ELM – Eine Lösung für das Stromproblem

Das US-Stromnetz wird ohne erhebliche Investitionen einfach nicht in der Lage sein, die erhöhte Belastung zu bewältigen – Goldman Sachs beziffert die erforderlichen Investitionen auf über 50 Milliarden US-Dollar. Dies geschieht zu einer Zeit, in der das Land bereits zu erheblichen Investitionen in die Modernisierung des Netzes verpflichtet ist (22 Milliarden US-Dollar seit 2021), um den wachsenden Anforderungen gerecht zu werden, die sich aus nationalen Initiativen zur Abkehr von Erdgasgeräten, zur Expansion des Elektrofahrzeugmarkts, zum Krypto-Mining-Betrieb und im Inland ergeben Die steigende Nachfrage nach Strom stellt eine erhebliche Herausforderung dar, insbesondere angesichts der alternden Infrastruktur des US-amerikanischen Stromnetzes. Um den wachsenden Bedarf zu decken, sind erhebliche Investitionen von entscheidender Bedeutung. Goldman Sachs hat den dringenden Bedarf an Netzmodernisierungen im Wert von über 50 Milliarden US-Dollar hervorgehoben. Dies geschieht zu einem Zeitpunkt, an dem das Land bereits erhebliche Anstrengungen unternimmt, um die Netzkapazität zu verbessern. Seit 2021 wurden rund 22 Milliarden US-Dollar für diese Modernisierungen bereitgestellt. Diese Initiativen zielen darauf ab, die steigenden Anforderungen zu unterstützen, die sich aus den nationalen Bemühungen zur Abkehr von Erdgasgeräten ergeben, den Markt für Elektrofahrzeuge zu stärken, Krypto-Mining-Betriebe zu ermöglichen und die inländische Produktion zu fördern. Darüber hinaus besteht ein dringender Bedarf, sich vor Störungen zu schützen, die durch extreme Wetterereignisse oder das steigende Risiko von Cyberangriffen verursacht werden.

Lösungen für große Probleme können überraschend klein sein

Wir sind schon früher mit ähnlichen Herausforderungen konfrontiert; Im Jahr 2023 haben wir auf Bundesebene von Glühlampen auf energieeffiziente Alternativen umgestellt, um den Strombedarf unserer nationalen Infrastruktur zu verringern. Obwohl keine einzelne Glühbirne ein wesentliches Problem darstellte, hatte die schiere Größe einen erheblichen Einfluss. In ähnlicher Weise entstehen derzeit KI-Anwendungen, die ein breites Einsatzspektrum bieten und möglicherweise nur durch ihre Effizienz im großen Maßstab begrenzt sind. Heutzutage ist KI stark auf Grafikprozessoren (GPUs) angewiesen, bei denen es sich um spezialisierte Prozessoren handelt, die ursprünglich zur Beschleunigung der Grafikwiedergabe entwickelt wurden. Die parallele Struktur von GPUs eignet sich auch ideal für das traditionelle KI-Modelltraining von Anwendungen und wird häufig in der künstlichen Intelligenz der Dinge (AIoT) eingesetzt, was im großen Maßstab Bedenken hinsichtlich der Effizienz aufwirft. KI-Unternehmen nutzen praktisch zu viel die fortschrittlichsten und energieintensivsten Prozessoren, um einige ihrer einfachsten Anwendungsanforderungen zu erfüllen. Während ein einheitlicher Ansatz in frühen KI-Anwendungen funktionieren kann, kann er einfach nicht der nachhaltige Standard für alle KI-Implementierungen sein.

Die Unfähigkeit, die Sicherheit, Skalierbarkeit und Effizienz von KI-Lösungen an bestimmte Anwendungen anzupassen, ist nicht anders als mit einem Traktoranhänger zu fahren, um Ihre Einkäufe abzuholen. Obwohl es sicherlich seinen Zweck erfüllen wird, ist es für die meisten Aufgaben nicht optimiert, da es äußerst ineffizient und teuer ist. Es ist dieses Missverhältnis zwischen den Anwendungsanforderungen, das zu einer Vielzahl unbeabsichtigter Konsequenzen führt. Die wachsende Nachfrage nach KI ist unbestreitbar, aber wenn KI auf GPUs angewiesen ist, überlasten die daraus resultierenden Anwendungen unsere ohnehin fragile Infrastruktur Infrastruktur. Unternehmen wie Brand Engagement Network Inc. oder BEN BNAI haben dies erkannt und ihre Lösungen optimiert, um die Leistung und Leistung von KI auf eine Weise bereitzustellen, die skalierbar und unterstützbar ist.

BEN's ELM – Eine Lösung für das Stromversorgungsproblem

Und wie macht BEN das? Durch seine Efficient Language Models (ELMs): eine Kombination aus Aufteilung und Optimierung von Sprachmodellen für spezielle Aufgaben. Diese zum Patent angemeldete Technologie konzentriert sich auf Effizienz und Anwendungsspezialisierung, was im Gegensatz zu traditionelleren LLMs wie denen von OpenAIs ChatGPT steht, die versuchen, alles für generative Zwecke in einem wahllosen Modell zu verallgemeinern.

Obwohl dies nur ein kleiner Unterschied zu sein scheint, unterscheidet sich die erforderliche Rechen- und Verarbeitungsleistung bei jedem Ansatz erheblich. Wenn herkömmliche LLMs All-Inclusive-Modelle nutzen, bedeutet das, dass ihre Lösungen nicht definiert sind. Sie beauftragen ihre KI-Lösung damit, alle Anforderungen aller Herausforderungen oder Anwendungen zu erfüllen. Dies erhöht nicht nur die Wahrscheinlichkeit generierter Fehler, sondern erfordert auch eine umfangreiche Parallelverarbeitung und, wenn mit dem Ziel zeitnaher Antworten gearbeitet wird, den Einsatz von GPUs. BENs ELM hingegen konzentriert sich auf definierte Anwendungsanforderungen und ermöglicht eine sichere, kleine und konzentrierte Lösung. Dies bedeutet, dass mit dem ELM angestrebte Lösungen mit den begrenzten Ressourcen von CPUs ausgeführt werden können, die leichter verfügbar sind, deutlich kostengünstiger sind und weniger Rechenleistung verbrauchen.

Abhängigkeiten von CPUs bieten viele weitere Bereitstellungsoptionen, einschließlich SaaS, Private Cloud, Mobile und On-Prem-Lösungen, bei denen Branchen wie das Gesundheitswesen und die Finanzdienstleistungen Schwierigkeiten haben, das potenzielle Risiko von Datenschutzverletzungen und -lecks zu minimieren. Typischerweise sind CPUs deutlich günstiger in der Bereitstellung und im Betrieb, bereits auf dem Markt etabliert und, was am wichtigsten ist, in großen Mengen verfügbar. Dies ist bei GPUs nicht der Fall, die sich mitten in einem Verfügbarkeitsproblem befinden, das sogar Elon Musk dazu gezwungen hat, bei der Beschaffung dieser Verarbeitungseinheiten für seine verschiedenen Unternehmen kreativ zu werden.

ELM + RAFT: Leistungsstarke und dennoch effiziente Kombination

BENs ELM erweitert außerdem RAFT-Systeme (Retrieval Augmented Fine-Tuning), um sicherzustellen, dass seine Anwendungen zuverlässig, vorhersehbar und effizient sind. Eine große Herausforderung durch KI ist das Risiko von „Halluzinationen“, bei denen KI irreführende oder völlig falsche Antworten gibt, weil die KI auf unbekannten Datenquellen basiert und darauf ausgelegt ist, auf jeden Fall eine Antwort zu generieren. Halluzinationen ähneln stark der verschwendeten Wärmeenergie von Glühlampen. Sie erfordern immer noch die gleiche Leistung, um die Reaktion zu erzeugen, sind jedoch eine unbeabsichtigte Folge der herkömmlichen LLM-Technologie. Einige Schätzungen deuten darauf hin, dass Halluzinationen auftreten können

Das obige ist der detaillierte Inhalt vonELM – Eine Lösung für das Stromproblem. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!