人工智能技术的计算能力是怎样加强的

引述外媒报道，斯坦福大学的AI指数2019年度报告发现，人工智能（AI）的速度超过了摩尔定律。

据《计算机周刊》报道，斯坦福大学和麦肯锡公司的报告显示，人工智能的计算能力每三个月左右就翻一番。这意味着AI正在以比摩尔定律所期望的计算机芯片快得多的速度变得更强大。摩尔定律说，芯片速度每18个月到两年将翻一番。

这意味着应用程序开发人员可以期望在相同硬件成本的情况下将应用程序性能提高一倍。

但是与麦肯锡公司，谷歌，普华永道，OpenAI，Genpact和AI21Labs联合制作的斯坦福报告发现，人工智能的计算能力比传统处理器的开发速度更快。报告称：“在2012年之前，人工智能的结果紧追摩尔定律，计算量每两年翻一番。” “ 2012年之后，计算量每3.4个月翻一番。”

该研究通过跟踪ImageNet图像识别程序的进度，研究了AI算法如何随时间改进。鉴于图像分类方法主要基于有监督的机器学习技术，该报告的作者研究了训练AI模型和相关成本所需的时间，他们表示这是对AI开发基础设施成熟度的衡量，反映了软件的进步和硬件。

他们的研究发现，在18个月的时间里，在云基础架构上训练监督图像识别的网络所需的时间从2017年10月的大约3个小时减少到2019年7月的大约88秒。该报告指出，有关ImageNet在私有云上训练时间的数据实例符合公共云AI培训时间的改进。

该报告的作者使用ResNet图像分类模型来评估算法达到高准确度所需的时间。在2017年10月，需要13天的培训时间才能达到略高于93％的准确性。该报告发现，在13天内训练基于AI的图像分类以达到93％的准确性将在2017年花费约2，323美元。

这项研究报告称，斯坦福大学DAWNBench上提供的最新基准测试是在GCP上使用云TPU运行ResNet模型，以实现略高于93％精度的图像分类精度，2018年9月的成本仅为12美元。

该报告还探讨了计算机视觉的进步，探讨了创新算法，这些算法突破了自动活动理解的局限性，可以使用ActivityNet Challenge从视频中识别出人类的活动和活动。

这项挑战中的一项任务称为“时间活动本地化”，它使用一长串视频序列来描述一个以上的活动，并要求算法查找给定的活动。如今，算法可以实时准确地识别数百种复杂的人类活动，但是该报告发现还需要做更多的工作。

“在过去四年中组织了国际活动认可挑战赛（AcTIvityNet）之后，我们注意到需要开展更多研究来开发能够可靠地区分活动的方法，这些方法涉及运动线索，物体和物体的细粒度运动和/或微妙模式。人与对象之间的相互作用，”阿卜杜拉国王科技大学电气工程副教授Bernard Ghanem说。

“展望未来，我们预见到下一代算法将成为一种强调学习的算法，而无需过多的手动整理数据。在这种情况下，基准测试和竞赛仍将是追踪此自学领域进展的基石。”