В конце декабря 2019 года Стэнфордский университет обнародовал результаты исследования, согласно которому вычислительная мощность искусственного интеллекта уже более семи лет опережает закон Мура. Этот закон гласит, что скорость процессора удваивается каждые 18 месяцев, а значит, разработчики могут ожидать удвоения производительности приложений в эти сроки при той же стоимости оборудования. Но отчет группы исследователей из Стэнфордского университета, подготовленный в сотрудничестве с McKinsey & Company, Google, PwC, OpenAI, Genpact и AI21Labs, показал, что вычислительная мощность ИИ растет быстрее, чем мощность традиционных процессоров. Переломным моментом, когда скорость развития искусственного интеллекта стала опережать закон Мура, оказался 2012 год. Стэнфордский университет обнародовал результаты исследования, согласно которому вычислительная мощность искусственного интеллекта уже более семи лет опережает закон Мура Исследователи изучали, как алгоритмы ИИ улучшались с течением времени, отслеживая прогресс программы идентификации изображений ImageNet. Учитывая, что методы классификации изображений в значительной степени основаны на контролируемых методах машинного обучения, авторы отчета рассмотрели, сколько времени требуется для обучения модели ИИ и связанные с этим затраты. Исследование показало, что за 18 месяцев время, необходимое для обучения сети на облачной инфраструктуре, сократилось с трех часов в октябре 2017 года до 88 секунд в июле 2019 года. Авторы отчета использовали модель ResNet, чтобы оценить, сколько времени требуется алгоритмам классификации изображений для достижения высокого уровня точности. В октябре 2017 года для достижения точности выше 93% требовалось 13 дней обучения, что обходилось разработчикам в $2323. Последний эталонный тест, доступный на платформе Stanford DAWNBench в сентябре 2018 года с точностью классификации изображений чуть выше 93%, стоил чуть более $12.