@Suhail:每当我获得更多算力,我就发现可以用更多算力去做其他新的事情。
摘要
个人感悟:获取更多算力只会暴露对算力的进一步需求,反映了人工智能和科技领域中永不满足的需求。
每当我获得更多算力,我就发现可以用更多算力去做其他新的事情。
相似文章
@Miles_Brundage:自动化AI研发、递归自我改进等,在我看来本质上都是计算能力的伪装
Miles Brundage认为,自动化AI研发和递归自我改进根本依赖于计算能力达到临界水平并持续增长。
AI 和计算
OpenAI 发布分析表明,自 2012 年以来,最大规模 AI 训练运行所使用的计算量以 3.4 个月的倍增周期呈指数级增长,累计增长 30 万倍,远远超过摩尔定律的增长速度。该分析预测这一趋势可能会继续,并呼吁增加学术 AI 研究经费以应对不断上升的计算成本。
对于AI推理的“只需增加更多算力”的论点正变得越来越令人厌倦。
对AI推理扩展论点的一个批判性观点,认为自回归LLM无法仅通过增加计算量来实现正确性,并强调替代架构如EBM和形式验证在关键应用中更为优越。
AI基础设施开始看起来不再像“应用”,而更像能源+算力
Leopold Aschenbrenner支持加密货币矿工转向AI基础设施,利用他们在电力、冷却和大型设施方面的现有专长来建设AI数据中心。
@TheAhmadOsman: 市场所见一切让我断定:如果你已积累使用 GPU 和……的经验
一项市场观察表明,雇主将非常需要具有 GPU 和本地AI 经验的人才。