


Hinter dem Boom der künstlichen Intelligenz – Eine Perspektive auf neue Trends in der Rechenleistung
Die Entwicklung von Technologien der künstlichen Intelligenz wie ChatGPT hat zu einem weiteren Anstieg der weltweiten Nachfrage nach Rechenleistung geführt. Wo wird Chinas Rechenleistung wachsen, um eine neue Runde des Booms der künstlichen Intelligenz zu begrüßen? Welche Rechenleistung ist genauer und effizienter? Der Reporter hat kürzlich Branchenexperten interviewt, um sich über den Entwicklungstrend der Rechenleistung zu freuen.
Große Modelle erfordern „große Rechenleistung“
In der neuen Welle der globalen Entwicklung der künstlichen Intelligenztechnologie sind große Modelle ein Schlüsselwort. ChatGPT und andere ähnliche Modelle machen gerade durch das Lernen aus riesigen Datenmengen erhebliche Fortschritte.
Chen Runsheng, ein Akademiker der Chinesischen Akademie der Wissenschaften, sagte, dass große Modelle künstlicher Intelligenz auf Anwendungsebene enorme Veränderungen erfahren und in Zukunft Veränderungen in vielen Bereichen auslösen werden, während sie gleichzeitig viel Rechenleistung verbrauchen.
„Große Modelle müssen über leistungsstarke Rechenkapazitäten verfügen“, sagte Zheng Weimin, ein Akademiker der Chinesischen Akademie für Ingenieurwissenschaften, dass ChatGPT das Ergebnis der Abhängigkeit von einer großen Recheninfrastruktur ist.
Kürzlich veröffentlichte das Forschungszentrum für die Entwicklung künstlicher Intelligenz der neuen Generation des Ministeriums für Wissenschaft und Technologie auf dem Zhongguancun-Forum einen Forschungsbericht mit dem Titel „China Artificial Intelligence Large Model Map Research Report“. Der Bericht zeigt, dass die Zahl der in meinem Land entwickelten Großmodelle weltweit an zweiter Stelle steht.
Lu Zhonghua, ein Forscher am Computer Network Information Center der Chinesischen Akademie der Wissenschaften, sagte, dass die Gesellschaft als Ganzes einen wachsenden Bedarf an Rechenleistung habe und dass der Bedarf an Rechenleistung in Anwendungen der künstlichen Intelligenz noch größer sei, und wir muss diesen Trend annehmen.
Allgemeine Rechenleistung + dedizierte Rechenleistung
In den letzten Jahren ist der Anteil der Rechenleistung für künstliche Intelligenz in meinem Land gestiegen. Schätzungen zufolge ist die Rechenleistung der künstlichen Intelligenz in den letzten Jahren um durchschnittlich etwa 70 % pro Jahr gewachsen, während die sonstige Rechenleistung um etwa 30 % zugenommen hat. " sagte Yu Xiaohui, Präsident der China Academy of Information and Communications Technology.
Chen Wenguang, Professor am Fachbereich Informatik der Tsinghua-Universität, stellte außerdem fest, dass mit der zunehmenden Verbreitung künstlicher Intelligenz die Auslastung intelligenter Rechenzentren höher geworden ist als die traditioneller Supercomputing-Zentren.
Cao Zhennan, stellvertretender Direktor des National High-Performance Computer Engineering Technology Research Center, sagte, dass die Rechenleistung zwar oft in Supercomputing und Computing mit künstlicher Intelligenz unterteilt wird, die beiden jedoch viele Gemeinsamkeiten aufweisen und der größte Unterschied in den unterschiedlichen Anforderungen an die Datenverarbeitung liegt Genauigkeit.
„Derzeit gibt es eine große Lücke in der Rechenleistung der künstlichen Intelligenz, und einige Anwendungen der künstlichen Intelligenz haben ihre Genauigkeitsanforderungen gesenkt, um die Rechenleistung zu steigern. Wenn jedoch die Rechenleistung leicht zu beschaffen und billig wird, können einige Anwendungen der künstlichen Intelligenz einige Vorteile bringen hohe Anforderungen an die Genauigkeit“, sagte Cao Zhennan.
Expertenmeinung zufolge „wird die Kombination aus allgemeiner Rechenleistung und dedizierter Rechenleistung der Schlüssel zum Aufbau einer Rechenleistungsinfrastruktur für künstliche Intelligenz sein.“ Einerseits muss es ein breites Spektrum an Anwendungsszenarien erfüllen, universell sein und andererseits auch einige personalisierte Anwendungsszenarien unterstützen, die eine hohe Berechnungsgenauigkeit und -effizienz erfordern, effizient und dediziert sein.
Am 14. Februar 2023 inspizierten wissenschaftliche Forscher des National Supercomputing Chengdu Center die Ausstattung des Computerraums. Foto von Liu Kun, Reporter der Nachrichtenagentur Xinhua
Aufbau einer „Autobahn“ für ein Rechenleistungsnetzwerk
Nach Meinung von Experten kann die Verbindung bestehender Rechenleistungszentren mit unterschiedlichen Architekturen über das Netzwerk sinnvoll konfiguriert, gemeinsam genutzt, geplant, mehr Rechenleistung freigesetzt und die Anwendungsschwelle gesenkt werden.
Unter der Leitung der Hightech-Abteilung des Ministeriums für Wissenschaft und Technologie wurde die nationale Supercomputing-Internetarbeit gestartet. Bis Ende 2025 soll das nationale Supercomputer-Verbindungsnetzwerk zu einem „Fast Track“ zur Unterstützung des Aufbaus des digitalen China werden, so der Plan.
Cao Zhennan stellte vor, dass eines der Konstruktionsziele der Supercomputing-Internetplattform darin besteht, das Problem der ungleichmäßigen Verteilung von Rechenleistungseinrichtungen zu lösen und eine Verbindung und gemeinsame Nutzung von Rechenleistungsressourcen zu erreichen.
Qian Depei, ein Akademiker der Chinesischen Akademie der Wissenschaften, sagte, dass die Rechenleistungsinfrastruktur nicht nur Rechenleistung, sondern auch die von Benutzern benötigte Software oder Anwendungsdienste bereitstellen sollte, damit die Rechenleistungsressourcen maximiert werden können.
Ich hoffe, dass Big-Data-Rechenleistung in Zukunft wie Strom auf Tausende von Haushalten verteilt werden kann und die Vision verwirklicht wird, sie jederzeit und überall nutzen zu können. „Qian Depei sagte.
Quelle: Nachrichtenagentur Xinhua
Das obige ist der detaillierte Inhalt vonHinter dem Boom der künstlichen Intelligenz – Eine Perspektive auf neue Trends in der Rechenleistung. 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

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

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

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

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

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

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
