對于任何平臺來說，人工智能都是資源密集型的，包括公共云。大多數人工智能技術需要大量的推理計算，這些推理計算綜合下來對處理器、網絡和存儲的要求更高，而且也會帶來更高的電費、基礎設施成本和碳足跡。

以 ChatGPT 為例的生成式人工智能系統的崛起，使上述問題再次成為焦點。考慮到這項技術的普及，以及公司、政府和公眾可能的大規模應用，我們可以看到電力消耗增長曲線呈現出令人擔憂的弧度。

自 20 世紀 70 年代以來，人工智能技術一直都存在。由于一套成熟的人工智能系統的工作需要消耗大量的資源，因此，最初并沒有產生太大的商業影響。記得我在 20 來歲時設計的人工智能系統，需要超過 4000 萬美元的硬件、軟件和數據中心空間才能保證它的運行。劇透一下：那個項目和其他許多人工智能項目都沒有能真正發布。作為商業案例并不可行。

云計算改變了這一切。曾經無法企及的事情，現在有了公共云就有了足夠的成本效益。事實上，正如你可能已經猜到的那樣，在過去的 10 到 15 年里，云的崛起與人工智能的崛起大致一致。我想說的是，它們現在是緊密結合在一起的。

云資源的可持續性和成本

你真的不需要做太多的研究來預測這里會發生什么。對人工智能服務的需求將激增，比如現在正引發人們關注的生成式人工智能系統，以及其他人工智能和機器學習系統。這種激增將由那些尋求創新優勢的企業引領，比如智能供應鏈，甚至成千上萬的大學生希望有一個生成性人工智能系統來寫他們的學期論文。

對人工智能的更多需求意味著對這些人工智能系統使用的資源的更多需求，如公共云及其提供的服務。這種需求很可能會被通過多的數據中心來實現，這些數據中心內容納了耗電量巨大的服務器和網絡設備。

公共云供應商就像任何其他公用事業資源供應商一樣，會隨著需求的增加而提高價格，就像我們看到家庭電費季節性上漲一樣（也是基于需求）。因此，我們通常會縮減使用量，比如，在夏天將空調開到 24 度而不是 20 度。

然而，更高的云計算成本可能不會對企業產生同樣的影響。企業可能會發現，這些人工智能系統是驅動某些關鍵業務流程的，也就并不是可有可無的。在許多情況下，他們可能會試圖在企業內部節約資金，也許是通過減少員工數量來抵消人工智能系統的成本。生成性人工智能系統將很快取代許多信息工作者，這已不是什么秘密。

可以做什么？

如果運行人工智能系統的資源需求將導致更高的計算成本和碳輸出，我們能做什么？答案也許在于為人工智能尋找更有效的方式來利用資源，如處理、網絡和存儲。

比如，采樣流水線可以通過減少處理的數據量來加快深度學習。麻省理工學院和 IBM 的研究表明，你可以用這種方法減少在大型數據集上運行神經網絡所需的資源。然而，它也限制了準確性，這對某些商業用例來說可能是可以接受的，但不是所有的商業用例都能接受。

另一種已經在其他技術領域使用的方法是內存計算。這種架構可以通過不將數據移入和移出內存來加快人工智能處理。相反，人工智能的計算直接在內存模塊內運行，這大大加快了速度。

其他方法也正在開發中。比如改變物理處理器，使用協處理器進行人工智能計算，以提高運算速度，或者采用量子等下一代計算模型。你可以期待大型公共云供應商發布大量關于如何解決許多這類問題的技術公告。

你該怎么做？

我的建議肯定不是為了獲得更低的云計算賬單或拯救地球而避免人工智能。人工智能是一種基礎的計算方法，大多數企業可以利用它來獲取大量價值。

我建議你在進入一個人工智能啟用或凈新的人工智能系統開發項目時，要清楚地了解成本和對可持續性的影響，這兩者是直接相關的。你必須做出成本/效益的選擇，而這實際上又回到了你能為企業帶來的成本和風險的價值。說來說去其實并沒有什么新鮮事兒。

我確實相信，無論是內存還是量子計算，還是我們尚未看到的解決方案，大部分問題都將通過創新方式來解決。人工智能技術提供商和云計算提供商都熱衷于使人工智能更具成本效益和綠色。這是個好消息。

來源：www.cio.com