Tekoälyn laskennallinen tehokkuus on kuin kaksiteräinen miekka. Toisaalta sen on opittava melko nopeasti, mutta mitä enemmän hermoverkko "kiihtyy", sitä enemmän se kuluttaa energiaa. Tämä tarkoittaa, että siitä voi tulla yksinkertaisesti kannattamatonta. Kuitenkin ratkaisun tilanteesta voi antaa IBM, joka on osoittanut uusia AI-opetusmenetelmiä, joiden avulla se voi oppia useita kertoja nopeammin samalla resurssi- ja energiakustannuksella.
Näiden tulosten saavuttamiseksi IBM: n täytyi luopua laskennallisista menetelmistä, joissa käytetään 32-bittisiä ja 16-bittisiä tekniikoita, kehittämällä 8-bittinen tekniikka sekä uutta sirua sen kanssa työskentelemiseen.
Kaikki IBM: n kehitykset esiteltiin NeurIPS 2018 -tapahtumassa Montrealissa. Yhtiön insinöörit puhuivat kahdesta kehityksestä. Ensimmäistä kutsutaan "hermoverkkojen syväksi koneoppimiseksi 8-bittisten liukulukujen avulla." Siinä ne kuvaavat kuinka he onnistuivat vähentämään sovellusten aritmeettista tarkkuutta 32-bittisestä 16-bittiseen tavalla ja tallentamaan sen 8-bittiseen malliin. Asiantuntijat väittävät, että tekniikka nopeuttaa syvien hermoverkkojen harjoitteluaikaa 2–4 kertaa verrattuna 16-bittisiin järjestelmiin. Toinen kehitys on "8-bittinen kertolasku muistiin projisoidussa vaihesiirtymässä". Täällä asiantuntijat esittelevät menetelmän, joka kompensoi analogisten AI-sirujen alhaisen tarkkuuden antamalla niiden kuluttaa 33 kertaa vähemmän virtaa kuin vastaavat digitaaliset AI-järjestelmät.
Vladimir Kuznetsov