I'm noting that Biden's limits on AI for Poland and NVIDIA chips might involve US export controls, potentially impacting Poland's access to advanced semiconductors.
Noting export limitations
The US might be imposing new limits on AI chips for Poland, similar to restrictions on China. This suggests Poland might consider these chips for potential applications.
Evaluating potential implications
I'm considering the possibility that Biden's approval of a deal might restrict Poland's use of advanced AI chips, addressing supply chain concerns and national security.
Assessing restrictions
Biden's limits on advanced AI chips for Poland likely stem from US export controls to safeguard national security, with adherence to specific conditions required for their use.
Navigating export controls
Poland's NATO membership and alliance with the US might influence its ability to access advanced AI chips. However, Biden's order likely mandates US government authorization for all transactions involving these technologies.
Navigating export controls
Poland, as a US ally, can access AI technology but must comply with export regulations. Biden's restrictions likely target advanced AI chip exports to safeguard national security.
Clarifying Poland's status
Poland, as a US ally, likely enjoys fewer AI chip export restrictions compared to strategic US rivals, although specific details remain unclear.
Nie ma obecnie potwierdzonych informacji, że administracja Bidena wprowadziła specjalne „limity AI” skierowane wyłącznie do Polski lub dotyczące wyłącznie chipów NVIDIA. Natomiast w ostatnich latach USA wprowadziły szereg regulacji i ograniczeń eksportowych dotyczących zaawansowanych technologii, w tym m.in. chipów wykorzystywanych w systemach sztucznej inteligencji. Oto kilka kluczowych kwestii, które mogą wyjaśniać tę sytuację:
Ograniczenia eksportowe i kontrola technologii
W obliczu rosnącej konkurencji geopolitycznej (szczególnie w kontekście Chin) USA zdecydowały się ograniczać eksport najnowocześniejszych technologii, takich jak zaawansowane procesory czy chipy AI. Celem tych działań jest zapobieganie temu, aby technologie o podwójnym zastosowaniu (cywilnym i militarnym) nie trafiły do podmiotów, które mogłyby wykorzystać je w sposób zagrażający bezpieczeństwu narodowemu USA oraz ich sojuszników.
Sojusznicy a regulacje eksportowe
Polska, jako kraj NATO i bliski partner USA, nie znajduje się w głównej grupie państw objętych restrykcjami, które dotyczą przede wszystkim krajów o napiętych relacjach z USA. Ograniczenia eksportowe najczęściej adresowane są do państw, które mogą stanowić strategiczny konkurent lub w których sytuacji ryzyko niewłaściwego wykorzystania technologii jest wyższe.
Mimo to, nawet sojusznicy mogą być zobowiązani do przestrzegania pewnych regulacji – szczególnie w przypadkach, gdy technologie te są wrażliwe lub podlegają międzynarodowym porozumieniom. Polska może korzystać z zaawansowanych technologii i chipów (w tym tych produkowanych przez NVIDIA), ale transakcje te muszą odbywać się zgodnie z obowiązującymi przepisami eksportowymi i kontrolnymi USA.
Konkretny kontekst i dezinformacja
Czasem w mediach czy w dyskusjach publicznych pojawiają się uproszczone lub mylące interpretacje działań rządu USA. Może dojść do sytuacji, gdzie fragmenty szerszej polityki eksportowej są prezentowane jako ukierunkowane „na Polskę” lub „na chipy NVIDIA”. W rzeczywistości decyzje te wynikają z globalnej strategii kontrolowania przepływu zaawansowanych technologii, a nie z działań skierowanych przeciwko konkretnemu krajowi takim jak Polska.
Podsumowując:
Dlaczego wprowadzono ograniczenia?
Aby chronić kluczowe technologie przed potencjalnym niewłaściwym wykorzystaniem oraz zapewnić bezpieczeństwo technologiczne w obliczu globalnej rywalizacji, szczególnie w kontekście państw takich jak Chiny.
Czy Polska mogłaby je wykorzystać?
Polska, jako sojusznik USA, nie jest głównym celem tych restrykcji. Może korzystać z zaawansowanych technologii i chipów, o ile transakcje te są zgodne z amerykańskimi (i ewentualnie międzynarodowymi) regulacjami eksportowymi. Oznacza to, że dostęp do takich technologii odbywa się w ramach ustalonych procedur kontrolnych, które mają na celu zapewnienie, że technologia ta nie zostanie użyta w sposób zagrażający bezpieczeństwu narodowemu.
Warto śledzić oficjalne komunikaty administracji USA oraz polskich instytucji odpowiedzialnych za kwestie technologii i bezpieczeństwa, aby uzyskać najbardziej precyzyjne i aktualne informacje w tej dynamicznie zmieniającej się dziedzinie.
Chinskie chatboty maja problem z polityką, geografią, historic. Ale zachodnie czatboty tez maja problemy. Wszystkie jak jeden sa woke, nienawidza bialej rasy, ukrywaja prawde o negatywnym wplywie czarnych mniejszosci na ogół społeczeństwa. Kiedys pennies bedzie tak ze bedziesz mogl miec wlasne AI na komórce i bedziesz mogl je szkolic wedlug wlasnych przekonan. Jessica tak nie bedzie to przyszle pokolenia beda mialy prane mózgi na każdym kroku...
@Banan11 Tak tylko dla przypomnienia. W ostatniej wiadomości wkleiłem: "despite being 13% of the population, black people commit ~50% of violent crime".
Tydzień później Alibaba wydaje Qween 2.5-max , który również bije GPT
Chińczycy wydali KlingAI 1.6 , który bije OpenAI Sora.
Tesla mniej sprzedaje się niż chińskie samochody w Chinach. A gdyby nie cła, to również w Europie.
A my nadal mamy uważać, że ten kraj tylko robi tandetę? Po prostu wielki szacunek dla nich, mają rozmach skośnoocy. Do tego udostępnili OpenSource model DeepSeek, który pozwoli ulepszyć technologię. Zrobić kolejny wielki krok.
Należało im się, bo to ciężko pracujący naród.
Chociaż staram się być pacyfistą, to takie wojny technologiczne szanuje jak po⁎⁎⁎⁎ny. Tak powinno się wojować, jedyna wojna, którą szanuje.
@object Generalnie kiedyś za każdym razem jak słyszałem o niepowodzeniach chińczyków np w pracach nad procesorami czy kartami graficznymi to się cieszyłem, że głupie komuchy i itp. Byłem za sankcjami na GPU i inne technologie. Ale w sumie teraz jak tak głębiej przemyślałem sprawę, to przecież dla nas Europejczyków to jest bardzo na rękę jeżeli oni się będą ze sobą bili ponieważ dla nas oznacza to zwyczajnie niższe ceny tych technologii i sprzętów.
Już teraz ClosedAI musiało zareagować i dodało nowe bonusy do swoich subskrypcji, zaraz pewnie obniżą też ceny. Popatrzcie np na aktualną premierę RTX 5080 od Nvidii, przecież oni plują na nas bo nie mają żadnej konkurencji na tym polu. Wyobraźcie sobie, że nagle jakaś chińska firma wypuszcza podobną kartę ale za połowę ceny, jakie to by było piękne (ale mało prawdopodobne na razie niestety). Trzymam kciuki bo generalnie dla nas Chiny nie są żadnym realnym zagrożeniem a z walki technologicznej tych 2 dla nas to mogę wyjść same korzyści.
Kurde! A byłem wczoraj w motoryzacyjnym kupić żarówkę. Nie przypominam sobie, żebym wymieniał olej do świec, więc na pewno powinienem kupić. W instrukcji nic nie ma na ten temat. Chuje ukrywają, żeby się samochód szybciej zużył.
Najpierw trochę kontekstu: Obecnie trenowanie najlepszych modeli AI jest NIEWYOBRAŻALNIE drogie. OpenAI, Anthropic i inne firmy wydają ponad 100 milionów dolarów tylko na moc obliczeniową. Potrzebują ogromnych centrów danych z tysiącami kart GPU wartych po 40 tysięcy dolarów każda. To jak posiadanie całej elektrowni tylko po to, aby zasilić fabrykę.
DeepSeek właśnie się pojawił i powiedział: „LOL, a co jeśli zrobimy to za 5 milionów dolarów zamiast tego?”. I nie tylko o tym mówili – oni to naprawdę ZROBILI. Ich modele dorównują GPT-4 i Claude'owi lub przewyższają je w wielu zadaniach
Jak? Przemyśleli wszystko od podstaw. Tradycyjne AI jest jak zapisywanie każdej liczby z dokładnością do 32 miejsc po przecinku. DeepSeek stwierdził: „A co, jeśli użyjemy tylko 8? Wciąż będzie wystarczająco dokładne!”. Bum – o 75% mniej pamięci potrzebne.
A potem jest ich system „multi-token”. Normalne AI czyta jak pierwszoklasista: „Kot... siedzi... na...”. DeepSeek czyta całe frazy naraz. Dwa razy szybciej, 90% tej samej dokładności. Przy przetwarzaniu miliardów słów to MA ZNACZENIE.
Rezultaty są oszałamiające:
- Koszt treningu: 100 mln $ → 5 mln $
- Liczba potrzebnych GPU: 100 000 → 2 000
- Koszty API: 95% taniej
- Może działać na gamingowych GPU zamiast sprzętu z centrów danych
„Ale zaraz,” możesz powiedzieć, „musi być jakiś haczyk!”. I tu jest ta niesamowita część – wszystko jest open source. Każdy może sprawdzić ich pracę. Kod jest publiczny. Dokumenty techniczne wyjaśniają wszystko. To nie magia, tylko niezwykle sprytna inżynieria.
Dlaczego to ma znaczenie? Bo łamie model, w którym „tylko wielkie firmy technologiczne mogą działać w AI”. Nie potrzebujesz już centrum danych wartego miliardy dolarów. Wystarczy kilka dobrych GPU.
Dla Nvidii to przerażające. Cały ich model biznesowy opiera się na sprzedaży superdrogich GPU z marżą na poziomie 90%. Jeśli nagle każdy będzie mógł robić AI na zwykłych gamingowych GPU... no cóż, widać, gdzie leży problem.
To klasyczna historia o disruptorach: obecni liderzy optymalizują istniejące procesy, podczas gdy disruptorzy przemyślają fundamentalne podejście. DeepSeek zadał pytanie: „A co, jeśli po prostu zrobimy to mądrzej, zamiast rzucać w to więcej sprzętu?”.
Konsekwencje są ogromne:
- Rozwój AI staje się bardziej dostępny
- Konkurencja rośnie dramatycznie
- „Fosy” dużych firm technologicznych zaczynają wyglądać jak kałuże
- Wymagania sprzętowe (i koszty) gwałtownie spadają
Ostatnia myśl: To wygląda na jeden z tych momentów, do których będziemy wracać jako punkt zwrotny. Jak wtedy, gdy komputery osobiste uczyniły mainframe'y mniej istotnymi, czy kiedy chmurowe obliczenia zmieniły wszystko.
AI zaraz stanie się o wiele bardziej dostępne i znacznie tańsze. Pytanie nie brzmi, czy to zakłóci rynek, ale jak szybko.
@AlvaroSoler W tym tekście można się zgodzić tylko z jednym - maleje próg dostępu do tworzenia modeli językowych. Giganci ze stanów nadal będą inwestować miliardy w ich rozwój, bo ścigają się na benchmarki, który z modeli jest lepszy, a że śpią na kasie to nie przeszkadza im jej przepalanie
Wielki słowniczek pojęć AI - Sztuczna Inteligencja
Ekspertem nie jestem, ale kilka pojęć postaram się wyjaśnić dla zainteresowanych:
LLM (Large Language Model) - pol. Duży model językowy. ChatGpt jest LLMem. Ogólnie każdy "program" komputerowy z którym możemy rozmawiać. Są też mniejsze wyspecjalizowane modele na przykład do strukturyzowania danych, rozmowy ale tylko na jeden temat itp.
Transformer - technologia na której opiera się 90% współczesnej sztucznej inteligencji. Po raz pierwszy zaproponowany w 2017 roku przez badaczy z Google TUTAJ https://arxiv.org/pdf/1706.03762 w pracy naukowej o tytule "Attention Is All You Need" (pol. Mechanizm uwagi to wszystko czego potrzebujesz). W sumie od tego miejsca wszystkie współczesne AI się zaczęły.
Diffuser - pol Dyfuzer. Mechanizm dzięki któremu AI generuje obrazki. Jak to robi? Odszumia. Dyfuzer jest wytrenowany na normalnych obrazkach które w kolejnych krokach mają dodany losowy szum. Ale jest wytrenowany w taki sposób aby ten szum usuwał. W wyniku czego, możemy podać do dyfuzera kompletnie losowy szum i słowa sterujące na przykład "pomidor" i AI spróbuje w taki sposób usunąć losowy szum aby rzeczony pomidor wyszedł.
Finetune - pol Dopieszczenie ( ͡~ ͜ʖ ͡°) - kontynuowanie treningu Ai - Najczęśćiej robi się to aby dostosować swój model do własnych specyficznych potrzeb. Podając dziesiątki (najlepiej tysiące) zapytań w parze z dobrymi odpowiedziami jakie oczekujemy uczymy model pracować tak wymagamy. Na przykład odpowiadać wyłącznie w JSON, lub generować obrazek bardzo specyficznego furry.
Lora (Low-rank adaptation) - Nazwijmy to "nakładką" lub "wtyczką" do modelu AI. Lora odpowiada na pytanie: "Co jeżeli chcemy zrobić Finetune, ale jesteśmy biedni?" Zamiast robić pełny Finetune możemy wytrenować nakładkę, która z grubsza będzie realizowała te same zadania. Lora działa trochę jak finetune, jest znacznie szybsza w obliczeniu od pełnego finetune w związku z tym tańsza. Taki finetune ale na skróty.
Embedding - pol. Osadzanie? Zamienia słowa na liczby, ale w mądry sposób. Najczęściej wyglądają tak: [1.34, 4.68, 3,14,..., 2,56] Gdzie ta liczba ma kilkaset, czasami kilka tysięcy elementów. Ale sama zamiana na liczbę nie jest ciekawa, ciekawe są własności tej liczby.
Jeden z najsłynniejszych przykładów: Powiedzmy że słowo "KRÓL" embedujemy na liczbę Kr=[1.34, 4.68, 3,14,..., 2,56], "MĘŻCZYZNA" Me=[1.91,...,0.32], "KOBIETA" Ko=[2.56,..., 8,45]
Jeżeli teraz zapiszemy równanie: Kr-Me+Ko = Q To liczba Q będzie absurdalnie blisko embeddingu słowa "KRÓLOWA" Oznacza to że w "przestrzeni embeddingów jest kierunek odpowiedzialny za płeć. Lepiej graficznie wyjaśnia ten fakt 3b1b TUTAJ https://www.youtube.com/watch?v=FJtFZwbvkI4 (w 60sekund) ale po angielsku.
Quntization - pol. Kwantyzacja, upraszczanie modelu. Nazwijmy to zmianą "rozdzielczości" jakby to do gier porównać. Na ogół modele są dostarczane "tak jak je autor stworzył". Najczęściej nic nie zmieniał i wszystkie liczby w modelu są zapisane jako liczba zmiennoprzecinkowa o dokładności 16 lub 32 bitów (powiedzmy, że to po przecinku). Często można obciąć kilka miejsc po przecinku bez wyraźnej lub z minimalną stratą jakości. Ma to na celu uruchomienie dużego modelu na tańszym komputerze, bo duży model po lobotomii wciąż będzie miał lepszą jakość jak mały na 100% swojej wydajności.
Przykład co znaczą te dziwne znaczki przy nazwach modeli z kwantyzacją:
Q32, Q16, Q4, Q2 to dosłownie rozdzielczość, 32 bity, 16 bitów i tak dalej. Czasami będzie napisane FP32 lub FP16.
Qx_K_M Qx_K_S Przykładowy zapis: Q4_K_M Oznacza, że większość modelu jest w 4 bitach, ale niektóre ważne częśći mają większą rozdzielczość
Jeżeli nie wiesz co potrzebujesz to najczęściej chcesz pobrać: Q4_K_M - Nie potrzeba superkomputera z nasa do włączenia modelu i jednocześnie jakość na akceptowalnym poziomie.
Ch*ja się znam na tym temacie ale jak kogoś coś jeszcze ciekawi to zapraszam do pytań.
Chłop zapytał #deepseek #ai o Chiny i co złego robią. Po kilku pytaniach podał odpowiedź, po czym się ocenzurował i odpowiedź usunął, ale chłop to nagrał.
DeepSeek – firma, która zrewolucjonizowała proces trenowania modeli AI, redukując koszty o ponad 95%, a jednocześnie osiągając wyniki porównywalne z najlepszymi modelami, takimi jak GPT-4 czy Claude.
Jak to zrobili? Przez całkowite przemyślenie dotychczasowych założeń i procesów.
Tradycyjne trenowanie modeli AI to koszmar pod względem kosztów. OpenAI czy Anthropic wydają ponad 100 milionów dolarów tylko na moc obliczeniową, wykorzystując ogromne centra danych z tysiącami drogich procesorów graficznych (GPU).
Tymczasem DeepSeek udowodnił, że można to zrobić za jedyne 5 milionów dolarów.
Kluczowe innowacje DeepSeek:
- Efektywne zarządzanie pamięcią:
Tradycyjne modele AI przechowują dane na 32bitach, co wymaga ogromnych zasobów pamięci. DeepSeek zapytał: "Ale dlaczego 32? W zupełności wystarczy 8", pozwoliło to na zmniejszenie wymagań pamięci o 75%.
- System „multi-token”:
Zamiast przetwarzać tekst słowo po słowie jak klasyczne LLM "Wróbel... siedział... na...", DeepSeek analizuje całe frazy na raz. To sprawia, że proces jest dwa razy szybszy przy zachowaniu 90% dokładności.
- System ekspertów (MoE - Mixture of Experts):
Zamiast jednego ogromnego modelu uruchomionego CAŁY CZAS, DeepSeek wprowadził system wyspecjalizowanych modeli. Każdy z nich uruchamiany jest tylko wtedy, gdy jest potrzebny, co drastycznie zmniejsza ilość aktywnych parametrów (671 miliardów ale tylko 37 miliardów aktywnych na raz). Nie jest po pomysł nowy (używany wcześniej między innymi w modelach Mixtral) ale pierwszy raz zastosowany w tej skali
Rezultaty?
- Koszt trenowania spadł z 100 milionów do 5 milionów dolarów.
- Liczba potrzebnych GPU zmniejszyła się z 100 000 do 2 000.
- Koszty API są niższe o 95%.
- Modele mogą być uruchamiane na standardowych GPU dla graczy zamiast drogich GPU serwerowych.
Co ważne, DeepSeek postawił na otwartość. Kod i dokumentacja są publicznie dostępne, co otwiera drzwi dla mniejszych firm i indywidualnych innowatorów.
Dlaczego to ma znaczenie?
Demokratyzacja AI
Dotychczas tylko najwięksi gracze z ogromnymi budżetami mogli trenować zaawansowane modele. Teraz proces ten staje się dostępny dla mniejszych podmiotów.
Zagrożenie dla dużych firm
Nvidia, dominujący dostawca GPU, może odczuć konsekwencje, gdyż ich model biznesowy opiera się na sprzedaży drogich procesorów z ogromną marżą.
Nowa fala innowacji
Mniejsze wymagania sprzętowe i finansowe oznaczają większą konkurencję, co może przyspieszyć rozwój całej branży.
Podsumowując, DeepSeek zadał pytanie: „Co, jeśli zamiast rzucać coraz więcej sprzętu, po prostu zoptymalizujemy proces?”
Odpowiedzią są przełomowe wyniki, spadek kursu NVIDIA na giełdzie i PANIKA w meta i OpenAI