Muhammad Ali mới là nhà vô địch hạng nặng thế giới chỉ được một năm khi Gordon Moore, đồng sáng lập và Giám đốc điều hành của Intel, đưa ra một định đề được gọi là Định luật Moore. Cụ thể, số lượng bóng bán dẫn trên một mạch tích hợp (IC) sẽ tăng gấp đôi sau mỗi hai năm.

Vào năm 1965, đây là một vấn đề gây chú ý: quan sát được thực hiện trong một bài báo trên tạp chí điện tử, ngụ ý rằng chúng ta có thể kỳ vọng máy tính của mình sẽ trở nên nhanh hơn và có khả năng hoạt động tốt hơn với chi phí thấp hơn theo thời gian. Nhiều năm và nhiều thập kỷ trôi qua, lý thuyết của Moore đã được kiểm chứng khi tốc độ thay đổi công nghệ ngày càng tăng. Đối với hầu hết các trường hợp, nó được coi là đúng. Tuy nhiên, những tiến bộ gần đây trong lĩnh vực Học máy (ML) đang phát triển đặt ra một thách thức hấp dẫn, nếu không muốn nói là một mối đe dọa rõ ràng, đối với khả năng tồn tại của Luật.

Tính bền vững của định luật Moore

Định luật Moore là công cụ thúc đẩy tiến bộ công nghệ trong hơn nửa thế kỷ, trở thành một thứ gì đó giống như một định luật bất khả xâm phạm. Tuy nhiên, khi chúng ta tiếp cận các giới hạn nguyên tử của việc thu nhỏ mạch điện, tính bền vững của quan sát đang được xem xét kỹ lưỡng.

Những hạn chế vật lý của mạch thu nhỏ đang trở nên rõ ràng. Năm 2015, chính Intel thừa nhận sự chậm lại của Định luật Moore, lưu ý rằng nhịp độ hai năm đã chậm lại còn khoảng 2.5 năm. Mức tăng 25% này là dấu hiệu rõ ràng cho thấy chúng tôi đang tiến gần đến các giới hạn vật lý và thực tế của công nghệ bán dẫn hiện đại. Hơn nữa, Giám đốc điều hành Intel Pat Gelsinger năm ngoái đã sửa đổi nhận xét trước đó của mình, thừa nhận 2.5 năm giờ đã trở thành 3 – đồng thời hứa sẽ làm mọi thứ có thể để theo kịp Định luật Moore.

Điều này không có gì đáng ngạc nhiên; Bản thân Moore cũng phủ nhận Định luật của chính mình, lập luận rằng “không có hàm mũ nào như thế này tồn tại mãi mãi”. Thật vậy, kỹ sư sẽ khó có thể thấy trước nhu cầu ngày càng tăng của Học máy và các lĩnh vực liên quan như Trí tuệ nhân tạo (AI), điện toán đám mây và Internet vạn vật (IoT), gây áp lực như vậy lên ngành công nghiệp chip silicon trong thời đại mới. giữa những năm sáu mươi.

Nhu cầu về Machine Learning ngày nay đang vượt xa tốc độ tăng sức mạnh xử lý, với nhu cầu tăng gấp 10 lần so với mức tăng sức mạnh xử lý gấp 3 lần trong 18 tháng qua. Rõ ràng, sự chênh lệch này gây ra những trở ngại đáng kể cho những tiến bộ trong tương lai của Học máy, có khả năng dẫn đến những trở ngại trong đổi mới và ứng dụng.

Sản phẩm vực sâu mở rộng giữa nhu cầu tính toán của học sâu và sự tăng trưởng sức mạnh xử lý có thể không dễ dự đoán, nhưng đó là điều mà các nhà công nghệ hiện đại phải vật lộn. Sự chênh lệch không chỉ cho thấy những hạn chế tiềm ẩn về khả năng mở rộng của ứng dụng ML, đặc biệt khi các mô hình trở nên phức tạp hơn và sử dụng nhiều dữ liệu hơn, mà còn làm chậm tốc độ thay đổi công nghệ nói chung.

Một số người có thể cho rằng đây không phải là điều xấu: nó sẽ cho phép tất cả chúng ta kết nối lại với thiên nhiên và trở nên hiện diện hơn trong thời điểm hiện tại. Nhưng sự tiến bộ của con người không thực sự diễn ra theo cách này: không thể đặt thần đèn trở lại trong chai khi nó đã ra ngoài. Khi con đường đã được chọn, chúng ta phải tiến hành một cách có trật tự – nếu không sẽ phải đối mặt với sự thụt lùi.

Một giải pháp mới cho vấn đề định luật Moore

Trong bối cảnh rắc rối này, các giải pháp mới đang được tung ra thị trường. Một trong số họ, io.net, tìm cách thu hẹp khoảng cách ngày càng tăng bằng cách tận dụng hiện tại Tài nguyên tính toán GPU để nâng cao hiệu quả xử lý toàn cầu. Nói cách khác, nếu điện toán không thể theo kịp nhu cầu ML, hãy đặt điện toán để hoạt động tốt hơn.

io.netMạng cơ sở hạ tầng vật lý phi tập trung (DePIN) mới được công bố gần đây của nó là trụ cột chính trong đề xuất giá trị của nó. Bằng cách tận dụng tiềm năng chưa được khai thác của GPU và CPU trên toàn thế giới, Mạng DePIN cung cấp một giải pháp bền vững và có thể mở rộng để đáp ứng nhu cầu ngày càng tăng của ML. Mô hình này liên quan đến việc khen thưởng những người đóng góp/cho thuê sức mạnh GPU và CPU của họ cho mạng. Trong khi đó, các công ty khởi nghiệp AI và kỹ sư ML có quyền truy cập theo yêu cầu vào tính toán GPU cần thiết mà không phải trả chi phí cắt cổ thường liên quan đến các tài nguyên đó.

Với việc cung cấp quyền truy cập GPU/CPU theo yêu cầu, không cần cấp phép từ mạng lưới người dùng toàn cầu, io.net dân chủ hóa quyền truy cập vào sức mạnh xử lý tổng hợp đồng thời đảm bảo sử dụng hiệu quả các nguồn tài nguyên hiện có. Khả năng này giúp tiết kiệm đáng kể chi phí tính toán, triển khai nhanh chóng các cụm đám mây và định giá hợp lý.

Khi khoảng cách giữa nhu cầu của Machine Learning và sự phát triển của sức mạnh xử lý ngày càng lớn, các giải pháp đổi mới như io.net sẽ rất cần thiết.

Để tối đa hóa hiệu quả và khả năng truy cập của các tài nguyên GPU và CPU hiện có, io.net không chỉ đưa ra giải pháp giải quyết những hạn chế do tốc độ chậm lại của Định luật Moore; nó đang tạo tiền đề cho sự đổi mới và tiến bộ liên tục trong cả hai lĩnh vực.

Tất nhiên, các yếu tố khác cũng quan trọng không kém: đầu tư vốn là một trong số đó. Nếu bạn muốn sức mạnh tính toán của chip tăng gấp đôi, có lý do là ngân sách R&D phải tăng song song. Những thứ như trợ cấp của chính phủ, sáp nhập ngành và liên doanh cũng rất quan trọng.

Đáng buồn thay, Gordon Moore qua đời vào năm 2023 - tuy nhiên Luật cùng tên của ông ngày nay thậm chí còn phù hợp hơn so với những năm sáu mươi.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://techstartups.com/2024/02/06/is-machine-learning-demand-starting-to-outpace-moores-law/