4张图揭示AI发展为什么不会放缓
发表评论
377 views

  1. SOTA模型基准测试 vs 人类的表现

  • 手写识别（MNIST）、语音识别（Switchboard）、图像识别（ImageNet）、阅读理解（SQuAD 1.1 & SQuAD 2.0）、语言理解（GLUE）、常识完成（HellaSwag）、小学数学（GSK8k）、代码生成（HumanEval）
  1. 训练AI模型的算力需求趋势

  • 2010年以前，用于AI训练的算力每 20 个月翻一倍；2010年以后，算力每 6 个月翻一倍
  • 摩尔定律（集成电路中的晶体管数量大约每两年翻一番）意味着算力的价格一直在稳步下降
  • 据OpenAI CEO Sam Altman透露，GPT-4的训练成本超过了1亿美元
  1. 训练AI模型的数据量需求趋势

  • 训练数据大小是指用于训练AI模型的数据量，表示可供模型学习的示例数
  • 由Meta在2023年发布的大语言模型LLaMA，则使用了约10亿个数据点进行训练
  1. 在图像识别测试中达到 80.9% 的准确度所需的计算量和数据点数

  • 2021年训练的模型所需的计算量比2012年训练的模型少~16,500倍

未来趋势：

  • 训练AI模型所需的计算量在未来一段时间内会保持目前的加速度增长
  • 目前训练AI模型所需的数据量增长，已经超过了互联网上新文本数据的生产速度；预估到2026年，AI开发人员将耗尽高质量的语言数据；数据不足目前并没有成为AI发展的瓶颈
  • 过去超过四分之三的算法进步，都是被用来弥补计算的不足（追求更高效地利用算力）；未来，随着数据成为AI训练发展的瓶颈，可能会有更多的算法改进，被用来弥补数据上的不足
  • 考虑到资金的大量投入、算力的增长、算力成本的进一步降低、剩余的高质量数据、持续的算法改进；未来几年，AI发展将继续保持高速的增长

参考

TIME - 4 Charts That Show Why AI Progress Is Unlikely to Slow Down

往年同期文章