21 мая генеральный директор NVIDIA Дженсен Хуанг заявил, что выпуск DeepSeek R1 с открытым исходным кодом способствовал широкому внедрению технологии искусственного интеллекта и ускорил потребность в вычислениях. Такие модели, как o3 от OpenAI, DeepSeek R1 и Grok 3 от xAI, демонстрируют, как ИИ может перейти от воспринимающих и генеративных моделей к моделям долгосрочного вывода, требующим значительно увеличенной вычислительной мощности. Эти модели могут решать сложные проблемы, принимать стратегические решения и применять логические рассуждения, но каждая задача требует в 100 раз больше вычислений, чем традиционный искусственный интеллект на основе выводов. «Масштаб пост-тренинга и кастомизации модели огромен, а вычислительные усилия могут быть на порядки выше, чем до обучения», — сказал Хуанг. Наши потребности в логических выводах растут, что обусловлено увеличением времени тестирования и новыми моделями логических выводов».
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Генеральный директор NVIDIA: DeepSeek способствовал взрывному росту спроса на вычисления в области ИИ
21 мая генеральный директор NVIDIA Дженсен Хуанг заявил, что выпуск DeepSeek R1 с открытым исходным кодом способствовал широкому внедрению технологии искусственного интеллекта и ускорил потребность в вычислениях. Такие модели, как o3 от OpenAI, DeepSeek R1 и Grok 3 от xAI, демонстрируют, как ИИ может перейти от воспринимающих и генеративных моделей к моделям долгосрочного вывода, требующим значительно увеличенной вычислительной мощности. Эти модели могут решать сложные проблемы, принимать стратегические решения и применять логические рассуждения, но каждая задача требует в 100 раз больше вычислений, чем традиционный искусственный интеллект на основе выводов. «Масштаб пост-тренинга и кастомизации модели огромен, а вычислительные усилия могут быть на порядки выше, чем до обучения», — сказал Хуанг. Наши потребности в логических выводах растут, что обусловлено увеличением времени тестирования и новыми моделями логических выводов».