AI tidak lagi memerlukan data besar-besaran: Perlumbaan untuk melatih AI cekap tenaga

Model AI tidak lagi memerlukan sejumlah besar data atau komputer yang sangat berkuasa untuk belajar. Perlumbaan untuk melatih AI dengan lebih cekap tenaga membuka pendekatan baharu yang lebih mesra pengguna.

Gergasi teknologi beralih kepada model AI moden yang cekap tenaga

Dalam beberapa tahun kebelakangan ini, industri kecerdasan buatan (AI) sebahagian besarnya telah mengikut prinsip "lebih besar adalah lebih baik": lebih banyak data, lebih banyak parameter, lebih banyak pengiraan. Walau bagaimanapun, penyelidikan baharu daripada Google, MIT dan Stanford menunjukkan arah yang sama sekali berbeza.

Model moden boleh dilatih dengan cekap dengan kurang data, menggunakan lebih sedikit tenaga dan masih mencapai prestasi tinggi. Ini bukan sahaja mengurangkan kos latihan dan masa, tetapi juga membuka aplikasi AI kepada pasukan penyelidikan kecil dan perusahaan bersaiz sederhana, yang sebelum ini menghadapi kesukaran untuk mengakses teknologi berskala besar.

Kemajuan teknologi membantu menjadikan AI "kecil tetapi berkuasa"

Menurut penyelidikan Tuoi Tre Online, dalam ujian pemprosesan iklan, Google mengurangkan data latihan daripada 100,000 sampel kepada kurang daripada 500 sampel sambil masih meningkatkan keserasian dengan pakar sebanyak 65%.

Secara selari, tinjauan komprehensif mengenai latihan cekap data menunjukkan bahawa "kualiti data, pensampelan pintar dan teknik 'penyulingan' menentukan prestasi," bukan sekadar meningkatkan bilangan data.

Secara teori, "undang-undang penskalaan" telah mencadangkan bahawa meningkatkan parameter model, data dan pengiraan akan membantu, tetapi pakar seperti Yann LeCun, Pengarah AI di Meta, menekankan: "Anda tidak boleh hanya meningkatkan data dan mengira serta menjadikan AI lebih pintar secara automatik."

Ini bermakna bahawa daripada perlu membina dan melabel berjuta-juta kepada berbilion-bilion sampel, pasukan penyelidik sedang mencari untuk menggunakan semula data, mencipta data sintetik, menggunakan model yang lebih kecil dan menumpukan pada algoritma yang lebih cekap tenaga dan data.

Sebagai contoh, teknik "penyulingan pengetahuan" membolehkan pengetahuan dipindahkan daripada "guru" (model guru besar) kepada "pelajar" (model pelajar yang kompak) sambil mengekalkan banyak keupayaan. Penyelidik di Stanford HAI menekankan bahawa trend ini adalah kos efektif dari segi pengiraan dan mesra alam, sambil membuka peluang kepada kumpulan penyelidikan kecil atau perusahaan kecil dan sederhana untuk menggunakan AI dengan berkesan.

Kemajuan ini membolehkan model AI menggunakan kurang data, berjalan lebih pantas, menggunakan lebih sedikit kuasa, mengurangkan kos, meningkatkan kemampanan, dan memanjangkan aplikasi kepada persekitaran yang terhad sumber untuk bergerak ke arah pengoptimuman pintar, belajar lebih cepat, menggunakan lebih sedikit sumber dan masih memastikan kualiti.

Aplikasi praktikal dan cabaran latihan AI cekap data

Malah, melatih AI dengan kurang data dan kuasa mempunyai kesan yang luas. Untuk perniagaan kecil atau pasukan penyelidikan di negara membangun, "menggunakan berjuta-juta sampel dan pelayan besar" tidak boleh dilaksanakan. Apabila seseorang boleh melatih model dengan beberapa ribu sampel dan komputer biasa, aplikasi AI akan lebih dekat dengan pengguna akhir dan persekitaran sebenar.

Contohnya, dalam dialog penyederhanaan iklan, Google menunjukkan bahawa memilih sampel "nilai" data adalah lebih baik daripada ratusan ribu sampel rawak—mengurangkan jumlah data yang diperlukan sambil masih mencapai hasil.

Walau bagaimanapun, cabaran tetap ada: Apabila data terhad, model terdedah kepada pemasangan berlebihan, generalisasi yang lemah dan kesukaran mengendalikan perubahan dalam persekitaran. Penyelidikan mengenai pembelajaran pemindahan visual menunjukkan bahawa apabila data input sangat terhad, penyulingan adalah lebih berkesan, tetapi apabila data cukup besar, kaedah tradisional masih menang.

Dari segi penggunaan kuasa dan kos, mengurangkan data juga bermakna mengurangkan pengiraan, pelayan dan elektrik, yang penting dalam konteks model AI besar (LLM) yang menelan belanja berjuta-juta dolar setiap latihan.

Menurut laporan dari Stanford HAI, trend AI penjimatan data dan tenaga sedang dipertimbangkan sebagai "transformasi besar" pada tahun 2025.

Jadi bagi wartawan dan pembaca umum, perlu diperhatikan bahawa apabila AI bukan lagi hanya untuk "gergasi teknologi" tetapi boleh dicipta oleh pasukan kecil dengan data yang kurang dan kos yang lebih rendah, banyak aplikasi baharu akan muncul daripada pengurusan perniagaan kecil, aplikasi perubatan serantau, hingga pembelajaran yang diperibadikan.

Tetapi pengguna juga harus berhati-hati bahawa model "data" boleh menjadi kurang tepat dan lebih terdedah kepada berat sebelah jika tidak dikawal dengan baik.

Kembali ke topik

Tuan Vi

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