Новый метод ускорил обучение ИИ в 100 раз и снизил энергопотребление

Ученые из Технического университета Мюнхена (TUM) разработали новый метод обучения нейросетей, который ускоряет процесс в 100 раз и значительно снижает энергопотребление. Разработка может существенно уменьшить нагрузку на дата-центры, которые тратят огромные объемы электроэнергии на работу искусственного интеллекта (ИИ). По данным 2020 года, только в Германии дата-центры потребляли около 16 миллиардов кВт·ч, что составляло 1% от общего энергопотребления страны. В 2025 году этот показатель может вырасти до 22 миллиардов кВт·ч. С учетом роста числа сложных ИИ-приложений, таких как языковые модели, проблема энергозатрат становится все более актуальной. Новый метод позволяет значительно снизить энергопотребление при обучении нейросетей. В отличие от традиционного подхода, где параметры нейронных сетей подбираются в ходе многочисленных итераций, исследователи предложили использовать вероятностный метод. Он учитывает критические точки в данных, где происходят резкие изменения значений, что позволяет минимизировать вычислительные затраты. Один из авторов исследования, профессор Феликс Дитрих, объясняет, что их метод позволяет определять параметры сети с минимальными затратами вычислительных ресурсов. Это делает обучение быстрее и более энергоэффективным, при этом точность модели остается сопоставимой с традиционными методами. По мнению ученых, такая технология может быть полезной не только для ИИ, но и для других сфер, работающих с динамическими системами, например, в климатическом моделировании и финансовых рынках. Разработка способна существенно снизить экологический след искусственного интеллекта, что особенно важно на фоне растущего спроса на вычислительные мощности.