\n<\/p>\n
GlobalFoundries, una empresa que fabrica chips para otros, incluidos AMD y General Motors, anunci\u00f3 previamente una asociaci\u00f3n con Lightmatter. Harris dice que su empresa est\u00e1 \u201ctrabajando con las empresas de semiconductores m\u00e1s grandes del mundo, as\u00ed como con los hiperescaladores\u201d, refiri\u00e9ndose a las empresas de nube m\u00e1s grandes como Microsoft, Amazon y Google.<\/p>\n
Si Lightmatter u otra empresa pueden reinventar el cableado de proyectos gigantes de IA, podr\u00eda desaparecer un cuello de botella clave en el desarrollo de algoritmos m\u00e1s inteligentes. El uso de m\u00e1s computaci\u00f3n fue fundamental para los avances que condujeron al ChatGPT, y muchos investigadores de IA consideran que una mayor ampliaci\u00f3n del hardware es crucial para los avances futuros en el campo y para las esperanzas de alcanzar alguna vez el objetivo vagamente especificado de la tecnolog\u00eda artificial. Inteligencia general, o AGI, es decir, programas que pueden igualar o superar la inteligencia biol\u00f3gica en todos los sentidos.<\/p>\n
Vincular un mill\u00f3n de chips con luz podr\u00eda permitir algoritmos varias generaciones m\u00e1s all\u00e1 de la vanguardia actual, dice Nick Harris, director ejecutivo de Lightmatter. \u00abLa aprobaci\u00f3n permitir\u00e1 los algoritmos AGI\u00bb, sugiere con confianza.<\/p>\n
Los grandes centros de datos que se necesitan para entrenar algoritmos de IA gigantes suelen consistir en bastidores llenos de decenas de miles de computadoras que ejecutan chips de silicio especializados y un espagueti de conexiones, en su mayor\u00eda el\u00e9ctricas, entre ellas. Mantener ciclos de entrenamiento para IA en tantos sistemas, todos conectados por cables e interruptores, es una enorme tarea de ingenier\u00eda. La conversi\u00f3n entre se\u00f1ales electr\u00f3nicas y \u00f3pticas tambi\u00e9n impone l\u00edmites fundamentales a la capacidad de los chips para ejecutar c\u00e1lculos como uno solo.<\/p>\n
El enfoque de Lightmatter est\u00e1 dise\u00f1ado para simplificar el complicado tr\u00e1fico dentro de los centros de datos de IA. \u00abNormalmente tienes un mont\u00f3n de GPU, y luego una capa de conmutadores, y una capa de conmutadores, y una capa de conmutadores, y tienes que atravesar ese \u00e1rbol\u00bb para comunicar entre dos GPU, dice Harris. En un centro de datos conectado por Passage, dice Harris, cada GPU tendr\u00eda una conexi\u00f3n de alta velocidad con todos los dem\u00e1s chips.<\/p>\n
El trabajo de Lightmatter en Passage es un ejemplo de c\u00f3mo el reciente florecimiento de la IA ha inspirado a empresas grandes y peque\u00f1as a intentar reinventar el hardware clave detr\u00e1s de avances como ChatGPT de OpenAI. Nvidia, el proveedor l\u00edder de GPU para proyectos de IA, celebr\u00f3 su conferencia anual el mes pasado, donde el director ejecutivo Jensen Huang present\u00f3 el \u00faltimo chip de la compa\u00f1\u00eda para entrenar IA: una GPU llamada Blackwell. Nvidia vender\u00e1 la GPU en un \u201csuperchip\u201d que consta de dos GPU Blackwell y un procesador de CPU convencional, todos conectados mediante la nueva tecnolog\u00eda de comunicaciones de alta velocidad de la compa\u00f1\u00eda llamada NVLink-C2C.<\/p>\n
La industria de los chips es famosa por encontrar formas de extraer m\u00e1s potencia inform\u00e1tica de los chips sin hacerlos m\u00e1s grandes, pero Nvidia decidi\u00f3 contrarrestar esa tendencia. Las GPU Blackwell dentro del superchip de la compa\u00f1\u00eda son dos veces m\u00e1s potentes que sus predecesoras, pero se fabrican atornillando dos chips, lo que significa que consumen mucha m\u00e1s energ\u00eda. Esa compensaci\u00f3n, adem\u00e1s de los esfuerzos de Nvidia por unir sus chips con enlaces de alta velocidad, sugiere que las actualizaciones de otros componentes clave para las supercomputadoras de IA, como la propuesta por Lightmatter, podr\u00edan volverse m\u00e1s importantes.<\/p>\n<\/div>\n