機器學習等計算密集型技術的發展帶來了高碳足跡，并加劇了氣候變化。機除了快速增長之外，還有不斷擴大的綠色人工智能工具和技術組合，以幫助抵消碳排放并提供更可持續的發展道路。

根據微軟和艾倫人工智能研究所，以及希伯來大學、卡耐基梅隆大學和人工智能社區hugsFace的共同作者上個月發表的研究，環境成本很高。微軟Azure機器學習產品經理、綠色軟件基金會成員、該研究的合著者威爾·布坎南(WillBuchanan)表示，該研究推斷數據表明，對于一個60億參數的ML模型(一個大型語言模型)，一個訓練實例產生的二氧化碳相當于在一輛大型火車車廂里燃燒所有的煤。

弗雷斯特研究公司(Forrester Research)分析師阿比吉特·蘇尼爾(AbhijitSunil)說，過去，代碼是在受限于有限資源的嵌入式系統中優化的，比如手機、冰箱或衛星。然而，AI和ML等新興技術不受這些限制，他說。

“當我們擁有看似無限的資源時，優先考慮的是編寫盡可能多的代碼，”Sunil 說。

人工智能是適合這項工作的工具嗎?

綠色人工智能，也就是讓人工智能發展更可持續的過程，正在成為解決算法耗電問題的可能方案。布坎南說:“這都是為了降低技術發展本身的隱性成本。”

蒙特利爾人工智能倫理研究所創始人兼首席研究員、綠色軟件基金會標準工作組主席阿布謝克·古普塔(AbhishekGupta)表示，任何開發人員的出發點都是要了解人工智能是否適合這項工作，并弄清楚為什么首先要部署機器學習。

“你并不總是需要機器學習來解決問題，”古普塔說。

古普塔表示，開發人員在部署 ML 時還應該考慮進行成本效益分析。例如，如果使用機器學習將平臺的滿意度從 95% 提高到 96%，那么這可能不值得為環境付出額外的代價，他說。

選擇碳友好地區

布坎南說，一旦開發人員決定使用人工智能，那么選擇在碳友好地區部署模型會對運營排放產生最大影響，將軟件碳強度率降低約 75%。

布坎南說:“這是當今任何開發者都可以使用的最有影響力的杠桿。”

古普塔舉了一個例子：開發商可以選擇在加拿大魁北克省運營，而不是在美國中西部地區運營，因為那里的電力主要來自化石燃料。而加拿大魁北克省90%以上的電力來自水力發電。

在決定機器學習工作應該在哪里運行時，企業還必須考慮能源類型以外的其他因素。2021 年 4 月，Google Cloud推出了綠色區域選擇器，可幫助公司在選擇運營地點時評估成本、延遲和碳足跡。但 Buchanan 說，并非所有云提供商都可以輕松獲得此類工具。

他說，為了解決這個問題，綠色軟件基金會正在開發一種名為Carbon AwareSDK的新工具，該工具將推薦最佳區域來啟動資源。在接下來的幾個月內應該會提供 alpha 版本。

其他環保的方法

古普塔說，如果唯一可用的計算機位于電力不暢的地區，開發人員可以使用聯合學習式部署，其中訓練以分布式方式在電力體制中存在的所有設備上進行。但聯邦學習可能不適用于所有工作負載，例如必須遵守法律隱私考慮的工作負載。

古普塔說，另一種選擇是讓開發人員使用tinyML，它通過量化、知識蒸餾和其他方法來縮小機器學習模型。他說，目標是最小化模型，以便可以以更節省資源的方式部署它們，例如在邊緣設備上。但由于這些模型提供的智能有限，它們可能不適合復雜的用例。

“整個行業的趨勢是認為越大越好，但我們的研究表明，你可以反駁這一點，并明確表示你需要為工作選擇合適的工具，”布坎南說。

消費指標可能是解決方案

布坎南說，綠色軟件基金會和其他倡議在衡量和減少軟件的碳足跡方面取得了進展。

例如，微軟去年在 Azure 機器學習中提供了能耗指標，使開發人員能夠查明他們最耗能的工作。這些指標側重于耗電的 GPU，它比 CPU更快，但消耗的能量是 CPU 的 10 倍以上。 布坎南說，GPU 通常用于運行 AI 模型，在功耗方面通常是最大的罪魁禍首。

然而，布坎南說，仍然需要更多可互操作的工具，指的是目前可用的零碎的綠色人工智能工具。“綠色軟件基金會正在做一件事情，”他說，“但我認為云提供商需要進行協同投資，以提高能源效率。”

古普塔表示，最終的目標是引發行為改變，讓綠色人工智能實踐成為常態。“我們這樣做不僅僅是為了會計目的，”他說。