今天的 Extropic 發布引發了一些新的紅旗。 當這家公司拒絕解釋他們所建設的輸入/輸出規範時，我開始關注他們，讓我們等待澄清。 以下是今天的三個紅旗： 1. 來自 "生成式 AI 是取樣。所有生成式 AI 算法本質上都是從概率分佈中取樣的程序。訓練生成式 AI 模型對應於推斷某些訓練數據所基礎的概率分佈，而運行推斷對應於從學習到的分佈中生成樣本。因為 TSUs 進行取樣，所以它們可以原生運行生成式 AI 算法。" 這是一個對於驅動最有用的現代 AI 的算法的高度誤導性聲明，與稱人腦為熱力學計算機的氣體燒灼程度相同。根據我所理解的，據任何人所知，大多數 AI 計算工作並不符合可以輸入到 Extropic 的晶片中的那種輸入/輸出。 該頁面說： "下一個挑戰是找出如何以某種方式組合這些原語，使其能力能夠擴展到與當今的 LLM 相當的水平。為此，我們需要構建非常大的 TSUs，並發明可以消耗任意數量的概率計算資源的新算法。" 你真的需要構建大型 TSUs 來研究 LLM 類應用是否能從這種硬體中受益嗎？我本以為花幾百萬美元通過理論和現代雲超級計算硬體來調查這個問題是值得的，而不是花超過 3000 萬美元來建造可能是通往無處的硬體。 他們自己對 THRML（他們的開源庫）的文檔說： "THRML 提供了針對稀疏異構圖的區塊取樣的 GPU 加速工具，使其成為今天原型和未來 Extropic 硬體實驗的自然場所。" 你在說你缺乏一種方式，讓你的硬體原語在原則上可以應用於某種有用的應用，而你創建了這個庫來幫助使用今天的 GPU 進行這種研究…… 為什麼你不早點發布 Python 庫（THRML），進行你所說需要早期完成的瓶頸研究，並與社區合作，幫助你解決這個關鍵問題？為什麼你一直在等待，首先推出這個極其小型的硬體原型，來解釋這個生死攸關的瓶頸，並且現在才公開尋找有某種相關 "概率工作負載" 的潛在合作夥伴，而不這樣做的成本是 3000 萬美元和 18 個月？ 2. 來自 "我們開發了我們的 TSU 架構模型，並用它來估算運行上面動畫中顯示的去噪過程所需的能量。我們發現，運行在 TSUs 上的 DTMs 可以比標準的 GPU 圖像生成算法節省約 10,000 倍的能量。" 我已經看到 Twitter 上有人在炒作這個 10,000 倍的聲明。但對於任何跟隨過量子計算公司聲稱實現 "量子優勢" 的幾十年長期故事的人來說，你知道在定義這種基準時需要多麼小心。 在實踐中，通常很難指出經典計算方法在某些情況下 *並不* 比所聲稱的 "10,000 倍更快的熱力學計算" 方法快。Extropic 團隊知道這一點，但選擇不詳細說明能夠重現這種炒作基準的條件。 3. 他們使用的術語已經改為 "概率計算機"："我們設計了世界上第一個可擴展的概率計算機。" 直到今天，他們一直使用 "熱力學計算機" 作為他們的術語，並在書面上聲稱 "大腦是一個熱力學計算機"。 人們可以給他們一個懷疑的好處，因為他們轉變了術語。只是他們一直在談論大腦是 "熱力學計算機" 的胡說八道（在我看來，大腦既不是那個也不是 "量子計算機"；它非常像在經典計算機架構上運行的神經網絡算法）。而這種突如其來的術語轉變與他們在那方面一直在胡說八道是一致的。 現在來談談積極的方面： * 確實有一些硬體被建造出來了！ * 他們解釋了其輸入/輸出在去噪方面可能有應用，儘管如前所述，對於他們在這方面所取得的所謂 "10,000 倍熱力學優勢" 的細節仍然模糊。 總體來說： 這是我在 18 個月前第一次開始詢問輸入輸出時所預期的。 他們對一個硬體的想法確實很酷，但沒有計劃使其有用，但有一些模糊的理論研究的開端，這有可能使其有用。 他們似乎在將硬體投入生產方面取得了可觀的進展（3000 萬美元能買到的量），而在找到這種特定硬體的用途方面，似乎進展較少，即使經過 10 代的後繼改進，這對任何人來說都將是有用的。 展望未來，與其通過 "mogging" 人們並說這是公司機密來回應有關你設備的輸入/輸出問題，並在推特上發佈有關你熱力學神的超自然信念，我建議你對技術社區可能實際上有興趣幫助你回答的看似巨大的生死攸關問題更加開放：是否有人可以在你的模擬器中編寫 Python 程序，提供更強的證據，表明某種有用的 "熱力學優勢" 與你的硬體概念能否成為現實。