Muhammad Ali había sido campeón mundial de peso pesado durante apenas un año cuando Gordon Moore, cofundador y director ejecutivo de Intel, formuló una postulación que llegó a conocerse como la Ley de Moore. Es decir, el número de transistores en un circuito integrado (CI) se duplicaría aproximadamente cada dos años.

En 1965, esto era algo embriagador: la observación, hecha en un artículo en Revista de electrónica, implicaba que podíamos esperar que nuestras computadoras se volvieran más rápidas y más capaces a un costo menor con el tiempo. Con el paso de los años y las décadas, la teoría de Moore ha sido puesta a prueba a medida que se ha acelerado el ritmo del cambio tecnológico. En su mayor parte, es cierto. Sin embargo, los avances recientes en el floreciente campo del aprendizaje automático (ML) presentan un desafío intrigante, si no una amenaza absoluta, a la viabilidad de la ley.

La sostenibilidad de la ley de Moore

La Ley de Moore ha sido fundamental para impulsar los avances tecnológicos durante más de medio siglo, convirtiéndose en algo parecido a una ley inviolable. Sin embargo, a medida que nos acercamos a los límites atómicos de la miniaturización de circuitos, la sostenibilidad de la observación está siendo objeto de un intenso escrutinio.

Las limitaciones físicas de los circuitos cada vez más reducidos se están volviendo evidentes. En 2015, la propia Intel reconoció una desaceleración en la Ley de Moore, señalando que la cadencia de dos años se había reducido a aproximadamente 2.5 años. Este aumento del 25% fue una clara indicación de que nos estábamos acercando a los límites físicos y prácticos de la tecnología moderna de semiconductores. Es más, el año pasado, el CEO de Intel, Pat Gelsinger, revisó sus comentarios anteriores, admitiendo que 2.5 años ahora se habían convertido en 3, al tiempo que prometió hacer todo lo posible para seguir el ritmo de la Ley de Moore.

Nada de esto debería ser una sorpresa; El propio Moore desautorizó su propia Ley, argumentando que “ninguna exponencial como ésta dura para siempre”. De hecho, al ingeniero le habría resultado difícil prever las crecientes demandas del aprendizaje automático y campos afines como la inteligencia artificial (IA), la computación en la nube y el Internet de las cosas (IoT), que ejercían tanta presión sobre la industria de los chips de silicio en el pasado. mediados de los sesenta.

Actualmente, las demandas de aprendizaje automático están superando la tasa de aumento de la potencia de procesamiento, con un aumento de la demanda de 10 veces frente a un aumento de 3 veces en la potencia de procesamiento en los últimos 18 meses. Es evidente que esta disparidad presenta obstáculos importantes para futuros avances en el aprendizaje automático, lo que podría generar cuellos de botella en la innovación y la aplicación.

El proyecto abismo cada vez más amplio La relación entre las demandas computacionales del aprendizaje profundo y el crecimiento del poder de procesamiento podría no haber sido fácil de predecir, pero es algo con lo que los tecnólogos modernos deben lidiar. La disparidad no solo sugiere limitaciones potenciales en la escalabilidad de las aplicaciones de aprendizaje automático, particularmente a medida que los modelos se vuelven más complejos y consumen más datos, sino también una desaceleración general en el ritmo del cambio tecnológico.

Algunos podrían sostener que esto no es malo: que nos permitirá a todos reconectarnos con la naturaleza y estar más presentes en el momento. Pero el avance humano en realidad no funciona de esta manera: es imposible volver a meter al genio en la botella cuando ya está fuera. Una vez que se haya tomado el camino, debemos proceder de manera ordenada o afrontar la regresión.

Una nueva solución al problema de la ley de Moore

En este contexto preocupante, están llegando al mercado soluciones novedosas. Uno de ellos, io.net, busca cerrar la creciente brecha aprovechando existente Recursos informáticos de GPU para mejorar la eficiencia del procesamiento global. En otras palabras, si la computación no puede seguir el ritmo de las demandas de ML, hagamos que la computación funcione mejor.

io.netLa red de infraestructura física descentralizada (DePIN) recientemente presentada es un pilar clave de su propuesta de valor. Al utilizar el potencial sin explotar de las GPU y CPU repartidas por todo el mundo, la Red DePIN ofrece una solución sostenible y escalable para satisfacer las crecientes demandas de ML. El modelo implica recompensar a quienes contribuyen o alquilan su GPU y CPU a la red. Mientras tanto, las nuevas empresas de inteligencia artificial y los ingenieros de aprendizaje automático obtienen acceso bajo demanda al cómputo de GPU necesario sin tener que pagar los costos exorbitantes típicamente asociados con dichos recursos.

Con la provisión de acceso a GPU/CPU bajo demanda y sin permiso desde una red global de usuarios, io.net democratiza el acceso a la potencia de procesamiento agregada al tiempo que garantiza la utilización eficiente de los recursos existentes. Esta capacidad se traduce en ahorros significativos en costos de computación, implementación rápida de clústeres de nube y precios justos.

A medida que se amplía la brecha entre las demandas del aprendizaje automático y el crecimiento de la potencia de procesamiento, surgen soluciones innovadoras como io.net será fundamental.

Al maximizar la eficiencia y accesibilidad de los recursos de GPU y CPU existentes, io.net no sólo ofrece una solución alternativa a las limitaciones planteadas por la desaceleración de la Ley de Moore; está preparando el escenario para la innovación y el avance continuos en ambos campos.

Por supuesto, hay otros factores igualmente importantes: la inversión de capital es uno de ellos. Si se quiere duplicar la potencia informática de los chips, es lógico que los presupuestos de I+D deban aumentar a la par. También son importantes aspectos como las subvenciones gubernamentales, las fusiones industriales y las empresas conjuntas.

Lamentablemente, Gordon Moore murió en 2023; sin embargo, su Ley homónima es aún más relevante hoy que en los años sesenta.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://techstartups.com/2024/02/06/is-machine-learning-demand-starting-to-outpace-moores-law/