Google'un Gemini modelleri için optimize edilmiş yeni yapay zeka çipi 'Frozen v2'yi geliştirdiği bildiriliyor
Google/DeepMind
OpenAI
Amazon/AWS
Microsoft
The Information'ın haberine göre Google, Gemini üretken yapay zeka modellerini daha verimli çalıştırmak için özel olarak tasarlanan 'Frozen v2' adlı yeni nesil bir yapay zeka hızlandırıcısı üzerinde çalışıyor. Çipin, Google'ın mevcut yapay zeka hızlandırıcılarına kıyasla, tüketilen enerji birimi başına üretilen token sayısıyla ölçülen enerji verimliliğinde altı ila on kat iyileşme sağlayabileceği bildiriliyor.
Google'ın, Gemini üretken yapay zeka modellerini daha verimli çalıştırmak amacıyla 'Frozen v2' kod adlı yeni bir yapay zeka hızlandırıcı çipi geliştirdiği bildiriliyor. Bu bilgi, The Information tarafından aktarılan haberlere dayanıyor. Proje, Google'ın uzun süredir devam eden Tensor Processing Unit (TPU) stratejisinin üzerine inşa ediliyor; bu strateji, Google Cloud üzerinden sunulan yapay zeka eğitimi ve çıkarım iş yükleri için optimize edilmiş donanıma odaklanmıştı. Frozen v2 ile Google'ın, Gemini'nin çalışmasıyla doğrudan bağlantılı bileşenleri silikon düzeyinde entegre ederek çıkarım performansını artırmayı ve büyük ölçekli yapay zeka dağıtımının enerji maliyetlerini düşürmeyi hedeflediği bildiriliyor. Çipin, tüketilen enerji birimi başına üretilen token sayısına göre, Google'ın mevcut yapay zeka hızlandırıcılarından altı ila on kat daha fazla verimlilik elde edebileceği iddia ediliyor. Bu hamle, özel yapay zeka silikonunu şirket içinde üretme yönündeki daha geniş bir sektör trendini takip ediyor: OpenAI, Haziran ayında kendi dahili çip projesi olan Jalapeño'yu duyurdu; Amazon, AWS bulut hizmetleri için Trainium ve Inferentia çip ailelerini geliştirdi; Microsoft da özel yapay zeka hızlandırıcıları üzerinde çalışıyor. Frozen v2 projesinin erken bir aşamada olduğu ve çıkışının 2028'den önce beklenmediği belirtiliyor. Google, çipin varlığını resmi olarak doğrulamadı ancak raporları da yalanlamadığı bildiriliyor.
Kaynak: Le Monde Informatique — IA —
orijinal
