Колку енергија користи вештачката интелигенција?

Колку енергија користи вештачката интелигенција?

Одговор: Вештачката интелигенција може да користи многу малку електрична енергија за едноставна текстуална задача, но многу повеќе кога барањата се долги, излезните податоци се мултимодални или системите работат на масовно ниво. Обуката е обично главниот почетен енергетски удар, додека секојдневните заклучоци стануваат значајни како што се акумулираат барањата.

Клучни заклучоци:

Контекст : Дефинирајте ја задачата, моделот, хардверот и обемот пред да наведете каква било проценка на енергијата.

Обука : Третирајте ја обуката на моделите како главен настан за енергија во почетната фаза при планирањето на буџетите.

Заклучок : Внимателно следете го повтореното заклучување, бидејќи малите трошоци по барање брзо се собираат на обем.

Инфраструктура : Вклучете ладење, складирање, мрежи и неактивен капацитет во секоја реална проценка.

Ефикасност : Користете помали модели, пократки инструкции, кеширање и групирање за да ја намалите потрошувачката на енергија.

Колку енергија користи вештачката интелигенција? Инфографик

Статии што можеби ќе ве интересираат по оваа:

🔗 Како вештачката интелигенција влијае на животната средина
Ги објаснува јаглеродниот отпечаток на вештачката интелигенција, употребата на енергија и компромисите меѓу одржливоста.

🔗 Дали вештачката интелигенција е лоша за животната средина?
Ги разоткрива скриените еколошки трошоци на моделите со вештачка интелигенција и центрите за податоци.

🔗 Дали вештачката интелигенција е добра или лоша? Предности и недостатоци
Урамнотежен поглед на придобивките, ризиците, етиката и реалните влијанија од вештачката интелигенција.

🔗 Што е вештачка интелигенција? Едноставен водич
Научете ги основите на вештачката интелигенција, клучните термини и секојдневните примери за неколку минути.

Зошто ова прашање е поважно отколку што луѓето мислат 🔍

Користењето на енергија од вештачка интелигенција не е само тема на разговор за животната средина. Таа допира до неколку многу реални работи:

  • Трошоци за електрична енергија - особено за бизниси кои имаат многу барања за вештачка интелигенција

  • Влијание на јаглерод - во зависност од изворот на енергија зад серверите

  • Хардверски напор - моќните чипови влечат сериозна моќност

  • Скалирање на одлуки - еден евтин предлог може да се претвори во милиони скапи одлуки

  • Дизајн на производ - ефикасноста е често подобра карактеристика отколку што луѓето сфаќаат ( Google Cloud , Green AI )

Многу луѓе прашуваат „Колку енергија користи вештачката интелигенција?“ затоа што сакаат драматична бројка. Нешто големо. Нешто што ќе се пласира во наслови. Но, подоброто прашање е следново: За каков вид употреба на вештачката интелигенција зборуваме? Бидејќи тоа сè менува. ( IEA )

Еден предлог за автоматско дополнување? Доста мал.
Обука на граничн модел низ масивни кластери? Многу, многу поголем.
Секогаш активен работен тек со вештачка интелигенција во претпријатието што допира до милиони корисници? Да, тоа брзо се собира... како парички што се претвораат во плаќање кирија. ( DOE , Google Cloud )

Колку енергија користи вештачката интелигенција? Краткиот одговор ⚡

Еве ја практичната верзија.

Вештачката интелигенција може да користи од мал дел од ват-час за лесна задача до огромни количини електрична енергија за обука и распоредување на големи размери. Тој опсег звучи комично широк бидејќи е широк. ( Google Cloud , Strubell et al. )

Едноставно кажано:

  • Едноставни задачи за инференција - честопати релативно скромни по употреба

  • Долги разговори, големи излезни податоци, генерирање слики, генерирање видеа - значително повеќе енергија

  • Тренинг на големи модели - шампион во тешка категорија за потрошувачка на енергија

  • Користење на вештачка интелигенција на големо во текот на целиот ден - каде што „мали трошоци по барање“ стануваат „големи вкупни трошоци“ ( Google Cloud , DOE )

Добро правило е ова:

  • Тренингот е гигантски настан од почетната фаза на енергијата 🏭

  • Заклучокот е тековната сметка за комунални услуги 💡 ( Струбел и др. , Google Research )

Значи, кога некој ќе праша, колку енергија користи вештачката интелигенција?, директниот одговор е: „Не една количина - туку доволно за ефикасноста да биде важна и доволно за обемот да ја промени целата приказна.“ ( IEA , Зелена вештачка интелигенција )

Знам дека тоа не е толку привлечно колку што луѓето сакаат. Но, вистина е.

Што ја прави верзијата на проценка на енергијата со вештачка интелигенција добра? 🧠

Добрата проценка не е само драматичен број фрлен на графикон. Практичната проценка вклучува контекст. Инаку, тоа е како мерење магла со вага за бања. Доволно блиску за да звучи импресивно, а не доволно блиску за да се верува. ( IEA , Google Cloud )

Пристојна проценка на енергијата на вештачката интелигенција треба да вклучува:

  • Тип на задача - текст, слика, аудио, видео, обука, фино подесување

  • Големината на моделот - поголемите модели обично бараат повеќе пресметки

  • Користениот хардвер - не сите чипови се подеднакво ефикасни

  • Должина на сесијата - кратките инструкции и долгите работни процеси со повеќе чекори се многу различни

  • Користење - системите во мирување сè уште трошат енергија

  • Ладење и инфраструктура - серверот не е целата сметка

  • Локација и енергетски микс - електричната енергија не е подеднакво чиста насекаде ( Google Cloud , IEA )

Затоа двајца луѓе можат да се расправаат за употребата на електрична енергија од вештачка интелигенција, а двајцата да звучат самоуверено додека зборуваат за сосема различни работи. Едното лице мисли на еден одговор од четбот. Другото мисли на огромно трчање за тренинг. И двајцата велат „Вештачка интелигенција“, и одеднаш разговорот се лизга по шините 😅

Табела за споредба - најдобри начини за проценка на потрошувачката на енергија од вештачка интелигенција 📊

Еве една практична табела за секој што се обидува да одговори на прашањето без да го претвори во перформанс уметност.

Алатка или метод Најдобра публика Цена Зошто функционира
Едноставна проценка со правило на палецот Љубопитни читатели, студенти Бесплатно Брзо, лесно, малку нејасно - но доволно добро за груби споредби
Ватметар од страната на уредот Соло градители, хобисти Ниско Мери вистинското полнење на машината, кое е освежително бетонско
Контролна табла за телеметрија на GPU Инженери, тимови за машинско учење Средно Подобри детали за задачи со големи пресметки, иако може да го промашат поголемиот оптоварувачки капацитет
Наплата во облак + логови за користење Стартапи, оперативни тимови Средно до високо Ја поврзува употребата на вештачка интелигенција со реалното трошење - не е совршено, но сепак доста вредно
Известување за енергија на центарот за податоци Претпријатиски тимови Висок Дава поширока оперативна видливост, ладењето и инфраструктурата почнуваат да се појавуваат тука
Проценка на целосен животен циклус Тимови за одржливост, големи организации Ехит, понекогаш болно Најдобро за сериозна анализа бидејќи оди подалеку од самиот чип... но е бавно и некако ѕверско

Не постои совршен метод. Тоа е малку фрустрирачкиот дел. Но, постојат нивоа на вредност. И обично, нешто што може да се употреби е подобро од совршено. ( Google Cloud )

Најголемиот фактор не е магијата - туку компјутерите и хардверот 🖥️🔥

Кога луѓето ја замислуваат употребата на енергија од вештачка интелигенција, тие често го замислуваат самиот модел како нешто што троши енергија. Но, моделот е софтверска логика што работи на хардвер. Хардверот е местото каде што се појавува сметката за електрична енергија. ( Strubell et al. , Google Cloud )

Најголемите варијабли обично вклучуваат:

Високо оптимизиран систем може да заврши повеќе работа со помалку енергија. Невнимателен систем може да троши електрична енергија со неверојатна самодоверба. Знаете како е - некои поставувања се тркачки автомобили, некои се колички за пазарење со ракети залепени со селотејп 🚀🛒

И да, големината на моделот е важна. Поголемите модели имаат тенденција да бараат повеќе меморија и повеќе пресметки, особено кога се генерираат долги излезни податоци или се справуваат со сложено расудување. Но, триковите за ефикасност можат да ја променат сликата: ( Зелена вештачка интелигенција , квантизација, групирање и стратегии за сервирање во употребата на енергија во LLM )

Значи, прашањето не е само „Колку е голем моделот?“, туку и „Колку интелигентно се управува?“

Обука наспроти инференција - ова се различни животни 🐘🐇

Ова е поделбата што ги збунува речиси сите.

Обука

Обуката е кога моделот учи шеми од огромни збирки податоци. Може да вклучува многу чипови кои работат подолг период, „џвакајќи“ огромни количини на податоци. Оваа фаза е енергетски гладна. Понекогаш и премногу. ( Струбел и др. )

Енергијата за тренинг зависи од:

  • големина на моделот

  • големина на множеството податоци

  • број на тренинзи

  • неуспешни експерименти

  • фино подесување на додавања

  • ефикасност на хардверот

  • ладење надземни делови ( Strubell et al. , Google Research )

И еве го делот што луѓето често го пропуштаат - јавноста често замислува едно големо тренирање, направено еднаш, крај на приказната. Во пракса, развојот може да вклучува повторени тренинзи, прилагодување, преквалификација, евалуација и сите прозаични, но скапи повторувања околу главниот настан. ( Strubell et al. , Green AI )

Заклучок

Инференцијата е модел што одговара на барањата на вистинските корисници. Едно барање можеби не изгледа многу. Но, инференцијата се случува одново и одново. Милиони пати. Понекогаш милијарди. ( Google Research , DOE )

Енергијата на инференција расте со:

Значи, обуката е земјотресот. Заклучокот е плимата и осеката. Едната е драматична, едната е постојана, а обете можат малку да го преобликуваат брегот. Можеби е невообичаена метафора, но се држи заедно... повеќе или помалку.

Скриените трошоци за енергија за кои луѓето забораваат 😬

Кога некој ја проценува потрошувачката на енергија од вештачката интелигенција гледајќи само на чипот, обично ја потценува. Не секогаш катастрофално, но доволно за да биде важно. ( Google Cloud , IEA )

Еве ги скриените парчиња:

Ладење ❄️

Серверите генерираат топлина. Моќниот хардвер со вештачка интелигенција генерира многу од неа. Ладењето не е опционално. Секој ват потрошен од пресметката има тенденција да предизвика поголема потрошувачка на енергија само за да се одржат температурите разумни. ( IEA , Google Cloud )

Движење на податоци 🌐

Преместувањето на податоци низ складирање, меморија и мрежи исто така одзема енергија. Вештачката интелигенција не е само „размислување“. Таа е исто така постојано менување на информациите. ( IEA )

Капацитет на мирување 💤

Системите изградени за врвна побарувачка не секогаш работат при врвна побарувачка. Неактивната или недоволно искористена инфраструктура сè уште троши електрична енергија. ( Google Cloud )

Редундантност и сигурност 🧱

Резервни копии, системи за префрлување, дупликати региони, безбедносни слоеви - сите вредни, сите дел од поголемата енергетска слика. ( ИЕА )

Складирање 📦

Податоци за обука, вградувања, логови, контролни точки, генерирани излезни податоци - сите тие се наоѓаат некаде. Складирањето е поевтино од пресметувањето, секако, но не е бесплатно во однос на енергијата. ( IEA )

Затоа на прашањето „Колку енергија користи вештачката интелигенција?“ не може да се одговори добро со гледање во еден графикон за анализа. Целиот пакет е важен. ( Google Cloud , IEA )

Зошто еден поттик од вештачка интелигенција може да биде мал - а следниот може да биде чудовиште 📝➡️🎬

Не сите барања се создадени еднакви. Кратко барање за препишување реченица не е споредливо со барање за долга анализа, сесија за кодирање во повеќе чекори или генерирање слики со висока резолуција. ( Google Cloud )

Работи што имаат тенденција да ја зголемат потрошувачката на енергија по интеракција:

Лесен текстуален одговор може да биде релативно евтин. Гигантски мултимодален работен тек може да биде, па, не евтин. Тоа е малку како нарачување кафе наспроти кетеринг на свадба. И двата се сметаат за „услуга за храна“, технички. Едното не е како другото ☕🎉

Ова е особено важно за тимовите за производи. Функција што изгледа безопасна при мала употреба може да стане скапа во голем обем ако секоја корисничка сесија стане подолга, побогата и пооптоварена со компјутери. ( DOE , Google Cloud )

Потрошувачката вештачка интелигенција и претпријатиската вештачка интелигенција не се иста работа 🏢📱

Просечниот човек кој користи вештачка интелигенција повремено може да претпостави дека неговите повремени потсетници се големиот проблем. Обично, тоа не е местото каде што се наоѓа главната енергетска приказна. ( Google Cloud )

Употребата во претпријатијата ја менува математиката:

  • илјадници вработени

  • секогаш активни копилоти

  • автоматизирана обработка на документи

  • сумирање на повици

  • анализа на слики

  • алатки за преглед на код

  • позадинските агенти работат постојано

Тука агрегатната употреба на енергија почнува да има големо значење. Не затоа што секоја акција е апокалиптична, туку затоа што повторувањето е мултипликатор. ( DOE , IEA )

Во моите сопствени тестови и прегледи на работниот процес, тука луѓето се изненадуваат. Тие се фокусираат на името на моделот или на впечатливата демонстрација и го игнорираат волуменот. Волуменот е често вистинскиот двигател - или спасот, во зависност од тоа дали им наплаќате на клиентите или ги плаќате сметките за комунални услуги 😅

За потрошувачите, влијанието може да се чини апстрактно. За бизнисите, тоа многу брзо станува конкретно:

  • поголеми сметки за инфраструктура

  • поголем притисок за оптимизација

  • поголема потреба за помали модели каде што е можно

  • внатрешно известување за одржливост

  • поголемо внимание на кеширањето и рутирањето ( Google Cloud , Green AI )

Како да се намали потрошувачката на енергија од вештачка интелигенција без да се откажете од неа 🌱

Овој дел е важен бидејќи целта не е „престанок со користење на вештачка интелигенција“. Обично тоа не е реално, па дури ни не е потребно. Подобрата употреба е попаметниот пат.

Еве ги најголемите лостови:

1. Користете го најмалиот модел што ја завршува работата

Не секоја задача има потреба од опцијата „потешка“. Полесен модел за класификација или сумирање може брзо да го намали отпадот. ( Зелена вештачка интелигенција , Google Cloud )

2. Скратете ги инструкциите и излезните податоци

Детално внесување, детално изнесување. Дополнителни токени значат дополнително пресметување. Понекогаш скратувањето на барањето е најлесната победа. ( Квантизација, групирање и стратегии за сервирање во LLM Energy Use , Google Cloud )

3. Кеширање на повторени резултати

Ако истото барање постојано се појавува, не го регенерирајте секој пат. Ова е речиси очигледно, но сепак се пропушта. ( Google Cloud )

4. Групни задачи кога е можно

Извршувањето задачи во серии може да го подобри искористувањето и да го намали отпадот. ( Квантизација, сериско производство и стратегии за сервирање во употребата на енергија во LLM )

5. Интелигентно насочувајте ги задачите

Користете големи модели само кога довербата се намалува или сложеноста на задачата се зголемува. ( Зелена вештачка интелигенција , Google Cloud )

6. Оптимизирајте ја инфраструктурата

Подобро распоредување, подобар хардвер, подобра стратегија за ладење - прозаични работи, огромна добивка. ( Google Cloud , DOE )

7. Измерете пред да претпоставите

Многу тимови мислат дека знаат каде оди моќта. Потоа мерат, и ете го тоа - скапиот дел е некаде на друго место. ( Google Cloud )

Работата насочена кон ефикасност не е гламурозна. Ретко добива аплауз. Но, тоа е еден од најдобрите начини да се направи вештачката интелигенција подостапна и поодбранлива во голем обем 👍

Чести митови за употребата на електрична енергија од вештачка интелигенција 🚫

Да разјасниме неколку митови бидејќи оваа тема брзо се заплеткува.

Мит 1 - Секое барање за вештачка интелигенција е масовно непотребно

Не мора нужно. Некои се скромни. Размерот и видот на задачата се многу важни. ( Google Cloud )

Мит 2 - Обуката е единственото нешто што е важно

Не. Заклучувањето може да доминира со текот на времето кога употребата е огромна. ( Google Research , DOE )

Мит 3 - Поголем модел секогаш значи подобар резултат

Понекогаш да, понекогаш апсолутно не. Многу задачи се извршуваат добро со помали системи. ( Зелена вештачка интелигенција )

Мит 4 - Употребата на енергија автоматски е еднаква на влијанието на јаглеродот

Не баш. Јаглеродот зависи и од изворот на енергија. ( IEA , Strubell et al. )

Мит 5 - Можете да добиете еден универзален број за користење на енергија од вештачка интелигенција

Не можете, барем не во форма што останува значајна. Или можете, но ќе биде толку упросечено што ќе престане да биде вредно. ( IEA )

Затоа е паметно да се праша „ Колку енергија користи вештачката интелигенција?“ - но само ако сте подготвени за повеќеслоен одговор наместо слоган.

Значи... колку енергија всушност користи вештачката интелигенција? 🤔

Еве го основаниот заклучок.

Вештачката интелигенција користи:

  • малку , за некои едноставни задачи

  • многу повеќе , за интензивно мултимодално генерирање

  • многу голема количина , за обука на модели од голем обем

  • огромна количина вкупно , кога милиони барања се натрупуваат со текот на времето ( Google Cloud , DOE )

Таква е формата.

Клучната работа не е да се сведе целото прашање на една застрашувачка бројка или едно потценувачко кревање раменици. Потрошувачката на енергија од вештачката интелигенција е реална. Таа е важна. Може да се подобри. И најдобриот начин да се зборува за тоа е во контекст, а не во театарска претстава. ( IEA , Зелена вештачка интелигенција )

Голем дел од јавниот разговор се движи помеѓу крајности - „Вештачката интелигенција е во основа бесплатна“ од една страна, „Вештачката интелигенција е електрична апокалипса“ од друга страна. Реалноста е пообична, што ја прави поинформативна. Тоа е системски проблем. Хардвер, софтвер, употреба, размер, ладење, избор на дизајн. Прозаично? Малку. Важно? Многу. ( IEA , Google Cloud )

Клучни заклучоци ⚡🧾

Ако дојдовте тука прашувајќи се, колку енергија користи вештачката интелигенција?, еве го заклучокот:

  • Не постои универзален број за сите

  • Тренингот обично троши најмногу енергија однапред

  • Заклучокот станува главен фактор на ниво

  • Големината на моделот, хардверот, работното оптоварување и ладењето се важни

  • Малите оптимизации можат да направат изненадувачки голема разлика

  • Најпаметното прашање не е само „колку“, туку и „за која задача, на кој систем, на кое ниво?“ ( IEA , Google Cloud )

Значи да, вештачката интелигенција користи вистинска енергија. Доволно за да заслужи внимание. Доволно за да оправда подобар инженеринг. Но, не на цртан, едноцифрен начин.

Најчесто поставувани прашања

Колку енергија користи вештачката интелигенција за еден единствен потсетник?

Не постои универзален број за еден потсетник, бидејќи потрошувачката на енергија зависи од моделот, хардверот, должината на потсетникот, должината на излезот и секоја дополнителна употреба на алатка. Краткиот текстуален одговор може да биде релативно скромен, додека долгата мултимодална задача може да потроши значително повеќе. Најзначајниот одговор не е една бројка во насловот, туку контекстот околу задачата.

Зошто проценките за користењето на моќта на вештачката интелигенција толку многу варираат?

Проценките варираат бидејќи луѓето често споредуваат многу различни работи под единствената етикета вештачка интелигенција. Една проценка може да опише лесен одговор од четбот, додека друга може да опфаќа генерирање слики, видео или обука на модели на големи размери. За проценката да биде значајна, потребен ѝ е контекст како што се тип на задача, големина на моделот, хардвер, искористеност, ладење и локација.

Дали тренирањето на вештачката интелигенција или секојдневното работење со вештачка интелигенција е поголем трошок за енергија?

Обуката е обично голем настан на почетна енергија, бидејќи може да вклучува многу чипови кои работат подолги периоди низ огромни збирки на податоци. Заклучокот е тековен трошок што се појавува секој пат кога корисниците испраќаат барања, а во обем може да стане и многу голем. Во пракса, и двете се важни, иако се важни на различни начини.

Што го прави едно барање од вештачка интелигенција многу поенергетски интензивно од друго?

Подолгите контекстуални прозорци, подолгите излезни податоци, повторените поминувања на расудување, повиците на алатки, чекорите за пребарување и мултимодалното генерирање имаат тенденција да ја зголемат потрошувачката на енергија по интеракција. Целите за латенција се исто така важни, бидејќи барањата за побрз одговор можат да ја намалат ефикасноста. Мало барање за препишување и долг работен тек на кодирање или слика едноставно не се споредливи.

Кои скриени трошоци за енергија ги пропуштаат луѓето кога прашуваат колку енергија користи вештачката интелигенција?

Многу луѓе се фокусираат само на чипот, но тоа ги занемарува ладењето, движењето на податоците, складирањето, капацитетот на мирување и системите за сигурност како што се резервни копии или региони за префрлување. Овие потпорни слоеви можат материјално да го променат вкупниот отпечаток. Затоа самиот бенчмарк ретко ја доловува целосната енергетска слика.

Дали поголем модел со вештачка интелигенција секогаш троши повеќе енергија?

Поголемите модели обично бараат повеќе пресметка и меморија, особено за долги или сложени излезни податоци, па затоа често трошат повеќе енергија. Но, поголемите не значат автоматски подобро за секоја задача, а оптимизацијата може значително да ја промени сликата. Помалите специјализирани модели, квантизацијата, групирањето, кеширањето и попаметното рутирање можат да ја подобрат ефикасноста.

Дали вештачката интелигенција е главниот проблем со енергијата кај потрошувачите или вештачката интелигенција кај претпријатијата е поголем проблем?

Повремената потрошувачка може да се зголеми, но поголемата приказна за енергијата често се појавува во претпријатиските распоредувања. Секогаш активните копилоти, обработката на документи, сумирањето на повици, прегледот на кодот и позадинските агенти создаваат повторена побарувачка кај големите бази на корисници. Проблемот обично е помалку за една драматична акција, а повеќе за одржлив обем со текот на времето.

Колку енергија користи вештачката интелигенција кога ќе ги вклучите центрите за податоци и ладењето?

Откако ќе се вклучи поширокиот систем, одговорот станува пореален и обично е поголем отколку што сугерираат проценките само за чипови. Центрите за податоци имаат потреба од енергија не само за пресметување, туку и за ладење, вмрежување, складирање и одржување на резервен капацитет. Затоа дизајнот на инфраструктурата и ефикасноста на објектите се важни речиси исто колку и дизајнот на моделот.

Кој е најпрактичниот начин за мерење на потрошувачката на енергија од вештачка интелигенција во реален работен процес?

Најдобриот метод зависи од тоа кој мери и за која цел. Грубо правило може да помогне при брзи споредби, додека ватметрите, телеметријата на графичкиот процесор, логовите за фактурирање во облакот и известувањето за центарот за податоци обезбедуваат прогресивно посилен оперативен увид. За сериозна работа за одржливост, поцелосниот поглед на животниот циклус е уште посилен, иако е побавен и потежок.

Како тимовите можат да ја намалат потрошувачката на енергија од вештачката интелигенција без да се откажат од корисните функции на вештачката интелигенција?

Најголемите придобивки обично доаѓаат од користење на најмалиот модел кој сè уште ја извршува работата, скратување на инструкциите и излезите, кеширање на повторени резултати, групирање на работата и насочување само на потешките задачи кон поголеми модели. Оптимизацијата на инфраструктурата е исто така важна, особено ефикасноста на распоредот и хардверот. Во многу цевководи, првото мерење помага да се спречат тимовите да оптимизираат погрешно нешто.

Референци

  1. Меѓународна агенција за енергија (IEA) - Побарувачка на енергија од вештачка интелигенција - iea.org

  2. Министерство за енергетика на САД (DOE) - DOE објавува нов извештај за евалуација на центрите за податоци за зголемената побарувачка за електрична енергија - energy.gov

  3. Google Cloud - Мерење на влијанието на вештачката инференција врз животната средина - cloud.google.com

  4. Google Research - Добри вести за јаглеродниот отпечаток од обуката за машинско учење - research.google

  5. Google Research - Јаглеродниот отпечаток од обуката за машинско учење ќе се израмни, а потоа ќе се намали - research.google

  6. arXiv - Зелена вештачка интелигенција - arxiv.org

  7. arXiv - Струбел и сор. - arxiv.org

  8. arXiv - Стратегии за квантизација, групирање и сервирање во користењето на енергија во LLM - arxiv.org

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

За нас

Назад кон блогот