本文讨论了人工智能（AI）能力提升的驱动因素对预测、监管和确保AI安全的重要性。了解这些驱动因素可以帮助政策制定者制定更有针对性的规定，预测人员避免过于依赖不可靠的指标，技术研究人员了解未来模型可能的训练数据。文章还提到了前沿模型训练的成本估算，包括硬件成本、运营支出和电力成本。作者认为，新的前沿模型可能需要耗资10亿美元左右，其中80%的成本用于超级计算机硬件，18%用于人员，2%用于电力。文章还讨论了ML GPU的成本，指出其通信和内存能力是导致成本高昂的主要原因。作者还提到了ML并行性技术的概述，以及数据成为ML扩展的主要瓶颈的可能性。最后，作者指出了FLOPs作为衡量ML计算能力的指标的局限性，并提出了其他可能的指标，如晶体管小时数、能源使用量和单比特逻辑运算。作者认为，这是一个开放的问题，对预测和监管具有重要影响。

在优化成本之前，最好组建一个跨职能团队来进行分析和领导成本优化工作。建议组建一个成本优化团队，由具有基础设施技能和对后端和数据系统有背景了解的技术人员组成。他们需要在受影响的团队之间协调工作，并创建报告，因此技术项目经理将非常有价值。对驱动因素和相关成本进行清点的结果应该让成本优化团队更好地了解哪种类型的成本最高，以及公司的架构如何影响这些成本。这种练习在考虑历史数据时更有效，例如过去3-6个月的成本，以将成本变化与特定产品或技术决策相关联。

在优化成本之前，最好组建一个跨职能团队来进行分析和领导成本优化工作。建议组建一个成本优化团队，由具有基础设施技能和对后端和数据系统有背景了解的技术人员组成。通过清点驱动因素和相关成本，成本优化团队可以更好地了解哪种类型的成本最高，以及公司的架构如何影响这些成本。服务/能力提供商、运营与分析、预生产与生产（环境）是需要重点关注的领域。

在优化成本之前，最好组建一个跨职能团队来进行分析和领导成本优化工作的执行。建议组建一个成本优化团队，由具有基础设施技能和对后端和数据系统有背景了解的技术人员组成。通过清点驱动因素和相关成本，了解成本最高的类型和公司架构对成本的影响。识别服务/能力提供商的合并机会和降低成本。了解运营系统与分析系统的规模和价值，以确定适当的比例。