Περιεχόμενα Άρθρου
- Οι μηχανικοί αποκαλύπτουν εναλλακτική λύση στον πολλαπλασιασμό κινητής υποδιαστολής
- Νέα μέθοδος θα μπορούσε να μειώσει την κατανάλωση ενέργειας AI έως και 95%
- Αλλά η νέα μέθοδος υπολογισμού θα χρειαζόταν επίσης εναλλακτικό υλικό σε σχέση με τις υπάρχουσες GPU
Καθώς οι τεχνολογίες τεχνητής νοημοσύνης (AI) εξελίσσονται, η ζήτηση για υπολογιστική ισχύ – και κατά συνέπεια, ηλεκτρική ενέργεια – έχει αυξηθεί, όπως και οι ανησυχίες για την κατανάλωση ενέργειας.
Τώρα, οι μηχανικοί της BitEnergy AI προσφέρουν μια πιθανή λύση – μια νέα μέθοδο υπολογισμού που θα μπορούσε να μειώσει τις ενεργειακές ανάγκες των εφαρμογών τεχνητής νοημοσύνης έως και 95%.
Ο γραμμικός πολλαπλασιασμός πολυπλοκότητας θα μπορούσε προφανώς να μειώσει τις ενεργειακές ανάγκες των εφαρμογών τεχνητής νοημοσύνης κατά 95% αλλάζοντας τον τρόπο με τον οποίο εκτελούνται οι υπολογισμοί τεχνητής νοημοσύνης, απομακρύνοντας την παραδοσιακή χρήση του πολλαπλασιασμού κινητής υποδιαστολής (FPM) υπέρ της πρόσθεσης ακεραίων.
Από τον πολλαπλασιασμό κινητής υποδιαστολής στον πολλαπλασιασμό γραμμικής πολυπλοκότητας
Το FPM χρησιμοποιείται συνήθως σε υπολογισμούς τεχνητής νοημοσύνης επειδή επιτρέπει στα συστήματα να χειρίζονται πολύ μεγάλους ή μικρούς αριθμούς με υψηλή ακρίβεια – ωστόσο, είναι επίσης μια από τις πιο ενεργοβόρες λειτουργίες στην επεξεργασία AI. Η ακρίβεια που προσφέρει το FPM είναι απαραίτητη για πολλές εφαρμογές τεχνητής νοημοσύνης, ιδιαίτερα σε τομείς όπως η βαθιά εκμάθηση, όπου τα μοντέλα απαιτούν λεπτομερείς υπολογισμούς.
Οι ερευνητές ισχυρίζονται, παρά τη μείωση της κατανάλωσης ενέργειας, δεν υπάρχει καμία επίδραση στην απόδοση των εφαρμογών τεχνητής νοημοσύνης. Ωστόσο, ενώ η μέθοδος γραμμικού πολλαπλασιασμού πολυπλοκότητας δείχνει πολλά υποσχόμενη, η υιοθέτησή της αντιμετωπίζει ορισμένες προκλήσεις.
Ένα σημαντικό μειονέκτημα είναι ότι η νέα τεχνική απαιτεί διαφορετικό υλικό από αυτό που χρησιμοποιείται σήμερα. Οι περισσότερες εφαρμογές τεχνητής νοημοσύνης τρέχουν σήμερα σε υλικό βελτιστοποιημένο για υπολογισμούς κινητής υποδιαστολής, όπως GPU που κατασκευάζονται από εταιρείες όπως η Nvidia. Η νέα μέθοδος θα απαιτούσε επανασχεδιασμένο υλικό για να λειτουργεί αποτελεσματικά.
Η ομάδα σημειώνει ότι το υλικό που απαιτείται για τη μέθοδό της έχει ήδη σχεδιαστεί, κατασκευαστεί και δοκιμαστεί. Ωστόσο, αυτό το νέο υλικό θα πρέπει να λάβει άδεια χρήσης και δεν υπάρχει καμία ένδειξη για το πώς αυτό το υλικό θα διατεθεί στην ευρύτερη αγορά.
Οι εκτιμήσεις δείχνουν ότι μόνο το ChatGPT καταναλώνει επί του παρόντος περίπου 564 MWh ηλεκτρικής ενέργειας καθημερινά, αρκετή για να τροφοδοτήσει 18.000 νοικοκυριά στις ΗΠΑ. Ορισμένοι επικριτές προβλέπουν ότι σε λίγα μόλις χρόνια, οι εφαρμογές τεχνητής νοημοσύνης θα μπορούσαν να καταναλώνουν περίπου 100 TWh ηλεκτρικής ενέργειας ετησίως, τοποθετώντας τες στο ίδιο επίπεδο με τη βιομηχανία εξόρυξης Bitcoin που διψά για ενέργεια.
Μέσω TechXplor
Μπορεί επίσης να σας αρέσει
