新的 AI 训练方法将能耗降低了 100 倍

快速阅读: 据《Knowridge 科学报告》最新报道，慕尼黑工业大学的研究人员开发了一种新的人工智能训练方法，比现有技术快100倍，能显著降低能源消耗并保持高精度。该方法基于概率学习，在关键数据点选择重要值，适用于动态系统。此突破有望使人工智能训练更快速、节能，有助于减少环境影响。研究成果已在神经信息处理系统会议上展示。

位于莱布尼茨超级计算中心的超级MUC-NG是全球第八快的计算机。图片来源：维尔诺卡·霍恩埃格尔，莱布尼茨超级计算中心。人工智能（人工智能）已成为我们日常生活中的关键部分，涵盖了从聊天机器人到图像识别的广泛应用。然而，训练人工智能模型需要巨大的能源，这些能源主要由数据中心提供。仅在德国，2020年数据中心就消耗了约160亿千瓦时（千瓦时）的电力，占全国总能耗的1%。预计到2025年，随着人工智能模型变得更加复杂，这一数字将上升至220亿千瓦时。

为了应对日益增长的能源需求，慕尼黑工业大学的研究人员开发了一种新的人工智能训练方法，其速度比现有技术快100倍。这一突破能够显著降低人工智能模型训练所需的能源消耗，同时保持高精度。研究团队于2024年12月10日至15日在温哥华举行的神经信息处理系统会议（神经信息处理系统会议）上展示了他们的研究成果。

人工智能模型如同人脑，由相互连接的节点组成，这些节点被称为人工神经元。这些神经元通过给输入信号分配不同的权重并传递通过网络来处理数据。训练人工智能模型需要多次迭代调整这些权重，这需要大量的计算资源和电力。传统上，人工智能训练从随机值开始，这些值会逐步优化以提高准确率。然而，这个过程缓慢且耗能巨大。

慕尼黑工业大学的费利克斯·迪特里希教授和他的团队创造了一种新的训练方法，这种方法基于概率学习而不是重复调整。他们不是在多轮中调整所有参数，而是在数据的关键点选择重要值——即发生显著变化的地方。这种方法对于动态系统特别有用，如气候模型或金融市场预测，其中数据随时间变化。

“我们的方法以最小的计算能力确定必要的参数，”迪特里希说。“这使得人工智能训练更为快速且节能。同时，我们发现我们的方法的准确性与传统训练方法一样好。”

这种新的训练方法可能在减少人工智能对环境的影响方面发挥重要作用。随着人工智能不断发展和扩展，使训练更加节能将是至关重要的。凭借这一突破，未来的人工智能可能既高效又环保。

(以上内容均由Ai生成)