Berechnung der CO2-Kosten künstlicher Intelligenz
Wenn Sie auf der Suche nach interessanten Themen sind, wird Sie Künstliche Intelligenz (KI) nicht enttäuschen. Künstliche Intelligenz umfasst eine Reihe leistungsstarker, umwerfender statistischer Algorithmen, die Schach spielen, schlampige Handschriften entziffern, Sprache verstehen, Satellitenbilder klassifizieren und vieles mehr können. Die Verfügbarkeit riesiger Datensätze zum Trainieren von Modellen für maschinelles Lernen war einer der Schlüsselfaktoren für den Erfolg der künstlichen Intelligenz. Aber all diese Rechenarbeit ist nicht kostenlos. Einige KI-Experten sind zunehmend besorgt über die Umweltauswirkungen, die mit der Entwicklung neuer Algorithmen einhergehen. Diese Debatte hat zu neuen Ideen geführt, wie Maschinen effizienter lernen können, um den CO2-Fußabdruck von KI zu verringern.
Zurück auf der Erde
Um ins Detail zu gehen, müssen wir zunächst die Tausenden von Rechenzentren (über die ganze Welt verstreut) betrachten, die unsere Rechenanfragen rund um die Uhr bearbeiten. Für KI-Forscher umfassen diese Aufgaben das Training mehrschichtiger Algorithmen mit Milliarden von Datenelementen (oder Tokens – Wortbits, die vier Zeichen oder etwa drei Viertel eines Wortes im Englischen entsprechen). Der damit verbundene Rechenaufwand ist erstaunlich. Lambda, ein Infrastrukturunternehmen für künstliche Intelligenz, liefert einige interessante Fakten über GPT-3, das leistungsstarke natürliche Sprachmodell von OpenAI zur Generierung von menschenähnlichem Text. Laut der Analyse von Lambda würde es 665 Jahre dauern, wenn man das 175-Milliarden-Parameter-Modell von GPT-3 auf einer einzigen NVIDIA RTX 8000 trainieren wollte, was bei Grafikkarten kein Problem ist.
Einfach ausgedrückt: Je größer das Modell, desto besser die Leistung. Das Lambda-Team wies darauf hin, dass die Größe moderner Sprachmodelle jedes Jahr um das Zehnfache zunimmt, was uns wieder zu den Bedenken bringt das Wachstum der KI-Fußabdrücke. Zurück im Rechenzentrum ist es möglich, zumindest auf hohem Niveau weitere Zahlen in die Diskussion einzubringen. Nach Schätzungen der Internationalen Energieagentur (IEA) liegt der Gesamtstromverbrauch von Rechenzentren weltweit zwischen 200 und 250 TWh. Um diese Zahl besser verständlich zu machen: Unter der Annahme, dass Lokomotiven und Schienenfahrzeuge durchschnittlich 2,5 Kilowattstunden pro zurückgelegtem Kilometer verbrauchen, reichen 225 Terawattstunden aus, um einen Hochgeschwindigkeitszug mit Elektroantrieb 9 Millionen Kilometer zurücklegen zu lassen. Während nur ein Teil (in Rechenzentren) zum Trainieren und Ausführen von KI-Modellen verwendet wird, deuten Quellen darauf hin, dass der Rechenbedarf für maschinelles Lernen und Training das durchschnittliche Wachstum der Rechenzentrumsaktivität übersteigt.
An dieser Stelle muss man mit Fug und Recht anerkennen, dass Rechenzentren ihren Energiebedarf gut verwalten – Umweltbelange sind ein Motivator, aber es ist erwähnenswert, dass Strom einen erheblichen Betriebsaufwand darstellt, da jede Einrichtung „geschäftskritisch“ ist. Trotz eines Anstiegs des weltweiten Internetverkehrs, der allein im Jahr 2020 um 40 % zunahm, ist der Energieverbrauch von Rechenzentren im letzten Jahrzehnt relativ stabil geblieben. „Das starke Wachstum der Nachfrage nach Rechenzentrumsdiensten wird weiterhin durch anhaltende Effizienzsteigerungen bei Servern, Speicher, Netzwerk-Switches und Rechenzentrumsinfrastruktur sowie durch den wachsenden Anteil an Diensten ausgeglichen, die von effizienten Cloud- und Hyperscale-Rechenzentren bereitgestellt werden“, so die IEA schrieb.
Photonik und mehr
Darüber hinaus werden vertikal integrierte Rechenzentrumsbetreiber wie Amazon, Google, Facebook usw. bald hinzufügen, dass ihre Einrichtungen mit erneuerbarer Energie betrieben werden. Dies verringert natürlich die Umweltbelastung durch die Datenverarbeitung, da der Strom für die Stromversorgung von Racks mit Computerhardware und notwendigen Nebendienstleistungen wie Heizung, Kühlung und Beleuchtung aus Sonne und Wind stammen kann. Da sich die Financial Times jedoch nicht dafür entschieden hat, können Einrichtungen, selbst wenn ein Energievertrag für Rechenzentren 100 % ihres Stromverbrauchs durch erneuerbare Energien ausgleichen kann, immer noch fossile Brennstoffe verbrauchen, wenn Wind- und Solarenergie nicht verfügbar sind. Es besteht auch die Notwendigkeit, die eingebetteten Kohlenstoffemissionen des Computergeräts selbst zu berücksichtigen, da Herstellungsmethoden und Aktivitäten zur Beschaffung von Komponentenmaterialien ebenfalls Kohlenstoffemissionen verursachen – was Microsoft anerkennt.
Anfang des Jahres diskutierte Microsoft in einem aktuellen Blogbeitrag das Thema effizientes Modelltraining. Entwickler sind damit beschäftigt, Wege zu finden, den CO2-Fußabdruck von KI zu verringern – oder zumindest ihr Wachstum einzudämmen. Zu den Schritten hier gehört die Suche nach Möglichkeiten zur Reduzierung des Rechen- und Speicherbedarfs während der Feinabstimmung des Modells. Die Empfehlungen empfehlen eine Verdreifachung der GPU-Nutzung in dieser Phase des Prozesses. Vielversprechend ist auch die Modellkomprimierung, bei der Unterschichten von KI-Daten in spärlichere, aber dennoch repräsentative Versionen zuvor kombinierter Bedingungen beschnitten werden. Hier zeigen Untersuchungen, dass das Komprimieren von Modellen etwa 40 % weniger Trainingszeit erfordern kann und gleichzeitig ähnliche algorithmische Ergebnisse erzielt.
Entwickler können auch von Überwachungstools profitieren, die die durch die Optimierung von Code- oder Datenhosting-Vereinbarungen erzielten Gewinne genau bestimmen. „CodeCarbon ist ein leichtes Softwarepaket, das sich nahtlos in Ihre Python-Codebasis integriert“, schreiben die Erfinder, die ihr Tool kostenlos zur Verfügung stellen. „Es schätzt die Menge an Kohlendioxid (CO2), die von Cloud- oder Personal-Computing-Ressourcen erzeugt wird, die zur Ausführung von Code verwendet werden.“
Der Kreis schließt sich
Der Kreislauf geht hin und her, und in Zukunft könnte energieeffizientere KI eingesetzt werden, um den Rechenzentrumsbetrieb effizienter zu gestalten und – Sie haben es erraten – den CO2-Fußabdruck der KI zu reduzieren. Heute stellt Cirrus Nexus verfügbare Software zur Verfügung, die Rechenzentrumsbetreiber nutzen können, um Kohlenstoffkosten zuzuordnen und diese durch Algorithmen der künstlichen Intelligenz zu verbreiten. Die Ergebnisse zeigen nicht nur CO2-Berechnungen, sondern geben auch Einblicke in die Art und Weise, wie Benutzer ihre Anlagen so konfigurieren können, dass die verfügbaren Umweltvorteile maximiert werden.
Die Sichtbarmachung des CO2-Fußabdrucks der Algorithmen, die die heutige Technologie antreiben, hilft in mehrfacher Hinsicht. Es eröffnet Diskussionen über die effektivsten Möglichkeiten, zukünftige künstliche Intelligenz zu trainieren und IT-Abteilungen und ihre Kunden stärker für die Umweltkosten der Datenverarbeitung verantwortlich zu machen. Am Ende könnte es gut fürs Geschäft sein. Insbesondere hat Amazon Anfang des Jahres ein Tool zum CO2-Fußabdruck seiner Kunden herausgebracht, und andere große Unternehmen wie Google ermöglichen Kunden den Export von Informationen zu CO2-Emissionen aus der Cloud – ein Dienst, der sich derzeit in der Vorschau befindet.
Das obige ist der detaillierte Inhalt vonBerechnung der CO2-Kosten künstlicher Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

01Ausblicksübersicht Derzeit ist es schwierig, ein angemessenes Gleichgewicht zwischen Detektionseffizienz und Detektionsergebnissen zu erreichen. Wir haben einen verbesserten YOLOv5-Algorithmus zur Zielerkennung in hochauflösenden optischen Fernerkundungsbildern entwickelt, der mehrschichtige Merkmalspyramiden, Multierkennungskopfstrategien und hybride Aufmerksamkeitsmodule verwendet, um die Wirkung des Zielerkennungsnetzwerks in optischen Fernerkundungsbildern zu verbessern. Laut SIMD-Datensatz ist der mAP des neuen Algorithmus 2,2 % besser als YOLOv5 und 8,48 % besser als YOLOX, wodurch ein besseres Gleichgewicht zwischen Erkennungsergebnissen und Geschwindigkeit erreicht wird. 02 Hintergrund und Motivation Mit der rasanten Entwicklung der Fernerkundungstechnologie wurden hochauflösende optische Fernerkundungsbilder verwendet, um viele Objekte auf der Erdoberfläche zu beschreiben, darunter Flugzeuge, Autos, Gebäude usw. Objekterkennung bei der Interpretation von Fernerkundungsbildern

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
