為提高影像識別應用程式在 NVIDIA Jetson Nano 和 Jetson TX2 等邊緣設備上的速度，麻省理工學院（ MIT ）的研究人員開發了一種新型深度學習模型，該模型性能優於以往影像識別任務中最先進的模型。
該模型在美國能源部下所屬橡樹嶺國家實驗室的超級電腦 Summit 上進行訓練，使用了 1,536 個 NVIDIA V100 GPU ， 並在第 1 版 和第 2 版 Something-Something 影像數據集公開挑戰賽中蟬聯冠軍。
擬在韓國首爾舉行的國際電腦視覺會議(International Conference on Computer Vision)上發表的 研究論文 詳細介紹了該方法，該方法利用時間轉移模組（ Temporal Shift Module ）框架來實現 3D 卷積神經網路（ CNN ）的性能，但同時具有 2D 卷積神經網路的複雜性。
研究人員在論文中指出：“傳統 2D CNN 在運算上成本低，但無法捕獲時間關係。基於 3D CNN 的方法可以實現良好性能，但運算量龐大，因此部署成本高。在論文 中，我們提出兼具高效能又高效率，通用且有效的時間轉移模組（ TSM ）。”
該團隊認為，這種方法可以將模型縮小到 1/6 ，也就是將最先進模型中的 1.5 億個參數減少到 2500 萬個參數。
麻省理工學院（ MIT ）的助理教授，及該論文的合著者 Song Han 說 :“我們的目標是使任何通過低功耗設備工作的人都可以使用 AI 。要做到這一點，我們需要設計耗能更少的高效 AI 模型，這個模型可以在邊緣設備上平穩運行。”
在以上影片中，這項研究的主要作者 Ji Lin 展示了安裝在攝影機上的單個 NVIDIA Jetson Nano 如何能夠在僅 12.4 毫秒的延遲下立即對手勢進行分類。
研究小組在橡樹嶺國家實驗室借助 Summit 訓練這種演算法。在那裡， Lin 和他的團隊使用 NVIDIA V100 GPU 和 cuDNN 加速的 PyTorch 深度學習框架，僅在 14 分鐘內就訓練了他們的模型。
研究人員說：“大型 AI 訓練工作的運算要求每 3.5 個月翻一番。我們能否繼續突破技術極限，取決於超高效演算法與強大機器相匹配的戰略。”
研究人員還在 GitHub上發布了實現 PyTorch 的代碼。