7月8日，Google DeepMind发布新研究JEST，一种AI训练方法，声称能提升13倍训练速度和10倍能效，助力环保。JEST通过联合示例选择机制，对比学习者和参考模型评估数据批次，精准挑选关键学习数据，适用于多领域。尽管对高质量数据依赖，但研究或缓解AI算力焦虑。随着AI能耗问题关注，JEST可能被用于降低成本，但实际应用中，可能面临效率与能耗竞赛的挑战。

DeepMind团队发布新突破：JEST数据筛选方法大幅缩短AI训练时间13倍，降低算力需求90%，使得大规模多模态预训练效率提升10倍。这一创新通过智能数据选择，类似图书管理员挑选适合模型的数据批次，减少迭代次数和计算量。研究显示，JEST在预训练数据上性能稳定，有望改变AI训练现状，并对能源消耗有积极影响。该成果由Talfan Evans等4名研究人员主导，论文已公开，展示了从专家型模型到通用模型的转化潜力。