Известный программист и технический визионер Джон Кармак инициировал в социальных сетях дискуссию о нестандартных методах хранения данных для современных систем искусственного интеллекта. В центре внимания оказалась концепция использования длинных оптоволоконных линий как своеобразного буфера, где информация хранится за счет времени прохождения света по кабелю. Эта идея вызвала живой отклик среди инженеров и энтузиастов, сравнивших предложенный метод с технологиями середины прошлого века.
В ходе обсуждения рассматривался сценарий, при котором сигнал отправляется по оптоволоконному контуру длиной около двухсот километров. При высоких скоростях передачи данных это позволяет удерживать определенный объем информации буквально в полете до момента, пока она не достигнет приемника. Участники беседы подсчитали, что при пропускной способности системы в 256 терабит в секунду в таком кабеле могло бы одновременно находиться около 32 гигабайт данных. Комментаторы отметили сходство этой концепции с памятью на линиях задержки, использовавшейся в ранних вычислительных машинах, но реализованной на принципиально ином технологическом уровне.
Мнения сообщества разделились между восхищением визуальной составляющей идеи и критикой ее практической эффективности. Некоторые пользователи представили футуристические картины огромных складов, заполненных катушками светящегося волокна, которые функционируют как гигантский мозг. Другие предложили еще более смелые варианты, такие как использование лазеров в космосе для исключения потерь сигнала в стекле или размещение подобных установок на орбитальных станциях для производства идеального волокна.
Скептики же указали на серьезные технические ограничения подобного подхода. Отмечалось, что энергозатраты на передачу бита информации по оптике значительно превышают показатели традиционной памяти, а необходимость использования репитеров для усиления сигнала усложняет конструкцию. Также обсуждалась альтернатива в виде современной флеш-памяти, которая при правильной оптимизации пакетной обработки запросов может быть более экономически выгодным решением для задач машинного обучения.
Источник: www.playground.ru