"מפלצת הבינה המלאכותית" של באידו, ERNIE 5.1, פועלת בעלויות נמוכות ב-94%.

מכשיר הדגל ERNIE של באידו, שעודכן לאחרונה לגרסה 5.1, מדהים את קהילת הטכנולוגיה העולמית עם יכולות חיסכון חסרות תקדים בעלויות.

בתוך מרוץ עולמי של בינה מלאכותית שמוציא מיליארדי דולרים על כוח מחשוב, באידו, המכונה לעתים קרובות "גוגל של סין", גרמה להלם גדול על ידי השקת מודל השפה הגדולה ERNIE 5.1 ​​שלה.

ההיבט הבולט ביותר טמון לא רק ביכולות העיבוד המעולות שלו, אלא גם בערכו הכלכלי המרשים: עלות האימון עבור מודל זה נמוכה בכ-94% מזו של מערכות בינה מלאכותית בקנה מידה דומה. זה נתפס כפתרון חדש לבעיית אופטימיזציית המשאבים בדור הבא של בינה מלאכותית.

טכנולוגיית דחיסת רשת ואסטרטגיית "לאמן פעם אחת, לאמן הכל".

כדי להבין מדוע באידו הצליחה לקצץ בעלויות במידה כה בלתי נתפסת, צריך לבחון כיצד הם בנו את ERNIE 5.1.

במקום ללכת בדרך המסורתית של אימון מודל חדש לגמרי מאפס, באידו אימצה שיטת "אימון מקדים אלסטי רב-ממדי". באופן ספציפי, ERNIE 5.1 ​​אינו ישות עצמאית לחלוטין אלא פותח על בסיס קודמו, ERNIE 5.0 (שהושק בינואר 2026).

באידו השתמשה במסגרת אימון אלסטית בשם "Once-For-All". במקום להריץ אימון נפרד ויקר עבור כל גודל דגם שונה, החברה מייעלת "משפחה" שלמה של דגמים בגדלים שונים בריצה אחת.

שיטת האימון "אלסטיות רב-ממדית" מפחיתה את עלות Ernie 5.1 ב-94%.

מודלים אלה חולקים משקלים אך נבדלים בעומק, ברוחב ובמספר בלוקי המומחים המופעלים. מהארכיטקטורה העצומה של ERNIE 5.0 עם כ-2.4 טריליון פרמטרים, באידו חילצה תת-רשת אופטימלית כדי ליצור את ERNIE 5.1.

התוצאה היא מודל יעיל יותר, כאשר המספר הכולל של פרמטרים הוא רק כשליש מהמקורי. בפרט, מספר הפרמטרים התפעוליים, כלומר, אותם חלקים שמשתתפים בפועל בעיבוד משוב בשיחה, קוצץ בחצי.

ירושה של בסיס הידע העצום ממודל ה"הורה" שלו, מבלי לחזור על כל תהליך ההכשרה היקר, היא המפתח לחיסכון של עד 94% מתקציבה של Baidu.

בנוסף, באידו ביצעה ארגון מחדש של מערכת למידת החיזוקים שלה. במקום לקשר באופן נוקשה בין עדכוני מודל, יצירת משוב והערכת ריצות, הם הפרידו אותם לתת-מערכות עצמאיות, המתואמות על ידי יחידת בקרה מרכזית.

זה מאפשר לכל רכיב לפעול על החומרה המתאימה ביותר, מה שמבטיח שצוואר בקבוק בשלב אחד לא יאט את התהליך כולו.

כדי לטפל בבעיית ההטיה החישובית במודלים של מומחים מעורבים (MoE), באידו יישמה גם ספריית חישוב סטנדרטית בעלת דיוק נמוך, אשר הפחיתה את חוסר היציבות בחצי מבלי להפחית את מהירות העיבוד.

טפלו ב"אפקט הנדנדה" באמצעות תהליך אימון בן ארבעה שלבים.

אולי יעניין אותך גם

הגנה על מידע אישי - להבין איך לעשות את זה נכוןאחר הצהריים של ה-3 ביוני, באוניברסיטת הונג באנג הבינלאומית, מחלקת אבטחת הסייבר ומניעת פשעי היי-טק (A05) - משרד הביטחון הציבורי, בשיתוף פעולה עם האיגוד הלאומי לאבטחת הסייבר - הסניף הדרומי (NCA) ומרכז הטלוויזיה של וייטנאם לאזור הדרום, ארגנו כנס בנושא "הפצת החוק להגנת מידע אישי וצו 356/2025/ND-CP" באוניברסיטת הונג באנג הבינלאומית.

אתגר אינהרנטי באימון מודלים גדולים של בינה מלאכותית הוא "אפקט הנדנדה". כאשר מפתחים מנסים ללמד בינה מלאכותית מיומנויות מרובות בו זמנית, שיפור בתחום אחד מוביל לעתים קרובות להידרדרות בתחום אחר.

לדוגמה, ככל שמודל הופך למיומן יותר מבחינה מתמטית, יכולות הכתיבה היצירתית שלו עלולות להיפגע לרעה.

כדי לטפל בכך, באידו הקימה תהליך חידוד בן ארבעה שלבים שהם מכנים MOPD (זיקוק מדיניות מרובת מורים).

תהליך ההכשרה בן ארבעת השלבים של באידו.

השלב הראשון מתחיל בהכשרה סטנדרטית בפיקוח על מערך נתונים גדול.

בשלב השני, באידו מאמנת מספר מודלים נפרדים של מומחים במקביל עבור תחומים כמו תכנות, חשיבה לוגית ומשימות סוכן, לכל אחד אותות הערכה משלו.

בשלב השלישי, מודל "תלמיד" יחיד ילמד בו זמנית מכל ה"מורים" המומחים הללו על ידי יצירת תשובות משלהם והשוואתן לתוצאות המומחים.

השלב הסופי כולל למידת חיזוק כללית עבור דיאלוגים פתוחים ומשימות יצירתיות.

לפי באידו, שלב אחרון זה הוא קריטי משום שתהליך הזיקוק מהמורה לתלמיד מניב לעיתים תשובות מלוטשות יתר על המידה אך חסרות גיוון.

הודות לתהליך זה, ERNIE 5.1 ​​משיגה איזון ברמות המיומנות, ומונעת מתן עדיפות יתר לתחום מסוים ולהאפיל על אחרים.

ביצועים מובילים ושאיפה לשלוט בשוק העולמי.

מאמצי האופטימיזציה של באידו הניבו תוצאות קונקרטיות בדירוגים בעלי מוניטין. בזירת החיפוש LMArena, שבה מודלים של בינה מלאכותית מקבלים דירוג על ידי משתמשים אמיתיים באמצעות משימות חיפוש אינטרנט בזמן אמת, ERNIE 5.1 ​​השיג ציון של 1,223 נכון ל-9 במאי.

ציון זה מציב אותו במקום הרביעי בעולם ומחזיק במקום הראשון מבין כל הדגמים שפותחו בסין.

Ernie 5.1 נכנס מיד ל-4 הראשונים בדירוג של LMArena.

במבחנים אינטנסיביים של ידע והיגיון, ERNIE 5.1 ​​התקרב לביצועים של דגמי קוד סגור מובילים מערביים כמו Gemini 3.1 Pro של גוגל.

בתחרות המתמטיקה AIME26, מודל זה השיג דיוק של 99.6% בעת שימוש בכלי חשיבה, ודורג במקום השני רק לג'מיני 3.1 Pro.

אולי יעניין אותך גם

מדד VN חוזר לרף של 1,830 נקודות, מניות הטכנולוגיה נותרות מקוטבות מאוד.מניות הטכנולוגיה סיימו את יום המסחר של ה-4 ביוני עם עליות קלות, אך הדינמיקה הפנימית חשפה סטייה ברורה. על רקע תיקונים במניות FPT ובמניות גדולות רבות אחרות, GEE הפכה לתמיכה העיקרית, וסייעה למדד הסקטור לשמור על ביצועיו החיוביים.

בפרט, במשימות הכרוכות ב"יכולות סוכנות" כגון עיבוד גיליונות אלקטרוניים מורכבים או גלישה אוטומטית מרובת שלבים באינטרנט, ERNIE 5.1 ​​עלתה בביצועיה על DeepSeek-V4-Pro - המודל שהחזיק בעבר בשיא בסין.

סיפור האפקטיביות של ERNIE 5.1 ​​מזכיר את ההשפעה של DeepSeek R1 בתחילת 2025, כאשר הסטארט-אפ הדגים שניתן להשיג ביצועים דומים ל-OpenAI o1 בעלות נמוכה ב-98%.

עם זאת, בעוד ש-DeepSeek מתמקד ביעילות חשיבה, ERNIE 5.1 ​​פורצת דרך כבר משלב האימון הראשוני.

המסר שבאידו שולחת ברור: מעבדות בינה מלאכותית סיניות מוצאות כל הזמן דרכים חדשניות "לעשות יותר עם פחות", במקום פשוט להסתמך על הזרמת כוח חומרה רב יותר למערכת.

נכון לעכשיו, ERNIE 5.1 ​​החלה בפריסה נרחבת ביותר מ-10 פלטפורמות וסוכנויות יצירה בסין. משתמשים יכולים לחוות מודל זה באמצעות יישומים כגון פלטפורמת משחקי התפקידים Isekai Zero, כלי יצירת סרטים קצרים Storymaster, או אפליקציית הגרפיקה Diting Huanliu.

​

פענוח, המפענח

מקור: https://khoahocdoisong.vn/quai-vat-ai-ernie-51-cua-baidu-van-hanh-with-lower-cost-than-94-post2149100260.html