人工智能走向深度学习 构建强大的计算力是重要指标
2020-04-16 09:38:45爱云资讯
据介绍,人工智能比较大的挑战之一是识别度不高、准确度不高,提高准确度就要提高模型的规模和精细度,提高线下训练的频次,这需要更强的计算力。当前随着人工智能算法模型的复杂度和精度愈来愈高,互联网和物联网产生的数据呈几何倍数增长,在数据量和算法模型的双层叠加下,人工智能对计算的需求越来越大。
“2016年3月,谷歌人工智能阿尔法围棋(AlphaGo)战胜韩国棋手李世石时,人们慨叹人工智能的强大,而其背后巨大的‘付出’却鲜为人知——数千台服务器、上千块CPU、高性能显卡以及对弈一场棋所消耗的惊人电量。”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受记者采访时表示。
“相比云计算和大数据等应用,人工智能对计算力的需求几乎无止境。”中国工程院院士、浪潮集团首席科学家王恩东也指出。
据介绍,人工智能比较大的挑战之一是识别度不高、准确度不高,提高准确度就要提高模型的规模和精细度,提高线下训练的频次,这需要更强的计算力。
当前随着人工智能算法模型的复杂度和精度愈来愈高,互联网和物联网产生的数据呈几何倍数增长,在数据量和算法模型的双层叠加下,人工智能对计算的需求越来越大。
从中国信息通信研究院王蕴韬在通信世界网发表的文章了解,人工智能基础设施建设重要一方面是继续夯实通用算力基础。当前算力供给已经无法满足智能化社会构建,根据OpenAI统计,从2012年至2019年,随着深度学习“大深多”模型的演进,模型计算所需计算量已经增长30万倍,无论是计算机视觉还是自然语言处理,由于预训练模型的广泛使用,模型所需算力直接呈现阶跃式发展。
据斯坦福《AIINDEX2019》报告,2012年之前,人工智能的计算速度紧追摩尔定律,算力需求每两年翻一番,2012年以后,算力需求的翻番时长则直接缩短为3、4个月。面对已经每过20年才能翻一番的通用计算供给能力,算力捉襟见肘已经不言而喻。
无疑,人工智能走向深度学习,计算力已成为评价人工智能研究成本的重要指标。
未来如何解决算力难题,据报道,目前计算存储一体化正在助力、推动算法升级,成为下一代AI系统的入口。存内计算提供的大规模更高效的算力,使得AI算法设计有更充分的想象力,不再受到算力约束。从而将硬件上的先进性,升级为系统、算法的领先优势,最终加速孵化新业务。
而除了计算存储一体化的趋势,量子计算或是解决AI所需巨额算力的另一途径。目前量子计算机的发展已经超越传统计算机的摩尔定律,以传统计算机的计算能力为基本参考,量子计算机的算力正迅速发展。
相关文章
- Viettel开设越南最大的数据中心,通过部署绿色技术,为人工智能发展做好准备
- Cognex 推出全新人工智能 3D 视觉系统
- Enine亿玖携手技嘉GIGABYTE如约亮相2024深圳(国际)人工智能计算大会
- 生成式人工智能雅思培训项目引行业关注
- 震撼来袭,精彩前瞻|2024人工智能大模型产业发展大会即将召开
- 昆仑万维发布面向人工智能时代的六条人才宣言
- “人工智能+出海”大有可为,钛动科技以AI驱动企业降本增效
- 美图公司吴欣鸿:推动人工智能在影像与设计领域的应用落地
- 为新质生产力“添柴加薪”,呼和浩特与百度共建人工智能基础数据产业基地
- 昇思人工智能框架峰会2024圆满落幕|软通动力大模型一体机发布
- 明途工作大脑垂直行业模型WorkBrain V3.5,落实“人工智能+”行动
- 思科最新研究:全球超四分之一企业因数据隐私和安全考虑禁止使用生成式人工智能
- 智能校对大模型文修2.0重磅发布:赋能“人工智能+办公”转型升级
- 昇思MindSpore 2.3全新发布 | 昇思人工智能框架峰会2024圆满举办
- 卓翼智能无人机+人工智能助力森林防灭火,科技赋能守护绿色林海
- 上海人工智能实验室发布自动驾驶视频生成模型GenAD
热门文章
头条文章
重点文章
推荐文章
热点文章