Вычислительная мощность ИИ увеличилась в 680 миллионов раз за 70 лет, и три исторических этапа стали свидетелями экспоненциального взрыва технологий ИИ.
Картина показывает, что вычислительная мощность ИИ выросла в 670 миллионов раз за более чем 70 лет. В будущем ИИ превзойдет человека во всех аспектах своих возможностей. Что действительно интересно, так это то, что индустрия ИИ только что вступила в зачаточное состояние. стадия до вспышки.
Электронные компьютеры появились в 1940-х годах, и через 10 лет после появления компьютеров появилось первое в истории человечества применение искусственного интеллекта.
Более 70 лет спустя модели ИИ теперь могут не только писать стихи, но и генерировать изображения на основе текстовых подсказок и даже помогать людям открывать неизвестные белковые структуры.
Итак, что же привело к экспоненциальному росту технологий искусственного интеллекта за такой короткий период времени?
Длинная диаграмма из «Нашего мира в данных» прослеживает историю развития ИИ через изменения в вычислительной мощности, используемой для обучения моделей ИИ в масштабе.
Большое изображение высокой четкости:
Источник данных на рисунке взят из статьи, опубликованной исследователями из Массачусетского технологического института и других университетов.
Бумажный адрес:
Помимо статьи, существует также исследовательская группа, которая на основе данных этой статьи составила наглядную таблицу.Значки можно увеличивать и уменьшать для получения подробных данных.
Адрес формы:
Автор диаграммы в основном оценивает объем вычислений для обучения каждой модели путем расчета количества операций и времени графического процессора. Что касается того, какую модель выбрать в качестве представителя важной модели, автор в основном определяет через три свойства:
Значительная важность: система имеет значительное историческое влияние, значительно улучшает SOTA или цитируется более 1000 раз.
Актуальность: автор включает только статьи, содержащие экспериментальные результаты и ключевые компоненты машинного обучения, а цель статьи — способствовать развитию существующей SOTA.
Уникальность: если другая статья, описывающая ту же систему, окажется более влиятельной, эта статья будет исключена из набора данных автора.
Три эпохи развития ИИ
В 1950-х годах американский математик Клод Шеннон научил роботизированную мышь по имени Тесей перемещаться по лабиринту и запоминать пути — это был первый пример искусственного обучения.
Тесей построен на 40 операциях с плавающей запятой (FLOP). Число FLOP обычно используется как мера производительности компьютерного оборудования. Чем больше количество FLOP, тем больше вычислительная мощность и мощнее система.
Вычислительная мощность, доступные обучающие данные и алгоритмы — три основных элемента прогресса ИИ. В первые десятилетия развития ИИ требуемая вычислительная мощность росла в соответствии с законом Мура: вычислительная мощность удвоилась примерно за 20 месяцев.
Однако к тому времени, когда 2012 год ознаменовал начало эры глубокого обучения с AlexNet, ИИ, распознающим изображения, это время удвоения значительно сократилось до шести месяцев, поскольку исследователи стали больше инвестировать в компьютеры и процессоры.
С появлением в 2015 году AlphaGo — компьютерной программы, которая победила профессиональных игроков в го — исследователи открыли третью эпоху: эпоху крупномасштабных моделей ИИ с более высокими вычислительными требованиями, чем все предыдущие системы ИИ.
Будущий прогресс технологий искусственного интеллекта
Оглядываясь назад, за последнее десятилетие можно сказать, что вычислительная мощность выросла настолько быстро, что это почти ошеломляет.
Например, вычислительная мощность, использованная для обучения Minerva, ИИ, способного решать сложные математические задачи, почти в 6 миллионов раз превышала мощность, использованную для обучения AlexNet десять лет назад.
Этот рост вычислительной техники в сочетании с огромным количеством доступных наборов данных и более совершенными алгоритмами позволил ИИ добиться большого прогресса за чрезвычайно короткий период времени. Сегодня ИИ может не только достичь человеческого уровня, но даже превзойти человека во многих областях.
Возможности ИИ будут и дальше превосходить людей во всех аспектах
Как видно из диаграммы выше, ИИ уже превзошел человека во многих областях и вскоре превзойдет его и в других.
На рисунке ниже показано, в каком году ИИ достиг или превзошел человеческий уровень по общим возможностям, используемым в повседневной работе и жизни.
### Потенциал развития технологий искусственного интеллекта достаточный
Трудно сказать, сохранится ли рост вычислительной техники такими же темпами. Для обучения крупномасштабных моделей требуется все больше и больше вычислительной мощности.
Аналогичным образом, использование всех доступных в настоящее время данных для обучения моделей ИИ может также затруднить разработку и внедрение новых моделей.
Однако в 2023 году большой объем капитала хлынет в индустрию ИИ, особенно в генеративный ИИ, представленный большими языковыми моделями. Вероятно, вскоре появятся новые прорывы.
В первой половине 2023 года масштаб финансирования стартапов в сфере ИИ достиг $14 млрд, что даже больше, чем общий объем финансирования, полученного за последние четыре года.
Большое количество (78%) стартапов в области генеративного ИИ все еще находится на самых ранних стадиях развития, и даже 27% стартапов в области генеративного ИИ еще не привлекли средства.
Существует более 360 компаний, занимающихся генеративным искусственным интеллектом, 27% из которых еще не привлекли средства. Более половины проектов находятся на ранней или более ранней стадии, что указывает на то, что вся индустрия генеративного ИИ все еще находится на очень ранней стадии.
Из-за капиталоемкости разработки крупных языковых моделей категория инфраструктуры генеративного ИИ получила более 70% финансирования с третьего квартала 2022 года, что составляет лишь 10% от всего объема транзакций генеративного ИИ. Большая часть финансирования поступает за счет интереса инвесторов к развивающейся инфраструктуре, такой как базовые модели и API, MLOps (операции машинного обучения) и технологии векторных баз данных.
Использованная литература:
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Вычислительная мощность ИИ увеличилась в 680 миллионов раз за 70 лет, и три исторических этапа стали свидетелями экспоненциального взрыва технологий ИИ.
**Источник:**Синьчжиюань
Электронные компьютеры появились в 1940-х годах, и через 10 лет после появления компьютеров появилось первое в истории человечества применение искусственного интеллекта.
Более 70 лет спустя модели ИИ теперь могут не только писать стихи, но и генерировать изображения на основе текстовых подсказок и даже помогать людям открывать неизвестные белковые структуры.
Итак, что же привело к экспоненциальному росту технологий искусственного интеллекта за такой короткий период времени?
Длинная диаграмма из «Нашего мира в данных» прослеживает историю развития ИИ через изменения в вычислительной мощности, используемой для обучения моделей ИИ в масштабе.
Источник данных на рисунке взят из статьи, опубликованной исследователями из Массачусетского технологического института и других университетов.
Помимо статьи, существует также исследовательская группа, которая на основе данных этой статьи составила наглядную таблицу.Значки можно увеличивать и уменьшать для получения подробных данных.
Автор диаграммы в основном оценивает объем вычислений для обучения каждой модели путем расчета количества операций и времени графического процессора. Что касается того, какую модель выбрать в качестве представителя важной модели, автор в основном определяет через три свойства:
Значительная важность: система имеет значительное историческое влияние, значительно улучшает SOTA или цитируется более 1000 раз.
Актуальность: автор включает только статьи, содержащие экспериментальные результаты и ключевые компоненты машинного обучения, а цель статьи — способствовать развитию существующей SOTA.
Уникальность: если другая статья, описывающая ту же систему, окажется более влиятельной, эта статья будет исключена из набора данных автора.
Три эпохи развития ИИ
В 1950-х годах американский математик Клод Шеннон научил роботизированную мышь по имени Тесей перемещаться по лабиринту и запоминать пути — это был первый пример искусственного обучения.
Тесей построен на 40 операциях с плавающей запятой (FLOP). Число FLOP обычно используется как мера производительности компьютерного оборудования. Чем больше количество FLOP, тем больше вычислительная мощность и мощнее система.
Вычислительная мощность, доступные обучающие данные и алгоритмы — три основных элемента прогресса ИИ. В первые десятилетия развития ИИ требуемая вычислительная мощность росла в соответствии с законом Мура: вычислительная мощность удвоилась примерно за 20 месяцев.
С появлением в 2015 году AlphaGo — компьютерной программы, которая победила профессиональных игроков в го — исследователи открыли третью эпоху: эпоху крупномасштабных моделей ИИ с более высокими вычислительными требованиями, чем все предыдущие системы ИИ.
Будущий прогресс технологий искусственного интеллекта
Оглядываясь назад, за последнее десятилетие можно сказать, что вычислительная мощность выросла настолько быстро, что это почти ошеломляет.
Например, вычислительная мощность, использованная для обучения Minerva, ИИ, способного решать сложные математические задачи, почти в 6 миллионов раз превышала мощность, использованную для обучения AlexNet десять лет назад.
Возможности ИИ будут и дальше превосходить людей во всех аспектах
На рисунке ниже показано, в каком году ИИ достиг или превзошел человеческий уровень по общим возможностям, используемым в повседневной работе и жизни.
Трудно сказать, сохранится ли рост вычислительной техники такими же темпами. Для обучения крупномасштабных моделей требуется все больше и больше вычислительной мощности.
Аналогичным образом, использование всех доступных в настоящее время данных для обучения моделей ИИ может также затруднить разработку и внедрение новых моделей.
Однако в 2023 году большой объем капитала хлынет в индустрию ИИ, особенно в генеративный ИИ, представленный большими языковыми моделями. Вероятно, вскоре появятся новые прорывы.
В первой половине 2023 года масштаб финансирования стартапов в сфере ИИ достиг $14 млрд, что даже больше, чем общий объем финансирования, полученного за последние четыре года.
Использованная литература: