大型語(yǔ)言和多模態(tài)模型的訓(xùn)練計(jì)算量也在穩(wěn)步增加（圖1.2.16）。用于訓(xùn)練Minerva（540B）的計(jì)算量大約是OpenAI的GPT-3（2022年6月發(fā)布）的9倍，是GPT-2（2019年2月發(fā)布）的1839倍。Minerva是谷歌于2022年6月發(fā)布的一個(gè)大型語(yǔ)言和多模模型，在定量推理問題上表現(xiàn)出了令人印象深刻的能力。

2019-22年選擇大型語(yǔ)言和多模態(tài)模型的訓(xùn)練計(jì)算（FLOP）

圖1.2.16

訓(xùn)練費(fèi)用

圍繞大型語(yǔ)言和多模態(tài)模型的話語(yǔ)的一個(gè)特殊主題與它們的假設(shè)成本有關(guān)。盡管人工智能公司很少公開談?wù)撚?xùn)練成本，但人們普遍猜測(cè)，這些模型的訓(xùn)練成本為數(shù)百萬美元，而且隨著規(guī)模的擴(kuò)大，成本將變得越來越昂貴。本小節(jié)介紹了一種新的分析，其中人工智能索引研究團(tuán)隊(duì)對(duì)各種大型語(yǔ)言和多模態(tài)模型的訓(xùn)練成本進(jìn)行了估計(jì)（圖1.2.17）。這些估計(jì)是基于模型的作者所披露的硬件和訓(xùn)練時(shí)間。在沒有透露訓(xùn)練時(shí)間的情況下，我們根據(jù)硬件速度、訓(xùn)練計(jì)算和硬件利用率效率進(jìn)行計(jì)算。考慮到估計(jì)值的可能可變性，我們用中、高或低的標(biāo)簽來限定每個(gè)估計(jì)值：中估計(jì)值被認(rèn)為是中級(jí)估計(jì)值，高被認(rèn)為是高估估計(jì)值，低被認(rèn)為是低估估計(jì)值。在某些情況下，沒有足夠的數(shù)據(jù)來估計(jì)特定的大型語(yǔ)言和多模態(tài)模型的訓(xùn)練成本，因此這些模型在我們的分析中被省略了。

選擇大型語(yǔ)言和多模態(tài)模型的估計(jì)訓(xùn)練成本

圖1.2.17

大型語(yǔ)言和多模態(tài)模型的成本與其規(guī)模之間也有明顯的關(guān)系。如圖1.2.18和1.2.19所示，具有更多參數(shù)的大型語(yǔ)言和多模態(tài)模型以及使用大量計(jì)算的訓(xùn)練往往更昂貴。

選擇大型語(yǔ)言和多模態(tài)模型的估計(jì)訓(xùn)練成本和參數(shù)數(shù)

圖1.2.18

選擇大型語(yǔ)言和多模態(tài)模型的估計(jì)訓(xùn)練成本及訓(xùn)練計(jì)算（FLOP）

圖1.2.19

人工智能會(huì)議是研究人員分享其工作、與同行和合作者建立聯(lián)系的關(guān)鍵場(chǎng)所。出席會(huì)議表明了人們對(duì)一個(gè)科學(xué)領(lǐng)域的更廣泛的工業(yè)和學(xué)術(shù)興趣。在過去的20年里，人工智能會(huì)議的規(guī)模、數(shù)量和聲望都有所增長(zhǎng)。本節(jié)介紹了參加主要人工智能會(huì)議的趨勢(shì)數(shù)據(jù)。