Universitatea din Cambridge antrenează modelul AI TESSERA pentru observația Pământului pe GPU-uri AMD, fără Nvidia - Embedding-urile sunt publicate gratuit sub licență Creative Commons

Universitatea din Cambridge a construit un model AI „la scară planetară” fără Nvidia , mizând pe GPU-uri AMD și pe o infrastructură cloud independentă, într-un demers care poate reduce costurile și barierele de intrare pentru monitorizarea mediului din date satelitare, potrivit The Next Web . Modelul se numește TESSERA și preia logica modelelor „foundation” (modele de bază, antrenate pe volume mari de date și reutilizabile pentru multe sarcini). În loc să învețe din text, TESSERA învață din ani de imagini ale sateliților Sentinel ai Agenției Spațiale Europene, atât radar, cât și optic. Rezultatul: fiecare pătrat de 10 metri din suprafața de uscat a planetei este comprimat într-o „amprentă” numerică de 128 de valori (embedding), care poate fi folosită ulterior ca strat comun pentru aplicații diverse. De ce contează: mai puține date etichetate și modele mai ieftin de construit În mod obișnuit, cartografierea culturilor agricole, a pădurilor sau a inundațiilor din date satelitare cere modele dedicate și mii de exemple etichetate manual pentru fiecare caz de utilizare. Cu „amprentele” TESSERA deja calculate, cercetătorii pot construi instrumente cu mult mai puține date, uneori rulând pe un CPU obișnuit, susține echipa. Concret, ar fi nevoie de aproximativ 30 de ori mai puține date etichetate decât dacă s-ar porni de la imaginile brute. Cambridge spune că publică acest strat de bază gratuit, pentru a putea fi reutilizat de guverne, cercetători sau startup-uri, sub licență Creative Commons, împreună cu „rețeta” completă de antrenare. Cum a fost antrenat și rulat la scară globală, pe AMD Echipa Energy and Environment din Cambridge a antrenat TESSERA pe 16 GPU-uri AMD Instinct MI300X, folosind circa 6.200 de ore-GPU și software-ul open-source ROCm al AMD. Partea dificilă, însă, nu este antrenarea, ci rularea modelului peste fiecare „pixel” de 10 metri la nivel global — aproximativ 1,5 trilioane pe an, conform articolului. Pentru procesarea la scară, cercetătorii au folosit Vultr , o companie independentă de cloud care a sponsorizat capacitatea de calcul, prin șase servere bare-metal (servere dedicate, fără strat de virtualizare), fiecare cu câte opt GPU-uri AMD Instinct MI325X. Împreună, ar produce aproximativ trei terabytes de date comprimate pe zi, iar un an de acoperire globală ar necesita luni de procesare continuă. Ce aplicații vizează și ce urmează Profesorul Anil Madhavapeddy, care conduce proiectul, afirmă că obiectivul este „democratizarea accesului la monitorizarea mediului la scară planetară”. Printre utilizările menționate: agricultură: urmărirea sănătății culturilor și estimarea recoltelor la rezoluție de 10 metri; conservare: monitorizarea schimbărilor de habitat, de la păduri tropicale la ecosisteme locale; energie: cartografierea zonelor potrivite pentru proiecte solare și eoliene, pentru planificarea tranziției energetice. Subtextul economic și operațional al proiectului este că un laborator universitar a demonstrat o alternativă la dependența de Nvidia pentru AI „serios”, combinând hardware AMD, software deschis și o infrastructură cloud non-hiperscaler, iar rezultatul este oferit gratuit pentru reutilizare. [...]