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大的令人費解的統計算法，可以下棋、破譯潦草的筆跡、理解語音、分類衛星圖像等等。用于訓練機器學習模型的巨型數據集的可用性一直是人工智能成功的關鍵因素之一。但所有這些計算工作都不是免費的。一些人工智能專家越來越關注與構建新算法相關的環境影響，這場辯論引發了關于如何讓機器更有效地學習以減少人工智能碳足跡的新想法。

回到地球

要深入了解細節，我們首先需要考慮數以千計的數據中心（遍布世界各地），它們24小時全天候處理我們的計算請求。對于人工智能研究人員來說，這些任務包括訓練具有數十億數據元素（或標記——在英語中相當于四個字符或大約 3/4 個單詞的單詞位）的多層算法。所涉及的計算工作令人驚訝。人工智能基礎設施公司 Lambda 提供了一些關于 GPT-3（OpenAI 用于生成類人文本的強大自然語言模型）的有趣事實。根據 Lambda 的分析，如果您希望在單個 NVIDIA RTX 8000 上訓練 GPT-3 的 1750 億參數模型，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 的團隊指出，state-of-the-art 語言模型的規模每年以 10 倍的速度增長，這讓我們回到了對 AI 增長的擔憂碳足跡。回到數據中心，有可能在討論中添加更多數字，至少在高層次上是這樣。根據國際能源署 (IEA) 的估計，全球數據中心的總用電量在 200 到 250 TWh 之間。為了使這個數字更容易可視化，假設機車和機車車輛平均每公里行駛消耗 2.5 千瓦時，225 太瓦時足以讓高速電動火車行駛 900 萬公里。雖然只有一部分（在數據中心）將用于訓練和運行 AI 模型，但消息來源表明，機器學習和訓練的計算需求正在超過數據中心活動的平均增長速度。

在這一點上，公平地承認數據中心在管理其能源需求方面做得很好——環境問題是一個動力，但值得一提的是，電力是一項重大的運營費用，對每個設施來說都是“關鍵任務” .盡管全球互聯網流量激增，僅在 2020 年就增長了 40%，但數據中心的能源使用在過去十年中保持相對穩定。 “數據中心服務需求的強勁增長繼續被服務器、存儲設備、網絡交換機和數據中心基礎設施的持續效率提升以及高效云和超大規模數據所滿足的服務份額不斷增長所抵消。中心，”IEA 寫道。

光子等等

此外，垂直整合的數據中心運營商，如亞馬遜、谷歌、Facebook 等，將很快補充說他們的設施由可再生能源供電。自然地，這減輕了數據處理對環境造成的負擔，因為為計算硬件機架和必要的輔助服務（如加熱、冷卻和照明）供電的電力可以來自太陽和風。然而，正如英國《金融時報》未選擇的那樣，即使數據中心能源協議可能通過可再生能源抵消其 100% 的電力消耗，但在風能和太陽能不可用時，設施可能仍會消耗化石燃料。還需要考慮計算設備本身的嵌入式碳排放，這是因為制造方法和零部件材料采購活動也會產生碳排放——微軟承認這一點。

今年早些時候，微軟在最近的一篇博文中討論了高效模型訓練的話題。開發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期間減少計算和內存需求的方法，建議建議在該過程的這個階段將 GPU 使用量減少三倍。模型壓縮也顯示出了希望，其中 AI 數據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% 的訓練時間，同時實現類似的算法效果。

開發人員還可以從監控工具中受益，這些工具將查明通過優化代碼或數據托管安排所獲得的收益。 “CodeCarbon 是一個輕量級的軟件包，可以無縫集成到你的 Python 代碼庫中，”免費提供他們的工具的發明者寫道。 “它估計了用于執行代碼的云或個人計算資源產生的二氧化碳 (CO2) 量。”

完整的循環

循環往復，未來可能會部署更節能的人工智能，以幫助指導更高效的數據中心運營，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，數據中心運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行傳播。結果不僅顯示了二氧化碳計算，還提供了對用戶可以配置其設施以最大化可用環境收益的方式的洞察。

使支持當今技術的算法的碳足跡可見，這在多個方面都有幫助。它正在就培訓未來人工智能的最有效方式展開討論，讓 IT 部門及其客戶對計算的環境成本承擔更多責任。最后，它可能對企業有利。引人注目的是，亞馬遜今年早些時候發布了客戶碳足跡工具，谷歌等其他大公司也允許客戶導出云碳排放信息——這項服務目前處于預覽階段。