Muhammad Ali was nog maar een jaar wereldkampioen zwaargewicht toen Gordon Moore, mede-oprichter en CEO van Intel, een veronderstelling maakte die bekend werd als de wet van Moore. Het aantal transistors op een geïntegreerd circuit (IC) zou namelijk ongeveer elke twee jaar verdubbelen.

In 1965 was dit bedwelmende materie: de observatie, gedaan in een artikel in Tijdschrift Elektronica, impliceerde dat we konden verwachten dat onze computers in de loop van de tijd sneller en capabeler zouden worden tegen lagere kosten. Naarmate de jaren en decennia verstreken, werd de theorie van Moore op de proef gesteld naarmate de snelheid van de technologische veranderingen toenam. Voor het grootste deel wordt het als waar beschouwd. Toch vormen recente ontwikkelingen op het snelgroeiende gebied van Machine Learning (ML) een intrigerende uitdaging, zo niet een regelrechte bedreiging, voor de levensvatbaarheid van de wet.

De duurzaamheid van de wet van Moore

De wet van Moore heeft ruim een ​​halve eeuw een belangrijke rol gespeeld bij het stimuleren van technologische vooruitgang en is uitgegroeid tot iets dat lijkt op een onschendbare wet. Maar nu we de atomaire grenzen van de miniaturisering van circuits naderen, wordt de duurzaamheid van deze waarneming onder fel toezicht gesteld.

De fysieke beperkingen van krimpcircuits worden duidelijk. In 2015 Intel zelf erkend een vertraging van de wet van Moore, waarbij werd opgemerkt dat de cadans van twee jaar was vertraagd tot ongeveer 2.5 jaar. Deze stijging van 25% was een duidelijke indicatie dat we de fysieke en praktische grenzen van de moderne halfgeleidertechnologie naderden. Bovendien herzag Pat Gelsinger, CEO van Intel, vorig jaar zijn eerdere opmerkingen en gaf toe dat 2.5 jaar nu drie jaar waren geworden, terwijl hij beloofde alles te zullen doen wat hij kon om gelijke tred te houden met de wet van Moore.

Niets van dit alles zou als een verrassing moeten komen; Moore zelf verloochende zijn eigen wet en voerde aan dat ‘geen enkele exponentiele zoals deze eeuwig doorgaat’. Het zou voor de ingenieur inderdaad moeilijk zijn geweest om te voorzien dat de groeiende eisen van machine learning en aanverwante gebieden zoals kunstmatige intelligentie (AI), cloud computing en het internet der dingen (IoT) in de jaren dertig een dergelijke druk zouden uitoefenen op de siliciumchipindustrie. midden jaren zestig.

De vraag naar machine learning overtreft momenteel de snelheid waarmee de verwerkingskracht toeneemt, met een tienvoudige toename van de vraag versus een drievoudige toename van de verwerkingskracht in de afgelopen 10 maanden. Het is duidelijk dat deze ongelijkheid aanzienlijke obstakels vormt voor toekomstige ontwikkelingen op het gebied van machinaal leren, wat mogelijk kan leiden tot knelpunten op het gebied van innovatie en toepassing.

De steeds groter wordende kloof tussen de computationele eisen van deep learning en de groei van de verwerkingskracht was misschien niet eenvoudig te voorspellen, maar toch is het iets waar moderne technologen mee moeten worstelen. De ongelijkheid duidt niet alleen op potentiële beperkingen in de schaalbaarheid van ML-apps, vooral omdat modellen complexer en data-intensiever worden, maar ook op een algemene vertraging van het tempo van de technologische veranderingen.

Sommigen beweren misschien dat dit geen slechte zaak is: dat het ons allemaal in staat zal stellen opnieuw contact te maken met de natuur en meer aanwezig te zijn in het moment. Maar menselijke vooruitgang werkt niet echt op deze manier: het is onmogelijk om de geest terug in de fles te stoppen als hij eruit is. Als de weg is ingeslagen, moeten we ordelijk te werk gaan – anders worden we geconfronteerd met achteruitgang.

Een nieuwe oplossing voor het probleem van de wet van Moore

Tegen deze verontrustende achtergrond komen er nieuwe oplossingen op de markt. Eén daarvan, io.net, probeert de groeiende kloof te overbruggen door gebruik te maken van deze mogelijkheden bestaand GPU-rekenbronnen om de wereldwijde verwerkingsefficiëntie te verbeteren. Met andere woorden: als de rekenkracht de ML-eisen niet kan bijhouden, laten we de rekenkracht dan beter aan het werk zetten.

io.netHet onlangs onthulde gedecentraliseerde fysieke infrastructuurnetwerk (DePIN) is een belangrijke pijler van zijn waardepropositie. Door gebruik te maken van het onbenutte potentieel van GPU's en CPU's die over de hele wereld zijn verspreid, kunnen de DePIN-netwerk biedt een duurzame en schaalbare oplossing om te voldoen aan de groeiende eisen van ML. Het model omvat het belonen van degenen die hun GPU- en CPU-kracht aan het netwerk bijdragen/verhuren. AI-startups en ML-ingenieurs krijgen ondertussen on-demand toegang tot de benodigde GPU-compute zonder de exorbitante kosten te hoeven betalen die doorgaans aan dergelijke bronnen verbonden zijn.

Met het bieden van toestemmingsloze, on-demand GPU/CPU-toegang vanuit een wereldwijd netwerk van gebruikers, io.net democratiseert de toegang tot geaggregeerde verwerkingskracht en zorgt tegelijkertijd voor een efficiënt gebruik van bestaande bronnen. Deze mogelijkheid vertaalt zich in aanzienlijke besparingen op computerkosten, snelle implementatie van cloudclusters en eerlijke prijzen.

Naarmate de kloof tussen de eisen van Machine Learning en de groei van de verwerkingskracht groter wordt, worden innovatieve oplossingen zoals io.net zal essentieel zijn.

Door de efficiëntie en toegankelijkheid van bestaande GPU- en CPU-bronnen te maximaliseren, biedt io.net niet alleen een oplossing voor de beperkingen die worden veroorzaakt door het vertragende tempo van de wet van Moore; het zet de toon voor voortdurende innovatie en vooruitgang op beide gebieden.

Andere factoren zijn uiteraard net zo belangrijk: kapitaalinvesteringen zijn daar één van. Als je wilt dat de rekenkracht van chips verdubbelt, ligt het voor de hand dat de R&D-budgetten tegelijkertijd moeten stijgen. Zaken als overheidssubsidies, bedrijfsfusies en joint ventures zijn ook belangrijk.

Helaas stierf Gordon Moore in 2023 – toch is zijn gelijknamige wet vandaag de dag nog relevanter dan in de jaren zestig.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://techstartups.com/2024/02/06/is-machine-learning-demand-starting-to-outpace-moores-law/