Ro-ràdh

A bheil thu a’ smaoineachadh gur e Grok3 an “deireadh-phuing” airson modailean ro-thrèanaichte?

Chuir Elon Musk agus sgioba xAI an dreach as ùire de Grok, Grok3, air bhog gu h-oifigeil rè craoladh beò. Ron tachartas seo, thog tòrr fiosrachaidh co-cheangailte, còmhla ri hype sanasachd 24/7 Musk, dùilean cruinneil airson Grok3 gu ìrean gun samhail. Dìreach seachdain air ais, thuirt Musk gu misneachail rè craoladh beò fhad ‘s a bha e a’ toirt beachd air DeepSeek R1, “tha xAI gu bhith a’ cur air bhog modail AI nas fheàrr.” Bho na dàta a chaidh a thaisbeanadh beò, tha Grok3 air aithris a dhol thairis air a h-uile modal prìomh-shruthach gnàthach ann an comharran-tomhais airson matamataig, saidheans agus prògramadh, le Musk eadhon ag ràdh gun tèid Grok3 a chleachdadh airson gnìomhan coimpiutaireachd co-cheangailte ri miseanan Mars aig SpaceX, a’ ro-innse “briseadh-troimhe aig ìre Duais Nobel taobh a-staigh trì bliadhna.” Ach, chan eil annta seo an-dràsta ach dearbhaidhean Musk. Às deidh an cur air bhog, rinn mi deuchainn air an dreach beta as ùire de Grok3 agus chuir mi a’ cheist chlasaigeach cleas airson modalan mòra: “Cò a tha nas motha, 9.11 no 9.9?” Gu mì-fhortanach, às aonais teisteanasan no comharran sam bith, cha b’ urrainn don Grok3 as glice a chanar ris a’ cheist seo a fhreagairt gu ceart fhathast. Dh’fhàillig Grok3 brìgh na ceiste a chomharrachadh gu ceart.

Tharraing an deuchainn seo aire mhòr bho mhòran charaidean gu luath, agus gu co-thuiteamach, tha grunn dheuchainnean coltach ris thall thairis air sealltainn gu bheil Grok3 a’ strì le ceistean bunaiteach fiosaigs/matamataigs leithid “Dè am ball a thuiteas an toiseach bhon Tùr Claon Pisa?” Mar sin, chaidh ainmeachadh gu èibhinn mar “neach-sgileil nach eil deònach ceistean sìmplidh a fhreagairt.”

Tha Grok3 math, ach chan eil e nas fheàrr na R1 no o1-Pro.

Dh’fhiosraich Grok3 “fàilligidhean” air mòran dheuchainnean eòlais choitcheann ann an cleachdadh. Rè tachartas cur air bhog xAI, sheall Musk mar a chleachd e Grok3 gus na clasaichean caractar agus na buaidhean bhon gheama Path of Exile 2 a sgrùdadh, a bha e ag ràdh a chluich e gu tric, ach bha a’ mhòr-chuid de na freagairtean a thug Grok3 seachad ceàrr. Cha do mhothaich Musk an duilgheadas follaiseach seo rè an t-sruth beò.

Chan e a-mhàin gun tug am mearachd seo fianais a bharrachd do luchd-cleachdaidh eadar-lìn thall thairis gus magadh a dhèanamh air Musk airson “lorg fear eile” ann an geamannan ach thog e draghan mòra cuideachd a thaobh earbsachd Grok3 ann an tagraidhean practaigeach. Airson “sàr-eòlaiche” mar sin, ge bith dè na comasan a th’ aige, tha teagamh fhathast ann mu cho earbsach ‘s a tha e ann an suidheachaidhean tagraidh air leth iom-fhillte, leithid gnìomhan rannsachaidh air Mars.

An-dràsta, tha mòran de luchd-deuchainn a fhuair cothrom air Grok3 seachdainean air ais, agus an fheadhainn a rinn deuchainn air comasan a’ mhodail airson beagan uairean a thìde an-dè, uile a’ comharrachadh co-dhùnadh cumanta: “Tha Grok3 math, ach chan eil e nas fheàrr na R1 no o1-Pro.”

Sealladh breithneachail air "A’ cur dragh air Nvidia"

Anns a’ PPT a chaidh a thaisbeanadh gu h-oifigeil aig àm an fhoillseachaidh, chaidh a shealltainn gu robh Grok3 “fada air thoiseach” ann an Lann-cluiche Chatbot, ach chleachd seo dòighean grafaigeach gu ciallach: cha robh an axis dhìreach air a’ chlàr-stiùiridh a’ liostadh ach toraidhean anns an raon sgòr 1400-1300, agus mar sin bha an diofar tùsail de 1% ann an toraidhean deuchainn a’ coimhead gu math cudromach san taisbeanadh seo.

Ann an toraidhean sgòraidh modail fhèin, chan eil Grok3 ach 1-2% air thoiseach air DeepSeek R1 agus GPT-4.0, a tha a’ freagairt ri eòlas mòran de luchd-cleachdaidh ann an deuchainnean practaigeach nach d’ fhuair “eadar-dhealachadh follaiseach sam bith.” Chan eil Grok3 ach 1%-2% air thoiseach air na h-oighrean aige.

Ged a tha Grok3 air sgòran nas àirde fhaighinn na na modailean uile a chaidh a dhearbhadh gu poblach an-dràsta, chan eil mòran a’ gabhail seo dha-rìribh: às dèidh a h-uile càil, chaidh càineadh a dhèanamh air xAI roimhe seo airson “làimhseachadh sgòran” ann an linn Grok2. Mar a bha am bòrd stiùiridh a’ peanasachadh stoidhle fad fhreagairtean, lùghdaich na sgòran gu mòr, agus mar sin bha luchd-stiùiridh sa ghnìomhachas tric a’ càineadh an iongantas “sgòradh àrd ach comas ìosal”.

Co-dhiù a tha iad tro “làimhseachadh” clàr-stiùiridh no cleasan dealbhaidh ann an dealbhan, tha iad a’ nochdadh xAI agus an t-ùidh a th’ aig Musk ann a bhith “a’ stiùireadh a’ phasgan” ann an comasan modail. Phàigh Musk prìs àrd airson na h-oirean sin: rè an cur air bhog, rinn e bòstadh gun robh e a’ cleachdadh 200,000 GPU H100 (ag ràdh “còrr air 100,000” rè an t-sruth beò) agus a’ coileanadh ùine trèanaidh iomlan de 200 millean uair. Thug seo air cuid a chreidsinn gu bheil e a’ riochdachadh buannachd mhòr eile airson gnìomhachas GPU agus a’ meas buaidh DeepSeek air an roinn mar “amaideach.” Gu sònraichte, tha cuid den bheachd gur e cumhachd coimpiutaireachd lom àm ri teachd trèanadh modail.

Ach, rinn cuid de luchd-cleachdaidh an eadar-lìn coimeas eadar caitheamh 2000 GPU H800 thairis air dà mhìos gus DeepSeek V3 a thoirt gu buil, a’ tomhas gu bheil caitheamh cumhachd trèanaidh Grok3 263 uiread nas motha na V3. Tha a’ bheàrn eadar DeepSeek V3, a fhuair 1402 puingean, agus Grok3 dìreach fo 100 puingean. Às deidh an dàta seo fhoillseachadh, thuig mòran gu sgiobalta gu robh buaidh goireasachd imeallach soilleir air cùl tiotal Grok3 mar an “as làidire san t-saoghal” - tha loidsig mhodalan nas motha a’ gineadh coileanadh nas làidire air tòiseachadh a’ sealltainn toraidhean a tha a’ crìonadh.

Eadhon le “sgòradh àrd ach comas ìosal”, bha tòrr dàta ciad-phàrtaidh àrd-inbhe aig Grok2 bhon àrd-ùrlar X (Twitter) gus taic a thoirt don chleachdadh. Ach, ann an trèanadh Grok3, thachair xAI gu nàdarrach ris a’ “mhullach” a tha OpenAI a’ fulang an-dràsta - tha dìth dàta trèanaidh àrd-inbhe a’ nochdadh gu luath cho feumail sa tha comasan a’ mhodail.

Tha e coltach gur e luchd-leasachaidh Grok3 agus Musk a’ chiad fheadhainn a thuigeas agus a chomharraicheas na fìrinnean seo gu domhainn, agus is e sin as coireach gu bheil Musk air a bhith ag ràdh gu cunbhalach air na meadhanan sòisealta nach eil anns an dreach a tha luchd-cleachdaidh a’ faighinn a-nis ach “beta” fhathast agus “gum bi an dreach slàn air fhoillseachadh anns na mìosan a tha romhainn.” Tha Musk air dreuchd manaidsear toraidh Grok3 a ghabhail os làimh, a’ moladh gum bi luchd-cleachdaidh a’ toirt seachad fios air ais air diofar chùisean a thachair anns an earrann bheachdan. Is dòcha gur e am manaidsear toraidh as motha a leanas air an Talamh.

Ach, taobh a-staigh latha, gun teagamh thog coileanadh Grok3 dragh dhaibhsan a bha an dòchas a bhith an urra ri “fèithean coimpiutaireachd mòra” gus modalan mòra nas làidire a thrèanadh: stèidhichte air fiosrachadh Microsoft a tha ri fhaighinn gu poblach, tha meud paramadair de 1.8 trillean paramadair aig GPT-4 aig OpenAI, còrr is deich uiread nas motha na GPT-3. Tha fathannan a’ moladh gum faodadh meud paramadair GPT-4.5 a bhith eadhon nas motha.

Mar a bhios meudan paramadair a’ mhodail ag èirigh gu mòr, tha cosgaisean an trèanaidh cuideachd a’ dol am meud. Le làthaireachd Grok3, feumaidh farpaisich mar GPT-4.5 agus feadhainn eile a tha airson leantainn air adhart a’ “losgadh airgid” gus coileanadh modail nas fheàrr fhaighinn tro mheud paramadair beachdachadh air a’ mhullach a tha a-nis ri fhaicinn gu soilleir agus beachdachadh air mar a gheibh iad thairis air. Aig an àm seo, thuirt Ilya Sutskever, a bha na phrìomh shaidheansair aig OpenAI, roimhe seo san Dùbhlachd an-uiridh, “Thig crìoch air an ro-thrèanadh ris a bheil sinn eòlach," a tha air nochdadh a-rithist ann an còmhraidhean, a’ brosnachadh oidhirpean gus an fhìor shlighe a lorg airson modalan mòra a thrèanadh.

Tha beachd Ilya air rabhadh a thoirt don ghnìomhachas. Ro-innse e gu ceart gum biodh dàta ùr ruigsinneach a’ crìonadh gu luath, agus mar sin bhiodh suidheachadh ann far nach gabhadh coileanadh a leasachadh tro bhith a’ togail dàta, ga choimeas ri crìonadh connadh fosail. Chomharraich e “mar ola, gur e goireas cuibhrichte a th’ ann an susbaint a chaidh a chruthachadh le daoine air an eadar-lìon.” Ann an ro-innse Sutskever, bidh “fìor neo-eisimeileachd” agus comasan reusanachaidh “coltach ri eanchainn an duine” aig an ath ghinealach de mhodalan, às dèidh ro-thrèanadh.

Eu-coltach ri modalan ro-thrèanadh an latha an-diugh a tha gu mòr an urra ri maidseadh susbaint (stèidhichte air susbaint a’ mhodail a chaidh ionnsachadh roimhe), bidh siostaman AI san àm ri teachd comasach air modhan-obrach ionnsachadh agus a stèidheachadh gus fuasgladh fhaighinn air duilgheadasan ann an dòigh coltach ri “smaoineachadh” eanchainn an duine. Faodaidh duine comas bunaiteach a choileanadh ann an cuspair le dìreach litreachas proifeasanta bunaiteach, agus feumaidh modail mòr AI milleanan de phuingean dàta gus dìreach an èifeachdas ìre inntrigidh as bunaitiche a choileanadh. Fiù ‘s nuair a thèid am facal atharrachadh beagan, is dòcha nach tèid na ceistean bunaiteach seo a thuigsinn gu ceart, a’ sealltainn nach eil am modail air leasachadh dha-rìribh ann an inntleachd: tha na ceistean bunaiteach ach do-fhuasgladh a chaidh ainmeachadh aig toiseach an artaigil a’ riochdachadh eisimpleir soilleir den iongantas seo.

Co-dhùnadh

Ach, a bharrachd air feachd bhrùideil, ma shoirbhicheas le Grok3 innse don ghnìomhachas gu bheil “modalan ro-thrèanaichte a’ tighinn faisg air an deireadh,” bhiodh buaidh mhòr aige air an raon.

’S dòcha às dèidh don othail a tha timcheall air Grok3 crìonadh mean air mhean, gum faic sinn barrachd chùisean mar eisimpleir Fei-Fei Li de bhith “a’ gleusadh mhodalan àrd-choileanaidh air seata dàta sònraichte airson dìreach $50,” a’ lorg mu dheireadh an fhìor shlighe gu AGI.