Dirbtinio intelekto skaičiavimo efektyvumas yra tarsi dviašmenis kalavijas. Viena vertus, jis turi išmokti gana greitai, tačiau kuo daugiau nervų tinklas „įsibėgėja“, tuo daugiau jis sunaudoja energijos. Tai reiškia, kad ji gali tapti tiesiog nuostolinga. Tačiau išeitį iš situacijos gali duoti IBM, kuri pademonstravo naujus AI mokymo metodus, leidžiančius jai mokytis kelis kartus greičiau, naudojant tas pačias išteklių ir energijos sąnaudas.
Norėdami pasiekti šiuos rezultatus, IBM turėjo atsisakyti skaičiavimo metodų, naudojančių 32 bitų ir 16 bitų metodus, kurdami 8 bitų metodą, taip pat naujo lusto, skirto dirbti su juo.
- „Salik.biz“
Visi IBM patobulinimai buvo pristatyti „NeurIPS 2018“Monrealyje. Bendrovės inžinieriai kalbėjo apie du pokyčius. Pirmasis vadinamas „giluminiu neuroninių tinklų mokymuisi naudojant 8 bitų slankiojo kablelio numerius“. Jame jie aprašo, kaip jiems pavyko tokiu būdu sumažinti aritmetinį taikomųjų programų tikslumą nuo 32 bitų iki 16 bitų ir išsaugoti juos 8 bitų modelyje. Ekspertai teigia, kad jų technika pagreitina giliųjų neuroninių tinklų mokymo laiką 2–4 kartus, palyginti su 16 bitų sistemomis. Antrasis vystymasis yra „8 bitų atminties daugyba su prognozuojama fazių pereinamąja atmintimi“. Čia ekspertai atskleidžia metodą, kuris kompensuoja mažą analoginių AI lustų tikslumą, leidžiant jiems sunaudoti 33 kartus mažiau energijos nei palyginamoms skaitmeninėms AI sistemoms.
Vladimiras Kuznecovas