Výpočtová účinnost umělé inteligence je jako dvojsečný meč. Na jedné straně se musí učit poměrně rychle, ale čím více se neuronová síť „zrychluje“, tím více spotřebovává energii. To znamená, že se může stát jednoduše nerentabilním. Cesta ven ze situace však může být poskytnuta společností IBM, která prokázala nové metody výuky umělé inteligence, která jí umožní několikrát rychleji se stejnou úrovní nákladů na zdroje a energii.
K dosažení těchto výsledků musela IBM opustit výpočetní metody využívající 32bitové a 16bitové techniky, vyvinout 8bitovou techniku a také nový čip, který s ní bude pracovat.
Veškerý vývoj IBM byl představen na NeurIPS 2018 v Montrealu. Inženýři společnosti hovořili o dvou událostech. První se nazývá „hluboké strojové učení neuronových sítí pomocí 8bitových čísel s pohyblivou řádovou čárkou“. V něm popisují, jak se jim podařilo takovým způsobem snížit aritmetickou přesnost pro aplikace z 32-bit na 16-bit a uložit ji na 8-bitový model. Odborníci tvrdí, že jejich technika urychluje trénink hlubokých neuronových sítí 2-4krát ve srovnání se 16bitovými systémy. Druhým vývojem je „8bitové násobení v paměti s projektovanou pamětí fázového přechodu“. Zde odborníci odhalili metodu, která kompenzuje nízkou přesnost analogových čipů AI a umožňuje jim spotřebovat 33krát méně energie než srovnatelné digitální systémy AI.
Vladimír Kuzněcov