கோடிக்கணக்கான டாலர் பணிகளுக்கு நியாயம் கொடுக்கும் இந்த அனுபவ விதியின் பெயர்?

'ஸ்கேலிங் லாஸ்' (scaling laws) இந்த நம்பிக்கைக்குப் பின்னால் உள்ள அனுபவரீதியான மாதிரி — ஒரு மாடலின் அளவு, அதன் பயிற்சி தரவு, அதற்கு அளிக்கப்படும் கம்ப்யூட்டிங் சக்தி ஆகியவற்றை ஒரு குறிப்பிட்ட அளவு வரை அதிகரிப்பது, செயல்திறனில் ஓரளவு கணிக்கக்கூடிய முன்னேற்றங்களை உருவாக்கும் என்று காட்டும் கவனிக்கப்பட்ட உறவுகள் — முதலீட்டாளர்கள் என்றென்றும் பெரிய பயிற்சி இயக்கங்களில் பாரிய தொகைகளைச் செலவிடுவதற்கு ஒரு காரணத்தை இது அளித்தது.

'மூரின் விதி' கம்ப்யூட்டர் சிப்களின் டிரான்ஸிஸ்டர் அடர்த்தி காலப்போக்கில் இரட்டிப்பாகும் என்ற வரலாற்றுப் போக்கை விவரிக்கிறது, 'மர்பியின் விதி' தவறாக நடக்கக்கூடிய அனைத்தும் தவறாக நடக்கும் என்று சொல்லும் நகைச்சுவையான ஒரு கூற்று — AI-யின் மிகப்பெரிய முதலீடுகளை நியாயப்படுத்திய தரவு-மற்றும்-கம்ப்யூட்-முதல்-செயல்திறன் உறவை இரண்டுமே விவரிக்கவில்லை.

மிக அண்மையில், கவனம் 'இன்ஃபரன்ஸ்-டைம் ஸ்கேலிங்' (inference-time scaling) நோக்கி மாறியுள்ளது — பயிற்சியின்போது மாடலைப் பெரிதாக்குவதற்குப் பதிலாக, பதிலளிக்கும் நேரத்தில் மாடலை நீண்ட நேரம் சிந்திக்க அனுமதிப்பதும் நம்பகமான வகையில் செயல்திறனை மேம்படுத்தும் என்ற கண்டுபிடிப்பு — வழக்கமான பயிற்சி-முன் ஸ்கேலிங் குறையும் ஆதாயங்களை நோக்கி இயங்குகிறதா என்ற விவாதத்தை தூண்டியுள்ளது.