Революция искусственного интеллекта: стартапы без дата-центров

Искусственный интеллект (ИИ) активно меняет мир, но подавляющее большинство мощных AI-моделей по-прежнему требуют сотен серверов в больших дата-центрах для своей работы. Однако складывается новая парадигма: стартапы, такие как Flower AI и Vana, разрабатывают прогрессивные модели ИИ, используя распределенные вычисления. Их совместный проект, модель Collective-1, может занять важное место в эволюции ИИ, открывая новые горизонты для более доступного и безопасного обучения.

Долгое время создание мощных ИИ-моделей требовало значительных ресурсов: большие объемы данных и вычислительных мощностей, сосредоточенных в дата-центрах, подключенных через оптоволокно. Данные, часто собранные из открытых источников, таких как веб-сайты и книги, использовались для обучения моделей. Однако эта модель в первую очередь доступна лишь крупным компаниям с высокими финансовыми возможностями.

Применение распределенных вычислений открывает новые возможности для стартапов и даже университетов создавать мощные ИИ-модели. Проект Collective-1, созданный с использованием распределенных вычислений, демонстрирует, что создание ИИ не обязательно должно быть привязано к большим дата-центрам.

Flower AI, как отмечает Ник Лейн, сооснователь компании и ученый из Кембриджского университета, разработал технологии, позволяющие обучать ИИ-модели с использованием распределенных вычислений. Вместо того чтобы полагаться на традиционные дата-центры, данные могут быть собраны из различных источников и обучены на множестве компьютеров, подключенных к интернету.

Collective-1 имеет всего 7 миллиардов параметров — это скромный показатель по сравнению с современными моделями, такими как ChatGPT и Gemini, которые имеют сотни миллиардов параметров. Однако такие стартапы, как Flower AI, уже разрабатывают модели с использованием более 30 миллиардов параметров, что обещает серьезные изменения на рынке ИИ.

Важным аспектом новой модели является использование личных данных пользователей. Стартап Vana предлагает пользователям делиться своими данными из платформ, таких как X и Reddit, чтобы обучать ИИ, при этом предоставляя им контроль над тем, как будут использоваться их данные. Это открывает доступ к большому количеству непубличной информации, которая ранее не использовалась при обучении моделей.

Анна Казлаускас, сооснователь Vana, отмечает, что это первый случай, когда пользователи могут непосредственно участвовать в создании ИИ-модели, а также получать за это финансовое вознаграждение. Это может стать своим родом революцией в области ИТ, предоставляя людям возможность влиять на технологии, которые они используют.

Распределенное обучение может привести к значительным изменениям в ИИ-индустрии. Микро Мусолеси, ученый из University College London, отмечает, что этот подход позволит использовать обширные и чувствительные к приватности данные из таких областей, как здравоохранение и финансы, без рисков, связанных с централизованной обработкой данных.

Далее, распределенное обучение дает возможность более мелким компаниям и университетам разработать собственные модели, что может снизить барьеры входа на рынок ИИ. Это также может привести к более демократичному распределению технологий и возможностей, что в свою очередь может повлиять на глобальную экономику.

Перспективы распределенного обучения выглядят многообещающе. Модель Collective-1 — лишь один из примеров того, как этот подход может изменить индустрию. По мере развития технологий, которые делают распределенное обучение более доступным и эффективным, ИИ-модели станут более разнообразными и демократичными.

Учитывая, что технологии стремительно развиваются, потенциал распределенных моделей для создания мощных ИИ с использованием разрозненных ресурсов может изменить облик ИТ-индустрии. Идея о том, что мощные ИИ могут разрабатываться не только крупными игроками, но и мелкими компаниями и университетами, открывает новые горизонты для инноваций и сотрудничества.