Taking Reinforcement Learning Cross Datacenter — Nan Jiang, Modal
Nan Jiang från Modal presenterar en teknik för att köra reinforcement learning (AI-träning genom trial-and-error) på GPU-servrar spridda över flera världsdelar.
Problemet är att checkpoints — sparade versioner av en tränad AI-modell — väger omkring 500 GB och tar timmar att skicka mellan datacenter, vilket förstör möjligheten att uppdatera modellen snabbt. Hans lösning är att skicka endast omkring 500 MB istället: en liten patch som innehåller bara de viktigaste ändringarna. Det fungerar för att mindre än 1% av vikterna faktiskt förändras mellan versioner — inte för att gradienter är glesa, utan för att uppdateringarna är mycket små, ofta tusen gånger mindre än precisionen tillåter. Modal kallar implementationen Stitch.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
AI Engineer 23 okt.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg
AI Engineer 23 okt.
Outside of tech there has been no financial payoff to US companies for using AI, now viewed as a margin-hurting cost center, as VC-backed firms burn more tokens
Techmeme för 3 tim sedan
Source: Replit recently moved most AI spend from Anthropic to OpenAI, which gave 30%+ off in a deal worth $100M+/year, after Anthropic discontinued its discount
Techmeme för 5 tim sedan