कृत्रिम बुद्धिमत्ता
एआई दक्षता से मिलती है: नया चिप एलएलएम की ऊर्जा उपयोग को 50% तक घटाता है
Securities.io को Google पर अपने पसंदीदा स्रोतों में जोड़ें
चल रहे कृत्रिम बुद्धिमत्ता (AI) बूम के कारण डेटा सेंटरों में तेज़ी से वृद्धि हो रही है, जिससे उनके अंदर के सर्वरों को चलाने और ठंडा रखने के लिए बड़ी मात्रा में बिजली की मांग बढ़ रही है।
जबकि दुनिया भर में 8,000 से अधिक डेटा सेंटर हैं, जिनमें अधिकांश संयुक्त राज्य में स्थित हैं, यह संख्या आने वाले वर्षों में काफी बढ़ेगी।
बोस्टन कंसल्टिंग ग्रुप के अनुमान के अनुसार, 2030 तक डेटा सेंटरों की मांग हर साल 15% से 20% तक बढ़ेगी। इस बिंदु पर, कंपनी उम्मीद करती है कि वे कुल अमेरिकी बिजली खपत का 16% हिस्सा बनेंगे, जो 2022 में OpenAI के ChatGPT रिलीज़ से पहले केवल 2.5% था।
इसी बीच, अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) की इस वर्ष जारी विशेष ऊर्जा और AI रिपोर्ट के अनुसार, दुनिया भर के डेटा सेंटरों की बिजली की मांग इस दशक के अंत तक कम से कम दोगुनी होकर लगभग 945 टेरावाट‑घंटे हो जाएगी। यह लगभग जापान की वर्तमान खपत के बराबर है।special Energy and AI report
पेरिस स्थित यह स्वायत्त अंतर‑सरकारी संगठन रिपोर्ट करता है कि AI इस उछाल का सबसे बड़ा कारण है, और AI‑ऑप्टिमाइज़्ड डेटा सेंटरों की बिजली मांग 2030 तक चार गुना से अधिक होने की भविष्यवाणी की गई है।
विशेष रूप से संयुक्त राज्य में, डेटा सेंटरों द्वारा बिजली की खपत अब पहले से ही 2023 से 2030 के बीच बिजली मांग में लगभग आधे वृद्धि का कारण बन रही है। AI उपयोग द्वारा प्रेरित, रिपोर्ट के अनुसार, अमेरिकी अर्थव्यवस्था उस बिंदु पर डेटा प्रोसेस करने के लिए सभी ऊर्जा‑गहन वस्तुओं के उत्पादन से अधिक बिजली का उपभोग करेगी।
ऊर्जा की इस अतृप्त भूख से AI के विकास और अपनाने में बड़ी समस्या उत्पन्न होती है। हालांकि, सकारात्मक पक्ष यह है कि AI की ऊर्जा उपयोग को कम करने और इसे अधिक ऊर्जा‑कुशल बनाने के लिए शोधकर्ताओं और कंपनियों की संख्या बढ़ रही है।
इन प्रयासों की रोचक बात यह है कि उनमें से कई अपने स्वयं के ऊर्जा चुनौतियों को हल करने के लिए AI का उपयोग करते हैं।
सिर्फ इस महीने, शोधकर्ताओं की एक टीम ने एक नया चिप प्रदर्शित किया जो AI का उपयोग करके बड़े भाषा मॉडलों (LLMs) की ऊर्जा पदचिह्न को 50% तक घटाता है, जिससे LLMs को लागत‑प्रभावी और अधिक टिकाऊ बनाना एक महत्वपूर्ण विकास है।
नया चिप AI का उपयोग करके LLM की ऊर्जा खपत को कम करता है
ओरेगन स्टेट यूनिवर्सिटी कॉलेज ऑफ इंजीनियरिंग के शोधकर्ताओं ने नया कुशल AI चिप विकसित किया है ताकि OpenAI के GPT‑4 और Google के Gemini जैसे LLM AI अनुप्रयोगों की विशाल बिजली खपत समस्या का समाधान किया जा सके।
मशीन लर्निंग (ML) मॉडल का एक प्रकार, बड़े भाषा मॉडल (LLM) को विशाल मात्रा में डेटा पर पूर्व‑प्रशिक्षित किया जाता है ताकि टेक्स्ट जनरेशन, सारांश, सरलीकरण, टेक्स्ट रीजनिंग, भाषा अनुवाद और अन्य प्राकृतिक भाषा प्रसंस्करण (NLP) कार्यों को किया जा सके।
आज के सबसे लोकप्रिय और व्यापक रूप से उपयोग किए जाने वाले चैटबॉट्स में OpenAI के GPT‑4o, o3, और o1, Google के Gemini और Gemma, Meta का Llama, DeepSeek के R1 और V3, Anthropic का Claude, Amazon (AMZN ) का Nova, Microsoft (MSFT ) का Phi, और xAI का Grok शामिल हैं।
पिछले कुछ वर्षों में, LLMs ने AI के क्षेत्र को पूरी तरह बदल दिया है, जिससे मशीनें अधिक सटीकता के साथ मानव‑समान टेक्स्ट को समझ और उत्पन्न कर सकें। हालांकि, LLMs के इस विकास ने उनके आकार में घातीय वृद्धि की है।
LLM का आकार, जो उसके पैरामीटरों की संख्या से मापा जाता है, उसकी ऊर्जा खपत का मुख्य कारण है। इसका मतलब है कि मॉडल जितना बड़ा होगा, प्रशिक्षण और अनुमान के लिए उसकी कम्प्यूटेशनल शक्ति की आवश्यकता उतनी ही अधिक होगी।
उदाहरण के लिए, ChatGPT‑1 में लगभग 120 मिलियन पैरामीटर थे, जो GPT‑3 के साथ 175 बिलियन पैरामीटर तक बढ़ गया, और फिर GPT‑4 के साथ लगभग 1.8 ट्रिलियन पैरामीटर तक पहुँचा।
LLM के आकार और क्षमता में इस विशाल वृद्धि का मतलब है कि उनकी ऊर्जा खपत भी अभूतपूर्व स्तर पर बढ़ रही है। मॉडल के आकार के अलावा, उन हार्डवेयर के प्रकार, प्रशिक्षण प्रक्रिया की अवधि, बुनियादी ढांचा (जैसे डेटा सेंटर), डेटा प्रोसेसिंग, मॉडल ऑप्टिमाइज़ेशन और एल्गोरिदम दक्षता जैसे कारक LLM की ऊर्जा खपत को प्रभावित करते हैं।
इसलिए, OSU के शोधकर्ताओं द्वारा नया चिप प्रस्तुत किया गया। OSU में इलेक्ट्रिकल इंजीनियरिंग के एसोसिएट प्रोफेसर और विश्वविद्यालय के मिश्रित सिग्नल सर्किट्स और सिस्टम्स लैब के निदेशक तेजस्वी आनंद के अनुसार:
“समस्या यह है कि एक बिट को प्रसारित करने के लिए आवश्यक ऊर्जा डेटा दर की बढ़ती मांग के समान गति से नहीं घट रही है। यही कारण है कि डेटा सेंटर इतनी अधिक शक्ति का उपयोग कर रहे हैं।”
इस समस्या को हल करने के लिए, टीम ने एक नया चिप डिजाइन और विकसित किया जो पारंपरिक डिज़ाइनों की तुलना में केवल आधी ऊर्जा खपत करता है।
आनंद और डॉक्टरेट छात्र रामिन जावाद ने इस नई तकनीक को IEEE कस्टम इंटीग्रेटेड सर्किट्स (CIC) सम्मेलन में प्रस्तुत किया, जो पिछले महीने बोस्टन में आयोजित हुआ था। यह सम्मेलन, जो फोरम, पैनल, प्रदर्शनी और मौखिक प्रस्तुतियों की मेज़बानी करता है, IC के विकास के लिए समर्पित है, जो आधुनिक इलेक्ट्रॉनिक सिस्टमों की निर्माण ब्लॉक के रूप में कार्य करता है, कार्यक्षमता और प्रोसेसिंग शक्ति को एक कॉम्पैक्ट और कुशल पैकेज में प्रदान करता है।
नवीनतम तकनीक को सेंटर फॉर युबिक्विटस कनेक्टिविटी (CUbiC), सेमीकंडक्टर रिसर्च कॉरपोरेशन (SRC), और डिफेंस एडवांस्ड रिसर्च प्रोजेक्ट्स एजेंसी (DARPA) के समर्थन से बनाया गया। इसे सम्मेलन में जावादी को सर्वश्रेष्ठ छात्र पेपर पुरस्कार भी मिला।
नए चिप के लिए, शोधकर्ताओं ने वास्तव में AI सिद्धांतों का उपयोग किया, जैसा कि जावादी ने बताया, जो सिग्नल प्रोसेसिंग के लिए बिजली उपयोग को कम करते हैं।
जैसा कि उन्होंने समझाया, LLMs डेटा सेंटरों में कॉपर‑आधारित वायरलाइन कनेक्शन के माध्यम से बहुत सारा डेटा भेजते और प्राप्त करते हैं। इस पूरी प्रक्रिया को महत्वपूर्ण ऊर्जा की आवश्यकता होती है, इसलिए एक संभावित “समाधान अधिक कुशल वायरलाइन संचार चिप्स विकसित करना” है।
जावादी ने आगे बताया कि जब डेटा उच्च गति से भेजा जाता है, तो रिसीवर के अंत में डेटा वास्तव में भ्रष्ट हो जाता है, और परिणामस्वरूप इसे साफ़ करने की आवश्यकता होती है। इस उद्देश्य के लिए, अधिकांश मौजूदा वायरलाइन संचार प्रणालियाँ एक इक्वलाइज़र का उपयोग करती हैं, जो बहुत सारी शक्ति खपत करता है।
“हम उन AI सिद्धांतों को ऑन‑चिप उपयोग कर डेटा को अधिक स्मार्ट और कुशल तरीके से पुनर्प्राप्त कर रहे हैं, ऑन‑चिप क्लासिफायर को त्रुटियों को पहचानने और सुधारने के लिए प्रशिक्षित करके।”
– जावादी
हालांकि यह एक बड़ी प्रगति है, यह चिप केवल प्रारंभिक संस्करण है। इसका अगला संस्करण वर्तमान में ऊर्जा दक्षता को और बढ़ाने के लिए काम में है।
समग्र रूप से, यह चल रहा शोध AI बुनियादी ढांचे और डेटा सेंटर संचालन के भविष्य पर व्यापक प्रभाव डालने की बड़ी संभावनाएँ दिखाता है। लेकिन बेशक, इसके लिए तकनीक का बड़े पैमाने पर सफल कार्यान्वयन आवश्यक है, जो कभी आसान नहीं होता।
AI कैसे माइक्रोचिप इंजीनियरिंग को बदल रहा है, जानने के लिए यहाँ क्लिक करें।
परतों में प्रगति के साथ AI की ऊर्जा भूख को काबू करना
यह नवीनतम चिप विकास AI की ऊर्जा खपत समस्या को हल करने वाले कई शोध परियोजनाओं में से एक है। तो, चलिए देखते हैं कि शोधकर्ताओं ने इसे कैसे नवाचारी तरीकों से संबोधित किया है।
AI ऊर्जा दक्षता के लिए प्रकाश का उपयोग
इस वर्ष की शुरुआत में, USST के वैज्ञानिकों ने विकसित1 किया एक सूक्ष्म AI चिप, जो धूल के कण या नमक के दाने से भी छोटा है, और प्रकाश का उपयोग करके फाइबर‑ऑप्टिक केबलों से डेटा प्रोसेस करता है। यह कम ऊर्जा खपत के साथ तेज़ गणनाओं का वादा करता है।
चिप प्रकाश को नियंत्रित करके तुरंत गणनाएँ करती है, बजाय पारंपरिक कंप्यूटरों की तरह प्रकाश संकेतों की व्याख्या करने के। इसके लिए यह “ऑल‑ऑप्टिकल डिफ्रैक्टिव डीप न्यूरल नेटवर्क” का उपयोग करती है, जो पैटर्न वाले, 3D‑प्रिंटेड परतों को एक साथ स्टैक करके बनती है। जबकि यह क्रांतिकारी है, कार्य‑विशिष्ट डिजाइन, दोषों के प्रति संवेदनशीलता, और बड़े पैमाने पर उत्पादन की कठिनाई जैसी चुनौतियों को पार करना आवश्यक है ताकि यह एंडोस्कोपिक इमेजिंग, क्वांटम कंप्यूटिंग और डेटा सेंटरों में “अभूतपूर्व कार्यक्षमताएँ” हासिल कर सके।
उससे कुछ महीने पहले, MIT के वैज्ञानिकों ने भी प्रकाश का उपयोग करके चिप पर न्यूरल नेटवर्क के मुख्य संचालन किए, जिससे अल्ट्रा‑फ़ास्ट AI गणनाएँ (आधे नैनोसेकंड में) 92% सटीकता और अत्यधिक ऊर्जा दक्षता के साथ संभव हुईं।
“यह कार्य दर्शाता है कि कंप्यूटिंग — मूल रूप से इनपुट से आउटपुट का मैपिंग — को रैखिक और अरेखिक भौतिकी की नई आर्किटेक्चर पर संकलित किया जा सकता है, जो गणना और आवश्यक प्रयास के बीच एक मूलभूत रूप से अलग स्केलिंग नियम को सक्षम बनाता है।”
– वरिष्ठ लेखक डिर्क एंगलुंड
वैज्ञानिकों ने फोटॉनिक चिप विकसित2 की, जो परस्पर जुड़े मॉड्यूलों से बना है जो एक ऑप्टिकल न्यूरल नेटवर्क बनाते हैं। उल्लेखनीय है कि इसके निर्माण के लिए व्यावसायिक फाउंड्री प्रक्रियाओं का उपयोग किया गया, जिससे इसे स्केल किया जा सकता है और इलेक्ट्रॉनिक्स में एकीकृत किया जा सकता है। साथ ही, वैज्ञानिकों ने इलेक्ट्रॉनिक्स और ऑप्टिक्स को मिलाकर नॉन‑लाइनियर ऑप्टिकल फ़ंक्शन यूनिट्स (NOFUs) डिजाइन करके ऑप्टिक्स में नॉन‑लाइनियरिटी की चुनौती को पार किया।
AI प्रशिक्षण के लिए एक सॉफ़्टवेयर टूल और डेटा सेंटरों के लिए एक कूलिंग सिस्टम
वहीं, यूनिवर्सिटी ऑफ मिशिगन के शोधकर्ताओं ने ऊर्जा बर्बादी को लक्षित किया जो AI प्रशिक्षण के समय उत्पन्न होती है, विशेष रूप से जब यह GPUs के बीच असमान रूप से विभाजित होती है, जो बड़े डेटा सेटों को प्रोसेस करने के लिए आवश्यक हैं।
इसलिए, उन्होंने Perseus नामक एक सॉफ़्टवेयर टूल विकसित किया जो सबसे अधिक समय लेने वाले उप‑कार्य को पहचानता है और फिर इस ‘क्रिटिकल पाथ’ पर नहीं होने वाले प्रोसेसरों की गति को कम करता है, जिससे सभी प्रोसेसर एक साथ अपने कार्य पूरे कर सकें, और अनावश्यक शक्ति उपयोग को हटाया जा सके।
यह ओपन‑सोर्स टूल Zeus का हिस्सा है, जो AI ऊर्जा खपत को मापने और अनुकूलित करने के लिए एक टूल है।
इसी बीच, मिसौरी विश्वविद्यालय के शोधकर्ताओं ने डेटा सेंटरों को अधिक ऊर्जा‑कुशल बनाने के लिए अगली पीढ़ी के कूलिंग सिस्टम को तैयार करने की दिशा में कदम बढ़ाया। वे सर्वर रैक में आसान कनेक्शन और डिस्कनेक्शन के लिए एक कूलिंग सिस्टम भी बना रहे हैं।
“कूलिंग और चिप निर्माण एक साथ चलते हैं। उचित कूलिंग के बिना, घटक अधिक गर्म हो जाते हैं और विफल हो जाते हैं। ऊर्जा‑कुशल डेटा सेंटर AI कंप्यूटिंग के भविष्य की कुंजी होंगे।”
– चैनवू पार्क, मिज़्ज़ू कॉलेज ऑफ़ इंजीनियरिंग में मैकेनिकल और एयरोस्पेस इंजीनियरिंग के प्रोफेसर
DOE की COOLERCHIPS पहल से $1.5 मिलियन के फंडिंग समर्थन के साथ, टीम ने एक दो‑चरणीय कूलिंग सिस्टम विकसित किया जो सर्वर चिप्स से गर्मी को फेज़ परिवर्तन के माध्यम से हटाता है। यह न केवल कम कूलिंग की आवश्यकता होने पर बिना किसी ऊर्जा के निष्क्रिय रूप से चल सकता है, बल्कि सक्रिय मोड में भी सिस्टम बहुत कम ऊर्जा का उपयोग करता है।
CRAM हार्डवेयर AI की ऊर्जा उपयोग को 1000 गुना घटा सकता है
पिछले गर्मियों में, यूनिवर्सिटी ऑफ़ मिनेसोटा ट्विन सिटीज़ के इंजीनियरों ने एक उन्नत हार्डवेयर डिवाइस विकसित3 किया जो AI की ऊर्जा खपत को लगभग 1,000 गुना घटा सकता है।
इस नए मॉडल को कंप्यूटेशनल रैंडम‑एक्सेस मेमोरी (CRAM) कहा जाता है, और इसमें डेटा कभी मेमोरी से बाहर नहीं जाता; बल्कि, यह पूरी तरह मेमोरी एरे के भीतर प्रोसेस किया जाता है, जिससे ऊर्जा‑गहन और धीमी डेटा ट्रांसफ़र की आवश्यकता समाप्त हो जाती है।
दो दशकों के निर्माण के बाद, यह अध्ययन टीम के प्रयासों का हिस्सा है जो वरिष्ठ लेखक जियान‑पिंग वांग के मैग्नेटिक टनल जंक्शन (MTJs) डिवाइसों पर पेटेंटेड शोध को आगे बढ़ा रहा है। ये नैनो‑संरचित डिवाइस सेंसर, हार्ड ड्राइव और अन्य माइक्रोइलेक्ट्रॉनिक सिस्टम जैसे मैग्नेटिक रैंडम एक्सेस मेमोरी (MRAM) को सुधारने के लिए उपयोग किए जाते हैं।
“एक अत्यंत ऊर्जा‑कुशल डिजिटल इन‑मेमोरी कंप्यूटिंग सब्सट्रेट के रूप में, CRAM बहुत लचीला है क्योंकि गणना मेमोरी एरे के किसी भी स्थान पर की जा सकती है,” सह‑लेखक उलिया कार्पुज़कु, इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग विभाग की एसोसिएट प्रोफेसर ने कहा। साथ ही, इसे विभिन्न एल्गोरिदम की प्रदर्शन आवश्यकताओं के अनुसार पुनः कॉन्फ़िगर किया जा सकता है।
मस्तिष्क‑प्रेरित AI: मानव दक्षता की नकल करके शक्ति उपयोग को कम करना
तो, जैसा कि हमने देखा, शोधकर्ता AI की ऊर्जा समस्याओं को हल करने के लिए इसके विभिन्न पहलुओं को देख रहे हैं। दिलचस्प बात यह है कि वे प्रेरणा के लिए मानव मस्तिष्क की ओर भी मुड़ रहे हैं। यह समझ में आता है, क्योंकि AI मूलतः मशीनों द्वारा मानव बुद्धिमत्ता प्रक्रियाओं का सिमुलेशन है, हालांकि यह मानव सोच और तर्क से कहीं दूर है, क्योंकि इसकी विविधताओं के बीच सामान्यीकरण करने की क्षमता “मानव संज्ञान से काफी कमजोर” है।
मस्तिष्क‑प्रेरित ऊर्जा कमी शोध में यूनिवर्सिटी के सिडनी AI सेंटर के एसोसिएट प्रोफेसर चांग शू का काम शामिल है, जिन्होंने कहा कि LLMs द्वारा साधारण कार्यों के लिए भी संसाधनों को पूरी क्षमता से उपयोग करना सही तरीका नहीं है। उन्होंने समझाया:
“जब आप एक स्वस्थ मानव मस्तिष्क के बारे में सोचते हैं – यह सभी न्यूरॉन्स को एक साथ सक्रिय नहीं करता या अपनी पूरी शक्ति का एक साथ उपयोग नहीं करता। यह अत्यधिक ऊर्जा दक्षता के साथ काम करता है, केवल 20 वाट शक्ति के साथ, जबकि इसमें लगभग 100 अरब न्यूरॉन्स होते हैं, जिन्हें यह विभिन्न कार्यों या सोच के लिए मस्तिष्क के विभिन्न गोलार्धों से चयनित रूप से उपयोग करता है।”
इसलिए, वे ऐसे एल्गोरिदम विकसित कर रहे हैं जो अनावश्यक गणनाओं को बायपास करते हैं और स्वचालित रूप से उच्च गति में नहीं जाते।
अन्य मामलों में, शोध ने मस्तिष्क की न्यूरोमॉड्यूलेशन से प्रेरणा लेकर ‘स्टैशिंग सिस्टम’ नामक एक एल्गोरिदम बनाया, जिससे बिना किसी सटीकता ह्रास के ऊर्जा में 37% कमी आई, मस्तिष्क कोशिका के स्वयं‑मरम्मत कार्य ‘हार्डवेयर डिवाइसों के लिए एस्ट्रोसाइट्स’, और न्यूरोमोर्फिक (मस्तिष्क‑प्रेरित) कंप्यूटिंग (मेम्रिस्टर्स) को कई न्यूरल नेटवर्क उप‑समूहों में एक साथ काम करने के लिए प्राप्त किया।
कृत्रिम बुद्धिमत्ता में निवेश
एक वैश्विक सेमीकंडक्टर कंपनी, AMD (AMD ) अपने हाई‑परफ़ॉर्मेंस कंप्यूटिंग, ग्राफ़िक्स और विज़ुअलाइज़ेशन तकनीकों के लिए जानी जाती है। जबकि AI के प्रमुख प्रतिस्पर्धी NVIDIA (NVDA ) के साथ प्रत्यक्ष प्रतिस्पर्धा में है, यह डेटा सेंटर और AI एक्सेलेरेटर बाजारों में तेजी से आगे बढ़ रही है। इसका MI300 सीरीज़ विशेष रूप से जनरेटिव AI वर्कलोड और HPC अनुप्रयोगों को लक्षित करता है।
डेटा सेंटर CPU क्षेत्र में इसकी प्रमुख उपस्थिति, मजबूत R&D फोकस, राजस्व वृद्धि, ग्राहक आधार और अधिग्रहण AMD को इस क्षेत्र में एक मजबूत खिलाड़ी बनाते हैं।
Advanced Micro Devices (AMD )
2022 में, AMD ने Xilinx के अधिग्रहण के साथ $50 बिलियन मूल्य का रिकॉर्ड चिप उद्योग सौदा किया, जिससे वह उद्योग का हाई‑परफ़ॉर्मेंस और एडेप्टिव कंप्यूटिंग लीडर बन गया। और सबसे हाल ही में, उसने ZT Systems का अधिग्रहण पूरा किया ताकि 2028 में $500 बिलियन डेटा सेंटर AI एक्सेलेरेटर अवसर को संबोधित किया जा सके।
AMD का बाजार प्रदर्शन भी इस वर्ष पुनरुद्धार कर रहा है, जबकि पहले टैरिफ़ उथल‑पुथल से प्रभावित हुआ था। लेखन के समय, AMD के शेयर $120 पर ट्रेड हो रहे हैं, YTD में 6.9% गिरावट के साथ, लेकिन मार्च 2024 के शिखर से लगभग 47% कम हैं। इसके साथ, इसका मार्केट कैप $182.34 बिलियन है, EPS (TTM) 1.36 और P/E (TTM) 82.44 है।
कंपनी के वित्तीय आंकड़ों के अनुसार, AMD ने 2025 की पहली तिमाही में राजस्व में 36% YoY वृद्धि कर $7.4 बिलियन की रिपोर्ट की, जिसे CEO डॉ. लिसा सू ने “वर्ष की उत्कृष्ट शुरुआत” कहा, “गतिशील मैक्रो और नियामक माहौल के बावजूद।” इस वृद्धि को “डेटा सेंटर और AI की गति के विस्तार” द्वारा प्रेरित किया गया, उन्होंने जोड़ा।
इस अवधि में, AMD की ऑपरेटिंग आय $806 मिलियन, शुद्ध आय $709 मिलियन, और डायल्यूटेड प्रति शेयर आय $0.44 थी। 2025 की दूसरी तिमाही के लिए, यह लगभग $7.4 बिलियन का राजस्व अनुमानित कर रहा है।
कंपनी द्वारा किए गए कुछ प्रमुख विकासों में Meta Platforms, Inc. (META ) (Llama), Alphabet Inc. (GOOG ) (GOOGL ) (Gemma), Oracle Corporation (ORCL ), Core42, Dell Technologies (DELL ), और अन्य के साथ रणनीतिक साझेदारियों का विस्तार शामिल है। AMD, Nokia, Cisco Systems, Inc. (CSCO ), और Jio के साथ मिलकर, एक नया Open Telecom AI Platform घोषित किया, जो दक्षता, सुरक्षा और क्षमताओं को बढ़ाने के लिए AI‑ड्रिवेन समाधान प्रदान करता है।
अब, इस सप्ताह, AMD और Nvidia ने सऊदी अरब के पब्लिक इन्वेस्टमेंट फंड की AI‑केंद्रित सहायक कंपनी Humain के साथ साझेदारी की, ताकि 500 MW क्षमता वाले बड़े‑पैमाने के डेटा सेंटर प्रोजेक्ट के लिए सेमीकंडक्टर्स प्रदान किए जा सकें।
शीर्ष गैर‑सिलिकॉन कंप्यूटिंग कंपनियों की सूची के लिए यहाँ क्लिक करें।
नवीनतम एडवांस्ड माइक्रो डिवाइसेस (AMD) रुझान और विकास
निष्कर्ष
पिछले कुछ वर्षों में, AI के प्रति उत्साह ने विस्फोटक वृद्धि देखी है, और इसके कारण भी हैं। यह तकनीक, अंततः, स्वास्थ्य देखभाल, विनिर्माण, सामग्री विज्ञान से लेकर वित्त, मनोरंजन, शिक्षा, रिटेल और साइबर सुरक्षा तक विभिन्न उद्योगों को बदलने की बड़ी संभावनाएँ रखती है।
हालाँकि, तकनीकी प्रगति, बढ़ती अपनाने और इन LLMs के विस्तार ने ऊर्जा की महत्वपूर्ण मांग पैदा की है, जो ग्रीनहाउस गैस (GHG) उत्सर्जन और जलवायु परिवर्तन में योगदान देती है, आर्थिक लागत बढ़ाती है, और तकनीक की स्थिरता को प्रभावित करती है।
यह AI के लिए एक बड़ी चुनौती प्रस्तुत करता है। यदि हम लागत में कमी, उत्पादकता में वृद्धि और बड़े पैमाने पर बेहतर निर्णय‑लेने के संदर्भ में इसकी वास्तविक क्षमता को पूरी तरह से साकार करना चाहते हैं, तो मॉडलों को लागत‑प्रभावी और स्थायी बनना होगा।
हालांकि, अच्छी बात यह है कि दुनिया भर के शोधकर्ता पहले से ही AI को ऊर्जा‑कुशल बनाने पर कड़ी मेहनत कर रहे हैं, जैसा कि ओरेगन स्टेट के AI‑संचालित चिप से स्पष्ट है, जो नवाचार को स्थिरता के साथ संरेखित करने की मजबूत संभावना दर्शाता है।
बेशक, प्रस्तावित तकनीकों को वास्तविक‑विश्व प्रभाव, स्केलेबिलिटी हासिल करने में अपनी सबसे बड़ी बाधा को पार करना होगा। फिर भी, एक बात स्पष्ट है: हरा‑भरा AI भविष्य संभव है, और वह आ रहा है!
कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए यहाँ क्लिक करें।
संदर्भित अध्ययन:
1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). सभी‑ऑप्टिकल इमेज ट्रांसपोर्टेशन मल्टी‑मोड फाइबर के माध्यम से, डिस्टल फेसैट पर एक मिनिएचर डिफ्रैक्टिव न्यूरल नेटवर्क का उपयोग करके। Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). सिंगल‑चिप फोटॉनिक डीप न्यूरल नेटवर्क फॉरवर्ड‑ओनली ट्रेनिंग के साथ। Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). मैग्नेटिक टनल जंक्शन‑आधारित कंप्यूटेशनल रैंडम‑एक्सेस मेमोरी का प्रयोगात्मक प्रदर्शन। npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
