>> الگوریتم کاهش ۹۵ درصدی مصرف انرژی هوش مصنوعی با محاسبه خطی-ضریبی > مهندسان شرکت فناوری AI با ارائه یک روش محاسباتی نوین، توانستهاند نیاز به برق برای اجرای برنامههای هوش مصنوعی را تا حد ۹۵ درصد کاهش دهند.
با وجود اینکه این الگوریتم تازهمتولد همچنان چالشهای فنی خاص خود را دارد، اما با توجه به تقاضای رو به رشد کاربران برای بهرهگیری از ابزارهای هوش مصنوعی و افزایش نگرانکننده مصرف انرژی در این حوزه، این نوآوری میتواند به عنوان یک راهکار استراتژیک برای بهینهسازی مصرف برق تلقی شود.
لکه دقت و کارکرد آنها را نیز حفظ میکند. بهرهگیری روزافزون از اپلیکیشنهای هوش مصنوعی، مستقیماً منجر به افزایش چشمگیر مصرف برق و هزینههای عملیاتی شده است.
مدلهای زبانی بزرگ (LLMها) مانند ChatGPT برای پردازش دادهها به قدرت محاسباتی عظیمی نیازمندند که به تبع آن، تقاضای انرژی را به شدت بالا میبرد. به عنوان مثال، در حال حاضر ChatGPT به طور روزانه حدود ۵۶۴ مگاواتساعت برق مصرف میکند؛ مقداری که برای تامین برق ۱۸ هزار واحد مسکونی در ایالات متحده کافی است.
قریباً همارز با انرژی مورد نیاز برای استخراج بیتکوین است.
آخرین مطالب
- اهمالکاری در نوجوانان: علائم، عوامل، پیامدها و راهکارهای درمان موثر
- مبارزه با ساس تختی: راهنمای جامع شناسایی، ریشهکن کردن و پیشگیری
- لکه زرد روی چشم: علائم، علل و روشهای درمانی از پینگوکولا تا گزانتلاسما
- مقایسه ژل رویال و عسل: تفاوتها، مزایا و بهترین گزینه برای تقویت بدن
- راهنمای جامع درمان آفت دهان: ۱۱ روش خانگی و پزشکی برای تسکین سریع درد
مکانیزم الگوریتم جایگزینی ضرب نقطه شناور در معماری محاسباتی فعلی، اپلیکیشنهای هوش مصنوعی برای مدیریت اعداد بسیار بزرگ یا بسیار کوچک و انجام محاسبات با دقت بالا، به شدت از روش پیچیده ضرب نقطه شناور (FPM) استفاده میکنند. این روش یکی از پرمصرفترین بخشهای محاسباتی در پردازش هوش مصنوعی محسوب میشود.
روش نوین ارائه شده که تحت عنوان ضرب پیچیدگی-خطی شناخته میشود، بر پایه یک الگوریتم سادهتر استوار است، اما قادر است دقت معادل روش FPM را ارائه دهد. این تغییر بنیادین، پتانسیل کاهش مصرف انرژی سیستمهای هوش مصنوعی تا ۹۵ درصد را فراهم میآورد.
موانع سختافزاری و راهکارهای آینده از آنجا که الگوریتم یک فرآیند کاملاً جدید محسوب میشود، سختافزارهای رایج و موجود در بازار — از جمله پردازشگرهای گرافیکی انویدیا (NVIDIA) — برای اجرای بهینه این متد طراحی نشدهاند.
در نتیجه، حتی اگر کارایی این الگوریتم در سطح تئوریک و تستی پذیرفته شود، برای استقرار گسترده و عملیاتی آن، نیازمند توسعه نسل جدیدی از سختافزارهای مخصوص و سازگار هستیم که بتوانند این منطق محاسباتی خطی را به درستی مدیریت کنند. >>
