NVIDIA သည် အထွေထွေရည်ရွယ်ချက် AI အေးဂျင့်များကို အထူးပြုသိပ္ပံသုတေသနလက်ထောက်များအဖြစ် ပြောင်းလဲရန် ဒီဇိုင်းထုတ်ထားသည့် ကိရိယာအစုံကို ထုတ်ဖော်ပြသခဲ့သည်။ ကုမ္ပဏီသည် NVIDIA "အေးဂျင့်အသက်မွေးဝမ်းကြောင်းသိပ္ပံခေတ်" ဟုခေါ်သည့် ဒိုမိန်း-သီးသန့်ကိရိယာများနှင့် ကျွမ်းကျင်မှုများစုစည်းမှုဖြစ်သည့် NVIDIA BioNeMo Agent Toolkit ကို ကြေညာခဲ့သည်။ ဇီဝဗေဒပြဿနာကို အစမှအဆုံးထိ ဆင်ခြင်သုံးသပ်ရန် တစ်ခုတည်းသော နယ်နိမိတ်ပုံစံတစ်ခုကို တောင်းဆိုမည့်အစား၊ ကိရိယာအစုံသည် အေးဂျင့်များအား အထောက်အထားများ စုဆောင်းရန်၊ တွက်ချက်မှုဆိုင်ရာ စမ်းသပ်မှုများ လုပ်ဆောင်ရန်၊ တွေ့ရှိချက်များကို အကြောင်းပြချက်ပေးကာ နောက်အဆင့်များကို အကြံပြုနိုင်စေသည်ဟု NVIDIA က ယခုသီတင်းပတ်တွင် ၎င်း၏ ကြေညာချက်တွင် ပြောကြားခဲ့သည်။ ၎င်းသည် [AI လုပ်ငန်း] (https://aibuzzwire.news) chat interfaces မှ autonomous research workflows သို့ ရွေ့လျားနေသော [AI လုပ်ငန်း] ၏ ပိုမိုခိုင်မာသော ဥပမာများထဲမှ တစ်ခုဖြစ်သည်။

အသက်-သိပ္ပံစာကြည့်တိုက်များ၏ ဆယ်စုနှစ်တစ်ခု၊ အေးဂျင့်များအတွက် ပြန်လည်ထုပ်ပိုးထားသည်။

ကိရိယာအစုံသည် NVIDIA ၏ အသက်-သိပ္ပံစာကြည့်တိုက်များ၊ ကိရိယာများနှင့် အဖွင့်မော်ဒယ်များကို တစ်ခုတည်းသော၊ အေးဂျင့်-ခေါ်ဆိုနိုင်သော မူဘောင်တစ်ခုအဖြစ် ဆယ်စုနှစ်တစ်ခုကျော်တန်ဖိုးရှိသော ကိရိယာတန်ဆာပလာများကို စုစည်းထားသည်။ ၎င်းကို NVIDIA BioNeMo ၏ထိပ်တွင်တည်ဆောက်ထားပြီး NVIDIA NIM microservices၊ NVIDIA Parabricks၊ NVIDIA NeMo နှင့် NVIDIA Nemotron နည်းပညာများဖြင့် ကုမ္ပဏီ၏အရှိန်မြှင့်ထားသောကွန်ပြူတာပလပ်ဖောင်းနှင့်အတူ ပါဝါထောက်ပံ့ထားသည်။ ရည်မှန်းချက်မှာ "အေးဂျင့်အသက်မွေးဝမ်းကြောင်းသိပ္ပံများအတွက် ပွင့်လင်းပြီး ယုံကြည်စိတ်ချရသော အခြေခံအုတ်မြစ်တစ်ခု" ပေးရန် NVIDIA မှ ပြောကြားခဲ့သည်။

ကုမ္ပဏီ၏အဆိုအရ ကိရိယာတန်ဆာပလာသည် ယေဘူယျရည်ရွယ်ချက် အေးဂျင့်ကို မိနစ်ပိုင်းအတွင်း အသက်သိပ္ပံဆိုင်ရာ အေးဂျင့်အဖြစ်သို့ ပြောင်းလဲပေးနိုင်သည်။ ၎င်းသည် ဇီဝဗေဒပညာရှင်များ အမှန်တကယ်လုပ်ဆောင်သည့် အလုပ်များအတွက် အေးဂျင့်-ခေါ်ဆိုနိုင်သော ကျွမ်းကျင်မှုအစုအဝေး- ပရိုတင်းဖွဲ့စည်းပုံခန့်မှန်းမှု၊ မော်လီကျူးအထိုင်ချမှု၊ မျိုးဆက်သစ်ဓာတုဗေဒ၊ မျိုးဗီဇခွဲခြမ်းစိတ်ဖြာမှု၊ ပရိုတင်းဒီဇိုင်းနှင့် ဇီဝအမှတ်အသားရှာဖွေတွေ့ရှိမှုတို့ကို ဖော်ထုတ်ခြင်းဖြင့် လုပ်ဆောင်သည်။ မည်သည့်အေးဂျင့် သို့မဟုတ် AI ပလပ်ဖောင်း — အထွေထွေရည်ရွယ်ချက်လက်ထောက်မှ အထူးပြုသိပ္ပံအေးဂျင့် သို့မဟုတ် အိမ်တွင်းဇီဝဆေးဝါးစနစ်အထိ — အသိပညာပေါင်းစပ်ရန်၊ မော်ဒယ်များကိုခေါ်ဆိုရန်၊ ရလဒ်များကို အကဲဖြတ်ရန်နှင့် နောက်လုပ်ဆောင်မှုများလုပ်ဆောင်ရန် အဆိုပါကျွမ်းကျင်မှုများကို အသုံးပြုနိုင်သည်။

"သိပ္ပံနည်းကျ ကိရိယာပုံး" မော်ဒယ်တစ်ဦး၏ "ဦးနှောက်"

NVIDIA အမှုဆောင်အရာရှိချုပ် Jensen Huang က နယ်ခြားမော်ဒယ်များနှင့် ကိရိယာတန်ဆာပလာအသစ်များကြား ဆက်ဆံရေးကို ဝိသေသလက္ခဏာဖြင့် တိုက်ရိုက်ဖော်ပြခဲ့သည်။ "Frontier မော်ဒယ်များသည် ဦးနှောက်များဖြစ်သည်။ BioNeMo သည် သိပ္ပံနည်းကျ ကိရိယာသေတ္တာဖြစ်သည်" ဟု ၎င်းက ဆိုသည်။ "သူတို့က AI အေးဂျင့်တွေကို PhD သုတေသနလက်ထောက်ရဲ့ ကျွမ်းကျင်မှုနဲ့ စူပါကွန်ပြူတာရဲ့ အမြန်နှုန်းကို AI အေးဂျင့်တွေကို ပေးတယ်။ ပထမဆုံးအနေနဲ့ သုတေသီတွေက သိပ္ပံဆိုင်ရာ အသိပညာကို နားလည်နိုင်တဲ့ AI အေးဂျင့်တွေကို တည်ဆောက်နိုင်ပြီး အဲဒါကို လုပ်ဆောင်နိုင်ပါတယ်။"

ကွင်းထဲတွင် ယနေ့ခေတ် စွမ်းရည်အရှိဆုံး မော်ဒယ်များ၏ တကယ့် ကန့်သတ်ချက်တစ်ခုကို ဖြေရှင်းသည်။ မှန်ကန်သော ကိရိယာများ၊ သွင်းအားစုများ၊ အထွက်များနှင့် ဇီဝဗေဒဆိုင်ရာ အဓိပ္ပာယ်များကို မှန်ကန်စွာ ညွှန်းဆိုရမည်ဖြစ်သောကြောင့် ယေဘုယျရည်ရွယ်ချက် အေးဂျင့်သည် သိပ္ပံဆိုင်ရာ လုပ်ငန်းအသွားအလာများကို ထိရောက်စွာ လမ်းညွှန်နိုင်ရန် ရုန်းကန်နိုင်သည်။ အေးဂျင့်များအား ရှင်းလင်းပြတ်သားစွာ ကောင်းစွာသတ်မှတ်ထားသော ကိရိယာများကို ပေးခြင်းဖြင့်၊ BioNeMo Agent Toolkit သည် ၎င်းတို့အား မှန်ကန်သောစွမ်းရည်ဟုခေါ်ဆိုနိုင်စေရန်၊ ရလဒ်များကို ပိုမိုတိကျစွာအနက်ဖွင့်ရန်နှင့် စစ်မှန်သောသိပ္ပံပညာဆိုင်ရာ ထိုးထွင်းသိမြင်မှုကို ပိုမိုမြန်ဆန်စွာထုတ်ယူနိုင်စေရန် ရည်ရွယ်ပါသည်။

စတင်လက်ခံသည့်နေ့

ကုမ္ပဏီ 50 ကျော်သည် သိပ္ပံနည်းကျ ရှာဖွေတွေ့ရှိမှုကို တိုးတက်စေရန် toolkit ကို အသုံးပြုနေပြီ ဖြစ်ကြောင်း NVIDIA မှ ပြောကြားခဲ့သည်။ Arc Institute၊ Open Molecular Software Foundation၊ နှင့် University of Washington's Institute for Protein Design (IPD) အပါအဝင် Open-model နှင့် သုတေသနအဖွဲ့အစည်းများသည် Frontier မော်ဒယ်များကို အဆင့်မြှင့်တင်ရန်နှင့် အေးဂျင့်-အဆင်သင့် အလုပ်အသွားအလာများမှတစ်ဆင့် ၎င်းတို့ကို ပိုမိုရရှိနိုင်စေရန်အတွက် NVIDIA နှင့် ပူးပေါင်းဆောင်ရွက်လျက်ရှိသည်။

University of Washington School of Medicine မှ ဇီဝဓာတုဗေဒ ပါမောက္ခ David Baker နှင့် Institute for Protein Design ၏ ဒါရိုက်တာ က လက်လှမ်းမီခြင်း၏ အရေးပါမှုကို အလေးပေး ပြောကြားခဲ့ပါသည်။ "ပရိုတိန်းဒီဇိုင်းအတွက် ကျွန်တော်တို့တည်ဆောက်ထားတဲ့ ကိရိယာတိုင်းဟာ အဲဒါကို ထိထိရောက်ရောက် အသုံးချနိုင်တဲ့ သိပ္ပံပညာရှင်တွေလောက်သာ အစွမ်းထက်ပါတယ်" ဟု ၎င်းက ဆက်လက်ပြောကြားပြီး "သိပ္ပံပညာ၏နောက်ထပ်ခုန်တက်မှုသည် တစ်ခုတည်းသော အောင်မြင်မှုပုံစံမှ လာမည်မဟုတ်သော်လည်း သုတေသီများလက်ထဲသို့ အစွမ်းထက်သောကိရိယာများကို တိုက်ရိုက်ထည့်သည့်စနစ်များမှ" ဟု ၎င်းက ပြောကြားခဲ့သည်။ Baker သည် ကွန်ပြူတာ ပရိုတင်း ဒီဇိုင်းနှင့် ပတ်သက်၍ သူ၏ 2024 ခုနှစ် ဓာတုဗေဒ နိုဘယ်ဆုကို မျှဝေခဲ့သည်။

တိုးတက်နေသော အေးဂျင့်အစုအဝေးတွင် တည်ဆောက်ထားသည်။

ကိရိယာအစုံသည် NVIDIA ၏ ပိုမိုကျယ်ပြန့်သော အေးဂျင့်နည်းပညာအစုစုပေါ်တွင် တည်ရှိသည်။ NVIDIA သည် ၎င်း၏ စာကြည့်တိုက်များ၊ မော်ဒယ်များနှင့် မူဘောင်များကို အေးဂျင့်ခေါ်ဆိုနိုင်သော ကိရိယာများအဖြစ် ပြောင်းလဲခြင်းဖြင့် BioNeMo ပလပ်ဖောင်းတစ်ခုလုံးကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နေသည်။ ၎င်းတွင် NVIDIA Nemotron ပွင့်လင်းမော်ဒယ်များကို ကျိုးကြောင်းဆီလျော်မှုအခြေခံအတွက် ပေါင်းစပ်ထားခြင်း၊ အားဖြည့်သင်ကြားမှုအတွက် NVIDIA NeMo RL စာကြည့်တိုက်နှင့် အလုပ်များကိုဖြတ်ကျော်ကာ ကျိုးကြောင်းဆင်ခြင်နိုင်သော လုံခြုံသော၊ ကိုယ်ပိုင်အေးဂျင့်များအတွက် NVIDIA NemoClaw အသေးစိတ်ပုံစံများ ပါဝင်သည်။ NVIDIA NIM မိုက်ခရိုဆားဗစ်များသည် အေးဂျင့်များအား မော်ဒယ်များကို ခေါ်ကာ အလုပ်များကို လုပ်ဆောင်ရန် ကူညီပေးသော်လည်း NVIDIA OpenShell runtime သည် ထိန်းချုပ်လုပ်ဆောင်နိုင်သော ပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးပါသည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

သက်ရှိသိပ္ပံသည် ကမ္ဘာပေါ်တွင် အကျိုးဆက်အရှိဆုံး သိပ္ပံပညာနယ်နိမိတ်များထဲမှ တစ်ခုဖြစ်သည်။ NVIDIA သည် ကမ္ဘာလုံးဆိုင်ရာ သိပ္ပံပညာဆိုင်ရာ R&D သုံးစွဲမှု အကြမ်းဖျင်းအားဖြင့် $3.8 trillion နှင့် နှစ်စဉ် ဆေးဝါးဘတ်ဂျက် $300 ဘီလီယံသို့ ချဉ်းကပ်လာခဲ့ကြောင်း ကိုးကားဖော်ပြခဲ့သည်။ Agentic workflows သည် ကုမ္ပဏီ၏ စောဒကတက်မှုများသည် လုပ်ငန်းကို ပိုမိုမြန်ဆန်စွာ ပြန်လည်လုပ်ဆောင်ရန်၊ ကုန်ကျစရိတ်များကို လျှော့ချရန်နှင့် မူးယစ်ဆေးဝါး ရှာဖွေတွေ့ရှိမှုနှင့် ဖွံ့ဖြိုးတိုးတက်မှုတစ်လျှောက် အောင်မြင်နိုင်ခြေကို မြှင့်တင်ပေးနိုင်သည်။

ထုတ်ဝေမှုတွင် AI ကို သိပ္ပံပညာရှင်များထံ ပေးပို့ပုံတွင် ဗျူဟာမြောက် ပြောင်းလဲမှုကိုလည်း အမှတ်အသားပြုသည်- အချက်ပြရမည့် monolithic မော်ဒယ်အဖြစ်မဟုတ်ဘဲ အေးဂျင့်က စီစဉ်ဆောင်ရွက်ပေးနိုင်သော အထူးပြု၊ ခေါ်ဆိုနိုင်သော ကိရိယာများ၏ ညှိနှိုင်းစနစ်တစ်ခုအနေဖြင့်လည်း အမှတ်အသားပြုပါသည်။ အကယ်၍ ချဉ်းကပ်မှု ပြေလည်သွားပါက၊ နောက်ဆုံးပေါ် AI ဖွံ့ဖြိုးတိုးတက်မှုများ သည် လူသားသုတေသီများနှင့်အတူ လုပ်ဆောင်နေသော တူရိယာကိုကိုင်ဆောင်ထားသော အေးဂျင့်အဖွဲ့တစ်ဖွဲ့မှ သိရှိနိုင်သော လက်ထောက်တစ်ဦးတည်းဖြင့် အနာဂတ်ဓာတ်ခွဲခန်းကို ပိုမိုလုပ်ဆောင်နိုင်မည်ဟု အကြံပြုထားသည်။

AI ၏ရှေ့တွင်နေပါ။

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →