mesterséges intelligenciagépi tanulásmodelloptimalizálásmesterséges intelligencia általi skálázásszámítási hatékonyságmultimodális mesterséges intelligenciaél-mesterséges intelligenciátfenntartható mesterséges intelligencia
Hatékonyságoptimalizálás vs. képességbővítés a mesterséges intelligencia rendszerekben
A hatékonyságoptimalizálás és a képességbővítés két eltérő, mégis egymást kiegészítő stratégiát képvisel a mesterséges intelligencia fejlesztésében: az előbbi az erőforrásegységenkénti teljesítmény maximalizálására összpontosít, az utóbbi pedig a mesterséges intelligenciarendszerek képességeinek határait feszegeti.
Kiemelt tartalmak
A hatékonyság optimalizálása lehetővé tette az olyan modellek számára, mint a DeepSeek-V3, hogy a hasonló nyugati modellek betanítási költségeinek nagyjából 5%-áért közel határérték-szintű teljesítményt érjenek el.
A skálázási törvényeken keresztüli képességbővítés kiszámítható, emergens képességeket eredményezett, de minden új küszöbérték eléréséhez 10-1000-szer több számítási teljesítményre van szükség.
két út egyre inkább metszi egymást: a hatékony architektúrák, mint például a Mixture of Experts, eredetileg a hatékonyság motiválta őket, de ma már nagyobb, hatékony modelleket tesznek lehetővé.
A környezeti nyomás és a szabályozási ellenőrzés még a képességközpontú laboratóriumokat is arra készteti, hogy jelentős összegeket fektessenek be a hatékonyságba, elmosva a hagyományos határokat.
Mi az a Hatékonyságoptimalizálás?
mesterséges intelligencia teljesítményének maximalizálása a számítási, energia- és pénzügyi költségek minimalizálása mellett architekturális és algoritmikus fejlesztéseken keresztül.
A modern, hatékony MI-modellek, mint például a DeepSeek-V3, a hasonló modellek betanítási költségének nagyjából 5%-áért érnek el közel határérték-szintű teljesítményt.
A kvantálási technikák számos alkalmazásban akár 75%-kal is csökkenthetik a modell méretét, kevesebb mint 1%-os pontosságveszteséggel.
Az Edge AI telepítéséhez 100 MB-nál kisebb modellek szükségesek a mobileszközökön történő valós idejű következtetésekhez.
A tudásdesztilláció lehetővé teszi, hogy a kis modellek a nagy modellek teljesítményének több mint 95%-át megtartsák bizonyos feladatokhoz.
A spekulatív dekódoláshoz hasonló technikákkal végzett következtetés-optimalizálás 2-3-szorosára csökkentheti a késleltetést a minőségromlás nélkül.
Mi az a Képességbővítés?
A mesterséges intelligencia rendszerek funkcionális határainak kiterjesztése új feladatok, hosszabb kontextusok, multimodális bemenetek és újonnan megjelenő viselkedések kezelésére.
A GPT-4 kibővítette a kontextus ablakokat 4K-ról 128K tokenre, lehetővé téve a dokumentumszintű elemzést és a kiterjesztett beszélgetéseket.
Gemini és a GPT-4o típusú multimodális modellek egységes architektúrákon belül dolgozzák fel a szöveget, képeket, hanganyagokat és videókat.
A gondolatláncok olyan feloldott, emergens érvelési képességeket eredményeznek, amelyek az alapképzésben nem szerepelnek
Az ügynökségi mesterséges intelligencia rendszerek mostantól önállóan hajtanak végre többlépéses munkafolyamatokat szoftvereszközökön és API-kon keresztül.
A skálázási törvények kiszámítható képességnövekedést mutatnak a megnövekedett számítási, adat- és paramétermennyiséggel bizonyos küszöbértékekig.
Összehasonlító táblázat
Funkció
Hatékonyságoptimalizálás
Képességbővítés
Elsődleges cél
Többet kevesebből – csökkentse a költségeket, a késleltetést és az energiafelhasználást egységnyi kimenettel
Tedd meg azt, ami korábban lehetetlen volt – terjesszd ki a funkcionális határokat és a feladatok összetettségét
Skálázás, multimodális fúzió, hosszú kontextusú architektúrák, ágentikus keretrendszerek, megerősítéses tanulás emberi visszajelzésekből
Erőforrás-intenzitás
Általában 10-100-szorosára csökkenti a számítási igényeket az egyenértékű feladatoknál
Gyakran 10x-1000-szeresére növeli a számítási követelményeket az új képességküszöbök elérése érdekében.
Fejlesztési ütemterv
Gyors iterációs ciklusok, hónapokig tartó optimalizálások telepítése
Hosszabb kutatási horizont, évek az alapvető áttörések eléréséhez
Kockázati profil
Alacsonyabb kockázat, fokozatos javulás kiszámítható eredményekkel
Magasabb kockázat, bizonytalan hozamok a nagy befektetéseknél
Kereskedelmi életképesség
Azonnali költségmegtakarítás, vonzó a haszonkulcsra érzékeny alkalmazások számára
Potenciál diszruptív termékek és új piacok létrehozására
Környezeti hatás
Csökkenti a szénlábnyomot következtetésenként, ami kritikus fontosságú a fenntarthatósági célok szempontjából
Növeli az abszolút energiafogyasztást, ami aggodalmat kelt az adatközpontok kibocsátásával kapcsolatban
Megközelíthetőség
Demokratizálja a mesterséges intelligenciát azáltal, hogy lehetővé teszi a korlátozott hardvereken történő telepítést
Gyakran koncentrálja a fejlett képességeket a jól erőforrásokkal rendelkező szervezetek körében
Részletes összehasonlítás
Alapfilozófia és stratégiai prioritás
hatékonyságoptimalizálás az elégségesség filozófiájából indul ki – annak meghatározásából, hogyan lehet megfelelő vagy jobb eredményeket elérni jelentősen kevesebb erőforrással. Az ezt az utat járó csapatok gyakran a meglévő képességeket nagyrészt elegendőnek tekintik, és azt kérdezik, hogyan lehet azokat gazdaságosan életképessé tenni nagy léptékben. Ezzel szemben a képességbővítést a lehetőségek filozófiája vezérli, amely azt kérdezi, hogy milyen alapvetően új viselkedések és szolgáltatások alakulhatnának ki, ha a modell skálájára, a kontextus hosszára vagy a beviteli módokra vonatkozó korlátozások enyhülnének. Ezek nem pusztán technikai különbségek; eltérő hiedelmeket tükröznek arról, hogy a mesterséges intelligencia rövid távú értéke az elérhetőségben vagy a mesterséges intelligencia felé való elmozdulásban rejlik.
Műszaki megközelítések és innovációk
hatékonyságnövelő tábor figyelemre méltó újításokat hozott a modelltömörítés és az architektúra-tervezés terén. A Mistralhoz és a DeepSeekhez hasonló szakértői keverék (MoE) architektúrák bemenetenként csak a paraméterek részhalmazait aktiválják, míg az állapottér-modellek, mint például a Mamba, alternatívákat kínálnak a lineáris, nem pedig a kvadratikus komplexitású figyelmi mechanizmusokra. A képességek oldalán a kutatók kibővítették a kontextuális ablakokat olyan technikákkal, mint a forgó pozicionális beágyazások és a gyűrűs figyelem, lehetővé téve teljes könyvek vagy kódbázisok elemzését. A multimodális képzési megközelítések ma már olyan módon ötvözik a látást, a hangot és a szövegértést, hogy valódi, intermodális gondolkodást tesznek lehetővé a különálló rendszerek egyszerű összefűzése helyett.
Gazdasági következmények és piaci dinamika
hatékonyságnövekedés nagyságrendekkel csökkentette a mesterséges intelligencia következtetéseinek költségeit, lehetővé téve a startupok számára, hogy versenyezzenek a már befutott szereplőkkel, és a vállalatok számára, hogy mesterséges intelligenciát telepítsenek több ezer alkalmazásban, ahelyett, hogy csak néhány nagy értékű felhasználási esetre koncentrálnának. Ez az árucikké válási nyomás veszélyezteti az API-alapú mesterséges intelligencia-vállalatok haszonkulcsait. Eközben a képességbővítés hatalmas gazdasági értéket teremtett, amely a határterületi laboratóriumok körében koncentrálódik – az OpenAI 80 milliárd dollárt meghaladó értékelése azt a piaci meggyőződést tükrözi, hogy a képességvezetés tartós versenyelőnyt jelent. A két út közötti feszültség stratégiai dilemmákat vet fel: vajon a szervezeteknek be kell-e fektetniük a mai modellek olcsóbbá tételébe, vagy fogadniuk kell arra, hogy a holnapi modellek elég transzformatívak lesznek ahhoz, hogy indokolttá tegyék a prémium árazást?
Környezeti és társadalmi szempontok
hatékonyságnövelési út valódi környezeti előnyöket kínál; az optimalizált modellek hatékony hardveren történő futtatása lekérdezésenként akár 90%-kal vagy még nagyobb mértékben is csökkentheti a szén-dioxid-kibocsátást. Ez óriási jelentőséggel bír, mivel a mesterséges intelligencia lekérdezéseinek mennyisége évi billiósra nő. A hatékonyságnövekedés azonban gyakran visszapattanó hatásokat vált ki – a megnövekedett használat részben vagy egészben ellensúlyozza a hatékonyságnövekedést. A képességbővítés környezeti költségei közvetlenebbek és láthatóbbak: a GPT-4 osztályú modellek betanítása több száz háztartás éves fogyasztásával egyenértékű villamos energiát fogyaszt. Társadalmi szempontból a képességbővítés aggályokat vet fel a hatalom és a hozzáférés koncentrációja miatt, mivel csak néhány szervezet finanszírozhatja a felderítő kutatásokat, míg a hatékonyságoptimalizálás szélesebb körű demokratizálódást ígér, de inkább megerősítheti a meglévő képességeket, mintsem megkérdőjelezné azokat.
Szinergiák és hamis dichotómiák
Ha ezeket puszta ellentétekként fogalmazzuk meg, az leegyszerűsíti a valóságot. Számos áttörés egyszerre teszi lehetővé mindkét utat – a jobb betanítási hatékonyság nagyobb modelleket tesz lehetővé fix költségvetésen belül, és az új képességek gyakran a hatékonyság által motivált architekturális innovációkból erednek. Magát az átalakítót részben a visszatérő hálózatokhoz viszonyított számítási hatékonyság motiválta. A gyakorlatban az érett MI-szervezetek mindkettőre törekszenek: a jelenlegi képességek telepítésének optimalizálására, miközben fenntartják a következő generációs bővítésbe történő kutatási beruházásokat. A legproduktívabb kérdés talán nem az, hogy melyiket válasszuk, hanem az, hogy hogyan strukturáljuk a szervezeteket és a finanszírozást úgy, hogy lehetővé tegyük a hatékonyság és a bővítésre irányuló kutatás közötti produktív interakciót.
Előnyök és hátrányok
Hatékonyságoptimalizálás
Előnyök
+Jelentősen alacsonyabb üzemeltetési költségek
+Lehetővé teszi a peremhálózati és mobil telepítést
+Csökkenti a környezeti terhelést
+Gyorsabb iterációs és telepítési ciklusok
+Demokratizálja a mesterséges intelligencia képességeihez való hozzáférést
Tartalom
−Csökkenő hozamok a tömörítésből
−Feláldozhatja a képességet a sebesség érdekében
−Folyamatos karbantartást igényel, ahogy az alapmodellek fejlődnek
−Korlátozott differenciálódás, ha minden versenytárs hasonlóan optimalizál
−A termék és a piac illeszkedése előtti idő előtti optimalizálás kockázata
Képességbővítés
Előnyök
+Áttörő termékek és szolgáltatások lehetősége
+Védelmi várárkokat hoz létre a technikai vezetői csapat szakértelme révén
+Vonzza a legjobb kutatói tehetségeket
+Lehetővé teszi a korábban megoldhatatlan problémák megoldását
+Átalakító gazdasági és társadalmi hatású pozíciók
−A hosszú fejlesztési határidők ki vannak téve a fennakadásoknak
−A hatalmat a jól erőforrásokkal rendelkező szervezetek kezében koncentrálja
−Környezetvédelmi és szabályozási ellenőrzés
−A képességek kockázata életképes alkalmazások nélkül
Gyakori tévhitek
Mítosz
A hatékonyság optimalizálása egyszerűen azt jelenti, hogy a modelleket kisebbre csökkentjük anélkül, hogy érdemi hatással lennénk a képességekre.
Valóság
A modern hatékonyságnövelő technikák a jobb architektúrák révén megőrzik, vagy akár javítják is a képességeket. Az olyan modellek, mint a MiniCPM és a Phi, azt mutatják, hogy a gondos betanítás és az architektúraválasztás meglepően robusztus képességekkel rendelkező kis modelleket hozhat létre, megkérdőjelezve azt a feltételezést, hogy a méretezés a teljesítmény elsődleges mozgatórugója.
Mítosz
A képességbővítés elsősorban a meglévő megközelítések számítási kapacitásának növelését jelenti.
Valóság
Bár a skálázás fontos, a valódi képességbővítés jelentős algoritmikus innovációt igényel. A GPT-3-ról GPT-4-re való ugrás nemcsak több paramétert, hanem a betanítási technikák, az adatkezelés és az igazítási módszerek fejlesztését is magában foglalta. Az innováció nélküli nyers skálázás bizonyos területeken a stagnálás jeleit mutatja.
Mítosz
A szervezeteknek kizárólag a hatékonyság és a terjeszkedés között kell választaniuk.
Valóság
A legsikeresebb mesterséges intelligencia laboratóriumok mindkettőt egyszerre űzik. A Google Gemini csapata például jelentős összegeket fektet be a hatékony kiszolgáló infrastruktúrába, miközben a határterületi képességeket is fejleszti. A választás inkább az erőforrás-elosztási arányokról szól, mint a kizárólagos elkötelezettségről.
Mítosz
A hatékony modellek mindig környezetbarátabbak.
Valóság
A hatékonyságnövekedés gyakran fokozott használatot eredményez, ami a visszapattanó hatásokon keresztül ellensúlyozza a környezeti előnyöket. Egy tízszer hatékonyabb modell, amely hússzor nagyobb használatot eredményez, növeli a teljes energiafogyasztást. Az abszolút környezeti hatás az alkalmazási mintáktól függ, nem csak a lekérdezésenkénti hatékonyságtól.
Mítosz
képességbővítés csak a hatalmas erőforrásokkal rendelkező nagy technológiai vállalatok számára releváns.
Valóság
A nyílt forráskódú közösségek és az akadémiai laboratóriumok jelentősen hozzájárulnak a képességek bővítéséhez, néha szerény erőforrásokkal. A Llama modellek, a Stable Diffusion és számos kutatási tanulmány azt mutatja, hogy az érdemi képességfejlesztések a változatos finanszírozási modellekből, nem kizárólag a vállalati K+F-ből fakadnak.
Mítosz
A hatékonyság optimalizálása megoldotta a mesterséges intelligencia általi akadálymentesítés problémáját.
Valóság
Míg a következtetési költségek zuhantak, az érdemi telepítés továbbra is jelentős mérnöki szakértelmet, adatinfrastruktúrát és folyamatos karbantartást igényel. Az elméleti hozzáférhetőség és a gyakorlati megvalósítás közötti szakadék továbbra is jelentős sok szervezet számára, különösen a szabályozott iparágakban.
Gyakran Ismételt Kérdések
Mi a hatékonyságoptimalizálás a mesterséges intelligenciában, és miért fontos ez most?
hatékonyságoptimalizálás olyan technikákat foglal magában, amelyek csökkentik a mesterséges intelligenciarendszerek számítási, pénzügyi és energiaköltségeit, miközben megőrzik vagy minimálisan rontják azok teljesítményét. Ez most sürgősen fontos, mivel a mesterséges intelligencia nagymértékű telepítésének költségei váltak az elsődleges szűk keresztmetszetké – még ha a képzési költségek domináltak is a korai aggodalmak között, a következtetési költségek ma már a több milliárd lekérdezést kezelő éles rendszerek esetében dominálnak. Hatékonyságnövekedés nélkül számos gazdaságilag életképes mesterséges intelligenciaalkalmazás továbbra sem lenne praktikus.
Hogyan hatnak egymásra a képességbővítés és a hatékonyságnövelés a gyakorlatban?
Komplex, gyakran szinergikus módon hatnak egymásra. A hatékonysági áttörések finanszírozhatják a képességek bővítését azáltal, hogy megfizethetőbbé teszik a kutatást, míg az új képességek néha váratlanul jelennek meg a hatékonyság által motivált architektúra-változásokból. Feszültség azonban akkor keletkezik, amikor a hatékonysági korlátok korlátozzák a kutatók által feltárható skálát vagy módokat. A legproduktívabb kutatási környezetek jellemzően mindkét területen aktív portfóliókat tartanak fenn.
Képesek-e a kis szervezetek versenyezni a technológiai óriásokkal a képességbővítésben?
A határmodell-képzés terén továbbra is rendkívül nehéz a közvetlen verseny a több százmillió dollárt meghaladó tőkeigény miatt. A kis szervezetek azonban érdemi módon hozzájárulhatnak a specifikus képességekre, új architektúrákra vagy nyílt forráskódú eszközökre irányuló célzott kutatás révén. Az olyan modellek sikere, mint a Llama és a Mistral, azt mutatja, hogy a koncentrált erőfeszítés versenyképes alternatívákat eredményezhet, még ha nem is mindig az abszolút határon.
Melyek a legígéretesebb hatékonyságnövelő technikák a termelési környezetben?
A 8 vagy 4 bites pontosságú kvantálás, a tudásdesztilláció a képességek kisebb modellekbe történő átviteléhez, valamint az olyan architekturális döntések, mint a csak releváns paramétereket aktiváló szakértői keverék, bizonyultak a legnagyobb hatásúnak. Bizonyított alkalmazások esetén a speciális hardverek (TPU-k, egyedi ASIC-ek) és szoftveroptimalizálások (kötegelt feldolgozás, gyorsítótárazás, spekulatív dekódolás) halmozzák fel ezeket az előnyöket. Az optimális kombináció jelentősen eltér a késleltetési követelményektől, a lekérdezési mintáktól és a pontossági korlátoktól.
A hatékonyságra való törekvés a gyengébb mesterséges intelligencia teljesítményének elfogadását jelenti?
Nem feltétlenül, bár léteznek kompromisszumok. Egyes hatékonyságnövelő technikák szinte teljes mértékben megőrzik a teljesítményt – a modern kvantálási módszerek gyakran észrevehetetlen romlást mutatnak. Mások, mint például az agresszív metszés vagy a nagyon kis diákmodellek a desztillációban, egyértelműbb kompromisszumokat igényelnek. A lényeg a hatékonysági szint és az alkalmazás követelményeinek összehangolásában rejlik; egy orvosi diagnosztikai rendszer más hatékonyság-teljesítmény kompromisszumokat követel meg, mint egy tartalomajánló motor.
Milyen képességek állnak jelenleg a mesterséges intelligencia terjeszkedésének élvonalában?
A több százezer tokenen alapuló hosszú kontextusú gondolkodás, a megbízható többlépéses tervezés és eszközhasználat, a szöveg-kép-hang-videó folyamatokon keresztüli valódi multimodális megértés, valamint az új feladatokra való robusztus általánosítás feladat-specifikus képzés nélkül, aktív határterületeket képvisel. Spekulatívabb módon a kutatók olyan továbbfejlesztett világmodelleket, oksági gondolkodást és olyan képességeket keresnek, amelyek rugalmasan átvihetők különböző területekre, kiterjedt finomhangolás nélkül.
Hogyan befolyásolják a környezetvédelmi megfontolások a hatékonyság kontra terjeszkedés vitáját?
A környezetvédelmi aggodalmak egyre inkább formálják mind a kutatási prioritásokat, mind a szabályozási figyelmet. A hatékonyság optimalizálása közvetlenül a szénlábnyom csökkentésére irányul, míg a képességbővítés erőforrás-igényessége miatt vizsgálat alá kerül. Egyes kutatók azzal érvelnek, hogy az átalakító mesterséges intelligencia képességei segíthetnek a klímaváltozás kezelésében, igazolva a jelenlegi energiabefektetéseket; mások ezzel szemben azt állítják, hogy a rövid távú hatékonyságnövekedés biztosabb környezeti előnyöket kínál. A vállalati fenntarthatósági kötelezettségvállalások egyre inkább a hatékonyságnövelő beruházásokat ösztönzik, függetlenül más stratégiai prioritásoktól.
A hatékonyság kontra bővítés vita kizárólag a mesterséges intelligenciára jellemző, vagy más technológiai területeken is előfordul?
Ez a feszültség végigvonul a technológia történetén. A félvezetőgyártásban hasonló viták zajlottak a folyamatok csökkentése (hatékonyság) és az architekturális innovációk (képességek) között. A szoftverfejlesztés az optimalizálást a funkciófejlesztéssel egyensúlyozza. A mesterséges intelligenciát az erőforrások példátlan mértéke és a képességbővítés potenciálja különbözteti meg, amely transzformatív vagy akár egzisztenciális hatásokat eredményezhet, ami fokozza a vita tétjét és polarizációját.
Hogyan értékeljék a befektetőknek a hatékonyság és a terjeszkedés szempontjából pozicionált vállalatokat?
hatékonyságra összpontosító vállalatok jellemzően tisztább rövid távú utat kínálnak a jövedelmezőséghez és az alacsonyabb tőkeintenzitáshoz, de a technikák elterjedésével szembesülhetnek az árupiaci nyomással. A terjeszkedésre összpontosító vállalatok nagyobb kockázatot hordoznak, de túlméretezett hozamokra tehetnek szert, ha tartós képességbeli vezető szerepet érnek el. A kifinomult befektetők egyre inkább olyan vállalatokat keresnek, amelyek hiteles stratégiákat tudnak megfogalmazni, amelyek mindkettőt átfogják, vagy amelyek védhető réspiacokat azonosítottak, ahol az egyik vagy a másik fenntartható előnyt teremt.
Milyen szerepet játszik a kormányzati politika ebben az egyensúlyban?
szakpolitika a finanszírozási prioritásokon, a fejlett chipek exportkorlátozásán, a környezetvédelmi szabályozásokon és az trösztellenes vizsgálatokon keresztül befolyásolja az egyensúlyt. A CHIPS-törvény és a hasonló európai és ázsiai programok jelentős finanszírozást irányítanak a hazai kapacitásbővítésre, míg a hatékonyságnövekedést a szén-dioxid-árazás vagy a zöld számítástechnikai előírások ösztönözhetik. A csúcskategóriás GPU-k exportkorlátozása akaratlanul is egyes szereplőket a hatékonyság felé terel, mint az egyetlen elérhető út.
Vajon a hatékonyság optimalizálása végül mindenki számára megfizethetővé teszi az emberi szintű mesterséges intelligenciát?
Ha az emberi szintű mesterséges intelligenciát elsősorban a méretnövelés révén érik el, a hatékonyság optimalizálása jelentősen szélesítheti a hozzáférést, hasonlóan ahhoz, ahogy az okostelefonok milliárdokhoz juttatták a számítástechnikát. Ha azonban az emberi szintű mesterséges intelligencia folyamatos, hatalmas számítási kapacitást vagy a jelenlegi hatékonysági trendeken túlmutató speciális hardvert igényel, a hozzáférés koncentrált maradhat. Az intelligencia és a számítástechnika közötti kapcsolat továbbra is megoldatlan, így ez a kérdés valóban bizonytalan, nem pedig pusztán technikailag kihívást jelent.
Hogyan mérik a kutatók, hogy haladnak-e a képességbővítés terén a puszta méretnöveléshez képest?
Ez a mérési kihívás központi szerepet játszik a területen. A kutatók olyan benchmarkokat használnak, amelyek az új képességek vizsgálatára szolgálnak az ismerős feladatok helyett, értékelik a teljesítményt a betanítási adatokból kiszámíthatatlanná tett, korlátozott ideig használható teszthalmazokon, és egyre inkább értékelik az általánosítást a különböző területeken. A benchmarkok telítettsége – ahol a modellek emberi szintű teljesítményt érnek el a standard teszteken – azonban a közösséget kreatívabb és néha vitatottabb értékelési módszerek felé kényszerítette, beleértve az emberi értékelést és a valós feladatteljesítményt.
Ítélet
stabil, jól ismert felhasználási esetekkel rendelkező szervezeteknek a hatékonyság optimalizálását kell előtérbe helyezniük a haszonkulcsok és az elérhetőség javítása érdekében, míg azoknak, akik transzformatív versenyelőnyre törekszenek, vagy a jelenlegi MI-képességeken túlmutató problémákat szeretnének kezelni, a képességbővítésbe kell befektetniük. A legsikeresebb hosszú távú stratégiák a kettőt egyensúlyba hozzák, a hatékonyságnövekedést az IoT bővítésére irányuló kutatások finanszírozására és megvalósítására fordítják.
