Nvidia நிரூபித்தது: AI மாடல் அல்ல, அதைச் சுற்றியுள்ள கட்டமைப்பே உண்மையான நாயகன்

AI-யின் மிகக் கடினமான பெஞ்சுமார்க்குகளில் 100% மதிப்பெண் — ஆனால் மாடல் அந்த கிரெடிட்டுக்கு தகுதியற்றது. Nvidia-வின் சமீபத்திய গবேষணை வெள்ளிக்கிழமை அமைதியாக வெளியிடப்பட்டது, ஆனால் அதன் விளைவுகள் சத்தமாக உள்ளன: AI மாடலைச் சுற்றி நீங்கள் கட்டும் அடிப்படை கட்டமைப்பு மாடலையே விட அதிக முக்கியத்துவம் வாய்ந்தது, குறிப்பாக பணி சிக்கலாகவும் நீண்ட கால நடவடிக்கையாகவும் இருக்கும்போது. ஆசியாவில் எந்த அடிப்படை மாடலைத் தேர்ந்தெடுப்பது என்பதில் இன்னும் கவனம் செலுத்திக் கொண்டிருக்கும் டெவலப்பர் அல்லது நிறுவனர் என்றால், இந்த গবேษணை உங்கள் உள்ளுணர்வுக்கு நேரடி சவால்.

என்ன நடந்தது

Nvidia புதிய গবேষணை வெளியிட்டது, Claude Opus 5 ஐ தனிப்பயனாக கட்டமைக்கப்பட்ட கட்டமைப்பில் வைத்தபோது ARC-AGI-3 இல் 100% மதிப்பெண் அடைந்தது என்பதைக் காட்டுகிறது — இது ஒரு ஊடாடும் பகுத்தறிவு பெஞ்சுமார்க் ஆகும், இது பொதுநோக்க AI திறனின் அர்த்தமுள்ள அளவீடாக மாறிவிட்டது. கட்டமைப்பு இல்லாமல், Opus 5 30% மதிப்பெண் பெற்றது, இது சோதிக்கப்பட்ட அனைத்து மாடல்களிலும் இன்னும் மிக உயர்ந்த ফলாபாடு ஆகும். 30% முதல் 100% வரையிலான இடைவெளி ஒரு சிறந்த மாடலுக்கு மாற்றுவதன் மூலம் மூடப்படவில்லை. இது ஒரே மாடலைச் சுற்றி சிறந்த உள்கட்டமைப்பு கட்டுவதன் மூலம் மூடப்பட்டது.

Nvidia கட்டிய கட்டமைப்பு — AVO என்று அழைக்கப்படுகிறது — இரண்டு முக்கியமான கூறுகளை உள்ளடக்கியது: நீண்ட கால சூழலைக் கையாள்ள வடிவமைக்கப்பட்ட மெமரி ব்যবস்థாপன அமைப்பு, மற்றும் ஒரு "மேற்பார்வையாளர்" கூறு, இது ஒரு பாஸ் போல செயல்பட்டு, ஏஜென்டை பணியில் வைத்திருக்கிறது மற்றும் அதை பொருத்தமற்ற பகுத்தறிவு சுழல்களில் அலையாமல் தடுக்கிறது. TechCrunch-ன் அறிக்கையின் படி, Nvidia-வின் AI யூனிட்டுக்கான பொருளாதார வைப்பு VP Adel El Hallak, இதை தெளிவாக கூறினார்: "இது மாடல். இது மாடலைச் சுற்றியுள்ள கட்டமைப்பு, இதை நாம் கட்டமைப்பு என்று அழைக்கிறோம், அதாவது அது பயன்படுத்தும் கருவிகளின் தொகுப்பு. இது ரன்டைம் மற்றும் நாம் அதற்கு அணுக அனுமதி கொடுக்கும் தொடர்புடைய திறன்கள் மற்றும் நூலகங்கள்."

গবேஷணை குறிப்பாக நீண்ட-அடிவாரம் பணிகளில் கவனம் செலுத்துகிறது — பல முடிவுகளை ஒன்றாக இணைக்க வேண்டிய வேலை, சில சமயம் நாட்களுக்கு, ஒரு முடிந்த வெளியீட்டை உற்பத்தி செய்ய. இது ஒரு ஒற்றை உத்தரவு-பதில் பரிமாற்றத்திலிருந்து அடிப்படையில் வேறுபட்டது. AI ஐ நீண்ட-அடிவாரம் பணிகளை நம்பகமாக செயல்படுத்த வைப்பது, அதை சரிந்து போகாமல், agentic AI গবேஷணையில் மிகக் கடினமான திறந்த சிக்கல்களில் ஒன்றாகும். Nvidia-வின் கண்டுபிடிப்பு பதில் ஒரு புத்திசாலி மாடல் அல்ல — இது ஒரு புத்திசாலி கட்டமைப்பு என்பதை பரிந்துரைக்கிறது.

இது AI அமைப்பு வடிவமைப்பு பற்றி தொழிலை எப்படி சிந்திக்க வேண்டும் என்பதில் ஒரு அர்த்தமுள்ள மாற்றம். மாடல் மস்திஷ்கம். கட்டமைப்பு நரம்பு மண்டலம், ஒழுக்கம் மற்றும் நினைவு. உங்களுக்கு மூன்றும் தேவை.

ஆசியாவுக்கு ஏன் முக்கியமாக உள்ளது

ஆசியாவின் டெவலப்பர் மற்றும் ஸ்டார்টআப் ஈக்கோசிஸ்டம் அடிப்படை மாடல்களுடன் ஒரு குறிப்பிட்ட உறவு கொண்டுள்ளது, இது இந்த গবேஷணையை குறிப்பாக பொருத்தமாக்குகிறது. தென்கிழக்கு ஆசியா, இந்தியா, ஜப்பான், தென் கொரியா மற்றும் சீனா முழுவதும், பெரும்பாலான குழுக்கள் அடிப்படை மாடல்களை கட்டுவதில்லை — அவை அவற்றின் மேல் கட்டுவது. மூலோபாய கேள்வி எப்போதும் இருந்தது: நாம் எந்த மாடலைப் பயன்படுத்துவது? Nvidia-வின் கபேஷணை அந்த கேள்வியை இரண்டாம் நிலையாக மறுவடிவமைக்கிறது.

ஆசியாவின் AI பந்தயத்தில் உண்மையான போட்டிமுறை நன்மை GPT-5 அல்லது Claude Opus 6 க்கு பிரத்যேக அணுகலிலிருந்து வரப் போவதில்லை. இது சிறந்த கட்டமைப்புகளை கட்டும் குழுக்களிலிருந்து வரப் போகிறது — சிறந்த நினைவு கட்டமைப்புகள், சிறந்த கருவி ஒருங்கிணைப்பு, சிறந்த மேற்பார்வையாளர் தர্க்கம் — அவர்களுக்கு கிடைக்கும் எந்த மாடலின் மேலும். இது ஆசிய டெவலப்பர்கள் வெல்லலாம் ஒரு விளையாட்டு, ஏனெனில் இது ஒரு பொறியியல் மற்றும் பொருள் சிக்கல், கணக்கீட்டு-பட்ஜெட் சிக்கல் அல்ல.

Jakarta, Bangalore, அல்லது Ho Chi Minh City-ல் AI-இயக்கப்பட்ட பணிப்பாய்வு பொருளை கட்டும் நிறுவனரின் நடைமுறை யதார்த்தத்தை கருத்தில் கொள்ளுங்கள். நீங்கள் உங்கள் சொந்த எல்லை மாடலை பயிற்றுவிக்கவில்லை. நீங்கள் ஒரு API ஐ அழைக்கிறீர்கள். கேள்வி ஆகிறது: நீங்கள் அந்த API அழைப்பைச் சுற்றி என்ன கட்டுவது? பல-நாள் பணி முழுவதும் சூழலை எப்படி கையாள்வது? ஏஜென்ட் ஒரு எதிர்பாராத நிலையை அடையும்போது ட்র্যாக்கிலிருந்து விலகாமல் எப்படி தடுப்பது? இவை கட்டமைப்பு சிக்கல்கள், மற்றும் அவை வலுவான பொறியியல் மூலம் தீர்க்கக்கூடியவை.

ஆசியாவில் கூர்ந்து உணர்ந்த ஒரு செலவு பரிமாணமும் உள்ளது. சிறந்த கட்டமைப்புகளுடன் சிறிய மாடல்கள் ஒன்றை இல்லாமல் இயங்கும் பெரிய, விலையுயர்ந்த மாடல்களை விஞ்சலாம். நிரந்தர மேக பட்ஜெட்டுகளில் இயங்கும் ஸ்டார்டআப்களுக்கு — இது பகுதியில் பெரும்பாலான ஸ்டார்டআப்கள் — இது ஒரு கட்டமைப்பு நுண்ணறிவு மட்டுமல்ல, இது ஒரு நிதி மூலோபாயம். ஒரு சிறந்த கட்டமைப்பு கட்டுங்கள், மற்றும் நீங்கள் ஒரு மெலிந்த மாடலைப் பயன்படுத்த பொருத்தமாக இருக்கலாம். பெஞ்சுமார்க் ফলாபாடு இதை அனுபவபூர்வமாக ஆதரிக்கிறது.

ஆசியா தொழில்நுட்பம் எப்போதும் கிடைக்கும் கூறுகளில் புத்திசாலி அமைப்புகளை கட்டுவதன் மூலம் போட்டியிட்டுள்ளது. இந்த கபேஷணை AI-யின் கட்டமைப்பு நிலையில் அந்த அணுகுமுறையை சரிபார்க்கிறது.

டெவலப்பர்களுக்கு இதன் பொருள்

நீங்கள் இன்று agentic அமைப்புகளை கட்டுவதாக இருந்தால், Nvidia-வின் கபேஷணை உங்கள் பொறியியல் முயற்சியை எங்கே முதலீடு செய்ய வேண்டும் என்பதைப் பற்றி சிந்திக்க ஒரு கான்கிரீட் கাঠামோ வழங்குகிறது. மாடலை ஒரு கருப்பு பெட்டியாக கருதுவதை நிறுத்துங்கள், அது வேலை செய்கிறதோ இல்லையோ. கட்டமைப்பை முதன்மை பொறியியல் மேற்பரப்பாக கருதத் தொடங்குங்கள்.

Nvidia-வின் கண்டுபிடிப்புகளின் அடிப்படையில், ஒரு உற்பத்தி-தர கட்டமைப்பு கையாள்ள வேண்டிய விஷயங்கள் இங்கே உள்ளன:

• நினைவு ব்যবস்థாபன: நீண்ட-அடிவாரம் பணிகள் வேகமாக சூழலை திரட்டுகின்றன. வெளிப்படையான நினைவு கட்டமைப்பு இல்லாமல் — என்ன வைத்திருக்க வேண்டும், என்ன சுருக்க வேண்டும், என்ன நீக்க வேண்டும் என்பதை முடிவு செய்தல் — மாடலின் பயனுள்ள சூழல் காலப்போக்கில் சரிந்து போகிறது, மற்றும் செயல்திறன் சரிந்து விழுகிறது. இது ஒரு மாடல் சிக்கல் அல்ல. இது ஒரு அமைப்பு சிக்கல்.
• மேற்பார்வையாளர் தர்க்கம்: Nvidia-வின் கட்டமைப்பு ஒரு மேற்பார்வையாளர் கூறு உள்ளடக்கியது, இது ஏஜென்டின் முன்னேற்றத்தை கண்காணிக்கிறது மற்றும் அது விலகும்போது தலையிடுகிறது. இதை ஒரு இலகு மெட்டா-ஏஜென்ட் என்று சிந்தியுங்கள், அதன் ஒரே வேலை முதன்மை ஏஜென்டை நேர்மையாக வைத்திருப்பது. இதை செயல்படுத்துவது ஒரு இரண்டாவது எல்லை மாடல் தேவை இல்லை — ஒரு சிறிய, மலிவான மாடல் மேற்பார்வையாளர் பாத்திரத்தை திறம்பட விளையாடலாம்.
• கருவி ஒருங்கிணைப்பு: ஏஜென்ட் எந்த கருவிகளை அழைக்கலாம், என்ன வரிசையில், என்ன பிழை-கையாளும் தர்க்கம் — இது கட்டமைப்பு பிரதேசம். மோசமாக வடிவமைக்கப்பட்ட கருவி ஒருங்கிணைப்பு உற்பத்தி ஏஜென்ட் வரிசைப்படுத்தல்களில் மிகவும் பொதுவான தோல்வி முறைகளில் ஒன்றாகும்.
• கருத்து சுழல்கள்: கட்டமைப்பு ফলாபாடுகளை மாடலுக்கு ஒரு கட்டமைக்கப்பட்ட வழியில் திரும்பக் கொடுக்க வேண்டும், கச்சா வெளியீட்டை வெறுமே வெளியேற்றாமல். நீங்கள் அந்த கருத்தை எப்படி வடிவமைக்கிறீர்கள் என்பது மாடலின் அடுத்த முடிவை கணிசமாக வடிவமைக்கிறது.

நடைமுறையில், இதன் பொருள் உங்கள் கட்டமைப்பு மதிப்பாய়வு "எந்த மாடல்?" உடன் தொடங்க வேண்டாம். இது "நமது கட்டமைப்பு நினைவு, மேற்பார்வை, கருவி அழைப்புகள் மற்றும் கருத்தை எப்படி கையாள்கிறது?" உடன் தொடங்க வேண்டும். அந்த நான்கு கேள்விகளுக்கு நன்றாக பதிலளிக்கவும், மற்றும் உங்கள் மாடல் தேர்வு ஒரு இரண்டாம் நிலை உகப்பாக்கம் ஆகிறது.

MonstarX இல் கட்டும் குழுக்களுக்கு, இது தளம் வடிவமைக்கப்பட்ட விதத்திற்கு நேரடியாக வரைபடம் — அடிப்படை மாடல் ஒரு স்তரம், ஆனால் அதைச் சுற்றியுள்ள இணைப்புகள், ஒருங்கிணைப்பு தர்க்கம் மற்றும் ரன்டைம் சூழல் உண்மையான வேறுபாடு வாழ்கிறது. Nvidia-வின் கபேஷணை அடிப்படையில் தளம்-மேல்-மாடல் தத்துவத்தின் சரிபார்ப்பு, இது கடந்த 18 மாதங்களில் தீவிர AI-பூர்வ வளர்ச்சி நோக்கி நகர்ந்துள்ளது.

ஒரு நடைமுறை தொடக்க புள்ளி: உங்கள் தற்போதைய ஏஜென்ட் செயல்படுத்தல்களை ஆய்வு செய்யுங்கள் மற்றும் சூழல் படிகளில் இழக்கப்படும் இடங்களை அடையாளம் காணுங்கள். இது நீண்ட-அடிவாரம் பணிகளில় প্রায় எப்போதும் முதல் தோல்வி முறை, மற்றும் இது முற்றிலும் ஒரு கட்டமைப்பு சிக்கல். மாடலை மேம்படுத்த பரிசீலிக்கும் முன் நினைவு স்தரத்தை சரிசெய்யுங்கள்.

முக்கிய கொள்ளுதல்கள்

Nvidia-வின் AVO கபேஷணை ஒரு சுத்தமான, அனுபவபூர்வ ভিত்தியான வாதம், அனுபவம் வாய்ந்த AI பொறியாளர்கள் சிறிது நேரம் சந்தேகம் கொண்டுள்ளனர்: கட்டமைப்பு பொருள். மாடல் உள்கட்டமைப்பு. இங்கே முன்னேற்ற வேண்டிய விஷயங்கள்:

• மாடல் தேர்வு ஒரு தொடக்க புள்ளி, ஒரு மூலோபாயம் அல்ல. Claude Opus 5 30% இலிருந்து 100% க்கு ARC-AGI-3 இல் ஒரே எடைகள் மற்றும் ஒரு சிறந்த கட்டமைப்புடன் சென்றது. மாடல்களுக்கு இடையிலான டெல்டா உண்மை, ஆனால் நீண்ட-அடிவாரம் வேலைக்கான கட்டமைப்புகளுக்கு இடையிலான டெல்டா பெரியது.
• நினைவு கட்டமைப்பு agentic அமைப்புகளுக்கு கட்டாயமாக உள்ளது. உங்கள் ஏஜென்ட் சில நிமிषங்களுக்கு மேல் அல்லது சில கருவி அழைப்புகளுக்கு மேல் பணிகளை இயக்கிக் கொண்டிருந்தால், உங்களுக்கு ஒரு வெளிப்படையான நினைவு ব்যவস்థாபன স্தரம் தேவை. இது