Efisiensi komputasi kecerdasan buatan seperti pedang bermata dua. Di satu sisi, ia harus belajar dengan agak cepat, tetapi semakin banyak jaringan saraf "berakselerasi", semakin banyak energi yang dikonsumsi. Ini berarti bahwa itu bisa menjadi tidak menguntungkan. Namun, jalan keluar dari situasi tersebut dapat diberikan oleh IBM, yang telah mendemonstrasikan metode baru dalam mengajar AI yang akan memungkinkannya untuk belajar beberapa kali lebih cepat dengan tingkat sumber daya dan biaya energi yang sama.
Untuk mencapai hasil ini, IBM harus meninggalkan metode komputasi yang menggunakan teknik 32 dan 16-bit, mengembangkan teknik 8-bit, serta chip baru untuk bekerja dengannya.
Semua perkembangan IBM dipresentasikan di NeurIPS 2018 di Montreal. Insinyur perusahaan berbicara tentang dua perkembangan. Yang pertama disebut "pembelajaran mesin mendalam dari jaringan neural menggunakan angka floating point 8-bit". Di dalamnya, mereka menjelaskan bagaimana mereka berhasil mengurangi presisi aritmatika untuk aplikasi dari 32-bit menjadi 16-bit sedemikian rupa dan menyimpannya pada model 8-bit. Para ahli mengklaim teknik mereka mempercepat waktu pelatihan jaringan neural dalam 2-4 kali dibandingkan dengan sistem 16-bit. Perkembangan kedua adalah "perkalian 8-bit dalam memori dengan memori transisi fase yang diproyeksikan." Di sini, para ahli mengungkap metode yang mengkompensasi rendahnya fidelitas chip AI analog dengan memungkinkan mereka mengonsumsi daya 33 kali lebih sedikit daripada sistem AI digital yang sebanding.
Vladimir Kuznetsov