“深度學(xué)習(xí)所需的大規(guī)模樣本數(shù)據(jù)對(duì)于算力產(chǎn)生巨大需求，但近日美國(guó)麻省理工學(xué)院等研究機(jī)構(gòu)的報(bào)告顯示，深度學(xué)習(xí)正在逼近算力極限，而提升算力所需的硬件、成本和對(duì)于環(huán)境的影響正變得越來(lái)越難以承受……”
美國(guó)麻省理工學(xué)院、安德伍德國(guó)際學(xué)院和巴西利亞大學(xué)的研究人員在最近的一項(xiàng)研究中發(fā)現(xiàn)，深度學(xué)習(xí)的進(jìn)步強(qiáng)烈地依賴于計(jì)算的增長(zhǎng)。其結(jié)論顯示，訓(xùn)練模型的進(jìn)步取決于算力的大幅提高，具體來(lái)說(shuō)，計(jì)算能力提高10倍相當(dāng)于3年的算法改進(jìn)成果。大量數(shù)據(jù)和算力是促進(jìn)人工智能發(fā)展的重要因素，但是研究人員認(rèn)為，深度學(xué)習(xí)正在逼近算力極限。換言之，算力提高的背后，其實(shí)現(xiàn)目標(biāo)所隱含的計(jì)算需求——硬件、環(huán)境和金錢(qián)等成本將變得無(wú)法承受。
研究人員表示，深度學(xué)習(xí)急需革命性的算法才能讓AI更有效地學(xué)習(xí)，并越來(lái)越像人類。那么，為何深度學(xué)習(xí)算法十分依賴算力的增長(zhǎng)，現(xiàn)在算力的極限在哪里，如何突破？除了算力，深度學(xué)習(xí)還能否依靠其他方式改進(jìn)算法性能？革命性算法的標(biāo)準(zhǔn)是什么？
大規(guī)模樣本數(shù)據(jù)催生計(jì)算需求
“深度學(xué)習(xí)本質(zhì)上是基于統(tǒng)計(jì)的科學(xué)，所以大規(guī)模的樣本數(shù)據(jù)對(duì)于深度學(xué)習(xí)的效果至關(guān)重要。更大規(guī)模和更復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型已經(jīng)被證明非常有效，并在產(chǎn)品中有廣泛的使用，同時(shí)這也讓深度學(xué)習(xí)對(duì)計(jì)算能力有著更大要求和消耗。”遠(yuǎn)望智庫(kù)AI事業(yè)部部長(zhǎng)、圖靈機(jī)器人首席戰(zhàn)略官譚茗洲表示。
人工智能設(shè)計(jì)之初，并沒(méi)有考慮節(jié)能原則，只要有足夠的算力和電力，算法就可以一直跑下去。
2019年6月，美國(guó)馬薩諸塞州大學(xué)阿默斯特分校的一份報(bào)告顯示，訓(xùn)練和搜索某種模型所需的電量涉及約626000磅二氧化碳排放量，這相當(dāng)于美國(guó)普通汽車使用壽命內(nèi)排放量的近5倍。此外，優(yōu)越的靈活性使深度學(xué)習(xí)可以很好地建立不同的模型，超越專家的模型，但也帶來(lái)昂貴的算力成本。深度學(xué)習(xí)需要的硬件負(fù)擔(dān)和計(jì)算次數(shù)，背后消耗的是巨額資金。
一份業(yè)內(nèi)報(bào)告顯示，華盛頓大學(xué)的Grover假新聞檢測(cè)模型兩周內(nèi)培訓(xùn)費(fèi)用約為25000美元。另?yè)?jù)報(bào)道，著名人工智能非營(yíng)利組織OpenAI花費(fèi)高達(dá)1200萬(wàn)美元訓(xùn)練其GPT-3語(yǔ)言模型，而GPT-2語(yǔ)言模型，每小時(shí)訓(xùn)練花費(fèi)則達(dá)到256美元。
改進(jìn)算法降低對(duì)計(jì)算平臺(tái)要求
實(shí)際上，算力一直在提高。OpenAI一項(xiàng)研究表明，自2012年以來(lái)，每16個(gè)月將AI模型訓(xùn)練到ImageNet（一個(gè)用于視覺(jué)對(duì)象識(shí)別軟件研究的大型可視化數(shù)據(jù)庫(kù)）圖像分類中，相同性能模型所需的計(jì)算量就減少了一半；谷歌的Transformer架構(gòu)超越了其之前開(kāi)發(fā)的seq2架構(gòu)，計(jì)算量減少了61倍；DeepMind的AlphaZero與該系統(tǒng)的前身AlphaGoZero的改進(jìn)版本相匹配，其計(jì)算量也減少了8倍。
有網(wǎng)友提出，現(xiàn)在的硬件算力提升有些誤區(qū)，不一定非得在單位面積上堆更多的晶體管，我們需要更好的框架來(lái)支持底層計(jì)算條件及相應(yīng)的硬件改進(jìn)。理想情況下，用消費(fèi)級(jí)的GPU就能運(yùn)行很多深度模型。
“人們對(duì)深度學(xué)習(xí)的性能或結(jié)果的要求越來(lái)越高，隨之對(duì)于算力的需求也越來(lái)越大。要讓算力增長(zhǎng)或突破，從算法層面，首先可以優(yōu)化并行計(jì)算，有效利用多機(jī)多核的計(jì)算能力，靈活滿足各種需求。同時(shí)，相對(duì)于傳統(tǒng)的基于單機(jī)編寫(xiě)的程序，如果改寫(xiě)為多機(jī)多核的并行程序，能夠充分利用其CPU和GPU（或AI芯片）的資源，將使運(yùn)行效率大幅度提升。”西安電子科技大學(xué)電子工程學(xué)院教授吳家驥表示。
除了算力，深度學(xué)習(xí)本身還可通過(guò)哪些方式改進(jìn)算法？吳家驥介紹，深度學(xué)習(xí)都是在異構(gòu)硬件上運(yùn)行，大數(shù)據(jù)進(jìn)入時(shí)，需要分流處理，從算法上來(lái)看，可以調(diào)度優(yōu)化，讓異構(gòu)架構(gòu)（CPU、GPU、AI芯片）因地制宜地調(diào)度深度學(xué)習(xí)和大數(shù)據(jù)處理業(yè)務(wù)。
吳家驥指出，未來(lái)可能很長(zhǎng)一段時(shí)間內(nèi)，對(duì)深度算法的改進(jìn)，不僅要從架構(gòu)、硬件上考慮，還要考慮模型的壓縮能力。例如，就具體問(wèn)題而言，考慮如何把大象關(guān)進(jìn)冰箱，但問(wèn)題是冰箱關(guān)不了大象，但若把大象壓縮成小貓小狗的大小，就可裝入冰箱。這就需要模型壓縮，在保證精度的前提下，壓縮神經(jīng)網(wǎng)絡(luò)模型，降低對(duì)計(jì)算平臺(tái)的要求，大大提高計(jì)算效率，滿足更多的實(shí)際場(chǎng)景需求。
研究人員認(rèn)為，在算法水平上進(jìn)行深度學(xué)習(xí)改進(jìn)已有先例。例如谷歌的張量處理單元，現(xiàn)場(chǎng)可編程門(mén)陣列和專用集成電路，并試圖通過(guò)網(wǎng)絡(luò)壓縮和加速技術(shù)來(lái)降低計(jì)算復(fù)雜性。他們還引用了神經(jīng)體系結(jié)構(gòu)搜索和元學(xué)習(xí)，查找在一類問(wèn)題上保持良好性能的體系結(jié)構(gòu)，以此作為計(jì)算上有效改進(jìn)算法的途徑。
算力增長(zhǎng)未必會(huì)讓AI擁有類人智力
無(wú)疑，算法突破的目的是讓機(jī)器更像人類大腦一樣具有神經(jīng)元的功能。但就功耗而言，大腦要像超級(jí)計(jì)算機(jī)那樣運(yùn)算，自身溫度就會(huì)飆升上百攝氏度，所以若簡(jiǎn)單認(rèn)為更多的計(jì)算能力就可讓人工智能擁有人類智能的想法顯然是存在爭(zhēng)議的。
“人類的智能中基因與常識(shí)是機(jī)器所不具備的，其中基因是不需要計(jì)算的，常識(shí)是可以通過(guò)簡(jiǎn)單計(jì)算實(shí)現(xiàn)的。”譚茗洲指出。
“常識(shí)決定了基本能力、發(fā)現(xiàn)力和創(chuàng)造力，而具有常識(shí)能力，是更先進(jìn)意義上的人工智能。革命性的算法，就是要讓AI具備擁有學(xué)習(xí)常識(shí)的能力，這也是未來(lái)一個(gè)很有潛力的研究方向。”吳家驥說(shuō)。
有人說(shuō)，深度學(xué)習(xí)大多數(shù)是“煉金術(shù)”，大多數(shù)算法是對(duì)經(jīng)驗(yàn)更樸實(shí)的歸納，對(duì)說(shuō)的問(wèn)題進(jìn)行更精辟的演繹。譚茗洲說(shuō)：“現(xiàn)在數(shù)據(jù)非常多，算力也在增強(qiáng)，人們依賴深度學(xué)習(xí)提升AI智力，但‘傻學(xué)硬練’形成更強(qiáng)的學(xué)習(xí)方法，很難達(dá)到或超越人類的算力及智力。”
那么，革命性算法的標(biāo)準(zhǔn)是什么，為什么優(yōu)于深度學(xué)習(xí)的算法遲遲沒(méi)出現(xiàn)？
譚茗洲認(rèn)為，革命算法的標(biāo)準(zhǔn)首先是在不同場(chǎng)景具有高適應(yīng)度，可以形成知識(shí)記憶和經(jīng)驗(yàn)記憶的算法，并且低耗能低成本。未來(lái)革命性算法有可能基于三點(diǎn)提升，一是基于常識(shí)推理。由于我們面對(duì)的大量場(chǎng)景不是通過(guò)大量數(shù)據(jù)訓(xùn)練而來(lái)，人類大腦面對(duì)這些場(chǎng)景往往是通過(guò)常識(shí)推理運(yùn)算而得出結(jié)論，而深度學(xué)習(xí)并沒(méi)有建立這套體系。另外，常識(shí)和常識(shí)之間的關(guān)聯(lián)性，加速了人類對(duì)結(jié)果的推理速度。二是基于負(fù)性小樣本的學(xué)習(xí)。在深度學(xué)習(xí)模型中，往往很少去學(xué)習(xí)什么是錯(cuò)誤的，而汲取負(fù)面行為及教訓(xùn)性質(zhì)類型的小樣本是有學(xué)習(xí)意義的。三是基于交流、溝通的學(xué)習(xí)，人與人交流在學(xué)習(xí)中分幾個(gè)層次，看、聽(tīng)、模仿等，AI也應(yīng)多從這幾個(gè)方面入手，建立以交通、溝通為目的的學(xué)習(xí)，而不是單單通過(guò)大數(shù)據(jù)訓(xùn)練模仿人類智能。
