IBM pokazuje, że agenci AI oparte na otwartych modelach mogą obniżyć koszty projektowania chipów ponad 11-krotnie
W skrócie: IBM Research wykorzystało skoordynowaną „fabrykę agentów” wieloagentowych do eksploracji optymalizacji sprzętowych dekodera korekcji błędów kwantowych, porównując modele własnościowe i otwarte modele wiodące przy tym samym budżecie 100 hipotez. Konfiguracja z otwartym modelem, uruchomiona lokalnie przez framework rozproszonego wnioskowania IBM llm-d, osiągnęła 52-krotne przyspieszenie względem bazowego projektu za około 26 USD kosztów wnioskowania, w porównaniu do 299 USD dla konfiguracji z modelem własnościowym, która osiągnęła wyższe, 204-krotne przyspieszenie. Badanie pokazuje, że routing uwzględniający pamięć podręczną i efektywne serwowanie (98% trafień w cache prefiksów, ~0,11 USD za milion tokenów) sprawiły, że podejście z otwartymi modelami było znacznie tańsze, przy wciąż znajdowaniu poprawnych, kompaktowych projektów sprzętowych.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „IBM Research”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Fabryka agentów wykorzystała agenta koordynującego i czterech równoległych agentów roboczych do eksploracji wariantów projektu chipu w ramach budżetu 100 hipotez
- 2Konfiguracja z otwartym modelem wiodącym: 52x przyspieszenia, ~26 USD kosztu wnioskowania, ~241 mln tokenów
- 3Konfiguracja z własnościowym modelem wiodącym: 204x przyspieszenia, ~299 USD kosztu wnioskowania, ~216 mln tokenów (11,5 razy droższa niż otwarta konfiguracja)
- 4Konfiguracja hybrydowa wykorzystała własnościowego koordynatora z agentami roboczymi opartymi na otwartych modelach
- 5Rozszerzenie kampanii z otwartym modelem ze 100 do 200 hipotez zwiększyło przyspieszenie z 52x do 60x, pokazując malejące zyski
- 6Framework llm-d osiągnął ~98% trafień w cache prefiksów i ~0,11 USD za milion tokenów łącznego kosztu serwowania na współdzielonej infrastrukturze
Dlaczego to ważne?
Pokazuje to, że modele z otwartymi wagami w połączeniu z efektywnym lokalnym rozproszonym wnioskowaniem mogą znacząco obniżyć koszty dużej skali zadań agentowego przeszukiwania (setki milionów tokenów) w porównaniu do poleganiu na własnościowych API, przy wciąż użytecznych wynikach — wzorzec istotny dla każdej organizacji prowadzącej duże, iteracyjne procesy wieloagentowe lub weryfikacyjne, nie tylko w projektowaniu chipów.
Co to oznacza dla agentów AI i contact center?
Choć to badanie dotyczy projektowania chipów, a nie AI głosowego, podstawowa lekcja o kosztowo efektywnej orkiestracji wieloagentowej i routingu opartym na pamięci podręcznej w rozproszonym wnioskowaniu (przez llm-d) jest istotnym kontekstem dla każdego zespołu prowadzącego duże potoki agentowe z wieloma równoległymi wywołaniami rozumowania, ponieważ podobne optymalizacje serwowania mogłyby obniżyć koszty intensywnych zadań agentowych z wywoływaniem narzędzi i iteracyjną weryfikacją.
Źródła
- IBM ResearchOficjalneŹródło pierwotneOryginalny artykuł →„Scaling AI-driven chip design with open agent factories“13 paź 2026, 15:00
- Data publikacji źródła
- 13 paź 2026, 15:00
- Znalezione przez nasz system
- 13 paź 2026, 15:11
- Podsumowanie wygenerowano
- 13 paź 2026, 15:14
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność