artificial intelligence और computing power
2012 के बाद से, सबसे बड़ी AI प्रणालियों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले computing power में 300,000-गुना से अधिक की वृद्धि हुई है, जो हर 3.4 महीनों में दोगुनी हो जाती है - मूर के कानून की दो साल की दोगुना अवधि से बहुत आगे। क्योंकि अधिक कंप्यूटिंग ने लगातार और अधिक सक्षम AI, का उत्पादन किया है, यह घातीय प्रवृत्ति बताती है कि आज के प्रदर्शन स्तरों को तेजी से पार कर सकता है, जिसमें डेवलपर्स, व्यवसायों, शोधकर्ताओं और नीति निर्माताओं के लिए भविष्य की योजना बनाने के प्रमुख निहितार्थ हैं।
यदि आप AI के विकास का अनुसरण करते हैं और आश्चर्यचकित होते हैं कि प्रगति क्यों तेज हो रही है, तो एक नया विश्लेषण एक हड़ताली उत्तर प्रदान करता हैः सबसे बड़ी AI प्रणालियों को प्रशिक्षित करने के लिए समर्पित computing power ऐसी गति से बढ़ रहा है जो मूर के कानून को भी बौना कर देता है। यह उन सभी के लिए महत्वपूर्ण है जो अनुमान लगाने की कोशिश कर रहे हैं कि machine learning कहाँ जा रहा है, डेवलपर्स परियोजनाओं की योजना बनाने से लेकर व्यवसायों तक अपनाने की समयसीमा पर विचार करना।
मुख्य निष्कर्ष
विश्लेषण सबसे बड़े AI प्रशिक्षण रन में इस्तेमाल किए गए कंप्यूटिंग की कुल राशि को ट्रैक करता है जो 2012 तक वापस जा रहा है। यह JUST 3.4 महीनों के दोगुने समय के साथ घातीय वृद्धि का पता लगाता है। संदर्भ के लिए, मूर का कानून chip प्रसिद्ध अवलोकन कि चिप घनत्व और विस्तार से कम्प्यूटिंग क्षमता हर दो साल में लगभग दोगुना हो गई तुलनात्मक रूप से लगभग आरामदायक दिखती है।
2012 के बाद की अवधि में, यह वृद्धि कुछ उल्लेखनीय है: सबसे बड़ा प्रशिक्षण रन के पीछे कंप्यूटिंग अधिक से अधिक विस्तारित किया गया है 300,000 बार. अगर प्रगति बस उसी खिंचाव पर मूर के कानून का पालन किया था, हम लगभग 7x एक लाभ की उम्मीद करेंगे. उन दो नंबरों के बीच अंतर आपको बताता है कि कैसे असामान्य वर्तमान युग AI विकास वास्तव में है.
क्यों गणना मामलों इतना
यह एक कदम पीछे हटने और पूछने के लायक है कि कच्चे computing power AI के लिए इतना बड़ा सौदा क्यों है। पिछले दशक में, क्षमताओं में कुछ सबसे महत्वपूर्ण छलांग बेहतर भाषा की समझ, तेज छवि मान्यता, अधिक सक्षम गेम-प्ले सिस्टम पूरी तरह से नए सिद्धांतों से नहीं बल्कि मौजूदा तरीकों को बढ़ाने से आए हैं। बड़े मॉडल, अधिक डेटा खिलाया गया, अधिक प्रसंस्करण शक्ति के साथ प्रशिक्षित, बस बेहतर काम करने के लिए करते हैं।
जब प्रशिक्षण में डाले गए संसाधन इतनी तेजी से बढ़ते हैं, तो परिणामी प्रणालियों की क्षमताएं उनके साथ चढ़ने लगती हैं।
यदि प्रवृत्ति जारी रही तो क्या होगा
विश्लेषण का दावा नहीं है कि यह गति हमेशा के लिए चलेगी expon प्रौद्योगिकी में घातीय रुझान शायद ही कभी करते हैं, क्योंकि वे अंततः भौतिक, आर्थिक या व्यावहारिक सीमाओं पर चलते हैं। लेकिन मुख्य टेकआउट एक नियोजन हैः जब तक यह प्रवृत्ति बनी रहती है, हमें AI प्रणालियों की उम्मीद करनी चाहिए जो आज के मॉडल क्या कर सकते हैं उससे कहीं अधिक प्रदर्शन स्तर तक पहुंचें, और संभवतः अधिकांश लोगों की अपेक्षा बहुत कम समयरेखा पर।
इसके प्रभावों के बारे में अब सोचने लायक है न कि बाद में. सिस्टम जो आज अनुसंधान जिज्ञासाओं की तरह लगते हैं वे आश्चर्यजनक रूप से जल्दी व्यावहारिक उपकरण बन सकते हैं। संगठन, शोधकर्ता और नीति निर्माता सभी को यह समझने में दिलचस्पी है कि जब क्षमता छत इतनी तेजी से बढ़ती रहती है तो इसका क्या मतलब होता है।
निचली रेखा
अत्याधुनिक AI में निवेश की गई कंप्यूटिंग 2012 के बाद से 300,000 गुना बढ़ी है, हर 3.4 महीनों में दोगुनी हो रही है doub डबलिंग अवधि के मामले में मूर के कानून की तुलना में लगभग सात गुना तेज गति। क्योंकि अधिक कम्प्यूटिंग लगातार बेहतर AI में अनुवादित हुई है, यह प्रवृत्ति हमारे पास सबसे स्पष्ट संकेतों में से एक है कि क्षेत्र कहां जा रहा है। बहुत अधिक सक्षम प्रणालियों की तैयारी अटकलें नहीं हैं; यह मापने योग्य, चल रहे बदलाव के लिए एक उचित प्रतिक्रिया है।
नोटः मूल विश्लेषण में एक आंकड़ा बाद में सही किया गया था; 3.4 महीने का दोगुना समय सुधारित डेटा को दर्शाता है।
Comments (0)