Kihagyás

All-In Podcast. Naveen Rao: 4D computing, az AI energiafala és a biológia legyőzése (2026-09-21)

Műsor: All-In Podcast (Chamath, Jason, Sacks & Friedberg) Epizód: Naveen Rao: 4D Computing, AI's Energy Wall & Beating Biology Dátum: 2026-09-21 (hétfő), megjelenés 23:03 CEST Házigazdák: Chamath Palihapitiya, Jason Calacanis, David Sacks, David Friedberg Vendég: Naveen Rao, a Unconventional AI társalapítója és vezérigazgatója, a Nervana Systems és a MosaicML alapítója, neurotudományi PhD Hossz: 22:34 Helyszín: All-In Summit 2026 (AIS26) Forrás: https://allinchamathjason.libsyn.com/naveen-rao-4d-computing-ais-energy-wall-beating-biology Media: https://dts.podtrac.com/redirect.mp3/traffic.libsyn.com/secure/allinchamathjason/Naveen_Rao_AIS26_AUDIO_v100.mp3?dest-id=1928300 (31,0 MB, 192 kbps) Chapter lista: (0:00) Welcome Naveen Rao • (4:45) Is energy really the problem? The cost of a token, power contracts & the gap to close • (10:24) Cutting out the middleman: abstractions, dynamical systems & a new kind of machine • (19:46) Chamath joins: the path to product, porting existing models & building the team

Bevezetés és a lényeg

Ez az All-In Summit 2026 színpadán rögzített 22 perces beszélgetés egy olyan emberrel, aki 2014-ben alapította az első AI-chip céget, amikor még nem volt AI a köztudatban. Naveen Rao a Nervana Systemst 2016-ban adta el az Intelnek (a hírek szerint 350-408 millió dollár körül), utána az Intel AI-csoportját vezette, majd a MosaicML-t alapította meg, amit 2023-ban a Databricks vásárolt meg 1,3 milliárd dollárért. A MosaicML ma a Databricks teljes árbevételének mintegy negyede. Mostani cége, a Unconventional AI 2025 decemberében 475 millió dolláros seed kört zárt 4,5 milliárd dolláros értékelésen, a16z és Lightspeed vezetéssel, Jeff Bezos és a Sequoia részvételével. Rao maga 10 millió dollárt tett be ugyanazon a feltételekkel.

A beszélgetés íve három blokkra bomlik: az energiafal számszerűsítése, a számítógép-architektúra első elvekből való újragondolása, és a 2026-os év konkrét mérnöki eredményei. Rao az epizód végén először beszél nyilvánosan a cégük első fizikai dinamikai számítógépéről, ami visszajött a fabból, és működik.

A legfontosabb tanulságok:

  • Az energia nem elméleti probléma, hanem három éven belüli fal. A Google havonta 3,2 kvadrillió tokent dolgoz fel. Ha egy tokenre 10 joule-t számolunk (ami a spektrum alsó vége), az 12 gigawatt, egyetlen cég AI-szolgáltatásaira. Az USA teljes adatközponti kapacitása ma mintegy 40 gigawatt, a világé pedig száz gigawatt alatt van.
  • A data center tervezésének sorrendje megfordult. Régen a alapterület számított, aztán a rack-hely, aztán a hálózat, aztán a GPU. Ma az energia az első: előbb megszerzed az áram-szerződést, aztán kitalálod, mivel töltöd ki.
  • Egy token kiszolgálási költségének mintegy 50 százaléka energia. A maradék a hardver capex-e és a hely.
  • A biológia a bizonyíték, hogy van hova fejlődni. Az emberi agy 20 watton fut, a majom agya 1 watton (körülbelül annyin, mint a zsebedben lévő telefon), a mókus agya 8 milliwatton. A mókus ugrásai ezerből ezerszer pontosak.
  • A számítógépeket sebességre építettük, nem energiahatékonyságra. Az 1945-ös ENIAC azért épült, hogy gyorsabban számolja a tüzérségi röppályákat, mint az emberek. Ma ugyanez a logika: ez a gép kétszer gyorsabb annál a gépnél. Az energia sosem volt a tervezési szempont.
  • A megoldás iránya az absztrakciók lebontása, nem újabb réteg ráépítése. A digitális 1 és 0 önmagában absztrakció: a tranzisztornak valójában vannak köztes állapotai. Minden absztrakciós réteg lossy, és minden veszteség hatékonyságvesztés.
  • 2026-ban megépült az első fizikai dinamikai számítógép, öt hónap alatt, a chip június 1-jén ment a fabba, és az eredmények már a laborban vannak.

Az energiafal: a token ára és a 12 gigawattos Google

Rao az energia-kérdést nem hangulatkeltéssel, hanem aritmetikával nyitja. A Google nyilvánosan beszél arról, hogy havonta 3,2 kvadrillió tokent dolgoz fel. Ez önmagában olyan szám, amit nehéz elképzelni, de a lényeg az, ami belőle következik. Ha egy tokenre 10 joule energiát számolunk, ami a modellek energiaspektrumának alsó vége, akkor 12 gigawatt jön ki. Összehasonlításképpen: az Amerikai Egyesült Államok ma mintegy 40 gigawatt energiát tesz az adatközpontjaiba, és az ország a világ adatközponti kapacitásának körülbelül a fele. A világ teljes adatközponti energiája így száz gigawatt alatt van.

Rao: „12 gigawatt megy egyetlen cégbe, csak AI-szolgáltatásokra. Ha a modellek nagyobbak lesznek, az energia nő, és ha a kereslet nő, ami nő, az energia is nő. Nagyjából három év alatt elfogy az energia, ez az én becslésem.”

A grafikus kép, amivel a feszültséget leírja: felül egy exponenciálisan növekvő piac, amit 2030-ra ezermilliárd dollárosra becsül (talán nagyobbra), alul egy linearizált energiakínálat. A kettő közötti rés a probléma, és Rao szerint ezt a rést technológiával kell megoldani, nem várakozással.

Az adatközpont-gazdaságtan szerkezete is átalakult. Korábban a kérdés az volt, hogy kapsz-e alapterületet, aztán rack-helyet, aztán hálózati eszközt, aztán GPU-t. Ma az első kérdés az energia: megszerzed az áram-szerződést, és utána kitalálod, hogyan töltöd ki infrastruktúrával. A gondolkodás innentől watt-alapú: minden egyes wattot monetizálni kell.

Itt jön a Unconventional AI üzleti érve, ami feltűnően egyszerű: ugyanazt a wattot ezerszer jobban monetizáljuk, mint a meglévő hardver. A kérdés persze az, hogy meg lehet-e csinálni, és az epizód hátralévő része erről szól.

Absztrakciók leépítése: a dinamikai rendszerek mint számítógép

A fő gondolat, amire Rao az egész céget építi: a számítógépek története absztrakciós rétegek egymásra pakolása, és minden réteg veszteséges. A digitális jelölés maga is absztrakció a fizikai világról, mert nincs olyan rendszer, ami valóban 1-ként és 0-ként viselkedik. A tranzisztornak vannak köztes állapotai, és mi mérnököltük rá, hogy másképp viselkedjen. Erre a rétegre épültek aztán a neurális hálók és a tanuló gépek, és minden szint elveszít valamit abból a komplexitásból, ami alatta van.

A cég ezért nem újabb absztrakciós réteget épít, hanem lefelé megy: a félvezető fizikájának egy absztrakcióját köti össze közvetlenül a neurális hálóval. Az emberi agyban nincs lineáris algebra és nincs lebegőpontos matematika, az intelligencia a neuronok fizikájából ered. Rao ezt akarja félvezetővel utánozni, és hangsúlyozza, hogy az ötlet nem új.

Rao: „A komputáció ott van mindenhol a természetben. A madarak a csapatban egyszerű viselkedést követnek: balra néz, jobbra néz, és kitalálja, hol van a következő. Ebből a rajzás mint emergens viselkedés jön létre. A hangyabolyok ugyanígy intelligens dolgokat csinálnak nagyon egyszerű szabályokból. Ez a dinamikai rendszerek elmélete.”

A szemléltetéshez egy metronóm-kísérletet használ. Ha több metronómot teszel egy rugalmas deszkára, ami ide-oda tud billegni, akkor a metronómok elkezdenek szinkronizálódni. Mindegyik egy kicsit löki a deszkát, és hiába vannak kezdetben eltérő fázisban, a végén pontosan azonos fázisban járnak. Ez több száz metronómmal is működik. A rendszer viselkedése nem valamilyen vezérlőtől, hanem magából az összekapcsoltság fizikájából ered.

A természetesebb kérdés az, hogy lehet-e ilyen rendszerrel számolni. A Unconventional AI erre adta ki az Un-0 nevű modellt, egy képgeneráló modellt, ami ilyen csatolt oszcillátorokra épül.

Un-0: az első generatív modell oszcillátorokon

Rao az Un-0-t 2026. június 25-én publikálta nyílt forráskódúként, súlyokkal, tanítószkriptekkel és a teljes abláció-kóddal együtt, a GitHubon. A modell lényege, hogy nem diffúziós ütemezés és nem is generátor-játékos (GAN) áll mögötte, hanem oszcillátorok fázisdinamikájának integrálása. A generálás öt lépésből áll, és az oszcillátorok populációjának fázisállapotát egy viszonylag könnyű dekóder alakítja képpé.

A közölt eredmény a class-conditional ImageNet 64x64 adathalmazon FID 6,74, a legnagyobb konfigurációval, ami 16 384 oszcillátort és 322 millió paramétert használ. A tanítási költség 640 Nvidia B200 GPU-óra volt. A dekóder a teljes paraméterszám kevesebb mint 13 százalékát teszi ki, ami azt jelenti, hogy a munka dandárját az oszcillátorok dinamikája végzi, nem a hagyományos rész.

Rao szerint a szám önmagában nem világrekord, és nem is akarja annak beállítani. A lényeg az összehasonlítási pont:

Rao: „Azt mondtuk, hogy ez az első demonstráció arra, hogy fel tudok skálázni valamit, meg tudom tanítani, és hasznos kimenetet kapok, például képgenerálást.”

A vizuális elemzés, amit a modellhez adtak, az úgynevezett állapottér-pálya (state space trajectory): ha az összes oszcillátor fázisát tekinted a rendszer állapotának, akkor látszik, hogy a rendszer időben hogyan fejlődik. Ha repülőgépet generál, más pályán megy végig, mint amikor autót vagy madarat. Ez az ábra azt mutatja meg, hogy az oszcillátorok dinamikája nem díszítés, hanem a számítás hordozója.

Az Un-0 tehát szoftveres szimuláció, nem valódi chip. Ez a különbség fontos, és a cég maga is hangsúlyozza: a jelenlegi implementáció még Nvidia GPU-n fut, a szimulált oszcillátorokkal. A tét az, hogy ugyanezt a dinamikát egyszer dedikált szilíciumra is át lehet vinni.

Az első fizikai dinamikai számítógép: 500 nanojoule képként

Az epizód csúcspontja Rao bejelentése, amit saját szavai szerint először mond el nyilvánosan, és szándékosan erre a színpadra tartogatta. A cég januárban kezdett érdemben működni, csapata sem volt, és azt tűzték ki, hogy abban az évben megépítik az első fizikai prototípust. Június 1-jén ment ki a terv a fabba, és a chip már meg is jött a laborba eredményekkel.

Rao: „Ez az első valaha épített fizikai dinamikai számítógép. Öt hónap alatt csináltuk meg. Ezek az első valaha generált képek egy ilyen számítógépről.”

A szám, ami a lényeget mutatja: egy kép körülbelül 500 nanojoule. Egy normál GPU ehhez képest millijoule nagyságrendben dolgozik, ami négy nagyságrenddel nagyobb. Rao szerint ez azért van, mert a rendszer egyszerűen nem mozgat információt.

A technikai különbség az architektúrában van. A CPU-k és a GPU-k egyre párhuzamosabbak lettek, a compute-in-memory irány még finomabb szemcsézettséget hozott, de mindegyik Neumann-architektúra: van egy memória és van egy számítási egység, és az információ ide-oda mozog köztük. A dinamikai számítógépben a számítás és a memória egy dologban van, nincs memória-interfész, minden egyes számítási elem maga a memória.

Ebből jön a 4D computing elnevezés: három dimenzió a fizikai térből (die-stackelés, vertikális rétegzés a planáris elrendezés mellett), és egy dimenzió az időből. Rao szerint ez nem variáns a meglévő architektúrákon, hanem másfajta gép.

A termodinamikai határ és a biológia legyőzése

A cég hivatalos célja, amit Rao már a bemutatkozásban is elmondott, a biológia legyőzése. A mérőszám az intelligencia wattra vetítve. Van egy termodinamikai határ, amit soha nem lehet átlépni, és az emlősagyak nagyságrendileg egy-két nagyságrenden belül vannak ehhez a határhoz.

Rao: „Ma a grafikon bal szélén vagyunk, és körülbelül tízmilliárdszor vagyunk távol ettől a termodinamikai határtól. Az a célunk, hogy három és fél év alatt elérjük a 2D litográfia határait.”

A kezdeti cél öt év alatt ezerszeres energiahatékonyság volt, amit Rao lejjebb vitt három és fél évre, mert a dolgok gyorsabban mentek a vártnál. Az indoklás önmagában figyelemre méltó: mély tudományos problémákat oldottak meg gyorsabban, méghozzá az AI segítségével.

A hosszabb távú következmény, amit Rao felvázol, az adatközpontok méretének és eloszlásának átalakulása. A gigawattos nagy adatközpontok helyett sok kis adatközpont szétszórva, ami lokálisabb, adaptívabb és környezetbarátabb. Innen vezeti le a robotikát is: ha az intelligencia energiája nem korlát, akkor milliárdnyi robot építése válik lehetővé, amelyek dinamikusan állnak össze problémák megoldására.

Az ötvenes létszámú cég felépítése erre a célra szokatlan. Rao a szervezetet felülről lefelé építi: matematikai PhD-vel rendelkező teoretikusok és elméleti neurotudósok jönnek a koncepciókkal, amelyek kevesebb információmozgatással adnak több energiahatékonyságot. Ők adják tovább a modelleknek, amelyek valós adaton tanulnak és valós kritériumok ellen értékelődnek. Végül jönnek azok, akik fizikai áramkört terveznek, modelleznek, és megnézik, hogy tényleg működik-e.

Sparsity: az n² skálázás áttörése

Az epizód másik technikai bejelentése a sparsity koncepciója, amit Rao a közelmúltban kidolgozott tudományos eredményként ír le. A kiindulási probléma egyszerű: ha minden elemet mindennel összekötünk, a kapcsolatok száma négyzetesen nő. Tíz elemből száz kapcsolat lesz, ami rendben van, de ezer elemből már egymillió. Ez az n² skálázás önmagában ellehetetleníti a rendszer növelését.

A megoldás az, hogy kidobják a kapcsolatok egy részét, és megnézik, hogy a rendszer viselkedése megmenthető-e. Rao szerint nemcsak megmenthető, hanem jobb lesz:

Rao: „Nemcsak kidobhatsz néhány kapcsolatot, hanem jobb viselkedést kapsz az egész rendszertől. Könnyebben tanítható lesz. Ez az a ritka eset, amikor valami egyszerre hatékonyabb, skálázhatóbb és jobb teljesítményű. Ez egy szent grál.”

A hangsúly azon van, hogy ez nem szimulált rendszeren működik, hanem valódi fizikai rendszeren. A cég szerint a probléma hosszú ideig azért nem volt megoldható, mert rosszul volt megfogalmazva.

Hogyan lesz ebből termék? A portolás és a csapat kérdése

Az utolsó szakaszban Chamath veszi át a kérdezést, és a gyakorlati kérdéseket teszi fel: az ökoszisztéma, a fabok, a csomagolás, és az, hogy mi lesz a termék. Rao válasza szerint időben két éven belül van a teljes termék, és a termék formája konkrét: egy virtuális gép, amit a Unconventional AI üzemeltet, tehát egy teljes rackből és rendszerből álló új adatközpont-termék. A modelljeik azon futnak, a bemenet és a kimenet token, hálózati kábelen keresztül, de a belső felépítés teljesen más, mint a meglévő számítógépeké.

A portolás kérdése a legérzékenyebb pont. Chamath arra kérdez rá, hogy a meglévő modellcsaládokat és architektúrákat át kell-e vinni, és hogy ez mennyire fájdalmas egy olyan világban, ahol minden KV cache-re és mechanikusan reduktív absztrakcióra épült.

Rao: „Van egy csúszóskála aközött, hogy mennyivel jobb valami, és mennyi fájdalmat vagy hajlandó vállalni a váltásért. Én azt az utat választottam, hogy nagyon-nagyon vonzóvá teszem a váltást. Lesz munka a portolással. Mi nem az operációs rétegen portolunk, hanem a modell rétegén.”

A legérdekesebb technikai részlet ez: a matmul nem létezik ezen a gépen. Rao szerint karakterizálni lehet a matmul-t, de a gép nem matmul-ként implementálja, hanem időben változó viselkedésként. Minden egyes időlépés viszont elemezhető úgy, mint az aktuális állapot mátrixa szorozva az átmeneti mátrixszal. Ez a megfogalmazás hidat ver a hagyományos lineáris algebra és a dinamikai rendszer között.

A csapatépítés nehézségéről szólva Rao a tehetség-spektrum szélességét nevezi a legnagyobb kihívásnak. A dinamikai rendszerek elmélete száz éves, van, aki abból a világból jön, és van, aki chipet épít, és a két csoport nem beszél egymással. A cég dolga az volt, hogy ezt a beszélgetést lehetővé tegye. Arra a kérdésre, hogy mi a CUDA megfelelője, Rao azt válaszolja, hogy Pythonban építettek könyvtárkészletet. Nem CUDA, de egyfajta nyelv, amely kifejezi az időben változó, sztochasztikus viselkedésű elemeket.

Összegzés

Ez az epizód ritka pillanat az AI-ipar diskurzusában: egy cégvezető nem arról beszél, hogy nagyobb modellt épít ugyanarra a hardverre, hanem arról, hogy magát a számítógépet építi újra. Rao számszerűen mutatja meg, hogy az energia nem hangulati kérdés: a Google 3,2 kvadrillió tokenje havonta 12 gigawattot jelent, az USA teljes adatközponti kapacitása 40 gigawatt, és a világé száz alatt van. Ebből következik, hogy három év alatt elfogy a kapacitás, ha a növekedés folytatódik.

A válasz, amit Rao ad, három szinten konzisztens. Az elméleti szinten az absztrakciók leépítése áll: a digitális jelölés maga is lossy absztrakció, és a neuronok fizikájában nincs lineáris algebra, mégis intelligencia lesz belőle. A kísérleti szinten az Un-0 modell bizonyítja, hogy csatolt oszcillátorokon lehet generatív feladatot tanítani és FID 6,74-et elérni ImageNet 64x64-en, 640 B200 GPU-órából. A hardverszinten pedig ott van egy fizikai chip, ami június 1-jén ment a fabba, és ami körülbelül 500 nanojoule-ból generál egy képet, négy nagyságrenddel kevesebbet, mint egy GPU.

A bizonytalanságok is világosak. A portolási költség valós, a matmul nem létezik ezen a gépen, a csapat két nem beszélő világból áll össze, és az ezerszeres hatékonyság egyelőre a termodinamikai határhoz mért távolságból levezetett cél, nem mért eredmény. Az viszont már mért eredmény, hogy a dinamikai számítógép létezik, és képet generál.

Forrás

  • Transcript: (4382 szó, 158 sor, 23,5 KB)
  • Epizód weboldal: https://allinchamathjason.libsyn.com/naveen-rao-4d-computing-ais-energy-wall-beating-biology
  • MP3: https://dts.podtrac.com/redirect.mp3/traffic.libsyn.com/secure/allinchamathjason/Naveen_Rao_AIS26_AUDIO_v100.mp3?dest-id=1928300 (31,0 MB, 22:34, 192 kbps, Libsyn CDN)
  • RSS feed: https://allinchamathjason.libsyn.com/rss (a legfrissebb item, publikálva 2026-09-21 21:03 UTC)
  • Házigazdák: Chamath Palihapitiya, Jason Calacanis, David Sacks, David Friedberg
  • Vendég: Naveen Rao (a Unconventional AI társalapítója és vezérigazgatója)
  • Epizód kulcsszavak: Unconventional AI, Naveen Rao, 4D computing, dinamikai számítógép, csatolt oszcillátorok, Kuramoto, Un-0, energiafal, intelligencia wattra, nanojoule, sparsity, termodinamikai határ, neuronális szilícium, datacenter power contract
  • Chapter lista: (0:00) Welcome Naveen Rao • (4:45) Is energy the problem? The cost of a token, power contracts & the gap to close • (10:24) Cutting out the middleman: abstractions, dynamical systems & a new kind of machine • (19:46) Chamath joins: the path to product, porting existing models & building the team
  • Transcript forrása: OpenAI Whisper ggml-medium.en.bin (whisper.cpp, Apple M-series Metal GPU), saját futtatás 2026-09-22 (22:34 audió, 8 szál, 4382 szó, 122,7 sec wall-time, 11,0× realtime, 0 fallback = 0 hallucináció)
  • Feldolgozás: Henky-pipeline (single-chunk self-write, 4382 szó transcript, 2026-09-22)
  • Megjegyzés: Az epizód az All-In Summit 2026 (AIS26) sorozat része, ezért a fájlnév az AIS26 azonosítót használja, nem kitalált E-számot. Az epizódnak nincs E-száma a Libsyn RSS feedben sem. A Libsyn oldal nem tartalmaz natív transcriptet, ezért a Whisper az egyetlen járható transcript forrás.
  • Speaker identification (bizonytalanság jelölve): a Whisper transcript nem tartalmaz beszélőcímkéket, és egyetlen házigazda-nevet sem ír ki (nincs „Jason”, „Sacks”, „Freeberg” vagy „Chamath” előfordulás a nyers szövegben). A chapter-lista szerint a 19:46-os pontnál Chamath csatlakozik, tehát az első szakasz egyetlen házigazda interjúja. Az epizód-blurb („definitionally outlier founder”) és a kérdezés stílusa alapján az első szakasz házigazdája a Bestie-k egyike, de a transcriptból ez nem azonosítható egyértelműen, ezért az összefoglalóban nem neveztem meg. A vendég (Naveen Rao) szövege és a Chamathhoz köthető kérdések (portolás, csapat, CUDA-analógia) kontextusból azonosíthatók.
  • ASR-javítások: a nyers transcript Nirvana systems → Nervana Systems; chat GBT → ChatGPT; 10 jewels per token → 10 joule per token; K.V. cash → KV cache; UNO → Un-0. A taped out, sparsity és metronome helyes volt.

Kapcsolódó külső

Kapcsolódó belső

Hogyan kapcsolódik a saját rendszerünkhöz

Az „absztrakciók leépítése” elv pontosan az, amit a saját pipeline-jainkban is művelünk. Rao érvelése szerint minden absztrakciós réteg lossy, és a hatékonyságot nem újabb réteg hozzáadásával nyeri, hanem a felesleges rétegek eltávolításával. Ugyanez volt a self-write pipeline döntése: a chunkolás, a subagent-batch és a konkatenáció eltávolítása 43 százalékkal rövidebb summary-t adott ugyanolyan LLM score mellett. A tanulság általános: ha egy réteg nem ad hozzá mérhető értéket, akkor a költsége valós, a haszna nem.

Az „előbb a szerződés, aztán a kitöltés” sorrend a saját erőforrás-tervezésünkre is igaz. Rao leírja, hogy az adatközpontok tervezése megfordult: ma előbb az energia-szerződést szerzed meg, és utána találod ki, mivel töltöd ki. A saját rendszerünkben a megfelelő analógia a tárolási és feldolgozási konvenció: előbb a canonical mappa-struktúrát és a fájlnév-szabályt rögzítjük, és csak utána töltjük fel tartalommal. Ha fordítva csináljuk, az utólagos normalizálás sokkal drágább, mint a kezdeti szabály betartása.

A „nem mért eredmény, hanem levezetett cél” megkülönböztetése a saját verifikációs fegyelmünk magja. Rao ezerszeres energiahatékonysági célja a termodinamikai határhoz mért távolságból levezetett szám, nem mért adat. Ő maga is így állítja be, és az egyetlen mért szám az 500 nanojoule képként. Ez ugyanaz a szabály, amit a saját rendszerünkben a SOUL.md rögzít: az igazság a modell és a valóság megfelelése, nem a konfidencia. A zöld teszt és a deklarált állapot nem bizonyíték. A wiki hirdette a markdown-változatot, az nginx Vary: Accept-et küldött, és mögötte nem volt implementáció: ugyanaz a hibaosztály, mint egy sosem mért hatékonysági állítás.

A széles tehetség-spektrum koordinálása a saját skill-tárunkra is érvényes minta. Rao a legnagyobb kihívásnak azt nevezi, hogy a dinamikai rendszerek teoretikusai és a chipet építő mérnökök nem beszélnek egymással, és a cég dolga a fordítás megteremtése. A saját skill-rendszerünk ugyanezt a problémát oldja meg más léptékben: a domain-specifikus tudás (ASR-lexikonok, canonical szabályok, postprocess-lépések) akkor válik használhatóvá, ha a hívó agent azonos nyelvet beszél vele. A skill-leírások trigger-feltételei és a do_not_use_for mező pontosan ezt a fordítóréteget adják.

A „sok kis adatközpont” irány a helyi, önálló rendszerek érvét erősíti. Rao szerint a gigawattos központokról a sok kis, szétszórt adatközpont felé mozdulunk, ami lokálisabb, adaptívabb és környezetbarátabb. Ez ugyanaz az elv, ami Henky technológiai preferenciáiban végig megjelenik: self-hosted szolgáltatások, helyi tárolás, zárt rendszerek, ahol a kontroll és a támadási felület is lokális marad. Az energia-hatékonyság nemcsak költségkérdés, hanem szuverenitás-kérdés is.

Vissza a tetejére