虽然人工智能可以加速芯片,它并不总是显而易见的位置和多长时间。
AI /毫升爬到如今的一切。有人工智能芯片,芯片,包括人工智能的元素,特别是对于推论。最大的问题是他们将如何影响性能和权力,答案并不明显。
人工智能的主要有两个阶段,培训和推论。几乎所有的培训都是在云中使用非常大的数据集。事实上,数据集越大越好,如果是相关的数据。人工智能训练有限或没有价值较小的数据集,因为它不能画关系和跨数据识别模式。
推论完全是另一回事。一旦训练数据,该算法可以减少一些,在更小的设备工作。但答案可以是正确的而不是精确的,还有一个常数平衡更快地得到足够好的结果,这就是为什么有这么多的操纵和更新算法。训练算法的微小的变化可以产生显著变化推断什么和如何迅速,所以任何修改可以产生非常不同的结果。
计算机科学家很擅长这种算法修改在过去的几年里,但这项技术仍然有一些很大的未知数。精度仍然是很多猜测,它已经很多年了。这不是一个新的挑战。十年前,加州大学伯克利分校的实验室开发了一个群面前设备模仿人脑,低精度的很多设备产生足够准确的结论比使用精确计算快得多。
这适用于推理,特别是在高安全性的应用程序时,仍有待观察。但精度仍然是一个关键的一部分,这个方程,和更少的精密跨多个计算元素使用稀疏的算法可以大大加快结果与少得多的能量。缺点是很难告诉发生了什么今天算法一旦部署在这些系统中,和几乎不可能解决一旦出错。在大多数情况下,这些是黑色盒子。
最重要的是,定期更新。软件补丁减缓设备随着时间的推移,需要更多的能量来实现相同的结果。这里需要的是一种清洁无论换成了一个补丁,这是困难的,因为这些算法适应各种用例。AI /毫升技术面临的一大挑战是确定他们是否适应正确的用例和优化行为,而行为是不可以接受的。到目前为止,很少有明确的答案在这个问题上,尽管它表面定期关注会议的主题。
最后,AI /毫升是系统的一部分,而不仅仅是芯片。这些芯片工作与这些系统的其余部分,这意味着,而不是优化芯片,整个系统需要优化无论来推断是至关重要的。这里强调的是真正需要的,因为把AI系统不了解不能提高性能的影响。事实上,它可以有相反的结果。
人工智能具有巨大的潜力。它可以优先考虑操作在一个复杂的系统,它可以帮助识别瓶颈并找出方法。但它也可以产生不希望的结果与意想不到的后果。所有这一切需要考虑在建筑或概念层面,就像系统力量,需要模拟和测试角情况下使用技术,如数字双胞胎和其他技术相关。这一点尤其重要,因为在这一点上很少有工具,没有明显正确的答案,很多潜在的交互可能不会出现几个月或几年。
|
|
|
|
|
|
|
|
|
|
留下一个回复