當前，人工智能正在迅速部署到商業(yè)和金融的各個方面。一些令人興奮的成功給行業(yè)帶來了接受這項新技術(shù)的壓力，因為沒有人愿意被競爭對手遠遠拋在后面。
人工智能背后的核心技術(shù)是神經(jīng)網(wǎng)絡模型、深度學習算法和用于訓練的海量數(shù)據(jù)集。該模型是為特定目的而構(gòu)建的，例如對象識別、語音識別和對象跟蹤。“模型”描述了神經(jīng)網(wǎng)絡的構(gòu)建方式、網(wǎng)絡有多少參數(shù)以及有多少層。
神經(jīng)網(wǎng)絡的總體精度是訓練數(shù)據(jù)集的質(zhì)量和大小、參數(shù)數(shù)量和訓練過程的函數(shù)。這不是一門精確的科學。訓練過多，模型對訓練集的響應良好，但對現(xiàn)實情況的響應卻不佳。這是模型“過度擬合”。訓練太少，模型將無法響應所有已知情況。
沒有一個模型是完美的。總是存在誤差幅度，并且會出現(xiàn)模型沒有參數(shù)的異常情況。在過去10年中，隨著功能和準確性的提高，模型變得更加復雜。
Bard和GPT-4等大型語言模型使用的模型使用數(shù)千億個參數(shù)，需要海量數(shù)據(jù)集進行訓練。即使是最強大的個人計算機也無法處理需要大量計算能力和內(nèi)存資源的大型模型。計算是通過互聯(lián)網(wǎng)(云)在大型數(shù)據(jù)中心計算機(服務器場)上完成的。
服務器場用于自然語言處理、生成文本和圖像、視頻流分類以及物聯(lián)網(wǎng)過程控制和監(jiān)控等應用。《連線》 雜志估計，訓練像 GPT-4 這樣的大型模型需要花費1億美元，并在11個月內(nèi)使用多達10000個配備強大A100 GPU處理器陣列的系統(tǒng)。已知最大的模型是google GLaM，擁有超過1 萬億個參數(shù)。
如今，模型變得越來越大，但這些系統(tǒng)能否繼續(xù)擴展?
SemiAnalysis首席分析師Dylan Patel表示，每天運行ChatGPT的成本估計高達70萬美元。 該成本細分為維護、計算機資源折舊以及服務器和冷卻系統(tǒng)的電力消耗。在谷歌和加州大學伯克利分校(《科學美國人》)聯(lián)合發(fā)表的一項研究中，GPT-3 的耗電量為1,287 兆瓦時。
當考慮到全球服務器場的數(shù)量和人工智能處理的成倍增加時，這一點值得高度關(guān)注。隨著越來越多的人開始訪問在線人工智能，服務器群的功耗可能會增加。到2025年，服務器群可能消耗全球20% 以上的電力。
服務器群使用配備強大計算機和GPU的大型機架。它們包含數(shù)千個處理核心，可用作并行處理單元來計算神經(jīng)網(wǎng)絡的功能。單個GPU使用的功率可高達400瓦，服務器最多可使用32個 GPU。一個公司的大型數(shù)據(jù)中心集群可能部署多達250萬臺服務器。即使只有一半的服務器配備GPU，最壞情況下的計算也將達到16000兆瓦時。換言之，這是大量的溫室氣體排放的源泉。
有多種方法可以減少服務器群對環(huán)境的影響。解決方案的一部分是更高效的硬件以及可再生能源的使用。另一種方法是使用混合解決方案，在專用的、低功耗但高性能的神經(jīng)形態(tài)硬件中執(zhí)行分布在邊緣的大部分處理。神經(jīng)形態(tài)處理的靈感來自大腦的節(jié)能方法。
人腦包含大約860億個神經(jīng)元細胞(大約是最大的大型語言模型GLaM的80倍)，估計有100萬億個連接(大約是 GLaM 的 100 倍)。每個細胞都有不同數(shù)量的電化學記憶。存儲在這種生物記憶中的信息可以被認為等同于神經(jīng)網(wǎng)絡模型中的參數(shù)。
與人工神經(jīng)網(wǎng)絡相比，大腦模型是動態(tài)的。當我們學習時，它會創(chuàng)造新的連接和更多的記憶，當我們睡覺時，它會修剪多余的連接。人腦神經(jīng)網(wǎng)絡盡管比最大的人工智能模型還要大，但其消耗的能量僅相當于20 瓦，比一個燈泡還少。盡管我們在過去幾年中取得了成功，但大腦的結(jié)構(gòu)與當今人工智能系統(tǒng)中使用的神經(jīng)網(wǎng)絡模型有很大不同。
神經(jīng)形態(tài)處理借鑒了大腦的高效處理技術(shù)，將其行為復制到數(shù)字電路中。雖然數(shù)字電路可能不如模擬電路那么節(jié)能，但穩(wěn)定性、可互換性和速度超過了輕微的功耗優(yōu)勢。由于事件驅(qū)動的卷積殼，使用神經(jīng)形態(tài)計算引擎對開發(fā)人員和用戶來說是透明的。
神經(jīng)形態(tài)處理可以運行卷積神經(jīng)網(wǎng)絡 (CNN)，并可以在Imag.NET1000上運行圖像分類、實時視頻分類、氣味和味道識別、振動分析、語音和語音識別以及疾病和異常檢測。由于其功耗低，因此可以在便攜式和電池供電的工具中使用這些功能。
通過在快速神經(jīng)形態(tài)計算設備中使用分布式人工智能處理，可以減少數(shù)據(jù)中心過多的功耗，從而降低運營成本并提高邊緣產(chǎn)品的功能和響應能力。神經(jīng)形態(tài)處理可以幫助補償人工智能預期的負面環(huán)境影響。
