Die Recheneffizienz künstlicher Intelligenz ist wie ein zweischneidiges Schwert. Einerseits muss es ziemlich schnell lernen, aber je mehr das neuronale Netzwerk "beschleunigt", desto mehr Energie verbraucht es. Dies bedeutet, dass es einfach unrentabel werden kann. Einen Ausweg aus der Situation bietet jedoch IBM, das neue Methoden für den KI-Unterricht demonstriert hat, mit denen es bei gleichem Ressourcen- und Energieaufwand um ein Vielfaches schneller lernen kann.
Um diese Ergebnisse zu erzielen, musste IBM die Berechnungsmethoden mit 32-Bit- und 16-Bit-Techniken aufgeben und eine 8-Bit-Technik sowie einen neuen Chip entwickeln, um damit zu arbeiten.
Alle IBM Entwicklungen wurden auf der NeurIPS 2018 in Montreal vorgestellt. Die Ingenieure des Unternehmens sprachen über zwei Entwicklungen. Das erste heißt "tiefes maschinelles Lernen neuronaler Netze unter Verwendung von 8-Bit-Gleitkommazahlen". Darin beschreiben sie, wie sie es geschafft haben, die arithmetische Genauigkeit für Anwendungen von 32-Bit auf 16-Bit zu reduzieren und auf einem 8-Bit-Modell zu speichern. Experten behaupten, dass ihre Technik die Trainingszeit tiefer neuronaler Netze im Vergleich zu 16-Bit-Systemen um das 2-4-fache beschleunigt. Die zweite Entwicklung ist "8-Bit-Multiplikation im Speicher mit projiziertem Phasenübergangsspeicher". Hier stellen Experten eine Methode vor, die die geringe Wiedergabetreue von analogen KI-Chips kompensiert, indem sie 33-mal weniger Strom verbrauchen als vergleichbare digitale KI-Systeme.
Vladimir Kuznetsov