Apple သည် Khosla Ventures မှ ကျောထောက်နောက်ခံပြုထားသော Caltech spinout ဖြစ်သော PrismML နှင့် iPhone ပေါ်တွင် တိုက်ရိုက်လည်ပတ်ရန် လုံလောက်သော အစွမ်းထက်သော AI မော်ဒယ်များကို လျှော့ချပေးနိုင်သော နည်းပညာကို အကဲဖြတ်ရန်၊ Apple Intelligence သည် ၎င်း၏စက်ပစ္စည်းများပေါ်တွင် တောင်းဆိုမှုများကို မည်ကဲ့သို့ လုပ်ဆောင်သည်ကို ပြောင်းလဲနိုင်ချေရှိသော နည်းပညာကို အကဲဖြတ်ရန် Apple နှင့် ဆွေးနွေးနေပါသည်။
Apple သည် PrismML ၏ မော်ဒယ်ချုံ့မှုနည်းပညာကို အကဲဖြတ်နေပြီဖြစ်ကြောင်း CNBC မှ ပထမဆုံးအစီရင်ခံတင်ပြသည်မှာ AI မော်ဒယ်အရွယ်အစားများကို အလွန်အမင်းနိမ့်ကျသောတိကျသောဗိသုကာများအသုံးပြု၍ အတိုင်းအတာအထိ အတိုင်းအတာအထိ လျှော့ချနိုင်သည်ဟု စတင်ဖော်ပြခဲ့သည်။ PrismML သည် ထိုနေ့တွင်ပင် AppleInsider သို့ ကြေငြာချက်တွင် ဆွေးနွေးမှုများကို အတည်ပြုခဲ့သည်။
နောက်ဆုံးထွက် AI လုပ်ငန်းတိုးတက်မှုများ နှင့် နည်းပညာပိုင်းခြားစိတ်ဖြာမှုအတွက်၊ AI Buzz Wire သည် အခင်းအကျင်းကို ပြန်လည်ပုံဖော်သည့်ကိရိယာများကို အကျုံးဝင်သည်။
အောင်မြင်မှု- iPhone တွင် Qwen 3.6 ကို အသုံးပြုခြင်း။
Seeking Alpha ၏အဆိုအရ PrismML သည် Alibaba ၏ open-source Qwen 3.6 ကို iPhone 17 Pro တွင်အသုံးပြုရန် ကြီးမားသောဘာသာစကားမော်ဒယ်ကို အောင်မြင်စွာချုံ့လိုက်သည်— သုံးစွဲသူစမတ်ဖုန်းများတွင် AI မော်ဒယ်လ်ကို အများဆုံးအသုံးပြုသည့် မှတ်တိုင်တစ်ခုဖြစ်သည်။ ၎င်းနည်းပညာသည် သမားရိုးကျ မော်ဒယ်ဗိသုကာများထက် 15 ဆ ပိုနည်းသော memory ကို အသုံးပြုသည်ဟု startup မှ ပြောကြားခဲ့သည်။
PrismML ၏ချဉ်းကပ်မှုသည် 1-bit နှင့် ternary neural network architectures များကို ဗဟိုပြုသည်။ သမားရိုးကျ AI မော်ဒယ်များတွင်၊ အလေးချိန်ကန့်သတ်ချက်တစ်ခုစီကို 16-bit သို့မဟုတ် 32-bit floating-point နံပါတ်အဖြစ် သိမ်းဆည်းထားသည်။ PrismML သည် ဒွိတန်ဖိုးများ (+1၊ -1) သို့မဟုတ် ternary တန်ဖိုးများ (+1၊ 0၊ -1) အဖြစ် — ပြင်းထန်သော ကျိုးကြောင်းဆင်ခြင်မှု သို့မဟုတ် ထုတ်ပေးနိုင်စွမ်းများကို မစွန့်လွတ်ဘဲ မှတ်ဉာဏ်ခြေရာကို သိသိသာသာ လျှော့ချပေးသည်။
၎င်းသည် ရိုးရှင်းသော ပမာဏမဟုတ်ပါ၊ လေ့ကျင့်ပြီးသား မော်ဒယ်တွင် တိကျမှုကို လျှော့ချရန် တွင်ကျယ်စွာ အသုံးပြုသည့် နည်းပညာဖြစ်သည်။ PrismML ၏ ဗိသုကာလက်ရာများသည် low-bit operation အတွက် အခြေခံမှ ဒီဇိုင်းထုတ်ထားပြီး မော်ဒယ်အရည်အသွေးကို လေ့ကျင့်ပြီးသည့်နောက် ဖိသိပ်ခြင်းနည်းလမ်းများထက် ပိုကောင်းသည်ဟု ကုမ္ပဏီက ဆိုသည်။
Apple ဘာကြောင့် On-Device AI ကို လိုချင်တာလဲ။
ကုမ္ပဏီသည် ၎င်း၏ Apple Intelligence ပလပ်ဖောင်းကို ချဲ့ထွင်ခြင်းဖြင့် Apple ၏ အာရုံစူးစိုက်မှုကို ခံခဲ့ရကြောင်း သတင်းရရှိပါသည်။ ပိုကြီးသော AI မော်ဒယ်များကို iPhone များပေါ်တွင် တိုက်ရိုက်လုပ်ဆောင်ခြင်းသည် လက်ရှိတွင် ရှုပ်ထွေးသော AI တောင်းဆိုမှုများကို ကိုင်တွယ်ပေးသည့် Apple ၏ Private Cloud Compute ဆာဗာများထက် စက်ပစ္စည်းပေါ်တွင် လုပ်ဆောင်ချက်များကို ပိုမိုလုပ်ဆောင်နိုင်စေမည်ဖြစ်သည်။
အကျိုးကျေးဇူးမှာ နှစ်ဆဖြစ်သည်။ ပထမဦးစွာ၊ စက်ပစ္စည်းပေါ်တွင် စီမံဆောင်ရွက်ခြင်းသည် ဒေတာများကို cloud ဆာဗာများထံ ပေးပို့ခြင်းထက် ဖုန်းပေါ်တွင် သိမ်းဆည်းထားခြင်းဖြင့် သုံးစွဲသူ၏ကိုယ်ရေးကိုယ်တာအား ပိုမိုကောင်းမွန်စေသည် — Apple Intelligence ကို စတင်အသုံးပြုကတည်းက အဓိကကွဲပြားသည့်အချက်မှာ Apple မှ အလေးပေးဖော်ပြခဲ့သည်။ ဒုတိယ၊ ၎င်းသည် iPhone အသုံးပြုသူ သန်းရာပေါင်းများစွာကို ဝန်ဆောင်မှုပေးရန် လိုအပ်သော စျေးကြီးသော cloud အခြေခံအဆောက်အအုံနှင့် ဒေတာစင်တာစွမ်းရည်အပေါ် မှီခိုအားထားမှုကို လျှော့ချခြင်းဖြင့် Apple ၏ လည်ပတ်မှုကုန်ကျစရိတ်ကို လျှော့ချပေးသည်။
နည်းပညာသည် Apple မှ ပိုမိုခေတ်မီသော AI အင်္ဂါရပ်များကို ပေးဆောင်နိုင်စေကြောင်း MacRumors မှ မှတ်ချက်ပြုထားပါသည် — ကွန်ရက်ချိတ်ဆက်မှုမလိုအပ်ဘဲ ဘက်ထရီသက်တမ်းကို သုံးစွဲစရာမလိုဘဲ အဆင့်မြင့် စာသားထုတ်လုပ်ခြင်း၊ ရှုပ်ထွေးသော ကျိုးကြောင်းဆင်ခြင်ခြင်းအလုပ်များနှင့် ပိုမိုကြွယ်ဝသော Siri အပြန်အလှန်တုံ့ပြန်မှုများကို ပေးစွမ်းနိုင်သည်ဟု မှတ်ချက်ပြုထားသည်။
AI Chip စျေးကွက်အပေါ် အလားအလာရှိသော သက်ရောက်မှု
အကယ်၍ PrismML ၏တောင်းဆိုချက်များသည် လက်တွေ့ကမ္ဘာစမ်းသပ်မှုတွင် ဆက်လက်တည်ရှိနေပါက၊ သက်ရောက်မှုများသည် Apple ထက် ကျော်လွန်သွားနိုင်သည်။ AI လုပ်ဆောင်ချက်သည် cloud မှ သုံးစွဲသူ စက်ပစ္စည်းများဆီသို့ ပြောင်းလဲသွားသောကြောင့် နည်းပညာသည် memory chips နှင့် data center compute အတွက် လိုအပ်ချက်ကို ပြန်လည်ပုံဖော်နိုင်သည်ဟု CNBC မှ အစီရင်ခံစာတွင် ဖော်ပြသည်။
လက်ရှိတွင် AI လုပ်ငန်းသည် ကြီးမားသောဘာသာစကားမော်ဒယ်များကို လေ့ကျင့်သင်ကြားရန်နှင့် ဝန်ဆောင်မှုပေးရန်အတွက် ဒေတာစင်တာအခြေခံအဆောက်အအုံ၊ Nvidia GPUs နှင့် high-bandwidth memory တို့အတွက် ဒေါ်လာဘီလီယံရာနှင့်ချီ၍ အသုံးပြုနေသည်။ မော်ဒယ်များကို စက်ပစ္စည်းပေါ်တွင် အသုံးပြုရန်အတွက် သိသိသာသာ ဖိသိပ်ထားနိုင်လျှင် အဆိုပါ တောင်းဆိုမှုအချို့သည် edge computing ချစ်ပ်များဆီသို့ ကူးပြောင်းနိုင်ပြီး ဗဟိုချုပ်ကိုင်ထားသော ဒေတာစင်တာများနှင့် ဝေးကွာသွားနိုင်သည်။
သို့သော်လည်း AI မော်ဒယ်များကို လေ့ကျင့်သင်ကြားရာတွင် မည်မျှထိထိရောက်ရောက် ချုံ့နိုင်သည်ဖြစ်စေ တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များစွာ လိုအပ်နေသေးကြောင်း လေ့လာသူများက သတိပေးထားသည်။ ဖိသိပ်မှုနည်းပညာသည် AI ပိုက်လိုင်း၏ တွက်ချက်မှုအများဆုံးအပိုင်းအဖြစ် ကျန်ရှိနေဆဲဖြစ်သည့် လေ့ကျင့်ရေးအဆင့်မဟုတ်ဘဲ ဖြန့်ကျက်ခြင်းနှင့် အနုမာနကို ဖော်ပြသည်။
PrismML ၏ နောက်ခံနှင့် ရန်ပုံငွေ
PrismML သည် California Institute of Technology မှထွက်ရှိသော AI နှင့် သုတေသနဓာတ်ခွဲခန်းဖြစ်သည်။ ကုမ္ပဏီသည် ပညာရပ်ဆိုင်ရာ စိတ်ဝင်စားဖွယ်ရာများကို မြင်တွေ့ခဲ့ရသော်လည်း ယခုအချိန်အထိ အကန့်အသတ်ဖြင့် စီးပွားဖြစ်ဖြန့်ကျက်ထားသည့် ဧရိယာဖြစ်သည့် စီးပွားဖြစ်အသုံးပြုနိုင်သော low-bit neural ကွန်ရက်ဗိသုကာများကို ရှေ့ဆောင်လုပ်ဆောင်ခဲ့သည်။
အသွင်ပြောင်းနည်းပညာကုမ္ပဏီများတွင် အစောပိုင်းရင်းနှီးမြုပ်နှံမှုများကြောင့် လူသိများသော ထင်ရှားသော အကျိုးတူအရင်းအနှီးကုမ္ပဏီ Khosla Ventures မှ ကျောထောက်နောက်ခံပြုထားသော စွန့်ဦးတီထွင်မှု။ သတင်းအချက်အလက်သည် PrismML ၏အောင်မြင်မှုများအပေါ် ဇူလိုင် ၉ ရက်က ပထမဆုံးအစီရင်ခံတင်ပြခဲ့ပြီး ၎င်းသည် iPhone တွင်အကြီးဆုံး AI မော်ဒယ်အဖြစ်အသုံးပြုကြောင်းဖော်ပြခဲ့သည်။
Caltech ချိတ်ဆက်မှုသည် အရေးကြီးပါသည်။ binary နှင့် ternary neural networks များအတွက် ပညာရပ်ဆိုင်ရာ သုတေသနပြုမှုသည် နှစ်ပေါင်းများစွာ တက်ကြွနေသော်လည်း အဆိုပါနည်းပညာများကို စံမော်ဒယ်များ၏ စွမ်းဆောင်ရည်နှင့် ကိုက်ညီသော ထုတ်လုပ်မှုအရည်အသွေးစနစ်များသို့ ဘာသာပြန်ဆိုခြင်းသည် လွန်စွာခက်ခဲကြောင်း သက်သေပြခဲ့ပါသည်။ စားသုံးသူ ဟာ့ဒ်ဝဲတွင် Qwen 3.6 ကဲ့သို့ ကြီးမားသော မော်ဒယ်ကို လုပ်ဆောင်ခြင်းဖြင့် တရားဝင် စီးပွားဖြစ် ရှင်သန်နိုင်မှု ဆိုင်ရာ တောင်းဆိုချက် သည် PrismML ၏ အဓိပ္ပါယ်ရှိသော ရှေ့သို့ ခြေလှမ်းကို ကိုယ်စားပြုသည်။
အပြိုင်အဆိုင်ရှုခင်း
Apple သည် စက်ပေါ်ရှိ AI ကို လိုက်ရှာရန် တစ်ယောက်တည်း မဟုတ်ပါ။ Qualcomm သည် ၎င်း၏ Snapdragon ပရိုဆက်ဆာများမှတစ်ဆင့် စက်ပေါ်ရှိ AI စွမ်းရည်များကို မြှင့်တင်နေပြီး၊ Google သည် စက်ပေါ်ရှိ မော်ဒယ်များကို Pixel ဖုန်းများတွင် ပေါင်းစပ်ထားပြီး Samsung သည် Gemini Nano ကို Galaxy စက်ပစ္စည်းများသို့ ယူဆောင်လာရန် Google နှင့် ပူးပေါင်းထားသည်။ သို့သော်၊ လက်ရှိ စက်ပေါ်ရှိ မော်ဒယ်အများစုသည် သေးငယ်သည် — ပုံမှန်အားဖြင့် 1-3 ဘီလီယံ ဘောင်ဘောင်အတွင်းတွင်ရှိသည်။
PrismML ၏နည်းပညာသည် အတိုင်းအတာတစ်ခုအထိ သက်သေပြပါက၊ ဘောင်ပေါင်းများစွာရှိသည့် ဘောင်ပေါင်းများစွာရှိသည့် ကြီးမားသောမော်ဒယ်များကို စမတ်ဖုန်းများပေါ်တွင်လည်ပတ်နိုင်စေပြီး ပြိုင်ဆိုင်မှုပြင်းထန်မှုကို အခြေခံ၍ ပြောင်းလဲနိုင်သည်။ ၎င်းသည် cloud-based AI လုပ်ဆောင်မှုအပေါ် ပိုမိုမှီခိုနေရသော ပြိုင်ဘက်များထက် သိသာထင်ရှားသော အားသာချက်ကို Apple မှပေးစွမ်းနိုင်မည်ဖြစ်သည်။
TrendForce မှ PrismML ၏မှတ်တိုင်သည် "cloud အခြေခံအဆောက်အဦအပေါ်မှီခိုခြင်းထက် AI ကိရိယာများပေါ်တွင် တိုက်ရိုက်လည်ပတ်ရန် Apple ၏ ပိုမိုကျယ်ပြန့်သောတွန်းအားကို ထင်ဟပ်စေသည်" ဟု TrendForce မှ မှတ်ချက်ပြုသည်။ အောင်မြင်သော စက်ပစ္စည်းပေါ်တွင် ဖိသိပ်မှုသည် စားသုံးသူအီလက်ထရွန်နစ်စက်မှုလုပ်ငန်းတစ်လျှောက် အစွန်း AI ဆီသို့ ပြောင်းလဲမှုကို အရှိန်မြှင့်နိုင်သည်ဟု စျေးကွက်သုတေသနကုမ္ပဏီက အကြံပြုထားသည်။
##ဘာတွေဆက်ဖြစ်မလဲ။
Apple ၏ PrismML နှင့် ဆွေးနွေးမှုများသည် အကဲဖြတ်သည့်အဆင့်တွင် ရှိနေသည်ဟု သတင်းများထွက်ပေါ်လျက်ရှိပြီး ကုမ္ပဏီများသည် နည်းပညာသည် Apple ၏ စွမ်းဆောင်ရည်နှင့် ယုံကြည်စိတ်ချရမှု စံချိန်စံညွှန်းများနှင့် ကိုက်ညီမှုရှိမရှိ အကဲဖြတ်နေပါသည်။ မိတ်ဖက်ပူးပေါင်းမှုသည် စီးပွားဖြစ်ထုတ်ကုန်တစ်ခုဖြစ်လာမည်ကို အာမခံချက်မရှိသည့်အပြင် Apple မှ ဆွေးနွေးမှုများအပေါ် လူသိရှင်ကြား မှတ်ချက်ပေးခြင်းမရှိပေ။
နည်းပညာကို အနာဂတ် Apple ထုတ်ကုန်များတွင် ပေါင်းစပ်ထားပါက iOS အပ်ဒိတ်များ သို့မဟုတ် ဟာ့ဒ်ဝဲမျိုးဆက်သစ်များတွင် ပေါ်လာနိုင်သည်။ ၎င်း၏သရုပ်ပြမှုအတွက် PrismML အသုံးပြုခဲ့သည့် iPhone 17 Pro တွင် Apple ၏ Neural Engine မှတစ်ဆင့် သိသာထင်ရှားသော အာရုံကြောလုပ်ဆောင်နိုင်စွမ်းများကို ပါရှိသည်။
ပိုမိုကျယ်ပြန့်သောမေးခွန်းမှာ low-bit AI ဗိသုကာများသည် လုပ်ငန်းစံနှုန်းတစ်ခုဖြစ်လာမည် သို့မဟုတ် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းတစ်ခုအဖြစ် ဆက်လက်တည်ရှိနေသလား။ ယခုလောလောဆယ်တွင်၊ PrismML ၏ ရလဒ်များက ချဉ်းကပ်မှုမှာ အရေးကြီးသော သတ်မှတ်ချက်ကို ကျော်လွန်သွားပြီဟု အကြံပြုထားပြီး Apple ၏ စိတ်ဝင်စားမှုမှာ နည်းပညာသည် စားသုံးသူ အီလက်ထရွန်နစ် လုပ်ငန်း၏ အမြင့်ဆုံးအဆင့်တွင် အလေးအနက်ထားနေကြောင်း အချက်ပြနေသည်။
AI ၏ရှေ့တွင်နေပါ။
AI ဟာ့ဒ်ဝဲ၊ မော်ဒယ် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းနှင့် လုပ်ငန်းတိုးတက်မှုများအတွက် ကျယ်ကျယ်ပြန့်ပြန့် လွှမ်းခြုံမှုအတွက် AI Buzz Wire သို့ ဝင်ရောက်ကြည့်ရှုပါ။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
