Računalna učinkovitost umjetne inteligencije nalik je maču s dvije oštrice. S jedne strane, mora naučiti prilično brzo, ali što više neuronska mreža "ubrzava", to više troši energije. To znači da može postati jednostavno neisplativa. Međutim, izlaz iz ove situacije može dati IBM koji je pokazao nove metode podučavanja AI-a koje će mu omogućiti učenje nekoliko puta brže uz istu razinu troškova i resursa.
Da bi postigao ove rezultate, IBM je morao napustiti računske metode koristeći 32-bitne i 16-bitne tehnike, razvijajući 8-bitnu tehniku, kao i novi čip za rad s njom.
Sav razvoj IBM-a predstavljen je na NeurIPS 2018. u Montrealu. Inženjeri tvrtke razgovarali su o dva razvoja. Prvi se naziva "duboko strojno učenje neuronskih mreža pomoću 8-bitnih brojeva s pomičnim zarezom". U njemu opisuju kako su na takav način uspjeli smanjiti aritmetičku preciznost za aplikacije s 32-bitne na 16-bitnu i spremiti je na 8-bitni model. Stručnjaci tvrde da njihova tehnika ubrzava vrijeme treninga dubokih neuronskih mreža za 2-4 puta u usporedbi s 16-bitnim sustavima. Drugi razvoj je "8-bitno množenje u memoriji s projiciranom memorijom faznog prijelaza." Ovdje stručnjaci otkrivaju metodu koja nadoknađuje nisku točnost analognih AI čipova, omogućujući im da troše 33 puta manje energije od usporedivih digitalnih AI sustava.
Vladimir Kuznetsov