AI Chip Company gab seine Auflösung bekannt

Es wurde bekannt gegeben, dass das KI-Halbleiter-Startup LeapMind am 31. Juli 2024 aufgelöst wird.

Soichi Matsuda, Direktor und Geschäftsführer des Unternehmens, erklärte in einer E-Mail an die Interessenten: „Wir glauben, dass wir, um KI tatsächlich nutzen zu können, sowohl Software als auch Hardware berücksichtigen müssen, und außerdem gibt es nur sehr wenige Unternehmen wie dieses.“ „Es gibt solche Ideen auf der ganzen Welt, daher werden wir ständig herausgefordert, sie für wertvoll zu halten, aber wir sind sehr enttäuscht, dass wir ihren Wert bisher nicht beweisen konnten“, erklärt er, dass sie beschlossen haben, das Unternehmen freiwillig aufzulösen, solange es noch über Barmittel und Einlagen verfügt, um das Risiko eines Zahlungsausfalls zu vermeiden.

Ab August plant das Unternehmen, mit dem normalen Liquidationsverfahren zu beginnen. Herr Matsuda wird dann als repräsentativer Liquidator fungieren.

LeapMind beginnt mit der Entwicklung neuer KI-Chips

Laut der offiziellen Website des Unternehmens verändert sich die Gesellschaft mit dem technologischen Fortschritt ständig. Schnelle Innovationen bei der Ausrüstung und die Verbreitung der Infrastruktur haben es möglich gemacht, große Datenmengen zu sammeln und zu nutzen. Mit der praktischen Anwendung des maschinellen Lernens hat sich die Genauigkeit der Analyse erhöht und die Verwendung von Daten ist vertrauter geworden. Der Fluss der Datenzyklen, d. h. bessere Daten, die von Geräten generiert werden, die durch maschinelles Lernen intelligenter werden, wird schneller als je zuvor und macht das Leben der Menschen bequemer.

LeapMind war eines der ersten Unternehmen, das diese Zukunft vorhergesagt hat, und betreibt seit 2012 ein auf maschinellem Lernen basierendes Geschäft.

LeapMind sagte, dass die technischen Fähigkeiten und die Vision des Unternehmens von vielen Unternehmen und Organisationen hoch gelobt wurden und dass es an vielen Projekten teilgenommen hat, bei denen maschinelles Lernen zum Einsatz kam, aber leider wurden nicht viele Fälle in die soziale Umsetzung umgesetzt. Es gibt zwei Probleme. Das erste besteht darin, praktische Modelle für maschinelles Lernen zu erstellen. Um maschinelles Lernen zur Lösung bisher unlösbarer Aufgaben zu nutzen, müssen wir qualitativ hochwertige Modelle für maschinelles Lernen entwickeln. Das zweite ist eine Computerumgebung, in der Modelle für maschinelles Lernen tatsächlich ausgeführt werden können. Es gibt kein klares Gerät, mit dem es tatsächlich mit eingeschränkter Nutzung, beispielsweise am Rand, funktionieren kann.

Um die Gesellschaft durch den Einsatz von Geräten für maschinelles Lernen zu verbessern, müssen Unternehmen laut LeapMind zwei Herausforderungen bewältigen. Indem wir weiterhin in gutem Glauben mit Kollegen mit unterschiedlichen Fähigkeiten auf Kunden und Probleme zugehen, konnten wir Probleme auf zwei Arten lösen: „Entwicklung hochwertiger Modelle für maschinelles Lernen“ und „Entwicklung von schnellem, effizientem Hardware-IP“. „Ich habe die Antwort gefunden.

Indem wir sowohl an der Software- als auch an der Hardwareseite arbeiten, können wir das Unmögliche möglich machen. Diese Zukunft ist in Reichweite. Wir glauben, dass wir eine menschlichere Lebensweise schaffen können, indem wir der Welt die Schlüsseltechnologien der Zukunft zur Verfügung stellen.

Vor diesem Hintergrund und mit diesen Überlegungen kündigte LeapMind im Oktober letzten Jahres an, dass das Unternehmen neue KI-Chips entwickeln werde, um die rechnerische Verarbeitung von KI-Modellen zu beschleunigen und ein branchenführendes Preis-Leistungs-Verhältnis anzustreben.

Sie sagen, dass aufgrund der jüngsten Zunahme der Größe und Rechenkomplexität von KI-Modellen, einschließlich großskaliger Sprachmodelle (LLMs), die Kosten für das Training hochmoderner KI-Modelle im Vergleich zu vor 10 Jahren deutlich gestiegen sind. Diese steigenden Kosten stellen einen großen Engpass bei der KI-Entwicklung dar.

Um ein gutes KI-Modell zu erstellen, sind viele Prozessoren für paralleles Rechnen erforderlich. Die Bereitstellung einer großen Anzahl von Prozessoren erfordert ein großes Budget. Wenn Sie einen kostengünstigen Prozessor verwenden können, können Sie auch mit demselben Budget bessere KI-Modelle entwickeln. Mit anderen Worten: Die für das KI-Lernen erforderlichen Prozessoreigenschaften verschieben sich von der absoluten Leistung zum Preis-Leistungs-Verhältnis.

Angesichts dieser Umstände begann LeapMind mit der Entwicklung neuer Prozessorhalbleiter (im Folgenden „KI-Chips“ genannt) für KI-Lernen und -Inferenz und wendet dabei die Technologie an, die wir bei der Entwicklung von Edge-KI-Beschleunigern gesammelt haben. Der neue KI-Chip konzentriert sich auf KI-Modelllernen und -Inferenz, mit einem Rechenleistungsziel von 2 PFLOPS (Petaflops) und einem 10-fach besseren Preis-Leistungs-Verhältnis als GPUs mit vergleichbarer Leistung. Das Produkt soll spätestens 2025 ausgeliefert werden.

 

Berichten zufolge weist der neue KI-Chip die folgenden Eigenschaften auf: Entwickelt für das Lernen und Schlussfolgern von KI-Modellen. · Schwerpunkt auf Ausdrücken mit niedriger Bitzahl wie FP8 Open Source-Treibern und -Compilern. Sie sagen, dass er die folgenden Eigenschaften aufweist, wenn das Lernen und Schlussfolgern von KI-Modellen als Rechenaufgaben betrachtet werden: · Die Matrixmultiplikation ist ein Rechenengpass, lässt sich leicht parallelisieren und hat wenige bedingte Verzweigungen.

LeapMind betont, dass das Unternehmen nicht darauf abzielt, die Leistung von Allzweckcomputern zu verbessern, sondern die oben genannten Funktionen nutzt, um speziell für das Lernen und Denken von KI-Modellen entwickelt zu werden. Da das Programm beispielsweise nur wenige bedingte Verzweigungen enthält, kann die Anzahl der Transistoren durch Weglassen der Verzweigungsvorhersageeinheit reduziert werden.

Der Grund für die Betonung von Low-Level-Ausdrücken wie fp8 liegt darin, dass ihrer Ansicht nach der Rechenengpass von KI-Modellen die Matrixmultiplikation ist, die viele Multiplikationen und Additionen beinhaltet. Multiplikatoren sind in der Regel große Schaltkreise, aber durch die Verwendung eines Datentyps mit geringerer Bitbreite als zuvor, wie z. B. FP8, können Sie die Anzahl der erforderlichen Transistoren reduzieren. Da außerdem nur wenige Daten verarbeitet werden, ist es möglich, die DRAM-Bandbreite effektiv zu nutzen, was in den letzten Jahren zu einem Engpass geworden ist.

Was Open-Source-Treiber und -Compiler betrifft, liegt dies daran, dass die Entwicklung von KI-Modellen einen fortschrittlichen Software-Stack erfordert, den ein einzelnes Unternehmen nicht bereitstellen kann. Es gibt bereits ein Open-Source-Software-Ökosystem, an dem mehrere Unternehmen beteiligt sind, und um Teil dieses Ökosystems zu sein, ist es wichtig, der Community als Open-Source-Software beizutreten.

Im Rahmen des LeapMind-Programms wird das Unternehmen möglichst viele Hardwarespezifikationen offenlegen und Software wie Treiber und Compiler unter einer OSI-konformen Lizenz veröffentlichen.