Lenovo kompyuterlar uchun sunʼiy intellektli Tianxi AI 4.5 ni chiqardi, telefonlar va planshetlar vazifalarni stasionar kompyuterga uzatish imkonini beradi

Lenovo kompaniyasi 24-oktabrda CSDNʼs 2026 1024 Programmers' Day va AI Builders Conference tadbirida oʻzining AI Host P7 qurilmasining dastlabki modelini namoyish etdi. Bundan tashqari, keng sotuvga chiqishidan oldin birinchi foydalanuvchilarni kodlash va ofis ishlari haqiqiy vazifalarda qurilmani sinab koʻrishga taklif qiladigan dastlabki kirish dasturi ishga tushirildi. Avvalroq bu portativ AI host konsepsiyasi Lenovo tomonidan may oyida taqdim etilgan boʻlib, ushbu dastlabki versiya yanada batafsil texnik xususiyatlar va dasturiy funksiyalarni oʻz ichiga oladi.

Qurilma taxminan 300 gramm ogʻirlikda va ikkita mahalliy chip asosida qurilgan. Birinchisi – bu Houmo AI M50 xotirada hisoblashlar uchun inferens chipi boʻlib, Houmo taʼkidlaganidek, u 10 vatt isteʼmol bilan 160 TOPS samaradorligini taʼminlaydi. Ikkinchi chip esa CIX Technology ning P1 agentlik SoCʼsi boʻlib, 6 nm texnologik jarayonda ishlab chiqarilgan va 12 yadroli Armv9.2 protsessor hamda 30 TOPS quvvatli NPU bilan jihozlangan boʻlib, bu heterogen hisoblashlarda 45 TOPS ga erishish imkonini beradi.

CIX maʼlumotlariga koʻra, P1 chipi tizimni boshqarish, vazifalarni bajarish va rejalashtirish uchun javobgar boʻladi, shuningdek, 122 milliard parametrli va 128K kontekstli modelni sekundiga 50 token tezligida ishga tushirish uchun tashqi akseleratorlar bilan oʻzaro aloqaga kirish qobiliyatiga ega. Lenovo dastlabki P7 versiyasi 125 milliard gacha parametrli va 256K kontekstli modellar bilan mahalliy ravishda ishlov berishga qodir ekanligini taʼkidlaydi.

Qurilma Qwen3.8-Flash-Next, Qwen3.8-27B va Qwen3.6-35B-A3B kabi lokal model kutubxonasi bilan yetkaziladi, shu jumladan nutqni tanish, nutqni sintezlash, hujjatlarni qayta ishlash va tasvir dizayni uchun modellar. Lenovo oʻzining aralash kvantlash INT4 va INT8 dan foydalanadigan ichki AI hisoblash arxitekturasi oʻrtacha toʻliq aniqlikdagi BF16 bazaviy darajasining 98,3% ni toʻrtta benchmark boʻyicha koʻrsatishini maʼlum qiladi. Shuni taʼkidlash kerakki, bu koʻrsatkichlar kompaniya maʼlumotlari boʻlib, mustaqil sinovdan oʻtmagan.

Lenovo P7 ni shaxsiy tokenlar hubi sifatida joylashtiradi. Token menejeri funksiyasi foydalanuvchilarga kodlash vositalari va agentlar ilovalarini API manzili orqali mahalliy modellarga yoʻnaltirish imkonini beradi, shu tariqa model chaqiruvlarini pullik bulutli kvotalardan foydalanish oʻrniga qurilma ustida saqlab qoladi. Vazifalarni bajarish rejimi doimiy ishlaydi va progress telefonlar, planshetlar va kompyuterlardan kuzatilishi mumkin. Oʻrnatilgan Tianxi AI ning Avto rejimi uning murakkabligiga qarab soʻrovlarni mahalliy va bulutli modellar oʻrtasida taqsimlaydi.

AI hostlar yoʻnalish rahbari Sun Ke taʼkidlaganidek, haqiqiy mahsuldorlik tokenlar qiymatini hisoblashdan boshlanmasligi kerak. Lenovo hozircha narx yoki chiqarilish sanasini oshkor qilmagan, faqat P7 tez orada sotuvga chiqishini maʼlum qilgan.

2025-yil dekabr oyida Clair Obscur: Expedition 33 oʻyinining yakuniy versiyasida sunʼiy intellekt (AI) tomonidan yaratilgan teksturalardan foydalanish tufayli Indie Game Awardsda ikkita salbiy mukofot olgan. Buning aksiga, Nvidia kabi korporatsiyalar oʻz GPUlarini loyihalashtirish uchun AI dan foydalanadilar va bu GPUlar turli xil oʻyinlarda ishlatiladi, ammo ular boikot talablariga duch kelmaydi.

Bu holat oʻyinchi hamjamiyatining AIga nisbatan notoʻgʻri fikr bildirish masalasini koʻtaradi. Farq qabul qilingan narsa va qabul qilinmagan narsa oʻrtasida boʻlib, bu faqat maʼlumotlarni emas, balki texnologiya yaxshi qabul qilingan misollarni va apparat sanoatining ichki amaliyotlarini ham tahlil qilishni talab qiladi.

GDC 2026 tomonidan oʻtkazilgan va soha mutaxassislari orasidan 2300 dan ortiq odamning javoblariga asoslangan tadqiqot generativ AI qoʻllanilishi haqidagi fikrlarni baholadi. Natijalar oʻtgan yilga qaraganda, ayniqsa generativ AI dan foydalanish borasida yomonroq vaziyatni koʻrsatdi.

Intervyu qilingan mutaxassislar orasida 52% generativ AI sanoatga zarar yetkazishini deb hisoblaydi, bu oʻtgan yildagi 30% va ikki yil avvalgi 18% ga nisbatan sezilarli oshishdir.

Raqamlar oʻyinchi auditoriyasini kuzatilganda yanada tanqidiyroq boʻladi. Quantic Foundry tomonidan oʻtkazilgan va 1799 oʻyinchining maʼlumotlarini toʻplagan tadqiqot, ularning taxminan 85% i generativ AI dan foydalanishga qarshi fikr bildirganini, shu jumladan taxminan 63% i juda salbiy qarashga ega ekanligini ochib berdi.

Quantic Foundryning tadqiqoti oʻyinchi auditoriyasining motivatsiyasi muhim omil ekanligini koʻrsatadi. Ular AI sanʼat, musiqa, tovush effektlari, hikoya va dialoglarni yaratishda qoʻllanilganda yanada salbiy munosabat bildirishdi.

Taqqoslash uchun, qiyinchilik darajasini sozlash uchun AI dan foydalanish auditoriya tomonidan 27% salbiy baholangan, vizual sanʼatdagi foydalanish esa 83% inkor etilgan. Auditoriyaning bu qarshiligi boshqa ijodiy sohalarda ham yuqori boʻldi: musiqa va tovush effektlariga qarshi 77%, hikoya va dialoglarga qarshi esa 70%. Bu auditoriyaning qarshi chiqishi AI dan foydalanish ijodiy jarayonlardan uzoqlashganda kamayishi mumkinligini koʻrsatadi.

AI qoʻllanilishi boʻyicha baʼzi qabul qilingan misollar DLSS va unga bogʻliq texnologiyalardir. Ushbu tizimlar FPS ni oshirish, kechikishni kamaytirish va vizual sifatni yaxshilash uchun AI dan foydalanadi. Foydalanuvchilar ushbu funksiyalarni erishilgan sezilarli sifat va ishlash tufayli qabul qilishdi.

Biroq, DLSS rivojlanishi davrida muammolar paydo boʻlishi boshlandi. Avval ishlashga yoʻnaltirilgan funksiyalar oʻyinlarni ishlab chiqish uchun bogʻliqliklarga aylandi, bu esa yangi sarlavhalarning koʻpincha kuchli kompyuterlarda ham ishlashdagi nosozliklarni namoyon etadigan ushbu vositalarga muhtoj boʻlishini talab qildi.

Vaziyat DLSS 5 ta taqdim etilishi bilan yanada ogʻirlashdi. Real vaqt renderingi orqali pikselarni fotorealistik yoritish va materiallar bilan qayta tiklashni oʻz ichiga olgan bu vosita sahnalar oʻrtasida vizual izchillikni saqlashda qiyinchiliklar koʻrsatdi, natijada asl asarning oʻziga xosligi yoʻqolishi va sunʼiy hamda umumiy xususiyatlar paydo boʻldi. Bunday muammolar oʻyinchi hamjamiyati tomonidan juda salbiy qabul qilindi.

Nvidia kabi kompaniyalar AI ni chip loyihalarida qoʻllaydilar, komponentlarning dizaynidan tortib loyihalarning yakuniy tasdiqlanishigacha. Ajoyib natija Googleʼdan Jeff Dean va Nvidiaʼdan Bill Dally tomonidan bildirilganidek, PrefixRL yordamida yaratilganda chip maydonining taxminan 25% kam joy egallaydigan 64 bitli qoʻshuvchi (binar qiymatlarni qoʻshish uchun masʼul boʻlgan devre) ishlab chiqilishi boʻldi.

2026 yildagi DAC (Avtomatlashtirish va Dizayn konferensiyasi) da Synopsys, Cadence va Siemens kabi kompaniyalar AI yordamida avtomatlashtirilgan loyihalarni namoyish etdilar. Synopsys ning uzoq muddatli dizayn tekshiruvchi agenti kompaniya oʻzining aytishicha 50 marta tezroq jarayonni namoyish etdi. Shu bilan birga, Siemens ning Nvidia bilan hamkorlikdagi loyihasi jadvallar (bibliotekalar)ni oʻn marta tezroq tavsiflab keladigan agentlarni taqdim etdi.

Bu atigi ikkita misol boʻlsa-da, ular umumiy nuqtaga ega: inson mehnatining AI bilan qisman almashtirilishi aholi tomonidan gʻazab, norozilik yoki boikot keltirmadi.

Tongyan Lingzhi kompaniyasi Pekin umumiy sunʼiy intellekt instituti (BIGAI) sanoat platformasining farqiy tuzilmasi boʻlib, shaxsiy AI konsepsiyasiga yondashuvini taqdim etdi. Bu yondashuv faqat soʻrovlar va maʼlumotlarni qidirishga tayanmasdan, aniq shaxs, loyiha yoki kompaniya maʼlumotlari asosida uzluksiz oʻrganadigan modellar yaratishni nazarda tutadi.

Bugungi kunda mavjud koʻpgina korporativ AI tizimlari tashqi foydalanuvchilarga moslashadi. Ular qoidalar oʻrnatish uchun soʻrovlardan foydalanadilar, qidiruv orqali hujjatlarni ajratib oladilar, holatni xotirada saqlaydilar va qayta ishlatiladigan bosqichlarni paketlaydilar. Biroq, modelning oʻzi oʻzaro aloqa paytida kamdan-kam hollarda oʻzgaradi.

Tongyan Lingzhi daʼvo qiladiki, barqaror odatlar, masalan, jamoaning muhandislik standartlari yoki investitsiya guruhining xavfni boshqarish disiplinasi bevosita model parametrlari ichiga integratsiya qilinishi mumkin. Kompaniyaning arxitekturasi umumiy bilimlar va fikrlashni qayta ishlash uchun umumiy asosiy modelni saqlashni nazarda tutadi, unga har bir alohida foydalanuvchi, loyiha yoki tashkilot uchun yengil LoRA shaxsiy adapterlari qoʻshiladi. Kompaniya bu individual imkoniyatlar asosiy model almashtirilgan taqdirda ham saqlanib qolishi kerakligini taʼkidlaydi.

Bu adapterlarni oʻqitishni saqlab turish uchun jamoa rekursiv oʻz-oʻzini takomillashtirish (RSI) mexanizmini ishlab chiqmoqda. Vazifalar izlanmalari, inson tomonidan tuzatishlar va olingan natijalar oʻquv uchun potentsial maʼlumotlar boʻladi. Har bir foydalanuvchi yoki kompaniya standartlariga sozlanadigan maxsus baholovchi, inkremental LoRA yangilanishi kiritilishidan oldin oʻrganilishi kerak boʻlgan signallarni tanlab oladi. Yangilangan model keyin shu vazifalarda avvalgi versiya kabi ishga tushiriladi va faqat yaxshilanishlar ish muhitiga chiqariladi, regressiyalar esa bekor qilinadi.

Texnik direktor Chu Binbin taʼkidlaganidek, bitta chetga chiqqan variant shunchaki signaldir va faqat takrorlanuvchi naqshlar oʻquv maʼlumotlari boʻlishi kerak. Bundan tashqari, kompaniya minglab bunday adapterlarni mavjud qilish imkonini beradigan infratuzilmani yaratish ustida ishlamoqda. TIP tizimi bir xil GPUlar ustida oʻqitish va inferensni parallel ravishda bajaradi, Paged LoRA esa adapter xotirasini sahifalar orqali boshqaradi. Qwen2.5-72B-Instruct dan foydalangan holda sakkizta Nvidia H800 GPU va 5,79 GB adapter xotira byudjeti bilan oʻtkazilgan bir sinov bosqichida, Paged LoRA, LoRA soʻrovlari trafikning 1% dan 30% gacha boʻlgan holatida, tekis sxemaga qaraganda yaxshiroq kechikish va «quyinda» xatti-harakatni namoyish etdi, ammo 50% ga yetganda samaradorlik pasaydi.

Tongyan Lingzhi ishning dastlabki bosqichda ekanligini tan oladi. RSI ning texnik yoʻli va mahsulot arxitekturasi aniqlangan va modullar dizayn bosqichida boʻlsa-da, toʻliq avtomatlashtirilgan oʻquv sikli hali ham ishlab chiqilmoqda. Ochiq muammolar orasida katastrofik unutish, qayta aloqani ifloslantirish va modelning suzib ketishi qolmoqda.