OpenAI در گزارشی تازه نشان داده است که کارایی آموزش مدل‌های هوش مصنوعی با سرعتی چشمگیر در حال افزایش است. این تحلیل که بر پایه داده‌های طبقه‌بندی ImageNet انجام شده، نشان می‌دهد که برای رسیدن به عملکرد مشابه، به میزان محاسبات بسیار کمتری نسبت به گذشته نیاز داریم.
تحلیل جدید OpenAI درباره کارایی هوش مصنوعی
بر اساس این گزارش، از سال ۲۰۱۲ به بعد، میزان محاسبات مورد نیاز برای آموزش یک شبکه عصبی تا رسیدن به همان سطح عملکرد در ImageNet، هر ۱۶ ماه حدود نصف شده است. به بیانی دیگر، اکنون برای آموزش شبکه‌ای در سطح الکس‌نت (AlexNet) تنها به ۴۴ برابر محاسبات کمتری نسبت به سال ۲۰۱۲ نیاز است.
الگوریتم‌ها در برابر سخت‌افزار؛ چه چیزی مؤثرتر است؟
نکته قابل توجه این است که این بهبود عمدتاً از پیشرفت الگوریتم‌ها ناشی می‌شود، نه صرفاً ارتقاء سخت‌افزار. در حالی که قانون مور می‌توانست در این بازه زمانی بهبودی حدود ۱۱ برابری در هزینه محاسبات ایجاد کند، پیشرفت الگوریتمی کاهش ۴۴ برابری را ممکن ساخته است.
- کاهش ۴۴ برابری نیاز محاسباتی نسبت به سال ۲۰۱۲
- نصف شدن نیاز محاسباتی هر ۱۶ ماه
- سهم بیشتر الگوریتم‌ها نسبت به سخت‌افزار در پیشرفت
پیامدها برای آینده هوش مصنوعی
این یافته‌ها نشان می‌دهد که سرمایه‌گذاری در طراحی الگوریتم‌های کارآمدتر، می‌تواند اثر بسیار بیشتری نسبت به صرف افزایش توان محاسباتی داشته باشد. به این ترتیب، انتظار می‌رود که توسعه هوش مصنوعی حتی با منابع محدودتر نیز با سرعت چشمگیری ادامه یابد.
پرسش‌های پرتکرار
طبق گزارش OpenAI، سرعت بهبود کارایی الگوریتم‌های هوش مصنوعی چقدر است؟
هر ۱۶ ماه، میزان محاسبات لازم برای رسیدن به عملکرد یکسان در مجموعه داده ImageNet نصف می‌شود.
مقایسه پیشرفت الگوریتمی با قانون مور چگونه است؟
در حالی که قانون مور فقط ۱۱ برابر بهبود هزینه را پیش‌بینی می‌کرد، پیشرفت الگوریتمی کاهش ۴۴ برابری را ممکن کرده است.
