Google ფიზიკური ხელოვნური ინტელექტის მიმართულებით წინ მიიწევს, რობოტიკის პროგრამულ პლატფორმა Intrinsic-ს იერთებს
Alphabet-ის მფლობელობაში მყოფი Intrinsic, რომელიც სამრეწველო რობოტებისთვის ხელოვნური ინტელექტის მოდელებს ავითარებს, Google-ს უერთდება, განაცხადეს კომპანიებმა. Intrinsic Google-ის ფარგლებში ცალკე ერთეულად დარჩება, მაგრამ ითანამშრომლებს DeepMind-თან და გამოიყენებს Gemini AI-ს და ღრუბლოვან სერვისებს ფიზიკური ხელოვნური ინტელექტის ხელმისაწვდომობის გასაზრდელად წარმოებაში.
MatX-მა 500 მილიონი დოლარის ინვესტიცია მოიზიდა Nvidia-სთვის კონკურენციის გასაწევად AI ჩიპების ბაზარზე
Google-ის ყოფილი ინჟინრების მიერ დაარსებულმა ჩიპების სტარტაპმა MatX-მა 500 მილიონი დოლარის სერია B დაფინანსება მოიზიდა Jane Street-ისა და Situational Awareness-ისგან. კომპანიის მიზანია შექმნას პროცესორები, რომლებიც 10-ჯერ უფრო ეფექტური იქნება დიდი ენობრივი მოდელების (LLM) წვრთნაში, ვიდრე Nvidia-ს გრაფიკული პროცესორები (GPU). ახალი დაფინანსება MatX-ს TSMC-თან ერთად ჩიპების წარმოებაში დაეხმარება, მათი მიწოდება კი 2027 წელს დაიწყება.
Freeform-მა $67 მილიონი მოიზიდა მეტალის 3D ბეჭდვის ტექნოლოგიის გასაფართოებლად
სტარტაპმა Freeform-მა, რომელიც მეტალის კომპონენტებისთვის 3D ბეჭდვის ახალ სისტემას ავითარებს, Series B რაუნდში $67 მილიონი მოიზიდა. დაფინანსება, რომელიც მოიცავს Nvidia-ს NVentures-ის ინვესტიციას, კომპანიას დაეხმარება GoldenEye-ის სისტემის Skyfall-ის ახალ ვერსიამდე განახლებაში, რომელიც დღეში ათასობით კილოგრამი მეტალის დეტალის წარმოებას შეძლებს AI-ს გამოყენებით.
SpaceX-ის ყოფილი ინჟინრების სტარტაპი Mesh Optical Technologies $50 მილიონს იზიდავს AI მონაცემთა ცენტრებისთვის ოპტიკური გადამცემების წარმოებისთვის
ლოს-ანჯელესში დაფუძნებულმა სტარტაპმა Mesh Optical Technologies, რომლის დამფუძნებლები SpaceX-ის ყოფილი ინჟინრები ტრევის ბრეშერი, კამერონ რამოსი და სერენა გროუნ-ჰებერლი არიან, Thrive Capital-ის მიერ ლიდერობით A სერიის დაფინანსების ფარგლებში $50 მილიონი მოიზიდა. კომპანიის მიზანია ოპტიკური გადამცემების მასობრივი წარმოება, რომლებიც გადამწყვეტია ხელოვნური ინტელექტის მსგავსი გამოთვლითი რესურსებით მდიდარი აპლიკაციებისთვის. სტარტაპი ბაზარზე არსებული შეზღუდვების დაძლევას ისახავს მიზნად და ეროვნული უსაფრთხ
სოციალური მედიის სტატისტიკა: ტენდენციები, ფაქტები და პროგნოზები 2025 წლისთვის
ბოლო ათწლეულში სოციალურმა მედიამ რევოლუცია მოახდინა კომუნიკაციაში, ვაჭრობაში და ზოგადად ცხოვრებაში, ხელოვნური ინტელექტი კი მოხმარებასა და წარმოებაზე ახდენს გავლენას. ეს სტატია განხილავს 2015-2025 წლების სტატისტიკას, რომელიც გვიჩვენებს სოციალური მედიის მომხმარებელთა გლობალურ ზრდას 2.078 მილიარდიდან (2015) სავარაუდო 5.239 მილიარდამდე (2025), რაც 9.7%-იან წლიურ კუმულაციურ ზრდას (CAGR) ნიშნავს. მიუხედავად იმისა, რომ ზრდა COVID-19 პანდემიის დროს დაჩქარდა, ახლა ის ერთნიშნა მაჩვენებელზეა. 2025 წლისთვის
ინდოეთმა Deep Tech სტარტაპებისთვის $1.1 მილიარდიანი სახელმწიფო VC პროგრამა დაამტკიცა
ინდოეთმა დაამტკიცა $1.1 მილიარდი დოლარის ღირებულების სახელმწიფო მხარდაჭერით მოქმედი ვენჩურული კაპიტალის პროგრამა, რომელიც მთავრობის ფულს კერძო ინვესტორების მეშვეობით მიმართავს სტარტაპებში. პროგრამა გააორმაგებს ინვესტიციებს მაღალი რისკის სფეროებში, როგორიცაა ხელოვნური ინტელექტი, მოწინავე წარმოება და სხვა Deep Tech სექტორები. ეს ნაბიჯი მიზნად ისახავს მიზნობრივი მიდგომის უზრუნველყოფას, ადრეული ეტაპის დამფუძნებლების მხარდაჭერას, ინვესტიციების გაფართოებას მსხვილი ქალაქების მიღმა და ინდოეთის შიდა ვენჩ
Hugging Face აუმჯობესებს BERT მოდელების ინფერენციის სიჩქარეს: დეტალური ბენჩმარკინგი და CPU ოპტიმიზაცია
Hugging Face წარმოგიდგენთ განახლებულ ბენჩმარკინგის მეთოდოლოგიას და ახალ Inference API-ს, რათა ხელი შეუწყოს BERT-ის მსგავსი მოდელების ეფექტურ განლაგებასა და გაშვებას წარმოებაში. სტატია განიხილავს CPU-ზე დაფუძნებულ ტექნიკურ და პროგრამულ ოპტიმიზაციებს, აანალიზებს PyTorch-ისა და TensorFlow-ის მუშაობას და წარმოგიდგენთ მომავალ გაუმჯობესებებს, როგორიცაა კვანტიზაცია, დისტილაცია და პრუნინგი. მიზანია მომხმარებლებს გაუადვილდეს მოდელების ოპტიმიზებული სახით გამოყენება და ღირებულების შექმნაზე ფოკუსირება.
ტრანსფორმერული მოდელები წარმოებაში: გამოწვევები და Optimum-ის გადაწყვეტა
ტრანსფორმერული მოდელები, რომლებიც თანამედროვე ხელოვნური ინტელექტის განუყოფელი ნაწილია, ფართოდ გამოიყენება ტექნოლოგიური გიგანტების მიერ ისეთ სფეროებში, როგორიცაა ავტოპილოტი, ენის დამუშავება და ვიზუალური ამოცნობა. თუმცა, ამ მასიური მოდელების ეფექტურად წარმოებაში დანერგვა სერიოზულ გამოწვევებს აწყდება, განსაკუთრებით იმ გუნდებისთვის, რომლებსაც არ გააჩნიათ შეუზღუდავი რესურსები. Hugging Face-ის ახალი ღია კოდის ბიბლიოთეკა Optimum, Intel® Neural Compressor-თან თანამშრომლობით, მიზნად ისახავს ამ პროცესის გ
GPT-J-ის ეფექტური დეპლოირება Amazon SageMaker-ისა და Hugging Face-ის გამოყენებით
სტატია განიხილავს EleutherAI-ის GPT-J მოდელის წარმოებაში ინტეგრაციის გამოწვევებს, განსაკუთრებით მეხსიერების მოხმარებისა და ჩატვირთვის ხანგრძლივი დროის თვალსაზრისით. ის წარმოადგენს გადაწყვეტას Amazon SageMaker-ისა და Hugging Face Inference Toolkit-ის გამოყენებით, PyTorch-ის მოდელების შენახვის ოპტიმიზებული მეთოდის მეშვეობით, რაც მნიშვნელოვნად ამცირებს ჩატვირთვის დროს (1 წუთი და 23 წამიდან 7.7 წამამდე) და GPT-J-ს საწარმოო სცენარებისთვის თავსებადს ხდის.
Hugging Face Infinity: ტრანსფორმერული მოდელების ოპტიმალური განთავსება Intel Xeon CPU-ებზე
Hugging Face Infinity არის კონტეინერიზებული გადაწყვეტა, რომელიც საშუალებას აძლევს კომპანიებს ეფექტურად განათავსონ ტრანსფორმერული მოდელები წარმოებაში დაბალი ლატენტურობითა და მაღალი გამტარუნარიანობით. ეს ბლოგ პოსტი წარმოადგენს დეტალურ წარმადობის შედეგებს Infinity-ის უახლესი თაობის Intel Xeon CPU-ებზე გაშვებისას (კერძოდ, Ice Lake-ზე დაფუძნებული EC2 C6i ინსტანსებზე), რაც უზრუნველყოფს ოპტიმალურ ღირებულებას, ეფექტურობასა და ლატენტურობას თქვენი Transformer-ის განთავსებისთვის.
SetFit-ის ინფერენციის 7.8-ჯერ დაჩქარება Intel CPU-ებზე Optimum Intel-ის გამოყენებით
SetFit, ხელოვნური ინტელექტის მოდელი, რომელიც ცნობილია მცირე მარკირებული მონაცემებით მაღალი სიზუსტის მიღწევით, ახლა შესაძლებელია Intel CPU-ებზე 7.8-ჯერ უფრო სწრაფად ამუშავდეს. ეს მიიღწევა 🤗 Optimum Intel-ის ბიბლიოთეკის გამოყენებით და პოსტ-ტრენინგული კვანტიზაციით, რაც SetFit-ის გადაწყვეტილებების წარმოებაში დანერგვას საგრძნობლად აადვილებს და გამტარუნარიანობას ზრდის.
Hugging Face Hub: მანქანური სწავლების პროექტების დაჩქარება და კოლაბორაცია
სტატია განიხილავს მანქანური სწავლების (ML) განვითარების გამოწვევებს, როგორიცაა მოდელების პროდუქტიულ ფაზაში ვერ გადასვლა და თანამშრომლობის სირთულეები. წარმოდგენილია Private Hub-ისა და განსაკუთრებით Hugging Face Hub-ის როლი, როგორც ამ პრობლემების გადაწყვეტა. Hugging Face Hub გთავაზობთ ღია წყაროს პლატფორმას მოდელების, მონაცემთა ნაკრებებისა და აპლიკაციების ფართო კოლექციით, Git-ზე დაფუძნებულ რეპოზიტორიებსა და თანამშრომლობით ხელსაწყოებს ML სამუშაო პროცესების დასაჩქარებლად, კვლევიდან დაწყებული წარმოება