前言：

關(guān)于深度學(xué)習(xí)，它正在快速接近其極限。雖然事實(shí)可能的確如此，但我們?nèi)晕茨茉谌粘Ｉ�活中感受到全面部署深度學(xué)習(xí)的影響。

MIT：算力將探底，算法需改革

近日，MIT發(fā)出警告：深度學(xué)習(xí)正在接近現(xiàn)有芯片的算力極限，如果不變革算法，深度學(xué)習(xí)恐難再進(jìn)步。

根據(jù)麻省理工學(xué)院，MIT－IBM Watson AI實(shí)驗(yàn)室，Underwood國際學(xué)院和巴西利亞大學(xué)的研究人員在最近的研究中發(fā)現(xiàn)，持續(xù)不斷的進(jìn)步將需要通過改變現(xiàn)有技術(shù)或通過尚未發(fā)現(xiàn)的新方法來更有效地使用深度學(xué)習(xí)方法。

目前深度學(xué)習(xí)的繁榮過度依賴算力的提升，在后摩爾定律時(shí)代可能遭遇發(fā)展瓶頸，在算法改進(jìn)上還需多多努力。

深度學(xué)習(xí)不是偶然的計(jì)算代價(jià)，而是設(shè)計(jì)的代價(jià)。共同的靈活性使它能夠出色地建模各種現(xiàn)象，并且性能優(yōu)于專家模型，這也使其在計(jì)算上的成本大大提高。

研究人員估計(jì)，三年的算法改進(jìn)相當(dāng)于計(jì)算能力提高10倍�？傮w而言，在深度學(xué)習(xí)的許多領(lǐng)域中，訓(xùn)練模型的進(jìn)步取決于所使用的計(jì)算能力的大幅度提高。 另一種可能性是，要改善算法本身可能需要互補(bǔ)地提高計(jì)算能力。

在研究過程中，研究人員還對(duì)預(yù)測(cè)進(jìn)行了推斷，以了解達(dá)到各種理論基準(zhǔn)所需的計(jì)算能力以及相關(guān)的經(jīng)濟(jì)和環(huán)境成本。

即使是最樂觀的計(jì)算，要降低ImageNet上的圖像分類錯(cuò)誤率，也需要進(jìn)行10的五次方以上的計(jì)算。

根據(jù)多項(xiàng)式和指數(shù)模型的預(yù)測(cè)，通過深度學(xué)習(xí)獲得相應(yīng)性能基準(zhǔn)所需的算力（以Gflops為單位），碳排放量和經(jīng)濟(jì)成本，最樂觀的估計(jì)，ImageNet分類誤差要想達(dá)到1％，需要10＾28 Gflops的算力，這對(duì)硬件來說是不小的壓力。