人工智能的能源使用和碳排放
既然提到了人工智能能量消耗和碳排放之間的關系。那么思考這種關系的最好方式是什么呢？
EPA數據顯示，在美國，一千瓦時的能耗平均會產生0.954磅的二氧化碳排放量。這個平均值，反應了美國能源網中不同能量來源（例如可再生能源、核能、天然氣、煤炭）的相對比例和碳足跡的變化。
上述提到的那篇2019年研究分析，采用了全美國的平均值，以便根據各種人工智能模型的能量需求來計算碳排放量。這是一個比較合理的假設。例如，亞馬遜網絡服務公司（Amazon Web Services）的電力來源組合，大致反應了美國整體的電力來源，而且絕大多數的人工智能模型都是在云端進行訓練的。
當然，如果使用主要由可再生能源產生的電力訓練人工智能模型，那么碳足跡也會相應地降低。例如，與AWS相比，谷歌云
平臺（Google Cloud Platform）使用的電力結構在可再生能源方面的比重更大。（上述那篇2019年研究論文顯示，兩家公司的這一比例分別為56%和17%。）
或者，舉另一個例子，如果在太平洋西北部的硬件上訓練一個模型，所產生的碳排放量會低于其他國家，這是因為這一地區擁有豐富的清潔水源。而在這方面，每一家云服務提供商都在鼓吹自己在
碳補償方面的投資。
總體而言，使用美國總體能源平均值，應該可以大致準確地估算出人工智能模型的碳足跡。
效益遞減
通過不斷變大的模型，追求人工智能進步的做法，凸顯了模型規模和模型性能之間的關系。下列數據顯示得很清楚：模型規模的增加，最終會導致性能回報的急劇下降。
比如，ResNet是2015年發布的一個著名計算機視覺模型。該模型的改進版本稱為ResNeXt，于2017年問世。與ResNet相比，ResNeXt所需的計算資源要多35％（以總浮點運算來衡量），準確度卻只提高了0.5％。
艾倫人工智能研究所（Allen AI Institute）2019年的一篇論文提供了詳細的數據，記錄了不同任務、模型和人工智能子領域中的效益遞減問題。與GPT-2相比，最新發布的大型模型GPT-3出現了明顯的效益遞減跡象。
如果人工智能社區仍然繼續沿著當前的研究方向前進，就會不斷的構建越來越大的模型，耗費越來越多的能源，以實現越來越小的性能提升。任何成本/收益分析都會變得越來越比例失調。
既然存在效益遞減的問題，又是什么在推動著模型不斷地朝著越來越大的方向發展呢？一個主要的原因是，當前人工智能社區對獲取“最好的”性能基準測試結果非常關注。構建一個新模型，能夠在性能基準測試中創下新的準確性記錄，即便成績提升僅僅是微不足道的一點，也可以贏得研究人員的認可和好評。
正如加州大學洛杉磯分校（UCLA）的教授Guy Van den Broeck所說：“我認為對這種情況的一個最好的比喻，就是某個富油的國家能夠建造一座很高的摩天大樓。當然，建造這樣的東西需要花很多錢，還有很多的工程工作。你也確實可以在建造這座高樓的時候，獲得‘最先進的技術’。但是……這件事在本質上并沒有什么科學上的進步。”
在當前的人工智能研究領域，占據主導地位的“越大越好”思路，可能會在未來幾年對環境造成重大的破壞。需要在這個領域內進行思慮周詳但又大膽的變革，讓人工智能技術的發展變得更加可持續，并更具生產力。
展望未來
首先，每一位人工智能從業人員都應該考慮，如何在短期內“快速制勝”，以減輕其研究對碳足跡的影響。
重要的第一步是，提高這個問題的透明度和度量程度。當人工智能研究人員們發布新模型的結果時，除了性能和準確性指標之外，他們還應該公布在模型開發中消耗了多少能量的數據。
經過深入徹底的分析，艾倫人工智能研究所的團隊建議，將「浮點運算」作為研究人員追蹤的最通用、也是最有效的能效度量標準。另一組研究人員創建了一個機器學習排放計算器，從業人員可以使用這個計算器來評估他們構建的模型的碳足跡（根據硬件、云服務提供商和地理區域等因素）。
遵循這些思路，綜合考慮能源成本和性能收益的做法，將成為研究人員們在訓練模型時的最佳實踐。明確地量化這種關系，將促使研究人員在面對效益遞減問題時，對資源分配做出更明智、更平衡的決定。
隨著可持續人工智能實踐的擴散，希望人工智能社區能夠在評估人工智能研究的時候，開始考慮這些效率指標，就像今天我們對傳統性能指標（例如準確性）采取的做法一樣：在
會議論文提交、演講、學術角色中考慮它們。
還有一些已經相對比較成熟的方法，能夠幫助人工智能技術在近期減少碳足跡：使用更有效的超參數搜索方法、減少訓練過程中不必要的實驗次數、使用更高能效的硬件等。
但是，單靠這些補救措施并不足以解決這個問題。人工智能領域需要更根本的長期轉變。
我們需要退后一步，并且承認，僅僅依靠建立越來越大的神經網絡并非通往通用智能的正確途徑。我們需要推動自己去發現更優雅、更有效的方法，來對機器中的智能進行建模。我們正在持續不斷地同氣候變化進行斗爭，這是一場關乎地球未來的戰爭。
在此引用人工智能傳奇人物、深度學習教父Geoff Hinton的話：“未來取決于那些‘對我所說的一切’都深表懷疑的研究生……我的觀點是將其全部拋棄并重新開始。”
人工智能社區必須開始致力于開創人工智能的新范例，這些范例應該既不需要指數級增長的數據集，也不需要龐大的能源消耗。小樣本學習（few-shot learning）等新興研究領域，都是有前途的途徑。
人類的大腦——智力的原始來源提供了重要的啟發。和當今的深度學習方法相比，我們大腦的效率高得不可思議。它們只有幾磅重，大概只需要20瓦左右的能量消耗，這個能耗只能夠給昏暗的燈泡供電。然而，它們代表了已知宇宙中最強大的智力形式。
人工智能研究人員Siva Reddy指出：“人類的大腦用很少的能量消耗，就能夠完成令人驚嘆的事情。問題是我們如何建造出這樣的機器來。”
【版權聲明】本網為公益類網站，本網站刊載的所有內容，均已署名來源和作者，僅供訪問者個人學習、研究或欣賞之用，如有侵權請權利人予以告知，本站將立即做刪除處理（QQ：51999076）。
國家工信部備案/許可證編號
