Како вештачката интелигенција влијае на животната средина?

Како вештачката интелигенција влијае на животната средина?

Краток одговор: Вештачката интелигенција влијае на животната средина главно преку употребата на електрична енергија во центрите за податоци (и обука и секојдневно изведување на инференции), заедно со водата за ладење, плус отелотворените влијанија од производството на хардвер и е-отпадот. Ако употребата се зголеми на милијарди прашања, инференцијата може да ја надмине обуката; ако мрежите се почисти, а системите се ефикасни, влијанијата се намалуваат, додека придобивките можат да растат.

Клучни заклучоци:

Електрична енергија : Следете ја употребата на компјутери; емисиите се намалуваат кога работните оптоварувања се извршуваат на почисти мрежи.

Вода : Изборите за ладење ги менуваат влијанијата; методите базирани на вода се најважни во оскудните региони.

Хардвер : Чиповите и серверите носат значителни отелотворени влијанија; го продолжуваат животниот век и даваат приоритет на реновирањето.

Отскок : Ефикасноста може да ја зголеми вкупната побарувачка; да ги мери резултатите, а не само добивките по задача.

Оперативни лостови : Модели со соодветна големина, оптимизирање на инференцијата и транспарентно пријавување на метрики по барање.

Како вештачката интелигенција влијае на животната средина? Инфографик

Статии што можеби ќе ве интересираат по оваа:

🔗 Дали вештачката интелигенција е лоша за животната средина?
Истражете го јаглеродниот отпечаток на вештачката интелигенција, потрошувачката на електрична енергија и барањата на центрите за податоци.

🔗 Зошто вештачката интелигенција е лоша за општеството?
Погледнете ги пристрасноста, нарушувањето на работните места, дезинформациите и проширувањето на социјалната нееднаквост.

🔗 Зошто вештачката интелигенција е лоша? Темната страна на вештачката интелигенција
Разберете ги ризиците како што се надзор, манипулација и губење на човечка контрола.

🔗 Дали вештачката интелигенција отишла предалеку?
Дебати за етиката, регулативата и каде иновацијата треба да повлече граници.

Како вештачката интелигенција влијае на животната средина: краток преглед ⚡🌱

Ако се сеќавате само на неколку точки, направете ги овие:

И потоа, тука е делот што луѓето го забораваат: обемот . Едно барање за вештачка интелигенција може да биде мало, но милијарди од нив се сосема различни суштества… како мала снежна топка што некако станува лавина со големина на софа. (Таа метафора е малку погрешна, но разбирате.) IEA: Енергија и вештачка интелигенција

Еколошкиот отпечаток на вештачката интелигенција не е едно нешто - тоа е збир 🧱🌎

Кога луѓето се расправаат за вештачката интелигенција и одржливоста, тие честопати се преправаат дека се спротивставуваат бидејќи посочуваат на различни слоеви:

1) Пресметка на електрична енергија

2) Општи трошоци за центарот за податоци

3) Вода и топлина

4) Синџир на снабдување со хардвер

5) Однесување и ефекти на отскокнување

Значи, кога некој ќе праша како вештачката интелигенција влијае на животната средина, директниот одговор е: зависи од тоа кој слој го мерите и што значи „вештачката интелигенција“ во таа ситуација.

Обука наспроти инференција: разликата што менува сè 🧠⚙️

Луѓето сакаат да зборуваат за обука затоа што звучи драматично - „еден модел користел X енергија“. Но, инференцијата е тивок џин. IEA: Енергија и вештачка интелигенција

Тренинг (големата градба)

Обуката е како изградба на фабрика. Вие ги плаќате однапред трошоците: големо пресметување, долго време на извршување, многу обиди и грешки (и да, многу повторувања на „упс што не функционираше, обидете се повторно“). Обуката може да се оптимизира, но сепак може да биде значителна. IEA: Енергија и вештачка интелигенција

Заклучок (дневна употреба)

Заклучувањето е како фабриката што работи секој ден, за сите, во голем обем:

  • Четботови кои одговараат на прашања

  • Генерирање слики

  • Рангирање на пребарување

  • Препораки

  • Претворање од говор во текст

  • Откривање на измами

  • Копилоти во документи и алатки за код

Дури и ако секое барање е релативно мало, обемот на употреба може да ја засени обуката. Тоа е класична ситуација од типот „една сламка е ништо, милион сламки се проблем“. IEA: Енергија и вештачка интелигенција

Мала забелешка - некои задачи со вештачка интелигенција се многу потешки од други. Генерирањето слики или долги видеа има тенденција да троши повеќе енергија отколку класификацијата на кратки текстови. Значи, групирањето на „ВЕ“ во една кофа е малку како да споредувате велосипед со товарен брод и обете да ги наречете „транспорт“. IEA: Енергија и вештачка интелигенција

Центри за податоци: енергија, ладење и таа приказна за тивка вода 💧🏢

Центрите за податоци не се нови, но вештачката интелигенција го менува интензитетот. Забрзувачите со високи перформанси можат да повлечат многу енергија во тесни простори, што се претвора во топлина, која мора да се управува. LBNL (2024): Извештај за потрошувачката на енергија во центрите за податоци во Соединетите Американски Држави (PDF) IEA: Енергија и вештачка интелигенција

Основи на ладење (поедноставени, но практични)

Тоа е компромисот: понекогаш можете да ја намалите потрошувачката на електрична енергија потпирајќи се на ладење базирано на вода. Во зависност од локалниот недостиг на вода, тоа може да биде во ред… или може да биде вистински проблем. Ли и др. (2023): Правење на вештачката интелигенција помалку „жедна“ (PDF)

Исто така, еколошкиот отпечаток во голема мера зависи од:

Да бидам искрен: јавниот разговор честопати го третира „центарот за податоци“ како црна кутија. Не е зло, не е магично. Тоа е инфраструктура. Се однесува како инфраструктура.

Чипс и хардвер: делот што луѓето го прескокнуваат затоа што е помалку секси 🪨🔧

Вештачката интелигенција живее на хардверот. Хардверот има животен циклус, а влијанијата врз животниот циклус можат да бидат големи. US EPA: Полупроводничка индустрија ITU: Глобален монитор за е-отпад 2024

Каде се појавува влијанието врз животната средина

Е-отпад и „совршено добри“ сервери

Голема штета врз животната средина не е од еден постоечки уред - туку од неговата рана замена бидејќи повеќе не е исплатлив. Вештачката интелигенција го забрзува ова бидејќи скоковите во перформансите можат да бидат големи. Искушението за освежување на хардверот е реално. ITU: Глобален монитор за е-отпад 2024

Практична забелешка: продолжувањето на животниот век на хардверот, подобрувањето на користењето и реновирањето можат да бидат важни исто колку и која било фенси промена на моделот. Понекогаш најеколошката графичка картичка е онаа што не ја купувате. (Тоа звучи како слоган, но е и… донекаде вистина.)

Како вештачката интелигенција влијае на животната средина: јамката на однесување „луѓето го забораваат ова“ 🔁😬

Еве го незгодниот општествен дел: вештачката интелигенција ги олеснува работите, па луѓето прават повеќе работи. Тоа може да биде прекрасно - поголема продуктивност, поголема креативност, поголем пристап. Но, може да значи и поголема вкупна употреба на ресурсите. OECD (2012): Повеќекратните придобивки од подобрувањата на енергетската ефикасност (PDF)

Примери:

  • Ако вештачката интелигенција го прави генерирањето видеа евтино, луѓето генерираат повеќе видеа.

  • Ако вештачката интелигенција го направи рекламирањето поефикасно, ќе се прикажуваат повеќе реклами, ќе се вртат повеќе јамки на ангажман.

  • Ако вештачката интелигенција ја направи логистиката за испорака поефикасна, е-трговијата може да се прошири уште повеќе.

Ова не е причина за паника. Ова е причина за мерење на резултатите, а не само ефикасноста.

Несовршена, но забавна метафора: Ефикасноста на вештачката интелигенција е како да му дадете поголем фрижидер на тинејџер - да, складирањето храна се подобрува, но некако фрижидерот повторно е празен за еден ден. Не е совршена метафора, но… сте го виделе тоа како се случува 😅

Предност: Вештачката интелигенција навистина може да ѝ помогне на животната средина (кога е правилно насочена) 🌿✨

Сега за делот што е потценет: вештачката интелигенција може да ги намали емисиите и отпадот во постојните системи кои се… искрено, неелегантни. IEA: Вештачка интелигенција за оптимизација на енергијата и иновации

Области каде што вештачката интелигенција може да помогне

Важна нијанса: „Помагањето“ на вештачката интелигенција не го компензира автоматски влијанието на вештачката интелигенција. Тоа зависи од тоа дали вештачката интелигенција е всушност распоредена, всушност користена и дали води до вистински намалувања, а не само до подобри контролни табли. Но да, потенцијалот е реален. IEA: Вештачка интелигенција за оптимизација на енергијата и иновации

Што ја прави една верзија на еколошка вештачка интелигенција добра? ✅🌍

Ова е делот „добро, што да правиме?“. Добрата еколошки одговорна вештачка интелигенција обично има:

  • Јасна вредност на случајот на употреба : Ако моделот не ги менува одлуките или резултатите, тоа е само фенси пресметка.

  • Мерења вградени во : Метрики за енергија, проценки на јаглерод, искористеност и ефикасност кои се следат како и секој друг KPI. CodeCarbon: Методологија

  • Модели со соодветна големина : Користете помали модели кога помалите модели функционираат. Не е морален неуспех да се биде ефикасен.

  • Ефикасен дизајн на инференција : кеширање, групирање, квантизација, пребарување и добри шеми на поттикнување. Голами и др. (2021): Преглед на методите за квантизација (PDF) Луис и др. (2020): Генерирање со зголемено пребарување

  • Свесност за хардверот и локацијата : извршувајте работни оптоварувања каде што мрежата е почиста и инфраструктурата е ефикасна (кога е изводливо). API за интензитет на јаглерод (GB)

  • Подолг век на траење на хардверот : максимизирање на искористеноста, повторната употреба и реновирањето. ITU: Глобален монитор за е-отпад 2024

  • Директно известување : избегнувајте јазик што го критикува „зелено перење“ и нејасни тврдења како „еколошка вештачка интелигенција“ без бројки.

Ако сè уште следите како вештачката интелигенција влијае на животната средина, ова е точката каде што одговорот престанува да биде филозофски и станува оперативен: таа влијае врз неа врз основа на вашите избори.

Табела за споредба: алатки и пристапи што всушност го намалуваат влијанието 🧰⚡

Подолу е прикажана брза, практична табела. Не е совршена, и да, неколку ќелии се малку претерани… бидејќи така функционира вистинскиот избор на алатки.

Алатка / Пристап Публика Цена Зошто функционира
Библиотеки за следење на јаглерод/енергија (проценувачи на време на извршување) Тимови за машинско учење Бесплатно Дава видливост - што е половина од битката, дури и ако проценките се малку нејасни… КодКарбон
Мониторинг на моќноста на хардверот (телеметрија на GPU/CPU) Инфра + ML Бесплатно Мери реална потрошувачка; добро за бенчмаркинг (невидливо, но златно)
Моделна дестилација инженери за машинско учење Бесплатно (трошок за време 😵) Помалите студентски модели честопати ги усогласуваат перформансите со многу помали трошоци за инференција Хинтон и др. (2015): Дестилирање на знаењето во невронска мрежа
Квантизација (инференција со помала прецизност) ML + производ Бесплатно Ги намалува латентноста и потрошувачката на енергија; понекогаш со мали компромиси во квалитетот, понекогаш никакви Голами и др. (2021): Преглед на методите за квантизација (PDF)
Кеширање + групно пресметување Производ + платформа Бесплатно Го намалува излишното пресметување; особено корисно за повторени инструкции или слични барања
Генерација со зголемено пребарување (RAG) Тимови за апликации Мешано Ја растоварува „меморијата“ за пребарување; може да ја намали потребата од огромни контекстуални прозорци Луис и др. (2020): Генерација со обновување-дополнето
Распоредување на работните оптоварувања според интензитетот на јаглеродот Инфра/операции Мешано Ги префрла флексибилните работни места на почисти електрични прозорци - сепак бара координација API за интензитет на јаглерод (GB)
Фокус на ефикасноста на центарот за податоци (искористување, консолидација) ИТ лидерство Платено (обично) Најмалку гламурозната лост, но често најголемата - престанете да работите со полупразни системи Зелената мрежа: PUE
Проекти за повторна употреба на топлина Објекти Зависи Ја претвора отпадната топлина во вредност; не е секогаш изводливо, но кога е, е некако убаво
„Дали воопшто ни е потребна вештачка интелигенција овде?“ проверете Секој Бесплатно Спречува бесмислено пресметување. Најмоќната оптимизација е да се каже не (понекогаш)

Забележи што недостасува? „Купи магична зелена налепница.“ Таа не постои 😬

Практичен прирачник: намалување на влијанието на вештачката интелигенција без уништување на производот 🛠️🌱

Ако градите или купувате системи со вештачка интелигенција, еве една реалистична низа што функционира во пракса:

Чекор 1: Започнете со мерење

  • Следете ја потрошувачката на енергија или проценете ја конзистентно. CodeCarbon: Методологија

  • Мерење по тренинг-врв и по барање за инференција.

  • Следете го користењето - неактивните ресурси имаат начин да се кријат на видно место. Зелената мрежа: PUE

Чекор 2: Соодветна големина на моделот за задачата

  • Користете помали модели за класификација, екстракција, рутирање.

  • Зачувајте го тешкиот модел за тврдите кутии.

  • Размислете за „каскада на модели“: прво мал модел, поголем модел само доколку е потребно.

Чекор 3: Оптимизирање на инференцијата (тука се менува скалата)

  • Кеширање : складирање на одговори за повторени прашања (со внимателни контроли за приватност).

  • Групирање : групни барања за подобрување на ефикасноста на хардверот.

  • Пократки резултати : долгите резултати чинат повеќе - понекогаш не ви е потребен есејот.

  • Дисциплина на брзање : неуредните инструкции создаваат подолги патеки за пресметување… и да, повеќе токени.

Чекор 4: Подобрете ја хигиената на податоците

Ова звучи неповрзано, но не е:

  • Почистите бази на податоци можат да го намалат одливот на вработени од преквалификација.

  • Помалку бучава значи помалку експерименти и помалку залудно потрошени работи.

Чекор 5: Третирајте го хардверот како средство, а не како предмет за еднократна употреба

  • Продолжете ги циклусите на освежување каде што е можно. ITU: Глобален монитор за е-отпад 2024

  • Повторно користете постар хардвер за полесни работни оптоварувања.

  • Избегнувајте обезбедување „секогаш во врвен режим“.

Чекор 6: Изберете распоредување мудро

  • Работете флексибилни работни места каде што енергијата е почиста, доколку можете. API за интензитет на јаглерод (GB)

  • Намалете ја непотребната репликација.

  • Одржувајте ги целите за латентност реални (ултра ниската латентност може да предизвика неефикасни поставки за секогаш вклучено).

И да… понекогаш најдобриот чекор е едноставно: не го стартувајте автоматски најголемиот модел за секое дејство на корисникот. Таа навика е еколошки еквивалент на оставање на секое светло вклучено затоа што одењето до прекинувачот е досадно.

Чести митови (и што е поблиску до вистината) 🧠🧯

Мит: „Вештачката интелигенција е секогаш полоша од традиционалниот софтвер“

Вистина: Вештачката интелигенција може да биде пооптоварена со компјутерски трошоци, но може да ги замени и неефикасните рачни процеси, да го намали отпадот и да ги оптимизира системите. Таа е ситуациска. IEA: Вештачка интелигенција за оптимизација на енергијата и иновации

Мит: „Обуката е единствениот проблем“

Вистина: Заклучувањето на ниво може да доминира со текот на времето. Ако вашиот производ експлодира во употреба, ова станува главна приказна. IEA: Енергија и вештачка интелигенција

Мит: „Обновливите извори на енергија го решаваат проблемот веднаш“

Вистина: Почистата електрична енергија многу помага, но не го отстранува отпечатокот на хардверот, потрошувачката на вода или ефектите на поврат. Сепак, сè уште е важно. IEA: Енергија и вештачка интелигенција

Мит: „Ако е ефикасно, тогаш е одржливо“

Вистината: Ефикасноста без контрола на побарувачката сепак може да го зголеми вкупниот ефект. Тоа е стапицата на враќање. ОЕЦД (2012): Повеќекратните придобивки од подобрувањата на енергетската ефикасност (PDF)

Управување, транспарентност и тоа да не се прави театрално 🧾🌍

Ако сте компанија, тука се гради или губи довербата.

Ова е делот каде што луѓето превртуваат со очи, но е важно. Одговорната технологија не е само паметно инженерство. Станува збор и за тоа да не се преправаме дека не постојат компромиси.

Заклучок: краток преглед на тоа како вештачката интелигенција влијае на животната средина 🌎✅

Влијанието на вештачката интелигенција врз животната средина се сведува на дополнително оптоварување: електрична енергија, вода (понекогаш) и побарувачка на хардвер. IEA: Енергија и вештачка интелигенција Li et al. (2023): Правење на вештачката интелигенција помалку „жедна“ (PDF) Исто така, нуди моќни алатки за намалување на емисиите и отпадот во други сектори. IEA: Вештачка интелигенција за оптимизација на енергијата и иновации. Нето резултатот зависи од обемот, чистотата на мрежата, изборите за ефикасност и дали вештачката интелигенција решава реални проблеми или само генерира новина заради новина. IEA: Енергија и вештачка интелигенција

Ако сакате наједноставниот практичен заклучок:

  • Мери.

  • Со вистинска големина.

  • Оптимизирајте ја инференцијата.

  • Продолжете го животниот век на хардверот.

  • Бидете искрени за компромисите.

И ако се чувствувате преоптоварени, еве една смирувачка вистина: малите оперативни одлуки, повторени илјада пати, обично се победнички од една голема изјава за одржливост. Нешто како миење заби. Не е гламурозно, но функционира… 😄🪥

Најчесто поставувани прашања

Како вештачката интелигенција влијае на животната средина при секојдневна употреба, а не само на големите истражувачки лаборатории?

Поголемиот дел од влијанието на вештачката интелигенција доаѓа од електричната енергија што ги напојува центрите за податоци што работат со графички процесори и процесори за време на обуката и секојдневното „инференција“. Едно барање може да биде скромно, но во обем тие барања брзо се акумулираат. Влијанието зависи и од тоа каде се наоѓа центарот за податоци, колку е чиста локалната мрежа и колку ефикасно се управува со инфраструктурата.

Дали тренирањето на модел на вештачка интелигенција е полошо за околината отколку неговото користење (заклучок)?

Обуката може да биде голем, однапред направен наплив на пресметување, но инференцијата може да стане поголем отпечаток со текот на времето бидејќи работи постојано и на масовно ниво. Ако алатката ја користат милиони луѓе секој ден, повторените барања можат да ги надминат еднократните трошоци за обука. Затоа оптимизацијата често се концентрира на ефикасноста на инференцијата.

Зошто вештачката интелигенција користи вода и дали тоа секогаш претставува проблем?

Вештачката интелигенција може да користи вода главно затоа што некои центри за податоци се потпираат на ладење базирано на вода или затоа што водата се троши индиректно преку производство на електрична енергија. Во одредени климатски услови, испарувачкото ладење може да ја намали потрошувачката на електрична енергија, а воедно да ја зголеми потрошувачката на вода, создавајќи вистински компромис. Дали е „лошо“ зависи од локалниот недостиг на вода, дизајнот на ладењето и дали потрошувачката на вода се мери и управува.

Кои делови од еколошкиот отпечаток на вештачката интелигенција доаѓаат од хардверот и е-отпадот?

Вештачката интелигенција зависи од чипови, сервери, мрежна опрема, згради и синџири на снабдување - што значи рударство, производство, испорака и евентуално отстранување. Производството на полупроводници е енергетски интензивно, а брзите циклуси на надградба можат да ги зголемат отелотворените емисии и е-отпад. Продолжувањето на животниот век на хардверот, реновирањето и подобрувањето на користењето можат значително да го намалат влијанието, понекогаш соочени со промените на ниво на модел.

Дали користењето на обновлива енергија го решава влијанието на вештачката интелигенција врз животната средина?

Почистата електрична енергија може да ги намали емисиите од компјутерската технологија, но не ги отстранува другите влијанија како што се употребата на вода, производството на хардвер и е-отпадот. Исто така, не ги адресира автоматски „ефектите на поврат“, каде што пониската цена на компјутерската технологија води до поголема употреба во целина. Обновливите извори на енергија се важна лост, но тие се само еден дел од вкупниот отпечаток.

Што е ефектот на поврат и зошто е важен за вештачката интелигенција и одржливоста?

Ефектот на поврат на ефикасноста е кога зголемувањето на ефикасноста го прави нешто поевтино или полесно, па луѓето го прават тоа повеќе - понекогаш уништувајќи ги заштедите. Со вештачката интелигенција, поевтиното производство или автоматизација може да ја зголеми вкупната побарувачка за содржина, компјутери и услуги. Затоа мерењето на резултатите во пракса е поважно од славењето на ефикасноста во изолација.

Кои се практичните начини да се намали влијанието на вештачката интелигенција без да се наштети на производот?

Вообичаен пристап е да се започне со мерење (проценки на енергија и јаглерод, искористеност), потоа модели со соодветна големина за задачата и да се оптимизира инференцијата со кеширање, групирање и пократки излезни податоци. Техники како квантизација, дестилација и генерирање со зголемено пребарување можат да ги намалат потребите за пресметување. Оперативните избори - како што се распоредувањето на работното оптоварување според интензитетот на јаглеродот и подолгиот век на траење на хардверот - честопати носат големи победи.

Како вештачката интелигенција може да ѝ помогне на животната средина, наместо да ѝ наштети?

Вештачката интелигенција може да ги намали емисиите и отпадот кога е распоредена за оптимизирање на реалните системи: предвидување на мрежата, одговор на побарувачката, контрола на HVAC во зградата, логистичко рутирање, предвидливо одржување и откривање на протекување. Исто така, може да поддржи следење на животната средина, како што се предупредувања за уништување на шумите и откривање на метан. Клучно е дали системот ги менува одлуките и произведува мерливи намалувања, а не само подобри контролни табли.

Кои метрики треба да ги пријават компаниите за да избегнат „зелено перење“ на тврдењата за вештачка интелигенција?

Позначајно е да се пријавуваат метрики по задача или по барање отколку само големи вкупни бројки, бидејќи тоа покажува ефикасност на ниво на единица. Следењето на потрошувачката на енергија, проценките на јаглеродот, искористеноста и - каде што е релевантно - влијанијата на водата создава појасна одговорност. Исто така важно: дефинирајте граници (што е вклучено) и избегнувајте нејасни етикети како „еколошка вештачка интелигенција“ без квантифицирани докази.

Референци

  1. Меѓународна агенција за енергија (ИЕА) - Енергија и вештачка интелигенција - iea.org

  2. Меѓународна агенција за енергетика (IEA) - Вештачка интелигенција за оптимизација на енергијата и иновации - iea.org

  3. Меѓународна агенција за енергија (ИЕА) - Дигитализација - iea.org

  4. Национална лабораторија Лоренс Беркли (LBNL) - Извештај за потрошувачката на енергија во центарот за податоци во Соединетите Американски Држави (2024) (PDF) - lbl.gov

  5. Ли и др. - Како да се направи вештачката интелигенција помалку „жедна“ (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Појава и проширување на течното ладење во мејнстрим центри за податоци (PDF) - ashrae.org

  7. Зелената мрежа - PUE - сеопфатен преглед на метриката - thegreengrid.org

  8. Министерство за енергетика на САД (DOE) - FEMP - Можности за ефикасност на водата за ладење за федералните центри за податоци - energy.gov

  9. Министерство за енергетика на САД (DOE) - FEMP - Енергетска ефикасност во центри за податоци - energy.gov

  10. Агенција за заштита на животната средина на САД (EPA) - Полупроводничка индустрија - epa.gov

  11. Меѓународна унија за телекомуникации (ITU) - Глобален монитор за е-отпад 2024 - itu.int

  12. ОЕЦД - Повеќекратните придобивки од подобрувањата на енергетската ефикасност (2012) (PDF) - oecd.org

  13. API за интензитет на јаглерод (GB) - carbonintensity.org.uk

  14. imec - Намалување на влијанието врз животната средина во производството на чипови - imec-int.com

  15. УНЕП - Како функционира МАРС - unep.org

  16. Глобално набљудување на шумите - GLAD известувања за уништување на шумите - globalforestwatch.org

  17. Институтот „Алан Тјуринг“ - Вештачка интелигенција и автономни системи за проценка на биодиверзитетот и здравјето на екосистемите - turing.ac.uk

  18. CodeCarbon - Методологија - mlco2.github.io

  19. Голами и др. - Преглед на методите за квантизација (2021) (PDF) - arxiv.org

  20. Луис и др. - Проширена генерација со пребарување (2020) - arxiv.org

  21. Хинтон и др. - Дестилирање на знаењето во невронска мрежа (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас

Назад кон блогот