奥斯陆在能源高效人工智能技术方面的科学进展。 奥斯陆大学可能即将突破技术障碍，这要感谢研究员亨里克·霍夫德·松斯特比（Henrik Hovde Sønsteby）在人工智能（AI）方面的创新方法。如果松斯特比开发的低能耗材料取得成功，可能会引领AI发展的根本性转变。
当前的AI技术可能消耗大量电力，但松斯特比正在开发的材料承诺大幅减少能源消耗。他的项目获得了欧盟的资助，并与IBM等行业巨头合作，可能会使这项前沿技术更加平民化。
用于可持续未来的原子精密技术。 松斯特比方法的关键在于原子层沉积（ALD），这是一种在过去20年中磨练的精密技术，可以一层一层地构建材料。对材料结构的精确控制是使能够开发出在能源上耗费远少于现有系统的变革性AI系统的因素。
这些新材料真正突出的特点是它们固有的记忆功能。与现代系统需要持续能源以保持记忆不同，松斯特比的材料只需要少量能源就能记忆。此外，由于材料能够从单个实例记忆，训练需求减少成本也降低了——这是一种典型的高能耗。
边缘计算：快速、分散和高效。 想象一下自动驾驶车辆在实时导航时无需现有能源消耗高的AI。这种新材料可以实现“边缘计算”，即在本地处理决策，而不是通过中央系统，从而提高反应速度并节省能源。它也可能绕过一些根深蒂固的偏见，这些偏见根深蒂固在当前的AI系统中，潜在地颠覆任务，比如医疗影像诊断。
尽管团队仍在努力理解这些材料的分类机制，但他们工作的意义是广泛的。这最终可能重塑整个AI的格局，为环境可持续和固有公正的机器学习铺平道路。
重要问题和答案：
什么是原子层沉积（ALD）？
ALD是一种薄膜沉积技术，允许通过逐层沉积材料来精确构建原子级别的材料。这个过程可以创建极薄而均匀的涂层，这对于开发先进半导体设备等应用至关重要。
ALD如何有助于实现能源高效的人工智能？
通过使用ALD来创建具有固有记忆功能的材料，这些新的AI系统需要更少的能源来运行。它们可以无需像传统记忆那样不断输入能量来保持信息，并且由于能够从单个实例记忆，训练过程也减少了需求。
什么是边缘计算？
边缘计算指的是在数据生成源头当地处理数据，而不是依赖于集中式数据处理中心。这样可以减少决策过程中的延迟，提高反应时间，也可以减少需要传输到中央系统的数据量，从而节省能源。
主要挑战和争议：
可扩展性： 一个重要挑战是确保这些新材料能够以使其在商业AI应用中的广泛使用成为可能的规模制造。
兼容性： 将新材料整合到现有的AI系统中可能会面临技术障碍，因为硬件和软件需要与新技术兼容。
监管和伦理影响： 随着AI的任何进步，人们担心技术将如何受到监管，以及关于其使用和潜在取代工作的伦理方面考虑。
优势和劣势：
优势：
1. 能源效率： 这些新材料的主要优势是它们极大地降低了AI系统的能源消耗，使其更加环保。
2. 成本降低： 较低的能源需求可以降低运营成本，使得AI技术更加易于获取。
3. 分散处理： 边缘计算功能可以实现更快的决策制定，并且能够提高隐私，因为数据可以在本地处理。
劣势：
1. 开发时间： 开发和完善新材料和技术需要时间，这可能会延迟它们的实施。
2. 初始成本： 将这些材料开发并整合到现有系统的初始成本可能很高。
3. 技术障碍： 克服技术障碍以确保这些材料与现有技术兼容可能具有挑战性。
有关相关主题的更多信息，请访问以下链接：
– IBM：了解行业巨头如何促进AI技术方面的技术进步。
– 欧洲联盟：了解欧盟如何资助技术项目并在其成员国内推动创新。
– 奥斯陆大学：获取这一技术的先驱研究机构的更新和研究出版物。