모든 인공 지능을 둘러싼 우려 요즘-그리고 아니, 나는 사악한 로봇 군주를 의미하는 것이 아니라 직업 교체 그리고 보안-아마도 비용만큼 간과되는 것은 없을 것입니다.

AI가 다양한 방식으로 비즈니스 수행 비용을 낮출 수있는 잠재력을 가지고 있다는 점을 고려할 때 이것은 이해할 수 있습니다. 하지만 AI는 취득 비용 배포하려면 상당한 양의 컴퓨팅 파워, 저장 및 가치있는 수익을 창출하는 에너지.

2019 년에 AI 선구자 Elliot Turner는 XLNet 자연어 시스템을 교육한다고 추정했습니다. $ 245,000 이상이들 수 있습니다 – 512 시간 동안 최대 용량으로 실행되는 약 60 개의 TPU. 그리고 그것이 사용 가능한 결과를 생성 할 것이라는 보장은 없습니다. Rubik 's Cube를 해결하기 위해 지능형 기계를 훈련하는 것과 같은 간단한 작업조차도 2.8 개의 원자력 발전소의 시간당 출력 인 최대 2030GW의 전력을 끌어 올 수 있습니다. 이 수치는 여전히 논란의 여지가 있지만 일부 추정치는 기술 프로세스가 XNUMX 년까지 전 세계 에너지 생산량의 절반 이상을 차지할 것이라고 주장하는 것을 고려할 때 심각한 수치입니다.

실리콘 솔루션

IBM보다 더 잘 이해하는 사람은 없을 것입니다. AI 진화 -다양한 수준의 성공-Watson 및 Project Debater와 같은 플랫폼 덕분입니다. 이 회사의 뉴욕에 위치한 Albany 연구소에는 AI 교육에 대한 컴퓨팅 요구를 줄이고 의사 결정 프로세스를 안내하는 몇 가지 흥미로운 결과를 공개하기 직전의 AI 하드웨어 센터가 있습니다. Tirias 연구 분석가 Kevin Krewell.

핵심 개발은 최근 ISSCC (International Solid-State Circuits Conference)에서 공개 된 쿼드 코어 테스트 칩입니다. 이 칩은 훈련 기능을위한 하이브리드 8 비트 부동 소수점 형식과 추론을위한 2 비트 및 4 비트 정수 형식을 특징으로한다고 Krewell은 Forbes의 기사에서 썼습니다. 이는 현재 AI 솔루션에 전력을 공급하는 32 비트 부동 소수점 솔루션에 비해 상당한 개선이 될 것이지만, 이러한 낮은 로직 및 메모리 공간에서 동일하거나 더 나은 결과를 생성하도록 올바른 소프트웨어를 개발할 수있는 경우에만 가능합니다. 지금까지 IBM은 AI 모델 개발 및 교육을 지원하는 자사의 DEEPTOOLS 컴파일러가 7nm 다이와 호환된다고 발표했지만이를 어떻게 할 것인지에 대해 침묵했습니다.

퀄컴 또한 AI 모델의 효율성을 높이는 데 특히 관심이 있습니다. 신경 아키텍처 검색 (NAS), 지능형 시스템이 주어진 작업을 수행하기 위해 가장 효율적인 네트워크 토폴로지를 매핑하는 수단입니다. 그러나 Qualcomm의 칩은 일반적으로 처음에는 전력 풋 프린트가 적기 때문에 규모에 상관없이 기존 아키텍처 내에서 편안하게 작동하는 새롭고 효율적인 모델을 개발하는 데 중점을 둡니다.

하나를위한 모두

이를 위해이 회사는 양자화, 압축 및 컴파일과 같은 여러 축을 조정 된 방식으로 축소해야하는 필요성을 강조하는 모델링에 대한 전체 론적 접근 방식을 채택했다고 말합니다. 이러한 모든 기술이 서로를 보완하기 때문에 연구원은 고유 한 각도에서 효율성 문제를 해결해야하지만 한 영역의 변화가 다른 영역의 이득을 방해하지 않도록해야합니다.

NAS에 적용 할 때 주요 과제는 높은 컴퓨팅 비용을 줄이고 확장 성을 개선하며보다 정확한 하드웨어 성능 메트릭을 제공하는 것입니다. DONNA (Distilling Optimal Neural Network Architectures)라고하는이 솔루션은 정확도, 지연 시간 및 기타 요구 사항에 대한 네트워크 아키텍처를 정의한 다음이를 실제 환경에 배포 할 수있는 확장 성이 뛰어난 수단을 제공합니다. 이 회사는 이미 삼성 S20 스마트 폰에서 매우 정확한 아키텍처를 찾을 때 MobileNetV2보다 21 %의 속도 향상을보고하고 있습니다.

Facebook은 또한 AI의 효율성 향상. 회사는 최근에 새로운 알고리즘을 공개했습니다. Seer (셀프 지원) 데이터 세트를 효과적으로 사용하는 데 필요한 라벨링의 양을 줄입니다. 이 프로세스를 통해 AI는 더 작은 비교 데이터 세트를 사용하여 정확한 결론을 도출 할 수 있습니다. 이러한 방식으로 이미 고양이로 분류 된 수천 개의 기존 사진을 훑어 볼 필요없이 고양이 사진을 식별 할 수 있습니다. 이렇게하면 교육에 필요한 인적 시간과 식별에 필요한 전체 데이터 공간이 줄어들어 프로세스 속도가 빨라지고 전체 비용이 절감됩니다.

속도, 효율성 및 리소스 소비 감소는 수십 년 동안 IT의 원동력이되어 왔으므로 이러한 목표가 AI 개발을 주도하기 시작하는 것은 놀라운 일이 아닙니다. 놀라운 것은 이것이 일어나는 속도입니다. 전통적으로 새로운 기술이 먼저 배포되어 비용 및 효율성과 같은 사항은 나중에 고려됩니다.

이는 AI가 중요한 수준에 도달하기 전에 이미 간소화 된 아키텍처와 운영을 핵심 기능으로 채택하고 있다는 신호입니다. 가장 좋은 회사조차도 AI의 계산 요구 사항이 그들이 만난 모든 것 전에.