Tradicionalmente, os projetos que tentaram desenvolver uma inteligência artificial realmente eficiente confiaram na reunião de diversas CPUs para atingir esse objetivo. Porém, projetos como o Deep Learning, da Google, mostram que essa tática possui limitações que não podem ser resolvidas meramente com a adição de mais força bruta de processamento a um sistema.
Andrew Ng, pesquisador de Stanford que trabalhou com a empresa nesse projeto, acredita que esse tipo de aproximação está longe da ideal tanto pelos limites que ela impõe quanto pelos altos custos envolvidos. Recentemente, ele publicou um estudo que propõe o uso de GPUs como forma de obter tecnologias de inteligência artificial que não exijam o investimento de quantidades absurdas de dinheiro.
Atualmente, o principal motivo que leva ao uso de CPUs é o fato de ser mais fácil ligá-las em rede e fazê-las trabalhar em conjunto em relação a placas de vídeo convencionais. Segundo Ng, apesar dos desafios que programadores teriam que enfrentar, a mudança de paradigma implicaria em diversas vantagens financeiras. Ele acredita que a primeira geração de computadores do tipo custaria US$ 20 mil para ser construída — valor ínfimo quanto comparado ao US$ 1 milhão cobrado pelo sistema Deep Learning original.
Nenhum comentário:
Postar um comentário