آماده شدن برای هوش مصنوعی برای تولید کمتر جادوگری

یک مقاله جدید استدلال می کند که محاسبات خواسته های یادگیری عمیق هستند که با پیشرفت در انجام وظایف مانند ترجمه و خود رانندگی است به احتمال زیاد به کم.

اوایل سال گذشته یک اروپایی بزرگ فروشگاه های زنجیره ای مستقر هوش مصنوعی برای پیش بینی آنچه که مشتریان را به خرید هر روز در فروشگاه های مختلف برای کمک به نگه داشتن قفسه مواجه نگردند در حالی که کاهش هزینه فساد کالا.

این شرکت در حال حاضر مورد استفاده قرار خرید داده و ساده روش آماری برای پیش بینی فروش. با یادگیری یک تکنیک است که کمک کرده است تا تولید و دیدنی هوش مصنوعی پیشرفت در سال های اخیر—و همچنین به عنوان داده های اضافی از جمله محلی آب و هوا و ترافیک شرایط و رقبای اقدامات—شرکت کاهش تعداد خطاهای توسط سه چهارم.

این دقیقا نوع بالا تاثیر صرفه جویی در هزینه اثر است که مردم انتظار دارند از هوش مصنوعی. اما وجود دارد گرفتن: الگوریتم جدید نیاز بسیار محاسبات که این شرکت تصمیم به استفاده از آن.

“آنها مانند” خوب آن است که ارزش آن را به ما به رول آن را در یک راه بزرگ,’ مگر اینکه محاسبات ابری هزینه ها پایین آمده و یا الگوریتم های تبدیل شدن به کارآمد تر می گوید:” Neil Thompson یک دانشمند محقق در دانشگاه MIT است که نصب و راه اندازی یک مطالعه موردی بر روی این پروژه. (او کاهش یافته است به نام شرکت درگیر است.)

داستان برجسته بلندی مشکل برای هوش مصنوعی و کاربران آن تامپسون می گوید. پیشرفت شده است و هر دو سریع و خیره کننده در سال های اخیر به ما هوشمندانه بازی-بازی, برنامه, توجه دستیاران شخصی و اتومبیل که حرکت در جاده های شلوغ برای خود. اما این پیشرفت باید دور در پرتاب تا کنون-بیشتر منابع محاسباتی در مشکلات.

در یک تحقیق جدید کاغذ تامپسون و همکاران استدلال می کنند که در آن است و یا به زودی خواهد شد غیر ممکن است برای افزایش قدرت محاسباتی در همان نرخ به منظور ادامه این پیشرفت. این می تواند به خطر اندازد پیشرفت بیشتر در مناطق از جمله بینایی کامپیوتر ترجمه و درک زبان.

AI اشتها برای محاسبه افزایش یافته است قابل ملاحظه ای بیش از دهه گذشته است. در سال 2012 در ابتدای یادگیری عمیق رونق یک تیم در دانشگاه تورنتو ایجاد دستیابی به موفقیت در تصویر-تشخیص الگوریتم با استفاده از دو gpu ها (یک نوع تخصصی کامپیوتر تراشه) بیش از پنج روز است. سریع به جلو به 2019 و آن را در زمان شش روز و تقریبا از 1 ، 000 تراشه های ویژه ای (هر چند بار قوی تر از قبل از gpu ها) برای محققان در گوگل و کارنگی ملون به توسعه مدرن تر تصویر-الگوریتم به رسمیت شناختن. ترجمه الگوریتم توسعه یافته در سال گذشته توسط یک تیم در گوگل مورد نیاز خشن معادل 12000 تخصصی تراشه های در حال اجرا برای یک هفته. بر اساس برخی برآوردها هزینه آن را تا به 3 میلیون دلار برای اجاره این حد کامپیوتر قدرت را از طریق ابر.

“عمیق شبکه های عصبی بسیار محاسباتی گران می گوید:” آهنگ Han, دستیار استاد در دانشگاه MIT است که دارای تخصص در توسعه کارآمد تر اشکال یادگیری عمیق است و نه یک نویسنده در تامپسون کاغذ. “این یک مسئله بسیار مهم است.”

هان این گروه ایجاد کرده است کارآمد تر از نسخه های محبوب با استفاده از الگوریتمهای هوش مصنوعی, رمان, شبکه های عصبی مصنوعی در معماری و تخصصی تراشه های معماری, در میان چیزهای دیگر. اما او می گوید وجود یک “هنوز یک راه طولانی برای رفتن” را به یادگیری عمیق کمتر محاسبه-گرسنه است.

دیگر محققان اشاره کرده اند که افزایش محاسباتی خواسته است. رئیس Facebook AI آزمایشگاه تحقیقاتی جروم Pesenti گفت: سیمی سال گذشته که هوش مصنوعی محققان شروع به احساس اثرات این محاسبات بحران.

تامپسون معتقد است که بدون باهوش جدید الگوریتم محدودیت های یادگیری عمیق می تواند سرعت پیشرفت در زمینه های متعدد موثر بر نرخ که در آن کامپیوتر به جای انسان ، “اتوماسیون مشاغل احتمالا اتفاق می افتد به تدریج بیشتر از حد انتظار پس گرفتن به انسان و عملکرد در سطح خواهد بود بسیار گران تر از پیش بینی,” او می گوید. “آهسته تر اتوماسیون ممکن است صدای خوب از یک شغل دیدگاه” او می گوید: اما آن را نیز آهسته دستاوردهای بهره وری است که کلید برای بالا بردن استانداردهای زندگی.

در مطالعه خود تامپسون و نویسندگان نگاه بیش از 1000 هوش مصنوعی مقالات پژوهشی ترسیم الگوریتم های جدید. نه همه مقالات دقیق محاسباتی مورد نیاز, اما به اندازه کافی را به نقشه از هزینه های پیشرفت است. تاریخ پیشنهاد کرد که پیشرفت بیشتر در همان راه تمام خواهد شد-اما غیر ممکن است.

بهبود عملکرد یک انگلیسی به فرانسوی, ماشین-الگوریتم ترجمه به طوری که آن را فقط باعث می شود اشتباهات 10 درصد از زمان به جای استفاده از نرخ فعلی 50 درصد برای مثال نیاز فوق العاده ای در افزایش قدرت محاسباتی—یک میلیارد میلیارد برابر—اگر آن را به تکیه بیشتر محاسبات قدرت به تنهایی. کاغذ خواهد شد ارسال شده به arXiv یک preprint سرور در چند روز آینده. آن را هنوز به توان کارشناسی و یا منتشر شده در یک مجله.

“ما در حال حاضر آمار این دیوار می گوید:” تامپسون. در برخی از مذاکرات اخیر و مقالات او می گوید: محققان در حال کار بر روی به خصوص بزرگ و لبه برش هوش مصنوعی پروژه ها شروع به شکایت که آنها می توانند آزمون بیش از یک الگوریتم طراحی و یا تکرار یک آزمایش به دلیل هزینه بالا است.

برای مطمئن شود, این ایده که AI در حال نزدیک شدن است برخی از محدودیت می تواند ناراحت تراشه های قدرتمند تر و کارآمد تر نرم افزار. پیشرفت های ناشی از کوچک سازی تراشه اجزای ادامه با وجود چالش های اتمی در مقیاس تولید. در ضمن تخصصی جدید AI تراشه می تواند اجرا شود یادگیری عمیق محاسبات موثر تر است.

اما تامپسون می گوید: سخت افزار بهبود بعید است که برای جبران این افزایش قابل توجه در محاسبه مورد نیاز برای برش لبه پیشرفت در مناطق مانند خودروهای بدون راننده و در زمان واقعی ترجمه صوتی. “شده اند وجود دارد پیشرفت های قابل توجهی در الگوریتم و البته بسیاری از بهبود در سخت افزار” او می گوید: “اما به رغم وجود دارد که این افزایش در مقدار قدرت محاسباتی.”

این افزایش در محاسبات برای هوش مصنوعی نیز می آید در هزینه های زیست محیطی اگر چه در عمل می توان آن را دشوار است برای اندازه گیری گازهای گلخانه ای تولید شده توسط یک پروژه بدون جزئیات یک پروژه و کارایی رایانه است. یک مطالعه اخیر نشان می دهد که مصرف انرژی در مراکز داده دارای رشد کمی بیش از یک دهه گذشته با توجه به بهبود بهره وری.

ساشا Luccioni یک پژوهشگر فوق دکترا در دانشگاه مونترال مطالعه اثرات زیست محیطی از هوش مصنوعی موافق است که در این زمینه است که با استفاده از کامپیوتر بیشتر قدرت و می گوید: محققان می توانند مراحل را برای کاهش نیاز به حجم انبوهی از محاسبات. او می گوید: این مهم است که انتخاب ابر زیرساخت ها و تراشه های سخت افزاری با دقت در نظر بگیرید یک الگوریتم بهره وری و افشای هر دو محاسبات و تولید گازهای گلخانه ای با درگیر یک پروژه است.

اورن Etzioni, مدیر عامل شرکت آلن موسسه هوش مصنوعی است که قبلا به نام کمتر برای محیط زیست مضر اشکال AI. “محاسبه قدرت یک عنصر مهم در موفقیت های اخیر از AI,” او می گوید. “اما ما به طور مداوم فشار پاکت در افزایش بهره وری,” او می گوید.

در نهایت تامپسون امیدوار است که بهبود یادگیری عمیق روش نمی خواهد فقط مصرف کمتر قدرت محاسباتی. “پیدا کردن این تکنیک های جدید را آسان نخواهد بود,” او می گوید: “اما اگر ما پیدا کردن بعضی از به طور گسترده قابل اجرا آنهایی که آن را احتمالا تولید موج دیگری از برنامه های کاربردی است.”


بزرگ تر سیمی داستان
  • چگونه ماسک های رفت و از همین حالا-پوشیدن به باید
  • پوکر و روانشناسی از عدم قطعیت
  • زیرساخت های مسابقه تسلیحاتی است که سوخت رسانی آینده از بازی
  • چگونه برای به دست آوردن صفری ویژگی های حفظ حریم خصوصی در کروم و فایرفاکس
  • همه چیز شما نیاز به کار از خانه مانند یک حرفه ای
  • 👁 درمانگر است—و آن را یک chatbot برنامه. به علاوه: دریافت آخرین اخبار AI
  • 🏃🏽♀️ می خواهید بهترین ابزار برای دریافت سالم است ؟ ما را بررسی کنید دنده تیم میدارد برای تناسب اندام بهترین انتقالها دنده در حال اجرا (از جمله کفش و جوراب) و بهترین هدفون

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de

نرم افزار گرامرلی

ایندکسر