روش جدید دیپ مایند گوگل برای داشتن یک هوش مصنوعی بهتر

آزمایشگاه تحقیقات هوش مصنوعی دیپ‌مایند (DeepMind)، متعلق به گوگل، به‌تازگی روشی نوین برای آموزش مدل‌های هوش مصنوعی معرفی کرده است که به گفته‌ی این آزمایشگاه، به طور قابل‌توجهی سرعت آموزش را افزایش و مصرف انرژی را کاهش می‌دهد.

به گزارش سرویس اخبار هوش مصنوعی سایت شات ایکس و به نقل از تکناک دیپ‌مایند بر روی روشی به نام JEST کار می‌کند که داده‌های آموزشی را بهینه‌سازی کرده و ادعا می‌شود که این روش تا ۱۳ برابر کارایی بهتر و ۱۰ برابر مصرف انرژی کمتر از روش‌های معمول دارد.

با توجه به افزایش نگرانی‌ها در مورد تأثیرات زیست‌محیطی مراکز داده‌ی هوش مصنوعی، معرفی روش JEST در زمان مناسبی صورت گرفته است. روش JEST برخلاف شیوه‌های سنتی که بر نقاط داده‌ای منفرد متمرکز هستند، بر اساس دسته‌بندی‌های داده آموزش می‌بیند.

در این روش، ابتدا یک مدل هوش مصنوعی کوچک ایجاد می‌شود که کیفیت داده‌ها را از منابع بسیار با کیفیت ارزیابی کرده و دسته‌ها را بر اساس کیفیت رتبه‌بندی می‌کند. سپس این رتبه‌بندی با مجموعه‌ای بزرگ‌تر و با کیفیت کمتر مقایسه می‌شود. مدل کوچک JEST، دسته‌های مناسب برای آموزش را تعیین کرده و سپس یک مدل بزرگ‌تر با استفاده از یافته‌های مدل کوچک‌تر آموزش می‌بیند.

پژوهشگران دیپ‌مایند در مقاله‌ی خود تأکید کرده‌اند که توانایی هدایت فرایند انتخاب داده‌ها به سوی توزیع مجموعه داده‌های کوچک‌تر و مدیریت شده، برای موفقیت روش JEST ضروری است. همچنین، این سیستم به شدت به کیفیت داده‌های آموزشی متکی است؛ زیرا بدون داشتن مجموعه داده‌های با کیفیت بالا که توسط انسان مدیریت شده باشد، تکنیک بوت‌استرپینگ از هم فرو می‌پاشد.

تحقیقات JEST درست در زمانی به ثمر رسیده است که صنعت فناوری و دولت‌ها درباره‌ی تقاضای انرژی بالای هوش مصنوعی به بحث و گفتگو پرداخته‌اند. در سال ۲۰۲۳، حجم کاری هوش مصنوعی حدود ۴.۳ گیگاوات انرژی مصرف کرده است که این میزان تقریباً برابر با مصرف سالانه‌ی برق کشور قبرس است.

بر اساس گزارش‌ها، یک درخواست از ChatGPT ده برابر بیشتر از جستجوی گوگل انرژی مصرف می‌کند و مدیرعامل شرکت ARM برآورد کرده است که هوش مصنوعی تا سال ۲۰۳۰ یک‌چهارم از شبکه‌ی برق ایالات متحده را مصرف خواهد کرد.

اینکه روش JEST توسط بازیگران اصلی هوش مصنوعی پذیرفته شود یا نه، هنوز مشخص نیست. گفته می‌شود که آموزش GPT-4o حدود ۱۰۰ میلیون دلار هزینه داشته است و مدل‌های بزرگ‌تر جدید احتمالاً به مرز میلیارد دلاری خواهند رسید. بنابراین، شرکت‌ها ممکن است به دنبال راه‌هایی برای کاهش هزینه‌های خود در این بخش باشند.

برخی معتقدند که روش‌های JEST می‌توانند با مصرف انرژی کمتر، نرخ بهره‌وری آموزش فعلی را حفظ کرده و به کاهش هزینه‌های هوش مصنوعی و حفظ محیط زیست کمک کنند. با این حال، احتمالاً ماشین سرمایه‌گذاری همچنان با تمام قدرت به کار خود ادامه خواهد داد و از روش‌های JEST برای حفظ حداکثر مصرف انرژی و دستیابی به خروجی آموزشی سریع‌تر استفاده خواهد کرد.