BitEnergy AI是一家专注于AI推理技术的公司，其工程师开发了一种创新的人工智能处理方法，用整数加法取代了传统的浮点乘法（FPM）。这种新方法称为线性复杂度乘法（L-Mul），能够在保持高精度和准确性的同时，显著降低AI系统的功耗。
L-Mul的优势
- 高精度和准确性：尽管使用了更简单的算法，L-Mul仍然能够接近FPM的结果，保持了高精度和准确性。
- 显著降低功耗：据TechXplore报道，L-Mul可以将AI系统的功耗降低高达95%，这对于AI的未来发展具有重要意义。
工作原理
L-Mul算法的工作原理是将浮点数的乘法运算转化为整数加法运算。在计算机中，浮点数的乘法比整数加法要复杂得多，也更消耗资源。L-Mul算法通过一种巧妙的方式，减少了这种复杂性。它不是直接计算两个数的乘积，而是将这个乘法运算分解成一系列的加法运算，这样就降低了计算的复杂度和所需的能量。
当前挑战
尽管L-Mul展示了巨大的潜力，但市场上流行的硬件，如英伟达即将推出的Blackwell GPU，并没有设计来处理这种算法。这意味着即使BitEnergy AI的算法被证实与FPM性能相同，我们也需要能够处理它的系统。这可能会让一些AI公司犹豫，尤其是那些已经在AI硬件上投资了数百万甚至数十亿美元的公司。
巨大的市场潜力
尽管存在这些挑战，巨大的95%的功耗降低可能会吸引最大的科技公司。特别是如果AI芯片制造商能够构建利用该算法的专用集成电路（ASIC），这将极大地推动L-Mul的广泛应用。
电力消耗的问题
电力消耗是AI发展的主要限制之一。仅去年售出的所有数据中心GPU消耗的电力就超过了一百万户家庭一年的用电量。即使是谷歌也因为AI的电力需求而将其气候目标放在次要位置，其温室气体排放量从2019年增加了48%，而不是像预期的那样逐年下降。谷歌的前首席执行官甚至建议通过放弃气候目标并使用更先进的AI来解决全球变暖问题，从而打开电力生产的闸门。
能源效率的重要性
如果AI处理可以更节能，那么我们似乎可以在不牺牲地球的情况下获得先进的AI技术。此外，这种95%的能源使用减少还将减轻大型数据中心对国家电网的负担，减少为快速为我们的未来供电而建造更多能源厂的需求。
具体应用场景：
这个算法的应用场景非常广泛，包括但不限于：
- 云计算服务： 在云服务中，有大量的服务器需要处理大量的语言模型请求，使用L-Mul算法可以显著降低这些服务器的能源消耗。
- 移动设备： 在智能手机或其他移动设备上，使用L-Mul算法可以延长电池寿命，因为处理同样的任务需要的能源更少。
- 边缘计算： 在物联网设备中，这些设备通常能源有限，使用L-Mul算法可以提高它们的工作效率和运行时间。
- 大型AI模型训练和推理： 在训练和使用大型AI模型时，L-Mul算法可以减少计算成本，同时保持模型的性能。
虽然我们大多数人对新一代AI芯片带来的额外电力感到惊叹，但真正的进步只有在这些处理器更强大和更高效时才会到来。因此，如果L-Mul如宣传的那样工作，那么人类就可以拥有AI蛋糕并享用它。这不仅是技术上的突破，也是环境保护的重要进展。