NVIDIA obniża koszt trenowania modeli. To przyszłość sztucznej inteligencji

NVIDIA przedstawiła wizję rozwoju sztucznej inteligencji, wskazując, że w kolejnych latach jednym z najważniejszych etapów budowy modeli stanie się proces udoskonalania systemów AI już po zakończeniu podstawowego treningu. Według firmy właśnie ten element będzie miał coraz większy wpływ na możliwości nowoczesnych agentów AI, którzy zamiast jedynie odpowiadać na pytania mają samodzielnie planować działania, korzystać z narzędzi i dostosowywać się do zmieniających się warunków.

NVIDIA podkreśla, iż modele generatywne różnią się od agentów AI przede wszystkim sposobem pracy. Zamiast wygenerować pojedynczą odpowiedź otrzymują cel do wykonania, a następnie podejmują kolejne decyzje, analizują wyniki swoich działań oraz korygują strategię podczas realizacji zadania. Taki sposób działania wymaga jednak stałego doskonalenia modeli również po ich wdrożeniu.

NVIDIA o przyszłości AI

Producent wyjaśnia, iż post training nie jest już jednorazowym etapem kończącym rozwój modelu, lecz procesem prowadzonym praktycznie bez przerwy. W miarę pojawiania się nowych zastosowań, zmian w środowisku pracy oraz kolejnych przypadków napotykanych przez użytkowników modele mają być regularnie aktualizowane i trenowane z wykorzystaniem nowych danych oraz mechanizmów uczenia przez wzmacnianie.

NVIDIA przedstawiła wizję rozwoju sztucznej inteligencji, wskazując, że w kolejnych latach jednym z najważniejszych etapów budowy modeli stanie się proces udoskonalania systemów AI już po zakończeniu podstawowego treningu. Według firmy właśnie ten element będzie miał coraz większy wpływ na możliwości nowoczesnych agentów AI, którzy zamiast jedynie odpowiadać na pytania mają samodzielnie planować działania, korzystać z narzędzi i dostosowywać się do zmieniających się warunków.

W tym celu NVIDIA rozwija autorskie oprogramowanie NeMo, obejmujące między innymi biblioteki NeMo RL oraz NeMo Gym, które pozwalają tworzyć środowiska treningowe i prowadzić rozproszone procesy uczenia na dużą skalę. Firma przekonuje, że takie podejście upraszcza wdrażanie modeli AI oraz ułatwia ich dalszy rozwój w zastosowaniach komercyjnych.

Sprzęt, który odegra swoją rolę

Istotnym elementem całej strategii pozostaje także sprzęt. NVIDIA wskazuje, iż platformy Blackwell obniżają koszt wykonywania kolejnych cykli post training. Natomiast zapowiedziana architektura Vera Rubin ma jeszcze bardziej zwiększyć wydajność i umożliwić trenowanie największych modeli przy wykorzystaniu znacznie mniejszej liczby procesorów graficznych niż obecna generacja.

Użycie tej technologii w praktyce

Przykładem praktycznego wykorzystania tej infrastruktury są partnerzy firmy. Prime Intellect rozwija otwarte modele AI wykorzystując platformę Blackwell i planuje przejście na Vera Rubin, a Perplexity prowadzi procesy post training na setkach procesorów graficznych NVIDII przed wdrażaniem modeli do obsługi użytkowników. Z kolei Together AI oferuje post training jako usługę dla przedsiębiorstw, wykorzystując platformę sprzętową Zielonych do trenowania modeli zgodnie z wymaganiami klientów.

W praktyce dzięki temu modele AI mogą szybciej uczyć się nowych zadań, lepiej reagować na zmieniające się potrzeby oraz otrzymywać częstsze aktualizacje poprawiające ich możliwości bez konieczności budowania wszystkiego od początku.

Coraz więcej firm rozwijających sztuczną inteligencję przechodzi na agentów AI, dlatego koszt ich ciągłego trenowania staje się równie istotny jak wydajność samego sprzętu.