NVIDIA ابزارهای منبع باز برای آموزش مدل هوش مصنوعی ایمن از نظر مجوز منتشر می‌کند

پیتر ژانگ 1404/11/16 18:27

طراح داده NeMo شرکت NVIDIA توسعه‌دهندگان را قادر می‌سازد تا خطوط لوله دارایی های مصنوعی برای تقطیر هوش مصنوعی بدون دردسرهای مجوزدهی یا مجموعه داده‌های عظیم بسازند.

NVIDIA یک چارچوب تفصیلی برای ساخت خطوط لوله دارایی های مصنوعی سازگار با مجوز منتشر کرده است که یکی از مشکل‌ترین مسائل در توسعه هوش مصنوعی را برطرف می‌کند: چگونه مدل‌های تخصصی را آموزش دهیم وقتی داده های واقعی کمیاب، حساس یا از نظر قانونی مبهم است.

این رویکرد طراح داده NeMo منبع باز NVIDIA را با نقاط پایانی قابل تقطیر OpenRouter ترکیب می‌کند تا مجموعه داده‌های آموزشی تولید کند که کابوس‌های انطباق را در پایین دست ایجاد نمی‌کنند. برای شرکت‌هایی که در برزخ بررسی قانونی بر سر مجوز داده گیر افتاده‌اند، این می‌تواند هفته‌ها از چرخه‌های توسعه را کاهش دهد.

چرا این اکنون اهمیت دارد

گارتنر پیش‌بینی می‌کند دارایی های مصنوعی می‌تواند تا سال 2030 از داده واقعی در آموزش هوش مصنوعی پیشی بگیرد. این اغراق نیست—63% از رهبران هوش مصنوعی سازمانی قبلاً دارایی های مصنوعی را در گردش کار خود ترکیب می‌کنند، طبق نظرسنجی‌های اخیر صنعت. تیم هوش مصنوعی فوق‌العاده مایکروسافت در اواخر ژانویه 2026 اعلام کردند که از تکنیک‌های مشابه با تراشه‌های Maia 200 خود برای توسعه مدل نسل بعدی استفاده خواهند کرد.

مشکل اصلی که NVIDIA به آن می‌پردازد: قدرتمندترین مدل‌های هوش مصنوعی محدودیت‌های مجوز دارند که استفاده از خروجی‌های آنها برای آموزش مدل‌های رقیب را ممنوع می‌کند. خط لوله جدید انطباق "قابل تقطیر" را در سطح API اعمال می‌کند، به این معنی که توسعه‌دهندگان به طور تصادفی داده‌های آموزشی خود را با محتوای محدود شده قانونی مسموم نمی‌کنند.

خط لوله در واقع چه کاری انجام می‌دهد

گردش کار فنی تولید دارایی های مصنوعی را به سه لایه تقسیم می‌کند. اول، ستون‌های نمونه‌بردار تنوع کنترل‌شده را تزریق می‌کنند—دسته‌بندی محصول، محدوده قیمت، محدودیت‌های نام‌گذاری—بدون تکیه بر تصادفی بودن LLM. دوم، ستون‌های تولید شده توسط LLM محتوای زبان طبیعی مشروط به آن بذرها تولید می‌کنند. سوم، ارزیابی LLM به عنوان قاضی به خروجی‌ها برای دقت و کامل بودن قبل از ورود به مجموعه آموزشی امتیاز می‌دهد.

مثال NVIDIA جفت‌های سوال و جواب محصول را از یک کاتالوگ بذر کوچک تولید می‌کند. توضیحات یک ژاکت ممکن است به عنوان "تا حدی دقیق" علامت‌گذاری شود اگر مدل موادی را که در داده منبع نیستند توهم زند. آن دروازه کیفیت اهمیت دارد: دارایی های مصنوعی زباله، مدل‌های زباله تولید می‌کند.

خط لوله بر روی Nemotron 3 Nano، مدل استدلال ترکیبی Mamba MOE شرکت NVIDIA، که از طریق OpenRouter به DeepInfra مسیریابی شده است، اجرا می‌شود. همه چیز اعلانی باقی می‌ماند—طرح‌های تعریف شده در کد، الگوهای قالب‌بندی شده با Jinja، خروجی‌های ساختاریافته از طریق مدل‌های Pydantic.

پیامدهای بازار

بازار تولید دارایی های مصنوعی در سال 2022 به 381 میلیون دلار رسید و پیش‌بینی می‌شود تا سال 2028 به 2.1 میلیارد دلار برسد و سالانه 33% رشد کند. کنترل بر این خطوط لوله به طور فزاینده‌ای موقعیت رقابتی را تعیین می‌کند، به ویژه در کاربردهای هوش مصنوعی فیزیکی مانند رباتیک و سیستم‌های خودکار که جمع‌آوری داده‌های آموزشی دنیای واقعی میلیون‌ها هزینه دارد.

برای توسعه دهنده بازی های ویدئویی، ارزش فوری دور زدن گلوگاه سنتی است: دیگر برای ساخت مدل‌های خاص دامنه نیازی به مجموعه داده‌های انحصاری عظیم یا بررسی‌های قانونی طولانی ندارید. الگوی یکسانی برای جستجوی سازمانی، ربات‌های پشتیبانی و ابزارهای داخلی اعمال می‌شود—هر جا که به هوش مصنوعی تخصصی بدون بودجه جمع‌آوری داده‌های تخصصی نیاز دارید.

جزئیات کامل پیاده‌سازی و کد در مخزن GitHub GenerativeAIExamples شرکت NVIDIA در دسترس است.

• nvidia
• دارایی های مصنوعی
• آموزش هوش مصنوعی
• nemo
• یادگیری ماشین