如果沒有大量投資，美國電網根本無法應付增加的負載——高盛將所需投資定為 50 億美元以上。同時，國家承諾投入巨額投資升級電網（自2021 年起投資220 億美元），以支持國家從天然氣設備、電動車市場擴張、加密貨幣挖礦業務、國內電力轉型的舉措所帶來的不斷增長的需求。製造業以及日益需要防範極端天氣事件或網路攻擊風險增加所造成的中斷。
不斷增長的電力需求帶來了重大挑戰，特別是考慮到美國電網基礎設施老化。為了滿足不斷增長的需求，大量投資至關重要。高盛強調了超過 500 億美元的電網升級的迫切需求。在此之際，國家已經在大力提高電網容量。自 2021 年以來，已為這些升級撥款約 220 億美元。這些舉措旨在支持國家努力擺脫天然氣設備、支持電動車市場、適應加密貨幣挖礦業務和促進國內製造業所產生的不斷增長的需求。此外，迫切需要防範極端天氣事件或不斷升級的網路攻擊風險所造成的中斷。
大問題的解決方案可能小得驚人
我們以前遇到過類似的挑戰； 2023 年，我們在聯邦一級從白熾燈泡過渡到節能替代品，以減輕對國家基礎設施的電力需求。儘管單一燈泡不會造成重大問題，但其龐大的體積卻產生了重大影響。同樣，人工智慧應用程式現在正在興起，展示了廣泛的用途，並且可能僅受到其規模效率的限制。
人工智慧的當前狀態模仿了電力的引入，因為它準備推動主要新產業並推動經濟發展。如今，人工智慧嚴重依賴圖形處理單元 (GPU)，它們是最初設計用於加速圖形渲染的專用處理器。 GPU 的平行結構也非常適合傳統的人工智慧應用模式訓練，並廣泛應用於物聯網人工智慧 (AIoT)，這引起了大規模效率問題。人工智慧公司實際上正在過度部署最先進的、能源密集的處理器，以滿足一些最簡單的應用需求。雖然一刀切的方法可以在早期的人工智慧應用中發揮作用，但它根本不可能成為所有人工智慧實施的可持續標準。
無法將人工智慧解決方案的安全性、可擴展性和效率適應特定應用程式是一個問題這與駕駛拖拉機拖車去取雜貨沒什麼不同。雖然它肯定能完成這項工作，但它並未針對大多數任務進行最佳化，因為它效率極低且昂貴。正是應用程式需求之間的這種不匹配導致了一系列意想不到的後果。不可否認，人工智慧的需求不斷增長，但當人工智慧依賴 GPU 時，由此產生的應用程式會讓我們本已脆弱的基礎設施不堪重負。
人工智慧公司需要尋找替代方法來使應用程式需求保持一致，以偏離這條可能威脅我們的道路。基礎設施。 Brand Engagement Network Inc. 或 BEN BNAI 等公司意識到了這一點，並優化了他們的解決方案，以可擴展和可支援的方式提供人工智慧的功能和效能。
BEN 的 ELM – 電源問題的解決方案
那麼BEN是如何做到的呢？透過其高效語言模型（ELM）：針對專門任務的語言模型的分段和最佳化的組合。這項正在申請專利的技術專注於效率和應用專業化，這與更傳統的法學碩士（例如OpenAI 的ChatGPT 使用的法學碩士）形成鮮明對比，後者試圖將所有內容概括為用於生成目的的不加區別的模型。
雖然這看起來似乎是一個很小的區別，但每種方法所需的計算和處理能力卻有很大不同。當傳統的法學碩士使用包羅萬象的模型時，這意味著他們的解決方案沒有定義。他們的人工智慧解決方案任務是解決所有挑戰或應用程式的所有需求。這不僅增加了產生錯誤的可能性，而且還需要大量並行處理，並且在出於及時回應的動機進行操作時，需要使用 GPU。另一方面，BEN 的 ELM 專注於定義的應用需求，並提供安全性、佔用空間小且集中的解決方案。這意味著以 ELM 為目標的解決方案可以在有限的 CPU 資源上運行，這些資源更容易獲得，成本顯著降低，並且使用更少的處理能力。
對 CPU 的依賴提供了更多的部署選項，包括 SaaS、私有雲、行動和本地解決方案，醫療保健和金融服務等行業一直在努力最大程度地減少資料外洩和洩漏的潛在風險。通常情況下，CPU 的部署和操作成本要低得多，並且已經在市場上建立，最重要的是，可以大量供應。 GPU 的情況並非如此，GPU 正面臨可用性問題，甚至迫使 Elon Musk 在為他的各個公司採購這些處理單元時發揮創意。
ELM + RAFT：強大而高效的組合
BEN 的 ELM 還增強了 RAFT（檢索增強微調）系統，以確保其應用程式可靠、可預測且高效。人工智慧帶來的一個重大挑戰是「幻覺」的風險，即人工智慧會給出誤導性或完全錯誤的答案，因為人工智慧建立在未知的資料來源上，並且旨在無論如何產生回應。幻覺很像白熾燈浪費的熱能。他們仍然需要相同的能力來產生回應，但這是傳統法學碩士技術的意外結果。一些估計表明可能會出現幻覺
以上是ELM – 電源問題的解決方案的詳細內容。更多資訊請關注PHP中文網其他相關文章！
