这一趋势是由研究界强调提高技术水平而很少考虑成本所驱动的。例如，虽然有一些排行榜庆祝性能突破，但它们很少提及这些增量改进的成本。通常，性能的线性增长是通过资源的指数增长来解锁的。一位专家预测，以这种速度，人工智能可以解释多达世界用电量的十分之一到2025年。
致富致富：这些统计数据不仅仅是从环境角度来看的。它们还对该领域的多样性和进步产生影响。产生显著结果所需的资源数量之大，使得私人拥有超过学术人工智能实验室的特权。例如，这可能会将该领域的发展限制在更符合公司激励措施的短期项目上，而不是有利于公众的长期进展。
展示你的作品：在一篇新论文位于西雅图的AI2研究人员提出了一种新的方法来缓解这一趋势。他们建议人工智能研究人员始终公布训练模型的财务和计算成本以及性能结果。作者希望，提高实现性能提升所需的透明度，将激励对开发高效机器学习算法的更多投资。
AI2的首席执行官、该论文的作者Oren Etzioni也认为，出版物和会议的论文评审员应该奖励那些提高效率和准确性的人。除非人们将效率指标标准化，否则很难评估这种贡献的重要性。他说：“我认为报告这些数字是必要的，但还不够。”。
为什么是现在？近年来，企业研究实验室投入深度学习的计算能力急剧提升。
但Etzioni希望社区能够更加意识到这种权衡。此外，投资于更高效的算法可能会从可用资源中榨取更多里程，并产生其他收益。他说：“这不是非此即彼的事情，我们只是想在球场上取得更好的平衡。”
