作者：Annu Kumari
译者：Phoenix
策划：凌敏
决定现代机器学习发展的三个基础是计算、数据和算法进化 (ML，机器学习)，本文着眼于最易量化的元素的趋势。在 2010 年之前，训练计算的发展与摩尔定律同步，每两年一翻；自 2010 年代初，引入深度学习以来，训练计算的速度已经加快，大约每六个月增加一倍；2015 年末，出现了一种新的趋势。
基于这些观察，机器学习的计算历史被划分为三个时代—— 前深度学习时代、深度学习时代 和 大规模时代。 本文总结了用于训练高级机器学习系统快速增长的计算需求。
趋 势
比较是在一个由 123 个里程碑式的机器学习系统组成的数据集上进行的，并标注了训练它们所需的计算量。在深度学习起步之前，有一段进展缓慢的时间，这种趋势在 2010 年加速，此后一直没有放缓。另外，在 2015 年和 2016 年，出现了大规模模型的新趋势，以比上一个时代快两个数量级的速度扩张。
来源: https://arxiv.org/pdf/2202.05924.pdf
过渡到深度学习
在深度学习出现之前和之后，人们注意到了两种不同的趋势机制。
此前，训练机器学习算法所需的算力是每 17 至 29 个月翻一番。之后，整体趋势加快速，每 4 到 9 个月翻一番。
根据摩尔定律，晶体管密度每两年翻一番（Moore，1965 年），通常简化为计算性能每两年翻一番——基本上符合前深度学习时代的趋势。目前尚不清楚深度学习时代何时开始，从前深度学习到深度学习时代的过渡没有明显的间断。此外，无论深度学习时代始于 2010 年还是 2012 年，结果几乎都不会改变。
来源：https://arxiv.org/pdf/2202.05924.pdf
大规模深度时代的趋势
数据显示，大规模型模型的新趋势始于 2015-2016 年，这种新趋势始于 2015 年底的 AlphaGo，一直持续到现在，大规模模型是由大公司训练的，更高的训练预算可能是打破先前的趋势的原因。
另外，常规规模模型受欢迎的程度并未受到影响，这一趋势在 2016 年之前和之后是相同的速度，每 5 到 6 个月翻一番，如下表所示。大规模模型的计算量增加的趋势明显放缓，每 9 到 10 个月翻一番。由于这些模型的数据有限，明显放缓可能是噪声的结果。
这一发现与 Amodei & Hernandez (2018) 和 Lyzhov (2021) 形成对比，前者发现 2012 年至 2018 年的倍增期为 3.4 个月，后者发现 2018 年至 2020 年的倍增期超过 2 年。以前的评估无法区分这两个独立的模式，因为大规模的趋势是最近才发展起来的。
来源：https://arxiv.org/pdf/2202.05924.pdf
结 论
研究结果与早期研究一致，这显示了训练计算更适度的规模。1952 年到 2010 年有 18 个月的倍增时间，2010 年到 2022 年有 6 个月的倍增时间，从 2015 年末到 2022 年的大规模新趋势，快了 2 到 3 个数量级，倍增时间为 10 个月。
总而言之，在前深度学习时代，计算进展缓慢，随着 2010 年进入深度学习时代，这种趋势加速了。在 2015 年底，企业开始生产优于趋势的大规模模型，如 AlphaGo，标志着大规模时代的开始。然而，这并不能确定区分大规模和常规规模的模型而形成模式。
在计算机教学中，硬件基础设施和工程师的作用越来越大，凸显了两者的战略必要性。获得巨大的计算预算或计算集群，以及应用它们的专业知识，已经成为前沿机器学习研究的代名词。
声明
来源 ：AI前线 ， RAD极客会推荐阅读，不代表RAD极客会立场，转载请注明，如涉及作品版权问题，请联系我们删除或做相关处理！
