Universitetsforskere opplever frustrasjon på grunn av begrenset datakraft til kunstig intelligens (KI)-forskning, ifølge en verdensomspennende undersøkelse. Studien, delt på arXiv 30. oktober, fremhever at akademikere ofte mangler tilgang til avanserte datasystemer, noe som påvirker deres mulighet til å utvikle store språkmodeller (LLM) og utføre KI-forskning. Universiteter har ofte vanskeligheter med å anskaffe kraftige grafikkprosessorenheter (GPU-er), som er essensielle for KI-modelltrening, men kostbare. Store teknologiselskaper, derimot, har større budsjetter for å kjøpe tusenvis av GPU-er. Apoorv Khandelwal fra Brown University og medforfatter av studien bemerker at selv om industrigiganter kan ha omfattende GPU-ressurser, har akademikere kanskje bare noen få, noe som skaper et stort gap mellom industri- og akademiske evner. Khandelwals team intervjuet 50 forskere fra 35 institusjoner og fant at 66% av respondentene vurderte sin tilfredshet med tilgjengelig datakraft som 3 eller lavere av 5, med henvisning til forsinkelser i GPU-tilgang og betydelige forskjeller globalt, som i Midtøsten.

Begrenset tilgang avskrekker mange fra å engasjere seg i kostbar pre-trening av LLM-er. Medforfatter Ellie Pavlick understreker viktigheten av et konkurransedyktig akademisk miljø for langsiktig teknologisk vekst, i kontrast til det kommersielle presset i industriforskning. Til tross for disse begrensningene, undersøkte forskerne måter akademikere kunne maksimere mindre kraftig maskinvare ved å forberede LLM-er med 1 til 8 GPU-er. Dette krever at man tar i bruk effektive metoder, som, selv om de tar lengre tid, tillot vellykket modelltrening tross begrensede ressurser. Ji-Ung Lee fra Saarland University i Tyskland finner denne tilnærmingen lovende, og bemerker at selv små selskaper står overfor lignende utfordringer med tilgang. Denne studien understreker viktigheten av å adressere ressursskjevheter for å styrke KI-forskningen i akademia.