当英特尔联合创始人兼首席执行官戈登·摩尔提出一个后来被称为摩尔定律的假设时,穆罕默德·阿里刚刚成为世界重量级拳王一年。也就是说,集成电路(IC)上的晶体管数量大约每两年就会增加一倍。
1965 年,这是一件令人兴奋的事情: 《电子杂志》的一篇文章中的观察表明,随着时间的推移,我们可以期望我们的计算机以更低的成本变得更快、更强大。几十年过去了,摩尔的理论随着技术变革速度的加快而受到检验。在大多数情况下,这是正确的。然而,机器学习 (ML) 领域的最新进展即使不是彻底的威胁,也对法律的可行性提出了有趣的挑战。
摩尔定律的可持续性
半个多世纪以来,摩尔定律一直在推动技术进步,成为类似于不可侵犯的定律。然而,当我们接近电路小型化的原子极限时,观察的可持续性正在受到严格的审查。
缩小电路的物理局限性正变得越来越明显。 2015年,英特尔自己承认摩尔定律放缓,并指出两年的节奏已放缓至大约2.5年。 25% 的增长清楚地表明我们正在接近现代半导体技术的物理和实际极限。更重要的是,英特尔首席执行官帕特·基辛格(Pat Gelsinger)去年修改了他之前的言论,承认2.5年现在已经变成了3年——同时承诺将尽一切努力跟上摩尔定律的步伐。
这一切都不足为奇。摩尔本人否认了自己的定律,认为“没有像这样的指数会永远持续下去”。事实上,工程师很难预见到机器学习以及人工智能 (AI)、云计算和物联网 (IoT) 等相关领域不断增长的需求,给硅芯片行业带来如此大的压力。六十年代中期。
如今,机器学习需求的增长速度超过了处理能力的增长速度,在过去 18 个月中,需求激增了 10 倍,而处理能力则增长了 3 倍。不言而喻,这种差异对机器学习的未来发展构成了重大障碍,可能导致创新和应用的瓶颈。
深度学习的计算需求和处理能力增长之间不断扩大的鸿沟可能不容易预测,但这是现代技术专家必须解决的问题。这种差异不仅表明机器学习应用程序的可扩展性存在潜在限制,特别是当模型变得更加复杂和数据密集时,而且还表明技术变革速度普遍放缓。
有些人可能会认为这并不是一件坏事:它将使我们所有人重新与自然联系并变得更加活在当下。但人类的进步实际上并不是这样的:当精灵出去时,不可能将其放回瓶子里。当道路已经走完之后,我们就必须有条不紊地前进——否则就会面临倒退。
摩尔定律问题的新解决方案
在这种令人不安的背景下,新颖的解决方案不断涌入市场。 io.net 就是其中之一,旨在通过利用现有GPU 计算资源来提高全球处理效率,从而弥合日益扩大的鸿沟。换句话说,如果计算无法满足机器学习需求,那么我们就让计算更好地发挥作用。
io.net 最近推出的去中心化物理基础设施 (DePIN) 网络是其价值主张的关键支柱。通过利用遍布全球的 GPU 和 CPU 的未开发潜力,DePIN 网络提供了可持续且可扩展的解决方案,以满足 ML 不断增长的需求。该模型涉及奖励那些向网络贡献/出租 GPU 和 CPU 能力的人。与此同时,人工智能初创公司和机器学习工程师可以按需访问必要的 GPU 计算,而无需支付通常与此类资源相关的高昂成本。
通过从全球用户网络提供无需许可、按需的 GPU/CPU 访问,io.net 实现了对聚合处理能力的民主化访问,同时确保现有资源的高效利用。此功能可显着节省计算成本、快速部署云集群以及公平定价。
随着机器学习需求与处理能力增长之间的差距不断扩大,像 io.net 这样的创新解决方案将变得至关重要。
在最大限度地提高现有 GPU 和 CPU 资源的效率和可访问性的过程中,io.net 不仅提供了解决摩尔定律步伐放缓带来的限制的解决方案,而且还提供了解决方案。它为这两个领域的持续创新和进步奠定了基础。
当然,其他因素也同样重要:资本投资就是其中之一。想要芯片算力翻倍,按理说研发预算必须同步增加。政府补助、行业合并和合资企业等也很重要。
遗憾的是,戈登·摩尔 (Gordon Moore) 于 2023 年去世,但他的同名定律在今天比 60 年代更具有现实意义。