Artículos e investigación

Análisis de OpenAI: el cómputo necesario para entrenar redes neuronales se reduce a la mitad cada 16 meses

Título original:AI and efficiency

Resumen de IA

OpenAI publica un análisis según el cual, desde 2012, el cómputo de entrenamiento necesario para alcanzar el mismo rendimiento en clasificación ImageNet se reduce a la mitad cada 16 meses. Alcanzar el nivel de AlexNet requiere hoy 44 veces menos cómputo que en 2012, mientras que la ley de Moore solo aportó una mejora de coste de 11 veces en el mismo periodo; los resultados muestran que, en tareas de IA con alta inversión reciente, las ganancias del progreso algorítmico superan las mejoras tradicionales de eficiencia del hardware.

Puntos clave

  • OpenAI publica un análisis según el cual,desde 2012,el cómputo de entrenamiento necesario para…
  • Alcanzar el nivel de AlexNet requiere hoy 44 veces menos cómputo que en 2012,mientras que la ley…
  • los resultados muestran que,en tareas de IA con alta inversión reciente,las ganancias del progreso…

Resumen rápido

Publicado
Actualizado
Fuente
OpenAI:官网动态(RSS · 排除企业/客户案例)
Categoría
Artículos e investigación
Puntuación IA
61
Leer el original Leer el artículo completo en la fuente original
Por qué importa

OpenAI 用 ImageNet 分类数据量化算法进步的速度,读者可据此比较算法效率与摩尔定律的贡献差异。

Entidades relacionadas

Fuente y derechos

Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.

Artículo original · Ficha de AIHOT

Cómo citar

Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.

Orange News: Análisis de OpenAI: el cómputo necesario para entrenar redes neuronales se reduce a la mitad cada 16 meses. 5. mayo 2020. https://new.nat6.net/es/news/ctf4kaxoy1572sg8vh5ve9og6/

Ver todo →