In einer gemeinsamen Anstrengung, groß angelegte Systeme der künstlichen Intelligenz (KI) für wissenschaftliche Entdeckungen voranzutreiben, wurde das neu gegründete Billionen-Parameter-Konsortium (TPC) hat ein bedeutendes Mitglied im National Center for Supercomputing Applications gewonnen (NCSA), berichtet Cyber-Nachrichten. TPC besteht aus Experten angesehener Forschungsinstitute, Bundeslabors, Hochschulen und der Industrie und hat sich zum Ziel gesetzt, gemeinsam digitale Gehirne in Billionen Parametergröße aufzubauen, die ausschließlich auf wissenschaftlichen Informationen basieren.
Die offene Forschergemeinschaft, angeführt von einigen der klügsten Köpfe der Welt, versucht, Wissen zu bündeln, Doppelarbeit zu verhindern und KI-Projekte zu koordinieren, um ihre Wirkung zu maximieren. TPC plant ein globales Netzwerk aus Ressourcen und Fachwissen und konzentriert sich auf die Schaffung moderner Technologien -moderne große Sprachmodelle (LLMs) für Wissenschaft und Technik.
Der Ursprung dieser Zusammenarbeit geht auf den Einsatz von Exascale-Computing-Plattformen wie Frontier zurück. AuroraUnd El Capitan In US-Energieministerium Labore. TPC erkennt die Notwendigkeit einer Zusammenarbeit zur Entwicklung von Modellen auf Augenhöhe mit privaten Giganten wie GPT-4 von OpenAI und betont die Vertrauenswürdigkeit und Zuverlässigkeit ihrer KI-Modelle als Vorreiter für groß angelegte KI.
Rick Stevens, stellvertretender Laborleiter bei Argonne, äußerte sich zur fortlaufenden Entwicklung bahnbrechender KI-Modelle und zur Vorbereitung umfangreicher wissenschaftlicher Datensätze für die Ausbildung. Die NCSA spielt bei dieser Initiative eine zentrale Rolle und stellt ihre KI-fokussierte Advanced-Computing- und Datenressource DeltaAI vor, die nach ihrer Einführung im Jahr 2024 die Rechenkapazität verdreifachen und das von der NSF finanzierte Advanced-Computing-Ökosystem erheblich erweitern soll.
Gründungsmitglieder, darunter das Argonne National Laboratory, arbeiten gleichzeitig an ihren KI-Modellen. AuroraGPT, die Kreation von Argonne, strebt danach, nach umfassender Ausbildung ein umfassendes Gehirn für wissenschaftliche Forscher zu werden. Die TPC-Zusammenarbeit zielt darauf ab, globale Anstrengungen zur Identifizierung hochwertiger Trainingsdaten, zum Entwurf und zur Bewertung von Modellarchitekturen sowie zur Innovation von Modellbewertungsstrategien in Bezug auf Voreingenommenheit, Vertrauenswürdigkeit und Zielausrichtung zu nutzen.
Die offene Forschergemeinschaft, angeführt von einigen der klügsten Köpfe der Welt, versucht, Wissen zu bündeln, Doppelarbeit zu verhindern und KI-Projekte zu koordinieren, um ihre Wirkung zu maximieren. TPC plant ein globales Netzwerk aus Ressourcen und Fachwissen und konzentriert sich auf die Schaffung moderner Technologien -moderne große Sprachmodelle (LLMs) für Wissenschaft und Technik.
Der Ursprung dieser Zusammenarbeit geht auf den Einsatz von Exascale-Computing-Plattformen wie Frontier zurück. AuroraUnd El Capitan In US-Energieministerium Labore. TPC erkennt die Notwendigkeit einer Zusammenarbeit zur Entwicklung von Modellen auf Augenhöhe mit privaten Giganten wie GPT-4 von OpenAI und betont die Vertrauenswürdigkeit und Zuverlässigkeit ihrer KI-Modelle als Vorreiter für groß angelegte KI.
Rick Stevens, stellvertretender Laborleiter bei Argonne, äußerte sich zur fortlaufenden Entwicklung bahnbrechender KI-Modelle und zur Vorbereitung umfangreicher wissenschaftlicher Datensätze für die Ausbildung. Die NCSA spielt bei dieser Initiative eine zentrale Rolle und stellt ihre KI-fokussierte Advanced-Computing- und Datenressource DeltaAI vor, die nach ihrer Einführung im Jahr 2024 die Rechenkapazität verdreifachen und das von der NSF finanzierte Advanced-Computing-Ökosystem erheblich erweitern soll.
Gründungsmitglieder, darunter das Argonne National Laboratory, arbeiten gleichzeitig an ihren KI-Modellen. AuroraGPT, die Kreation von Argonne, strebt danach, nach umfassender Ausbildung ein umfassendes Gehirn für wissenschaftliche Forscher zu werden. Die TPC-Zusammenarbeit zielt darauf ab, globale Anstrengungen zur Identifizierung hochwertiger Trainingsdaten, zum Entwurf und zur Bewertung von Modellarchitekturen sowie zur Innovation von Modellbewertungsstrategien in Bezug auf Voreingenommenheit, Vertrauenswürdigkeit und Zielausrichtung zu nutzen.