人工智能在不斷發(fā)展的同時， 其背后算力的消耗也十分驚人 。 有統(tǒng)計顯示， 谷歌公司研發(fā)的伯特預訓練語言模型， 擁有3.4億個數(shù)據(jù)參數(shù)， 而訓練它一次所需的電力足夠一個美國家庭使用50天 。
承載了人類未來大夢想、大可能和巨大挑戰(zhàn)的人工智能， 火了這么些年， 取得了長足的發(fā)展， 與之相輔相成的， 是人工智能日益“龐大”的架構(gòu)體系， 諸如常以十億計的計算單位， 龐大的云計算數(shù)據(jù)中心……越來越“大”是人工智能的現(xiàn)實與未來嗎？
近日《麻省理工科技評論》公布年度十大突破性技術(shù)排行榜， 微型人工智能技術(shù)（Tiny AI）位列其中 。 從大到小， 難道是人工智能正在“返璞歸真”的途中？
不可持續(xù)的“大”人工智能
我們都知道， 隨著研究人員不斷給算法“喂養(yǎng)”大量數(shù)據(jù)， 機器學習變得越來越聰明， 但它們是否也變得更環(huán)保呢？答案是否定的 。
不可否認， 人工智能在過去幾年中取得了許多突破 。 深度學習是許多人工智能系統(tǒng)實現(xiàn)高精度的突破之一 。 研究人員發(fā)現(xiàn)， 雖然人工智能每一天都在變得更加精確， 但同時也帶來了隱藏的環(huán)境代價 。
“當前人工智能攜帶著龐大的數(shù)據(jù)集被輸入到云數(shù)據(jù)中心， 然后由無窮無盡的算法進行分析 。 ”威海北洋電氣集團股份有限公司副總工程師秦志亮表示， 數(shù)據(jù)上傳到云中心的過程， 以及通過復雜的算法結(jié)構(gòu)和精巧的訓練方式獲得高精度的算法模型， 不僅會產(chǎn)生驚人的碳排放量， 而且限制了算法模型的運行與部署速度， 同時帶來很多隱私問題 。
美國馬薩諸塞大學阿默斯特分校研究人員的一項研究結(jié)論對秦志亮的說法提供了佐證 。 他們通過揭示算法訓練的能量強度發(fā)現(xiàn)， 訓練一種算法產(chǎn)生的二氧化碳排放量相當于一輛普通汽車終生二氧化碳排放量的5倍， 或者相當于飛機在紐約和舊金山之間大約300次的往返飛行 。 研究人員認為， 在尋求人工智能高準確性的過程中， 人們似乎失去了對能源效率的關(guān)注 。
事實上， “大”人工智能也不適合離線和實時決策， 比如自動駕駛解決方案， 且日益依賴于巨大的能量、巨大的帶寬， 這種模式在經(jīng)濟和生態(tài)上同樣具有不可持續(xù)性 。
另外， 更讓研究人員擔心的是， 這一趨勢還可能加速人工智能研究集中到少數(shù)科技巨頭手中， 在學術(shù)界或資源較少的國家， 資源不足的實驗室根本沒有辦法使用或開發(fā)計算成本昂貴的模型 。
去中心化或是未來趨勢
人工智能雖已融入大眾生活， 但最終的成功還要取決于“落地”， 實現(xiàn)大規(guī)模商用， 這應(yīng)該是推動微型人工智能發(fā)展的直接原因 。
“為了實現(xiàn)人類對人工智能遠大的夢想， 我們必須從小處著想， 甚至很小 。 云數(shù)據(jù)主導的趨勢正在轉(zhuǎn)變， 未來的人工智能環(huán)境將是去中心化的 。 ”海南普適智能科技有限公司CEO陳嘯翔說 。
海南中智信信息技術(shù)有限公司總經(jīng)理于建港認為， “這是一條與計算機發(fā)展相反的路徑， 計算機的發(fā)展經(jīng)歷了從個人終端， 然后到互聯(lián)網(wǎng)化、虛擬化的過程 。 而微型人工智能是先互聯(lián)網(wǎng)化、虛擬化， 再終端化 。 ”
以伯特（Bert）為例 。 伯特是谷歌公司高級研發(fā)科學家雅各布·德夫林（Jacob Devlin）和他的團隊開發(fā)的預訓練語言模型（PLM）， 它可以理解單詞和上下文， 可以為寫作提出建議或獨立完成的句子 。 《麻省理工科技評論》報道中稱， 伯特擁有3.4億個數(shù)據(jù)參數(shù) 。 此外， 訓練它一次所需的電力足夠一個美國家庭使用50天 。
推薦閱讀
- AI可創(chuàng)作與人類畫作“難以分別”的藝術(shù)品
- 酷路澤四驅(qū)怎么使用
- “智慧大腦”指揮 旅客返程路順暢
- Linux系統(tǒng)命令解析
- 使用隨機mac影響網(wǎng)速嗎
- 壽司卷的做法步驟
- 煤氣鍋爐和天然氣鍋爐通用嗎
- 揚州炒飯的做法步驟
- 睡衣的作用
- 香蕉松餅的做法步驟