တစ်ပိုင်းလျှပ်ကူးပစ္စည်း အသာစီးရရှိရေး ကမ္ဘာလုံးဆိုင်ရာပြိုင်ဆိုင်မှုဖြစ်နေပြီလား
94
သန်းထိုက်စိုး (NP News) - နိုဝင်ဘာလ ၅
ဉာဏ်ရည်တု(AI)၏ စွမ်းအားနှင့်တွက်ချက်မှု
ဒီနေ့ခေတ်ဉာဏ်ရည်တု (AI) စနစ်တွေအားလုံး ရဲ့နောက်ကွယ်မှာ တွက်ချက်မှုစွမ်းအားတွေရှိနေပါတယ်။ အောင်မြင်မှုအရှိဆုံး (AI) စနစ်တွေကို သင် ကြားပေးဖို့အတွက် တွက်ချက်မှုပမာဏပိုများလာပါ တယ်။ ဒီလမ်းကြောင်းဟာ နှစ်အနည်းငယ်အတွက် တင်မဟုတ်ဘဲ ဆယ်စုနှစ်များစွာကြာမြင့်ခဲ့ပါပြီ။ ဉာဏ်ရည်တု(AI)မှာ တိုးတက်မှုအများစုဟာ (AI) စနစ်တွေကို သင်ကြားပေးဖို့အတွက် Data ပိုမိုအသုံး ပြုခြင်းကနေဖြစ်ပေါ်လာတာဖြစ်ပြီး ဒါကလည်း အဲဒီ Data ကိုသင်ကြားရာမှာအသုံးပြုဖို့ တွက်ချက်မှုစွမ်း အား ပိုမိုလိုအပ်လာစေပါတယ်။ (AI) စနစ်တွေ သင် ကြားဖို့အသုံးပြုတဲ့ Data ပမာဏဟာ တစ်သမတ် တည်း အံ့မခန်းမြန်နှုန်းနဲ့တိုးတက်နေတာကိုတွေ့ရ ပါတယ်။ AI သင်ကြားမှုအတွက်အသုံးပြုတဲ့ Data ပမာဏဟာ ပုံမှန်အတိုင်းအတာတစ်ခုအထိ နှစ်ဆ တိုးလာပါတယ်။ ပိုပြီးတော့အရေးကြီးတာက လွန်ခဲ့ တဲ့ (၁၅) နှစ်အတွင်းမှာ တိုးတက်မှုနှုန်းဟာ ပိုလို့ တောင် အရှိန်မြင့်လာပါတယ်။
ဒါကို OpenAI သို့မဟုတ် Anthropic လို AI ဓာတ်ခွဲခန်းတို့မှ AI သုတေသီတွေက ချဲ့ထွင် ခြင်းနိယာမတွေ (scaling laws) လို့ရည်ညွှန်းကြပါ တယ်။ ပိုကောင်းတဲ့ AI စနစ်လိုချင်ရင် ပိုကြီးတဲ့ ဗှု စနစ်လိုအပ်တယ်ဆိုတဲ့သဘောပါပဲ။ ဒါက ပိုများတဲ့ Data ပမာဏနဲ့သင်ကြားပေးထားတဲ့စနစ်ဖြစ်ပါ တယ်။ ဒါကြောင့်လည်း ChatGPT လိုစကားပြောစက် တွေကိုအားဖြည့်ပေးနေတဲ့ ယနေ့ AI စနစ်တွေဟာ အင်တာနက်ပေါ်မှာရှိသမျှ စာသားအားလုံးနီးပါးကို သင်ကြားပေးထားတာဖြစ်ပါတယ်။ ဒါပေမဲ့ ကျွန်တော် တို့က အစပဲရှိပါသေးတယ်။ AI စနစ်တွေကိုသင်ကြား ရာမှာအသုံးပြုဖို့ Data အရင်းအမြစ်တွေ ပိုပြီးရှာဖွေ တွေ့ရှိနေရပါတယ်။ လာမယ့်ဆယ်စုနှစ်တွေအတွင်း AI တိုးတက်မှုအပေါ် အကောင်းမြင်မှုအများစုဟာ Data ပိုမိုရှာဖွေပြီး AI စနစ်တွေပိုမိုကြီးမားအောင် သင်ကြားပေးမယ်ဆိုရင် ပိုကောင်းတဲ့ ဉာဏ်ရည်တုရ လာမယ်ဆိုတဲ့ယုံကြည်ချက်ကနေ ဖြစ်ပေါ်လာတာပါ။
ပိုကြီးတဲ့ AI စနစ်တွေလိုချင်ပြီး Data ပိုများများ နဲ့သင်ကြားပေးချင်ရင် ပိုကောင်းတဲ့ တစ်ပိုင်းလျှပ်ကူး ပစ္စည်းတွေလိုအပ်ပါတယ်။ ဘာကြောင့်လဲဆိုတော့ အဆင့်မြင့် Server တွေနဲ့ အဆင့်မြင့်ချစ်ပ်တွေအပြည့် ရှိတဲ့ ကျယ်ပြန့်တဲ့ Data စင်တာတွေမှ AI စနစ်အား လုံးကိုသင်ကြားပေးရလို့ပဲဖြစ်ပါတယ်။ ဒါကြောင့် လည်း ကမ္ဘာ့အကြီးဆုံးနည်းပညာကုမ္ပဏီတွေဟာ ဒီလိုထူးခြားတဲ့စွမ်းရည်ရှိတဲ့စနစ်တွေ သင်ကြားရာမှာ အသုံးပြုတဲ့ ခေတ်မီ ဗှု ချစ်ပ်တွေရရှိရေးအတွက် အရင်ကထက်ပိုပြီး အာရုံစိုက်နေကြတာပါ။
တွက်ချက်မှု စွမ်းအားနှင့် ကမ္ဘာ့ပြိုင်ဆိုင်မှု
နည်းပညာကုမ္ပဏီတွေတင်မကဘဲ အစိုးရတွေ ကပါ တွက်ချက်မှုစွမ်းအားကို ဉာဏ်ရည်တု (AI) နယ်ပယ်ရဲ့အောင်မြင်မှုအတွက် အဓိကတိုင်းတာမှုတစ်ခုအဖြစ်အာရုံစိုက်နေကြပါတယ်။ ဥပမာအားဖြင့် တရုတ်နိုင်ငံက လာမယ့်နှစ်တွေအတွင်း တရုတ်နိုင်ငံ ရဲ့တွက်ချက်မှုစွမ်းအားကို (၅၀) ရာခိုင်နှုန်းတိုးမြှင့်ဖို့ ပန်းတိုင်ထားရှိကြောင်း ထုတ်ဖော်ပြောဆိုခဲ့ပါတယ်။ အိန္ဒိယကနေ ယူနိုက်တက်ကင်းဒမ်းအထိ နိုင်ငံတွေ ကလည်း အလားတူ ပန်းတိုင်တွေသတ်မှတ်ထားကြ ပါတယ်။ ဘာကြောင့်လဲဆိုတော့ သူတို့လည်း ကမ္ဘာ့ နည်းပညာကုမ္ပဏီကြီးတွေအားလုံးလိုပဲ ပိုကောင်းတဲ့ AI စနစ်တွေဟာ တွက်ချက်မှုစွမ်းအား ပိုမိုလိုအပ် တယ်လို့ယုံကြည်ကြတဲ့အတွက်ပဲဖြစ်ပါတယ်။ ဒါ ကြောင့် တွက်ချက်မှုစွမ်းအားကိုရရှိခြင်းနဲ့ ကြီးမားတဲ့ AI စနစ်တွေကိုသင်ကြားနိုင်စေမယ့် ခေတ်မီချစ်ပ် တွေကိုရရှိခြင်းဟာ နည်းပညာတိုးတက်မှုအတွက်သာ မကဘဲ သူတို့ရဲ့ စီးပွားရေးနဲ့နိုင်ငံရေးအနာဂတ်အ တွက်ပါ အရေးပါလိမ့်မယ်လို့ယူဆကြပါတယ်။
ဒီနေ့ ကမ္ဘာတစ်ဝန်းမှာ တွက်ချက်မှုစွမ်းအား ဖြန့်ဖြူးမှုကိုကြည့်မယ်ဆိုရင် နိုင်ငံနှစ်နိုင်ငံဟာ ကျန် နိုင်ငံတွေထက် အများကြီးရှေ့ကိုရောက်နေတာတွေ့ ရပါတယ်။ Blair Institute ကနေ ကမ္ဘာ့နိုင်ငံအလိုက် Server တပ်ဆင်ထားတဲ့ပမာဏကို စုစည်းထားတာရှိ ပါတယ်။ အားလုံးထက်ဦးဆောင်နေတဲ့ နိုင်ငံနှစ်နိုင်ငံ တွေ့ရပါတယ်။ ပထမကတော့ အမေရိကန်ပြည် ထောင်စုဖြစ်ပြီး တခြားနိုင်ငံတွေထက် အများကြီး ရှေ့ကိုရောက်နေပါတယ်။ ဒုတိယကတော့ တရုတ်နိုင် ငံဖြစ်ပြီး ဒုတိယနေရာမှာ ရှင်းရှင်းလင်းလင်းရှိနေပေ မယ့် ကျန်ပြိုင်ဘက်တွေထက်လည်း ရှင်းရှင်းလင်း လင်း ရှေ့ကိုရောက်နေပါတယ်။ ဒါကိုကြည့်ခြင်းအား ဖြင့် ဗှု စနစ်တွေတည်ဆောက်တဲ့ပြိုင်ပွဲမှာ စည်း ကမ်းချက်တွေကိုသတ်မှတ်ပေးနေတဲ့ နိုင်ငံနှစ်နိုင်ငံ ဖြစ်တယ်ဆိုတာအံ့ဩစရာမရှိပါဘူး။ ဒီနိုင်ငံတွေဟာ AI စနစ်တွေ သင်ကြားဖို့လိုအပ်တဲ့ ထူးခြားတဲ့တွက် ချက်မှုစွမ်းအားပမာဏကိုရရှိထားတဲ့နိုင်ငံတွေဖြစ်ပါ တယ်။ ဒါ့ပြင် သူတို့ဟာ အဆင့်မြင့် AI သင်ကြားရေး အတွက်လိုအပ်တဲ့ ခေတ်မီချစ်ပ်တွေကိုရရှိဖို့အတွက် ယခုလက်ရှိပြိုင်ဆိုင်နေကြတဲ့နိုင်ငံတွေပဲဖြစ်ပါတယ်။
Data စင်တာများ၊ စွမ်းအင်နှင့် ချစ်ပ်များ
သူတို့ အဓိကအာရုံစိုက်နေတာကတော့ Data စင်တာတွေတည်ဆောက်ဖို့ပါပဲ။ Data စင်တာတွေ ဟာ ချစ်ပ်တွေနဲ့ Server တွေထောင်ပေါင်းများစွာ အပြည့်ရှိတဲ့ ကျယ်ပြန့်တဲ့ဂိုထောင်ကြီးတွေဖြစ်ပြီး AI စနစ်တွေကိုသင်ကြားပေးချိန်မှာ Data တွေကို အဲဒီ ထဲကိုပို့လွှတ်ပါတယ်။ ဒီလို Data စင်တာတွေဟာ ကမ္ဘာ့စီးပွားရေးရဲ့ဆက်သွယ်မှုကို အသစ်ပြန်လည် ရေးဆွဲနေပါတယ်။ သူတို့ဟာ ကွဲပြားခြားနားတဲ့နိုင်ငံ များစွာမှာ ရင်းနှီးမြှုပ်နှံမှုကို ပုံစံပြောင်းလဲနေပါတယ်။ ကမ္ဘာ့အကြီးဆုံး ရင်းနှီးမြှုပ်နှံသူတချို့ဆီကနေ ဘီလျံ ပေါင်းများစွာဆွဲဆောင်နေပြီး အဆင့်မြင့် Data စင် တာတွေကိုရရှိခြင်းဟာ အနာဂတ်မှာ စီးပွားရေးအရ အရေးပါလိမ့်မယ်လို့ လောင်းကြေးထပ်နေကြပါ တယ်။ ဘာကြောင့်လဲဆိုတော့ ဒီလို Data စင်တာတွေ ကို ဗှု စနစ်တွေသင်ကြားဖို့အတွက်သာမက ဖြန့်ကြက် ဖို့အတွက်ပါအသုံးပြုလို့ပဲဖြစ်ပါတယ်။ ဒါကြောင့်လည်း AI Data စင်တာတွေကို အမေရိကန်ပြည်ထောင်စုနဲ့တရုတ်နိုင်ငံတို့မှာသာမကဘဲ တခြားဒေသများစွာမှာ လည်း တည်ဆောက်နေကြပါတယ်။ အရှေ့တောင် အာရှ Data စင်တာတိုးတက်မှုရဲ့ ဗဟိုချက်ဖြစ်တဲ့ မလေးရှား၊ ဆော်ဒီအာရေးဗျနဲ့ အာရပ်စော်ဘွားများ ပြည်ထောင်စုတို့က ဖွံ့ဖြိုးဆဲကမ္ဘာမှာ AI ဗဟိုချက် ဖြစ်လာဖို့ကြိုးစားနေတဲ့ အရှေ့အလယ်ပိုင်းတို့မှာ လည်းတည်ဆောက်နေကြပါတယ်။
အစိုးရများစွာက ဒီလို Data စင်တာတွေကို ခေတ်သစ်ကမ္ဘာမှာ စွမ်းအားရဲ့ကိရိယာတစ်ခုအဖြစ် အာရုံစိုက်နေကြပါတယ်။ ဒါက ကြီးမားတဲ့ နည်းပညာ ကုမ္ပဏီတွေ လုပ်ကိုင်ပုံကိုပြောင်းလဲစေပါတယ်။ ဘာ ကြောင့်လဲဆိုတော့ ဒီလို ခေတ်မီ Data စင်တာမျိုးလို ချင်ရင် စွမ်းအင်ပမာဏကို လုံလောက်အောင်အား ဖြည့်ပေးဖို့လိုအပ်ပါတယ်။ Data စင်တာတွေက အရင် ကသုံးစွဲဖူးသမျှစွမ်းအင်ထက်ပိုများတဲ့ပမာဏကို သုံးစွဲနေကြပါတယ်။ ဒါကြောင့် ကမ္ဘာ့အကြီးဆုံး နည်း ပညာကုမ္ပဏီတချို့ဟာ ကမ္ဘာ့အကြီးဆုံး စွမ်းအင်ရင်း နှီးမြှုပ်နှံသူတွေဖြစ်လာနေကြတာဖြစ်ပါတယ်။ Microsoft ပဲ ဖြစ်ဖြစ်၊ Meta, Alphabet ဒါမှမဟုတ် Amazon ပဲဖြစ်ဖြစ် သူတို့ဟာ စွမ်းအင်ကို တိုက်ရိုက် တည်ဆောက်ဖို့နဲ့ ဝယ်ယူဖို့အတွက် ဘီလျံပေါင်းများ စွာနဲ့ တချို့ကိစ္စတွေမှာ ဘီလျံပေါင်းများစွာသုံးစွဲနေကြ ပါတယ်။ ဘာကြောင့်လဲဆိုတော့ အမေရိကန်ပြည် ထောင်စုလိုဒေသတချို့မှာ ဆယ်စုနှစ်များစွာအတွင်း ပထမဆုံးအကြိမ် လျှပ်စစ်ဓာတ်အားလိုအပ်မှု တိုးလာ တာကိုမြင်တွေ့နေရပြီး ဒါကို Data စင်တာတွေက အဓိကမောင်းနှင်နေတာဖြစ်လို့ပါပဲ။
ဉာဏ်ရည်တု (AI)ဟာ အရင်ကထက်ပိုပြီး စွမ်း အင်လိုအပ်နေတာဖြစ်ပြီး ဒါက နည်းပညာကုမ္ပဏီတွေ ကို သူတို့လိုအပ်တဲ့စွမ်းအင်ကိုရရှိဖို့အတွက် အရင်က ထက်ပိုပြီး ကြိုးစားရှာဖွေဖို့ဖိအားပေးနေပါတယ်။ ဥပမာအားဖြင့် ဦးဆောင်(AI) စွန့်ဦးတီထွင်သူများစွာ ဟာ နျူကလီးယားကနေ စွမ်းအင်ထုတ်လုပ်တဲ့ ဓာတ် ပေါင်းဖိုတည်ဆောက်မယ့်ပရောဂျက်တွေမှာ ကိုယ် တိုင်ရင်းနှီးမြှုပ်နှံထားကြတာ ဘာကြောင့်လဲ။ Amazon ကမကြာသေးခင်က နျူကလီးယားဓာတ် အားပေးစက်ရုံဘေးမှာတည်ရှိတဲ့ Data စင်တာတစ်ခု ကိုဝယ်ယူကြောင်းကြေညာခဲ့တာဟာ ဒီလိုခေတ်မီ Data စင်တာတွေအတွက် စွမ်းအင်ထောက်ပံ့မှုဟာ ဘယ်လောက်အရေးကြီးလဲဆိုတာကိုသိသာစေပါ တယ်။
ဒါပေမဲ့ AI Data စင်တာတစ်ခု တည်ဆောက်ရာ မှာ အကြီးမားဆုံးစိန်ခေါ်မှုက မြေနေရာရယူခြင်း၊ အဆောက်အအုံတည်ဆောက်ခြင်း ဒါမှမဟုတ် စွမ်း အင်ရယူခြင်းတောင်မဟုတ်ပါဘူး။ အတွင်းထဲထည့် သွင်းမယ့် ချစ်ပ်တွေရရှိရေးပဲဖြစ်ပါတယ်။ ဘာကြောင့် လဲဆိုတော့ Óဏ်ရည်တု (AI)စနစ်တွေရဲ့အူတိုင်မှာ အလွန်ရှုပ်ထွေးပြီး ခေတ်မီတဲ့ တစ်ပိုင်းလျှပ်ကူးပစ္စည်း တွေ အမျိုးအစားများစွာပါဝင်နေပြီး ဒါတွေက အခု ဖြန့်ချိနေတဲ့ AI စနစ်တွေရဲ့အမျိုးအစားတွေကို သင် ကြားပေးနိုင်ဖို့နဲ့ ဖြန့်ကြက်နိုင်ဖို့ဖြစ်နိုင်စေပါတယ်။ ဒီနေ့မှာလိုအပ်တဲ့ ချစ်ပ်တွေအားလုံးကိုရရှိဖို့က ခက် ခဲနေပါတယ်။ သူလိုကိုယ်လိုလူတွေအတွက်တင် မဟုတ်ဘဲ OpenAI တည်ထောင်သူ Sam Altman လိုလူတွေအတွက်တောင်ခက်ခဲနေပါတယ်။ သူဟာ လွန်ခဲ့တဲ့လအနည်းငယ်က Chat GPT ဝန်ဆောင်မှု တချို့ကို နှေးကွေးအောင်လုပ်ခဲ့ရတဲ့အတွက် တောင်း ပန်ခဲ့ဖူးပါတယ်။ ဘာကြောင့်လဲဆိုတော့ Open AI တောင်မှ သူလိုအပ်တဲ့ အဆင့်မြင့် GPU ချစ်ပ်တွေ အားလုံးမရရှိနိုင်ခဲ့လို့ပဲဖြစ်ပါတယ်။
GPU များ၏ ဩဇာလွှမ်းမိုးမှု
ဒီချစ်ပ်တွေ၊ GPU(Graphics Processor တွေနဲ့ သူတို့နဲ့တွဲဖက်ထားတဲ့ High Bandwidth Memory(HBM) တွေဟာ AI ခေတ် ရဲ့ငွေကြေးဖြစ်ပြီး အရေးကြီးဆုံးကုန်ပစ္စည်းတွေဖြစ် သလို မကြာသေးခင်ကအထိ အလွန်အမင်းပြတ်လပ် နေတဲ့ကုန်ပစ္စည်းတွေလည်းဖြစ်ပါတယ်။ AI ရဲ့ စီး ပွားရေး ဒါမှမဟုတ်AI ရဲ့ဘူမိနိုင်ငံရေးကိုနားလည်ချင် ရင် AI စနစ်တွေကိုသင်ကြားပေးတဲ့ချစ်ပ်တွေအထိ ပြန်လည်ခြေရာခံရပါလိမ့်မယ်။ အဲဒီအခါမှာ ဒီအရေး ကြီးတဲ့ချစ်ပ်တွေကိုထုတ်လုပ်တဲ့ကုမ္ပဏီတွေရဲ့ ထောက်ပံ့ရေးကွင်းဆက်ဟာ အလွန်တိကျပြီး အာရုံ စူးစိုက်မှုရှိနေတာကိုတွေ့ရပါလိမ့်မယ်။ ဒါက AI အ တွက်လိုအပ်တဲ့တွက်ချက်မှုစွမ်းအားကို ထုတ်လုပ် ရာမှာပါဝင်တဲ့ကုမ္ပဏီတွေအတွက် ကြီးမားတဲ့ လက် ဝါးကြီးအုပ်မှုတွေနဲ့ ထူးခြားတဲ့အမြတ်အစွန်းတွေကို ဖန်တီးပေးပါတယ်။ ဒါပေမဲ့ တစ်ချိန်တည်းမှာပဲ ဒီအ ရေးကြီးတဲ့ချစ်ပ်တွေအများစုကို ကုမ္ပဏီတစ်ခု တည်းကထုတ်လုပ်နေတဲ့အတွက် ပြင်းထန်လာတဲ့ဘူ မိနိုင်ငံရေးပြိုင်ဆိုင်မှုခေတ်မှာ ဒါဟာ နည်းလမ်းများ စွာနဲ့ အလွန်အန္တရာယ်ရှိတဲ့စွန့်စားမှုတစ်ခုဖြစ်ပါတယ်။
လက်ရှိမှာတော့ Data စင်တာတွေမှာ ရင်းနှီး မြှုပ်နှံမှုတိုးတက်လာတာဟာ GPU တွေရဲ့ နံပါတ် တစ်ထုတ်လုပ်သူဖြစ်တဲ့ NVIDIA အတွက် အကျိုး ကျေးဇူးများစွာရရှိစေခဲ့ပါတယ်။ NVIDIA ဟာ မကြာသေးခင်ကအထိ ဗီဒီယိုဂိမ်းတွေနဲ့ကွန်ပျူတာ ဂရပ်ဖစ်တွေမှာအသုံးပြုတဲ့ချစ်ပ်တွေ ထုတ်လုပ်မှု ကြောင့် လူသိများခဲ့တဲ့ကုမ္ပဏီပါ။
ဒါကြောင့် (၁၅) နှစ်တာကာလပတ်လုံး NVIDIA နဲ့ သူရဲ့ထူးခြားတဲ့အမှုဆောင်အရာရှိချုပ် Jensen Huang တို့ဟာ သူတို့ရဲ့ GPU ချစ်ပ်တွေရဲ့ အမှန်တ ကယ်အသုံးပြုမှုကိစ္စက ဉာဏ်ရည်တု(AI) ဖြစ်လာ လိမ့်မယ်လို့ လောင်းကြေးထပ်ခဲ့ကြပါတယ်။ သူတို့ ဟာ GPU တွေရဲ့ထိပ်မှာ ပရိုဂရမ်မာတွေနဲ့ တီထွင်သူ တွေကို ထိရောက်စွာတည်ဆောက်နိုင်စေဖို့ ဆော့ဖ် ဝဲလ်ဂေဟစနစ်တစ်ခုကို တည်ဆောက်ခဲ့ကြပါတယ်။ သူတို့ဟာ GPU တွေက အရင်ချစ်ပ်အမျိုးအစားတွေ ထက် AI စနစ်တွေကို ပိုမို သင်ကြားပေးနိုင်စွမ်းရှိတယ် ဆိုတာကိုပြသခဲ့တဲ့ ပညာရပ်ဆိုင်ရာ သုတေသနကနေ အကျိုးကျေးဇူးတွေရခဲ့ပါတယ်။ ဒီနေ့မှာ အဆင့်မြင့် AI စနစ်တွေရဲ့ (၉၀) ရာခိုင်နှုန်းကို NVIDIA ရဲ့ ချစ်ပ်တွေနဲ့သင်ကြားထားတယ်လို့ခန့်မှန်းရပါတယ်။ Google မှသင်ကြားထားခြင်းမရှိတဲ့ AI စနစ်တိုင်း နီးပါးကိုဆိုလိုပါတယ်။ ဒါဟာ ကမ္ဘာ့အကြီးဆုံး နည်း ပညာအကူးအပြောင်းရဲ့ဗဟိုချက်မှာရှိနေတဲ့ ထူးခြား တဲ့ဈေးကွက်နေရာတစ်ခုဖြစ်ပါတယ်။
ရှုပ်ထွေးသောထုတ်လုပ်မှုနှင့် ထောက်ပံ့ရေးကွင်းဆက်
ဒါကြောင့်လည်း AI ရဲ့ရည်မှန်းချက်တွေဟာ ကုမ္ပဏီတစ်ခုတည်းနဲ့ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းအမျိုး အစားတစ်ခုတည်းအပေါ်မှီခိုနေရတာကို တခြားနည်း ပညာကုမ္ပဏီတွေက စိုးရိမ်ပူပန်စေခဲ့တာ အံ့ဩစရာ မရှိပါဘူး။ AI ပိုပြီးအရေးပါလာတာနဲ့အမျှ၊ AI အက် ပလီကေးရှင်းတွေဖန်တီးရာမှာ ဘီလျံပေါင်းများစွာ သုံးစွဲလာတာနဲ့အမျှ၊ တခြား နည်းပညာကုမ္ပဏီများစွာ ကလည်း ကိုယ်ပိုင် GPU တွေကို စတင် ဒီဇိုင်းဆွဲ လာခဲ့ကြပါတယ်။
AI ပရိုဆက်ဆာတွေကိုတည်ဆောက်နေတာ AMD ဒါမှမဟုတ် Intel လို တခြားချစ်ပ်ကုမ္ပဏီတွေ တင်မကဘဲ Amazon, Meta, Alphabet နဲ့ Microsoft လို နည်းပညာကုမ္ပဏီတွေကလည်း NVIDIA နဲ့ယှဉ်ပြိုင်ဖို့ သူတို့ရဲ့ကိုယ်ပိုင် AI အရှိန် မြှင့်စက်တွေကို ဒီဇိုင်းဆွဲဖို့ကြိုးစားနေကြတာဖြစ်ပါ တယ်။ ဘာကြောင့်လဲဆိုတော့ သူတို့ဟာ NVIDIA ကကောက်ခံတဲ့ဈေးနှုန်းတွေကို ပေးချင်လို့မဟုတ်သ လို သူတို့ရဲ့ အရေးကြီးဆုံးနည်းပညာဟာ တစ်ခု တည်းသောတင်သွင်းသူအပေါ် မှီခိုနေရတာကို စိုးရိမ် လို့ပဲဖြစ်ပါတယ်။ ဒါဟာ သူတို့ရဲ့အနာဂတ်အတွက် အရေးပါလိမ့်မယ်လို့ယုံကြည်တဲ့ AI စွမ်းရည်တွေကို ဖြန့်ကြက်နိုင်စွမ်းကိုခြိမ်းခြောက်နိုင်တဲ့ ပျက်စီးဆုံးရှုံးနိုင်ခြေတစ်ခုပါပဲ။
Elon Musk ကလည်း ဒီကိစ္စနဲ့ပတ်သက်ပြီး ဝင်ရောက်ပြောဆိုခဲ့ဖူးပါတယ်။ GPU တွေရရှိဖို့က ဆေးဝါးရရှိဖို့ထက်ပိုခက်တယ်လို့ သူကပြောခဲ့ပါ တယ်။ ဒါပေမဲ့ တကယ်တော့ Elon ဟာ လွန်ခဲ့တဲ့ တစ်နှစ်လုံး OpenAI နဲ့ Anthropic တို့နဲ့ယှဉ်ပြိုင်ဖို့ ရည်ရွယ်ထားတဲ့ AI စနစ်သစ်တစ်ခုကိုသင်ကြားပေး ဖို့ တန်နက်ဆီပြည်နယ် မန်ဖစ်မြို့မှာ ဧရာမ Data စင်တာအသစ်တစ်ခုတည်ဆောက်နိုင်ရေး ွဏ့ တစ်သိန်းကျော်ရယူဖို့ကြိုးစားခဲ့ပါတယ်။ ကမ္ဘာ့အချမ်း သာဆုံးပုဂ္ဂိုလ်ကတောင် GPU တွေရရှိဖို့ ရုန်းကန်နေ ရတယ်ဆိုရင် ထောက်ပံ့မှုဟာ ဘယ်လောက်ခက်ခဲနေ တယ်ဆိုတာသိနိုင်ပါတယ်။
ဒါဆိုရင် ဘာကြောင့်လဲ။ ဒီလို အလွန်အရေးပါတဲ့ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းတွေထုတ်လုပ်ရာမှာ ကုမ္ပဏီ တစ်ခုတည်းက ဘာကြောင့် လက်ဝါးကြီးအုပ်မှုနီးပါး ရယူထားတာလဲ။ တခြားဘယ်သူမှ ဘာကြောင့် တူညီ တဲ့ထောက်ပံ့ရေးကွင်းဆက်တွေထဲမှာ ထည့်သွင်းနိုင် မယ့် နှိုင်းယှဉ်နိုင်တဲ့ ချစ်ပ်တွေကို ဒီဇိုင်းဆွဲလို့မရတာ လဲ။ အကြောင်းရင်းကတော့ ဒီလိုတစ်ပိုင်းလျှပ်ကူးပစ္စည်းတွေကို စတင်လေ့လာကြည့်လိုက်တဲ့အခါ သူတို့ဟာ လူသားမျိုးနွယ်က အခုအထိ ဖန်တီးခဲ့ဖူး သမျှထဲမှာ အရှုပ်ထွေးဆုံးကုန်ပစ္စည်းတွေထဲကတစ်ခု ဖြစ်တယ်ဆိုတာကိုတွေ့ရပါလိမ့်မယ်။ တကယ်တော့ ဖုန်းထဲကချစ်ပ်တွေပဲဖြစ်ဖြစ်၊ PC ထဲက ချစ်ပ်တွေပဲ ဖြစ်ဖြစ်၊ ဧရာမ Data စင်တာ ချစ်ပ်တွေပဲဖြစ်ဖြစ် ခေတ်မီတစ်ပိုင်းလျှပ်ကူးပစ္စည်းတွေရဲ့ ရှုပ်ထွေးမှုနဲ့ နီးစပ်တာ ဘာမှမရှိပါဘူး။ နာနိုမီတာအတိုင်းအတာ၊ ဆိုလိုတာက တစ်မီတာရဲ့ တစ်ဘီလျံပုံတစ်ပုံအတိုင်းအ တာနဲ့ထုတ်လုပ်တာဟာ တခြားထုတ်လုပ်မှုတိုင်းမှာ အခြေခံအားဖြင့် နှိုင်းယှဉ်စရာမရှိပါဘူး။ ဒီလို ချစ်ပ်တွေမှာ ဘီလျံပေါင်းများစွာ ဒါမှမဟုတ် ဆယ်ဘီ လျံပေါင်းများစွာ ဒါမှမဟုတ် ရာဘီလျံပေါင်းများစွာရှိ နိုင်တဲ့ သေးငယ်တဲ့ထရန်စစ္စတာတွေ၊ လျှပ်စစ်ခလုတ် လေးတွေပါဝင်နေတယ်ဆိုတဲ့အချက်က ပါဝင်တဲ့ အစိတ်အပိုင်းအရေအတွက်ရဲ့ ရှုပ်ထွေးမှုနဲ့နီးစပ်တာ ဘာမှမရှိဘူးလို့ဆိုလိုပါတယ်။
(ဆက်လက်ဖော်ပြပါမည်)
Zawgyi Verion:
တစ္ပိုင္းလွ်ပ္ကူးပစၥည္း အသာစီးရရွိေရး ကမာၻလုံးဆိုင္ရာၿပိဳင္ဆိုင္မႈျဖစ္ေနၿပီလား
သန္းထိုက္စိုး (NP News) - ႏိုဝင္ဘာလ ၅
ဉာဏ္ရည္တု(AI)၏ စြမ္းအားႏွင့္တြက္ခ်က္မႈ
ဒီေန႔ေခတ္ဉာဏ္ရည္တု (AI) စနစ္ေတြအားလုံး ရဲ႕ေနာက္ကြယ္မွာ တြက္ခ်က္မႈစြမ္းအားေတြရွိေနပါတယ္။ ေအာင္ျမင္မႈအရွိဆုံး (AI) စနစ္ေတြကို သင္ ၾကားေပးဖို႔အတြက္ တြက္ခ်က္မႈပမာဏပိုမ်ားလာပါ တယ္။ ဒီလမ္းေၾကာင္းဟာ ႏွစ္အနည္းငယ္အတြက္ တင္မဟုတ္ဘဲ ဆယ္စုႏွစ္မ်ားစြာၾကာျမင့္ခဲ့ပါၿပီ။ ဉာဏ္ရည္တု(AI)မွာ တိုးတက္မႈအမ်ားစုဟာ (AI) စနစ္ေတြကို သင္ၾကားေပးဖို႔အတြက္ Data ပိုမိုအသုံး ျပဳျခင္းကေနျဖစ္ေပၚလာတာျဖစ္ၿပီး ဒါကလည္း အဲဒီ Data ကိုသင္ၾကားရာမွာအသုံးျပဳဖို႔ တြက္ခ်က္မႈစြမ္း အား ပိုမိုလိုအပ္လာေစပါတယ္။ (AI) စနစ္ေတြ သင္ ၾကားဖို႔အသုံးျပဳတဲ့ Data ပမာဏဟာ တစ္သမတ္ တည္း အံ့မခန္းျမန္ႏႈန္းနဲ႔တိုးတက္ေနတာကိုေတြ႕ရ ပါတယ္။ AI သင္ၾကားမႈအတြက္အသုံးျပဳတဲ့ Data ပမာဏဟာ ပုံမွန္အတိုင္းအတာတစ္ခုအထိ ႏွစ္ဆ တိုးလာပါတယ္။ ပိုၿပီးေတာ့အေရးႀကီးတာက လြန္ခဲ့ တဲ့ (၁၅) ႏွစ္အတြင္းမွာ တိုးတက္မႈႏႈန္းဟာ ပိုလို႔ ေတာင္ အရွိန္ျမင့္လာပါတယ္။
ဒါကို OpenAI သို႔မဟုတ္ Anthropic လို AI ဓာတ္ခြဲခန္းတို႔မွ AI သုေတသီေတြက ခ်ဲ႕ထြင္ ျခင္းနိယာမေတြ (scaling laws) လို႔ရည္ၫႊန္းၾကပါ တယ္။ ပိုေကာင္းတဲ့ AI စနစ္လိုခ်င္ရင္ ပိုႀကီးတဲ့ ဗႈ စနစ္လိုအပ္တယ္ဆိုတဲ့သေဘာပါပဲ။ ဒါက ပိုမ်ားတဲ့ Data ပမာဏနဲ႔သင္ၾကားေပးထားတဲ့စနစ္ျဖစ္ပါ တယ္။ ဒါေၾကာင့္လည္း ChatGPT လိုစကားေျပာစက္ ေတြကိုအားျဖည့္ေပးေနတဲ့ ယေန႔ AI စနစ္ေတြဟာ အင္တာနက္ေပၚမွာရွိသမွ် စာသားအားလုံးနီးပါးကို သင္ၾကားေပးထားတာျဖစ္ပါတယ္။ ဒါေပမဲ့ ကြၽန္ေတာ္ တို႔က အစပဲရွိပါေသးတယ္။ AI စနစ္ေတြကိုသင္ၾကား ရာမွာအသုံးျပဳဖို႔ Data အရင္းအျမစ္ေတြ ပိုၿပီးရွာေဖြ ေတြ႕ရွိေနရပါတယ္။ လာမယ့္ဆယ္စုႏွစ္ေတြအတြင္း AI တိုးတက္မႈအေပၚ အေကာင္းျမင္မႈအမ်ားစုဟာ Data ပိုမိုရွာေဖြၿပီး AI စနစ္ေတြပိုမိုႀကီးမားေအာင္ သင္ၾကားေပးမယ္ဆိုရင္ ပိုေကာင္းတဲ့ ဉာဏ္ရည္တုရ လာမယ္ဆိုတဲ့ယုံၾကည္ခ်က္ကေန ျဖစ္ေပၚလာတာပါ။
ပိုႀကီးတဲ့ AI စနစ္ေတြလိုခ်င္ၿပီး Data ပိုမ်ားမ်ား နဲ႔သင္ၾကားေပးခ်င္ရင္ ပိုေကာင္းတဲ့ တစ္ပိုင္းလွ်ပ္ကူး ပစၥည္းေတြလိုအပ္ပါတယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ အဆင့္ျမင့္ Server ေတြနဲ႔ အဆင့္ျမင့္ခ်စ္ပ္ေတြအျပည့္ ရွိတဲ့ က်ယ္ျပန႔္တဲ့ Data စင္တာေတြမွ AI စနစ္အား လုံးကိုသင္ၾကားေပးရလို႔ပဲျဖစ္ပါတယ္။ ဒါေၾကာင့္ လည္း ကမာၻ႔အႀကီးဆုံးနည္းပညာကုမၸဏီေတြဟာ ဒီလိုထူးျခားတဲ့စြမ္းရည္ရွိတဲ့စနစ္ေတြ သင္ၾကားရာမွာ အသုံးျပဳတဲ့ ေခတ္မီ ဗႈ ခ်စ္ပ္ေတြရရွိေရးအတြက္ အရင္ကထက္ပိုၿပီး အာ႐ုံစိုက္ေနၾကတာပါ။
တြက္ခ်က္မႈ စြမ္းအားႏွင့္ ကမာၻ႔ၿပိဳင္ဆိုင္မႈ
နည္းပညာကုမၸဏီေတြတင္မကဘဲ အစိုးရေတြ ကပါ တြက္ခ်က္မႈစြမ္းအားကို ဉာဏ္ရည္တု (AI) နယ္ပယ္ရဲ႕ေအာင္ျမင္မႈအတြက္ အဓိကတိုင္းတာမႈတစ္ခုအျဖစ္အာ႐ုံစိုက္ေနၾကပါတယ္။ ဥပမာအားျဖင့္ တ႐ုတ္ႏိုင္ငံက လာမယ့္ႏွစ္ေတြအတြင္း တ႐ုတ္ႏိုင္ငံ ရဲ႕တြက္ခ်က္မႈစြမ္းအားကို (၅၀) ရာခိုင္ႏႈန္းတိုးျမႇင့္ဖို႔ ပန္းတိုင္ထားရွိေၾကာင္း ထုတ္ေဖာ္ေျပာဆိုခဲ့ပါတယ္။ အိႏၵိယကေန ယူႏိုက္တက္ကင္းဒမ္းအထိ ႏိုင္ငံေတြ ကလည္း အလားတူ ပန္းတိုင္ေတြသတ္မွတ္ထားၾက ပါတယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ သူတို႔လည္း ကမာၻ႔ နည္းပညာကုမၸဏီႀကီးေတြအားလုံးလိုပဲ ပိုေကာင္းတဲ့ AI စနစ္ေတြဟာ တြက္ခ်က္မႈစြမ္းအား ပိုမိုလိုအပ္ တယ္လို႔ယုံၾကည္ၾကတဲ့အတြက္ပဲျဖစ္ပါတယ္။ ဒါ ေၾကာင့္ တြက္ခ်က္မႈစြမ္းအားကိုရရွိျခင္းနဲ႔ ႀကီးမားတဲ့ AI စနစ္ေတြကိုသင္ၾကားႏိုင္ေစမယ့္ ေခတ္မီခ်စ္ပ္ ေတြကိုရရွိျခင္းဟာ နည္းပညာတိုးတက္မႈအတြက္သာ မကဘဲ သူတို႔ရဲ႕ စီးပြားေရးနဲ႔ႏိုင္ငံေရးအနာဂတ္အ တြက္ပါ အေရးပါလိမ့္မယ္လို႔ယူဆၾကပါတယ္။
ဒီေန႔ ကမာၻတစ္ဝန္းမွာ တြက္ခ်က္မႈစြမ္းအား ျဖန႔္ျဖဴးမႈကိုၾကည့္မယ္ဆိုရင္ ႏိုင္ငံႏွစ္ႏိုင္ငံဟာ က်န္ ႏိုင္ငံေတြထက္ အမ်ားႀကီးေရွ႕ကိုေရာက္ေနတာေတြ႕ ရပါတယ္။ Blair Institute ကေန ကမာၻ႔ႏိုင္ငံအလိုက္ Server တပ္ဆင္ထားတဲ့ပမာဏကို စုစည္းထားတာရွိ ပါတယ္။ အားလုံးထက္ဦးေဆာင္ေနတဲ့ ႏိုင္ငံႏွစ္ႏိုင္ငံ ေတြ႕ရပါတယ္။ ပထမကေတာ့ အေမရိကန္ျပည္ ေထာင္စုျဖစ္ၿပီး တျခားႏိုင္ငံေတြထက္ အမ်ားႀကီး ေရွ႕ကိုေရာက္ေနပါတယ္။ ဒုတိယကေတာ့ တ႐ုတ္ႏိုင္ ငံျဖစ္ၿပီး ဒုတိယေနရာမွာ ရွင္းရွင္းလင္းလင္းရွိေနေပ မယ့္ က်န္ၿပိဳင္ဘက္ေတြထက္လည္း ရွင္းရွင္းလင္း လင္း ေရွ႕ကိုေရာက္ေနပါတယ္။ ဒါကိုၾကည့္ျခင္းအား ျဖင့္ ဗႈ စနစ္ေတြတည္ေဆာက္တဲ့ၿပိဳင္ပြဲမွာ စည္း ကမ္းခ်က္ေတြကိုသတ္မွတ္ေပးေနတဲ့ ႏိုင္ငံႏွစ္ႏိုင္ငံ ျဖစ္တယ္ဆိုတာအံ့ဩစရာမရွိပါဘူး။ ဒီႏိုင္ငံေတြဟာ AI စနစ္ေတြ သင္ၾကားဖို႔လိုအပ္တဲ့ ထူးျခားတဲ့တြက္ ခ်က္မႈစြမ္းအားပမာဏကိုရရွိထားတဲ့ႏိုင္ငံေတြျဖစ္ပါ တယ္။ ဒါ့ျပင္ သူတို႔ဟာ အဆင့္ျမင့္ AI သင္ၾကားေရး အတြက္လိုအပ္တဲ့ ေခတ္မီခ်စ္ပ္ေတြကိုရရွိဖို႔အတြက္ ယခုလက္ရွိၿပိဳင္ဆိုင္ေနၾကတဲ့ႏိုင္ငံေတြပဲျဖစ္ပါတယ္။
Data စင္တာမ်ား၊ စြမ္းအင္ႏွင့္ ခ်စ္ပ္မ်ား
သူတို႔ အဓိကအာ႐ုံစိုက္ေနတာကေတာ့ Data စင္တာေတြတည္ေဆာက္ဖို႔ပါပဲ။ Data စင္တာေတြ ဟာ ခ်စ္ပ္ေတြနဲ႔ Server ေတြေထာင္ေပါင္းမ်ားစြာ အျပည့္ရွိတဲ့ က်ယ္ျပန႔္တဲ့ဂိုေထာင္ႀကီးေတြျဖစ္ၿပီး AI စနစ္ေတြကိုသင္ၾကားေပးခ်ိန္မွာ Data ေတြကို အဲဒီ ထဲကိုပို႔လႊတ္ပါတယ္။ ဒီလို Data စင္တာေတြဟာ ကမာၻ႔စီးပြားေရးရဲ႕ဆက္သြယ္မႈကို အသစ္ျပန္လည္ ေရးဆြဲေနပါတယ္။ သူတို႔ဟာ ကြဲျပားျခားနားတဲ့ႏိုင္ငံ မ်ားစြာမွာ ရင္းႏွီးျမႇဳပ္ႏွံမႈကို ပုံစံေျပာင္းလဲေနပါတယ္။ ကမာၻ႔အႀကီးဆုံး ရင္းႏွီးျမႇဳပ္ႏွံသူတခ်ိဳ႕ဆီကေန ဘီလ်ံ ေပါင္းမ်ားစြာဆြဲေဆာင္ေနၿပီး အဆင့္ျမင့္ Data စင္ တာေတြကိုရရွိျခင္းဟာ အနာဂတ္မွာ စီးပြားေရးအရ အေရးပါလိမ့္မယ္လို႔ ေလာင္းေၾကးထပ္ေနၾကပါ တယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ ဒီလို Data စင္တာေတြ ကို ဗႈ စနစ္ေတြသင္ၾကားဖို႔အတြက္သာမက ျဖန႔္ၾကက္ ဖို႔အတြက္ပါအသုံးျပဳလို႔ပဲျဖစ္ပါတယ္။ ဒါေၾကာင့္လည္း AI Data စင္တာေတြကို အေမရိကန္ျပည္ေထာင္စုနဲ႔တ႐ုတ္ႏိုင္ငံတို႔မွာသာမကဘဲ တျခားေဒသမ်ားစြာမွာ လည္း တည္ေဆာက္ေနၾကပါတယ္။ အေရွ႕ေတာင္ အာရွ Data စင္တာတိုးတက္မႈရဲ႕ ဗဟိုခ်က္ျဖစ္တဲ့ မေလးရွား၊ ေဆာ္ဒီအာေရးဗ်နဲ႔ အာရပ္ေစာ္ဘြားမ်ား ျပည္ေထာင္စုတို႔က ဖြံ႕ၿဖိဳးဆဲကမာၻမွာ AI ဗဟိုခ်က္ ျဖစ္လာဖို႔ႀကိဳးစားေနတဲ့ အေရွ႕အလယ္ပိုင္းတို႔မွာ လည္းတည္ေဆာက္ေနၾကပါတယ္။
အစိုးရမ်ားစြာက ဒီလို Data စင္တာေတြကို ေခတ္သစ္ကမာၻမွာ စြမ္းအားရဲ႕ကိရိယာတစ္ခုအျဖစ္ အာ႐ုံစိုက္ေနၾကပါတယ္။ ဒါက ႀကီးမားတဲ့ နည္းပညာ ကုမၸဏီေတြ လုပ္ကိုင္ပုံကိုေျပာင္းလဲေစပါတယ္။ ဘာ ေၾကာင့္လဲဆိုေတာ့ ဒီလို ေခတ္မီ Data စင္တာမ်ိဳးလို ခ်င္ရင္ စြမ္းအင္ပမာဏကို လုံေလာက္ေအာင္အား ျဖည့္ေပးဖို႔လိုအပ္ပါတယ္။ Data စင္တာေတြက အရင္ ကသုံးစြဲဖူးသမွ်စြမ္းအင္ထက္ပိုမ်ားတဲ့ပမာဏကို သုံးစြဲေနၾကပါတယ္။ ဒါေၾကာင့္ ကမာၻ႔အႀကီးဆုံး နည္း ပညာကုမၸဏီတခ်ိဳ႕ဟာ ကမာၻ႔အႀကီးဆုံး စြမ္းအင္ရင္း ႏွီးျမႇဳပ္ႏွံသူေတြျဖစ္လာေနၾကတာျဖစ္ပါတယ္။ Microsoft ပဲ ျဖစ္ျဖစ္၊ Meta, Alphabet ဒါမွမဟုတ္ Amazon ပဲျဖစ္ျဖစ္ သူတို႔ဟာ စြမ္းအင္ကို တိုက္႐ိုက္ တည္ေဆာက္ဖို႔နဲ႔ ဝယ္ယူဖို႔အတြက္ ဘီလ်ံေပါင္းမ်ား စြာနဲ႔ တခ်ိဳ႕ကိစၥေတြမွာ ဘီလ်ံေပါင္းမ်ားစြာသုံးစြဲေနၾက ပါတယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ အေမရိကန္ျပည္ ေထာင္စုလိုေဒသတခ်ိဳ႕မွာ ဆယ္စုႏွစ္မ်ားစြာအတြင္း ပထမဆုံးအႀကိမ္ လွ်ပ္စစ္ဓာတ္အားလိုအပ္မႈ တိုးလာ တာကိုျမင္ေတြ႕ေနရၿပီး ဒါကို Data စင္တာေတြက အဓိကေမာင္းႏွင္ေနတာျဖစ္လို႔ပါပဲ။
ဉာဏ္ရည္တု (AI)ဟာ အရင္ကထက္ပိုၿပီး စြမ္း အင္လိုအပ္ေနတာျဖစ္ၿပီး ဒါက နည္းပညာကုမၸဏီေတြ ကို သူတို႔လိုအပ္တဲ့စြမ္းအင္ကိုရရွိဖို႔အတြက္ အရင္က ထက္ပိုၿပီး ႀကိဳးစားရွာေဖြဖို႔ဖိအားေပးေနပါတယ္။ ဥပမာအားျဖင့္ ဦးေဆာင္(AI) စြန႔္ဦးတီထြင္သူမ်ားစြာ ဟာ န်ဴကလီးယားကေန စြမ္းအင္ထုတ္လုပ္တဲ့ ဓာတ္ ေပါင္းဖိုတည္ေဆာက္မယ့္ပေရာဂ်က္ေတြမွာ ကိုယ္ တိုင္ရင္းႏွီးျမႇဳပ္ႏွံထားၾကတာ ဘာေၾကာင့္လဲ။ Amazon ကမၾကာေသးခင္က န်ဴကလီးယားဓာတ္ အားေပးစက္႐ုံေဘးမွာတည္ရွိတဲ့ Data စင္တာတစ္ခု ကိုဝယ္ယူေၾကာင္းေၾကညာခဲ့တာဟာ ဒီလိုေခတ္မီ Data စင္တာေတြအတြက္ စြမ္းအင္ေထာက္ပံ့မႈဟာ ဘယ္ေလာက္အေရးႀကီးလဲဆိုတာကိုသိသာေစပါ တယ္။
ဒါေပမဲ့ AI Data စင္တာတစ္ခု တည္ေဆာက္ရာ မွာ အႀကီးမားဆုံးစိန္ေခၚမႈက ေျမေနရာရယူျခင္း၊ အေဆာက္အအုံတည္ေဆာက္ျခင္း ဒါမွမဟုတ္ စြမ္း အင္ရယူျခင္းေတာင္မဟုတ္ပါဘူး။ အတြင္းထဲထည့္ သြင္းမယ့္ ခ်စ္ပ္ေတြရရွိေရးပဲျဖစ္ပါတယ္။ ဘာေၾကာင့္ လဲဆိုေတာ့ Óဏ္ရည္တု (AI)စနစ္ေတြရဲ႕အူတိုင္မွာ အလြန္ရႈပ္ေထြးၿပီး ေခတ္မီတဲ့ တစ္ပိုင္းလွ်ပ္ကူးပစၥည္း ေတြ အမ်ိဳးအစားမ်ားစြာပါဝင္ေနၿပီး ဒါေတြက အခု ျဖန႔္ခ်ိေနတဲ့ AI စနစ္ေတြရဲ႕အမ်ိဳးအစားေတြကို သင္ ၾကားေပးႏိုင္ဖို႔နဲ႔ ျဖန႔္ၾကက္ႏိုင္ဖို႔ျဖစ္ႏိုင္ေစပါတယ္။ ဒီေန႔မွာလိုအပ္တဲ့ ခ်စ္ပ္ေတြအားလုံးကိုရရွိဖို႔က ခက္ ခဲေနပါတယ္။ သူလိုကိုယ္လိုလူေတြအတြက္တင္ မဟုတ္ဘဲ OpenAI တည္ေထာင္သူ Sam Altman လိုလူေတြအတြက္ေတာင္ခက္ခဲေနပါတယ္။ သူဟာ လြန္ခဲ့တဲ့လအနည္းငယ္က Chat GPT ဝန္ေဆာင္မႈ တခ်ိဳ႕ကို ေႏွးေကြးေအာင္လုပ္ခဲ့ရတဲ့အတြက္ ေတာင္း ပန္ခဲ့ဖူးပါတယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ Open AI ေတာင္မွ သူလိုအပ္တဲ့ အဆင့္ျမင့္ GPU ခ်စ္ပ္ေတြ အားလုံးမရရွိႏိုင္ခဲ့လို႔ပဲျဖစ္ပါတယ္။
GPU မ်ား၏ ဩဇာလႊမ္းမိုးမႈ
ဒီခ်စ္ပ္ေတြ၊ GPU(Graphics Processor ေတြနဲ႔ သူတို႔နဲ႔တြဲဖက္ထားတဲ့ High Bandwidth Memory(HBM) ေတြဟာ AI ေခတ္ ရဲ႕ေငြေၾကးျဖစ္ၿပီး အေရးႀကီးဆုံးကုန္ပစၥည္းေတြျဖစ္ သလို မၾကာေသးခင္ကအထိ အလြန္အမင္းျပတ္လပ္ ေနတဲ့ကုန္ပစၥည္းေတြလည္းျဖစ္ပါတယ္။ AI ရဲ႕ စီး ပြားေရး ဒါမွမဟုတ္AI ရဲ႕ဘူမိႏိုင္ငံေရးကိုနားလည္ခ်င္ ရင္ AI စနစ္ေတြကိုသင္ၾကားေပးတဲ့ခ်စ္ပ္ေတြအထိ ျပန္လည္ေျခရာခံရပါလိမ့္မယ္။ အဲဒီအခါမွာ ဒီအေရး ႀကီးတဲ့ခ်စ္ပ္ေတြကိုထုတ္လုပ္တဲ့ကုမၸဏီေတြရဲ႕ ေထာက္ပံ့ေရးကြင္းဆက္ဟာ အလြန္တိက်ၿပီး အာ႐ုံ စူးစိုက္မႈရွိေနတာကိုေတြ႕ရပါလိမ့္မယ္။ ဒါက AI အ တြက္လိုအပ္တဲ့တြက္ခ်က္မႈစြမ္းအားကို ထုတ္လုပ္ ရာမွာပါဝင္တဲ့ကုမၸဏီေတြအတြက္ ႀကီးမားတဲ့ လက္ ဝါးႀကီးအုပ္မႈေတြနဲ႔ ထူးျခားတဲ့အျမတ္အစြန္းေတြကို ဖန္တီးေပးပါတယ္။ ဒါေပမဲ့ တစ္ခ်ိန္တည္းမွာပဲ ဒီအ ေရးႀကီးတဲ့ခ်စ္ပ္ေတြအမ်ားစုကို ကုမၸဏီတစ္ခု တည္းကထုတ္လုပ္ေနတဲ့အတြက္ ျပင္းထန္လာတဲ့ဘူ မိႏိုင္ငံေရးၿပိဳင္ဆိုင္မႈေခတ္မွာ ဒါဟာ နည္းလမ္းမ်ား စြာနဲ႔ အလြန္အႏၲရာယ္ရွိတဲ့စြန႔္စားမႈတစ္ခုျဖစ္ပါတယ္။
လက္ရွိမွာေတာ့ Data စင္တာေတြမွာ ရင္းႏွီး ျမႇဳပ္ႏွံမႈတိုးတက္လာတာဟာ GPU ေတြရဲ႕ နံပါတ္ တစ္ထုတ္လုပ္သူျဖစ္တဲ့ NVIDIA အတြက္ အက်ိဳး ေက်းဇူးမ်ားစြာရရွိေစခဲ့ပါတယ္။ NVIDIA ဟာ မၾကာေသးခင္ကအထိ ဗီဒီယိုဂိမ္းေတြနဲ႔ကြန္ပ်ဴတာ ဂရပ္ဖစ္ေတြမွာအသုံးျပဳတဲ့ခ်စ္ပ္ေတြ ထုတ္လုပ္မႈ ေၾကာင့္ လူသိမ်ားခဲ့တဲ့ကုမၸဏီပါ။
ဒါေၾကာင့္ (၁၅) ႏွစ္တာကာလပတ္လုံး NVIDIA နဲ႔ သူရဲ႕ထူးျခားတဲ့အမႈေဆာင္အရာရွိခ်ဳပ္ Jensen Huang တို႔ဟာ သူတို႔ရဲ႕ GPU ခ်စ္ပ္ေတြရဲ႕ အမွန္တ ကယ္အသုံးျပဳမႈကိစၥက ဉာဏ္ရည္တု(AI) ျဖစ္လာ လိမ့္မယ္လို႔ ေလာင္းေၾကးထပ္ခဲ့ၾကပါတယ္။ သူတို႔ ဟာ GPU ေတြရဲ႕ထိပ္မွာ ပ႐ိုဂရမ္မာေတြနဲ႔ တီထြင္သူ ေတြကို ထိေရာက္စြာတည္ေဆာက္ႏိုင္ေစဖို႔ ေဆာ့ဖ္ ဝဲလ္ေဂဟစနစ္တစ္ခုကို တည္ေဆာက္ခဲ့ၾကပါတယ္။ သူတို႔ဟာ GPU ေတြက အရင္ခ်စ္ပ္အမ်ိဳးအစားေတြ ထက္ AI စနစ္ေတြကို ပိုမို သင္ၾကားေပးႏိုင္စြမ္းရွိတယ္ ဆိုတာကိုျပသခဲ့တဲ့ ပညာရပ္ဆိုင္ရာ သုေတသနကေန အက်ိဳးေက်းဇူးေတြရခဲ့ပါတယ္။ ဒီေန႔မွာ အဆင့္ျမင့္ AI စနစ္ေတြရဲ႕ (၉၀) ရာခိုင္ႏႈန္းကို NVIDIA ရဲ႕ ခ်စ္ပ္ေတြနဲ႔သင္ၾကားထားတယ္လို႔ခန႔္မွန္းရပါတယ္။ Google မွသင္ၾကားထားျခင္းမရွိတဲ့ AI စနစ္တိုင္း နီးပါးကိုဆိုလိုပါတယ္။ ဒါဟာ ကမာၻ႔အႀကီးဆုံး နည္း ပညာအကူးအေျပာင္းရဲ႕ဗဟိုခ်က္မွာရွိေနတဲ့ ထူးျခား တဲ့ေဈးကြက္ေနရာတစ္ခုျဖစ္ပါတယ္။
ရႈပ္ေထြးေသာထုတ္လုပ္မႈႏွင့္ ေထာက္ပံ့ေရးကြင္းဆက္
ဒါေၾကာင့္လည္း AI ရဲ႕ရည္မွန္းခ်က္ေတြဟာ ကုမၸဏီတစ္ခုတည္းနဲ႔ တစ္ပိုင္းလွ်ပ္ကူးပစၥည္းအမ်ိဳး အစားတစ္ခုတည္းအေပၚမွီခိုေနရတာကို တျခားနည္း ပညာကုမၸဏီေတြက စိုးရိမ္ပူပန္ေစခဲ့တာ အံ့ဩစရာ မရွိပါဘူး။ AI ပိုၿပီးအေရးပါလာတာနဲ႔အမွ်၊ AI အက္ ပလီေကးရွင္းေတြဖန္တီးရာမွာ ဘီလ်ံေပါင္းမ်ားစြာ သုံးစြဲလာတာနဲ႔အမွ်၊ တျခား နည္းပညာကုမၸဏီမ်ားစြာ ကလည္း ကိုယ္ပိုင္ GPU ေတြကို စတင္ ဒီဇိုင္းဆြဲ လာခဲ့ၾကပါတယ္။
AI ပ႐ိုဆက္ဆာေတြကိုတည္ေဆာက္ေနတာ AMD ဒါမွမဟုတ္ Intel လို တျခားခ်စ္ပ္ကုမၸဏီေတြ တင္မကဘဲ Amazon, Meta, Alphabet နဲ႔ Microsoft လို နည္းပညာကုမၸဏီေတြကလည္း NVIDIA နဲ႔ယွဥ္ၿပိဳင္ဖို႔ သူတို႔ရဲ႕ကိုယ္ပိုင္ AI အရွိန္ ျမႇင့္စက္ေတြကို ဒီဇိုင္းဆြဲဖို႔ႀကိဳးစားေနၾကတာျဖစ္ပါ တယ္။ ဘာေၾကာင့္လဲဆိုေတာ့ သူတို႔ဟာ NVIDIA ကေကာက္ခံတဲ့ေဈးႏႈန္းေတြကို ေပးခ်င္လို႔မဟုတ္သ လို သူတို႔ရဲ႕ အေရးႀကီးဆုံးနည္းပညာဟာ တစ္ခု တည္းေသာတင္သြင္းသူအေပၚ မွီခိုေနရတာကို စိုးရိမ္ လို႔ပဲျဖစ္ပါတယ္။ ဒါဟာ သူတို႔ရဲ႕အနာဂတ္အတြက္ အေရးပါလိမ့္မယ္လို႔ယုံၾကည္တဲ့ AI စြမ္းရည္ေတြကို ျဖန႔္ၾကက္ႏိုင္စြမ္းကိုၿခိမ္းေျခာက္ႏိုင္တဲ့ ပ်က္စီးဆုံးရႈံးႏိုင္ေျခတစ္ခုပါပဲ။
Elon Musk ကလည္း ဒီကိစၥနဲ႔ပတ္သက္ၿပီး ဝင္ေရာက္ေျပာဆိုခဲ့ဖူးပါတယ္။ GPU ေတြရရွိဖို႔က ေဆးဝါးရရွိဖို႔ထက္ပိုခက္တယ္လို႔ သူကေျပာခဲ့ပါ တယ္။ ဒါေပမဲ့ တကယ္ေတာ့ Elon ဟာ လြန္ခဲ့တဲ့ တစ္ႏွစ္လုံး OpenAI နဲ႔ Anthropic တို႔နဲ႔ယွဥ္ၿပိဳင္ဖို႔ ရည္႐ြယ္ထားတဲ့ AI စနစ္သစ္တစ္ခုကိုသင္ၾကားေပး ဖို႔ တန္နက္ဆီျပည္နယ္ မန္ဖစ္ၿမိဳ႕မွာ ဧရာမ Data စင္တာအသစ္တစ္ခုတည္ေဆာက္ႏိုင္ေရး ြဏ့ တစ္သိန္းေက်ာ္ရယူဖို႔ႀကိဳးစားခဲ့ပါတယ္။ ကမာၻ႔အခ်မ္း သာဆုံးပုဂၢိဳလ္ကေတာင္ GPU ေတြရရွိဖို႔ ႐ုန္းကန္ေန ရတယ္ဆိုရင္ ေထာက္ပံ့မႈဟာ ဘယ္ေလာက္ခက္ခဲေန တယ္ဆိုတာသိႏိုင္ပါတယ္။
ဒါဆိုရင္ ဘာေၾကာင့္လဲ။ ဒီလို အလြန္အေရးပါတဲ့ တစ္ပိုင္းလွ်ပ္ကူးပစၥည္းေတြထုတ္လုပ္ရာမွာ ကုမၸဏီ တစ္ခုတည္းက ဘာေၾကာင့္ လက္ဝါးႀကီးအုပ္မႈနီးပါး ရယူထားတာလဲ။ တျခားဘယ္သူမွ ဘာေၾကာင့္ တူညီ တဲ့ေထာက္ပံ့ေရးကြင္းဆက္ေတြထဲမွာ ထည့္သြင္းႏိုင္ မယ့္ ႏႈိင္းယွဥ္ႏိုင္တဲ့ ခ်စ္ပ္ေတြကို ဒီဇိုင္းဆြဲလို႔မရတာ လဲ။ အေၾကာင္းရင္းကေတာ့ ဒီလိုတစ္ပိုင္းလွ်ပ္ကူးပစၥည္းေတြကို စတင္ေလ့လာၾကည့္လိုက္တဲ့အခါ သူတို႔ဟာ လူသားမ်ိဳးႏြယ္က အခုအထိ ဖန္တီးခဲ့ဖူး သမွ်ထဲမွာ အရႈပ္ေထြးဆုံးကုန္ပစၥည္းေတြထဲကတစ္ခု ျဖစ္တယ္ဆိုတာကိုေတြ႕ရပါလိမ့္မယ္။ တကယ္ေတာ့ ဖုန္းထဲကခ်စ္ပ္ေတြပဲျဖစ္ျဖစ္၊ PC ထဲက ခ်စ္ပ္ေတြပဲ ျဖစ္ျဖစ္၊ ဧရာမ Data စင္တာ ခ်စ္ပ္ေတြပဲျဖစ္ျဖစ္ ေခတ္မီတစ္ပိုင္းလွ်ပ္ကူးပစၥည္းေတြရဲ႕ ရႈပ္ေထြးမႈနဲ႔ နီးစပ္တာ ဘာမွမရွိပါဘူး။ နာႏိုမီတာအတိုင္းအတာ၊ ဆိုလိုတာက တစ္မီတာရဲ႕ တစ္ဘီလ်ံပုံတစ္ပုံအတိုင္းအ တာနဲ႔ထုတ္လုပ္တာဟာ တျခားထုတ္လုပ္မႈတိုင္းမွာ အေျခခံအားျဖင့္ ႏႈိင္းယွဥ္စရာမရွိပါဘူး။ ဒီလို ခ်စ္ပ္ေတြမွာ ဘီလ်ံေပါင္းမ်ားစြာ ဒါမွမဟုတ္ ဆယ္ဘီ လ်ံေပါင္းမ်ားစြာ ဒါမွမဟုတ္ ရာဘီလ်ံေပါင္းမ်ားစြာရွိ ႏိုင္တဲ့ ေသးငယ္တဲ့ထရန္စစၥတာေတြ၊ လွ်ပ္စစ္ခလုတ္ ေလးေတြပါဝင္ေနတယ္ဆိုတဲ့အခ်က္က ပါဝင္တဲ့ အစိတ္အပိုင္းအေရအတြက္ရဲ႕ ရႈပ္ေထြးမႈနဲ႔နီးစပ္တာ ဘာမွမရွိဘူးလို႔ဆိုလိုပါတယ္။
(ဆက္လက္ေဖာ္ျပပါမည္)