครั้งที่การไม่มีความรู้เกี่ยวกับบรรทัดฐานของอุตสาหกรรมหรือภูมิปัญญาดั้งเดิมทำให้มีอิสระในการสำรวจได้อย่างอิสระมากขึ้นและเจาะลึกมากกว่าที่คนอื่น ๆ ส่วนใหญ่จะทำเพราะคุณไม่มีภาระผูกพันจากอคติ 

ฉันมีอิสระที่จะถามคำถามที่ 'โง่' และทดสอบสมมติฐานในแบบที่คนส่วนใหญ่ไม่ทำ เพราะมีหลายสิ่งหลายอย่างที่เป็นที่ยอมรับในความจริง ในช่วงสองปีที่ผ่านมา ฉันได้พูดคุยกับผู้คนในอุตสาหกรรมหลายครั้งซึ่งพวกเขาไม่เชื่อในบางสิ่งบางอย่าง แต่พวกเขาไม่สามารถบอกที่มาของแนวคิดนี้ให้ฉันได้ ซึ่งฉันพบว่าน่างงมาก ฉันชอบที่จะเข้าใจว่าเหตุใดจึงมีการเลือกบางอย่าง และมีข้อสันนิษฐานหรือเงื่อนไขอะไรบ้างในขณะนั้น และยังคงมีอยู่หรือไม่ 

จากพื้นหลัง AI ฉันมักจะใช้มุมมองซอฟต์แวร์โดยดูว่าปริมาณงานในปัจจุบันอยู่ที่ใด และนี่คือวิธีที่เป็นไปได้ทั้งหมดที่อาจเปลี่ยนแปลงเมื่อเวลาผ่านไป และการสร้างแบบจำลองไปป์ไลน์ ML ทั้งหมดสำหรับการฝึกอบรมและการอนุมานเพื่อทำความเข้าใจปัญหาคอขวด ซึ่งจะบอก ฉันที่โอกาสในการส่งมอบคุณค่าอยู่ และเนื่องจากฉันมาจากพื้นฐานทางคณิตศาสตร์ ฉันชอบสร้างแบบจำลองสิ่งต่าง ๆ เพื่อให้ใกล้เคียงกับความจริงมากที่สุดเท่าที่จะทำได้ และให้สิ่งนั้นนำทางฉัน ตัวอย่างเช่น เราได้สร้างแบบจำลองเพื่อคำนวณประสิทธิภาพของระบบสำหรับต้นทุนการเป็นเจ้าของทั้งหมด และเราสามารถวัดประโยชน์ที่เราสามารถนำให้กับลูกค้าด้วยซอฟต์แวร์และ/หรือฮาร์ดแวร์ และเพื่อให้เข้าใจข้อจำกัดของเราและปุ่มต่างๆ ที่เราสามารถใช้ได้ดีขึ้น และ รุ่นอื่นๆสำหรับสิ่งของต่างๆ เราขับเคลื่อนด้วยข้อมูลเป็นอย่างมาก และเราใช้ข้อมูลเชิงลึกจากโมเดลเหล่านี้เพื่อเป็นแนวทางในความพยายามและการแลกเปลี่ยนของเรา 

ดูเหมือนว่าความก้าวหน้าใน AI นั้นมาจากการปรับขนาดเป็นหลัก ซึ่งต้องใช้การประมวลผลและพลังงานมากขึ้นแบบทวีคูณ ดูเหมือนว่าเรากำลังแข่งขันกันด้านอาวุธกับทุกบริษัทที่พยายามสร้างโมเดลที่ใหญ่ที่สุด และดูเหมือนจะไม่มีที่สิ้นสุด คุณคิดว่ามีวิธีแก้ปัญหานี้หรือไม่?

มีหนทางอยู่เสมอ การปรับขนาดได้รับการพิสูจน์แล้วว่ามีประโยชน์อย่างมาก และฉันไม่คิดว่าเราจะได้เห็นจุดสิ้นสุดแล้ว เร็วๆ นี้ เราจะได้เห็นโมเดลต่างๆ ได้รับการฝึกโดยมีค่าใช้จ่ายอย่างน้อยหนึ่งพันล้านดอลลาร์ หากคุณต้องการเป็นผู้นำในด้าน Generative AI และสร้างโมเดลรากฐานที่ทันสมัย ​​คุณจะต้องใช้จ่ายอย่างน้อยสองสามพันล้านต่อปีในการประมวลผล ขณะนี้ มีข้อจำกัดโดยธรรมชาติในการปรับขนาด เช่น ความสามารถในการสร้างชุดข้อมูลที่มีขนาดใหญ่เพียงพอสำหรับโมเดลขนาดนั้น การเข้าถึงบุคคลที่มีความรู้ที่ถูกต้อง และการเข้าถึงการประมวลผลที่เพียงพอ 

การปรับขนาดแบบจำลองอย่างต่อเนื่องเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แต่เราไม่สามารถเปลี่ยนพื้นผิวโลกทั้งหมดให้เป็นซูเปอร์คอมพิวเตอร์ขนาดเท่าดาวเคราะห์เพื่อฝึกฝนและให้บริการ LLM ด้วยเหตุผลที่ชัดเจนได้ เพื่อควบคุมสิ่งนี้ เรามีปุ่มต่างๆ มากมายที่เราสามารถเล่นได้: ชุดข้อมูลที่ดีขึ้น สถาปัตยกรรมโมเดลใหม่ วิธีการฝึกอบรมใหม่ คอมไพเลอร์ที่ดีขึ้น การปรับปรุงอัลกอริทึมและการใช้ประโยชน์จากสถาปัตยกรรมคอมพิวเตอร์ที่ดีขึ้น และอื่นๆ หากเราทำทั้งหมดนั้น ก็จะพบการปรับปรุงที่สำคัญประมาณสามลำดับ นั่นเป็นทางออกที่ดีที่สุด 

คุณเป็นผู้ศรัทธาในหลักการแรกๆ การคิด สิ่งนี้จะหล่อหลอมทัศนคติของคุณต่อวิธีบริหาร Lemurian Labs อย่างไร

แน่นอนว่าเราใช้หลักการแรกๆ มากมายในการคิดแบบ Lemurian ฉันพบว่าภูมิปัญญาแบบเดิม ๆ นั้นทำให้เข้าใจผิดมาโดยตลอด เพราะความรู้นั้นถูกสร้างขึ้นในช่วงเวลาหนึ่งซึ่งมีสมมติฐานบางอย่างเกิดขึ้น แต่สิ่งต่างๆ มักจะเปลี่ยนแปลงอยู่เสมอ และคุณต้องทดสอบสมมติฐานซ้ำบ่อยๆ โดยเฉพาะอย่างยิ่งเมื่ออาศัยอยู่ในโลกที่เปลี่ยนแปลงไปอย่างรวดเร็วเช่นนี้ 

ฉันมักจะพบว่าตัวเองถามคำถามเช่น “นี่ดูเหมือนเป็นความคิดที่ดีจริงๆ แต่ทำไมสิ่งนี้ถึงใช้ไม่ได้” หรือ “อะไรที่ต้องเป็นจริงเพื่อให้สิ่งนี้ได้ผล” หรือ “อะไรที่เรารู้ซึ่งเป็นความจริงที่สมบูรณ์และ เรากำลังตั้งสมมติฐานอะไรและเพราะเหตุใด” หรือ “เหตุใดเราจึงเชื่อว่าแนวทางเฉพาะนี้เป็นวิธีที่ดีที่สุดในการแก้ปัญหานี้” เป้าหมายคือการทำให้แนวคิดเป็นโมฆะและกำจัดแนวคิดต่างๆ ออกไปอย่างรวดเร็วและถูกที่สุดเท่าที่จะเป็นไปได้ เราต้องการพยายามและเพิ่มจำนวนสิ่งที่เรากำลังทดลองให้มากที่สุดในช่วงเวลาใดก็ตาม มันเป็นเรื่องของการหมกมุ่นอยู่กับปัญหาที่ต้องแก้ไข และไม่เอาแต่คิดมากเกินไปว่าเทคโนโลยีใดดีที่สุด มีคนจำนวนมากเกินไปที่มักจะให้ความสำคัญกับเทคโนโลยีมากเกินไป และพวกเขาก็เข้าใจผิดเกี่ยวกับปัญหาของลูกค้า และพลาดการเปลี่ยนแปลงที่เกิดขึ้นในอุตสาหกรรม ซึ่งอาจทำให้วิธีการของพวกเขาใช้ไม่ได้ ส่งผลให้พวกเขาไม่สามารถปรับตัวเข้ากับสถานะใหม่ของโลกได้

แต่การคิดตามหลักการแรกๆ ไม่ได้มีประโยชน์ทั้งหมดในตัวมันเอง เรามักจะจับคู่กับ Backcasting ซึ่งโดยทั่วไปหมายถึงการจินตนาการถึงผลลัพธ์ในอนาคตในอุดมคติหรือที่ต้องการ และทำงานย้อนหลังเพื่อระบุขั้นตอนหรือการดำเนินการต่างๆ ที่จำเป็นเพื่อให้บรรลุผลนั้น สิ่งนี้ทำให้มั่นใจได้ว่าเราจะมาบรรจบกันในโซลูชันที่มีความหมายซึ่งไม่เพียงแต่เป็นนวัตกรรมเท่านั้น แต่ยังตั้งอยู่บนพื้นฐานความเป็นจริงด้วย มันไม่สมเหตุสมผลเลยที่จะใช้เวลาคิดหาวิธีแก้ปัญหาที่สมบูรณ์แบบเพียงแต่ตระหนักว่าเป็นไปไม่ได้ที่จะสร้างขึ้นมาเนื่องจากข้อจำกัดในโลกแห่งความเป็นจริงที่หลากหลาย เช่น ทรัพยากร เวลา กฎระเบียบ หรือการสร้างวิธีแก้ปัญหาที่ดูเหมือนสมบูรณ์แบบ แต่ภายหลังค้นพบ คุณทำให้มันยากเกินไปที่ลูกค้าจะยอมรับ

บางครั้งเราพบว่าตัวเองอยู่ในสถานการณ์ที่เราต้องตัดสินใจแต่ไม่มีข้อมูล และในสถานการณ์นี้ เราใช้สมมติฐานที่ทดสอบได้ขั้นต่ำซึ่งจะส่งสัญญาณให้เราทราบว่ามีบางสิ่งที่สมเหตุสมผลหรือไม่ที่จะดำเนินการด้วยจำนวนที่น้อยที่สุด ของค่าใช้จ่ายด้านพลังงาน 

ทั้งหมดนี้รวมกันช่วยให้เรามีความคล่องตัว วนซ้ำอย่างรวดเร็วเพื่อลดความเสี่ยงรายการต่างๆ ได้อย่างรวดเร็ว และช่วยให้เราปรับกลยุทธ์ด้วยความมั่นใจสูง และสร้างความคืบหน้าอย่างมากกับปัญหาที่ยากมากในระยะเวลาอันสั้น 

ในตอนแรกคุณให้ความสำคัญกับ ขอบ AIอะไรทำให้คุณเปลี่ยนโฟกัสและหันไปใช้การประมวลผลแบบคลาวด์

เราเริ่มต้นด้วย Edge AI เพราะในเวลานั้นฉันมุ่งความสนใจไปที่การพยายามแก้ไขปัญหาเฉพาะเจาะจงที่ฉันเผชิญในการพยายามนำเข้าสู่โลกแห่งหุ่นยนต์อัตโนมัติสำหรับใช้งานทั่วไป หุ่นยนต์อัตโนมัติถือเป็นการเปลี่ยนแปลงแพลตฟอร์มครั้งใหญ่ที่สุดในประวัติศาสตร์โดยรวมของเรา และดูเหมือนว่าเรามีทุกสิ่งที่จำเป็นในการสร้างแบบจำลองพื้นฐานสำหรับหุ่นยนต์ แต่เราขาดชิปอนุมานในอุดมคติที่มีความสมดุลที่เหมาะสมของปริมาณงาน เวลาแฝง และประสิทธิภาพในการใช้พลังงาน และความสามารถในการโปรแกรมเพื่อรันโมเดลพื้นฐานดังกล่าว

ฉันไม่ได้คิดถึงศูนย์ข้อมูลในเวลานี้ เนื่องจากมีบริษัทมากมายที่มุ่งเน้นที่นั่น และฉันคาดว่าพวกเขาจะเข้าใจเรื่องนี้ เราได้ออกแบบสถาปัตยกรรมที่ทรงพลังจริงๆ สำหรับพื้นที่แอปพลิเคชันนี้ และกำลังเตรียมพร้อมที่จะบันทึกเทป และจากนั้นก็เห็นได้ชัดว่าโลกเปลี่ยนไปและปัญหาอยู่ที่ศูนย์ข้อมูลอย่างแท้จริง อัตราที่ LLM ปรับขนาดและการบริโภคการประมวลผลนั้นแซงหน้าความก้าวหน้าในการประมวลผลอย่างมาก และเมื่อคุณคำนึงถึงการนำไปใช้ ก็จะเริ่มวาดภาพที่น่ากังวล 

รู้สึกเหมือนนี่คือจุดที่เราควรมุ่งเน้นความพยายามของเรา เพื่อลดต้นทุนด้านพลังงานของ AI ในศูนย์ข้อมูลให้มากที่สุดเท่าที่จะทำได้ โดยไม่กำหนดข้อจำกัดว่า AI ควรพัฒนาไปที่ไหนและอย่างไร ดังนั้นเราจึงต้องทำงานเพื่อแก้ไขปัญหานี้ 

ช่วยเล่าเรื่องราวการกำเนิดของผู้ร่วมก่อตั้ง Lemurian Labs หน่อยได้ไหม

เรื่องราวเริ่มต้นในต้นปี 2018 ฉันกำลังฝึกโมเดลพื้นฐานเพื่อความเป็นอิสระในการใช้งานทั่วไป ควบคู่ไปกับโมเดลสำหรับการจำลองมัลติฟิสิกส์เชิงกำเนิดเพื่อฝึกเอเจนต์และปรับแต่งให้เหมาะกับการใช้งานที่แตกต่างกัน และสิ่งอื่นๆ บางอย่างเพื่อช่วยขยายขนาดเป็นหลาย - สภาพแวดล้อมของตัวแทน แต่อย่างรวดเร็วมาก ฉันหมดปริมาณการประมวลผลที่ฉันมี และคาดว่าจะต้องใช้ GPU V20,000 มากกว่า 100 ตัว ฉันพยายามเพิ่มจำนวนให้มากพอที่จะเข้าถึงคอมพิวเตอร์ได้ แต่ตลาดยังไม่พร้อมสำหรับขนาดนั้น อย่างไรก็ตาม มันทำให้ฉันนึกถึงด้านการปรับใช้งาน และฉันก็นั่งลงเพื่อคำนวณว่าฉันต้องการประสิทธิภาพเท่าใดในการให้บริการโมเดลนี้ในสภาพแวดล้อมเป้าหมาย และฉันก็ตระหนักว่าไม่มีชิปใดที่มีอยู่จริงที่จะพาฉันไปถึงจุดนั้นได้ 

สองสามปีต่อมา ในปี 2020 ฉันได้พบกับ Vassil ซึ่งเป็นผู้ร่วมก่อตั้งในที่สุดของฉัน เพื่อตามให้ทัน และแบ่งปันความท้าทายที่ฉันต้องเผชิญในการสร้างแบบจำลองพื้นฐานสำหรับความเป็นอิสระ และเขาแนะนำให้สร้างชิปอนุมานที่สามารถขับเคลื่อนรากฐานได้ และเขาเล่าว่าเขาคิดมากเกี่ยวกับรูปแบบตัวเลข และการเป็นตัวแทนที่ดีขึ้นไม่เพียงแต่ช่วยทำให้โครงข่ายประสาทเทียมรักษาความแม่นยำที่ความกว้างบิตต่ำลง แต่ยังช่วยสร้างสถาปัตยกรรมที่ทรงพลังมากขึ้นด้วย 

มันเป็นความคิดที่น่าสนใจแต่ก็ห่างไกลจากโรงจอดรถของฉัน แต่มันก็ไม่ทิ้งฉัน ซึ่งผลักดันให้ฉันใช้เวลาหลายเดือนในการเรียนรู้ความซับซ้อนของสถาปัตยกรรมคอมพิวเตอร์ ชุดคำสั่ง รันไทม์ คอมไพเลอร์ และโมเดลการเขียนโปรแกรม ในที่สุด การสร้างบริษัทเซมิคอนดักเตอร์ก็เริ่มสมเหตุสมผล และฉันได้จัดทำวิทยานิพนธ์เกี่ยวกับปัญหาและวิธีแก้ปัญหา และในช่วงปลายปี เราก็เริ่มก่อตั้งกลุ่มเลมูเรียน 

ก่อนหน้านี้คุณได้พูดเกี่ยวกับความจำเป็นในการจัดการกับซอฟต์แวร์เป็นอันดับแรกเมื่อสร้างฮาร์ดแวร์ คุณช่วยอธิบายมุมมองของคุณว่าทำไมปัญหาฮาร์ดแวร์จึงเป็นปัญหาซอฟต์แวร์เป็นอันดับแรกและสำคัญที่สุด

สิ่งที่ผู้คนจำนวนมากไม่ทราบก็คือด้านซอฟต์แวร์ของเซมิคอนดักเตอร์นั้นยากกว่าตัวฮาร์ดแวร์มาก การสร้างสถาปัตยกรรมคอมพิวเตอร์ที่มีประโยชน์เพื่อให้ลูกค้าใช้และรับประโยชน์จากปัญหานั้นถือเป็นปัญหาเต็มประสิทธิภาพ และหากคุณไม่มีความเข้าใจและการเตรียมพร้อมดังกล่าว คุณจะพบกับสถาปัตยกรรมที่สวยงามซึ่งมีประสิทธิภาพและประสิทธิผลอย่างมาก แต่นักพัฒนาใช้งานไม่ได้โดยสิ้นเชิง ซึ่งเป็นสิ่งสำคัญจริงๆ 

แน่นอนว่าการใช้ซอฟต์แวร์เป็นอันดับแรกยังมีประโยชน์อื่นๆ อีกด้วย เช่น ใช้เวลาในการออกสู่ตลาดได้เร็วขึ้น นี่เป็นสิ่งสำคัญในโลกที่เปลี่ยนแปลงอย่างรวดเร็วในปัจจุบัน ซึ่งการที่สถาปัตยกรรมหรือคุณลักษณะรั้นเกินไปอาจทำให้คุณพลาดตลาดโดยสิ้นเชิง 

โดยทั่วไปการไม่ดูซอฟต์แวร์ก่อนจะส่งผลให้ไม่ละเลยสิ่งสำคัญที่จำเป็นสำหรับการนำผลิตภัณฑ์ไปใช้ในตลาด ไม่สามารถตอบสนองต่อการเปลี่ยนแปลงในตลาดได้ เช่น เมื่อปริมาณงานพัฒนาไปในลักษณะที่ไม่คาดคิด และมีการใช้ฮาร์ดแวร์น้อยเกินไป ทุกสิ่งไม่ใช่สิ่งที่ยิ่งใหญ่ นั่นเป็นเหตุผลสำคัญว่าทำไมเราถึงใส่ใจอย่างมากเกี่ยวกับการเป็นศูนย์กลางของซอฟต์แวร์ และทำไมมุมมองของเราก็คือ คุณไม่สามารถเป็นบริษัทเซมิคอนดักเตอร์ได้หากปราศจากบริษัทซอฟต์แวร์จริงๆ 

คุณสามารถพูดคุยเกี่ยวกับเป้าหมายสแต็กซอฟต์แวร์ของคุณได้ทันทีได้หรือไม่

เมื่อเราออกแบบสถาปัตยกรรมของเราและคิดเกี่ยวกับแผนงานที่มองไปข้างหน้า และโอกาสที่จะนำประสิทธิภาพและประสิทธิภาพพลังงานมาใช้มากขึ้น มันเริ่มชัดเจนมากว่าเราจะได้เห็นความหลากหลายมากขึ้น ซึ่งจะสร้างปัญหามากมาย บนซอฟต์แวร์ และเราไม่เพียงแต่ต้องสามารถเขียนโปรแกรมสถาปัตยกรรมที่แตกต่างกันอย่างมีประสิทธิผลเท่านั้น เรายังต้องจัดการกับสถาปัตยกรรมเหล่านั้นในระดับศูนย์ข้อมูล ซึ่งเป็นความท้าทายแบบที่เราไม่เคยพบมาก่อน 

สิ่งนี้ทำให้เรากังวลเพราะครั้งสุดท้ายที่เราต้องผ่านการเปลี่ยนแปลงครั้งใหญ่คือเมื่ออุตสาหกรรมเปลี่ยนจากสถาปัตยกรรมแบบคอร์เดียวไปเป็นมัลติคอร์ และในเวลานั้นต้องใช้เวลา 10 ปีกว่าจะได้ซอฟต์แวร์ทำงานและผู้คนใช้งานมัน เราไม่สามารถรอถึง 10 ปีเพื่อค้นหาซอฟต์แวร์สำหรับความแตกต่างในวงกว้างได้ แต่ต้องได้รับการแก้ไขในตอนนี้ ดังนั้นเราจึงต้องทำความเข้าใจปัญหาและสิ่งที่จำเป็นเพื่อให้กองซอฟต์แวร์นี้มีอยู่ 

ขณะนี้เรากำลังมีส่วนร่วมกับบริษัทเซมิคอนดักเตอร์ชั้นนำและผู้ให้บริการไฮเปอร์สเกล/ผู้ให้บริการระบบคลาวด์จำนวนมาก และจะเปิดตัวชุดซอฟต์แวร์ของเราในอีก 12 เดือนข้างหน้า เป็นโมเดลการเขียนโปรแกรมแบบครบวงจรที่มีคอมไพลเลอร์และรันไทม์ที่สามารถกำหนดเป้าหมายสถาปัตยกรรมทุกประเภท และประสานงานระหว่างคลัสเตอร์ที่ประกอบด้วยฮาร์ดแวร์ประเภทต่างๆ และสามารถปรับขนาดจากโหนดเดียวไปจนถึงคลัสเตอร์โหนดนับพันเพื่อประสิทธิภาพสูงสุดที่เป็นไปได้ .

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ห้องแล็บลีมูเรีย.