沃卡惠在2010年之前，训练计算的发展与摩尔定律同步，每两年一翻;自2010年代初，引入深度学习以来，训练计算的速度已经加快，大约每六个月增加一倍;2015年末，出现了一种新的趋势。
基于这些观察，机器学习的计算历史被划分为三个时代——前深度学习时代、深度学习时代和大规模时代。本文总结了用于训练高级机器学习系统快速增长的计算需求。
趋势
比较是在一个由123个里程碑式的机器学习系统组成的数据集上进行的，并标注了训练它们所需的计算量。在深度学习起步之前，有一段进展缓慢的时间，这种趋势在2010年加速，此后一直没有放缓。另外，在2015年和2016年，出现了大规模模型的新趋势，以比上一个时代快两个数量级的速度扩张。
过渡到深度学习在深度学习出现之前和之后，人们注意到了两种不同的趋势机制。
此前，训练机器学习算法所需的算力是每17至29个月翻一番。之后，整体趋势加快速，每4到9个月翻一番。
根据摩尔定律，晶体管密度每两年翻一番(Moore，1965年)，通常简化为计算性能每两年翻一番——基本上符合前深度学习时代的趋势。目前尚不清楚深度学习时代何时开始，从前深度学习到深度学习时代的过渡没有明显的间断。此外，无论深度学习时代始于2010年还是2012年，结果几乎都不会改变。
大规模深度时代的趋势
数据显示，大规模型模型的新趋势始于2015-2016年，这种新趋势始于2015年底的AlphaGo，一直持续到现在，大规模模型是由大公司训练的，更高的训练预算可能是打破先前的趋势的原因。
另外，常规规模模型受欢迎的程度并未受到影响，这一趋势在2016年之前和之后是相同的速度，每5到6个月翻一番，如下表所示。大规模模型的计算量增加的趋势明显放缓，每9到10个月翻一番。由于这些模型的数据有限，明显放缓可能是噪声的结果。
这一发现与Amodei&Hernandez(2018)和Lyzhov(2021)形成对比，前者发现2012年至2018年的倍增期为3.4个月，后者发现2018年至2020年的倍增期超过2年。以前的评估无法区分这两个独立的模式，因为大规模的趋势是最近才发展起来的。
结论
研究结果与早期研究一致，这显示了训练计算更适度的规模。1952年到2010年有18个月的倍增时间，2010年到2022年有6个月的倍增时间，从2015年末到2022年的大规模新趋势，快了2到3个数量级，倍增时间为10个月。
总而言之，在前深度学习时代，计算进展缓慢，随着2010年进入深度学习时代，这种趋势加速了。在2015年底，企业开始生产优于趋势的大规模模型，如AlphaGo，标志着大规模时代的开始。然而，这并不能确定区分大规模和常规规模的模型而形成模式。
在计算机教学中，硬件基础设施和工程师的作用越来越大，凸显了两者的战略必要性。获得巨大的计算预算或计算集群，以及应用它们的专业知识，已经成为前沿机器学习研究的代名词。
