更新日期：2023年12月11日 – 在附录中修订的分析反映了AMD估计销售额翻倍所需的GPU数量生成型AI需要大量的图形处理单元（GPU），这些计算…
Leave a CommentTag: Energy
人工智能是技术革命的推动力量，悄然耗尽我们的水资源。包括OpenAI的ChatGPT在内的先进AI系统对能量的渴望导致了水消耗的惊人增加。在本文中，我们将深入探讨人工智能对环境的无止境能量需求以及微软和谷歌等科技巨头为缓解这一日益关注的问题所做的努力。 还可阅读：NVIDIA的人工智能模型拯救地球，NASA提供资金支持 人工智能的能源需求 人工智能，尤其是ChatGPT等计算密集型模型，需要大量的处理能力，通常存储在庞大的数据中心中。这些数据中心不仅对能源需求巨大，而且对水资源依赖性较高。 微软和谷歌的环境努力 像微软和谷歌这样的领先科技巨头正在采取措施应对人工智能对环境的影响。它们是确保负责任的资源消耗的更广泛行业努力的一部分。然而，随着科技行业的扩张，专家们对其负面环境影响的担忧日益加剧。 不断增加的用水量 人工智能革命进一步提高了人工智能对水的需求。根据微软最新的环境报告，他们的全球用水量从2021年增长了34%，达到近17亿加仑，相当于2500个奥运大小的游泳池。谷歌作为另一个深度参与人工智能研究的科技巨头，其用水量增加了20%，在2022年达到了56亿加仑。这一大幅增加归因于该公司不断扩大的人工智能工作。 还可阅读：人工智能模型的环境成本：碳排放和用水量 ChatGPT的用水量和OpenAI的地方影响 最近的报告显示，像ChatGPT这样的人工智能系统每次用户提出5到50个提示或问题时，会消耗大约500毫升的水。考虑到全球范围内聊天机器人使用的指数增长，这相当于一个巨大的水足迹，引起了专家和环保人士的警惕。 由加利福尼亚州的工程师开发的ChatGPT依赖于爱荷华州的数据中心，该地区使用了Raccoon和Des Moines河的水。这说明了人工智能对当地水资源的深远影响。虽然OpenAI将其数据中心的位置保密，但受影响地区的居民感受到了后果。得梅因水务公司报告称，自2007年以来住宅用水费率增加了近80%，城市居民每1000加仑水费为5.19美元。 人工智能与加密货币挖掘 人工智能的用水量与加密货币挖掘的用电量存在相似之处。虽然与人工智能不同，但加密货币挖掘在资源消耗方面面临类似的挑战。例如，比特币挖掘的能源消耗量与阿根廷的全部用电量相当。 科技巨头的改变承诺 微软的承诺： 微软正积极寻求在租用场地推动透明度和效率。他们的目标是到2030年实现100%无碳能源，并力争成为一个负碳、正水、零废弃物的公司。 谷歌的可持续目标： 谷歌也制定了雄心勃勃的目标，计划到2030年在其运营和价值链上实现净零排放。这包括减少2022年产生的1020万吨二氧化碳。谷歌还强调，由于效率措施的实施，人工智能的能源需求增长速度比预期要慢。 还可阅读：NVIDIA的人工智能拯救地球免受气候变化的影响 我们的观点 尽管科技公司正在采取措施缓解人工智能对环境的影响，但威胁仍然存在。随着人工智能能力的扩大，科技公司必须不断追求效率提升，采用可再生能源，探索替代的冷却技术，并加强资源使用的透明度。只有通过负责任的管理，人工智能的能源需求才能得到可持续满足，确保与地球的和谐共存。
Leave a Comment这位博士生正在改进算法，以减少材料使用来设计大型结构，从而帮助缩小建筑行业巨大的碳足迹
Leave a Comment在一项令人兴奋的进展中，科技巨头IBM推出了一款“类脑”芯片的原型，这可能彻底改变人工智能（AI）领域。随着对高能耗AI系统环境影响的担忧日益增长，这一创新可能是朝着更节能和可持续的AI技术迈出的重要一步。这款开创性芯片从人脑复杂的连接中汲取灵感，有望重新塑造各种平台上的AI系统。 还阅读：IBM和NASA联手创建地球科学GPT：解码地球的奥秘 更环保的AI即将到来 IBM的原型芯片承诺大幅提高AI的能源效率。随着对高能耗AI基础设施所产生的碳排放的担忧不断升级，这款创新芯片带来了一线希望。该芯片的设计灵感来自人脑在实现高性能时消耗最小功率的卓越效率。这一突破可能为不仅先进而且环保意识到的AI技术铺平道路。 还阅读：人工智能技术如何改变回收行业？ 模拟人类连接 这个原型芯片的核心是一种革命性的方法：使用被称为记忆电阻器的组件，其工作原理类似于人脑内部的连接。与依赖二进制数据存储（0和1）的传统数字芯片不同，基于记忆电阻器的芯片可以存储一系列值，就像我们的大脑处理信息的复杂方式一样。这种“模拟”方法可能导致更好地模拟人类认知的AI系统。 还阅读：人工智能与人类智能：7个主要差异 利用自然启发的计算 来自萨里大学的Ferrante Neri教授解释说，基于记忆电阻器的方法属于自然启发的计算范畴。这个领域旨在模拟人脑的功能。记忆电阻器“记住”电历史的能力类似于生物系统中突触的行为。相互连接的记忆电阻器可能产生与人脑运作方式非常相似的网络。 面临的挑战和机遇 虽然类脑芯片的前景具有巨大潜力，但专家们敦促谨慎行事。Neri教授指出，实现基于记忆电阻器的计算机是复杂的，其中包括材料成本和制造复杂性等挑战。尽管存在困难，他仍持谨慎乐观态度，暗示类脑芯片的出现可能在不久的将来。 还阅读：Nvidia发布了一款改变游戏规则的AI芯片，以提升生成AI应用程序的速度 AI生态系统的绿色化 IBM的芯片提供了高能效和与现有AI系统的兼容性。这种创新可以延长电池寿命，并为智能手机到汽车等新应用提供支持。此外，如果大规模集成，这些芯片可以显著降低数据中心的能耗和冷却所需的水量。 还阅读：NVIDIA的AI将拯救地球免受气候变化的影响 我们的观点 在全球努力迈向更可持续未来的过程中，IBM的原型芯片的潜力闪耀着光芒。尽管在广泛应用之路上仍面临挑战，但这一创新为可持续和更高效的AI技术奠定了基础。随着持续的研究和发展，可能性令人心动，展示了一个AI和可持续发展和谐共存的未来。
Leave a Comment介绍 天气是现实世界中发生许多事情的主要驱动因素。事实上，它非常重要，以至于将其纳入机器学习模型中通常会使任何预测模型受益。 想想以下场景： 公共交通机构试图预测系统中的延误和拥堵 能源供应商希望估计明天的太阳能发电量，以用于能源交易 活动组织者需要预测参与者的数量，以确保满足安全标准 农场需要安排未来一周的收获作业 可以说，在上述场景中，如果不将天气作为因素之一纳入模型中，该模型要么没有意义，要么不如其本来可能好。 令人惊讶的是，虽然有很多在线资源专注于如何预测天气本身，但几乎没有任何资源展示如何有效地获取和使用天气数据作为特征，即将其作为输入来预测其他东西。这就是本文要讨论的内容。 概述 首先，我们将强调使用天气数据进行建模所面临的挑战，介绍常用的模型以及提供商。然后，我们将进行案例研究，使用其中一个提供商的数据构建一个可以预测纽约出租车乘车次数的机器学习模型。 通过阅读本文，您将学到以下内容： 使用天气数据进行建模的挑战 可用的天气模型和提供商 处理时间序列数据的典型ETL和特征构建步骤 使用SHAP值评估特征重要性 本文作为数据科学博文的一部分发布。 挑战 衡量与预测天气 对于生产中的机器学习模型，我们需要（1）实时数据以产生实时预测和（2）大量历史数据以训练能够执行此操作的模型。 by Hadija on Unsplash 显然，当进行实时预测时，我们将使用当前的天气预报作为输入，因为它是关于未来发生情况的最新估计。例如，当预测明天的太阳能发电量时，我们需要的模型输入是关于明天天气的预报。…
Leave a Comment2022年11月22日是一个具有里程碑意义的时刻，虽然大部分是虚拟的，但它震动了全球几乎每个行业的基础。 在那天，OpenAI发布了ChatGPT，这是迄今为止最先进的人工智能聊天机器人。这引发了对生成式人工智能应用的需求，这些应用帮助企业更高效地工作，从为消费者提供问题的答案，到加速研究人员在寻求科学突破时的工作，以及更多其他方面。 之前只是尝试过人工智能的企业现在正急于采用和部署最新的应用。生成式人工智能——算法创造新的文本、图像、声音、动画、3D模型甚至计算机代码的能力——正在以超光速发展，改变人们工作和娱乐的方式。 通过使用大型语言模型（LLMs）处理查询，这项技术可以大大减少人们用于搜索和整理信息等手动任务的时间。 利益巨大。据普华永道估计，到2030年，人工智能可能为全球经济贡献超过15万亿美元。而人工智能的采用影响可能超过互联网、移动宽带和智能手机的发明——总和超过。 推动生成式人工智能的引擎是加速计算。它使用GPU、DPU和网络以及CPU，加速应用程序在科学、分析、工程以及消费者和企业用例中的应用。 从药物发现、金融服务、零售和电信到能源、高等教育和公共部门的早期采用者，正在将加速计算与生成式人工智能结合起来，改变业务运营、服务提供和生产力。 点击查看信息图表：生成下一波人工智能转型 药物发现的生成式人工智能 今天，放射科医生使用人工智能来检测医学影像中的异常，医生使用它来扫描电子健康记录以发现患者洞察，研究人员使用它来加速新药的发现。 传统的药物发现是一个资源密集型的过程，可能需要合成5000多种化合物，平均成功率仅为10%。大多数新药候选品要花费十多年的时间才能上市。 研究人员现在使用生成式人工智能模型读取蛋白质的氨基酸序列，并能够在几秒钟内准确预测目标蛋白的结构，而不是几周或几个月。 使用NVIDIA BioNeMo模型，全球生物技术领导者Amgen将为分子筛选和优化定制模型的时间从三个月缩短到几周。这种可训练的基础模型使科学家能够为研究特定疾病创建变体，使他们能够开发针对罕见疾病的靶向治疗。 无论是预测蛋白质结构还是在大型真实世界和合成数据集上安全训练算法，生成式人工智能和加速计算正在开辟研究的新领域，有助于减轻疾病的传播、实现个性化医疗治疗和提高患者的生存率。 金融服务的生成式人工智能 根据最近的一项NVIDIA调查，金融服务行业中的顶级人工智能应用案例是客户服务和深度分析，其中自然语言处理和LLMs用于更好地回答客户的问题并发现投资见解。另一个常见的应用是推荐系统，它们提供个性化的银行体验、优化营销和投资指导。 先进的人工智能应用有助于帮助该行业更好地预防欺诈，并改变银行的方方面面，从投资组合规划和风险管理到合规和自动化。 80%的业务相关信息是以非结构化格式——主要是文本——存在的，这使其成为生成式人工智能的首选。彭博新闻每天发布与金融和投资社区相关的5000篇报道。这些报道代表了一大批非结构化的市场数据，可以用于进行及时的投资决策。 NVIDIA、德意志银行、彭博社和其他机构正在创建基于领域特定和专有数据的LLMs，用于支持金融应用。 财务变形器，或称“FinFormers”，可以学习上下文并理解非结构化金融数据的含义。它们可以驱动问答聊天机器人，概述和翻译金融文本，提供反对方风险的早期预警，快速检索数据并识别数据质量问题。 这些生成式人工智能工具依赖于能够将专有数据集成到模型训练和微调中的框架，集成数据策划以防止偏见，并使用安全措施保持与金融相关的对话。 预计金融科技初创企业和大型国际银行将扩大他们对LLMs和生成式人工智能的应用，开发复杂的虚拟助手为内部和外部利益相关者提供服务，创建超个性化的客户内容，自动化文档摘要以减少手动工作，并分析公共和私人数据的TB级数据以生成投资见解。 零售业的生成式人工智能 随着60%的购物旅程从线上开始，消费者比以往任何时候都更加联网和知识丰富，人工智能已成为帮助零售商满足不断变化的期望并与日益激烈的竞争区分开来的重要工具。…
Leave a Comment