Dagens Extropic-lansering reiser noen nye røde flagg. Jeg begynte å følge dette selskapet da de nektet å forklare input/output-spesifikasjonene for det de bygger, og lot oss vente på å få en avklaring.) Her er 3 røde flagg fra i dag: 1. Fra «Generativ AI er prøvetaking. Alle generative AI-algoritmer er i hovedsak prosedyrer for sampling fra sannsynlighetsfordelinger. Trening av en generativ AI-modell tilsvarer å utlede sannsynlighetsfordelingen som ligger til grunn for noen treningsdata, og kjøring av slutning tilsvarer generering av prøver fra den lærte distribusjonen. Fordi TSU-er prøver, kan de kjøre generative AI-algoritmer naturlig.» Dette er en svært misvisende påstand om algoritmene som driver de mest nyttige moderne AI-ene, på samme nivå av gaslighting som å kalle den menneskelige hjernen en termodynamisk datamaskin. IIUC, så vidt noen vet, samsvarer ikke størstedelen av AI-beregningsarbeidet med den typen input/output som du kan mate inn i Extropics brikke. Siden sier: «Den neste utfordringen er å finne ut hvordan man kan kombinere disse primitivene på en måte som gjør det mulig å skalere opp evner til noe som kan sammenlignes med dagens LLM-er. For å gjøre dette må vi bygge veldig store TSU-er, og finne opp nye algoritmer som kan forbruke en vilkårlig mengde probabilistiske dataressurser.» Trenger du virkelig å bygge store TSU-er for å undersøke om det er mulig for LLM-lignende applikasjoner å dra nytte av denne maskinvaren? Jeg ville ha trodd det ville være verdt å bruke et par $million på å undersøke det spørsmålet via en kombinasjon av teori og moderne sky-superdatamaskinvare, i stedet bruke over 30 millioner dollar på å bygge maskinvare som kan være en bro til ingensteds. Deres egen dokumentasjon for deres THRML (deres åpen kildekode-bibliotek) sier: "THRML gir GPU-akselererte verktøy for blokksampling på sparsomme, heterogene grafer, noe som gjør det til et naturlig sted å prototype i dag og eksperimentere med fremtidig Extropic-maskinvare." Du sier at du mangler en måte maskinvareprimitivene dine *i prinsippet* kan brukes på nyttige applikasjoner av noe slag, og du opprettet dette biblioteket for å hjelpe til med å gjøre den typen forskning ved å bruke dagens GPUer ... Hvorfor ville du ikke bare gi ut Python-biblioteket tidligere (THRML), gjøre flaskehalsforskningen du sa må gjøres tidligere, og engasjere fellesskapet for å hjelpe deg med å få svar på dette nøkkelspørsmålet nå? Hvorfor ventet du hele denne tiden med å først lansere denne ekstremt nisje-lille maskinvareprototypen for å komme frem og forklare denne make-or-break-flaskehalsen, og bare publisere søket ditt etter potensielle partnere som har en slags relevant "sannsynlighetsbasert arbeidsbelastning" nå, når kostnaden for ikke å gjøre det var 30 millioner dollar og 18 måneder? 2. Fra «Vi utviklet en modell av TSU-arkitekturen vår og brukte den til å estimere hvor mye energi det ville ta å kjøre støyreduksjonsprosessen vist i animasjonen ovenfor. Det vi fant er at DTM-er som kjører på TSU-er kan være omtrent 10 000 ganger mer energieffektive enn standard bildegenereringsalgoritmer på GPU-er." Jeg ser allerede folk på Twitter som hyper 10 000x-påstanden. Men for alle som har fulgt den tiår lange sagaen om kvantedataselskaper som hevder å oppnå "kvanteoverlegenhet" med lignende typer hype-tall, vet du hvor mye forsiktighet som må legges ned for å definere den typen referanse. I praksis har det en tendens til å være ekstremt vanskelig å peke på situasjoner der en klassisk databehandlingstilnærming *ikke* er mye raskere enn den påståtte "10 000 ganger raskere termodynamisk databehandling"-tilnærmingen. Extropic-teamet vet dette, men valgte å ikke utdype hva slags forhold som kunne reprodusere denne hype-referansen som de ønsket å se gå viralt. 3. Terminologien de bruker har blitt byttet til «probabilistisk datamaskin»: «Vi designet verdens første skalerbare probabilistiske datamaskin.» Frem til i dag brukte de «termodynamisk datamaskin» som begrep, og hevdet skriftlig at «hjernen er en termodynamisk datamaskin». Man kan la tvilen komme dem til gode for å snu terminologien sin. Det er bare det at de alltid snakket tull om at hjernen er en "termodynamisk datamaskin" (etter mitt syn er hjernen verken det eller en "kvantedatamaskin"; det er i stor grad en nevral nettalgoritme som kjører på en klassisk datamaskinarkitektur). Og denne plutselige terminologien er i samsvar med at de har snakket tull på den fronten. Nå til det positive: * Noe maskinvare ble faktisk bygget! * De forklarer hvordan dens input/output potensielt har en anvendelse i denoising, selv om de som nevnt er vage på detaljene i den antatte "10 000x termodynamiske overlegenheten" de oppnådde på denne fronten. Generelle: Dette er omtrent det jeg forventet da jeg først begynte å be om inngangsutgangen for 18 måneder siden. De hadde en legitimt kul idé for et stykke maskinvare, men hadde ikke en plan for å gjøre det nyttig, men hadde noen vage begynnelser på noe teoretisk forskning som hadde en sjanse til å gjøre det nyttig. De ser ut til å ha gjort respektable fremskritt med å få maskinvaren i produksjon (beløpet som $30M kjøper deg), og tilsynelatende mindre fremgang med å finne grunner til at denne spesielle maskinvaren, selv etter 10 generasjoner med etterfølgerforbedringer, kommer til å være til nytte for noen. Fremover, i stedet for å svare på spørsmål om enhetens input/output ved å "mogge" folk og si at det er en bedriftshemmelighet, og tvitre hypertro om din termodynamiske gud, vil jeg anbefale å være mer åpen om det tilsynelatende gigantiske liv-eller-død-spørsmålet som teknologisamfunnet faktisk kan være interessert i å hjelpe deg med å svare på: om noen kan skrive et Python-program i simulatoren din med sterkere bevis på at en slags nyttig "termodynamisk overlegenhet" med din maskinvarekonsept kan noen gang være en ting.