سی ای او انٹرویو: لیمورین لیبز کے جے داوانی - Semiwiki

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

جے لیمورین

جے داوانی میں شریک بانی اور سی ای او ہے۔ لیمورین لیبز، ایک سٹارٹ اپ ایک تیز رفتار کمپیوٹنگ پلیٹ فارم تیار کر رہا ہے جو خاص طور پر AI ایپلی کیشنز کے لیے تیار کیا گیا ہے۔ پلیٹ فارم ہارڈ ویئر کی رکاوٹوں کو توڑ کر AI کی ترقی کو تیز، سستا، زیادہ پائیدار، اور صرف چند کمپنیوں سے زیادہ کے لیے قابل رسائی بناتا ہے۔

لیمورین کی بنیاد رکھنے سے پہلے، جے نے AI اسپیس میں دو دیگر کمپنیوں کی بنیاد رکھی۔ وہ سب سے زیادہ درجہ بندی کے مصنف بھی ہیں۔گہری سیکھنے کے لئے ریاضی".

مصنوعی ذہانت، روبوٹکس اور ریاضی کے ماہر، جے نے بلاک چین پر مبنی گیمنگ پلیٹ فارم بنانے والی ایک عوامی کمپنی، بلاک پلے کے سی ٹی او کے طور پر خدمات انجام دیں، اور جی ای سی میں اے آئی کے ڈائریکٹر کے طور پر خدمات انجام دیں، جہاں انہوں نے کئی کلائنٹ پروجیکٹس کی ترقی کی قیادت کی۔ ریٹیل، الگورتھمک ٹریڈنگ، پروٹین فولڈنگ، خلائی تحقیق کے لیے روبوٹ، سفارشی نظام، اور بہت کچھ۔ اپنے فارغ وقت میں، وہ NASA Frontier Development Lab، Spacebit اور SiaClassic میں مشیر بھی رہ چکے ہیں۔

آخری بار جب ہم نے Lemurian Labs کو نمایاں کیا تو آپ کی توجہ روبوٹکس اور edge AI پر تھی۔ اب آپ ڈیٹا سینٹر اور کلاؤڈ انفراسٹرکچر پر توجہ مرکوز کر رہے ہیں۔ ایسا کیا ہوا جس نے آپ کو محور بنانا چاہا؟

درحقیقت، ہم نے خود مختار روبوٹکس ایپلی کیشنز کے لیے اعلیٰ کارکردگی، کم لیٹنسی، سسٹم آن چپ بنانے پر توجہ مرکوز کرنے سے تبدیلی کی ہے جو ڈیٹا سینٹر اسکیل ایپلی کیشنز پر توجہ مرکوز کرتے ہوئے AI کے لیے ایک ڈومین مخصوص ایکسلریٹر بنانے کے لیے پورے سینس پلان ایکٹ لوپ کو تیز کر سکتی ہے۔ . لیکن یہ صرف ایک عام محور نہیں تھا۔ یہ ایک کلیریئن کال تھی جسے ہم نے محسوس کیا کہ جواب دینا ہماری ذمہ داری ہے۔

2018 میں، ہم 2.1 بلین ڈالر کے پیرامیٹر ماڈل کی تربیت پر کام کر رہے تھے، لیکن ہم نے اس کوشش کو ترک کر دیا کیونکہ لاگت اتنی زیادہ تھی کہ ہم اس کا جواز پیش نہیں کر سکے۔ تو میری حیرت کا تصور کریں کہ GPT3، جسے OpenAI نے نومبر 2022 میں ChatGPT کے طور پر جاری کیا، $175 بلین پیرامیٹر ماڈل تھا۔ یہ ماڈل اس سے 80X بڑا ہے جس پر ہم صرف 4 سال پہلے کام کر رہے تھے، جو کہ دلچسپ اور خوفناک دونوں ہے۔

اس طرح کے ماڈل کی تربیت کی لاگت حیران کن ہے، کم از کم کہنا. موجودہ اسکیلنگ کے رجحانات کی بنیاد پر، ہم توقع کر سکتے ہیں کہ فرنٹیئر AI ماڈل کی تربیت کی لاگت مستقبل قریب میں ایک بلین ڈالر سے تجاوز کر جائے گی۔ اگرچہ ان ماڈلز کی صلاحیتیں حیران کن ہوں گی، لیکن قیمت مضحکہ خیز حد تک زیادہ ہے۔ اس رفتار کی بنیاد پر، ان کے اپنے ڈیٹا سینٹرز کے ساتھ صرف مٹھی بھر بہت اچھی وسائل والی کمپنیاں ان ماڈلز کو تربیت دینے، تعینات کرنے اور ان کو ٹھیک کرنے کے قابل ہوں گی۔ یہ خالصتاً اس لیے نہیں ہے کہ کمپیوٹ مہنگا ہے اور طاقت کی بھوک ہے، بلکہ اس لیے بھی ہے کہ ہم جن سافٹ ویئر اسٹیکس پر انحصار کرتے ہیں وہ اس دنیا کے لیے نہیں بنائے گئے تھے۔

جغرافیائی اور توانائی کی رکاوٹوں کی وجہ سے، ڈیٹا سینٹرز بنانے کے لیے صرف اتنی جگہیں ہیں۔ AI کے کمپیوٹ مطالبات کو پورا کرنے کے لیے، ہمیں 20 نیوکلیئر ری ایکٹرز کی ضرورت کے بغیر زیٹا اسکیل مشینیں بنانے کے قابل ہونے کی ضرورت ہے۔ ہمیں ایک زیادہ عملی، قابل توسیع اور اقتصادی حل کی ضرورت ہے۔ ہم نے ارد گرد دیکھا اور اس کو حل کرنے کے راستے پر کسی کو نہیں دیکھا۔ اور اس طرح، ہم ڈرائنگ بورڈ کے پاس گئے تاکہ مسئلے کو مجموعی طور پر نظام کے نظام کے طور پر دیکھیں اور پہلے اصولوں سے حل کے بارے میں استدلال کریں۔ ہم نے اپنے آپ سے پوچھا، اگر ہمیں ایک دن میں 10 بلین LLM سوالات کو معاشی طور پر پیش کرنا پڑے تو ہم سافٹ ویئر سے لے کر ہارڈ ویئر تک مکمل اسٹیک کو کیسے ڈیزائن کریں گے۔ ہم نے 200 تک، 2028MW سے کم میں زیٹا اسکیل مشین پر اپنی نگاہیں مرکوز کر لی ہیں۔

چال یہ ہے کہ اسے غیر متوازن اسکیلنگ کے نقطہ نظر سے دیکھیں - سسٹم کے مختلف حصے مختلف اسکیلنگ کے اصولوں پر عمل کرتے ہیں، اس لیے کسی وقت چیزیں کام کرنا چھوڑ دیتی ہیں، ٹوٹنا شروع کر دیتی ہیں یا لاگت سے فائدہ اٹھانے کا کوئی مطلب نہیں رہتا۔ جب ایسا ہوتا ہے تو، واحد آپشن سسٹم کو دوبارہ ڈیزائن کرنا ہے۔ ہماری تشخیص اور حل کام کا بوجھ، نمبر سسٹم، پروگرامنگ ماڈل، کمپائلر، رن ٹائم اور ہارڈ ویئر کو مجموعی طور پر شامل کرتا ہے۔

شکر ہے کہ ہمارے موجودہ سرمایہ کار اور باقی مارکیٹ اس وژن کو دیکھتے ہیں، اور ہم نے اپنے نمبر فارمیٹ - PAL کو تیار کرنے کے لیے $9M کا بیج راؤنڈ اٹھایا، تاکہ ڈیزائن کی جگہ کو تلاش کیا جا سکے اور اپنے ڈومین کے مخصوص ایکسلریٹر کے لیے ایک فن تعمیر پر اکٹھا ہو، اور ہمارے آرکیٹیکچر کمپائلر اور رن ٹائم۔ سمیولیشنز میں، ہم جدید GPUs کے مقابلے میں چھوٹے انرجی فوٹ پرنٹ میں 20X تھرو پٹ حاصل کرنے میں کامیاب ہو گئے ہیں، اور اسی ٹرانزسٹر ٹیکنالوجی پر ملکیت کی کل لاگت کے لیے سسٹم کی کارکردگی میں 8X فائدہ پہنچانے کے قابل ہونے کی امید کر رہے ہیں۔

یہ کہنے کی ضرورت نہیں کہ ہمارے پاس بہت زیادہ کام ہے، لیکن ہم ڈیٹا سینٹر اکنامکس کو نئے سرے سے متعین کرنے کے امکان کے بارے میں کافی پرجوش ہیں تاکہ مستقبل کو یقینی بنایا جا سکے جہاں AI ہر کسی کے لیے وافر مقدار میں دستیاب ہو۔

یہ یقینی طور پر دلچسپ لگتا ہے اور وہ نمبر متاثر کن لگتے ہیں۔ لیکن آپ نے نمبر سسٹمز، ہارڈ ویئر، کمپائلرز اور رن ٹائمز کا تذکرہ ان تمام چیزوں کے طور پر کیا ہے جن پر آپ توجہ مرکوز کر رہے ہیں - یہ کسی بھی کمپنی کے لیے ایک ہی وقت میں بہت کچھ لگتا ہے۔ یہ ایک بہت ہی خطرناک تجویز کی طرح لگتا ہے۔ کیا سٹارٹ اپس کو زیادہ توجہ مرکوز نہیں کرنی چاہئے؟

یہ بہت سی مختلف کوششوں کی طرح لگتا ہے، لیکن درحقیقت یہ ایک کوشش ہے جس میں بہت سارے باہم جڑے ہوئے حصے ہیں۔ ان اجزاء میں سے صرف ایک کو دوسروں سے الگ تھلگ کرتے ہوئے حل کرنا صرف اختراع کے امکانات کو روک دے گا کیونکہ اس کے نتیجے میں نظامی ناکامیوں اور رکاوٹوں کو نظر انداز کیا جاتا ہے۔ جینسن ہوانگ نے یہ سب سے بہتر کہا، "ایک تیز رفتار کمپیوٹنگ کمپنی بننے کے لیے، آپ کو ایک مکمل اسٹیک کمپنی ہونا ضروری ہے"، اور میں پوری طرح متفق ہوں۔ وہ ایک وجہ سے موجودہ مارکیٹ لیڈر ہیں۔ لیکن میں اس تصور کو چیلنج کروں گا کہ ہماری توجہ مرکوز نہیں ہے۔ یہ اس بات میں ہے کہ ہم کس طرح مسئلے کے بارے میں مجموعی طور پر سوچتے ہیں اور اسے اپنے صارفین کے لیے بہترین طریقے سے حل کرنے کا طریقہ ہے، جہاں ہماری توجہ مرکوز ہے۔

ایسا کرنے کے لیے ہماری طرح ایک کثیر الثباتی نقطہ نظر کی ضرورت ہے۔ ہمارے کام کا ہر حصہ دوسروں کو مطلع کرتا ہے اور اس کی حمایت کرتا ہے، ہمیں ایک ایسا حل بنانے کے قابل بناتا ہے جو اس کے حصوں کے مجموعے سے کہیں زیادہ ہو۔ تصور کریں کہ کیا آپ کو ریس کار بنانا ہے۔ آپ من مانی طور پر ایک چیسس نہیں چنیں گے، ریسنگ ٹائر نہیں ڈالیں گے اور سب سے طاقتور انجن میں گرائیں گے جسے آپ ڈھونڈ سکتے ہیں اور ریس کر سکتے ہیں، ٹھیک ہے؟ آپ ڈریگ کو کم کرنے اور ڈاون فورس کو بڑھانے، وزن کی تقسیم کو بہتر بنانے، زیادہ سے زیادہ کارکردگی کے لیے انجن کو اپنی مرضی کے مطابق ڈیزائن کرنے، زیادہ گرمی سے بچنے کے لیے کولنگ سسٹم حاصل کرنے، ڈرائیور کو محفوظ رکھنے کے لیے ایک رول کیج کے بارے میں سوچیں گے۔ ، وغیرہ۔ ان عناصر میں سے ہر ایک دوسرے کو تیار کرتا ہے اور اسے مطلع کرتا ہے۔

اس نے کہا، کسی بھی صنعت میں کسی بھی کمپنی کے لیے یہ سب ایک ساتھ کرنا اور کرنا خطرناک ہے۔ خطرات کو سنبھالنے کے لیے ہم مرحلہ وار طریقہ اختیار کر رہے ہیں، جس سے ہمیں صارفین کے ساتھ اپنی ٹیکنالوجی کی توثیق کرنے اور ضرورت کے مطابق اپنی حکمت عملی کو ایڈجسٹ کرنے کی اجازت ملتی ہے۔ ہم نے ثابت کیا ہے کہ ہمارے نمبر فارمیٹ کام کرتا ہے اور یہ کہ اس میں فلوٹنگ پوائنٹ کی مساوی اقسام کے مقابلے بہتر پاور پرفارمنس ایریا ہے، جبکہ اس میں بہتر عددی خصوصیات بھی ہیں جو نیورل نیٹ ورکس کو چھوٹی بٹ چوڑائی تک کوانٹائز کرنا آسان بناتی ہیں۔ ہم نے ایک آرکیٹیکچر ڈیزائن کیا ہے جس میں ہم پراعتماد محسوس کرتے ہیں، اور یہ تربیت اور اندازہ دونوں کے لیے موزوں ہے۔ لیکن ان سب سے زیادہ اہم سافٹ ویئر کو درست کرنا ہے، اور یہ ہماری فوری توجہ کا بڑا حصہ ہے۔ ہمیں اس بات کو یقینی بنانے کی ضرورت ہے کہ ہم اپنے سافٹ ویئر اسٹیک میں صحیح فیصلے کریں جہاں ہم دیکھتے ہیں کہ دنیا آج سے ایک یا دو یا اس سے زیادہ ہو رہی ہے۔

ہارڈویئر کمپنی بنانا مشکل، مہنگا اور کافی وقت لگتا ہے۔ سافٹ ویئر پر توجہ سب سے پہلے اپنے طور پر ایک بہت ہی قابل عمل کاروبار کی طرح لگتا ہے، اور موجودہ ماحول میں سرمایہ کاروں کے لیے ممکنہ طور پر زیادہ پرکشش ہے۔ آپ ہارڈ ویئر بھی کیوں کر رہے ہیں جو خلاء میں بہت ساری اچھی فنڈڈ کمپنیاں اپنے دروازے بند کر رہی ہیں، صارفین کو اپنانے کے لیے جدوجہد کر رہی ہیں اور بڑے کھلاڑی اپنا ہارڈ ویئر بنا رہے ہیں؟

آپ بالکل درست ہیں کہ سافٹ ویئر کے کاروبار عام طور پر ہارڈ ویئر کمپنیوں کے مقابلے میں زیادہ آسانی سے سرمایہ اکٹھا کرنے میں کامیاب رہے ہیں، اور یہ ہارڈ ویئر بہت مشکل ہے۔ ہماری موجودہ توجہ سافٹ ویئر پر بہت زیادہ ہے کیونکہ اسی جگہ ہمیں بڑا مسئلہ نظر آتا ہے۔ مجھے واضح کرنے دیں، مسئلہ یہ نہیں ہے کہ آیا میں اعلی کارکردگی کے ساتھ CPU یا GPU پر دانا چلا سکتا ہوں۔ یہ ایک طویل حل شدہ مسئلہ ہے. آج کا مسئلہ یہ ہے کہ ہم کس طرح ڈویلپرز کے لیے زیادہ کارکردگی حاصل کرنا آسان بناتے ہیں، پیداواری طور پر متفاوت کمپیوٹ سے بنے کئی ہزار نوڈ کلسٹرز میں سے ان سے ان کے ورک فلو کو اوور ہال کرنے کے لیے کہے بغیر۔

یہی وہ مسئلہ ہے جسے ہم فی الحال ایک ایسے سافٹ ویئر اسٹیک کے ساتھ حل کرنے پر مرکوز کر رہے ہیں جو ڈویلپرز کو سپر پاور فراہم کرتا ہے اور گودام سکیل کمپیوٹرز کی مکمل صلاحیت کو کھولتا ہے، تاکہ ہم AI ماڈلز کو زیادہ اقتصادی طور پر تربیت اور تعینات کر سکیں۔

اب، سرمایہ کاری کے حوالے سے، جی ہاں، VCs ان کمپنیوں کی قسم میں زیادہ منتخب ہو رہے ہیں جن کی وہ واپسی کرتے ہیں، لیکن اس کا مطلب یہ بھی ہے کہ VCs ایسی کمپنیوں کی تلاش کر رہے ہیں جن میں حقیقی معنوں میں اہم مصنوعات پیش کرنے کی صلاحیت موجود ہو جو کہ اہم اثرات کے ساتھ ساتھ کمرشلائزیشن کا واضح راستہ رکھتی ہوں۔ ہم نے دوسروں کے چیلنجوں اور غلطیوں سے سیکھا ہے اور خطرات سے نمٹنے کے لیے اپنے کاروباری ماڈل اور روڈ میپ کو فعال طور پر ڈیزائن کیا ہے۔ یہ نوٹ کرنا بھی ضروری ہے کہ جس چیز نے اسٹارٹ اپ کو کامیاب بنایا ہے وہ شاذ و نادر ہی ہوا ہے کہ وہ VC فنڈنگ کتنی آسانی سے اکٹھا کر سکتے ہیں، لیکن اس کا زیادہ تعلق ان کی وسائل پرستی، ضد اور گاہک کی توجہ سے ہے۔

اور اس سے پہلے کہ آپ پوچھیں، ہم ابھی بھی ہارڈ ویئر پر کام کر رہے ہیں، لیکن بنیادی طور پر ابھی تخروپن میں۔ ہم تھوڑی دیر کے لیے ٹیپ آؤٹ کرنے کا ارادہ نہیں رکھتے۔ لیکن ہم اس گفتگو کو کسی اور وقت کے لیے محفوظ کر سکتے ہیں۔

یہ یقینی طور پر مجبور ہے اور آپ کا مرحلہ وار طریقہ اس کے مقابلے میں بہت مختلف ہے جو ہم نے دوسری ہارڈویئر کمپنیوں کو کرتے دیکھا ہے۔ میں اس مسئلے کو سمجھتا ہوں جو آپ کہہ رہے ہیں کہ آپ کا سافٹ ویئر اسٹیک حل کرے گا، لیکن آپ کا سافٹ ویئر مارکیٹ میں مختلف کوششوں سے کیسے مختلف ہے؟

آپ جن کمپنیوں کا ذکر کر رہے ہیں ان میں سے زیادہ تر GPUs سے زیادہ کارکردگی حاصل کرنے کے لیے ٹائل پر مبنی یا ٹاسک میپنگ پروگرامنگ ماڈلز متعارف کروا کر GPUs کو پروگرام کرنے کو آسان بنانے پر توجہ مرکوز کر رہے ہیں، یا نئی پروگرامنگ لینگوئجز بنا کر اعلیٰ کارکردگی کے کرنل حاصل کرنے کے لیے مختلف پر ان لائن اسمبلی کے لیے سپورٹ کے ساتھ پلیٹ فارم۔ یہ وہ اہم مسائل ہیں جن کو وہ حل کر رہے ہیں، لیکن ہم اس مسئلے کو دیکھتے ہیں جسے ہم تقریباً آرتھوگونل کے طور پر حل کر رہے ہیں۔

آئیے ایک لمحے کے لیے ہارڈ ویئر اور سافٹ ویئر کی منتقلی کے بارے میں سوچتے ہیں۔ سنگل کور فن تعمیر نے گھڑی کی رفتار اور ٹرانزسٹر کثافت سے کارکردگی حاصل کی، لیکن آخر کار گھڑی کی رفتار سطح مرتفع سے ٹکرا گئی۔ متعدد کوروں کا استعمال کرتے ہوئے ہم آہنگی نے اس کو روکا اور کافی رفتار فراہم کی۔ سافٹ ویئر کو پکڑنے میں تقریباً ایک دہائی لگ گئی، کیونکہ پروگرامنگ ماڈلز، کمپائلرز اور رن ٹائمز پر دوبارہ غور کرنا پڑتا ہے تاکہ ڈویلپرز کو اس تمثیل میں قدر نکالنے میں مدد ملے۔ پھر، GPUs ایک مختلف پروگرامنگ ماڈل کے ساتھ، عام مقصد کے سرعت کار بننے لگے۔ ایک بار پھر، ڈویلپرز کو یہاں قیمت نکالنے میں تقریباً ایک دہائی لگ گئی۔

ایک بار پھر، ہارڈویئر ایک سطح مرتفع کو مار رہا ہے - مور کا قانون، توانائی اور تھرمل رکاوٹیں، میموری کی رکاوٹیں، اور کام کے بوجھ کے تنوع کے علاوہ تیزی سے زیادہ کمپیوٹنگ کی ضرورت ہمیں بہتر کارکردگی، کارکردگی اور کل لاگت کے لیے تیزی سے متفاوت کمپیوٹر فن تعمیر کی طرف دھکیل رہی ہے۔ ہارڈ ویئر میں یہ تبدیلی یقیناً سافٹ ویئر کے لیے چیلنجز پیدا کرے گی کیونکہ ہمارے پاس کمپیوٹنگ کے اگلے ارتقاء کو سپورٹ کرنے کے لیے صحیح کمپائلرز اور رن ٹائمز نہیں ہیں۔ اس بار اگرچہ، ہمیں متفاوت فن تعمیرات یا بڑے کلسٹرز کی قدر نکالنے کے لیے سافٹ ویئر کے لیے مزید 10 سال انتظار نہیں کرنا چاہیے، خاص طور پر جب وہ 80 فیصد سے زیادہ غیر استعمال شدہ ہوں۔

ہم جس چیز پر توجہ مرکوز کر رہے ہیں وہ کام پر مبنی متوازی کے ساتھ ایک متفاوت پروگرامنگ ماڈل بنانا ہے، کراس پروسیسر کی اصلاح کے ساتھ پورٹیبل کارکردگی کو حل کرنا، سیاق و سباق سے آگاہی کی تالیف اور متحرک وسائل کی تقسیم۔ اور ہمارے لیے، اس سے کوئی فرق نہیں پڑتا کہ یہ سی پی یو، جی پی یو، ٹی پی یو، ایس پی یو (لیمورین کا فن تعمیر) ہے یا ان سب کا ایک میش۔ میں جانتا ہوں کہ یہ بہت سارے فینسی الفاظ کی طرح لگتا ہے، لیکن یہ جو حقیقت میں کہہ رہا ہے وہ یہ ہے کہ ہم نے کسی بھی قسم کے پروسیسر کو ایک ہی نقطہ نظر سے پروگرام کرنا ممکن بنایا ہے، اور ہم کم سے کم کے ساتھ ایک قسم کے پروسیسر سے دوسرے پر کوڈ کو پورٹ کر سکتے ہیں۔ کارکردگی کو قربان کرنے کی ضرورت کے بغیر کوشش کریں، اور تمام نوڈس میں انکولی اور متحرک طور پر کام کا شیڈول بنائیں۔

مکمل سلائیڈ ایل ایل اسپیشل پروسیسنگ یونٹ آرکیٹیکچر (1)

اگر آپ جو کہتے ہیں وہ سچ ہے تو آپ کمپیوٹنگ کو مکمل طور پر دوبارہ بیان کر سکتے ہیں۔ آئیے فنڈنگ کے بارے میں بات کرتے ہیں۔ آپ نے پچھلے سال سیڈ فنڈنگ میں $9 ملین اکٹھے کیے جو آپ کے وژن پر سرمایہ کاروں کی مضبوط حمایت اور یقین کی نشاندہی کرتا ہے۔ تب سے تم نے کیا کیا ہے؟

پچھلے ایک سال کے دوران، بیج کی مالی اعانت کی وجہ سے، ہم نے اہم پیش رفت کی ہے۔ اپنی ٹیم کے ساتھ اب 20 ممبران پر، ہم نے احتیاط سے چیلنجوں سے نمٹا، صارفین کے ساتھ مشغول ہوئے اور اپنے نقطہ نظر کو بہتر کیا۔

ہم نے تربیت اور تخمینہ کے لیے PAL کو بڑھانے پر توجہ مرکوز کی، اپنے ایکسلریٹر کے لیے کمپیوٹر فن تعمیر کو دریافت کیا اور کارکردگی کے میٹرکس کے لیے ایک سمیلیٹر تیار کیا۔ اس کے ساتھ ہی، ہم نے متضاد کمپیوٹنگ پر زور دیتے ہوئے، ڈیٹا سینٹر ایپلی کیشنز کے لیے اپنے سافٹ ویئر اسٹیک کا دوبارہ تصور کیا۔

اس کوشش کے نتیجے میں ایک اچھی طرح سے متعین فن تعمیر ہوا، جس نے پیمانے پر AI کے لیے PAL کی افادیت کو ظاہر کیا۔ تکنیکی ترقی کے علاوہ، ہم نے رسائی کو جمہوری بنانے کے لیے تعاون اور آؤٹ ریچ کی پیروی کی۔ یہ کوششیں لیمورین لیبز کو فوری طور پر صارفین کے چیلنجوں سے نمٹنے کے لیے پوزیشن دیتی ہیں، جو ہمارے پروڈکشن سلیکون کے اجراء کے لیے تیار ہیں۔

سافٹ ویئر اسٹیک ڈویلپمنٹ، تعاون، اور ایکسلریٹر کے فن تعمیر کی بہتری کے حوالے سے لیمورین لیبز کے درمیانی مدت کے منصوبے کیا ہیں؟

ہمارا فوری مقصد ایک ایسا سافٹ ویئر اسٹیک بنانا ہے جو پورٹیبل کارکردگی کے ساتھ CPUs، GPUs اور ہمارے AI ایکسلریٹر کو نشانہ بناتا ہے، جو سال کے آخر میں ابتدائی شراکت داروں کو دستیاب کرایا جائے گا۔ ہم فی الحال زیادہ تر معروف سیمی کنڈکٹر کمپنیوں، کلاؤڈ سروس فراہم کرنے والوں، ہائپر اسکیلرز اور AI کمپنیوں کے ساتھ بات چیت کر رہے ہیں تاکہ انہیں اپنے کمپائلر اور رن ٹائم تک رسائی فراہم کی جا سکے۔ متوازی طور پر، ہم ہارڈ ویئر اور سافٹ ویئر کے صحیح معنوں میں مشترکہ ڈیزائن کردہ نظام کے لیے اپنے ایکسلریٹر کے فن تعمیر پر کام کرتے اور اسے بہتر بناتے رہتے ہیں۔ اور یقیناً، ہم نے ابھی سرمایہ کار برادری کی جانب سے بہت مضبوط دلچسپی کے ساتھ اپنی سیریز A کو بڑھانا شروع کیا ہے، جو ہمیں اپنی ٹیم کو بڑھانے اور سال کے آخر میں سافٹ ویئر پروڈکٹ ڈیلیوری کے اپنے ہدف کو پورا کرنے کے قابل بنائے گا۔

آخر میں، آپ کیسے دیکھتے ہیں کہ لیمورین لیبز آنے والے سالوں میں AI کی ترقی، رسائی اور ایکویٹی کے منظر نامے کو تبدیل کرنے میں اپنا کردار ادا کر رہی ہیں؟

ہم نے کمپیوٹنگ کو صرف تجارتی فائدے کے لیے یا اس کے مزے کے لیے دوبارہ متعین کرنے کا ارادہ نہیں کیا۔ لیموریئنز کے طور پر، ہماری قوت محرکہ یہ ہے کہ ہم AI کی تبدیلی کی صلاحیت پر یقین رکھتے ہیں اور صرف چند کمپنیوں کے پاس اس ٹیکنالوجی کے مستقبل اور ہم اسے کیسے استعمال کرتے ہیں اس کی وضاحت کرنے کے لیے وسائل ہونے چاہئیں۔ ہمیں یہ بھی قابل قبول نہیں لگتا کہ AI کے لیے ڈیٹا سینٹر کا بنیادی ڈھانچہ 20 تک دنیا کی 2030% توانائی استعمال کرنے کے راستے پر ہے۔ ہم سب اکٹھے ہوئے کیونکہ ہمیں یقین ہے کہ معاشرے کے لیے آگے بڑھنے کا ایک بہتر راستہ ہے۔ AI اپنی متعلقہ لاگت کو ڈرامائی طور پر کم کر کے زیادہ قابل رسائی ہے، AI میں اختراع کی رفتار کو تیز کرتا ہے اور اس کے اثرات کو وسیع کرتا ہے۔ موجودہ ہارڈویئر انفراسٹرکچر کے چیلنجوں سے نمٹنے کے ذریعے، ہم اس جدید ٹیکنالوجی کی منصفانہ تقسیم کو یقینی بناتے ہوئے، AI کی صلاحیتوں کے ساتھ ایک ارب لوگوں کو بااختیار بنانے کی راہ ہموار کرنا چاہتے ہیں۔ ہم امید کرتے ہیں کہ پروڈکٹ پر مرکوز حل، تعاون اور مسلسل جدت کے لیے ہماری وابستگی ہمیں AI کی ترقی کے مستقبل کو مثبت بنانے میں ایک محرک قوت کے طور پر رکھتی ہے۔