前言：
關于深度學習，它正在快速接近其極限。雖然事實可能的確如此，但我們仍未能在日常生活中感受到全面部署深度學習的影響。
MIT：算力將探底，算法需改革
近日，MIT發(fā)出警告：深度學習正在接近現(xiàn)有芯片的算力極限，如果不變革算法，深度學習恐難再進步。
根據麻省理工學院，MIT－IBM Watson AI實驗室，Underwood國際學院和巴西利亞大學的研究人員在最近的研究中發(fā)現(xiàn)，持續(xù)不斷的進步將需要通過改變現(xiàn)有技術或通過尚未發(fā)現(xiàn)的新方法來更有效地使用深度學習方法。
目前深度學習的繁榮過度依賴算力的提升，在后摩爾定律時代可能遭遇發(fā)展瓶頸，在算法改進上還需多多努力。
深度學習不是偶然的計算代價，而是設計的代價。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，這也使其在計算上的成本大大提高。
研究人員估計，三年的算法改進相當于計算能力提高10倍?？傮w而言，在深度學習的許多領域中，訓練模型的進步取決于所使用的計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地提高計算能力。
在研究過程中，研究人員還對預測進行了推斷，以了解達到各種理論基準所需的計算能力以及相關的經濟和環(huán)境成本。
即使是最樂觀的計算，要降低ImageNet上的圖像分類錯誤率，也需要進行10的五次方以上的計算。
根據多項式和指數(shù)模型的預測，通過深度學習獲得相應性能基準所需的算力（以Gflops為單位），碳排放量和經濟成本，最樂觀的估計，ImageNet分類誤差要想達到1％，需要10＾28 Gflops的算力，這對硬件來說是不小的壓力。
123下一頁>（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
