ELM – 전원 문제에 대한 솔루션

미국 전력망은 상당한 투자 없이는 증가된 부하를 처리할 수 없습니다. Goldman Sachs는 필요한 투자액을 500억 달러 이상으로 책정합니다. 이는 국가가 이미 천연가스 기기로부터의 전환, EV 시장 확장, 암호화폐 채굴 운영, 국내 이니셔티브에서 벗어나기 위한 국가 이니셔티브에서 발생하는 수요 증가를 지원하기 위해 그리드를 업그레이드하기 위한 상당한 투자(2021년 이후 220억 달러)에 전념하고 있는 시점에 나온 것입니다. 제조 및 기상 이변이나 사이버 공격의 위험 증가로 인한 중단으로부터 보호해야 할 필요성이 증가하고 있습니다.

전력 수요 증가는 특히 미국 전력망의 노후화된 인프라를 고려할 때 중요한 과제를 제기합니다. 증가하는 요구를 충족하려면 상당한 투자가 중요합니다. Goldman Sachs는 그리드 업그레이드에 500억 달러가 넘는 긴급 요구 사항을 강조했습니다. 이는 국가가 이미 전력망 용량을 향상시키기 위해 상당한 노력을 기울이고 있는 시점에 나온 것입니다. 2021년부터 이러한 업그레이드에 약 220억 달러가 할당되었습니다. 이러한 이니셔티브는 천연가스 기기에서 벗어나 EV 시장을 강화하고 암호화폐 채굴 작업을 수용하며 국내 제조를 육성하려는 국가적 노력으로 인해 증가하는 수요를 지원하는 것을 목표로 합니다. 또한, 기상 이변이나 사이버 공격의 위험 증가로 인한 중단으로부터 보호해야 할 긴급한 필요성이 있습니다.

큰 문제에 대한 해결책은 놀라울 정도로 작을 수 있습니다

우리는 이전에도 비슷한 문제에 직면한 적이 있습니다. 2023년에 우리는 국가 인프라에 대한 전력 수요를 완화하기 위해 연방 차원에서 백열 전구를 에너지 효율적인 대안으로 전환했습니다. 개별 전구가 심각한 문제를 일으키지는 않았지만 엄청난 양이 상당한 영향을 미쳤습니다. 마찬가지로, AI 애플리케이션이 이제 등장하고 있으며 광범위한 용도를 보여주고 잠재적으로 규모에 따른 효율성에 의해서만 제한될 수 있습니다.

AI의 현재 상태는 주요 새로운 산업을 활성화하고 경제를 주도할 준비가 되어 있는 전기의 도입을 모방합니다. 오늘날 AI는 원래 그래픽 렌더링을 가속화하도록 설계된 특수 프로세서인 그래픽 처리 장치(GPU)에 크게 의존합니다. GPU의 병렬 구조는 애플리케이션의 기존 AI 모델 교육에도 이상적이며 사물 인공 지능(AIoT)에서 광범위하게 사용되므로 규모에 따른 효율성 문제가 발생합니다. AI 회사는 가장 단순한 애플리케이션 요구 사항 중 일부를 충족하기 위해 가장 발전되고 에너지 집약적인 프로세서를 효과적으로 과도하게 배포하고 있습니다. 일률적인 접근 방식은 초기 AI 애플리케이션에서 작동할 수 있지만 모든 AI 구현에 대한 지속 가능한 표준이 될 수는 없습니다.

AI 솔루션의 보안, 확장성 및 효율성을 특정 애플리케이션에 적용할 수 없다는 점은 식료품을 가져가기 위해 트랙터 트레일러를 운전하는 것과 다르지 않습니다. 확실히 작업을 수행할 수는 있지만 엄청나게 비효율적이고 비용이 많이 들기 때문에 대부분의 작업에 최적화되어 있지 않습니다. 의도하지 않은 결과가 엄청나게 많이 발생하는 것은 이러한 애플리케이션 요구 사항 간의 불일치 때문입니다. AI에 대한 수요 증가는 부인할 수 없지만 AI가 GPU에 의존할 때 결과 애플리케이션은 이미 취약한 인프라에 과중한 부담을 줍니다.

AI 기업은 우리를 위협할 수 있는 이러한 경로에서 벗어나기 위해 애플리케이션 요구 사항을 조정하는 대체 방법을 찾아야 합니다. 하부 구조. Brand Engagement Network Inc. 또는 BEN BNAI와 같은 회사는 이를 깨닫고 AI의 성능과 성능을 제공하는 동시에 확장 가능하고 지원 가능한 방식으로 솔루션을 최적화했습니다.

BEN의 ELM – 전력 문제에 대한 솔루션

그럼 벤은 어떻게 하는 걸까요? 효율적인 언어 모델(ELM)을 통해: 특수 작업을 위한 언어 모델의 분할과 최적화의 조합입니다. 특허 출원 중인 이 기술은 생성 목적을 위해 모든 것을 무차별 모델로 일반화하려는 OpenAI의 ChatGPT와 같은 보다 전통적인 LLM과 대조되는 효율성 및 애플리케이션 전문화에 중점을 둡니다.

작은 차이처럼 보일 수 있지만 각 접근 방식에 필요한 계산 및 처리 능력은 크게 다릅니다. 기존 LLM이 모든 것을 포함하는 모델을 활용한다는 것은 해당 솔루션이 정의되지 않았음을 의미합니다. 그들은 모든 문제나 애플리케이션의 모든 요구 사항을 해결하기 위해 AI 솔루션을 사용합니다. 이로 인해 오류가 발생할 가능성이 높아질 뿐만 아니라 대규모 병렬 처리가 필요하며, 시기적절한 응답을 위해 작동할 경우 GPU를 사용해야 합니다. 반면 BEN의 ELM은 정의된 애플리케이션 요구 사항에 중점을 두고 안전하고 작은 설치 공간 및 집중된 솔루션을 허용합니다. 이는 ELM을 대상으로 하는 솔루션이 제한된 CPU 리소스로 실행될 수 있다는 것을 의미하며, 이는 더 쉽게 사용할 수 있고 비용이 훨씬 낮으며 처리 능력을 덜 사용합니다.

CPU에 대한 종속성은 SaaS, 프라이빗 클라우드, 의료 및 금융 서비스와 같은 업계에서 데이터 침해 및 유출의 잠재적 위험을 최소화하기 위해 노력하고 있는 모바일 및 온프레미스 솔루션입니다. 일반적으로 CPU는 배포 및 운영 비용이 훨씬 저렴하고 이미 시장에 출시되어 있으며 가장 중요하게는 대량 구매가 가능합니다. Elon Musk가 다양한 회사를 위해 이러한 처리 장치를 조달하는 데 창의력을 발휘할 수밖에 없을 정도의 가용성 문제가 있는 GPU의 경우는 그렇지 않습니다.

ELM + RAFT: 강력하면서도 효율적인 조합

BEN의 ELM은 또한 RAFT(Retrieval Augmented Fine-Tuning) 시스템을 강화하여 애플리케이션의 신뢰성, 예측 가능 및 효율성을 보장합니다. AI가 제기하는 중요한 과제는 AI가 알려지지 않은 데이터 소스를 기반으로 구축되고 무슨 일이 있어도 응답을 생성하도록 설계된 결과로 AI가 오해의 소지가 있거나 완전히 잘못된 답변을 제공하는 '환각'의 위험입니다. 환각은 백열등에서 낭비되는 열 에너지와 매우 유사합니다. 응답을 생성하기 위해 여전히 동일한 전력을 요구하지만 이는 기존 LLM 기술의 의도하지 않은 결과입니다. 일부 추정에 따르면 환각이 발생할 수 있습니다

위 내용은 ELM – 전원 문제에 대한 솔루션의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!