Kecekapan komputasi kecerdasan buatan adalah seperti pedang bermata dua. Di satu pihak, ia mesti belajar dengan cepat, tetapi semakin banyak rangkaian saraf "mempercepat", semakin banyak penggunaan tenaga. Ini bermaksud bahawa ia boleh menjadi tidak menguntungkan. Walau bagaimanapun, jalan keluar dari situasi dapat diberikan oleh IBM, yang telah menunjukkan kaedah baru untuk mengajar AI, yang akan memungkinkannya belajar beberapa kali lebih cepat dengan tahap sumber dan kos tenaga yang sama.
Untuk mencapai hasil ini, IBM harus meninggalkan kaedah komputasi menggunakan teknik 32-bit dan 16-bit, mengembangkan teknik 8-bit, serta cip baru untuk bekerja dengannya.
Semua perkembangan IBM dibentangkan di NeurIPS 2018 di Montreal. Jurutera syarikat membincangkan dua perkembangan. Yang pertama disebut "pembelajaran mesin dalam rangkaian saraf menggunakan nombor titik terapung 8-bit." Di dalamnya, mereka menerangkan bagaimana mereka berjaya mengurangkan ketepatan aritmetik untuk aplikasi dari 32-bit hingga 16-bit sedemikian rupa dan menyimpannya pada model 8-bit. Pakar mendakwa teknik mereka mempercepat masa latihan rangkaian neural dalam sebanyak 2-4 kali berbanding sistem 16-bit. Perkembangan kedua adalah "pendaraban 8-bit dalam memori dengan memori peralihan fasa yang diproyeksikan." Di sini, para pakar melancarkan kaedah yang mengimbangi kesetiaan rendah cip AI analog dengan membenarkan mereka menggunakan tenaga 33 kali lebih sedikit daripada sistem AI digital yang setanding.
Vladimir Kuznetsov