Tensor G3 ของ Pixel 8 Pro โยนงาน Generative AI ไปประมวลผลบนคลาวด์

 (notebookcheck.net)
1 คะแนน โดย GN⁺ 2023-10-23 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ฟีเจอร์ Generative AI ใหม่ของ Pixel 8 Pro ไม่ได้ประมวลผลโดยตรงบน Tensor G3 แต่ใช้วิธีส่งผ่านเซิร์ฟเวอร์ของ Google แทน ซึ่งสะท้อนให้เห็นช่องว่างระหว่างการตลาดชิปที่เน้น AI ของ Google กับประสบการณ์ใช้งานจริง
  • AI Wallpaper และ Magic Editor ต้องการ การเชื่อมต่ออินเทอร์เน็ตตลอดเวลา โดยประเด็นสำคัญคือ งานที่ผู้ใช้ร้องขอไม่ได้ถูกประมวลผลภายในอุปกรณ์ แต่ทำบนคลาวด์
  • Google โปรโมต Tensor G3 ว่าเป็นชิปแบบ “AI-first” พร้อมเน้น on-device machine learning และการเป็นรากฐานของ generative AI แต่ฟีเจอร์เด่นบางส่วนกลับยังห่างไกลจากการทำงานแบบโลคัล
  • Notebookcheck เพิ่มวิดีโอยืนยันสั้น ๆ ว่า Magic Editor และ AI Wallpaper ต้องใช้ การประมวลผลบนคลาวด์ จึงต้องพึ่งการเชื่อมต่ออินเทอร์เน็ตอย่างต่อเนื่อง
  • ตามเกณฑ์ของ Geekbench 6 แม้ Tensor G3 จะใช้สถาปัตยกรรม CPU รุ่นใหม่ แต่กลับมีระดับใกล้กับ Snapdragon 7+ Gen 2 มากกว่า Snapdragon 8 Gen 2 ทำให้ทั้งการโฆษณาฟีเจอร์ AI และข้อถกเถียงเรื่องประสิทธิภาพชิปถูกพูดถึงพร้อมกัน

การเปิดตัว Pixel 8 Pro และเสียงวิจารณ์ต่อ Tensor G3

  • Pixel 8 Pro ถูกมองว่าเป็นหนึ่งในกรณีที่เปิดตัวได้ ขรุขระกว่าปกติ สำหรับซีรีส์เรือธงของ Google
  • Arun Maini หรือที่รู้จักในชื่อ @Mrwhosetheboss เคยมอบรางวัล “Best Smartphone of 2022” ให้กับ Pixel 7 Pro ในปีก่อนหน้า แต่ไม่ได้ยกย่อง Pixel 8 Pro ในระดับเดียวกัน
  • Pixel 8 ซีรีส์ก็ยังมีองค์ประกอบที่ถูกมองในแง่บวก
    • ดีไซน์
    • งานตกแต่ง frosted glass ด้านหลังของ Pixel 8 Pro
    • ซอฟต์แวร์ระดับพรีเมียม
    • ประสิทธิภาพการถ่ายภาพนิ่ง
    • ฟีเจอร์ที่ขับเคลื่อนด้วย AI อย่าง Best Photo, Magic Editor และ Audio Magic Eraser
  • จุดที่น่าเสียดาย ได้แก่ ความไม่ลื่นไหลของการซูมระหว่างสลับเลนส์ และ ระบบกันสั่นวิดีโอที่ดูไม่เป็นธรรมชาติ
  • คำวิจารณ์ที่หนักที่สุดพุ่งไปที่โปรเซสเซอร์ Tensor G3 ของ Pixel 8 ซีรีส์

การพึ่งพาเซิร์ฟเวอร์ของฟีเจอร์ Generative AI

  • Maini มองว่าฟีเจอร์ Generative AI ใหม่อย่าง AI Wallpaper และ Magic Editor ต้องใช้การประมวลผลมากเกินกว่าที่ Tensor G3 SoC จะรองรับได้โดยตรง
  • ฟีเจอร์เหล่านี้ต้องอาศัยการเชื่อมต่ออินเทอร์เน็ตตลอดเวลา
    • ทุกงานของผู้ใช้ต้องผ่าน เซิร์ฟเวอร์ของ Google
    • เขาประเมินว่ามันช้าจนผู้ใช้สัมผัสได้ว่าไม่ได้ทำงานอยู่ในตัวเครื่อง
  • ใจความสำคัญจากคำพูดของ Maini มีดังนี้
    • ฟีเจอร์ที่สร้างบางสิ่งด้วย generative AI ต้องใช้การเชื่อมต่ออินเทอร์เน็ตแบบถาวร
    • งานถูกประมวลผลผ่านเซิร์ฟเวอร์ของ Google
    • สิ่งนี้ทำให้เห็นว่า Tensor G3 ไม่ได้อยู่ในระดับเรือธง

ความขัดแย้งกับการตลาด Tensor G3 ของ Google

  • Google วางตำแหน่ง Tensor G3 เป็นชิปแบบ “AI-first” และเน้นย้ำ ความสามารถในการประมวลผล AI
  • ในบล็อกทางการของ Google, Monika Gupta รองประธานฝ่าย Product Management ของ Google ระบุประเด็นต่อไปนี้
    • นวัตกรรม AI จำนวนมากในช่วงหลังถูกสร้างขึ้นบนพลังประมวลผลระดับดาต้าเซ็นเตอร์
    • หากต้องการใช้พลังการเปลี่ยนแปลงของ AI ในชีวิตประจำวัน ก็ต้องเข้าถึงได้จากอุปกรณ์ที่ใช้งานทุกวัน
    • Tensor G3 คือชิป custom silicon รุ่นล่าสุดของ Google
  • Google อธิบายว่า Tensor G3 ช่วย ขยายขอบเขตของ on-device machine learning
    • โดยนำผลลัพธ์ล่าสุดจากงานวิจัย Google AI มาสู่ Pixel 8 และ Pixel 8 Pro โดยตรง
    • ระบุว่าเป้าหมายของ Tensor ไม่ใช่ความเร็วหรือค่าชี้วัดประสิทธิภาพแบบดั้งเดิม แต่คือการยกระดับประสบการณ์ mobile computing
    • อธิบายว่ามีการอัปเกรด subsystem หลัก และวางรากฐานสำหรับ on-device generative AI
    • ภายในประกอบด้วย Arm CPU รุ่นใหม่ล่าสุด, GPU ที่อัปเกรดแล้ว, ISP และ Imaging DSP ใหม่ รวมถึง TPU รุ่นถัดไปที่ออกแบบมาเพื่อรันโมเดล AI ของ Google

ประเด็นเรื่อง on-device AI เมื่อมองผ่านคำอธิบายของ Arm

  • วิธีประมวลผลงาน Generative AI ของ Pixel 8 Pro ขัดกับข้อความเรื่อง on-device AI ที่ Google พยายามเน้น
  • แม้ Google จะลดความสำคัญของตัวเลขประสิทธิภาพ แต่ Arm กลับเน้นบทบาทของ CPU และ GPU ในงาน AI
  • Arm อธิบายว่าเมื่อการประมวลผล AI ย้ายจากคลาวด์ไปยังจุดที่มีการเก็บข้อมูล เทคโนโลยี Arm CPU และ MCU ก็กำลังจัดการเวิร์กโหลด AI และ ML ส่วนใหญ่ที่ edge และ endpoint
  • ตามคำอธิบายของ Arm ไม่ว่า CPU จะประมวลผล AI ด้วยตัวเอง หรือทำงานร่วมกับโปรเซสเซอร์เสริมอย่าง GPU หรือ NPU เพื่อจัดการงานเฉพาะทาง CPU ก็ยังเป็น ศูนย์กลางของทุกระบบ AI
  • ในบริบทนี้ จึงเห็นความแตกต่างระหว่างคำอธิบายของ Google ที่ทำให้ดูเหมือนว่างาน AI ถูกจัดการด้วย TPU เป็นหลัก กับคำอธิบายของ Arm

การบล็อกเบนช์มาร์กและผล Geekbench 6

  • ในช่วง embargo ของรีวิว การติดตั้งแอปเบนช์มาร์กยอดนิยมผ่าน Play Store ทำได้ไม่ง่ายนัก
  • ข้อจำกัดนี้ยังคงต่อเนื่องหลังวางจำหน่าย แต่ภายหลังบทความของ Notebookcheck ทาง Google ได้ ยกเลิกการบล็อก
  • ในการทดสอบข้ามแพลตฟอร์ม Geekbench 6 ของ Primate Labs นั้น Tensor G3 แม้จะใช้สถาปัตยกรรม CPU รุ่นใหม่ แต่กลับทำคะแนน CPU ได้ต่ำกว่าที่คาด
  • ประสิทธิภาพของ Tensor G3 ถูกพบว่าใกล้กับชิประดับกลาง Snapdragon 7+ Gen 2 มากกว่าชิปเรือธงปัจจุบันอย่าง Snapdragon 8 Gen 2
  • วิดีโอสั้นที่เพิ่มเข้ามาในการอัปเดตยืนยันว่า ฟีเจอร์ AI ใหม่ของ Pixel 8 Pro รวมถึง Magic Editor และ AI Wallpaper ต้องใช้ การเชื่อมต่ออินเทอร์เน็ตอย่างต่อเนื่อง

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2023-10-23
ความคิดเห็นบน Hacker News

  • Google เคยพูดไว้ว่า: “ในชิป Tensor G3 ใหม่ เราได้อัปเกรดระบบย่อยหลักทั้งหมด เพื่อเปิดทางให้กับ AI เชิงสร้างสรรค์แบบ on-device”
    นี่เป็นถ้อยคำที่มีช่องให้ตีความได้แน่นอน และในทางปฏิบัติก็ไม่จำเป็นต้องหมายความว่า AI เชิงสร้างสรรค์ทั้งหมดจะรันบน Tensor G3 อาจอ้างได้ว่างานที่ทำกับ G3 เป็นการเตรียมพร้อมสำหรับชิปในอนาคต ถึงอย่างนั้น การรัน AI เชิงสร้างสรรค์บนอุปกรณ์ใน SoC มือถือ โดยเฉพาะให้ได้ประสิทธิภาพและการใช้พลังงานที่พอใช้ได้ ก็ยังดูค่อนข้างฝืนอยู่ดี

    • บน iOS มีแอปที่รัน โมเดลแนว Stable Diffusion แบบโลคัลบนเครื่อง
      https://apps.apple.com/ca/app/draw-things-ai-generation/id64...
      ชิป Tensor ก็น่าจะมีประสิทธิภาพพอจะทำแบบเดียวกันได้ แต่ดูเหมือนจะเลี่ยงการรันแบบโลคัลเพราะประสิทธิภาพต่อพลังงานต่ำ
    • ไม่เข้าใจว่าทำไมเรื่องนี้ถึงเป็นข้อร้องเรียนหลัก embargo หลังเปิดตัว ที่ปิดบังประสิทธิภาพจริงจากผู้บริโภคเป็นปัญหาที่ใหญ่กว่ามาก

  • ถ้าดูคำพูดของ Google เขาบอกว่า “Tensor ไม่ได้มีเป้าหมายที่ความเร็วหรือดัชนีชี้วัดประสิทธิภาพแบบดั้งเดิม แต่มีไว้เพื่อผลักดันประสบการณ์คอมพิวติ้งบนมือถือไปข้างหน้า… เปิดทางให้ AI เชิงสร้างสรรค์แบบ on-device… มี TPU รุ่นใหม่ที่ออกแบบเฉพาะให้รันโมเดล Google AI”
    ถ้าอย่างนั้นทำไมถึงต้องต่ออินเทอร์เน็ต? สงสัยว่าเป็นเพราะล้มเหลวตอนโค้งสุดท้ายเลยจำเป็นต้องเปิดตัวแบบนี้ หรือว่าตั้งใจให้เป็นแค่ คำโฆษณา มาตั้งแต่แรก

    • ทั้งที่บอกว่า “Tensor ไม่ได้เกี่ยวกับความเร็วหรือดัชนีชี้วัดประสิทธิภาพแบบดั้งเดิม” แต่ใน [1] กลับบอกว่า “Pixel 8 และ Pixel 8 Pro มาพร้อม Google Tensor G3 ซึ่งเป็นชิปของ Google ที่เร็วที่สุด มีประสิทธิภาพที่สุด และปลอดภัยที่สุด… องค์ประกอบหลักทั้งหมดได้รับการอัปเกรดเพื่อเพิ่มประสิทธิภาพและความคุ้มค่าพลังงาน… จำนวนโมเดล machine learning แบบ on-device เพิ่มขึ้นมากกว่าสองเท่านับจากปี 2021 และยังซับซ้อนกับประณีตขึ้นด้วย”
      ฟังดูเหมือนพูดเรื่องประสิทธิภาพค่อนข้างเยอะนะ
      [1] https://store.google.com/intl/en/ideas/articles/google-tenso...
    • ดูมีความเป็นไปได้สูง ถ้าประสิทธิภาพชิปต่ำกว่าคาด ก็แค่บล็อกการใช้แอป benchmark แล้วบอกสื่อว่าแต่แรกก็ไม่ได้สนใจเรื่องความเร็วอยู่แล้ว จบปัญหา
    • ชิป on-device สำหรับงาน AI บางอย่าง กับกราฟิกการ์ด/GPU/accelerator ระดับเซิร์ฟเวอร์ชั้นสูงที่ใช้ไฟหลายร้อยวัตต์เพื่อรัน AI เชิงสร้างสรรค์นั้นต่างกันมาก
      ระดับล่าสุดของ AI เชิงสร้างสรรค์สเปกต่ำก็ยังเป็นการรันโมเดลที่ปรับแต่งแล้วบน GPU ระดับเดสก์ท็อปและได้ผลลัพธ์ที่ยังไม่ค่อยดีนัก โทรศัพท์ทำแบบนั้นได้ยาก ตอนนี้ machine learning จำนวนมากรันบนเครื่องและกำลังย้ายมาเพิ่มขึ้น แต่ AI เชิงสร้างสรรค์ดูเหมือนยังไม่ถึงขั้นนั้น
    • ค่อนข้างชัดเจน งาน machine learning บางอย่างง่ายพอสำหรับโทรศัพท์ เช่น การรู้จำเสียงพูด แต่งานบางอย่างก็ไม่ใช่ เช่น inpainting
      Google อาจใช้ถ้อยคำลื่นไหลไปหน่อย แต่การที่โมเดล machine learning ที่ต้องใช้ GTX 4090 รันบนโทรศัพท์ไม่ได้ ก็ไม่ใช่เรื่องน่าแปลกใจ
    • เป็นแนวทางเดียวกับตอน negative latency ของ Stadia เป๊ะ และฟีเจอร์นั้นก็ไม่เคยถูกทำให้เกิดขึ้นจริงจน Stadia ปิดตัว

  • มีใครดูทราฟฟิกเครือข่ายตอนใช้ Magic Editor แล้วเห็นว่ามันส่งงานออกไปประมวลผลข้างนอกจริงไหม? หรือเป็นข้อสรุปที่อนุมานจากการที่ต้องต่ออินเทอร์เน็ต?
    เป็นไปได้ไหมว่าอินเทอร์เน็ตจำเป็นแค่เพื่อดึงโมเดลใหม่มา และการประมวลผลยังทำบนอุปกรณ์อยู่

    • Magic Editor หรือปุ่มสายรุ้งใน Google Photos จะทำงานได้ก็ต่อเมื่อเปิด การสำรองข้อมูลขึ้นคลาวด์ ดังนั้นก็น่าจะใช่
    • นี่ดูเป็นคำตอบที่เป็นไปได้ที่สุด แต่ดูเหมือนในที่นี้จะไม่ค่อยได้รับความสนใจ

  • ก็พอสมเหตุสมผลอยู่ AI เชิงสร้างสรรค์มี ต้นทุนสูงมาก
    แต่เชิงสร้างสรรค์เป็นเพียงงาน AI ประเภทหนึ่งเท่านั้น และการทำนาย/การอนุมานน่าจะเป็นพื้นที่หลักที่ Tensor ถูกใช้ ใน Magic Eraser ขั้น “หาอ็อบเจ็กต์ในภาพ” อาจทำบนเครื่อง ส่วนขั้น “ตัดสินใจว่าจะเติมอะไรหลังลบอ็อบเจ็กต์” อาจทำบนเซิร์ฟเวอร์

    • มีทั้ง inference และ training และ งานเชิงสร้างสรรค์ก็เป็น inference ด้วย

  • ถ้าโยนไปคลาวด์ แล้ว โปรเซสเซอร์ AI ของ Tensor G3 เอาไว้ใช้ทำอะไรกันแน่?

    • ใช้กับงานที่ไม่ใช่เชิงสร้างสรรค์บางอย่าง เช่น การรู้จำเสียงพูด แต่ชิปอื่น ๆ ก็ทำงานแบบนั้นได้เหมือนกัน
      ส่วนเดียวที่ Tensor G3 ดูดีกว่าคืออาจเลี่ยงนิสัยของ Qualcomm ที่เลิกสนับสนุนชิปสมาร์ตโฟนผู้บริโภคเร็วเกินไป
    • ไม่รู้ว่ารองรับการเร่งความเร็วงาน HTTP ด้วยฮาร์ดแวร์หรือเปล่า
    • ความน่าเชื่อถือเพื่อการตลาด

  • ตามคำตอบ AI ของ Google ระบุว่า Google Pixel 8 Pro สามารถรันโมเดล AI เชิงสร้างสรรค์แบบโลคัลบนอุปกรณ์ได้ แต่ไม่ใช่ทั้งหมด
    Google ประกาศในงาน Made by Google เดือนตุลาคม 2023 ว่าชิป Tensor G3 แบบปรับแต่งเฉพาะของ Pixel 8 Pro สามารถรัน เวอร์ชันกลั่น ของโมเดลสร้างข้อความและรูปภาพของ Google ได้ โมเดลเหล่านี้ใช้ขับเคลื่อนฟีเจอร์อย่างการแก้ไขภาพและสมาร์ตรีพลายใน Gboard ได้ อย่างไรก็ตาม งาน AI เชิงสร้างสรรค์บางอย่าง เช่น การรันโมเดลภาษาขนาดใหญ่อย่าง Bard ยังต้องใช้พลังประมวลผลมากเกินกว่าจะรันแบบโลคัลบนสมาร์ตโฟน จึงถูกส่งไปทำบนคลาวด์
    ตัวอย่างที่รันโลคัลได้มี Magic Eraser, Zoom Enhance, Best Take, Audio Magic Eraser, Gboard Smart Replies และการสรุปด้วย AI ของ Google Recorder และบอกว่าหากชิป Tensor ดีขึ้น Pixel ในอนาคตอาจรันฟีเจอร์ AI เชิงสร้างสรรค์บนอุปกรณ์ได้มากขึ้น ʘ ‿ ʘ

  • ไม่ใช่ “Tensor” ที่ offload อะไรบางอย่าง แต่เป็น แอป Android ที่ส่งงานนั้นไปยัง Google Cloud ไม่ค่อยเข้าใจว่า SoC เกี่ยวข้องกับเรื่องนี้ตรงไหน

    • แล้วแอป Android นั้นใครเป็นคนทำ?
    • แล้วทำไมแอปเหล่านั้นถึงไม่ใช้เอนจิน AI แบบโลคัลล่ะ?

  • เห็นหัวข้อแล้วนึกถึง Juicero ทันที
    โฆษณาว่า on-device แล้วส่งข้อมูลไปที่อื่นทันทีได้อย่างไร?

  • ไม่ใช่เรื่องแน่นอนอยู่แล้วเหรอ? ถ้าฟีเจอร์เชิงสร้างสรรค์คุณภาพสูงรันแบบ on-device ได้ นั่นต่างหากที่จะเป็นการก้าวกระโดดครั้งใหญ่

  • ผมคิดว่าประเด็นที่ว่า “ฟีเจอร์ AI เชิงสร้างสรรค์ที่ต้องสร้างอะไรบางอย่างด้วย AI จริง ๆ เช่น การสร้าง AI Wallpaper หรือ Magic Editor จำเป็นต้องมีการเชื่อมต่ออินเทอร์เน็ตถาวร… มันอืดมากจนทำให้รู้สึกอยู่ตลอดว่าไม่ได้รันแบบ on-device” นั้นพอรับได้
    เหตุผลที่ AI เชิงสร้างสรรค์ดีขึ้นก็เพราะมันมีขนาดใหญ่ขึ้นมหาศาลและกินทรัพยากรมาก แม้แต่ GPU สำหรับผู้บริโภคราคาเกิน 1,000 ดอลลาร์ก็ไม่ได้เร็วเป็นพิเศษ การย่อกระบวนการสร้างแบบนี้ให้เหมาะกับสภาพแวดล้อม on-device ขนาดเล็ก ทั้งที่รู้ว่าผลลัพธ์จะแย่ลงมาก ดูเหมือนเป็นการเสียเวลาและแรงอย่างมหาศาล อย่างไรก็ตาม ถ้าเป็นอย่างนั้นก็ยังน่าสงสัยอยู่ดีว่า Tensor ทำงานอะไรได้ดีอย่างแน่ชัดที่ edge และนี่เป็นคำถามที่น่ากังวลพอสมควร เพราะผู้ผลิตชิปอย่าง AMD, Qualcomm และ ARM ต่างก็ใส่เครือข่ายประสาทขนาดใหญ่และ Tensor core เข้ามาด้วย

    • อะไรก็ตามที่ไวต่อ latency ก็เหมาะกับการ ประมวลผลที่ edge อย่างแท้จริง การรู้จำเสียงแบบ off-device จะให้ประสบการณ์ที่แย่มากเมื่อการเชื่อมต่อไม่สมบูรณ์แบบ
      ลองนึกภาพว่าใน Photoshop คุณคลิกวัตถุแล้วให้ AI หาเส้นขอบ แต่ทุกครั้งที่คลิกต้องแพ็กภาพส่งขึ้นคลาวด์ แล้วรอการจัดคิว การประมวลผล และการส่งผลกลับมา 5 วินาทีสำหรับการเลือกแต่ละครั้งก็พอจะเห็นภาพได้ โฟกัสแบบรู้จำวัตถุด้วย machine learning ในแอปกล้องก็ไม่สมเหตุสมผลเช่นกัน ถ้าคลาวด์ติดตามวัตถุในช่องมองภาพด้วยความหน่วง 3 วินาที
    • ต่อให้บอกว่ารับได้ นั่นก็หมายความว่ามันเป็น โปรเซสเซอร์ที่ไม่สมบูรณ์พอ ที่ทำสิ่งที่โฆษณาไว้ไม่ได้ ในแง่ประสิทธิภาพ G3 แย่กว่า Snapdragon Gen 2 และอาจใกล้เคียงกับ Gen 1 ด้วยซ้ำ ผมยังไม่แน่ใจว่าอัตราการกินแบตเตอรี่คล้ายกันหรือไม่ และ Snapdragon Gen 3 ก็กำลังจะออกมาเร็ว ๆ นี้
    • มีอย่าง การรู้จำเสียง, การตรวจจับคำปลุก, การรู้จำวัตถุ, autocomplete เป็นต้น
      โดยเฉพาะการตรวจจับคำปลุกเป็นกระบวนการที่รัน convolutional neural network ขนาดค่อนข้างเล็กบนหน้าต่างคงที่อย่างต่อเนื่อง ดังนั้นประสิทธิภาพด้านพลังงานจึงสำคัญมาก
    • ถ้าโฆษณา “เวทมนตร์” นี้ว่าเป็นแบบ on-device ก็ถือว่าไม่โอเค
      ก่อน Pixel 8 เปิดตัวไม่นาน ผมอ่านงานวิจัย RealFill[0] และ Break-A-Scene[1] ที่นักวิจัยของ Google เผยแพร่ แล้วลองจะทำโมเดล ensemble แบบเร็ว ๆ จากนั้นก็คาดหวังว่า Tensor core ของ G3 อาจก้าวกระโดดเหมือนคอร์ประมวลผลภาษาธรรมชาติและการรับรู้บริบทของ Moto X ปี 2013[2] หรือมีประสิทธิภาพ inference ที่ดีจนน่าตกใจเหมือน Coral[3] ซึ่งเป็น edge TPU ที่ Google พัฒนา Moto X นำเสนอการใช้งาน Active Display, การรู้จำท่าทาง และการรู้จำเสียงในสภาพแวดล้อมที่มีเสียงดังได้ดีกว่าอุปกรณ์มือถือในปัจจุบัน 95% ส่วน Coral ก็ยอดเยี่ยมเช่นกัน แต่เพราะปัญหาขาดแคลนชิป นิสัยเปลี่ยนใจง่ายของบริษัท และการถอนตัวจาก IoT ทำให้การผลิตฮาร์ดแวร์ถูกโอนไปให้ ASUS ในปี 2022
      ประเด็นคือสมมติฐานเกี่ยวกับประสิทธิภาพ inference บนฮาร์ดแวร์ราคาเกิน 1,000 ดอลลาร์นั้นผิดตั้งแต่พื้นฐาน การอาศัยคำฮิตอย่าง “เชิงสร้างสรรค์” ดูเหมือนเรียนรู้มาผิด ๆ จากอินฟลูเอนเซอร์บน Twitter หรือจากความพยายามล่าสุดในการนำโมเดลภาษาขนาดใหญ่ไปใช้งาน แม้บนอุปกรณ์มือถือ ฮาร์ดแวร์เฉพาะทางที่ปรับให้เหมาะกับงานเฉพาะก็เคยเป็นไปได้และถูกพัฒนาขึ้นจริงในอดีต ถ้าทำตามข้อกำหนดด้านประสิทธิภาพ พลังงาน และเวลาในการประมวลผลไม่ได้ ก็ควรปรับข้อความประชาสัมพันธ์ใหม่ แทนที่จะทำให้ตัวเองเสี่ยงต่อการถูกฟ้องแบบกลุ่มในประเด็นฮาร์ดแวร์
      [0] https://realfill.github.io/
      [1] https://omriavrahami.com/break-a-scene/static/paper/Break-A-...
      [2] https://en.wikipedia.org/wiki/Moto_X_(1st_generation)#Hardwa...
      [3] https://coral.ai/