Отговор: Изкуственият интелект може да използва много малко електричество за проста текстова задача, но много повече, когато подканите са дълги, резултатите са мултимодални или системите работят в голям мащаб. Обучението обикновено е основният първоначален удар по енергията, докато ежедневните изводи стават значителни с натрупването на заявки.
Ключови изводи:
Контекст : Определете задачата, модела, хардуера и мащаба, преди да цитирате каквато и да е енергийна оценка.
Обучение : Третирайте обучението на модела като основното предварително енергийно събитие при планирането на бюджетите.
Извод : Следете внимателно повтарящите се изводи, защото малките разходи за заявка се натрупват бързо в голям мащаб.
Инфраструктура : Включете охлаждане, съхранение, мрежи и неизползван капацитет във всяка реалистична оценка.
Ефективност : Използвайте по-малки модели, по-кратки подкани, кеширане и пакетиране, за да намалите потреблението на енергия.
Статии, които може да ви харесат след тази:
🔗 Как изкуственият интелект влияе на околната среда
Обяснява въглеродния отпечатък на изкуствения интелект, потреблението на енергия и компромисите за устойчивост.
🔗 Вреден ли е изкуственият интелект за околната среда?
Разкрива скритите екологични разходи, свързани с моделите с изкуствен интелект и центровете за данни.
🔗 Добър или лош изкуствен интелект? Плюсове и минуси
Балансиран поглед върху ползите, рисковете, етиката и реалните въздействия на изкуствения интелект.
🔗 Какво е изкуствен интелект? Едно просто ръководство
Научете основите на изкуствения интелект, ключови термини и ежедневни примери за минути.
Защо този въпрос е по-важен, отколкото хората си мислят 🔍
Използването на енергия от изкуствен интелект не е просто тема за разговор, свързана с околната среда. То засяга няколко много реални неща:
-
Цена на електроенергия - особено за фирми, изпълняващи много заявки за изкуствен интелект
-
Въглеродно въздействие - в зависимост от източника на захранване зад сървърите
-
Натоварване на хардуера - мощните чипове изискват сериозна мощност
-
Мащабиране на решения - една евтина подкана може да се превърне в милиони скъпи
-
Дизайн на продукта - ефективността често е по-добра характеристика, отколкото хората осъзнават ( Google Cloud , Green AI )
Много хора питат „Колко енергия използва изкуственият интелект?“, защото искат драматично число. Нещо огромно. Нещо, което да се появи в заглавията. Но по-добрият въпрос е следният: За какъв вид употреба на изкуствения интелект говорим? Защото това променя всичко. ( IEA )
Едно-единствено предложение за автоматично довършване? Доста малко.
Обучение на граничен модел в огромни клъстери? Много, много по-голямо.
Постоянно работещ корпоративен работен процес с изкуствен интелект, докосващ милиони потребители? Да, това се натрупва бързо... като стотинки, превръщащи се в плащане на наем. ( DOE , Google Cloud )
Колко енергия използва изкуственият интелект? Краткият отговор ⚡
Ето практичната версия.
Изкуственият интелект може да използва от малка част от ватчас за лека задача до огромни количества електроенергия за мащабно обучение и внедряване. Този диапазон звучи комично широк, защото е широк. ( Google Cloud , Strubell et al. )
Казано просто:
-
Прости задачи за извод - често сравнително скромни на база употреба
-
Дълги разговори, големи изходи, генериране на изображения, генериране на видео - забележимо по-енергоемко
-
Обучение на големи модели - шампион в тежка категория по консумация на енергия
-
Работа с ИИ в голям мащаб през целия ден - където „малко на заявка“ се превръща в „голяма обща сметка“ ( Google Cloud , DOE )
Добро правило е следното:
-
Обучението е гигантското събитие, което генерира първоначална енергия 🏭
-
Изводът е текущата сметка за комунални услуги 💡 ( Strubell et al. , Google Research )
Така че, когато някой попита: „ Колко енергия използва изкуственият интелект?“ , директният отговор е: „Не едно количество, а достатъчно, за да има значение ефективността и достатъчно, за да промени мащаба цялата история.“ ( IEA , Зелен изкуствен интелект )
Знам, че не е толкова закачливо, колкото хората искат. Но е истина.
Какво прави една версия на енергийна оценка с изкуствен интелект добра? 🧠
Добрата оценка не е просто драматично число, изобразено на графика. Практическата оценка включва контекст. В противен случай е като да претегляте мъгла с кантар за баня. Достатъчно близо, за да звучи впечатляващо, но не достатъчно близо, за да й се вярва. ( IEA , Google Cloud )
Една добра оценка на енергията, генерирана от изкуствен интелект, трябва да включва:
-
Типът задача - текст, изображение, аудио, видео, обучение, фина настройка
-
Размерът на модела - по-големите модели обикновено се нуждаят от повече изчислителни ресурси
-
Използваният хардуер - не всички чипове са еднакво ефективни
-
Продължителност на сесията - кратките подкани и дългите многоетапни работни процеси са много различни
-
Използване - системите в режим на готовност все още консумират енергия
-
Охлаждане и инфраструктура - сървърът не е цялата сметка
-
Местоположение и енергиен микс - електричеството не е еднакво чисто навсякъде ( Google Cloud , IEA )
Ето защо двама души могат да спорят за потреблението на електроенергия от изкуствен интелект и двамата да звучат уверено, докато говорят за съвсем различни неща. Единият има предвид един отговор на чатбот. Другият има предвид гигантско тренировъчно изпълнение. И двамата казват „ИИ“ и изведнъж разговорът се отклонява от релси 😅
Сравнителна таблица - най-добрите начини за оценка на потреблението на енергия от изкуствен интелект 📊
Ето една практична таблица за всеки, който се опитва да отговори на въпроса, без да го превръща в пърформанс.
| Инструмент или метод | Най-добра публика | Цена | Защо работи |
|---|---|---|---|
| Оценка по просто правило | Любопитни читатели, студенти | Безплатно | Бързо, лесно, малко неясно - но достатъчно добро за груби сравнения |
| Ватметър от страната на устройството | Самостоятелни строители, любители | Ниско | Измерва действителното теглене на машината, което е освежаващо конкретно |
| Табло за телеметрия на GPU | Инженери, екипи по машинно обучение | Среден | По-добра детайлност при задачи, изискващи големи изчисления, въпреки че може да пропусне по-големия обхват на съоръженията |
| Фактуриране в облака + дневници за употреба | Стартъпи, оперативни екипи | Средно до високо | Свързва използването на изкуствен интелект с реалните разходи - не е перфектно, но все пак е доста ценно |
| Отчитане на енергията в центровете за данни | Корпоративни екипи | Високо | Осигурява по-широка оперативна видимост, охлаждане и инфраструктура започват да се показват тук |
| Пълна оценка на жизнения цикъл | Екипи за устойчивост, големи организации | Високо, понякога болезнено | Най-подходящ за сериозен анализ, защото отива отвъд самия чип... но е бавен и нещо като звяр |
Няма перфектен метод. Това е леко разочароващата част. Но има нива на стойност. И обикновено нещо работещо е по-добро от перфектното. ( Google Cloud )
Най-големият фактор не е магията - това са изчисленията и хардуерът 🖥️🔥
Когато хората си представят потреблението на енергия от изкуствен интелект, те често си представят самия модел като нещо, което консумира енергия. Но моделът е софтуерна логика, работеща върху хардуер. Хардуерът е мястото, където се появява сметката за електричество. ( Strubell et al. , Google Cloud )
Най-големите променливи обикновено включват:
-
Тип графичен процесор или ускорител
-
Колко чипа се използват
-
Колко дълго остават активни
-
Зареждане на паметта
-
Размер на партидата и производителност
-
Дали системата е добре оптимизирана или просто се извършва груба обработка на всичко ( Google Cloud , квантуване, пакетиране и стратегии за обслужване в потреблението на енергия по LLM )
Една силно оптимизирана система може да върши повече работа с по-малко енергия. Една небрежна система може да хаби електричество със спираща дъха увереност. Знаете как е - някои системи са състезателни коли, други са колички за пазаруване с ракети, залепени с тиксо 🚀🛒
И да, размерът на модела има значение. По-големите модели обикновено изискват повече памет и повече изчисления, особено при генериране на дълги изходи или обработка на сложни разсъждения. Но триковете за ефективност могат да променят картината: ( Зелен изкуствен интелект , квантуване, пакетиране и стратегии за обслужване в потреблението на енергия в LLM )
-
квантуване
-
по-добра маршрутизация
-
по-малки специализирани модели
-
кеширане
-
партидиране
-
по-интелигентно хардуерно планиране ( Квантиране, пакетиране и стратегии за обслужване в LLM Energy Use )
Така че въпросът не е само „Колко голям е моделът?“, а и „Колко интелигентно се управлява?“
Обучение срещу извод - това са различни неща 🐘🐇
Това е разделението, което обърква почти всички.
Обучение
Обучението е етап, в който моделът учи модели от огромни набори от данни. То може да включва много чипове, работещи за продължителни периоди от време, обработващи гигантски обеми данни. Този етап е енергоемък. Понякога изключително енергоемък. ( Strubell et al. )
Енергията по време на тренировка зависи от:
-
размер на модела
-
размер на набора от данни
-
брой тренировъчни бягания
-
неуспешни експерименти
-
фина настройка на пасовете
-
ефективност на хардуера
-
охлаждане над главата ( Strubell et al. , Google Research )
И ето частта, която хората често пропускат - обществеността често си представя едно голямо тренировъчно изпълнение, направено веднъж, и краят на историята. На практика разработката може да включва многократни изпълнения, настройване, преобучение, оценка и всички прозаични, но скъпи итерации около основното събитие. ( Strubell et al. , Green AI )
Извод
Изводът е моделът, който отговаря на реални потребителски заявки. Една заявка може да не изглежда много. Но изводът се случва отново и отново. Милион пъти. Понякога милиарди. ( Google Research , DOE )
Енергията на инференцията нараства с:
-
дължина на подканата
-
дължина на изхода
-
брой потребители
-
изисквания за латентност
-
мултимодални характеристики
-
очаквания за непрекъсната работа
-
стъпки за безопасност и последваща обработка ( Google Cloud , квантуване, пакетиране и стратегии за обслужване в LLM Energy Use )
Така че обучението е земетресението. Изводът е приливът. Едното е драматично, другото е упорито и двете могат да променят малко крайбрежието. Може би е необичайна метафора, но тя се държи заедно... горе-долу.
Скритите разходи за енергия, за които хората забравят 😬
Когато някой оценява потреблението на енергия от изкуствения интелект, гледайки само чипа, той обикновено го подценява. Не винаги катастрофално, но достатъчно, за да има значение. ( Google Cloud , IEA )
Ето скритите парчета:
Охлаждане ❄️
Сървърите генерират топлина. Мощният хардуер с изкуствен интелект генерира много от нея. Охлаждането не е по избор. Всеки ват, консумиран от изчисления, води до повече потребление на енергия, само за да се поддържат нормални температури. ( IEA , Google Cloud )
Движение на данни 🌐
Преместването на данни между хранилища, памет и мрежи също изисква енергия. Изкуственият интелект не е просто „мислене“. Той също така непрекъснато прехвърля информация. ( IEA )
Неактивен капацитет 💤
Системите, създадени за пиково натоварване, не винаги работят при пиково натоварване. Неизползваната или недостатъчно използвана инфраструктура все още консумира електроенергия. ( Google Cloud )
Излишък и надеждност 🧱
Резервни копия, системи за превключване при срив, дублиращи се региони, слоеве за безопасност - всичко е ценно, част от по-голямата енергийна картина. ( IEA )
Съхранение 📦
Данни за обучение, вграждания, логове, контролни точки, генерирани изходи - всичко това се съхранява някъде. Съхранението е по-евтино от изчисленията, разбира се, но не е безплатно откъм енергия. ( IEA )
Ето защо на въпроса „Колко енергия използва изкуственият интелект?“ не може да се отговори добре, като се гледа само една-единствена бенчмарк диаграма. Пълният стек е важен. ( Google Cloud , IEA )
Защо една AI подкана може да е мъничка, а следващата може да е чудовище 📝➡️🎬
Не всички подкани са създадени еднакви. Кратка заявка за пренаписване на изречение не е сравнима с искането за дълъг анализ, многоетапна сесия на кодиране или генериране на изображения с висока резолюция. ( Google Cloud )
Неща, които са склонни да увеличават потреблението на енергия при взаимодействие:
-
По-дълги контекстни прозорци
-
По-дълги отговори
-
Стъпки за използване и извличане на инструменти
-
Множество проходи за разсъждение или валидиране
-
Генериране на изображения, аудио или видео
-
По-висока паралелност
-
Цели за по-ниска латентност ( Google Cloud , квантуване, пакетиране и стратегии за обслужване в потреблението на енергия в LLM )
Един лек текстов отговор може да е сравнително евтин. Гигантският мултимодален работен процес може да не е евтин. Малко е като поръчка на кафе спрямо кетъринг на сватба. И двете се считат за „хранителен сервиз“, технически. Едното не е като другото ☕🎉
Това е от особено значение за продуктовите екипи. Функция, която изглежда безобидна при ниска употреба, може да стане скъпа в голям мащаб, ако всяка потребителска сесия стане по-дълга, по-богата и по-тежка от изчислителна гледна точка. ( DOE , Google Cloud )
Потребителският изкуствен интелект и корпоративният изкуствен интелект не са едно и също нещо 🏢📱
Средностатистическият човек, който използва изкуствен интелект небрежно, може да предположи, че случайните му подкани са големият проблем. Обикновено това не е мястото, където се крие основната енергийна история. ( Google Cloud )
Корпоративното използване променя математиката:
-
хиляди служители
-
винаги включени втори пилоти
-
автоматизирана обработка на документи
-
обобщение на обажданията
-
анализ на изображения
-
инструменти за преглед на код
-
фонови агенти, работещи постоянно
Ето къде съвкупното потребление на енергия започва да има голямо значение. Не защото всяко действие е апокалиптично, а защото повторението е умножител. ( DOE , IEA )
В моите собствени тестове и прегледи на работния процес, това е мястото, където хората се изненадват. Те се фокусират върху името на модела или върху ярката демонстрация и игнорират обема. Обемът често е истинският двигател - или спасителната благодат, в зависимост от това дали фактурирате клиенти или плащате сметката за комунални услуги 😅
За потребителите въздействието може да изглежда абстрактно. За бизнеса то става конкретно много бързо:
-
по-големи сметки за инфраструктура
-
по-голям натиск за оптимизиране
-
по-силна нужда от по-малки модели, където е възможно
-
вътрешно отчитане на устойчивостта
-
повече внимание към кеширането и маршрутизирането ( Google Cloud , Green AI )
Как да намалим потреблението на енергия с изкуствен интелект, без да се отказваме от изкуствения интелект 🌱
Тази част е важна, защото целта не е „да спрем използването на изкуствен интелект“. Обикновено това не е реалистично и дори не е необходимо. По-доброто използване е по-умният път.
Ето най-големите лостове:
1. Използвайте най-малкия модел, който върши работата
Не всяка задача се нуждае от по-тежката опция. По-лекият модел за класификация или обобщаване може бързо да намали разхищението. ( Зелен ИИ , Google Cloud )
2. Съкратете подканите и резултатите
Многословно въвеждане, многословно извеждане. Допълнителните токени означават допълнителни изчисления. Понякога орязването на подканата е най-лесната победа. ( Квантиране, пакетиране и стратегии за обслужване в потреблението на енергия по магистърска степен по право , Google Cloud )
3. Кеширайте повтарящи се резултати
Ако една и съща заявка продължава да се появява, не я генерирайте отново всеки път. Това е почти очевидно, но въпреки това бива пропуснато. ( Google Cloud )
4. Изпълнявайте пакетни задачи, когато е възможно
Изпълнението на задачи на партиди може да подобри използването и да намали разхищението. ( Квантоване, пакетиране и стратегии за обслужване в потреблението на енергия по LLM )
5. Интелигентно маршрутизирайте задачите
Използвайте големи модели само когато доверието спадне или сложността на задачата се увеличи. ( Зелен ИИ , Google Cloud )
6. Оптимизиране на инфраструктурата
По-добро планиране, по-добър хардуер, по-добра стратегия за охлаждане - прозаични неща, огромна възвръщаемост. ( Google Cloud , DOE )
7. Измерете, преди да предположите
Много екипи си мислят, че знаят къде отива мощността. След това измерват и ето я - скъпата част се намира някъде другаде. ( Google Cloud )
Работата по ефективност не е бляскава. Рядко получава аплодисменти. Но е един от най-добрите начини да направим изкуствения интелект по-достъпен и по-защитим в голям мащаб 👍
Често срещани митове за използването на електроенергия от изкуствен интелект 🚫
Нека разсеем няколко мита, защото тази тема бързо се заплита.
Мит 1 - Всяка заявка към изкуствен интелект е изключително разточителна
Не е задължително. Някои са скромни. Мащабът и видът на задачата са от голямо значение. ( Google Cloud )
Мит 2 - Тренировката е единственото нещо, което има значение
Не. Изводът може да доминира с течение на времето, когато употребата е огромна. ( Google Research , DOE )
Мит 3 - По-големият модел винаги означава по-добър резултат
Понякога да, понякога абсолютно не. Много задачи се справят добре с по-малки системи. ( Зелен ИИ )
Мит 4 - Потреблението на енергия автоматично се равнява на въглеродното въздействие
Не точно. Въглеродът зависи и от енергийния източник. ( IEA , Strubell et al. )
Мит 5 - Можете да получите един универсален номер за използване на енергия от изкуствен интелект
Не можеш, поне не във форма, която остава смислена. Или можеш, но ще бъде толкова осреднено, че ще престане да бъде ценно. ( IEA )
Ето защо е разумно да се зададе въпросът „Колко енергия използва изкуственият интелект?“ – но само ако сте готови за многопластов отговор, вместо за слоган.
И така... колко енергия всъщност използва изкуственият интелект? 🤔
Ето го обоснованото заключение.
Изкуственият интелект използва:
-
малко , за някои прости задачи
-
много повече , за тежко мултимодално производство
-
много голямо количество , за обучение на модели в голям мащаб
-
огромно количество общо , когато милиони заявки се натрупват с течение на времето ( Google Cloud , DOE )
Това е формата му.
Ключовото нещо е да не свеждаме целия проблем до едно плашещо число или едно пренебрежително свиване на рамене. Потреблението на енергия от изкуствения интелект е реално. То има значение. Може да се подобри. И най-добрият начин да се говори за това е в контекст, а не театрално. ( IEA , Green AI )
Голяма част от публичния разговор се люлее между крайностите - „ИИ е практически безплатен“ от едната страна, „ИИ е електрически апокалипсис“ от другата. Реалността е по-обикновена, което я прави по-информативна. Това е системен проблем. Хардуер, софтуер, употреба, мащаб, охлаждане, дизайнерски решения. Прозаично? Малко. Важно? Много. ( IEA , Google Cloud )
Основни изводи ⚡🧾
Ако сте дошли тук с въпроса „ Колко енергия използва изкуственият интелект?“ , ето какво е важно:
-
Няма универсално число
-
Тренировката обикновено изразходва най-много енергия в началото
-
Изводът се превръща в основен фактор в голям мащаб
-
Размерът на модела, хардуерът, натоварването и охлаждането са от значение
-
Малките оптимизации могат да доведат до изненадващо голяма разлика
-
Най-умният въпрос не е само „колко“, но и „за коя задача, на коя система, в какъв мащаб?“ ( IEA , Google Cloud )
Така че, да, изкуственият интелект използва реална енергия. Достатъчно, за да заслужи внимание. Достатъчно, за да оправдае по-доброто инженерство. Но не по карикатурен, едноцифрен начин.
ЧЗВ
Колко енергия използва изкуственият интелект за едно запитване?
Няма универсално число за единична задача, тъй като потреблението на енергия зависи от модела, хардуера, дължината на задачата, дължината на изхода и всяко допълнително използване на инструменти. Кратък текстов отговор може да бъде сравнително скромен, докато дълга мултимодална задача може да консумира значително повече. Най-смисленият отговор не е една единствена цифра в заглавието, а контекстът около задачата.
Защо оценките за потреблението на енергия от изкуствения интелект варират толкова много?
Оценките варират, защото хората често сравняват много различни неща под един етикет „интелектуален интелект“. Една оценка може да описва отговор на лек чатбот, докато друга може да обхваща генериране на изображения, видео или обучение на мащабен модел. За да бъде една оценка смислена, тя се нуждае от контекст като тип задача, размер на модела, хардуер, използване, охлаждане и местоположение.
По-големият разход за енергия ли е обучението на ИИ или ежедневното му използване?
Обучението обикновено е голямото предварително енергийно събитие, защото може да включва много чипове, работещи за дълги периоди от време върху огромни набори от данни. Инференцията е текущата цена, която се появява всеки път, когато потребителите изпращат заявки, и в голям мащаб може да стане много голяма. На практика и двете имат значение, макар и по различни начини.
Какво прави една заявка за изкуствен интелект много по-енергоемка от друга?
По-дългите контекстни прозорци, по-дългите изходи, повтарящите се проходи на разсъждения, извикванията на инструменти, стъпките за извличане и мултимодалното генериране са склонни да увеличат потреблението на енергия на взаимодействие. Целите за латентност също са от значение, защото изискванията за по-бърз отговор могат да намалят ефективността. Малка заявка за пренаписване и дълъг работен процес за кодиране или изображение просто не са сравними.
Какви скрити разходи за енергия пропускат хората, когато питат колко енергия използва изкуственият интелект?
Много хора се фокусират само върху чипа, но пренебрегват охлаждането, преместването на данни, съхранението, капацитета в режим на готовност и системите за надеждност, като например резервни копия или области за превключване при срив. Тези поддържащи слоеве могат съществено да променят общия енергиен отпечатък. Ето защо един бенчмарк сам по себе си рядко улавя пълната картина на енергийната ефективност.
По-големият модел с изкуствен интелект винаги ли използва повече енергия?
По-големите модели обикновено изискват повече изчислителна мощност и памет, особено за дълги или сложни изходи, така че често консумират повече енергия. Но по-голямото не означава автоматично по-добро за всяка задача и оптимизацията може значително да промени картината. По-малките специализирани модели, квантирането, пакетирането, кеширането и по-интелигентното маршрутизиране могат да подобрят ефективността.
Основният проблем с енергията ли е потребителският изкуствен интелект или корпоративният изкуствен интелект е по-големият проблем?
Случайната употреба от потребителите може да се натрупа, но по-голямата история за потреблението често се появява в корпоративните внедрявания. Винаги включените помощници, обработката на документи, обобщаването на обаждания, прегледът на кода и фоновите агенти създават повтарящо се търсене сред големи потребителски бази. Проблемът обикновено е по-малко в едно драматично действие и повече в устойчивия обем във времето.
Колко енергия използва изкуственият интелект, когато се включат центрове за данни и охлаждане?
След като се включи по-широката система, отговорът става по-реалистичен и обикновено е по-голям, отколкото предполагат оценките, базирани само на чипове. Центровете за данни се нуждаят от енергия не само за изчисления, но и за охлаждане, работа в мрежа, съхранение и поддържане на свободен капацитет. Ето защо проектирането на инфраструктурата и ефективността на съоръженията са почти толкова важни, колкото и проектирането на модела.
Кой е най-практичният начин за измерване на потреблението на енергия от изкуствен интелект в реален работен процес?
Най-добрият метод зависи от това кой измерва и с каква цел. Грубо правило може да помогне за бързи сравнения, докато ватметрите, телеметрията на графичния процесор, регистрационните файлове за фактуриране в облака и отчитането в центровете за данни предоставят все по-добра оперативна информация. За сериозна работа, свързана с устойчивостта, по-пълният поглед върху жизнения цикъл е още по-силен, макар и по-бавен и по-взискателен.
Как екипите могат да намалят потреблението на енергия от изкуствен интелект, без да се отказват от полезни функции на изкуствения интелект?
Най-големите ползи обикновено идват от използването на най-малкия модел, който все още върши работа, съкращаването на подканите и изходите, кеширането на повтарящи се резултати, групирането на работа и насочването само на по-трудни задачи към по-големи модели. Оптимизацията на инфраструктурата също е важна, особено планирането и ефективността на хардуера. В много конвейери, измерването първо помага да се предотврати оптимизирането на грешни неща от екипите.
Референции
-
Международна агенция по енергетика (МАЕ) - Търсене на енергия от изкуствен интелект - iea.org
-
Министерство на енергетиката на САЩ (DOE) - DOE публикува нов доклад, оценяващ увеличеното търсене на електроенергия в центровете за данни - energy.gov
-
Google Cloud - Измерване на въздействието върху околната среда на изводите, базирани на изкуствен интелект - cloud.google.com
-
Google Research - Добри новини за въглеродния отпечатък на обучението по машинно обучение - research.google
-
Google Research - Въглеродният отпечатък от машинното обучение ще се изравни и след това ще намалее - research.google
-
arXiv - Зелен изкуствен интелект - arxiv.org
-
arXiv - Strubell et al. - arxiv.org
-
arXiv - Стратегии за квантуване, пакетиране и обслужване в потреблението на енергия в LLM - arxiv.org