GLM-5.1 บรรลุความก้าวหน้าทาง CUDA Optimization: AI ทำเสร็จในระดับชั่วโมง จากงานที่เดิมใช้เวลาหลายเดือน
ในด้านการเพิ่มประสิทธิภาพการคำนวณด้วย GPU ความก้าวหน้าใหม่กำลังเปลี่ยนรูปแบบการทำงาน โดยปกติการปรับแต่ง CUDA Kernel ต้องใช้วิศวกรอาวุโสลงทุนเวลาหลายเดือนในการทดสอบและปรับแต่งซ้ำแล้วซ้ำเล่า แต่ปัจจุบันโมเดลปัญญาประดิษฐ์สามารถทำงานปรับแต่งที่ซับซ้อนในลักษณะเดียวกันได้ด้วยตนเองภายในประมาณ 14 ชั่วโมง และเพิ่มอัตราเร่งประสิทธิภาพจากเริ่มต้น 2.6 เท่า เป็น 35.7 เท่าได้อย่างมีนัยสำคัญ
กระบวนการนี้แสดงให้เห็นถึงความสามารถในการตัดสินใจที่คล้ายผู้เชี่ยวชาญของโมเดลในงานที่ซับซ้อน ตัวอย่างเช่น ในช่วงเริ่มต้นของการปรับแต่ง โมเดลพยายามหาวิธีแก้ไขภายในกรอบงานระดับสูงที่มีอยู่ แต่หลังจากทดสอบด้วยตนเองและพบจุดคอขวดด้านประสิทธิภาพแล้ว มันได้ตัดสินใจเปลี่ยนไปเขียนใหม่ด้วยภาษา C++ ระดับล่าง ซึ่งเป็นขั้นตอนสำคัญ ในรอบงานทั้งหมด 14 ชั่วโมง โมเดลดำเนินกระบวนการอัตโนมัติเต็มรูปแบบ: ค้นพบจุดคอขวดด้วยตนเอง, เปลี่ยนสแต็กเทคโนโลยี, คอมไพล์ใหม่ และทำการทดสอบให้เสร็จสิ้น
โมเดลที่ทำภารกิจนี้สำเร็จคือ GLM-5.1 โมเดลโอเพ่นซอร์สที่เผยแพร่โดย Zhipu AI
พร้อมกับการเพิ่มขึ้นของความสามารถด้านงานระยะยาว (Long Horizon Task) Zhipu ประกาศความก้าวหน้าสำคัญอย่างเป็นทางการ: โมเดลนี้เป็นครั้งแรกที่บรรลุความสามารถที่เทียบเท่าอย่างครอบคลุมกับโมเดลปิดชั้นนำปัจจุบันอย่าง Claude Opus 4.6
ในการทดสอบมาตรฐาน SWE-bench Pro ซึ่งประเมินความสามารถด้านวิศวกรรมซอฟต์แวร์ GLM-5.1 ได้คะแนนสูงสุดในปัจจุบัน แซงหน้าโมเดลชั้นนำหลายรุ่น รวมถึง Claude Opus 4.6
ความคิดเห็นจากชุมชนแสดงให้เห็นว่ามีนักพัฒนาบางส่วนเริ่มพูดคุยถึงศักยภาพในการเป็นทางเลือกอื่น โดยอิงจากความสามารถที่ใกล้เคียงกับโมเดลชั้นนำ โควต้าการใช้งานที่สูงกว่า และต้นทุนที่ต่ำกว่า
CEO ของ HuggingFace ก็ให้ความสนใจกับเรื่องนี้เช่นกัน โดยชี้ให้เห็นว่าโมเดลที่แสดงผลได้ดีที่สุดใน SWE-Bench Pro ตอนนี้เป็นโอเพ่นซอร์สแล้ว
เบื้องหลังความสำเร็จเหล่านี้คือความสามารถของ GLM-5.1 ในการจัดการงานซับซ้อนระดับชั่วโมงที่ยาวนาน
การส่งมอบงานระดับชั่วโมง: จากแนวคิดสู่โปรเจกต์สมบูรณ์
โมเดลใหญ่ส่วนใหญ่ในปัจจุบันยังอยู่ในขั้นตอน “การโต้ตอบระดับนาที” ในขณะที่หน่วยการส่งมอบของ GLM-5.1 คือโปรเจกต์ที่สมบูรณ์ ต่อไปนี้เป็นตัวอย่างการทดสอบจริงเพื่อแสดงความสามารถเฉพาะ
ตัวอย่างที่ 1: ปรับแต่งภาระงานแมชชีนเลิร์นนิงจริงอัตโนมัติ
ในการทดสอบมาตรฐาน KernelBench Level 3 GLM-5.1 ต้องปรับแต่งแบบ end-to-end สำหรับภาระงานคำนวณแมชชีนเลิร์นนิงจริง 50 รายการ ในการวนซ้ำอัตโนมัติอย่างต่อเนื่องนานกว่า 24 ชั่วโมง โมเดลได้ทำวงจรปิด “คอมไพล์-ทดสอบ-วิเคราะห์-เขียนใหม่” สำเร็จ และในที่สุดก็บรรลุอัตราเร่งเฉลี่ยเรขาคณิต 3.6 เท่า เปรียบเทียบกับโหมด torch.compile max-autotune ที่ให้อัตราเร่ง 1.49 เท่าในการทดสอบเดียวกัน
ในกระบวนการปรับแต่ง โมเดลได้ใช้กลยุทธ์ต่างๆ ด้วยตนเอง รวมถึงการเขียน Triton/CUDA Kernel ที่กำหนดเอง, การใช้ cuBLASLt epilogue fusion, การใช้ shared memory tiling และการปรับแต่ง CUDA Graph แสดงให้เห็นถึงความสามารถในการตัดสินใจด้วยตนเองอย่างสมบูรณ์ตั้งแต่การรวมโอเปอเรเตอร์ระดับสูงไปจนถึงการปรับแต่งไมโครอาร์คิเทคเจอร์
ตัวอย่างที่ 2: สร้างเดสก์ท็อปเอ็นไวรอนเมนต์ตั้งแต่ศูนย์
เมื่อได้รับเอกสารความต้องการ (PRD) ประมาณ 3000 คำ ซึ่งขอให้สร้าง UI และการโต้ตอบหลักของ macOS ขึ้นใหม่ตั้งแต่ต้น พร้อมด้วยตัวจัดการหน้าต่าง, การจัดการ Dock Bar และระบบไฟล์จำลอง สำหรับงานที่ทีม front-end ต้องใช้เวลาหลายวันในการสร้างต้นแบบ GLM-5.1 หลังจากวิเคราะห์ความต้องการแล้ว ก็เริ่มเขียนโปรแกรมด้วยตนเอง
ประมาณ 1 ชั่วโมงต่อมา โมเดลได้ส่งมอบเดสก์ท็อปเอ็นไวรอนเมนต์สไตล์ macOS ที่มีฟังก์ชันครบถ้วน ซึ่งสามารถเปลี่ยนวอลล์เปเปอร์, ปรับ Dock Bar, รันคำสั่งเทอร์มินัล, ถ่ายภาพหน้าจอระบบ เป็นต้น
ในการสาธิตอย่างเป็นทางการ ระบบจำลอง Linux ที่ซับซ้อนยิ่งขึ้น ซึ่งมีเดสก์ท็อปสมบูรณ์, ตัวจัดการหน้าต่าง, แอปพลิเคชัน ฯลฯ ถูกทำให้เสร็จโดย GLM-5.1 ภายใน 8 ชั่วโมง ซึ่งเทียบเท่ากับปริมาณงานของทีม 4 คนประมาณหนึ่งสัปดาห์
ตัวอย่างที่ 3: ปรับโครงสร้างโค้ดที่ซับซ้อนอัตโนมัติ
เมื่อเผชิญกับโค้ดที่มีโครงสร้างยุ่งเหยิง, การตั้งชื่อตัวแปรที่ไร้ความหมาย, มีการซ้อนลึกและคำนวณซ้ำ (มักเรียกว่า “โค้ดตกค้าง” หรือ “หนี้โค้ด”) GLM-5.1 สามารถเขียนใหม่และปรับโครงสร้างอัตโนมัติได้ภายในประมาณครึ่งชั่วโมง
โค้ดที่เขียนใหม่มีโครงสร้างชัดเจน, มีความคิดเห็นครบถ้วน และสอดคล้องกับมาตรฐานการเขียนโค้ด
ตัวอย่างที่ 4: ปรับแต่งประสิทธิภาพฐานข้อมูลเวกเตอร์อย่างต่อเนื่อง
ในการทดสอบที่มุ่ง突破จุดคอขวดด้านประสิทธิภาพ ภารกิจของ GLM-5.1 คือการเพิ่มปริมาณการสืบค้น (QPS) ของฐานข้อมูลเวกเตอร์ที่มีอยู่ให้มากที่สุด โมเดลได้เปิดวงจรปิด “ทดสอบ-วิเคราะห์-ปรับแต่ง” อัตโนมัติเต็มรูปแบบ
หลังจากการปรับแต่งวนซ้ำ 655 รอบ ในที่สุดก็เพิ่มปริมาณการสืบค้นจากเริ่มต้น 3108 QPS เป็น 21472 QPS ซึ่งเป็น 6.9 เท่า ของเวอร์ชันเริ่มต้น
ความสามารถด้านงานระยะยาวกลายเป็นจุดสนใจใหม่
ประสิทธิภาพของ GLM-5.1 ชี้ให้เห็นถึงจุดแข่งขันหลักที่เกิดขึ้นใหม่ในอุตสาหกรรม AI: ความสามารถด้านงานระยะยาว (Long Horizon Task) ในเดือนมีนาคม 2025 สถาบันวิจัยความปลอดภัย AI METR ได้เสนอตัวชี้วัดใหม่ “เส้นเวลาการทำงานเสร็จ” เพื่อวัดว่าโมเดลสามารถทำงานระดับผู้เชี่ยวชาญของมนุษย์ได้นานแค่ไหนโดยอิสระ แทนที่จะเน้นเพียงความแม่นยำในการตอบคำถาม
การศึกษาพบว่าเส้นเวลาการทำงานเสร็จของโมเดลล้ำสมัยเพิ่มขึ้นประมาณสองเท่าทุก 7 เดือน ผู้สังเกตการณ์ในอุตสาหกรรมบางคนมองว่า AI ในปี 2023-2024 เป็น “นักพูด” ที่เก่งในการสนทนา ในขณะที่มองไปที่ AI ในปี 2026-2027 ว่าเป็น “นักปฏิบัติ” ที่สามารถดำเนินงานที่ซับซ้อนได้จริง
GLM-5.1 เป็นโมเดลโอเพ่นซอร์สรุ่นแรกที่ได้รับการยืนยันว่ามีความสามารถในการทำงานอัตโนมัติอย่างต่อเนื่องเป็นเวลา 8 ชั่วโมง ในงานวิศวกรรมจริง มันสามารถวางแผน, ดำเนินการ, ทดสอบด้วยตนเองในงานเดียว เมื่อพบอุปสรรคก็เปลี่ยนกลยุทธ์ได้เอง เมื่อเกิดข้อผิดพลาดก็ซ่อมแซมเองได้ และสุดท้ายส่งมอบผลงานวิศวกรรมที่สมบูรณ์
ความสามารถนี้มาจากความก้าวหน้าทางเทคโนโลยีในสามมิติ:
1. ความสามารถในการวางแผนระยะยาวและรักษาเป้าหมายที่เพิ่มขึ้น: สามารถแยกเป้าหมายที่ซับซ้อนออกเป็นแผนหลายขั้นตอน และรักษาเป้าหมายสุดท้ายให้สอดคล้องกันตลอดกระบวนการดำเนินการที่ยาวนานหลายชั่วโมงและมีขั้นตอนนับพัน
2. ความสามารถในการแก้ไขข้อผิดพลาดแบบปรับตัวและดำเนินการต่ออย่างมั่นคง: สามารถเชื่อมต่อขั้นตอนต่างๆ เช่น การเขียนโค้ด, การเรียกใช้เครื่องมือ, การดีบักสภาพแวดล้อมได้อย่างมั่นคง เมื่อเกิดข้อผิดพลาดสามารถดูบันทึก, หาต้นตอ, แก้ไขปัญหาได้ด้วยตนเอง และเขียนกรณีทดสอบเพื่อตรวจสอบผลการแก้ไข
ประการที่สาม คือ ความสามารถในการรักษาสถานะและบูรณาการคอนเท็กซ์ที่แข็งแกร่งขึ้น
เมื่อเผชิญกับข้อมูลคอนเท็กซ์ที่มีช่วงเวลายาวนาน, ฟีดแบ็กหลายรอบ และมีโทเค็นเป็นล้านตัว โมเดลสามารถติดตามความคืบหน้าของงาน, ขั้นตอนปัจจุบัน และการดำเนินการหลักต่อไปได้อย่างมั่นคง บูรณาการข้อมูลใหม่อย่างต่อเนื่อง เพื่อให้มั่นใจถึงความสอดคล้องและความต่อเนื่องตลอดกระบวนการดำเนินการ
มาตรฐานใหม่สำหรับโมเดลโอเพ่นซอร์ส
การเปิดตัว GLM-5-1 ไม่เพียงแต่เป็นสัญลักษณ์ของการเพิ่มขึ้นอย่างมีนัยสำคัญของประสิทธิภาพโมเดล แต่ยังส่งผลต่อการเล่าเรื่องการพัฒนาของโมเดลภาษาขนาดใหญ่ทั่วโลกในระดับหนึ่ง
ก่อนหน้านี้ โมเดลโอเพ่นซอร์สของจีนมักถูกมองว่าเป็นผู้ตาม ซึ่งมีช่องว่างที่รับรู้ได้กับโมเดลปิดชั้นนำระดับโลก การปรากฏตัวของ GLM-5-1 เปลี่ยนสถานการณ์นี้: มันแสดงผลได้เทียบเท่ากับ Claude Opus 4.6 ในการประเมินมาตรฐานที่มีอำนาจหลายรายการ และแซงหน้าในการทดสอบมาตรฐานเช่น SWE-bench Pro ที่เน้นความสามารถด้านวิศวกรรมจริง สิ่งนี้ทำให้ AI โอเพ่นซอร์สของจีนบรรลุระดับแนวหน้าของโลกในด้านประสิทธิภาพวิศวกรรมหลัก
ผลกระทบของมันไม่จำกัดอยู่ที่ตัวโมเดลเอง แต่ยังอาจสัมผัสกับตรรกะการทำงานของตลาดบริการ IT เส้นทางวิวัฒนาการของการเขียนโปรแกรม AI ค่อยๆ ชัดเจน: จากเครื่องมือช่วยเพิ่มประสิทธิภาพให้โปรแกรมเมอร์ ไปสู่ผู้ช่วยที่ลดอุปสรรคในการเขียนโค้ด ไปจนถึงบทบาทวิศวกรระดับเริ่มต้นที่สามารถจัดการงานได้อย่างอิสระ ความสามารถในการประมวลผลงาน “ระยะยาว” ที่ GLM-5-1 แสดงออกมา ผลักดัน AI เข้าสู่ขั้นตอนใหม่ – สามารถทำงานต่อเนื่องได้หลายชั่วโมง และส่งมอบผลงานโปรเจกต์ที่ค่อนข้างสมบูรณ์
เมื่อหน่วยผลผลิตของ AI เปลี่ยนจากโค้ดบรรทัดเดียวเป็นโปรเจกต์ที่สมบูรณ์ ความสัมพันธ์ทางการผลิตของวิศวกรรมซอฟต์แวร์อาจได้รับผลกระทบ งานที่ทีมขนาดเล็กเคยใช้เวลาหลายวัน หรืองานปรับแต่งที่วิศวกรอาวุโสใช้เวลาหลายเดือน AI อาจส่งมอบได้ภายในไม่กี่ชั่วโมง สิ่งนี้อาจกระตุ้นให้อุตสาหกรรมที่เกี่ยวข้องประเมินราคาโปรเจกต์และการจัด配置ทรัพยากรมนุษย์ใหม่
แน่นอนว่าการวิวัฒนาการทางเทคโนโลยีไม่ได้หมายถึงการแทนที่อาชีพอย่างง่ายๆ ประสบการณ์ในอดีตแสดงให้เห็นว่าเครื่องมือที่แพร่หลายมัก淘汰ผู้ที่ไม่ได้掌握เครื่องมือใหม่ ไม่ใช่淘汰ทั้งอาชีพ การพัฒนาของ AI ก็เช่นเดียวกัน มีแนวโน้มมากกว่าที่มันจะกลายเป็นส่วนขยายและตัวคูณที่สำคัญของความสามารถนักพัฒนา แทนที่จะเป็นตัวแทน
ความคิดหลักที่ GLM-5-1 นำมาคือ: เมื่อ AI สามารถวางแผนและดำเนินงานที่ซับซ้อนนานหลายชั่วโมงได้ด้วยตนเอง บรรลุวงจรปิดสมบูรณ์ตั้งแต่การวางแผน, การดำเนินการ, การดีบัก ไปจนถึงการส่งมอบ คุณค่าเฉพาะและความไม่สามารถแทนที่ได้ของมนุษย์จะปรากฏชัดเจนขึ้นที่ใด? คำตอบอาจอยู่ที่ความสามารถในการกำหนดปัญหา, สร้างคุณค่า และการตัดสินใจเชิงกลยุทธ์ที่สำคัญ – สิ่งเหล่านี้ยังคงเป็นพื้นที่หลักที่ AI ในปัจจุบันยากจะทำซ้ำได้อย่างสมบูรณ์
สำหรับอุตสาหกรรม AI ของจีน GLM-5-1 เป็น вехиสำคัญ เมื่อโมเดลโอเพ่นซอร์สบรรลุระดับวิศวกรรมชั้นนำ และ AI เปลี่ยนจากเครื่องมือสนทนาไปสู่ตัวดำเนินงาน อุตสาหกรรมทั้งหมดจะต้องเผชิญกับการเปลี่ยนแปลงในระดับที่ลึกซึ้งยิ่งขึ้น
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
☕ สนับสนุนค่ากาแฟทีมงาน
หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/29139