Universitāšu AI pētniecības komandas, kas ir tehnoloģisko inovāciju priekšgalā, saskaras ar būtiskiem šķēršļiem, jo trūkst pienācīgas finansējuma. Steidzami nepieciešamie jaunākie mākslīgā intelekta (AI) čipi, piemēram, Nvidia augstas klases grafikas procesoru vienības (GPUs) generatīvu AI modeļu izveidei, ierobežo pētniecības progresu. Daudziem pētniekiem nācās izmantot novecotus spēļu čipus, ko ātri savāca, kad budžeta ierobežojumi jaunākiem modeļiem bija nepieejami.
Akadēmiskās aprindas ir izteikušas sašutumu, vilcinoties ierašanās uz modernu cīņu ar novecojušiem ieročiem. Galvenais šīs situācijas problemātiskums ir straujais AI čipu cenu pieaugums, kamēr universitāšu pētniecības budžeti neesot soli pa solim. Kad AI tirgus aug, piegādes grūtības nevar apmierināt arvien augošo pieprasījumu, kas izraisa cenu pieaugumu. Lai veiktu pat pamata AI pētniecību, nepieciešams finansējums apmērā aptuveni 500 miljoni wonu, tomēr tipiskais gada pētniecības budžets profesoriem nepārsniedz pusi no tā.
Eksperti prognozē, ka, izmantojot vecākos modeļa čipus un iekārtas, ko izmanto universitātes, lai replicētu pakalpojumus salīdzināmos ar pasaulē jauno standartu, varētu paiet gandrīz 150 gadi. Turklāt, pat ja šie vērtīgie čipi tiek nodrošināti, nepietiekams elektrības patēriņš universitātēs rada citu izaicinājumu, kas spiež profesorus meklēt ēkas ar pieejamiem enerģijas resursiem.
Lai gan valdība ir sākusi centienus nodrošināt uzņēmumiem un universitātēm ar GPU, šo iniciatīvu mērogs ir būtiski nepietiekams salīdzinājumā ar pieprasījumu. Savukārt valstis kā Amerikas Savienotās Valstis, kur uzņēmumi nodrošina būtisku GPU skaitu universitātēm, vai Kanāda, kur valdība atbalsta datu un skaitļošanas infrastruktūru vairāku universitāšu vidū, ir jau tālāk par asinīm.
Ņemot vērā šo fono, Dienvidkoreja cīnās ar stratēģisko nacionālo projektu stagnāciju, piemēram, savas sestās superdatora izveidi budžeta ierobežojumu dēļ. Tā rezultātā šī situācija ir novedusi pie intelekta emigrācijas, jo vietējā AI talanti, nožēlojot vietējās perspektīvas, ir aizbraukuši meklēt iespējas ārvalstīs. Tas ir asprātīgs pretstats globālajai lielo tehnoloģiju cīņai, lai piesaistītu augsta līmeņa AI talantu ar ienesīgām algām. Lai piesaistītu un saglabātu augstas klases pētniekus, ir tikpat svarīgi uzlabot pētniecības vidi kā piedāvātā kompensāciju. Dienvidkorejas AI pētnieki, kas strādā pārvalstīs, prioritizē sadarbības iespējas un izturīgu AI pētniecības infrastruktūru, ņemot vērā atgriešanos mājās.
Neskatoties uz valdības vīziju iebļaut Dienvidkoreju AI G3 (top 3 valstīs AI), ja pastāvošās pētniecības apstākļi un talantu emigrācija turpinās tikt ignorēti, šādās ambīcijās varētu beigties kā tukšās paziņojumos. Tas ir agrīnā posmā AI tehnoloģiju sacensībās, un joprojām pastāv iespēja izmantot iniciatīvu. Tomēr jebkura turpmāka šaubu gadīšanās varētu rezultēt ilgstoša iespēju pārmešanā.
Galvenie jautājumi un atbildes:
1. Kādēļ universitāšu AI pētniecība tiek traucēta?
AI pētniecība tiek traucēta sakarā ar finansējuma trūkumu, kas rada nespēju atļauties jaunākos AI čipus un iekārtas. Straujais AI čipu cenu pieaugums nav saskaņots ar atbilstošu pētniecības budžeta palielināšanos universitātēs.
2. Kā novecojušie GPU ietekmē AI pētniecību?
Novecojušie GPU spiež pētniekus strādāt ar mazāk efektīviem rīkiem, kas palēnina pētniecības progresu un novērš jaunāko generatīvo AI modeļu replicēšanu saprātīgā laika posmā. Ir prognozēts, ka varētu paiet gandrīz 150 gadi, lai sasniegtu salīdzināmos pakalpojumus ar jaunākajiem standartiem, izmantojot vecās iekārtas.
3. Ar kādām citām izaicinājumiem saskaras universitāšu pētniecības komandas?
Nebūt nekādas elektrības infrastruktūras trūkuma, lai atbalstītu augstas veiktspējas GPU, universitāšu pētniecības komandas saskaras ar izaicinājumiem, ieskaitot sacensību ar privātsektoru par ierobežotiem resursiem un risku “prāta aizplūšanai”, kad vietējais talants meklē labākas iespējas ārzemēs.
Galvenie izaicinājumi un kontroverses:
Finanšu ierobežojumi: Universitāšu pētniecības budžeti bieži vien ir nepietiekami, lai iegādātos jaunākās tehnoloģijas, kas izraisītu kavējumus pētniecības rezultātos.
Infrastruktūras ierobežojumi: Pat ja universitātes iegūst nepieciešamos AI čipus, tās varētu saskarties ar izaicinājumiem, piemēram, nepietiekamu enerģijas resursu, kas ierobežo augstas veiktspējas skaitļošanas iekārtu izmantošanu.
Sacensība ar privātsektoru: Privātsektors bieži vien var pārspēt akadēmiskās iestādes jaunākās tehnoloģijas un talantu iegādāšanās jautājumā, jo tam ir lielāki finanšu resursi.
Prāta aizplūšana: Vietējā talanta migrācija uz valstīm ar labākām pētniecības iespējām rada lielu risku vietējās AI pētniecības un attīstības kontinuitātei.
Talantu saglabāšana: Galvenais, lai virzītu uz priekšu AI pētniecību, ir ne tikai piesaistīt, bet arī saglabāt augstas klases talantu, kas prasa ieguldījumus pētniecības apstākļos un infrastruktūrā.
Prasmes un trūkumi:
Prasmes:
– Universitātes tradicionāli ir inovācijas centri, kur pamata pētniecība var veidoties bez tūlītējām komerciālām spiedieniem.
– Universitāšu pētniecība gūst labumu no dažādām perspektīvām un sadarbības starp dažādām disciplīnām.
Trūkumi:
– Nepietiekams finansējums un resursi var nopietni ierobežot pētniecības apjomu un tempu.
– Novecojuša aprīkojuma esamība ne tikai var palēnināt pētniecību, bet arī var atstumt pētniekus un studentus.
– Spēja neveiksmīgi pielāgoties tehnoloģiskajām inovācijām var padarīt akadēmisko pētniecību neaktualu noteiktos jomās.
Ja vēlaties uzzināt vairāk par mākslīgo intelektu un tā attīstību pasaulē, varat apmeklēt šīs oficiālās vietnes:
– NVIDIA, lai iegūtu informāciju par jaunākajiem čipiem un jaunākajiem paralēlās skaitļošanas sasniegumiem.
– AI.gov, ASV valdības mākslīgā intelekta iniciatīva.
– Inovācijas, zinātnes un Kanādas ekonomikas attīstība, lai iegūtu informāciju par Kanādas valdības politiku inovācijās un kopīgas datu infrastruktūras.