Računalniška učinkovitost umetne inteligence je kot dvorezni meč. Po eni strani se mora naučiti precej hitro, a bolj ko nevronska mreža "pospešuje", več porabi energije. To pomeni, da lahko postane preprosto nedonosna. Izhod iz situacije pa lahko da IBM, ki je pokazal nove metode poučevanja AI, ki mu bodo omogočile, da se bo večkrat hitreje uči z enako stopnjo stroškov in virov.
Da bi dosegel te rezultate, je moral IBM opustiti računske metode z 32-bitnimi in 16-bitnimi tehnikami, razviti 8-bitno tehniko in nov čip, da je sodeloval z njo.
Vsi IBM-ovi razvojni dogodki so bili predstavljeni na NeurIPS 2018 v Montrealu. Inženirji podjetja so govorili o dveh dogodkih. Prvi se imenuje "globoko strojno učenje nevronskih mrež z uporabo 8-bitnih številk s plavajočo vejico." V njem opisujejo, kako jim je uspelo na tak način zmanjšati aritmetično natančnost aplikacij iz 32-bitnih na 16-bitne in jih shraniti na 8-bitni model. Strokovnjaki trdijo, da njihova tehnika za 2–4 krat pospeši čas treninga globokih nevronskih mrež v primerjavi s 16-bitnimi sistemi. Drugi razvoj je "8-bitno množenje v pomnilniku s projiciranim pomnilnikom faznega prehoda." Tukaj strokovnjaki razkrijejo metodo, ki kompenzira nizko zvestobo analognih AI čipov, tako da jim omogoči porabo 33-krat manj energije kot primerljivi digitalni AI-sistemi.
Vladimir Kuznetsov