論文の概要: AI Scaling: From Up to Down and Out
- arxiv url: http://arxiv.org/abs/2502.01677v1
- Date: Sun, 02 Feb 2025 02:14:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:02:53.168106
- Title: AI Scaling: From Up to Down and Out
- Title(参考訳): AIスケーリング: 上から下へ
- Authors: Yunke Wang, Yanxi Li, Chang Xu,
- Abstract要約: 本稿では、Scaling Up、Scaling Down、Scaling Outを含む、AIスケーリングのための総合的なフレームワークを提案する。
モデルのスケールアップは固有のボトルネックに直面しているが、AIスケーリングの今後の軌道はスケールダウンとスケーリングアウトにある、と氏は主張する。
我々は、医療、スマートマニュファクチャリング、コンテンツ作成における変革的なアプリケーションについて検討し、AI Scalingがいかに効率、パーソナライゼーション、グローバル接続のブレークスルーを可能にするかを実証する。
- 参考スコア(独自算出の注目度): 23.65115295537283
- License:
- Abstract: AI Scaling has traditionally been synonymous with Scaling Up, which builds larger and more powerful models. However, the growing demand for efficiency, adaptability, and collaboration across diverse applications necessitates a broader perspective. This position paper presents a holistic framework for AI scaling, encompassing Scaling Up, Scaling Down, and Scaling Out. It argues that while Scaling Up of models faces inherent bottlenecks, the future trajectory of AI scaling lies in Scaling Down and Scaling Out. These paradigms address critical technical and societal challenges, such as reducing carbon footprint, ensuring equitable access, and enhancing cross-domain collaboration. We explore transformative applications in healthcare, smart manufacturing, and content creation, demonstrating how AI Scaling can enable breakthroughs in efficiency, personalization, and global connectivity. Additionally, we highlight key challenges, including balancing model complexity with interpretability, managing resource constraints, and fostering ethical development. By synthesizing these approaches, we propose a unified roadmap that redefines the future of AI research and application, paving the way for advancements toward Artificial General Intelligence (AGI).
- Abstract(参考訳): AI Scalingは従来、より大きくより強力なモデルを構築するScaling Upと同義語だった。
しかし、効率性、適応性、そして様々なアプリケーション間のコラボレーションに対する需要が高まっているため、より広い視点が必要になります。
本稿では、Scaling Up、Scaling Down、Scaling Outを含む、AIスケーリングのための総合的なフレームワークを提案する。
モデルのスケールアップは固有のボトルネックに直面しているが、AIスケーリングの今後の軌道はスケールダウンとスケーリングアウトにある、と氏は主張する。
これらのパラダイムは、炭素フットプリントの削減、均等なアクセスの確保、ドメイン間のコラボレーションの強化など、重要な技術的および社会的課題に対処する。
我々は、医療、スマートマニュファクチャリング、コンテンツ作成における変革的なアプリケーションについて検討し、AI Scalingがいかに効率、パーソナライゼーション、グローバル接続のブレークスルーを可能にするかを実証する。
さらに、モデルの複雑さと解釈可能性のバランスをとること、リソースの制約を管理すること、倫理的開発を促進することなど、重要な課題を強調します。
これらのアプローチを合成することにより、AI研究と応用の未来を再定義し、人工知能(AGI)への進歩の道を開く統一的なロードマップを提案する。
関連論文リスト
- Limits to AI Growth: The Ecological and Social Consequences of Scaling [0.7214316174103592]
4つのレンズを用いたAIスケーリングの総合的なレビューを提供する。
我々は「成長への限界」のようなアーキタイプを含むシステムダイナミクスの概念を描いている。
私たちは、持続的でマインドフルな進歩を優先するために、スケーリングに関する優先順位と規範を実現することを提唱します。
論文 参考訳(メタデータ) (2025-01-29T20:25:42Z) - AI in the Cosmos [0.0]
情報源分類、スペクトルエネルギー分布モデリングなど、天体物理学におけるAI応用例を強調し、生成AIによる達成可能な進歩について議論する。
AIの使用は、バイアスやエラー、AIモデルの“ブラックボックス”といった課題を導入している。
これらの問題は、人間の専門知識とドメイン固有の知識をAIアプリケーションに統合するHG-AI(Human-Guided AI)の概念を通じて解決することができる。
論文 参考訳(メタデータ) (2024-12-13T12:30:11Z) - Generative AI in Health Economics and Outcomes Research: A Taxonomy of Key Definitions and Emerging Applications, an ISPOR Working Group Report [12.204470166456561]
ジェネレーティブAIは、健康経済学と成果研究(HEOR)において大きな可能性を秘めている
生成AIは、HEORに大きな可能性を示し、効率性、生産性を高め、複雑な課題に対する新しいソリューションを提供する。
ファウンデーションモデルは複雑なタスクを自動化する上で有望だが、科学的信頼性、バイアス、解釈可能性、ワークフローの統合には課題が残っている。
論文 参考訳(メタデータ) (2024-10-26T15:42:50Z) - Hype, Sustainability, and the Price of the Bigger-is-Better Paradigm in AI [67.58673784790375]
AIパラダイムは、科学的に脆弱なだけでなく、望ましくない結果をもたらすものだ、と私たちは主張する。
第一に、計算要求がモデルの性能よりも早く増加し、不合理な経済要求と不均等な環境フットプリントにつながるため、持続可能ではない。
第二に、健康、教育、気候などの重要な応用は別として、他人を犠牲にして特定の問題に焦点をあてることである。
論文 参考訳(メタデータ) (2024-09-21T14:43:54Z) - Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
コネクショニストと象徴的人工知能(AI)の収束を探求する記事
従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。
大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
論文 参考訳(メタデータ) (2024-07-11T14:00:53Z) - Over the Edge of Chaos? Excess Complexity as a Roadblock to Artificial General Intelligence [4.901955678857442]
我々は、AIの性能が臨界複雑性しきい値を超えると不安定になるかもしれない複雑なシステムにおける位相遷移に類似した臨界点の存在を仮定した。
我々のシミュレーションは、AIシステムの複雑さの増加が、より高い臨界閾値を超え、予測不可能なパフォーマンス行動を引き起こすことを実証した。
論文 参考訳(メタデータ) (2024-07-04T05:46:39Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳(メタデータ) (2023-10-03T06:55:19Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳(メタデータ) (2023-03-07T20:36:13Z) - WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。
そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2021-10-27T12:25:21Z) - Which Design Decisions in AI-enabled Mobile Applications Contribute to
Greener AI? [7.194465440864905]
このレポートは、AI対応アプリケーションの性能に対する設計決定の影響を定量化する実証的研究を行う計画で構成されている。
我々は、複数の画像分類とテキスト分類問題を解決するために、モバイルアプリケーションに画像ベースニューラルネットワークと言語ベースニューラルネットワークの両方を実装します。
論文 参考訳(メタデータ) (2021-09-28T07:30:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。