เราได้เผยแพร่การวิเคราะห์ที่แสดงให้เห็นว่า นับตั้งแต่ปี 2012 ปริมาณการประมวลผลที่ใช้ในการฝึก AI ขนาดใหญ่ได้เพิ่มขึ้นแบบทวีคูณ โดยมีช่วงเวลาการเพิ่มขึ้นเป็นสองเท่าอยู่ที่ 3.4 เดือน ซึ่งแตกต่างจากกฎของมัวร์ที่มีช่วงเวลาอยู่ที่ 2 ปี
เมื่อพิจารณาข้อมูลทั้งหมด เราเห็นการแบ่งยุคของการฝึก AI เป็นสองช่วง คือ ยุคแรก (1959 ถึง 2012) ที่สอดคล้องกับกฎของมัวร์ และยุคปัจจุบัน (2012 ถึงปัจจุบัน) ที่ใช้พลังการคำนวณที่ก้าวหน้ากว่าแนวโน้มใหญ่มาก
แม้ว่าประวัติศาสตร์การลงทุนใน AI มักถูกเล่าว่าเป็นเรื่องของช่วงขาขึ้นและขาลง แต่แนวโน้มการใช้พลังการคำนวณของระบบการเรียนรู้ไม่ได้สะท้อนเช่นนั้น
จากข้อมูลนี้ เราเชื่อว่าผู้กำหนดนโยบายควรพิจารณาเพิ่มเงินทุนสำหรับการวิจัย AI เชิงวิชาการ เนื่องจากงานวิจัยบางประเภทมีความเข้มข้นด้านการคำนวณและมีค่าใช้จ่ายสูงขึ้นอย่างชัดเจน
การเพิ่มขึ้นของพลังการคำนวณ
การปรับปรุงด้านการประมวลผลเป็นองค์ประกอบสำคัญของความก้าวหน้าด้าน AI ตราบใดที่แนวโน้มนี้ยังคงอยู่ เราต้องเตรียมพร้อมสำหรับผลกระทบของระบบที่อยู่ไกลจากขีดความสามารถในปัจจุบัน
การแบ่งยุคของการฝึก AI
เราเห็นการแบ่งยุคการฝึก AI ออกเป็นสองยุค คือ ยุคแรก (1959 ถึง 2012) ที่ผลลัพธ์สอดคล้องกับกฎของมัวร์ และยุคสมัยใหม่ (2012 ถึงปัจจุบัน) ที่ใช้พลังการคำนวณที่เหนือกว่าแนวโน้มใหญ่มาก
ข้อเสนอแนะสำหรับผู้กำหนดนโยบาย
เราเชื่อว่าผู้กำหนดนโยบายควรพิจารณาเพิ่มเงินทุนสำหรับการวิจัย AI เชิงวิชาการ เนื่องจากงานวิจัยบางประเภทมีความต้องการพลังการคำนวณที่สูงและมีค่าใช้จ่ายสูงมากในปัจจุบัน
ศัพท์ที่ควรรู้
- Moore’s Law – กฎของมัวร์คือแนวโน้มทางเทคโนโลยีที่คาดว่าจำนวนทรานซิสเตอร์บนชิปจะเพิ่มขึ้นตามเวลา
- Compute – หมายถึงพลังการประมวลผลที่ใช้ในการคำนวณ ซึ่งเป็นปัจจัยสำคัญในการฝึก AI
- Doubling time – ช่วงเวลาที่ปริมาณการประมวลผลเพิ่มขึ้นเป็นสองเท่า ซึ่งในยุคปัจจุบันใช้เวลาเพียง 3.4 เดือน
ที่มา: OpenAI