चाइना मर्चेंट्स ग्रुप की लायनरॉक एआई लैब ने सामान्य तर्क मॉडल Lion-ER-35B-A3B लॉन्च किया

npj अनकन्वेंशनल कंप्यूटिंग में 3 नवंबर को प्रकाशित एक लेख में, लेखकों ने आधुनिक एनालॉग कंप्यूटिंग की अवधारणा को परिभाषित किया है। 'डिफरेंशियल और मैट्रिक्स समीकरणों को हल करने के लिए आधुनिक एनालॉग कंप्यूटिंग' नामक यह कार्य बीजिंग विश्वविद्यालय के आर्टिफिशियल इंटेलिजेंस इंस्टीट्यूट और इंटीग्रेटेड सर्किट स्कूल से सुन चोंग के नेतृत्व में है। सह-लेखकों में मिलान पॉलिटेक्निक विश्वविद्यालय से पिएर्जियोलिओ माननोकी और अनकन्वेंशनल एआई, साथ ही ज्यूरिख में आईबीएम रिसर्च यूरोप से मैनुअल ले गैलो और अबू सेबेस्टियन शामिल हैं। इस बारे में QbitAI ने उसी दिन सूचित किया।

समीक्षा में तीन मुख्य तत्वों पर प्रकाश डाला गया है: विभेदक समीकरणों का समाधान, मैट्रिक्स समीकरणों का समाधान और मैट्रिक्स-वेक्टर गुणन का निष्पादन। ये तत्व ऑपरेटरों के एक सामान्य सेट का उपयोग करते हैं - समकलेषक (summers), गुणक (multipliers) और इंटीग्रेटर - और गणितीय रूप से जुड़े हुए हैं, क्योंकि असतत विभेदक समीकरण मैट्रिक्स समीकरणों में बदल जाते हैं जिन्हें या तो कई मैट्रिक्स गुणन द्वारा या बंद लूप वाले एनालॉग नेटवर्क का उपयोग करके एक ही चरण में हल किया जा सकता है। लेखक असतत घटकों से लेकर प्रतिरोधक मेमोरी और CMOS पर आधारित इंटीग्रेटेड सर्किट के कार्यान्वयन को ट्रैक करते हैं, साथ ही प्रयोज्यता, सटीकता, स्केलेबिलिटी, मेमोरी कंप्यूटिंग से संबंध और कम्प्यूटेशनल जटिलता पर भी चर्चा करते हैं।

सुन के अनुसार, आधुनिक दृष्टिकोण तीन तरीकों से एनालॉग कंप्यूटरों से अलग है जिन्हें दशकों पहले डिजिटल चिप्स द्वारा विस्थापित कर दिया गया था। पहला, यह विशेष रूप से विभेदक समीकरणों के बजाय आर्टिफिशियल इंटेलिजेंस और वायरलेस संचार के क्षेत्र में मैट्रिक्स भार पर केंद्रित है। दूसरा, यह CMOS पर आधारित एनालॉग सर्किट के बजाय मेमरिस्टर्स जैसे प्रतिरोधक मेमोरी उपकरणों पर आधारित है। तीसरा, यह उच्च सटीकता और पैमाने को प्राप्त करने के लिए इंजीनियरिंग विधियों का उपयोग करता है।

इन उपकरणों के क्रॉसबार में, एक ऑपरेंड डिवाइस की चालकता के रूप में प्रोग्राम किया जाता है, और दूसरा वोल्टेज के रूप में लगाया जाता है; इस प्रकार, ओम का नियम प्रत्येक गुणन को पूरा करता है, और किरचॉफ का धारा नियम प्रत्येक स्तंभ को जोड़ता है। नतीजतन, 1000x1000 आकार की सरणी में दस लाख गुणक होते हैं, जबकि सुन द्वारा उल्लिखित 2016 का CMOS आधारित एनालॉग चिप केवल चार इंटीग्रेटर और आठ गुणक रखता था। ऑपरेशनल एम्पलीफायर का उपयोग करके फीडबैक जोड़ने से सर्किट को नैनोसेकंड में मैट्रिक्स समीकरण को हल करने में मदद मिलती है।

यह समीक्षा सुन के पिछले कार्यों पर आधारित है। 2019 में, उनकी टीम ने PNAS पत्रिका में एक प्रतिरोधक सरणी 3x3 पर एक ही चरण में मैट्रिक्स समीकरण को हल करने का प्रदर्शन किया, जिसमें लगभग 3% की त्रुटि थी। नेचर इलेक्ट्रॉनिक्स 2025 के लेख में एक निश्चित सटीकता 24 बिट प्राप्त करने के लिए डिवाइस पर आठ चालकता अवस्थाओं के साथ बिट स्लाइसिंग का उपयोग किया गया था, जिससे तीन पुनरावृत्तियों के बाद सापेक्ष त्रुटि $10^{-4}$ तक कम हो गई, और फिर $10^{-7}$ तक, जो FP32 के तुलनीय है, और ब्लॉक एल्गोरिथम का उपयोग करके 512x512 मैट्रिसेस तक बढ़ाया गया। टीम के अपने अनुमानों के अनुसार, थ्रूपुट लगभग 1000 गुना और ऊर्जा दक्षता Nvidia H100 कोर और FP32 सटीकता वाले डिजिटल ASIC की तुलना में लगभग 100 गुना अधिक थी। इन मेट्रिक्स का अभी तक स्वतंत्र सत्यापन नहीं हुआ है।

चर्चा किए गए अनुप्रयोगों में वास्तविक समय में रोबोट गति नियंत्रण, 6G के लिए मैसिव MIMO सिग्नल डिटेक्शन और बड़ी मॉडलों के प्रशिक्षण के लिए द्वितीय क्रम अनुकूलन शामिल हैं।

पुनरावर्ती आत्म-सुधार का विषय - एआई द्वारा अगले एआई के निर्माण में सहायता करने की क्षमता - इस शरद ऋतु में चीन में मॉडल डेवलपर्स के बीच सबसे प्रमुख विषयों में से एक बन गया है। लीफ़ोन के सर्वेक्षण के अनुसार, एक सामान्य प्रवृत्ति देखी जा रही है: डेवलपर्स एआई को मॉडल के भार को फिर से लिखने की अनुमति नहीं देते हैं। इसके बजाय, प्रयोगशालाएं एआई को प्रशिक्षण पाइपलाइन, इन्फेरेंस सिस्टम, जीपीयू कोर, सैंडबॉक्स और एजेंटिक उपकरणों पर काम करने के लिए निर्देशित करती हैं।

सितंबर में, शंघाई विश्वविद्यालय जियाओ टुन, त्सिंगहुआ, बाइटडांस, सेंसटाइम और अन्य के 35 शोधकर्ताओं द्वारा तैयार किए गए एक अध्ययन में, आत्म-सुधार के पांच स्तर प्रस्तावित किए गए थे, जिसमें अधिकांश उन्नत सिस्टम पहले और दूसरे स्तरों के बीच स्थित थे।

आत्म-सुधार के कार्यान्वयन के उदाहरण

ज़िपू कंपनी ने सबसे स्पष्ट उत्पादन उदाहरण प्रदर्शित किया। GLM-5.3 द्वारा नियंत्रित एक इंफ्रास्ट्रक्चर एजेंट ने दो सप्ताह में लगभग 100,000 चीनी निर्मित एक्सेलेरेटर वाले क्लस्टर पर GLM-5.3-Flash के लिए एक सेवा बुनियादी ढांचा बनाया, कार्यशील सुधारों को बहु-उपयोगी टेम्पलेट्स के रूप में बनाए रखा। फिर, त्सिंगहुआ के साथ अपने HarnessPro कार्य में, एजेंट स्वयं प्रबंधन तंत्र को फिर से लिख सके।

डीपसीक ने प्रशिक्षण वातावरण के साथ काम करना शुरू किया। त्सिंगहुआ की भागीदारी से बनाया गया इसका DSec क्लस्टर प्रतिदिन लगभग 3 मिलियन सैंडबॉक्स उत्पन्न करता है, जिससे एजेंटों को अधिक शक्तिशाली एजेंटों के लिए वातावरण बनाने की अनुमति मिलती है। डीपसीक हार्नेस प्रणाली उपकरणों और यहां तक कि अपने मुख्य निष्पादन समय को प्लगइन्स के रूप में देखती है जिन्हें रीस्टार्ट किए बिना बदला जा सकता है और वापस लाया जा सकता है।

मॉडलबेस्ट की फ़ोर्ज इंजीनियरिंग परियोजना एआई का उपयोग एआई बनाने के लिए आवश्यक सॉफ्टवेयर लिखने के लिए करती है। इसने बताया कि एआई-जनित प्रशिक्षण संरचना ForgeTrain आठ घंटों में Megatron-LM के बराबर थी, और ForgeKernel ऑपरेटरों ने Huawei और NVIDIA के आधिकारिक लीडरबोर्ड को पार कर लिया।

मूनशॉट एआई बड़े पैमाने पर सुदृढीकरण शिक्षण पर निर्भर करता है। Kimi K3 के प्रशिक्षण के लिए फायरक्रैकर माइक्रोवर्चुअल मशीनों पर 51 मिलियन से अधिक सैंडबॉक्स और क्लस्टर के भीतर एक एजेंट की आवश्यकता थी जो 26 परिदृश्यों से विफलताओं को पुनर्स्थापित करता था, और एक एजेंट पुरस्कार मॉडल जो प्रशिक्षण व्यंजनों का मूल्यांकन करता था। जोखिम अक्टूबर में सामने आए जब K3.1 Pro में उप-एजेंट चुनौतियां नियंत्रण से बाहर हो गईं, और Kimi ने प्रतिभागियों के मासिक कोटा में 25 प्रतिशत की कटौती की।

अलीबाबा ने बताया कि Qwen3.8-Max ने एक महीने से अधिक समय तक अपना प्रशिक्षण पाइपलाइन स्वतंत्र रूप से चलाया, 33 पुनरावृत्तियों को पूरा किया, और Qwen Apex-35B-V1.0 जैसी बाहरी पहलों के लिए आधार के रूप में कार्य करता है। बाइटडांस की सीड टीम स्व-विकास में सक्षम मॉडल पहचानकर्ता का प्रस्ताव करती है, यह दावा करते हुए कि अधिकांश सिस्टम केवल अर्ध-बंद चक्र हैं क्योंकि मूल्यांकन नियम अभी भी मनुष्यों द्वारा निर्धारित किए जाते हैं। शियाओमी ने MiMo-V2.6 पर छह दिनों के सुदृढीकरण प्रशिक्षण का प्रसारण किया।

हालांकि इंजीनियरिंग चक्र मौजूद हैं, जटिल कार्य बना हुआ है, जैसा कि ज़िपू के मुख्य वैज्ञानिक टैंग ज़े ने उल्लेख किया: यह सुनिश्चित करना कि मॉडल विश्वसनीय रूप से जानता है कि कब रुकना है, कब खुद को समायोजित करना है और अपने स्वयं के प्रशिक्षण का मूल्यांकन कैसे करना है।

चाइना मोबाइल ने ऑटोमोटिव उद्योग के लिए उद्योग में पहला सामान्य एआई प्लेटफॉर्म पेश किया है। यह प्लेटफॉर्म सेवाओं का एक समूह है जिसमें कंप्यूटिंग क्षमताएं, डेटा और मॉडल शामिल हैं जिनका उपयोग ऑटोमोबाइल निर्माता अपनी स्वयं की आर्टिफिशियल इंटेलिजेंस अवसंरचना बनाने की आवश्यकता के बिना कर सकते हैं।

इस प्लेटफॉर्म को बीजिंग में 2026 के इंटेलिजेंट कनेक्टेड व्हीकल कॉन्फ्रेंस में प्रस्तुत किया गया था। इसका विकास नेशनल बेसिक प्लेटफॉर्म फॉर पायलट एप्लीकेशन ऑफ एआई इन ऑटोमोटिव सेक्टर द्वारा किया गया, जो चाइना मोबाइल के मार्गदर्शन में है। साइंस एंड टेक्नोलॉजी डेली और सिना टेक की रिपोर्टों के अनुसार, यह आधार खुद को तटस्थ के रूप में स्थापित करता है क्योंकि यह ऑटोमोबाइल निर्माण में शामिल नहीं है, और इसकी क्षमता पूरी उद्योग के लिए खुली है।

इस कार्यक्रम में FAW, डोंगफेंग, चांगान, BAIC, ली ऑटो जैसी कंपनियों के प्रमुखों के साथ-साथ सिंघुआ विश्वविद्यालय और बीजिंग इकोनॉमिक-टेक्नोलॉजी ज़ोन के प्रतिनिधियों ने भाग लिया। प्लेटफॉर्म को बनाने में एक साल लगा, और लॉन्च होने के बाद से यह साझा करने के लिए उपलब्ध है।

कंप्यूटेशनल संसाधनों के दृष्टिकोण से, प्लेटफॉर्म 112.7 EFLOPS का समर्थन प्रदान करता है, जिसे निर्माता अपने स्वयं के डेटा सेंटर बनाने के बजाय लचीले ढंग से अनुरोध कर सकते हैं। डेटा के संबंध में, आधार यह सुनिश्चित करता है कि निर्माता अपने मुख्य डेटा पर पूर्ण नियंत्रण बनाए रखें; यह डेटा केवल स्थापित अनुपालन प्रणाली के भीतर भागीदारों के बीच स्थानांतरित होता है। मॉडल के संबंध में, विकास, सत्यापन और कार्यान्वयन के चरणों को कवर करने वाले टूलकिट का प्रस्ताव दिया जाता है।

प्लेटफॉर्म चार प्रमुख क्षेत्रों को कवर करता है: अनुसंधान एवं विकास, उत्पादन, इंटेलिजेंट ड्राइविंग और परीक्षण। इसमें छह विशेष एजेंट शामिल हैं: कार बॉडी डिजाइन, प्रक्रिया योजना, विज़ुअल क्वालिटी कंट्रोल, इंटेलिजेंट मेंटेनेंस, ड्राइविंग के लिए डेटा जनरेशन और ड्राइविंग मॉडल ट्रेनिंग। यह बताया गया है कि इन एजेंटों का पहले ही दस से अधिक सरकारी ऑटोमोबाइल निर्माताओं द्वारा उपयोग किया जा रहा है।

आधार ने अपने स्वयं के मेट्रिक्स पर आधारित कई उदाहरण दिए। शंघाई में, डिज़ाइन एजेंट, जो स्केच के आधार पर चित्र बनाता है, ने एक डिज़ाइन सेट तीन गुना तेजी से बनाया। प्रक्रिया योजना एजेंट ने वाहन के तकनीकी मानचित्रों के निर्माण के समय को पांच दिनों से घटाकर चार घंटे कर दिया। जिलिन में, निरीक्षण एजेंट ने दोष का पता लगाने को 99.5% से ऊपर बढ़ाया और लाइन अनुकूलन को चार सप्ताह से घटाकर एक सप्ताह कर दिया, जबकि डेटा जनरेशन एजेंट ने ड्राइविंग में आरएंडडी लागत में 10% की कमी की। चुнциन में, रखरखाव एजेंट 20 से अधिक प्रकार की खराबी को पहचान सकता है और डाउनटाइम को 30% तक कम कर सकता है। बीजिंग में, प्रशिक्षण एजेंट ने ड्राइविंग नीति सीखने की गति को दोगुना कर दिया।

चाइना मोबाइल के एक प्रतिनिधि ने बताया कि अगले चरण में अतिरिक्त प्रमुख क्षमताओं को खोलना, उन्हें निर्माताओं के विशिष्ट उपयोग के मामलों से जोड़ना और संदर्भ कार्यान्वयन का एक सेट बनाना शामिल है जिन्हें अन्य कंपनियां कॉपी कर सकती हैं। यह लॉन्च चाइना मोबाइल के प्रयासों को कच्चे कंप्यूटिंग शक्ति प्रदान करने से लेकर व्यापक रूप से पैक किए गए, उद्योग-विशिष्ट एजेंटों तक विस्तारित करता है, जिससे छोटे ऑटोमोबाइल निर्माताओं को अपनी स्वयं की स्टैक बनाने की प्रारंभिक लागत के बिना एआई उपकरणों का परीक्षण करने की अनुमति मिलती है।