算法、数据和算力被视为推动人工智能发展的三大要素 ， 其中算力更是被形容为支撑人工智能走向应用的“发动机” 。 人工智能研究组织OpenAI最近指出 ， “高级人工智能所需的计算能力每三个半月就会翻一番” 。
近日 ， 脸谱（Facebook）人工智能副总裁杰罗姆·佩森蒂在接受《连线》杂志采访时认为 ， AI科研成本的持续上涨 ， 或导致我们在该领域的研究碰壁 ， 现在已经到了一个需要从成本效益等方面考虑的地步 ， 我们需要清楚如何从现有的计算力中获得最大的收益 。
那么 ， 为何人工智能需要如此强大的计算能力？计算能力是否会限制人工智能的发展？我们能否不断满足人工智能持续扩大的计算需求？
人工智能“动脑” 背后算力消耗惊人
“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科技日报采访人员采访时表示 。
“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指出 。
据介绍 ， 人工智能最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 。 准确度也是算出来的 ， 比如大型互联网公司或者知名人工智能创业公司 ， 有能力部署规模比较大的人工智能计算平台 ， 算法的模型已经达到千亿参数、万亿的训练数据集规模 。
“现在人工智能运用的深度学习框架 ， 多数依赖大数据进行科研训练 ， 形成有效模型 ， 这些都需要较高的计算力 。 ”谭茗洲指出 ， 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 。 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 。 可以说 ， 计算力即是生产力 。
数据搬运频繁 “内存墙”问题凸显
人工智能为何如此耗费算力？具体而言 ， 在经典的冯·诺伊曼计算机架构中 ， 存储单元和计算单元泾渭分明 。 运算时 ， 需要将数据从存储单元读取到计算单元 ， 运算后会把结果写回存储单元 。 在大数据驱动的人工智能时代 ， AI运算中数据搬运更加频繁 ， 需要存储和处理的数据量远远大于之前常见的应用 。 当运算能力达到一定程度 ， 由于访问存储器的速度无法跟上运算部件消耗数据的速度 ， 因此再增加运算部件也无法得到充分利用 ， 就形成了所谓的冯·诺伊曼“瓶颈”或“内存墙”问题 。 这就如同一台马力强劲的发动机 ， 却因为输油管的狭小而无法产生应有的动力 。
显然 ， 频繁的数据搬运导致的算力瓶颈 ， 已经成为对更为先进算法探索的限制因素 。 而算力瓶颈对更先进、复杂度更高的AI模型的研究将产生更大影响 。
推荐阅读
- 去台湾要通行证吗 去台湾要要不要通行证
- 墙里的水管漏水怎么办修要多少钱? 墙里的水管漏水怎么办
- 兔子好养吗
- 专业做法式指甲都需要什么
- 支付宝公积金提取审核要多久
- 海底捞面试容易过吗 海底捞面试要求如下
- 面膜为什么要洗掉
- 育儿中家规的重要作用 家规对孩子有什么影响
- 孕期胎动减少或加剧什么原因，要怎么办？
- 苦着养孩子的方法 孩子为什么要苦着养