OpenAI дата центрийг "compute campus" гэж нэрлэхээр бодож байна

Дартмутын эдийн засгийн профессор Брюс Сасердоут болон хамтран зохиогч Мейсон Парис-Бэкон нар 2026 оны Дартмутын хиймэл оюуны судалгааны үр дүнг танилцууллаа. Судалгаанд АНУ-ын 1,000 коллежийн оюутан, Дартмутын 1,500 гаруй оюутан хамрагдсан. Оюутнууд хүнд ойлголтыг тайлбарлуулах, уншлагын материалыг товчлох, давтлагын гарын авлага бэлтгэх, математикийн бодлого бодоход хиймэл оюуны хэрэгслийг тогтмол ашигладаг байна.

Өөрийн хэлсэн зүйл болон үе тэнгийнхний үйлдлийн тухай ойлголтын хооронд эрс ялгаа гарчээ. АНУ-ын оюутнуудын тал хувь нь үе тэнгийнхэн хиймэл оюуны бичвэрийг бараг засахгүйгээр хуулж буулгадаг гэж үздэг ч өөрөө ингэдэг гэж хэлсэн нь ердөө 8 хувь байна. Үүнтэй адил 49 хувь нь үе тэнгийнхэн бодлогын хариултыг хиймэл оюунаар олдог гэж үзсэн бол өөрөө ингэдгээ хүлээсэн нь 11 хувь байв. Шударга байдлын асуудал өргөн тархсан бөгөөд 70 хувь нь хиймэл оюун гэртээ хийх даалгаврыг шударга бус болгодог гэж, 39 хувь нь үе тэнгийнхэн ашигладаг учраас өөрөө ашигладаг гэж хариулжээ.

Мэргэжлийн бэлтгэлийн тухайд АНУ-ын оролцогчдын 55 хувь нь хиймэл оюуны сайн ур чадвар карьерт амжилт гаргахад чухал гэж, 56 хувь нь хиймэл оюун өөрсдийн сонирхсон салбарын ажлын байрыг багасгадаг гэж үзсэн. Дартмутын оюутнуудын 84 хувь нь хиймэл оюун ажлыг устгахгүй, харин өөрчилж байна гэжээ. Зохиогчид дээд боловсролын байгууллагууд янз бүрийн төрлийн хичээл, салбарт зохицсон, зорилготой, уян хатан зааварчилгаа баримтлах ёстой гэж дүгнэсэн.

NVIDIA нь Model Optimizer хэрэгслээ ашиглан DeepSeek-V4.1-Flash-1017 загварт сургалтын дараах quantization хийсэн. Үр дүнд нь checkpoint ойролцоогоор 475 GiB-аас 400 GiB болж, 75 GiB хадгалах зай хэмнэгдсэн. Reasoning, coding, vision, instruction-following, long-context болон agent benchmark-ийн үнэлгээнд анхны загвартай харьцуулахад оноо 0.70 пункт ба түүнээс бага зөрсөн.

Үндсэн Mixture-of-Experts архитектур нь 552 тэрбум параметртэй backbone-той бөгөөд prefill үед ойролцоогоор 8 тэрбум, decoding үед 16 тэрбум параметрийг ажиллуулдаг. Үүнээс гадна 196 тэрбум параметртэй Engram модуль байдаг. NVIDIA 40 давхарга дахь 384 experts-ийн энгийн routed experts-ийг NVFP4 нарийвчлал руу шахаж, Engram lookup хүснэгтүүдийг FP8-аас MXFP4 болгон хөрвүүлсэн. Мэдрэмтгий жингүүдийг хамгаалахын тулд attention давхарга, vision хэсгүүд, shared experts болон multi-token prediction бүрэлдэхүүн хэсгүүд анхны нарийвчлалаа хадгалсан.

Amazon-ийн Chronos-Bolt Mini нь T5-efficient encoder-decoder суурийг ашиглан урьдчилан сургасан суурь загваруудыг цагийн цуваа прогнозд хэрэглэдэг. Хөгжүүлэгч эрэмбэлэгдсэн тоон түүх болон прогнозын хүрээг өгөхөд систем өөрийн тусгай сургалт, шинж чанар бүтээлт, гиперпараметр тааруулалтгүйгээр магадлалт прогноз буцаадаг.

Үр дүнтэй болсон шалтгаан нь анхны Chronos-д ашигласан авторегрессив декодчиллыг сольсонд оршино. Ажиглалтын өгөгдлийг токен болгон хувиргаж нэг нэгээр нь таамаглахын оронд Chronos-Bolt түүхийг ажиглалтын патчуудад хувааж, прогнозын бүх хүрээний квантилуудыг нэг декодчилолын нэвтрэлтээр таамагладаг.

Amazon-ийн мэдээлж буйгаар Chronos-Bolt загварууд анхны Chronos загваруудаас 250 хүртэл дахин хурдан ажиллаж, 20 хүртэл дахин бага санах ой хэрэглэдэг. Жишиг туршилтад Chronos-Bolt Base нь Chronos Large-аас илүү өндөр нарийвчлалтай байсан бөгөөд 600 гаруй дахин хурдан ажилласан.

Haas-ja-v1.0 нь 615.8 сая параметртэй загвар бөгөөд Япон хэлний яриаг хурдан, өөрийн серверт ажиллуулан бичвэрт буулгахад зориулагдсан. Загварын жин болон inference код Apache 2.0 лицензтэйгээр нийтлэгдсэн.

Third Intelligence загварыг asr-ja-bench v1.1 дээр туршсан бөгөөд энэ өгөгдөлд 18,318 өгүүлбэр, 23.38 цагийн Япон яриа багтдаг. Мөн компани тэмдэгтийн алдааны хатуу, уян, кана хувилбаруудыг тооцдог jacer хэмээх хэрэгсэл бүтээсэн.

Шалгуур туршилтад загвар тэмдэгтийн алдааны хатуу үзүүлэлт 6.12% гаргаж, бодит цагаас 3,236 дахин хурдан ажилласан. Third Intelligence шалгуурынхтай төстэй ачааллын үед дэд бүтцийн зардлыг аудио цаг тутамд $0.003-аас $0.004 гэж тооцсон бол GPT-Transcribe-ийн зардал цагт ойролцоогоор $0.30 байна. Хааяа ашиглах тохиолдолд үйл ажиллагааны нэмэлт зардал болон ашиглагдаагүй GPU-ийн хүчин чадлаас болж бодит зардал өснө гэдгийг компани тэмдэглэсэн.