Tehisintellekti arvutuslik efektiivsus on nagu kahe teraga mõõk. Ühelt poolt peab see õppima üsna kiiresti, kuid mida rohkem närvivõrk "kiireneb", seda rohkem see energiat kulutab. See tähendab, et see võib muutuda lihtsalt kahjumlikuks. Siiski võib olukorrast väljapääsu anda IBM, kes on demonstreerinud uusi intelligentsuse õpetamise meetodeid, mis võimaldavad tal mitu korda kiiremini õppida sama ressursi- ja energiakuluga.
Nende tulemuste saavutamiseks pidi IBM loobuma arvutusmeetoditest, mis kasutavad 32-bitiseid ja 16-bitiseid tehnikaid, arendades 8-bitist tehnikat, aga ka uut kiipi, millega sellega töötada.
Kõiki IBM-i arendusi esitleti NeurIPS 2018-l Montrealis. Ettevõtte insenerid rääkisid kahest arengust. Esimest nimetatakse "närvivõrkude sügavaks masinõppimiseks, kasutades 8-bitiseid ujukoma numbreid". Selles kirjeldatakse, kuidas neil õnnestus rakenduste aritmeetilist täpsust vähendada 32-bitiselt 16-bitisele ja salvestada see 8-bitisele mudelile. Eksperdid väidavad, et nende tehnika kiirendab sügavate närvivõrkude väljaõppe aega 2–4 korda võrreldes 16-bitiste süsteemidega. Teine areng on "mälu 8-bitine korrutamine projekteeritud faasisiirdemäluga". Siin tutvustavad eksperdid meetodit, mis kompenseerib analoog-AI-kiipide vähese täpsuse, võimaldades neil tarbida 33 korda vähem energiat kui võrreldavad digitaalsed AI-süsteemid.
Vladimir Kuznetsov