訓(xùn)練AI模型的計算量非常大。研究人員經(jīng)常使用超級計算機來準備模型，其影響可能是嚴重的：單個模型的訓(xùn)練過程可能足夠密集，以產(chǎn)生五輛汽車在整個汽車壽命內(nèi)產(chǎn)生的碳排放量。除了前期成本和影響之外，這種計算強度還會增加AI模型的進入壁壘-對于那些旨在為研究問題提供更有效，成本更低的解決方案的模型，這有點自相矛盾?，F(xiàn)在，來自南加州大學(USC)和英特爾實驗室的研究人員開發(fā)了一種在單個臺式機工作站上訓(xùn)練AI模型的新方法。

在2020年國際機器學習會議(ICML)上作為論文提出的新方法，可訓(xùn)練深度強化學習(RL)算法。南加州大學的研究生Aleksei Petrenko在他的英特爾實習期結(jié)束后就開始了該項目，并且他無法訪問迄今為他正在進行的RL工作提供動力的強大計算集群。為了消除使用這種計算能力的必要性，Petrenko和他的同事開始從事“樣品工廠”的工作，該工廠將通常捆綁在一起的RL作業(yè)拆分開，以便可以對其進行單獨優(yōu)化并在計算機的單獨組件上運行。研究人員還將來自進程的所有數(shù)據(jù)放入共享內(nèi)存中，以便進程更快地進行訪問。

通過教授AI玩經(jīng)典的第一人稱射擊游戲Doom以及DeepMind提供的其他30個3D挑戰(zhàn)，對Sample Factory進行了測試。在具有一個(高核數(shù))CPU和一個GPU的單個工作站上，該團隊每秒可完成140,000幀分析，是次佳方法的兩倍。當擴展到功能更強大的計算機時，Sample Factory的性能甚至更好：四GPU的計算機能夠快速應(yīng)對DeepMind的30個挑戰(zhàn)，從而勝過DeepMind在其上測試自己的挑戰(zhàn)的AI，后者在功能更強大的計算機上進行了訓(xùn)練。

“根據(jù)我的經(jīng)驗，很多研究人員無法使用尖端的高端硬件，” Petrenko在接受 IEEE Spectrum的Edd Gent 采訪時說。“我們意識到，只要重新考慮最大程度地提高硬件利用率，您實際上就可以達到通常即使在單個工作站上也可以從大型集群中擠出的性能。”

盡管實驗所用的工作站是一個相對強大的臺式機，但研究人員還看到了消費級計算機的發(fā)展：例如，Petrenko在他的中檔筆記本電腦上進行了深入的RL實驗-他說這是“聞所未聞的飛躍”的。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！