- Agentne tehisintellekt areneb generatiivsetest mudelitest kaugemale, planeerides ja täites autonoomselt keerulisi operatiivseid ülesandeid konkreetsete eesmärkide saavutamiseks.
- Pooljuhtide tööstus kasutab süvatugevdusõpet ja agentiivseid süsteeme põrandaplaani optimeerimiseks, suurendades kiibi kiirust ja energiatõhusust.
- Autonoomsete tehisintellekti agentide poole liikumist soodustab mitmekesine riistvara ökosüsteem, alates NVIDIA GPU-dest kuni spetsiaalsete ASIC-ideni nagu Google'i TPU ja Groqi LPU.
Kas olete kunagi mõelnud, kuidas teie telefoni sees olevad pisikesed ränitükid tegelikult organiseeritakse? See on peadpööritav pusle, kus miljardeid transistore tuleb paigutada kirurgilise täpsusega. Aastakümneid on see olnud segu tõsisest teadusest ja natuke kunstivormist, mis on lootnud iniminseneridele, kes veedavad nädalaid või kuid paigutuse kohendamisega, et seade ei kuumeneks üle ega jääks viivitusse. Kuid me siseneme uude ajastusse, kus masinad ei aita meil mitte ainult koodi kirjutada – nad võtavad tegelikult disainiprotsessis ohjad enda kätte.
Seda nihet juhib nn Agentic AI. Erinevalt vestlusrobotidest, mida me e-kirjade kokkuvõtmiseks kasutame, see tehnoloogia mitte ainult ei räägi, vaid tegutseb ja täidab ülesandeid . Kombineerides suurte keelemudelite arutlusvõime autonoomse planeerimisega, tegeleb Agentic AI pooljuhtide arhitektuuri tohutu keerukusega, muutes protsessi, mis varem kestis igaviku, millekski, mis toimub mõne tunniga.
Mis täpselt on agentiivne tehisintellekt?
Selle mõistmiseks peame kõigepealt selgitama ühe levinud segaduse: mitte iga õigusteaduse magistrit (LLM) kasutav tehisintellekt pole „agentne“. Kuigi generatiivne tehisintellekt on suurepärane teksti või piltide genereerimisel vastavalt ülesandele, on agendilise tehisintellekti puhul oluline eesmärke seada . See ei anna teile lihtsalt retsepti; see läheb kööki, leiab koostisosad ja valmistab teie eest toidu. Sellel on autonoomia, planeerimisvõimalused ja võimalus kasutada selliseid tööriistu nagu API-d ja andmebaasid, et töö tehtud saaks ilma inimeseta igal sammul käest kinni hoida.
Maagia toimub pideva tsükli kaudu. Esmalt tõlgendab agent eesmärki, seejärel jagab selle ülesandejadaks . See valib õiged tööriistad, viib toimingu ellu ja kontrollib seejärel oma tööd. Kui midagi on valesti, siis see kordab ja parandab selle. See üleminek „kaaspilootidelt“ „agentidele“ tähendab, et liigume individuaalset tootlikkust suurendavatelt tööriistadelt süsteemide poole, mis määratlevad uuesti kogu äritegevuse toimimise.
Kui me räägime mitmeagentsetest süsteemidest , läheb asi veelgi lahedamaks. Kujutage ette spetsialiseerunud tehisintellekti agentide meeskonda: üks teeb uurimistööd, teine analüüsib andmeid ja kolmas genereerib lõpparuande. Nad koordineerivad ja vahetavad teavet täpselt nagu inimestest koosnev meeskond, muutes kogu protsessi palju skaleeritavamaks ja paindlikumaks.
Pooljuhtide plaani revolutsiooniline muutmine
Kiibi disainimine on põhimõtteliselt nagu kõrgete panustega Tetrise mängimine miljonite loogikaväravate ja mäluplokkidega . Eesmärk on „põrandaplaneerimine“, mis on nende komponentide paigutamise kunst nii, et minimeerida kuumust ja maksimeerida kiirust. Võimalike konfiguratsioonide arv on praktiliselt lõpmatu – sõna otseses mõttes rohkem kui universumis tähti . Pikka aega peeti selle automatiseerimist võimatuks unistuseks.
Seejärel saabus läbimurre sügava tugevdusõppe abil . Kiibi disaini käsitledes mänguna, kus tehisintellekt saab optimeeritud paigutuse eest „tasu“, on Google Braini väljatöötatud süsteemid hakanud inimesteksperte edestama . Need tehisintellekti agendid ei järgi traditsioonilist inimintuitsiooni; nad loovad sageli orgaanilisi, ümaraid kujundusi , mis näevad insenerile veidrad välja, kuid toimivad suurepäraselt, vähendades drastiliselt energiatarbimist ja latentsust.
See pole pelgalt teoreetiline. Osa neist tehisintellekti loodud paigutustest on juba tensorprotsessorite (TPU-de) sees , muutes tehisintellekti algoritmid kiiremaks ja tõhusamaks. Tsükli sulgemisega – tehisintellekti abil riistvara kujundamisel, mis seejärel tehisintellekti käitab – näeme tohutut efektiivsuse hüpet , mis võib hääbuvale Moore'i seadusele uut elu sisse puhuda.
Agentide ajastu riistvara
Lihtsal riistvaral ei saa kõrgetasemelist agenti käitada. Graafikaprotsessorite ja ASIC-ide vahel käib tohutu lahing . Graafikaprotsessorid, mida domineerivad sellised ettevõtted nagu NVIDIA ja AMD, on tehisintellekti maailma Šveitsi armee noad – paindlikud ja suurepärased nii treenimiseks kui ka järelduste tegemiseks. Teisest küljest on rakendusspetsiifilised integraallülitused (ASIC-id) , näiteks Google'i TPU või tehisintellekti kiirendid nagu Maia 200 , loodud ühe konkreetse ülesande jaoks, pakkudes suurepärast jõudlust vati kohta.
Maastik on uuendajaid täis. Samal ajal kui NVIDIA oma Blackwelli arhitektuuriga andmekeskuste turul domineerib , võitlevad ettevõtted nagu AMD vastu MI300 seeriaga. Samal ajal on tekkimas uut tüüpi idufirmad. SambaNova Systems edendab agentide töökoormuste jaoks rekonfigureeritavaid andmeüksusi (RDU-sid) ja Cerebras ehitab mälu kitsaskohtade kõrvaldamiseks mõeldud vahvlimõõtmetes mootoreid, mis on sisuliselt hiiglaslikud taldriku suurused kiibid.
Samuti näeme suundumust äärmise spetsialiseerumise poole . Ettevõtted nagu Taalas küpsetavad tehisintellekti mudeleid otse räni sisse, luues „kõva“ mudeli, mis on uskumatult kiired ja energiasäästlikud . Alates Vaire'i pöördarvutusest kuni Mythic'i analooglähenemisteni on eesmärk sama: murda termiline barjäär ja kärpida intelligentsuse energiakulu .
Agentse tehisintellekti rakendamine: praktiline tegevuskava
Kui organisatsioon soovib agentide sügavamale sukelduda, ei saa ta lihtsalt lülitit vajutada. See nõuab struktureeritud kaheksaastmelist lähenemist . Kõik algab kristallselgete eesmärkide määratlemisest. Kuna neil süsteemidel on teatav autonoomia, tuleb nende ulatusele seada ranged piirid, et takistada neil tegemast metsikuid otsuseid, mis võivad süsteemi kokku kukutada.
- Tugevus ja töökindlus: KPI-de kehtestamine ja mudeli triivi või ootamatu käitumise jälgimine.
- Ohutuskihid: Tehniliste valvete rakendamine ja in-the-loop kontrollpunktid väärkasutuse vältimiseks.
- Seletatavus: Tagades, et tehisintellekti otsustusprotsess ei oleks „must kast“, mis võimaldab inseneridel jälgi ja kinnita iga liigutust.
- Privaatsus ja vastavus: Kontrollitakse, kas kehtivad ettevõtte reeglid kehtivad süsteemile, mis suhtleb autonoomselt muu tarkvaraga.
Tehniline pool tugineb raamistikele nagu LangChain, CrewAI ja Microsofti Semantic Kernel . Need tööriistad võimaldavad arendajatel ühendada õigusteaduse bakalaureuseõppe üliõpilasi reaalse maailmaga API-de kaudu. Tegelik salarelv peitub aga multidistsiplinaarses koostöös . Pimedate kohtade märkamiseks ja tagamaks, et tehisintellekt ei hallutsineeriks lahendust, mida on füüsiliselt võimatu ränist toota, on vaja mitmekülgset lähenemist.
