فناوری و فناوری املاک به زبان ساده

چرا جابه‌جایی داده برای تراشه هوش مصنوعی مهم است؟

اعلام مایکروسافت در ۱۲ اکتبر، اهمیت جابه‌جایی داده در زیرساخت هوش مصنوعی را مطرح می‌کند. این توضیح، پیش‌بینی عملکرد فروشنده را تکرار نمی‌کند.

نویسنده: احمدرضا صمدی · ۱۴ اکتبر ۲۰۲۶ · نسخه انگلیسی

نمودار مفهومی اصلی، اسلاید 1. اعلام مایکروسافت در ۱۲ اکتبر، اهمیت جابه‌جایی داده در زیرساخت هوش مصنوعی را مطرح می‌کند. این توضیح، پیش‌بینی عملکرد فروشنده را تکرار نمی‌کند. — کاروسل اصلی با رنگ هلویی پاستلی و نمودارهای ساده‌شده برای توضیح.

آموزش و استنتاج

آموزش، پارامترهای مدل را تغییر می‌دهد. استنتاج از مدل آموزش‌دیده برای تولید نتیجه از ورودی استفاده می‌کند. موضوع این خبر، استنتاج است.

سه پرسش کاربردی

چارچوب پیشنهادی ما سه پرسش دارد: مدل و اندازه ورودی چیست، پاسخ مفید چقدر زمان می‌برد و انرژی و هزینه کل سامانه چقدر است؟ شرط کیفیت خروجی را ثابت نگه دارید.

چارچوب پیشنهادی

ابتدا کار را تعریف کنید، سپس گلوگاه را پیدا کنید و نتیجه کامل را آزمایش کنید. این چارچوب اصلی آموزشی است؛ هیچ آزمون تراشه، صرفه‌جویی اندازه‌گیری‌شده یا رتبه‌بندی فروشنده ادعا نمی‌شود.

داده و خبر تازه

منبع: Microsoft 12 October Maia announcement

آموزش و استنتاج

منبع: IBM: What is AI inference?

انتظار برای داده

واحد محاسباتی عملیات را انجام می‌دهد، اما داده مدل و اطلاعات کاری باید از حافظه به آن برسند. انتظار برای داده می‌تواند کار مفید را محدود کند.

منبع: IBM: What is AI inference?

تشبیه آشپزخانه

آشپزی را با مواد اولیه تصور کنید. آشپز سریع هم ممکن است منتظر تحویل مواد بماند. نگهداری نزدیک می‌تواند بعضی رفت‌وآمدها را کم کند. این تشبیه است، نه نقشه واقعی تراشه.

منبع: IBM: What is AI inference?

کل سامانه

خدمت‌رسانی به کاربران متعدد به حافظه، ارتباط و زمان‌بندی هم وابسته است. یک عدد عملکرد تراشه، همه بارهای کاری را توصیف نمی‌کند.

منبع: IBM: What is AI inference?

امروز و برنامه آینده

مایکروسافت می‌گوید Maia 200 در بارهای کاری عملیاتی استفاده می‌شود و استقرار عملیاتی Maia 300 را برای سال ۲۰۲۷ برنامه‌ریزی کرده است. برنامه، مدرک استقرار امروز نیست.

منبع: Microsoft 12 October Maia announcement