要像人类一样聪明 AI先得突破算力极限


要像人类一样聪明 AI先得突破算力极限



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