‏🚀 هوش مصنوعی در مسیر خودبهبودی بازگشتی

‏تیم Z.ai به‌تازگی گزارشی از دستاوردهای مهندسی خود در مدل GLM منتشر کرده که نشان‌دهنده یک جهش بزرگ در مسیر «خودبهبودی بازگشتی» (Recursive Self-Improvement) است.

‏داستان از این قرار است که مهندسان برای پیاده‌سازی این مدل روی کلاستر بزرگی از ۱۰۰ هزار شتاب‌دهنده غیرانودیا، از خودِ مدل برای بهینه‌سازی زیرساخت بهره گرفتند. نتیجه خیره‌کننده بود: افزایش ۳ برابری در throughput تنها در دو هفته.

‏در این فرآیند، مدل نقش یک عامل هوشمند را ایفا کرد که با طرح فرضیه و نوشتن کد، گلوگاه‌ها را رفع می‌کرد. مهم‌ترین اقدامات خودکار این عامل شامل موارد زیر بود:

‏- حذف گلوگاه Python GIL که باعث اتلاف ۲۰ درصدی توان پردازشی بود.
‏- افزایش ۱.۷۱ برابری سرعت در Decode-kernel.
‏- اصلاح دقت محاسباتی در KDA-kernel برای مدیریت بهتر متن‌های طولانی.

‏این رویکرد نشان می‌دهد که نسل بعدی مدل‌های هوش مصنوعی چگونه با مشارکت مستقیم در بهینه‌سازی کدهای زیرساختی خود، محدودیت‌های فعلی را کنار می‌زنند.

خودبهبودی بازگشتی هوش مصنوعی: چگونه مدل GLM زیرساخت استنتاج خود را ساخت؟