В рамках нашей цели построить все более способные и общие системы искусственного интеллекта (ИИ), мы работаем над созданием инструментов ИИ с более широким пониманием мира. Это может позволить перенесу полезные знания между множеством различных типов задач.
Используя обучение подкрепления, наши системы ИИ Alphazero и Muzero достигли сверхчеловеческих игр. С тех пор мы расширили их возможности, чтобы помочь разработать лучшие компьютерные чипы, наряду с оптимизацией центров обработки данных и сжатием видео. И наша специализированная версия Alphazero, называемая Alphadev, также обнаружила новые алгоритмы для ускорения программного обеспечения на основе нашего цифрового общества.
Ранние результаты показали преобразующий потенциал более широких инструментов ИИ общего назначения. Здесь мы объясняем, как эти достижения формируют будущее вычислений – и уже помогают миллиардам людей и планеты.
Проектирование лучших компьютерных чипов
Специализированное оборудование необходимо для того, чтобы современные системы ИИ были эффективными для пользователей в масштабе. Но проектирование и производство новых компьютерных чипов может занять годы работы.
Наши исследователи разработали подход на основе ИИ для проектирования более мощных и эффективных цепей. Обращаясь к схеме, как нейронная сеть, мы нашли способ ускорить дизайн чипов и перенести производительность на новую высоту.
Нейронные сети часто предназначены для использования пользовательских входов и генерации выходов, таких как изображения, текст или видео. Внутри нейронной сети края подключаются к узлам в графической структуре.
Чтобы создать дизайн схемы, наша команда предложила цепные нейронные сети, новую нервную сеть, которая превращает края в провода и узлы в логические ворота, и узнает, как их соединить.
Анимированная иллюстрация цепной нейронной сети, изучая конструкцию схемы. Он определяет, какие края (провода) подключают к каким узлам (логическим воротам), чтобы улучшить общую конструкцию схемы.
Мы оптимизировали обученную схему для вычислительной скорости, энергоэффективности и размера, сохраняя при этом ее функциональность. Используя «моделируемый отжиг», классический метод поиска, который выглядит на один шаг в будущем, мы также проверили различные варианты, чтобы найти ее оптимальную конфигурацию.
Благодаря этой технике мы выиграли конкурс программирования IWLS 2023 – с лучшим решением на 82% проблем с конструкцией схемы в конкурсе.
Наша команда также использовала Alphazero, который может посмотреть на многие шаги в будущем, чтобы улучшить дизайн схемы, рассматривая задачу как игру для решения.
До сих пор наше исследование, сочетающее в себе цепные нейронные сети с функцией вознаграждения за обучение подкреплению, показали очень многообещающие результаты для создания еще более продвинутых компьютерных чипов.
Оптимизация ресурсов центра обработки данных
Центры обработки данных управляют всем, от доставки результатов поиска до обработки наборов данных. Подобно игре с многомерным тетрисом, система под названием Borg управляет и оптимизирует рабочие нагрузки в обширных центрах обработки данных Google.
Чтобы запланировать задачи, Борг полагается на правила вручную кодировки. Но в масштабе Google правила, кодируемые вручную, не могут охватить разнообразие постоянно меняющихся распределений рабочей нагрузки. Таким образом, они разработаны как один размер, чтобы наилучшим образом поместиться.
Именно здесь особенно полезны технологии машинного обучения, такие как Alphazero: они могут работать в масштабе, автоматически создавая отдельные правила, которые оптимально адаптированы для различных распределений рабочей нагрузки.
Во время обучения Alphazero научился распознавать закономерности в задачах, поступающих в центры обработки данных, а также научился предсказывать лучшие способы управления потенциалом и принимать решения с лучшими долгосрочными результатами.
Когда мы применили Alphazero к Borg в экспериментальных испытаниях, мы обнаружили, что можем сократить долю недополагаемого аппаратного обеспечения в центре обработки данных до 19%.
Анимированная визуализация аккуратного, оптимизированного хранилища данных по сравнению с грязным и неоптимизированным хранением.
Эффективно сжатие видео
Потоковое видео составляет большую часть интернет -трафика. Таким образом, поиск способов сделать потоковую передачу более эффективным, каким бы крупным или маленьким, окажет огромное влияние на миллионы людей, смотрящих видео каждый день.
Мы работали с YouTube, чтобы сжать и передавать видео с использованием способностей решать проблемы Muzero. Сокращая битрейт на 4%, Muzero улучшил общий опыт на YouTube – без ущерба для качества зрения.
Первоначально мы применили Muzero для оптимизации сжатия каждого отдельного видео кадра. Теперь мы расширили эту работу, чтобы помочь принять решения о том, как сгруппированы и ссылаются кадры во время кодирования, что приводит к увеличению экономии битрейта.
Результаты этих первых двух шагов показывают большие перспективы потенциала Музеро стать более обобщенным инструментом, помогая найти оптимальные решения по всему процессу сжатия видео.
Визуализация, демонстрирующая, как Muzero сжимает видеофайлы. Он определяет группы изображений с визуальным сходством для сжатия. Один ключ сжат. Затем Muzero сжимает другие кадры, используя ключевой кадр в качестве ссылки. Процесс повторяется для остальной части видео, пока не будет завершено сжатие.
Обнаружение более быстрых алгоритмов
Alphadev, версия Alphazero, сделала новый прорыв в области компьютерных наук, когда он обнаружил быстрее алгоритмы сортировки и хэширования. Эти фундаментальные процессы используются триллионы раз в день для сортировки, хранения и получения данных.
Алфадев алгоритмы сортировки
Сортировка алгоритмов помогает цифровым устройствам обрабатывать и отображать информацию, от ранжирования результатов онлайн -поиска и социальных сообщений до рекомендаций пользователей.
Альфадев обнаружил алгоритм, который повышает эффективность для сортировки коротких последовательностей элементов на 70% и примерно на 1,7% для последовательностей, содержащих более 250 000 элементов по сравнению с алгоритмами в библиотеке C ++. Это означает, что результаты, полученные по запросам пользователей, могут быть отсортированы намного быстрее. При использовании в масштабе это экономит огромное количество времени и энергии.
Alphadev’s Hashing Algorithms
Алгоритмы хеширования часто используются для хранения и поиска данных, как в базе данных клиентов. Обычно они используют ключ (например, имя пользователя «Джейн Доу»), чтобы сгенерировать уникальный хэш, который соответствует значениям данных, которые необходимы для извлечения (например, «Номер заказа 164335-87»).
Как библиотекарь, который использует систему классификации, чтобы быстро найти конкретную книгу с системой хэширования, компьютер уже знает, что он ищет и где ее найти. Применительно к диапазону хеширования 9-16 байтов в центрах обработки данных, алгоритм Alphadev повысил эффективность на 30%.
Влияние этих алгоритмов
Мы добавили алгоритмы сортировки в стандартную библиотеку C ++ LLVM-заменив подкрипины, которые использовались в течение более десяти лет. И внесли вклад Альфадев хешинг -алгоритмы в библиотеку Абсейла.
С тех пор миллионы разработчиков и компаний начали использовать их в разных отраслях, как облачные вычисления, онлайн -покупки и управление цепочками поставок.
Инструменты общего назначения для питания наше цифровое будущее
Наши инструменты искусственного интеллекта уже экономят миллиарды людей времени и энергии. Это только начало. Мы представляем будущее, где инструменты AI общего назначения могут помочь оптимизировать глобальную вычислительную экосистему.
Мы еще не там – нам все еще нужно быстрее, более эффективно и устойчивая цифровая инфраструктура.
Для создания полностью обобщенных инструментов искусственного интеллекта необходимы еще много теоретических и технологических прорывов. Но потенциал этих инструментов – по технологиям, науке и медицине – заставляет нас волноваться о том, что находится на горизонте.
