जागतिक सर्वेक्षणातून असे दिसून आले आहे की विद्यापीठातील शास्त्रज्ञांना कृत्रिम बुद्धिमत्ता (AI) संशोधनासाठी पुरेशी संगणकीय शक्ती नसल्याने निराशा येते. 30 ऑक्टोबर रोजी arXiv वर शेअर केलेल्या अभ्यासात असे समोर आले की शैक्षणिक वर्गाला प्रगत संगणक प्रणालींमध्ये प्रवेश नसतो, ज्यामुळे त्यांची मोठी भाषा मॉडेल (LLMs) विकसित करण्याची आणि AI संशोधन करण्याची क्षमता प्रभावित होते. विद्यापीठांना AI मॉडेल प्रशिक्षणासाठी आवश्यक असलेले परंतु मूल्यवान शक्तिशाली ग्राफिक्स प्रोसेसिंग युनिट्स (GPUs) मिळवण्यात सहसा अडचणी येतात. याउलट, मोठ्या तंत्रज्ञान कंपन्यांकडे हजारो GPUs खरेदी करण्यासाठी मोठे बजेट असते. ब्राउन विद्यापीठातील अपूर्व खंडेलवाल आणि अभ्यासाचे सहलेखक म्हणाले की, उद्योग दिग्गजांकडे व्यापक GPU संसाधने असू शकतात, परंतु शिक्षणतज्ज्ञांकडे केवळ काही असू शकतात, ज्यामुळे उद्योग आणि शैक्षणिक क्षमतांमध्ये मोठी दरी निर्माण होते. खंडेलवालच्या संघाने 35 संस्थांमधील 50 शास्त्रज्ञांचा सर्वेक्षण केला, त्यात 66% प्रतिसादकर्ते त्यांच्या उपलब्ध संगणकीय शक्तीबद्दल संतोषाची पातळी 5 पैकी 3 किंवा त्याहून कमी दर्शवतात, ज्यामुळे GPU प्रवेशातील विलंब आणि जागतिक स्तरावर लक्षणीय असमानता, जसे की मध्य पूर्वेत आहे असे सांगतात.

मर्यादित प्रवेश अनेकांना LLMs चे महागडे पूर्व-प्रशिक्षण करण्यात प्रतिबंधित करतो. सहलेखिका एली पाव्लिक दीर्घकालीन तांत्रिक वृद्धीसाठी स्पर्धात्मक शैक्षणिक वातावरणाचे महत्त्व दर्शवतात, जे औद्योगिक संशोधनातील व्यावसायिक दडपणापेक्षा वेगळे आहे. या मर्यादांच्या असूनसुद्धा, संशोधकांनी कमी शक्तिशाली हार्डवेअरचा अधिक उपयोग करून LLMs ची पूर्व-प्रशिक्षणाची पद्धत तपासली. यासाठी कार्यक्षम पद्धतींचा अवलंब करणे आवश्यक आहे, ज्यामुळे प्रक्रिया अधिक वेळ घेते, परंतु मर्यादित संसाधनांवरही मॉडेल प्रशिक्षण यशस्वी होते. जर्मनीतील सारलँड विद्यापीठातील जी-उंग ली यांना हे दृष्टिकोन आशादायक वाटते, ते म्हणतात की लहान कंपन्यांनाही अशाच प्रकारच्या अडचणींचा सामना करावा लागतो. या अभ्यासाचे महत्त्व शैक्षणिक AI संशोधन वाढवण्यासाठी संसाधन असमानता कमी करण्यावर लक्ष केंद्रीत करते.