摩尔定律后，人工智能怎样保持继续加速？

正文

请到「今天看啥」查看全文

一篇研究文章表明，在此次项目中，谷歌的开发者同时使用了多达800个图形处理器（GPU）。这些GPU极其昂贵、功能强大，并且对机器学习能力的提升至关重要。他们告诉《麻省理工科技评论》，该项目已经持续进行了好几周时间，运行了成百上千个GPU。

机器学习相当耗费资源成本，仅仅是一个研究项目， 即使像谷歌这样的大公司也难以承受其中巨大的资源成本。

对于那些无法访问大型GPU集群的编码器而言，重复该实验意味着大量财力的耗费。如果从亚马逊的云计算服务租用800个GPU，仅一周时间就要花费12万美金，而这还只是保守估计。

与使用深度学习软件相比， 训练深度学习软件的资源密集属性更为明显 。斯坦福大学的兼职教授、Matroid的创始人兼首席执行官Reza Zadeh认为，计算能力是机器学习的一个瓶颈。

请到「今天看啥」查看全文