TWIN-TECH – Twin Transition for VET Resilience
Project number: 2025-1-SI01-KA220-VET-000360870
Program: Erasmus+ KA220-VET
Project website: twin-tech.eu
Ali za nakup živil res potrebujemo Bugattija?
Združene države gradijo podatkovne centre. Preostali svet skrbno opazuje, kaj se tam dogaja. Umetna inteligenca porabi veliko računalniške moči. Podjetja gradijo nove stavbe. Podjetja postavijo transformatorske postaje, hladilne sisteme in daljnovode. Veliko ljudi išče nove vire elektrike.
To pa pomeni tudi odpor.
Po vseh ZDA se lokalne skupnosti upirajo zaradi porabe električne energije, vode, hrupa, rabe prostora in stroškov potrebne infrastrukture. Nekateri projekti so se premikali počasneje. Nekateri projekti niso imeli veliko možnosti. Nekateri projekti so obstali. Amerika tako postaja nekakšen laboratorij za vse ostale: kaže nam, kaj lahko umetna inteligenca v velikem obsegu omogoči, hkrati pa tudi, kaj se zgodi, ko se njene potrebe po virih zaletijo v interese ljudi, ki živijo v neposredni bližini.
Najbolj jasen odgovor je, da ljudje zgradijo nove elektrarne in naredijo boljše hladilne sisteme. Obstaja pa še eno vprašanje.
Ali zares potrebujemo toliko računalniške moči?
Predstavljajte si nekoga, ki gre po živila z Bugattijem. To je neverjeten avtomobil. Ta avto je res hiter. Ljudje so mislili, ko so ta avto delali. Avto zmore stvari, ki jih drug avto ne zmore. Naš voznik spektakularno prispe do trgovine, kupi mleko, kruh, krompir in hrano za ves teden, nato pa pride nazaj do avtomobila in odkrije težavo. Polovice nakupa nima kam dati. Poleg njega je nekdo prišel z Renaultom. Nihče se ne ustavlja in ga fotografira. Lastnik odpre prtljažnik, da stvari v prtljažnik in se odpelje domov.Za nakup živil je Renault boljši stroj.
Približno na tej točki smo danes tudi pri umetni inteligenci. Današnji grafični procesorji oziroma GPU-ji so tehnološki Bugattiji. So izjemno zmogljivi in prilagodljivi. Ista strojna oprema lahko danes uči jezikovni model, jutri ustvarja slike, izvaja simulacije ali počne nekaj povsem tretjega. Takšna prilagodljivost je pri razvoju umetne inteligence ključnega pomena.
Ko pa je model enkrat naučen, velik del dela postane ponavljajoč. Podatkovni center lahko isti model požene milijonkrat. Za ponavljanje naloge, ki jo že zelo dobro poznamo, uporabljamo izjemno prilagodljiv in zmogljiv stroj.
Tu postane zanimiv Taalas.
Namesto da bi izdelali splošni računalniški procesor in nanj naložili model umetne inteligence, pri Taalasu model precej bolj neposredno vgradijo v sam čip. Njihovo geslo je preprosto: model je računalnik. GPU si lahko predstavljamo kot izjemno sposobnega kuharskega mojstra z ogromno kuhinjo. Dajte mu recept in sestavine in pripravi lahko skoraj karkoli. Taalas pa je bolj podoben napravi, izdelani posebej za pripravo ene določene jedi. Ne more kar naenkrat pripraviti vsega z jedilnika, lahko pa svojo jed pripravi izredno hitro, ne da bi moral ves čas hoditi po sestavine v omare.
Taalas je koncept predstavil s sistemom HC1, na katerem je izvajal model Llama 3.1 8B. Podjetje navaja približno 17.000 žetonov oziroma tokenov na sekundo na uporabnika ter zasnovo, ki se izogne delu dragega pomnilnika in naprednega pakiranja čipov, ki ju uporabljajo običajni pospeševalniki za umetno inteligenco. Avgusta 2026 je AMD napovedal načrt za prevzem podjetja Taalas in uporabo njegove tehnologije ob procesorjih AMD Instinct.
Prav ta zadnji del morda kaže proti bolj zanimivi prihodnosti. Ne Taalas namesto GPU-jev. Oboje.
Predstavljaj si mešani podatkovni center. Splošnonamenski GPU-ji so še vedno na voljo za učenje modelov. Uporabnik lahko uporablja te GPU-je za preizkus. Splošnonamenski GPU-ji pomagajo tudi pri nalogah, kjer uporabnik ne pozna vseh podrobnosti vnaprej. Poleg njih pa delujejo specializirani procesorji za naloge, ki se izvajajo neprestano in vedno na zelo podoben način.
Raziskovalni inštitut za materiale lahko uporablja namensko strojno opremo za uveljavljene modele. Ti modeli gledajo molekularne strukture. Bolnišnica ima posebne sisteme za preverjene modele. Ti modeli pomagajo pri branju slik računalniške tomografije. Farmacevtske raziskave pogosto uporabljajo stabilne modele za pregled proteinov. Tak pristop pomaga najti pomembne podatke o proteinov. Farmacevtske raziskave s temi modeli hitreje pregledajo delovanje proteinov. V tovarnah podjetja uporabljajo posebne sisteme za strojni vid. Sistemi pomagajo pri nadzoru kakovosti. Podjetja uporabljajo sisteme tudi za predvidevanje vzdrževanja.
- Ko dobimo novo ali čudno nalogo, jo pošljemo Bugattiju.
- Ko moramo isto nalogo opraviti deset milijonovkrat, jo prepustimo Renaultu.
- Ta način lahko spremeni tudi kraj, kjer umetna inteligenca dela.
Gorenje ne rabi velikega podatkovnega centra za uporabo umetne inteligence v proizvodnji, vzdrževanju ali pri nadzoru kakovosti. Turna bi jo morda potrebovala za ozek nabor proizvodnih nalog. Premogovnik Velenje bi lahko uporabljal lokalne sisteme za industrijski nadzor, podatke o opremi ali tehnično dokumentacijo.
Ko posebna strojna oprema naredi umetno inteligenco manjšo in cenejšo, podjetje lahko nekatere računalnike premakne iz velikih podatkovnih centrov. Podjetje, bolnišnica ali univerza lahko potem uporablja umetno inteligenco kar na svojem mestu. Prav tako lahko lokalne ustanove dobijo take naprave za svoje delo.
Umetna inteligenca gre tja, kjer so podatki.
Občutljivi podatki o proizvodnji bi lahko ostali znotraj podjetja. Zdravstveni podatki bi lahko ostali v bolnišnični infrastrukturi. Raziskovalci bi imeli nadzor nad glavnimi zbirkami podatkov. Organizacijam ne bi bilo treba vsega pošiljati oddaljenemu ponudniku storitev v oblaku samo zato, da bi lahko uporabljale umetno inteligenco.
Ta način lahko prinese umetno inteligenco do več ljudi. Namesto da so vse glavne zmogljivosti na nekaj velikih podatkovnih kampusih, bi bili uporabni sistemi nameščeni na tisočih manjših krajih.
Seveda so tudi meje.
Specializirana strojna oprema je — specializirana. GPU lahko jutri uporabimo za nekaj povsem drugega. Čip, zasnovan okoli določenega modela, se po programski posodobitvi ne more preprosto spremeniti v nekaj povsem drugega. Modeli se hitro menjajo. Proizvodnja silicijevih čipov vzame veliko časa in veliko denarja. Taalas mora še pokazati svoj pristop v več krajih. Najvišje številke za zdaj prihajajo iz Taalasovega lastnega tehnološkega prikaza.
Nima smisla, da ima vsak svoj delovni proces. Raziskave, razvoj novih modelov in naloge, kjer ni mogoče predvideti vsega, bodo še naprej zahtevali prilagodljivo strojno opremo. Toda to ni argument proti specializaciji. Je argument za uporabo pravega stroja za pravo nalogo.
Koristi bi lahko bile precejšnje: podatkovni centri z manjšo porabo električne energije in manjšimi zahtevami po hlajenju, nižji stroški ponavljajočih se nalog umetne inteligence, manjši lokalni sistemi, večji nadzor nad podatki, manjša odvisnost od peščice ponudnikov storitev v oblaku ter večja odpornost v primeru izpada zunanjih storitev ali internetne povezave.
Takšen pristop bi lahko zmanjšal tudi sedanjo navado, da vsak nov problem na področju umetne inteligence rešujemo tako, da preprosto dodamo še eno omaro drage splošnonamenske računalniške opreme.
Ameriški razcvet podatkovnih centrov pokaže, kaj se zgodi, ko veliko povpraševanje po računski moči naleti na meje električnega omrežja, vodo, prostor in ljudi v okolici.
Lekcija ni nujno, da je umetna inteligenca sama po sebi nevzdržna. Morda jo preprosto še vedno zagotavljamo na drag in z viri potraten način. Včasih Bugattija res potrebujemo. Potrebujemo hitrost. Hočemo prilagodljivost. Potrebujemo dober inženiring. Če je naloga kupiti mleko in krompir, umetna inteligenca ne rabi novega športnega avta. Morda potrebuje Renaulta z dovolj velikim prtljažnikom.
