如果您正在尋找有趣的話題，那么人工智能 (AI) 不會讓您失望。人工智能包含一組強(qiáng)大的令人費(fèi)解的統(tǒng)計(jì)算法，可以下棋、破譯潦草的筆跡、理解語音、分類衛(wèi)星圖像等等。用于訓(xùn)練機(jī)器學(xué)習(xí)模型的巨型數(shù)據(jù)集的可用性一直是人工智能成功的關(guān)鍵因素之一。但所有這些計(jì)算工作都不是免費(fèi)的。一些人工智能專家越來越關(guān)注與構(gòu)建新算法相關(guān)的環(huán)境影響，這場辯論引發(fā)了關(guān)于如何讓機(jī)器更有效地學(xué)習(xí)以減少人工智能碳足跡的新想法。

　　回到地球

　　要深入了解細(xì)節(jié)，我們首先需要考慮數(shù)以千計(jì)的數(shù)據(jù)中心(遍布世界各地)，它們24小時(shí)全天候處理我們的計(jì)算請求。對于人工智能研究人員來說，這些任務(wù)包括訓(xùn)練具有數(shù)十億數(shù)據(jù)元素(或標(biāo)記——在英語中相當(dāng)于四個(gè)字符或大約 3/4 個(gè)單詞的單詞位)的多層算法。所涉及的計(jì)算工作令人驚訝。人工智能基礎(chǔ)設(shè)施公司 Lambda 提供了一些關(guān)于 GPT-3(OpenAI 用于生成類人文本的強(qiáng)大自然語言模型)的有趣事實(shí)。根據(jù) Lambda 的分析，如果您希望在單個(gè) NVIDIA RTX 8000 上訓(xùn)練 GPT-3 的 1750 億參數(shù)模型，則需要 665 年，這在顯卡方面毫不遜色。

　　簡單來說，模型越大，性能就越好，Lambda 的團(tuán)隊(duì)指出，state-of-the-art 語言模型的規(guī)模每年以 10 倍的速度增長，這讓我們回到了對 AI 增長的擔(dān)憂碳足跡。回到數(shù)據(jù)中心，有可能在討論中添加更多數(shù)字，至少在高層次上是這樣。根據(jù)國際能源署 (IEA) 的估計(jì)，全球數(shù)據(jù)中心的總用電量在 200 到 250 TWh 之間。為了使這個(gè)數(shù)字更容易可視化，假設(shè)機(jī)車和機(jī)車車輛平均每公里行駛消耗 2.5 千瓦時(shí)，225 太瓦時(shí)足以讓高速電動火車行駛 900 萬公里。雖然只有一部分(在數(shù)據(jù)中心)將用于訓(xùn)練和運(yùn)行 AI 模型，但消息來源表明，機(jī)器學(xué)習(xí)和訓(xùn)練的計(jì)算需求正在超過數(shù)據(jù)中心活動的平均增長速度。

　　在這一點(diǎn)上，公平地承認(rèn)數(shù)據(jù)中心在管理其能源需求方面做得很好——環(huán)境問題是一個(gè)動力，但值得一提的是，電力是一項(xiàng)重大的運(yùn)營費(fèi)用，對每個(gè)設(shè)施來說都是“關(guān)鍵任務(wù)” .盡管全球互聯(lián)網(wǎng)流量激增，僅在 2020 年就增長了 40%，但數(shù)據(jù)中心的能源使用在過去十年中保持相對穩(wěn)定。 “數(shù)據(jù)中心服務(wù)需求的強(qiáng)勁增長繼續(xù)被服務(wù)器、存儲設(shè)備、網(wǎng)絡(luò)交換機(jī)和數(shù)據(jù)中心基礎(chǔ)設(shè)施的持續(xù)效率提升以及高效云和超大規(guī)模數(shù)據(jù)所滿足的服務(wù)份額不斷增長所抵消。中心，”IEA 寫道。

　　光子等等

　　此外，垂直整合的數(shù)據(jù)中心運(yùn)營商，如亞馬遜、谷歌、Facebook 等，將很快補(bǔ)充說他們的設(shè)施由可再生能源供電。自然地，這減輕了數(shù)據(jù)處理對環(huán)境造成的負(fù)擔(dān)，因?yàn)闉橛?jì)算硬件機(jī)架和必要的輔助服務(wù)(如加熱、冷卻和照明)供電的電力可以來自太陽和風(fēng)。然而，正如英國《金融時(shí)報(bào)》未選擇的那樣，即使數(shù)據(jù)中心能源協(xié)議可能通過可再生能源抵消其 100% 的電力消耗，但在風(fēng)能和太陽能不可用時(shí)，設(shè)施可能仍會消耗化石燃料。還需要考慮計(jì)算設(shè)備本身的嵌入式碳排放，這是因?yàn)橹圃旆椒ê土悴考�材料采購活動也會產(chǎn)生碳排放——微軟承認(rèn)這一點(diǎn)。

　　今年早些時(shí)候，微軟在最近的一篇博文中討論了高效模型訓(xùn)練的話題。開發(fā)人員正忙于探索縮小人工智能碳足跡的方法——或者至少是抑制其增長。這里的步驟包括尋找在模型微調(diào)期間減少計(jì)算和內(nèi)存需求的方法，建議建議在該過程的這個(gè)階段將 GPU 使用量減少三倍。模型壓縮也顯示出了希望，其中 AI 數(shù)據(jù)的子層被修剪成更稀疏但仍具有代表性的先前組合條件的版本。在這里，研究表明，壓縮模型可能需要減少約 40% 的訓(xùn)練時(shí)間，同時(shí)實(shí)現(xiàn)類似的算法效果。

　　開發(fā)人員還可以從監(jiān)控工具中受益，這些工具將查明通過優(yōu)化代碼或數(shù)據(jù)托管安排所獲得的收益。 “CodeCarbon 是一個(gè)輕量級的軟件包，可以無縫集成到你的 Python 代碼庫中，”免費(fèi)提供他們的工具的發(fā)明者寫道。 “它估計(jì)了用于執(zhí)行代碼的云或個(gè)人計(jì)算資源產(chǎn)生的二氧化碳 (CO2) 量。”

　　完整的循環(huán)

　　循環(huán)往復(fù)，未來可能會部署更節(jié)能的人工智能，以幫助指導(dǎo)更高效的數(shù)據(jù)中心運(yùn)營，以降低——你猜對了——人工智能的碳足跡。如今，Cirrus Nexus 提供了可用的軟件，數(shù)據(jù)中心運(yùn)營商可以使用該軟件來為碳分配成本，并通過人工智能算法進(jìn)行傳播。結(jié)果不僅顯示了二氧化碳計(jì)算，還提供了對用戶可以配置其設(shè)施以最大化可用環(huán)境收益的方式的洞察。

　　使支持當(dāng)今技術(shù)的算法的碳足跡可見，這在多個(gè)方面都有幫助。它正在就培訓(xùn)未來人工智能的最有效方式展開討論，讓 IT 部門及其客戶對計(jì)算的環(huán)境成本承擔(dān)更多責(zé)任。最后，它可能對企業(yè)有利。引人注目的是，亞馬遜今年早些時(shí)候發(fā)布了客戶碳足跡工具，谷歌等其他大公司也允許客戶導(dǎo)出云碳排放信息——這項(xiàng)服務(wù)目前處于預(yù)覽階段。

　　作者：James Tyrrell