Научниците од универзитетите се соочуваат со фрустрација поради ограничената компјутерска моќ за истражување на вештачка интелигенција (AI), како што е покажано во светска анкета. Студијата, објавена на arXiv на 30 октомври, истакнува дека академските научници често немаат пристап до напредни компјутерски системи, што влијае врз нивната способност да развиваат големи јазични модели (LLMs) и да спроведуваат AI истражување. Универзитетите често се борат со набавка на моќни графички процесорски единици (GPUs), кои се неопходни за обука на AI модели, но се скапи. За разлика од нив, големите технолошки компании имаат поголеми буџети за набавка на илјадници GPUs. Апоорв Кханделвал од Универзитетот Браун и коавтор на студијата забележува дека додека индустриските гиганти можеби имаат обемни ресурси на GPU, академските научници може да имаат само неколку, што создава голем јаз меѓу индустријата и академските способности. Тимот на Кханделвал анкетирал 50 научници од 35 институции, откривајќи дека 66% од испитаниците го оценија своето задоволство од достапната компјутерска моќ како 3 или помалку од 5, наведувајќи доцнења во пристапот до GPUs и значителни разлики на глобално ниво, како на пример на Блискиот Исток.

Ограничениот пристап одвраќа многу од вклучување во скапо претходно обучување на LLMs. Коавторот Ели Павлик ја истакнува важноста на конкурентна академска средина за долгорочен технолошки раст, спротивставувајќи ја со комерцијалниот притисок во индустриското истражување. И покрај овие ограничувања, истражувачите разгледале начини како академските научници можат да ја максимизираат употребата на помалку моќен хардвер преку претходно обучување на LLMs со 1 до 8 GPUs. Ова бара прифаќање на ефикасни методи, кои, иако се подолги, овозможуваат успешно обучување на модели и покрај ограничените ресурси. Џи-Унг Ли од Универзитетот Саарланд во Германија го наоѓа овој пристап ветувачки, забележувајќи дека дури и малите компании се соочуваат со слични предизвици во пристапноста до ресурси. Оваа студија ја потенцира важноста од адресирање на нееднаквостите во ресурсите за подобрување на AI истражувањето во академијата.