محققان DeepMind گوگل روش جدیدی برای افزایش سرعت آموزش هوش مصنوعی توسعه داده اند که به طور قابل توجهی می تواند منابع محاسباتی و زمان موردنیاز برای انجام این کار را کاهش دهد.
در صنعت هوش مصنوعی انرژی بسیار زیادی مصرف می شود، زیرا سیستم های بزرگ تر مانند ChatGPT به قدرت زیادی برای پردازش نیاز دارند و همچنین انرژی و آب زیادی برای خنک کردن این سیستم ها لازم است. به عنوان مثال، مصرف آب مایکروسافت از سال 2021 تا 2022 به دلیل افزایش تقاضای مربوط به هوش مصنوعی، 34 درصد افزایش یافته است. همچنین برای هر 5 تا 50 درخواست ChatGPT تقریباً نیم لیتر آب موردنیاز است.
بااین حال، رویکردهایی مانند رویکرد گوگل که «یادگیری متضاد چندوجهی با انتخاب مثال مشترک» (JEST) نام دارد، راه حلی را برای کاهش این چالش ها ارائه می کنند. گوگل در تحقیق خود می گوید JEST با بهینه سازی روند انتخاب داده ها برای آموزش هوش مصنو عی، می تواند تعداد تکرارها و توان محاسباتی موردنیاز خود را به میزان قابل توجهی کاهش دهد. این امر می تواند مصرف کلی انرژی هوش مصنوعی را پایین بیاورد.
نحوه کار JEST به این صورت است که با انتخاب دسته ای از داده های مکمل، قابلیت یادگیری مدل هوش مصنو عی به حداکثر می رسد. برخلاف روش های سنتی که در آن از نمونه های واحد استفاده می شود، این الگوریتم ترکیب کل مجموعه را در نظر می گیرد.
برای مثال، تصور کنید که درحال یادگیری چندین زبان هستید. با این تکنیک، به جای یادگیری جداگانه هریک از زبان ها (مثلاً به ترتیب دشواری)، از ترکیب آن ها با یکدیگر به گونه ای استفاده می شود که آموزش مؤثرتر باشد و دانش مربوط به یکی از زبان ها در آموزش دیگری نقش داشته باشد.
برای دستیابی به این مهم، محققان گوگل از شیوه «یادگیری متضاد چندوجهی» استفاده کرده اند که در آن وابستگی بین نقاط داده شناسایی می شود.
اگر این تکنیک در مقیاس های بزرگ تر نیز مؤثر باشد، برای آموزش مدل های هوش مصنوعی فقط به انرژی کمی نیاز است. بنابراین شرکت ها و استارتاپ ها قادر خواهند بود با همان منابعی که درحال حاضر استفاده می کنند، ابزارهای هوش مصنوعی قوی تری تولید کنند یا برای توسعه مدل های جدیدتر منابع کمتری نیاز داشته باشند.