在人工智能领域，算力和时间一直是制约技术进步的关键因素。然而，DeepMind团队的最新研究成果，为这一难题提供了解决方案。
他们提出了一种名为JEST的全新数据筛选方法，通过智能筛选最佳数据批次进行训练，实现了AI训练时间的大幅缩短和算力需求的显著降低。据称，可以将AI训练时间减少13倍，并将算力需求降低90%。
JEST方法的核心在于联合选择最佳数据批次，而非单个样本，这一策略被证明在加速多模态学习方面尤为有效。与传统的大规模预训练数据筛选方法相比，JEST不仅大幅减少了迭代次数和浮点运算次数，而且在仅使用10%的FLOP预算的情况下，就能超越以往的最先进水平。
DeepMind团队的研究揭示了三个关键结论:选择好的数据批次比单独挑选数据点更有效，在线模型近似可以用于更高效地过滤数据，以及可以引导小型高质量数据集以利用更大的非精选数据集。这些发现为JEST方法的高效性能提供了理论基础。
JEST的工作原理，是通过借鉴之前关于RHO损失的研究，结合学习模型和预训练参考模型的损失，评估数据点的可学习性。它选择那些对于预训练模型来说较容易，但对于当前学习模型来说较难的数据点，以此提高训练效率和效果。
此外，JEST还采用了基于阻塞吉布斯采样的迭代方法，逐步构建批次，每次迭代中根据条件可学习性评分选择新的样本子集。这种方法在过滤更多数据时持续改进，包括使用仅基于预训练的参考模型来评分数据。
DeepMind的这项研究不仅为AI训练领域带来了突破性进展，也为未来的AI技术发展提供了新的思路和方法。随着JEST方法的进一步优化和应用，我们有理由相信，人工智能的发展将迎来更加广阔的前景。
论文:https://arxiv.org/abs/2406.17711
划重点:
🚀 **训练效率革命**:DeepMind的JEST方法使AI训练时间减少13倍，算力需求降低90%。
🔍 **数据批次筛选**:JEST通过联合选择最佳数据批次，而非单个样本，显著提升了多模态学习的效率。
🛠️ **创新训练方法**:JEST利用在线模型近似和高质量数据集引导，优化了大规模预训练的数据分布和模型泛化能力。