- Aģentu mākslīgais intelekts attīstās tālāk par ģeneratīvajiem modeļiem, autonomi plānojot un izpildot sarežģītus operacionālus uzdevumus, lai sasniegtu konkrētus mērķus.
- Pusvadītāju nozare izmanto dziļās pastiprināšanas mācīšanās un aģentūru sistēmas, lai optimizētu telpu plānošanu, uzlabojot mikroshēmu ātrumu un energoefektivitāti.
- Dažāda aparatūras ekosistēma, sākot no NVIDIA GPU līdz specializētām ASIC, piemēram, Google TPU un Groq LPU, veicina pāreju uz autonomiem mākslīgā intelekta aģentiem.
Vai esat kādreiz domājuši, kā īsti tiek sakārtoti sīkie silīcija gabaliņi jūsu tālrunī? Tā ir prātu mulsinoša mīkla, kurā miljardiem tranzistoru jāizvieto ar ķirurģisku precizitāti. Gadu desmitiem tas ir bijis nopietnas zinātnes un nedaudz mākslas formas sajaukums, paļaujoties uz cilvēku inženieriem, kas nedēļām vai mēnešiem ilgi pielāgo izkārtojumu, lai pārliecinātos, ka ierīce nepārkarst un neaiztur. Taču mēs ieejam jaunā laikmetā, kurā mašīnas ne tikai palīdz mums rakstīt kodu, bet tās faktiski vada projektēšanas procesu.
Šīs pārmaiņas virza tā sauktais aģentu mākslīgais intelekts (Agentu mākslīgais intelekts). Atšķirībā no tērzēšanas robotiem, ko izmantojam e-pastu apkopošanai, šī tehnoloģija ne tikai runā; tā rīkojas un izpilda . Apvienojot lielo valodu modeļu spriešanas jaudu ar autonomu plānošanu, aģentu mākslīgais intelekts risina pusvadītāju arhitektūras milzīgo sarežģītību, pārvēršot procesu, kas agrāk ilga mūžību, par kaut ko tādu, kas notiek dažu stundu laikā.
Kas īsti ir aģentu mākslīgais intelekts?
Lai to izprastu, vispirms ir jānovērš bieži sastopama neskaidrība: ne katrs mākslīgais intelekts, kas izmanto tiesību zinātņu maģistra programmu (LLM), ir “aģents”. Lai gan ģeneratīvais mākslīgais intelekts lieliski prot ģenerēt tekstu vai attēlus, pamatojoties uz uzvedni, aģentiskais mākslīgais intelekts ir vērsts uz mērķu sasniegšanu . Tas ne tikai sniedz recepti; tas dodas uz virtuvi, atrod sastāvdaļas un pagatavo ēdienu jūsu vietā. Tam piemīt autonomija, plānošanas iespējas un spēja izmantot tādus rīkus kā API un datubāzes, lai paveiktu darbu bez cilvēka klātbūtnes katrā solī.
Maģija notiek nepārtrauktā ciklā. Vispirms aģents interpretē mērķi, pēc tam sadala to uzdevumu secībā . Tas izvēlas pareizos rīkus, izpilda darbību un pēc tam pārbauda savu darbu. Ja kaut kas nav kārtībā, tas atkārto un izlabo problēmu. Šī pāreja no “otrajiem pilotiem” uz “aģentiem” nozīmē, ka mēs pārejam no rīkiem, kas palielina individuālo produktivitāti, uz sistēmām, kas no jauna definē visas uzņēmuma darbības.
Runājot par daudzaģentu sistēmām , tas kļūst vēl foršāk. Iedomājieties specializētu mākslīgā intelekta aģentu komandu: viens veic izpēti, otrs analizē datus, bet trešais ģenerē galīgo ziņojumu. Viņi koordinē un apmainās ar informāciju tāpat kā cilvēku komanda, padarot visu procesu daudz mērogojamāku un elastīgāku.
Revolucionāra pusvadītāju izstrāde
Mikroshēmas projektēšana būtībā ir līdzīga augstu likmju Tetris spēles spēlēšanai ar miljoniem loģisko vārtu un atmiņas bloku . Mērķis ir "stāvu plānošana" jeb šo komponentu izvietošanas māksla, lai samazinātu siltumu un palielinātu ātrumu. Iespējamo konfigurāciju skaits ir praktiski bezgalīgs — burtiski vairāk nekā zvaigžņu Visumā . Ilgu laiku šīs darbības automatizācija tika uzskatīta par neiespējamu sapni.
Tad sekoja izrāviens, izmantojot dziļo pastiprinājuma mācīšanos . Uztverot mikroshēmu dizainu kā spēli, kurā mākslīgais intelekts saņem "atlīdzību" par optimizētu izkārtojumu, tādas sistēmas kā Google Brain izstrādātās ir sākušas pārspēt cilvēku ekspertus . Šie mākslīgā intelekta aģenti neievēro tradicionālo cilvēka intuīciju; tie bieži rada organiskus, noapaļotus dizainus , kas inženierim izskatās dīvaini, bet darbojas lieliski, ievērojami samazinot enerģijas patēriņu un latentumu.
Tas nav tikai teorētiski. Daļa no šiem mākslīgā intelekta izstrādātajiem izkārtojumiem jau atrodas tenzoru apstrādes blokos (TPU) , padarot mākslīgā intelekta algoritmus ātrākus un efektīvākus. Noslēdzot ciklu — izmantojot mākslīgo intelektu, lai izstrādātu aparatūru, kas pēc tam darbina mākslīgo intelektu, — mēs redzam milzīgu efektivitātes lēcienu , kas varētu iedvest jaunu dzīvību izzūdošajam Mūra likumam.
Aģentu ēras aparatūra
Augsta līmeņa aģentu nevar palaist uz vienkāršas aparatūras. Starp GPU un ASIC notiek milzīga cīņa . GPU, kuros dominē tādi ražotāji kā NVIDIA un AMD, ir mākslīgā intelekta pasaules Šveices armijas naži — elastīgi un lieliski piemēroti gan apmācībai, gan secinājumu izdarīšanai. No otras puses, lietojumprogrammām specifiskas integrētās shēmas (ASIC) , piemēram, Google TPU, vai mākslīgā intelekta paātrinātāji, piemēram, Maia 200 , ir izstrādāti vienam konkrētam uzdevumam, piedāvājot izcilu veiktspēju uz vatu.
Ainava ir pilna ar novatoriem. Kamēr NVIDIA ar savu Blackwell arhitektūru dominē datu centru tirgū , tādi uzņēmumi kā AMD cīnās ar MI300 sēriju. Tikmēr parādās jauna jaunuzņēmumu paaudze. SambaNova Systems virza rekonfigurējamas datu vienības (RDU) aģentu darba slodzēm, un Cerebras veido vafeļu mēroga dzinējus, kas būtībā ir milzīgas mikroshēmas šķīvja lielumā, lai novērstu atmiņas sastrēgumus.
Mēs arī novērojam tendenci uz ārkārtēju specializāciju . Tādi uzņēmumi kā Taalas burtiski iestrādā mākslīgā intelekta modeļus tieši silīcijā, radot "cietas kodola" modeļus, kas ir neticami ātri un energoefektīvi . Sākot ar Vaire atgriezenisko skaitļošanu un beidzot ar Mythic analogajām pieejām, mērķis ir viens: pārraut termisko barjeru un samazināt intelekta enerģijas izmaksas .
Aģentu mākslīgā intelekta ieviešana: praktisks ceļvedis
Ja organizācija vēlas ienirt aģentūru darbības dziļumā, tā nevar vienkārši pārslēgt slēdzi. Tam nepieciešama strukturēta 8 soļu pieeja . Viss sākas ar kristālskaidru mērķu definēšanu. Tā kā šīm sistēmām ir zināma autonomijas pakāpe, ir jānosaka stingras robežas to darbības jomai , lai novērstu pārdomātu lēmumu pieņemšanu, kas varētu sagraut sistēmu.
- Izturība un uzticamība: Galveno darbības rādītāju (KPI) noteikšana un “modeļa novirzes” vai negaidītas uzvedības uzraudzība.
- Drošības slāņi: Tehnisko apsardzes ieviešana un cilvēks-cilpā kontrolpunkti, lai novērstu ļaunprātīgu izmantošanu.
- Izskaidrojamība: Nodrošinot, lai mākslīgā intelekta lēmumu pieņemšanas process nebūtu “melnā kaste”, ļaujot inženieriem izsekot un apstiprināt katru kustību.
- Konfidencialitāte un atbilstība: Pārbaude, vai esošie uzņēmuma noteikumi attiecas uz sistēmu, kas mijiedarbojas autonomi ar citu programmatūru.
Tehniskā puse balstās uz tādiem ietvariem kā LangChain, CrewAI un Microsoft Semantic Kernel . Šie rīki ļauj izstrādātājiem savienot tiesību zinātņu speciālistus (LLM) ar reālo pasauli, izmantojot API. Tomēr īstais noslēpums ir daudznozaru sadarbība . Lai pamanītu aklos punktus un nodrošinātu, ka mākslīgais intelekts nehalucinē risinājumu, ko fiziski nav iespējams izgatavot uz silīcija, ir nepieciešams dažādu perspektīvu kopums.
