به گزارش ساوت چاینا مورنینگ پست، Moore Threads Technology، یک شرکت طراحی واحد پردازش گرافیکی (GPU) که توسط مدیرکل سابق انویدیا چین ایجاد شده اعلام کرد مدل‌های V3 و R1 منبع باز دیپ‌سیک توسعه هوش مصنوعی را «به شدت ارتقا داده» و برای توسعه‌دهندگان «الهام‌بخش» بوده است.
شرکت برای پیشبرد توسعه اکوسیستم هوش مصنوعی داخلی، خوشه محاسباتی هوشمند GPU KUAE را برای پشتیبانی کامل از استقرار توزیع شده مدل‌های V3 وR1 دیپ‌سیک باز خواهد کرد.
وعده Moore Threads چند روز پس از آن مطرح شد که هوآوی اعلام کرد با استارت‌آپ زیرساخت‌های هوش مصنوعی مستقر در پکن SiliconFlow همکاری می‌کند تا مدل‌های دیپ‌سیک را از طریق سرویس ابری Ascend در دسترس کاربران نهایی قرار دهد.
وب سایت این شرکت اعلام کرد که سرویس ابری Ascend هوآوی برای منابع محاسباتی به راه‌حل خانگی Ascend خود متکی است که می‌تواند شامل انواع مختلفی از سخت‌افزارها از جمله خوشه‌های سرور خود توسعه‌یافته، ماژول‌های هوش مصنوعی و کارت‌های شتاب‌دهنده باشد.
مدل Gitee AI، یک وب‌سایت خدمات یک مرحله‌ای مستقر در شنجن برای توسعه‌دهندگان هوش مصنوعی، همچنین اعلام کرد که چهار مدل مبتنی بر دیپ‌سیک R1 را از طریق سرورهایی که توسط پردازنده‌های گرافیکی طراحی تراشه متاکس مستقر در شانگهای طراحی شده است، ارائه می‌کند.
مدل Gitee AI همچنین با استارت‌آپ GPU مستقر در شانگهای Iluvatar Corex همکاری و با شرکای خود برای اطمینان از دسترسی سریع و آسان به دیپ‌سیک -R1 کار می‌کند.
راه‌اندازی دیپ‌سیک R1 مانند رعد و برقی بود که موانع فنی طولانی‌مدت را در هم شکست و نشاط جدیدی را به صنعت هوش مصنوعی چین تزریق کرد.
علاوه بر توسعه‌دهندگان GPU، ارائه‌دهندگان خدمات ابری بزرگ چین – از جمله علی‌بابا، تنسنت، هوآوی و بیدو – در تعطیلات سال نو قمری برای پشتیبانی از مدل‌های جدید دیپ‌سیک در پلتفرم مربوطه خود اضافه‌کاری انجام دادند، زیرا تقاضا از سوی مصرف‌کنندگان و مشاغل چینی افزایش یافت.
اگرچه تراشه‌های هوش مصنوعی تولیدشده توسط توسعه‌دهندگان چینی نسبت به محصولات غول گرافیکی ایالات‌متحده انویدیا کمتر پیچیده هستند، موفقیت دیپ‌سیک این امیدواری را ایجاد کرده که چین بتواند فاصله خود را با ایالات‌متحده با تمرکز بر به اصطلاح پردازنده‌های استنتاج که برای پشتیبانی از ابزارهای هوش مصنوعی مولد که قبلاً آموزش دیده‌اند، کاهش دهد.
تراشه‌های استنباط وزن سبک‌تر، کارآمدتر و آسان‌تر از تراشه‌های آموزشی توسعه می‌یابند.
همچنین انتظار می‌رود که ادغام بیشتر بین توسعه‌دهندگان تراشه و مهندسان نرم‌افزار در چین، عملکرد روان مدل‌های منبع باز خانگی را امکان‌پذیر کند و به سیستم‌های هوش مصنوعی داخلی اجازه دهد تا کمتر به تراشه‌های ایالات‌متحده وابسته شوند.
منبع: scmp
