他們斷言，要不斷進(jìn)步，就需要通過對現(xiàn)有技術(shù)的更改或通過尚未發(fā)現(xiàn)的新方法來“大幅”提高計(jì)算效率的深度學(xué)習(xí)方法。

“深度學(xué)習(xí)不是偶然的計(jì)算代價(jià)，而是設(shè)計(jì)的代價(jià)。共同的靈活性使它能夠出色地建模各種現(xiàn)象，并且性能優(yōu)于專家模型，這也使其在計(jì)算上的成本大大提高?！薄氨M管如此，我們發(fā)現(xiàn)深度學(xué)習(xí)模型的實(shí)際計(jì)算負(fù)擔(dān)要比理論上的（已知）下界更快地?cái)U(kuò)展，這表明可能有實(shí)質(zhì)性的改進(jìn)?！?/span>

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域，涉及受大腦結(jié)構(gòu)和功能啟發(fā)的算法。這些算法（稱為人工神經(jīng)網(wǎng)絡(luò)）由功能（神經(jīng)元）組成，這些功能按層排列，將信號傳輸?shù)狡渌窠?jīng)元。信號是輸入到網(wǎng)絡(luò)中的輸入數(shù)據(jù)的產(chǎn)物，從一層到另一層傳播并緩慢地“調(diào)諧”網(wǎng)絡(luò)，實(shí)際上是在調(diào)整每個(gè)連接的突觸強(qiáng)度（權(quán)重）。網(wǎng)絡(luò)最終通過從數(shù)據(jù)集中提取特征并識(shí)別交叉樣本趨勢來學(xué)習(xí)進(jìn)行預(yù)測。

在他們的研究中，研究人員分析了預(yù)印服務(wù)器Arxiv.org以及其他基準(zhǔn)測試來源的1,058篇論文，以了解深度學(xué)習(xí)性能與計(jì)算之間的聯(lián)系，并特別關(guān)注以下領(lǐng)域：圖像分類、目標(biāo)檢測、問題解答，命名實(shí)體識(shí)別和機(jī)器翻譯。他們對計(jì)算需求進(jìn)行了兩次單獨(dú)的分析，反映了可用的兩種信息：

- 在給定的深度學(xué)習(xí)模型中，每次網(wǎng)流的計(jì)算或單遍傳播所需的浮點(diǎn)操作數(shù)（即權(quán)重調(diào)整）。

- 硬件負(fù)擔(dān)或用于訓(xùn)練模型的硬件的計(jì)算能力，計(jì)算方式為處理器數(shù)量乘以計(jì)算速率和時(shí)間。（研究人員承認(rèn)，盡管這是一種不精確的計(jì)算方法，但在他們分析的論文中，對這種計(jì)算方式的報(bào)告比其他基準(zhǔn)要廣泛。）

合著者表示，除從英語到德語的機(jī)器翻譯（使用的計(jì)算能力幾乎沒有變化）之外，所有基準(zhǔn)測試的斜率都很高，并且解釋力很強(qiáng)。對象檢測、命名實(shí)體識(shí)別以及機(jī)器翻譯尤其顯示出硬件負(fù)擔(dān)的大幅增加，而結(jié)果的改善卻相對較小。在流行的開源ImageNet基準(zhǔn)測試中，計(jì)算能力貢獻(xiàn)了圖像分類準(zhǔn)確度的43％差異。

最后研究人員們得出結(jié)論，他們估計(jì)——計(jì)算能力提高10倍相當(dāng)于三年的算法改進(jìn)。他們寫道：“總體而言，我們的結(jié)果清楚地表明，在深度學(xué)習(xí)的許多領(lǐng)域中，訓(xùn)練模型的進(jìn)步取決于所使用的計(jì)算能力的大幅提高?！薄傲硪环N可能性是，要改進(jìn)算法本身，可能需要互補(bǔ)地提高計(jì)算能力?！?/span>

在研究過程中，研究人員還對預(yù)測進(jìn)行了推斷，以了解達(dá)到各種理論基準(zhǔn)所需的計(jì)算能力以及相關(guān)的經(jīng)濟(jì)和環(huán)境成本。即使是最樂觀的計(jì)算，要降低ImageNet上的圖像分類錯(cuò)誤率，也需要進(jìn)行105次以上的計(jì)算。

深度學(xué)習(xí)需要的硬件負(fù)擔(dān)和計(jì)算次數(shù)，背后消耗的是巨額資金花費(fèi)。一份Synced報(bào)告估計(jì)，華盛頓大學(xué)的Grover假新聞檢測模型在大約兩周的時(shí)間內(nèi)培訓(xùn)費(fèi)用為25,000美元。據(jù)報(bào)道，OpenAI花費(fèi)了高達(dá)1200萬美元來訓(xùn)練其GPT-3語言模型，而Google估計(jì)花費(fèi)了6,912美元來訓(xùn)練BERT，這是一種雙向轉(zhuǎn)換器模型，可重新定義11種自然語言處理任務(wù)的最新水平。

在去年6月的馬薩諸塞州大學(xué)阿默斯特分校的另一份報(bào)告中，得出的結(jié)論是，訓(xùn)練和搜索某種模型所需的電量涉及大約626,000磅的二氧化碳排放量。這相當(dāng)于美國普通汽車使用壽命內(nèi)排放量的將近5倍。

研究人員還指出，在算法水平上進(jìn)行深度學(xué)習(xí)改進(jìn)已有先例。他們提到了硬件加速器的出現(xiàn)，例如Google的張量處理單元，現(xiàn)場可編程門陣列（FPGA）和專用集成電路（ASIC），并試圖通過網(wǎng)絡(luò)壓縮和加速技術(shù)來降低計(jì)算復(fù)雜性。他們還引用了神經(jīng)體系結(jié)構(gòu)搜索和元學(xué)習(xí)，它們使用優(yōu)化來查找在一類問題上保持良好性能的體系結(jié)構(gòu)，以此作為計(jì)算上有效的改進(jìn)方法的途徑。

實(shí)際上，一項(xiàng)OpenAI研究表明，自2012年以來，每16個(gè)月將AI模型訓(xùn)練到ImageNet圖像分類中相同性能所需的計(jì)算量就減少了一半。Google的Transformer架構(gòu)超越了seq2（也是由Google開發(fā)的模型），在seq2seq推出三年后，計(jì)算量減少了61倍。DeepMind的AlphaZero是一個(gè)從頭開始學(xué)習(xí)如何掌握國際象棋、將棋和圍棋游戲的系統(tǒng)，與一年后該系統(tǒng)的前身AlphaGoZero的改進(jìn)版本相匹配，其計(jì)算量減少了8倍。

“用于深度學(xué)習(xí)模型的計(jì)算能力的爆發(fā)已經(jīng)結(jié)束了“人工智能冬天”，并為各種任務(wù)的計(jì)算機(jī)性能樹立了新的基準(zhǔn)。但是，深度學(xué)習(xí)對計(jì)算能力的巨大需求限制了它可以以目前的形式改善性能的程度，特別是在硬件性能的改善步伐緩慢的時(shí)代?！毖芯咳藛T寫道。 “這些計(jì)算限制的可能影響迫使機(jī)器學(xué)習(xí)轉(zhuǎn)向比深度學(xué)習(xí)更高效的技術(shù)?！?/span>

返回列表