AI
DeepSeek: M1 Mac과 RTX 3080에서 효율적으로 운영하는 방법 DeepSeek은 AI 기반 데이터 분석 및 검색 플랫폼으로, 고성능 하드웨어를 통해 더 빠르고 정확한 작업이 가능합니다. 이 글에서는 Apple M1 칩과 NVIDIA RTX 3080 GPU를 활용해 DeepSeek을 실행하는 방법을 안내합니다. 1. DeepSeek이란? DeepSeek은 머신러닝과 자연어 처리를 결합하여 대규모 데이터 검색과 분석을 수행하는
AI
1. Concept of an M1 Mac Cluster with Thunderbolt Although M1 Macs do not offer native clustering functionality like traditional x86 servers, they can leverage Thunderbolt 3/4 ports for high-speed networking. This allows distributed learning using MPI (Multi-Processing Interface). Cluster Networking Options with Thunderbolt: • Thunderbolt-to-Ethernet Bridge: Use Thunderbolt cables
AI
To create a cluster using multiple Mac Minis for executing models like DeepSeek, you can follow these steps: 1. Hardware Setup: • Use multiple M1 Mac Minis with at least 16GB of unified memory. • Connect the Mac Minis using Thunderbolt cables or via a high-speed Ethernet switch to ensure low-latency communication
AI
당연히 rtx3090이 성능이 좋을듯하다. 예상은 했지만 수치로 알려주니 좋. DeepSeek(딥러닝 모델) 실행 속도를 비교하려면 컴퓨팅 성능(CPU, GPU, RAM), 병렬 처리 가능 여부, 모델 최적화 상태 등을 고려해야 해. 1. 비교 대상 스펙 • M1 Mac mini (6대) • 가격: 35만 원 × 6 = 210만 원 • CPU: Apple M1 (8코어) • GPU: M1
AI
aAMD Ryzen 9 5950X + RTX 3090 (24GB) + RAM 128GB에서 DeepSeek-V3 실행 가능 여부 ✅ AMD Ryzen 9 5950X + RTX 3090 (24GB) + 128GB RAM 환경에서는 DeepSeek-V3의 양자화 버전 실행이 가능합니다. ✅ 다만, llama.cpp를 최적화하여 빌드하고, 적절한 양자화 모델을 선택해야 최상의 성능을 얻을 수 있습니다. 1. 시스템 구성 및 실행 가능성 사용할 하드웨어:
AI
M1 Mac 여러 대를 썬더볼트 케이블을 이용해 클러스터로 구성하고 딥시크(DeepSeek)를 구동하는 방법을 설명해 줄게. 1. 썬더볼트를 이용한 M1 Mac 클러스터 개념 M1 Mac은 일반적인 x86 서버와 달리 본격적인 클러스터링 기능을 제공하지 않지만, 썬더볼트 3/4 포트를 활용한 고속 네트워킹이 가능해 MPI(Multi-Processing Interface) 기반의 분산 학습을 수행할 수
ETC
리게티 컴퓨팅과 AWS 등의 양자 컴퓨팅 서비스는 기술적 기반은 유사하지만, 제공하는 방식과 접근 방법에 있어 차이가 있습니다. 또한, 존슨 황(엔비디아 CEO)이나 마크 저커버그(메타 CEO) 같은 인물들이 양자 컴퓨팅의 상용화에 대해 신중한 입장을 표명한 이유는 기술적, 경제적 한계 때문입니다. 이를 구체적으로 분석해보겠습니다. 1. 리게티 컴퓨팅과 AWS 양자 컴퓨팅
AI
집에서 굴러다니는 이젠 필요가 거의 없는 하드커널의 HC-4. 오래된 노트북에서 적출한 약 450기가 정도의 노트북용 하드디스크가 아직 사망하지 않고 잘 버텨주고 있다. 두개를 레이드0이든 LVM이든 묶으면 대략 1테라 정도의 공간을 무엇이 됬건 사용할수가 있다. 이삼년전까지만 해도 내 홈페이지 메인 호스팅용으로 잘 사용이 됬던 녀석이라 그냥 죽여놓기는 아쉬워서 어떻게 사용할까 생각중에
AI
AMD Ryzen 9 3950X와 NVIDIA RTX 4090을 활용한 AI 시스템을 구성하여 천문학 관련 논문으로 LLM을 학습 및 추론하는 데 최적화된 방법을 제안합니다. 이 시스템의 성능을 최대한 활용하기 위해 CPU, GPU, 스토리지, 메모리, 소프트웨어 스택을 체계적으로 설계해야 합니다. 1. 하드웨어 최적화 CPU 활용 • 멀티스레드 작업 배치: Ryzen 9 3950X의 16코어 32스레드를
AI
5도2촌이 유행이라고 하는데 우리는 4도3촌을 하고 있다. 금요일이 마침 재택근무가 가능한터라 목요일 퇴근후 또는 금요일 오전 업무 시작전에 용인에서 1시간20분 거리에 있는 우리의 작은 시골집으로 언능 이동을 한다. 양평 향소리. 조그만 마을. 5채 정도 집들이 올망졸망 모여 있는 작은 마을. 하루 차 한대만 지나가도 뭔가 활기에 가득차 보이는 아주 조용한
AI
Status: Not connected Client: predis Drop-in: Valid Disabled: No Ping: Connection Exception: ERR unknown command 'SENTINEL', with args beginning with: 'slaves' '마스터 서버이름' (Predis\Response\ServerException) Errors: [ "ERR unknown command 'SENTINEL', with args beginning with: 'slaves' '\ub9c8\uc2a4\
ETC
2023년 02월 01일. 그 동안 타고 다니던 기아 K9을 처분하고 BMW 520D F10 2016년식을 구입을 했다. 기아 K9 2020년식 모델이었지만 자율주행2단계 정도되는 차량으로 네비게이션 기반으로 차량이 알아서 커브틀고, 과속단속 카메라가 있을 경우 가감속을 해주고, 앞차뒷차 추돌방지기능들 또한 준수하게 작용되는 꽤나 운전하기 편한 차량이었다. 타면서 느꼈던건 초보 운전자일수록 가능하다면 큰차 정도는