斯坦福大学发现，艾奥斯正在超越摩尔的法律

斯坦福大学的AI指数2019年度报告发现，人工智能（AI）的速度超出了Moore的法律。

Moore的法律将每18个月到两年的处理器速度加速，这意味着应用程序开发人员可以为相同的硬件成本预期应用程序性能加倍。

但是，与麦肯锡公司，谷歌，普华永道，Openai，GenPact和Ai21Labs合作，发现了斯坦福报告，发现AI计算能力比传统的处理器开发快速加速。“在2012年之前，AI导致摩尔定律密切相关，每两年计算倍增。”，“报告称。“2012年后，计算每3.4个月增加了一倍。”

该研究通过跟踪ImageNet图像识别程序的进度，研究了AI算法随着时间的推移如何改善。鉴于图像分类方法主要基于受监管机器学习技术，提交的作者看起来培训AI模型和相关成本需要多长时间，它们表示代表AI开发基础设施的成熟度，反映了软件的进步和硬件。

他们的研究发现，超过18个月，培训网络云基础设施的时间要求监督的图像识别下降到2017年10月的大约三个小时到2019年7月大约88秒。该报告指出，私有云实例上的想象网培训时间的数据符合公共云AI培训时间改进。

该报告的作者使用Reset Image分类模型来评估算法达到高度精度的时间。2017年10月，需要13天的培训时间达到高于93％的准确性。该报告发现，在13天内培训基于AI的图像分类，以实现93％的准确性将在2017年的2,323美元的成本下降。

该研究报告说，最新的基准在斯坦福·达德Bench上可用，在GCP上使用云TPU来运行Reset模型，以略高于93％的准确度，略高于2018年9月的费用超过93％。

该报告还探讨了计算机愿景如何进展，观察推动自动活动理解的限制的创新算法，这可以识别使用ActivityNet挑战的视频的人类行动和活动。

这项挑战中的一个任务之一，称为时间活动本地化，使用了描绘了多于一个活动的长视频序列，并要求算法找到给定的活动。如今，算法可以实时准确地识别数百个复杂的人类活动，但报告发现需要更多的工作。

“在过去四年组织国际活动识别挑战（ActivityNet）后，我们观察到更多的研究来开发可以可靠地区分活动的方法，这涉及运动提示，物体和/或微妙模式。人体对象互动，“在阿卜杜拉王科技大学电气工程副教授Bernard Ghanem表示，在该报告中。

“展望期待着，我们预见到下一代算法是一个突出学习的人，而无需过大的手动策划数据。在这种情况下，基准和竞争将仍然是在这一自学习领域跟踪进展的基石。“