AI越来越多地消耗大量能源 ，这是不可持续的 ，因此研究人员试图找到解决该问题的解决方案 。
喜欢指数的未来？加入我们的Xpotential社区，通过Xpotential University的课程进行未来的证明 ，阅读有关指数技术和趋势 ，连接，观看Keynote或浏览我的博客 。
chatgpt ，dall-e ，稳定的扩散和其他生成的AI席卷了世界。他们创造了神话般的诗歌和图像 。从营销到编写法律摘要和毒品发现，他们正在渗入我们世界的每个角落 。他们看起来像是一个人造思想的成功故事的海报孩子。
但是在引擎盖下 ，事情看起来不太桃红色 。这些系统是庞大的能源猪 ，需要吐出数千吨碳排放的数据中心 - 进一步强调已经挥发的气候 - 并吸收了数十亿美元 。随着神经网络变得越来越复杂并更广泛地使用，能源消耗可能会激增。
大量的墨水洒在生成AI的碳足迹上 。随着进一步的增长，它的能源需求可能是它的衰落 ，阻碍了发展 。Intel Labs的Hechen Wang博士说 ，使用当前的硬件“如果继续依靠标准计算硬件，则预计它将很快停止。 ”
因此 ，现在是时候我们建立可持续的人工智能了。
本周 ，在微软的另一项类似公告的背面，IBM的一项研究朝着这个方向迈出了实用的一步 。他们创建了一个14纳米模拟计算机芯片 ，其中包含3500万个内存单元 。与当前的芯片不同 ，计算直接发生在这些单元内，从而避免了来回穿梭数据的需求 - 从而节省了能源。
Wang说 ，数据穿梭可以将能耗从实际计算所需的3到10,000倍 。
当挑战两项语音识别任务时 ，芯片效率很高 。一，Google语音命令很小 ，但实用。在这里 ，速度是关键 。另一个是librispeech，是一个猛mm象系统，有助于将语音转录到文本中 ，从而对芯片处理大量数据的能力征税 。
当对着传统的计算机进行配合时 ，芯片的执行速度同样准确，但使用速度更快 ，能量要少得多 ，使用了某些任务通常所需的时间的十分之一。
该团队说：“据我们所知，这些是商业相关模型上商业相关准确性水平的首次演示……具有效率和大量并行性 ” 。
这几乎不是第一个模拟芯片 。但是 ，它将神经形态计算的概念推向了实用领域 - 一种芯片 ，有一天可以为您的手机，智能家居和其他设备提供效率 ，并具有效率接近大脑的设备。
嗯 ，什么？让我们备份 。
当前的计算机是建立在冯·诺伊曼体系结构上的 。将其视为有多个房间的房子。一个是中央处理单元（CPU），分析数据。另一个存储内存 。
对于每个计算 ，计算机都需要在这两个房间之间来回穿梭数据 ，并且需要时间和能量并降低效率 。
相比之下，大脑将计算和记忆都结合到工作室公寓中。它的类似蘑菇的连接处称为突触，既形成神经网络 ，又在同一位置存储记忆 。突触是高度灵活的 ，可以根据存储的记忆和新的学习（一种称为“权重”的属性，调整了它们与其他神经元的紧密联系 。我们的大脑通过调整这些突触重量来迅速适应不断变化的环境。
IBM一直处于设计模仿大脑计算的模拟芯片的最前沿 。2016年 ，他们的突破性是基于通常在可重写CD中发现的引人入胜的材料引入芯片的 。当用电力覆盖时 ，该材料将其物理状态和形状变速器从浓汤变为晶体状结构 - 类似于数字0和1。
这是关键：芯片也可以以混合状态存在 。换句话说，与生物突触类似 ，人工突触可以编码无数的不同权重（而不仅仅是二进制） ，从而允许其积累多个计算，而无需移动单个数据 。
这项新的研究基于以前的工作 ，还使用相变材料。基本组件是“内存图块 ” 。每种都用网格结构中的数千种相变材料挤满了 。瓷砖很容易互相交流。
每个瓷砖都由可编程的本地控制器控制 ，使团队可以精确地调整组件（类似于神经元）。芯片进一步存储了数百个命令，创建了一个黑匣子 ，使他们可以重新挖掘并分析其性能 。
总体而言 ，芯片包含3500万个相变的内存结构 。连接共4500万个突触 - 与人脑相去甚远，但在14纳米芯片上非常令人印象深刻。
这些令人麻木的数字提出了初始化AI芯片的问题：有太多参数需要寻找 。团队解决了问题，等同于AI幼儿园 ，在计算开始之前 ，预先编程的突触权重有点像在烹饪之前调味新的铸铁锅 。
王（Wang）解释说，他们“为硬件的好处和局限性量身定制了网络培训技术 ，然后为最佳结果设定权重。
它解决了 。在一次初始测试中 ，芯片很容易通过每秒12.4万亿瓦的操作，每瓦的动力 。王说 ，能源消耗是“比最强大的CPU和GPU低几十甚至数百倍 ”。
该芯片钉了一个深层神经网络的核心计算过程 ，其中只有几个经典的硬件组件 。相比之下，传统计算机需要数百或数千个晶体管（执行计算的基本单元） 。
接下来 ，团队向CHIP挑战了两项语音识别任务。每个人都强调了芯片的不同方面 。
第一个测试是在使用相对较小的数据库挑战时速度 。使用Google语音命令数据库 ，该任务要求AI芯片在一组大约65,000个讲话30个短词的片段中发现12个关键字 - “小”是在深度学习宇宙中相对的。当使用接受的基准测试时 - MLPERF-芯片的执行速度比以前的工作快七倍。
当用大型数据库librispeech挑战时，芯片也会发光 。该语料库包含1000多个小时的阅读英语语音 ，通常用于训练AI进行解析和自动语音转录的文字转录 。
总体而言 ，该团队使用五个芯片最终使用来自1.4亿个相变设备的数据来编码超过4500万的权重。当对抗常规硬件时，该芯片的能源效率高约14倍 - 每瓦每瓦能源消耗每秒处理近550个样品 - 错误率略高于9％ 。
尽管令人印象深刻，但模拟芯片仍处于起步阶段 。王说 ，他们表现出“打击与AI相关的可持续性问题的巨大希望 ” ，但前进的道路需要清除一些障碍。
一个因素是细化内存技术本身及其周围组件的设计，即如何布置芯片 。IBM的新芯片尚未包含所需的所有元素 。下一个关键步骤是将所有内容集成到一个芯片上 ，同时保持其功效。
在软件方面 ，我们还需要专门针对模拟芯片量身定制的算法，以及容易将代码转换为机器可以理解的语言的软件 。随着这些芯片在商业上变得越来越可行 ，开发专门的应用将使模拟筹码未来的梦想保持活力 。
Wang说：“塑造CPU和GPU如此成功地运作的计算生态系统花了数十年的时间。 ”“为模拟AI建立相同的环境可能需要数年的时间 。”
来源:https://xianggongguan.cn/zixun/202506-4491.html 来源:https://www.siyonli.com/zlan/202506-3539.html 来源:https://0514ps.com/zixun/202506-1741.html 来源:https://yayait.com/zshi/202506-9932.html 来源:https://www.siyonli.com/zlan/202506-3658.html 来源:https://xianggongguan.cn/xgzx/202506-4494.html 来源:https://xianggongguan.cn/zixun/202506-4421.html 来源:https://0514ps.com/zixun/202506-1912.html 来源:https://yayait.com/cshi/202506-9944.html 来源:https://0514ps.com/kxun/202506-1778.html
来源:https://xianggongguan.cn/zixun/202506-4491.html 来源:https://www.siyonli.com/zlan/202506-3539.html 来源:https://0514ps.com/zixun/202506-1741.html 来源:https://yayait.com/zshi/202506-9932.html 来源:https://www.siyonli.com/zlan/202506-3658.html 来源:https://xianggongguan.cn/xgzx/202506-4494.html 来源:https://xianggongguan.cn/zixun/202506-4421.html 来源:https://0514ps.com/zixun/202506-1912.html 来源:https://yayait.com/cshi/202506-9944.html 来源:https://0514ps.com/kxun/202506-1778.html
本文来自作者[凌瑶]投稿，不代表策华号立场，如若转载，请注明出处：https://cehuayingxiao.cn/cshi/202506-39413.html
评论列表（4条）
我是策华号的签约作者“凌瑶”！
希望本篇文章《AI越来越多地消耗大量能源，这是不可持续的，因此研究人员试图找到解决该问题的解决方案。》能对你有所帮助！
本站[策华号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：AI越来越多地消耗大量能源，这是不可持续的，因此研究人员试图找到解决该问题的解决方案。 喜欢指数的未来？加入我们的Xpotential社区，通过Xpotential Un...