Kubernetes راه رو به جلو را برای هوش مصنوعی نشان می دهد

پروژه منبع باز Kubernetes باید به عنوان طرح اولیه روشی باشد که در آن پروژه های هوش مصنوعی را توسعه، اداره، تامین مالی و پشتیبانی می کنیم.

اصطلاح “نقطه عطف” بیش از حد مورد استفاده قرار می گیرد، اما مطمئناً در مورد وضعیت فعلی هوش مصنوعی صدق می کند. ارائه دهندگان فناوری – و شرکت هایی که به آنها وابسته هستند – می توانند یکی از دو راه توسعه هوش مصنوعی را انتخاب کنند: اختصاصی یا متن باز. این دوگانگی برای چندین دهه وجود داشته است و هر دو طرف به سطوح بالایی از موفقیت دست یافته اند. با این حال، من استدلال می‌کنم که خطرات هوش مصنوعی بالاتر از چیزی است که تا به حال دیده‌ایم، و اینکه مدل منبع باز برای تولید و مصرف مولد، اقتصادی، و ایمن هوش مصنوعی حیاتی است.< /p>

و از نظر منبع باز، پروژه Kubernetes باید به عنوان طرح اولیه روشی باشد که در آن ما پروژه های هوش مصنوعی، مدل های زبان بزرگ< را توسعه، اداره، بودجه و حمایت می کنیم. /a> (LLM)، پارادایم های آموزشی، و موارد دیگر.

از زمانی که Kubernetes در سال ۲۰۱۶ به بنیاد محاسبات بومی ابری (CNCF) پیوست، هزاران سازمان و ده‌ها هزار نفر در این پروژه مشارکت کرده‌اند، براساس گزارش CNCF. این افراد شامل شرکت‌های انتفاعی، بنیادهای غیرانتفاعی، دانشگاه‌ها، دولت‌ها، و مهم‌تر از همه، مشارکت‌کنندگان مستقل (یا آن‌هایی هستند که به یک سازمان وابسته نیستند یا توسط سازمانی پرداخت می‌شوند).

به اشتراک گذاری هزینه نوآوری

در امور مالی و توسعه محصول، فکر کردن به خلق ارزش و جذب ارزش معمول است. پروژه Kubernetes ارزش بسیار زیادی در بازار ایجاد کرده است. و اگر در مورد آن فکر کنید، پروژه Kubernetes نیز برای هر کسی که با آن درگیر است، ارزش دارد. مشارکت‌کنندگان – خواه افراد، شرکت‌ها، سازمان‌های غیرانتفاعی یا دولت‌ها باشند – نه تنها صدایی در مورد آنچه پروژه می‌تواند انجام دهد به دست می‌آورند، بلکه می‌توانند با یک فناوری و جامعه پرکاربرد و بسیار مورد توجه ارتباط برقرار کنند. مانند کار در گلدمن ساکس یا گوگل، اگر سه تا چهار سال در پروژه Kubernetes مشارکت داشته باشید، می‌توانید در هر کجا شغلی پیدا کنید.

برای کسب‌وکارها، هر هزینه‌ای که برای پرداخت به توسعه‌دهندگان، مهندسان با کیفیت، نویسندگان اسناد، مدیران برنامه‌ها و غیره برای کار بر روی Kubernetes سرمایه‌گذاری می‌شود، پتانسیل بازدهی قابل‌توجهی دارد، به‌ویژه زمانی که با تلاش‌های اختصاصی برای توسعه یک پایه کد گران قیمت مشابه مقایسه شود. اگر من یک تجارت اختصاصی باشم، ممکن است ۱۰۰ میلیون دلار در تحقیق و توسعه سرمایه گذاری کنم تا ۲۰۰ میلیون دلار بازدهی از فروش یک محصول داشته باشم. اگر من یک کسب و کار منبع باز هستم، ممکن است ۲۰ میلیون دلار سرمایه گذاری کنم در حالی که سایر سازمان ها ممکن است ۸۰ میلیون دلار باقی مانده را سرمایه گذاری کنند، اما هنوز ۲۰۰ میلیون دلار بازده دریافت می کنم. تعداد زیادی از کسب و کارهای ۱۰۰ تا ۳۰۰ میلیون دلاری با منبع باز ساخته شده اند، و بسیار بهتر است که دیگران به شما کمک کنند تا بودجه تحقیق و توسعه پایگاه کد خود را تأمین کنید!

این مدل برای هوش مصنوعی اهمیت بیشتری خواهد داشت زیرا هزینه های مرتبط با هوش مصنوعی نجومی است. و هر چه هوش مصنوعی محبوب تر شود و LLM ها بزرگتر شوند، هزینه ها بیشتر می شود. من در مورد هزینه‌ها صحبت می‌کنم، از افرادی که مدل‌های هوش مصنوعی را توسعه و نگهداری می‌کنند تا قدرت محاسباتی مورد نیاز برای اجرای آنها. اینکه هر سازمانی میلیاردها دلار را صرف مدل‌های بنیادی کند، به سادگی مقیاس نخواهد شد.

در حلقه‌های راه‌اندازی، عموماً می‌دانیم که سرمایه‌گذاری خطرپذیر نمی‌خواهد بر اساس فروش یک مدل بنیادی، هیچ کسب‌وکار جدیدی را تأمین مالی کند. این تا حدی به این دلیل است که رقابت بیش از حد وجود دارد (مثلاً متا و میسترال مدل‌های پایه خود را به صورت رایگان ارائه می‌کنند) و تا حدودی به این دلیل است که VCها پیش‌بینی می‌کنند که با ایجاد راه‌حل‌هایی در بالای این مدل‌های پایه، بازده سرمایه‌گذاری بهتری به دست آورند.

هزینه مالی یک معیار است و بار شناختی دیگری است. تعداد شرکت ها و افراد درگیر در پروژه Kubernetes فقط دارای مزایای مالی نیست. همچنین تضمین می کند که کد با انتظارات مطابقت دارد و معیارهای کیفیت را برآورده می کند. بسیاری از دست‌ها کار سبکی می‌سازند، اما ایده‌ها و تخصص و بررسی را نیز چند برابر می‌کنند. پروژه های هوش مصنوعی بدون چنین توده توسعه دهندگان حیاتی ناپایدار هستند و کیفیت یا سرعت یکسانی ندارند. این می تواند منجر به ادغام در فضای هوش مصنوعی شود، مانند ارکستراسیون کانتینر قبل از آن (Apache Mesos و Docker Swarm نمی توانند با Kubernetes رقابت کنند). جرم بحرانی در هوش مصنوعی بسیار مهم است زیرا ریسک ها به طور بالقوه بسیار بالاتر هستند. هرچه تعداد شرکت‌کنندگان کمتر باشد (و کمتر شرکت‌کنندگان با اصول منبع باز همسو باشند)، احتمال سوگیری و خطاهای بررسی‌نشده بیشتر می‌شود، که عواقب آن را در حال حاضر حتی نمی‌توانیم تصور کنیم.

از طرف دیگر، اگر همه در یک مدل منبع باز مشارکت داشته باشند، می‌توانیم درباره تریلیون‌ها پارامتر صحبت کنیم. بر اساس اصول منبع باز، این مدل ها (پارامترهای ۷B، ۷۰B، ۱T) می توانند بر اساس اندازه برای انواع چیزهای مختلف مورد استفاده قرار گیرند و همچنین به صورت شفاف آموزش داده می شوند. برای آموزش آن، می‌توانید بهترین و درخشان‌ترین ایده‌ها و بررسی‌ها را از همه این افراد مختلف دریافت کنید.

یک پیشنهاد ارزش قاتل

این یک پیشنهاد ارزش بسیار کشنده برای هوش مصنوعی منبع باز است: ارزان تر است، شامل ایده های عالی از بسیاری از افراد است و هر کسی می تواند از آن برای هر چیزی که می خواهد استفاده کند. پروژه بالادستی InstructLab — که تقریباً هر کسی را قادر می‌سازد LLM را در زمان کمتر و با هزینه کمتر بهبود بخشد. از آنچه در حال حاضر امکان پذیر است – تلاش می کند دقیقاً به آنچه توضیح دادم دست یابد.

همچنین، بخش زنجیره تامین هوش مصنوعی این را تخفیف ندهید. همه چیز در مورد کاهش ریسک است: آیا می خواهید این کار را به دست فروشنده ای بسپارید که مخفیانه همه این کارها را انجام می دهد؟ یا می‌خواهید آن را در جامعه متن‌باز منتشر کنید و به تعدادی از شرکت‌ها، سازمان‌های غیرانتفاعی، دولت‌ها و مشارکت‌کنندگان فردی اعتماد کنید – که با هم کار می‌کنند تا کارشان را نشان دهند و بررسی کنند – برای انجام این کار؟ من می دانم که کدام یک مرا کمتر عصبی می کند.

Kubernetes تنها پروژه منبع باز نیست که می تواند به عنوان یک مثال قدرتمند برای هوش مصنوعی باشد—لینوکس، هر کسی؟—اما خط زمانی نسبتاً کوتاه Kubernetes (تا کنون) تصویر روشنی از عواملی که منجر به موفقیت پروژه و نحوه انجام آن برای شرکت های تولید کننده، شرکت های خدماتی، غیرانتفاعی، دولت ها و سایر سازمان هایی که از آن استفاده می کنند.

یک محیط منبع باز که شامل مشارکت‌کنندگان زیادی است، که همگی با هم متحد شده‌اند تا افراد بتوانند از پروژه‌ها به روشی عاقلانه و ایمن استفاده کرده و آن‌ها را تنظیم کنند، تنها مسیر آینده واقعی برای هوش مصنوعی قابل اعتماد است. به‌جای تکیه بر نهادهای جهانی یا وابستگی متقابل اقتصادی، هوش مصنوعی منبع باز راه‌حلی ارائه می‌کند که باید هر سخت‌بین و شکاک، واقع‌گرایان تهاجمی که معتقدند اکثر شرکت‌های خصوصی بهترین کار را انجام نمی‌دهند، بلکه کاری را انجام می‌دهند که می‌توانند از پس آن برآیند. 🙂

در Red Hat، اسکات مک کارتی مدیر ارشد محصول RHEL Server است که مسلما بزرگترین تجارت نرم افزار منبع باز در جهان است. اسکات یک کهنه‌کار استارت‌آپ در شبکه‌های اجتماعی، یک تایمر قدیمی تجارت الکترونیک، و یک فن‌شناس تحقیقاتی دولتی است که تجربه زیادی در شرکت‌ها و سازمان‌های مختلف، از هفت نفر استارت‌آپ تا ۱۲۰۰۰ شرکت فناوری کارمند دارد. این به یک دیدگاه منحصر به فرد در توسعه، تحویل و نگهداری نرم افزار منبع باز ختم شده است.

—

New Tech Forum مکانی برای کاوش و بحث در مورد فناوری سازمانی نوظهور در عمق و وسعت بی سابقه ای فراهم می کند. انتخاب ذهنی است، بر اساس انتخاب ما از فناوری هایی که معتقدیم مهم هستند و برای خوانندگان InfoWorld بیشترین علاقه را دارند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. همه سوالات را به newtechforum@infoworld.com ارسال کنید.