机器学习训练系统越来越便宜了。
方舟投资(ARK Invest)近日发布了一篇分析报告显示，AI训练成本的提高速度是摩尔定律(Moore’s law)的50倍。摩尔定律是指计算机硬件性能每两年提升一倍。
两年间，AI训练成本下降了100倍
方舟评估委员会在其报告中发现，从1960年到2010年，按照摩尔定律，用于训练的AI算力翻了一番。
人工智能计算的复杂度自2010年以来每年飙升10倍（每秒千万亿次运算）。与此同时，过去三年的训练成本每年下降10倍。 2017年，在公共云上训练像 ResNet-50这样的图像分类器的成本约为1000美元，到了2019年只需大约10美元。 方舟评估委员会预测，按照目前的速度，到今年年底，其训练成本应降至1美元。
该公司预计，随着这一成本的下降，推理的成本(在生产过程中运行一个训练有素的模型)将会下降。 比如，在过去两年中，对十亿张图像进行分类的成本从10,000美元降至仅0.03美元。
对于那些与像谷歌、 DeepMind 这样资金雄厚的公司进行竞争的初创公司来说，这无疑是天籁之音。
DeepMind 去年亏损5.72亿美元，且背负着超过10亿美元的债务。 尽管一些专家认为，科技巨头无可匹敌的实验室有能力从事新的研究，但训练成本也是AI工作中不可避免的开支，不论是在企业、学术界还是其他领域。
AI算法效率每16个月翻一番，与OpenAI报告结果一致
方舟投资的这些发现似乎与 OpenAI 最近一份报告的发现结果一致。 OpenAI 的报告指出，自 2012 年以来，人工智能模型在 ImageNet 分类中训练神经网络达到相同性能所需的计算量，每 16 个月减少了 2 倍。
OpenAI观察到16个月AI模型的效率倍增时间（任意给定时间的最低计算点用蓝色表示，测量点用灰色表示）
据 OpenAI 介绍，它发现谷歌的 Transformer 架构超越了以前由谷歌开发的最先进模型——seq2seq，在seq2seq推出三年后，其计算量减少至原来的1/61。
谷歌的 Transformer 架构超越了之前的最先进模型—— seq2seq，后者也是谷歌开发的，在 seq2seq 推出三年后，计算能力下降了61倍。 Deepmind 的 AlphaZero 是一个从零开始自学如何掌握国际象棋、将棋和围棋游戏的系统。
仅仅一年后，DeepMind 的 AlphaZero 在围棋比赛中，其计算量比 AlphaGoZero 少 8 倍，就能与 AlphaGoZero 匹敌。
AI发展尚处于初期阶段，训练最先进AI模型的成本依然惊人
方舟投资报告指出， 硬件和软件的突破使得AI训练成本下降。
在过去的三年中，芯片和系统的设计不断发展，为深度学习添加了专用硬件，从而使性能提高了16倍。 例如， Nvidia于2017年发布的 V100显卡，比三年前发布的 K80 快1800% (显卡通常用于训练大型人工智能系统) 。
在2018年至2019年间，由于麻省理工学院、谷歌、 Facebook、微软、 IBM、 Uber 等公司的软件创新，V100的训练性能提高了大约800% 。
ARK 分析师 James Wang 写道，「从AI训练成本下降的速度来看，人工智能发展还处于初期。」 摩尔定律的第一个十年里，晶体管数量每年翻一番。
我们在人工智能训练和推断中看到从10倍到100倍的成本下降表明，人工智能的发展尚处于初级阶段，未来几十年可能会出现较慢但持续的增长。
值得注意的是，虽然AI模型训练的费用似乎在下降，但是在云中开发复杂ML模型仍然昂贵得让人望而却步。
根据 Synced 最近的一份报告，华盛顿大学的 Grover 专门用于生成和检测虚假新闻，训练最大的Grover Mega模型的总费用为2.5万美元。
OpenAI 花费了1200万美元来训练它的 GPT-3语言模型。
而谷歌花费了大约6912美元来训练 BERT，这是一种双向变换模型，它重新定义了11种自然语言处理任务的最新技术。
参考链接：
https://venturebeat.com/2020/06/04/ark-invest-ai-training-costs-dropped-100-fold-between-2017-and-2019/https://ark-invest.com/analyst-research/ai-training/
