בינה מלאכותית כבר לא זקוקה לנתונים עצומים: המירוץ להכשרת בינה מלאכותית חסכונית באנרגיה

מודלים של בינה מלאכותית אינם זקוקים עוד לכמויות אדירות של נתונים או למחשבים רבי עוצמה כדי ללמוד. המירוץ לאימון בינה מלאכותית בצורה יעילה יותר מבחינת אנרגיה פותח גישה חדשה וידידותית יותר למשתמש.

ענקיות הטכנולוגיה פונות למודלים מודרניים וחסכוניים באנרגיה של בינה מלאכותית

בשנים האחרונות, תעשיית הבינה המלאכותית (AI) פעלה במידה רבה לפי העיקרון של "גדול יותר טוב": יותר נתונים, יותר פרמטרים, יותר חישובים. עם זאת, מחקר חדש של גוגל, MIT וסטנפורד מראה כיוון שונה לחלוטין.

ניתן לאמן מודלים מודרניים ביעילות עם פחות נתונים, לצרוך פחות אנרגיה ועדיין להשיג ביצועים גבוהים. זה לא רק מפחית את עלויות ההדרכה והזמן, אלא גם פותח יישומי בינה מלאכותית לצוותי מחקר קטנים ועסקים בינוניים, שבעבר התקשו לגשת לטכנולוגיה בקנה מידה גדול.

התקדמות טכנולוגית מסייעת להפוך את הבינה המלאכותית ל"קטנה אך עוצמתית"

לפי מחקר של Tuoi Tre Online, במבחן עיבוד המודעות, גוגל צמצמה את נתוני האימון מ-100,000 דגימות לפחות מ-500 דגימות, תוך שהיא עדיין מגבירה את התאימות עם מומחים ב-65%.

במקביל, סקר מקיף של הכשרה יעילה בנתונים מראה כי "איכות הנתונים, דגימה חכמה וטכניקות 'זיקוק' קובעות את הביצועים", ולא רק מגדילות את מספר הנתונים.

בתיאוריה, "חוקי קנה מידה" הציעו כי הגדלת פרמטרי המודל, הנתונים והמחשוב יסייעו, אך מומחים כמו יאן לקון, מנהל בינה מלאכותית במטה, מדגישים: "אי אפשר פשוט להגדיל את הנתונים והמחשוב ולהפוך את הבינה המלאכותית לחכמה יותר באופן אוטומטי."

משמעות הדבר היא שבמקום לבנות ולתייג מיליונים עד מיליארדי דגימות, צוותי מחקר מבקשים לעשות שימוש חוזר בנתונים, ליצור נתונים סינתטיים, להשתמש במודלים קטנים יותר ולהתמקד באלגוריתמים יעילים יותר באנרגיה ובנתונים.

לדוגמה, טכניקת "זיקוק הידע" מאפשרת להעביר ידע מ"מורה" (מודל מורה גדול) ל"תלמיד" (מודל תלמיד קומפקטי) תוך שמירה על יכולות רבות. חוקרים באוניברסיטת סטנפורד, HAI, מדגישים כי מגמה זו היא גם חסכונית מבחינה חישובית וגם ידידותית לסביבה, תוך פתיחת הזדמנויות לקבוצות מחקר קטנות או לעסקים קטנים ובינוניים ליישם בינה מלאכותית ביעילות.

התקדמויות אלו מאפשרות למודלים של בינה מלאכותית להשתמש בפחות נתונים, לפעול מהר יותר, לצרוך פחות חשמל, להפחית עלויות, להגביר את הקיימות ולהרחיב יישומים לסביבות מוגבלות במשאבים כדי להתקדם לעבר אופטימיזציה חכמה, ללמוד מהר יותר, לצרוך פחות משאבים ועדיין להבטיח איכות.

יישומים מעשיים ואתגרים של הכשרה יעילה בבינה מלאכותית (AI)

למעשה, לאימון בינה מלאכותית עם פחות נתונים ועוצמה יש השפעה רחבה. עבור עסקים קטנים או צוותי מחקר במדינות מתפתחות, "שימוש במיליוני דגימות ושרתים ענקיים" אינו בר ביצוע. כאשר מישהו יכול לאמן מודל עם כמה אלפי דגימות ומחשבים רגילים, יישומי בינה מלאכותית יהיו קרובים יותר למשתמשי הקצה ולסביבות אמיתיות.

לדוגמה, בדיאלוגים של ניהול מודעות, גוגל מדגימה שבחירת מדגם "ערך" של נתונים עדיפה על פני מאות אלפי מדגמים אקראיים - מה שמפחית את כמות הנתונים הנדרשת ועדיין משיג תוצאות.

עם זאת, האתגר נותר בעינו: כאשר הנתונים מועטים, המודל נוטה להתאמת יתר, הכללה לקויה וקושי בטיפול בשינויים בסביבה. מחקרים על למידה בהעברה חזותית מראים שכאשר נתוני הקלט מוגבלים מאוד, זיקוק יעיל יותר, אך כאשר הנתונים גדולים מספיק, השיטה המסורתית עדיין מנצחת.

מבחינת צריכת חשמל ועלויות, צמצום נתונים פירושו גם צמצום חישובים, שרתים וחשמל, וזה חשוב בהקשר של מודלים גדולים של בינה מלאכותית (LLM) שעולים מיליוני דולרים לכל אימון.

על פי דו"ח של סטנפורד HAI, המגמה של בינה מלאכותית לחיסכון בנתונים ובאנרגיה נחשבת ל"טרנספורמציה גדולה" בשנת 2025.

אז עבור עיתונאים וקוראים כלליים, ראוי לציין שכאשר בינה מלאכותית כבר לא תהיה רק ​​עבור "ענקי טכנולוגיה" אלא תוכל להיווצר על ידי צוותים קטנים עם פחות נתונים ועלויות נמוכות יותר, יופיעו יישומים חדשים רבים, החל מניהול עסקים קטנים, יישומים רפואיים אזוריים ועד למידה מותאמת אישית.

אבל משתמשים צריכים גם להיות זהירים מכך שמודל ה"נתונים" יכול להיות פחות מדויק ורגיש יותר להטיה אם לא מבוקר היטב.

חזרה לנושא

טואן וי

מקור: https://tuoitre.vn/ai-khong-con-can-du-lieu-khong-lo-cuoc-dua-huan-luyen-ai-tiet-kiem-nang-luong-20251031115025169.htm